线性代数笔记【特征值】
特征值
特征值及一些基本概念
特征值:设A为n阶方阵,λ为变量,把∣λE−A∣=0|\lambda E-A|=0∣λE−A∣=0的根称为A的特征值(又称为特征根),其中单根称为单特征根;重根称为重特征根
对角矩阵和三角形矩阵的特征值就是他们的对角元
特别地,实方阵的特征值不一定都是实数,也可能是复数
特征向量:设λi\lambda_iλi是A的特征值,则齐次线性方程组(λiE−A)x=0(\lambda_i E-A)x=0(λiE−A)x=0的非零解向量称为A的对应于(或属于)λi\lambda_iλi的特征向量
特征方程:∣λE−A∣=0|\lambda E-A|=0∣λE−A∣=0称为A的特征方程
求A的特征向量步骤:
- 写出A的特征方程并求A的特征根
- 将特征根带入特征方程,求其通解
- 减去通解中的零向量,剩下的就是A的特征向量
迹:n阶方阵A的n个对角元之和,记作tr(A)
特征多项式:特征方程的左半部分∣λE−A∣|\lambda E-A|∣λE−A∣称为矩阵A的特征多项式,令其等于0即可得到特征方程
特征向量的性质
n阶方阵A在复数域中有且只有n个特征值(k重特征值看作k个)
若n阶方阵A的特征值为λ1,λ2,⋯,λn\lambda_1,\lambda_2,\cdots,\lambda_nλ1,λ2,⋯,λn,则:
- λ1+λ2+⋯+λn=tr(A)\lambda_1+\lambda_2+\cdots+\lambda_n=tr(A)λ1+λ2+⋯+λn=tr(A)
- λ1λ2⋯λn=∣A∣\lambda_1 \lambda_2 \cdots \lambda_n=|A|λ1λ2⋯λn=∣A∣
方阵A可逆 ⇔\Leftrightarrow⇔ A的特征值都不为0,且∣A∣≠0|A|\neq0∣A∣=0
设A为n阶方阵,有
λ\lambdaλ是A的特征值且p是λ\lambdaλ对应的特征向量 ⇔\Leftrightarrow⇔ 数λ\lambdaλ和n元非零向量p满足Ap=λpAp=\lambda pAp=λp
表明:λ和A在“特征”方面呈现出等价的特性
该特性可用于定义方阵的特征值及其特征向量
若λ是方阵A的特征值,p是对应的特征向量,k是正整数,则λk\lambda^kλk是AkA^kAk的特征值,p仍是对应的特征向量
有Akp=λkpA^k p=\lambda^k pAkp=λkp
若λ是可逆矩阵A的特征值,p是对应的特征向量,则λ−1\lambda^{-1}λ−1和∣A∣λ−1|A|\lambda^{-1}∣A∣λ−1分别是A−1A^{-1}A−1和A∗A^*A∗的特征值,p仍是对应的特征向量
除了以上结论,还有
(λ+1)(\lambda +1)(λ+1)是(A+E)(A+E)(A+E)的特征值
EEE的特征值为1
EnE_nEn有n重特征值是1
推广得:
方阵满足某个矩阵方程F(A)=0F(A)=0F(A)=0,则A的特征值只能是这个矩阵方程对应解的特征根之中的值
即若λ是A的特征值,p是λ对应的特征向量,则F(λ)=kmλm+⋯+k1λ+k0F(\lambda)=k_m \lambda^m +\cdots+k_1 \lambda +k_0F(λ)=kmλm+⋯+k1λ+k0是F(A)=kmAm+⋯+k1A+k0EF(A)=k_m A^m+\cdots+k_1A+k_0EF(A)=kmAm+⋯+k1A+k0E的特征值,p仍是其对应的特征向量
方阵A与AT的特征值相同
若λ1,λ2,⋯,λn\lambda_1,\lambda_2,\cdots,\lambda_nλ1,λ2,⋯,λn是方阵A的互异特征值,它们分别对应的特征向量p1,p2,⋯,pnp_1,p_2,\cdots,p_np1,p2,⋯,pn一定线性无关
互异特征根对应的特征向量线性无关
设λ1,λ2,⋯,λn\lambda_1,\lambda_2,\cdots,\lambda_nλ1,λ2,⋯,λn是方阵A的互异特征根,pi1,pi2,⋯,pirip_{i1},p_{i2},\cdots,p_{ir_i}pi1,pi2,⋯,piri是λi(i=1,2,⋯,m)\lambda_i(i=1,2,\cdots,m)λi(i=1,2,⋯,m)对应的线性无关的特征向量,则p11,p12,⋯,p1ri,⋯,pm1,pm2,⋯,pmrmp_{11},p_{12},\cdots ,p_{1r_i},\cdots,p_{m1},p_{m2},\cdots,p_{mr_m}p11,p12,⋯,p1ri,⋯,pm1,pm2,⋯,pmrm线性无关
对于一般的向量组,如果各部分都线性无关,则合并起来不一定线性无关,这里的线性无关是特征向量独有的性质
相似矩阵
相似:设A、B为n阶方阵,如果存在n阶可逆矩阵P,使得P−1AP=BP^{-1}AP=BP−1AP=B,则称A与B相似,P−1APP^{-1}APP−1AP称为对A进行相似变换,P称为相似变换矩阵。如果相似变换矩阵P是正交矩阵,则称A与B正交相似,对应地相似变换称为正交相似变换
与等价矩阵的区别:
两个相似矩阵一定等价;但两个等价矩阵不一定相似
相似矩阵必须是方阵,但等价矩阵不一定都是方阵
相似矩阵具有以下性质:
- 若A与B相似,则Ak与Bk相似(k为正整数)
- 若A与B相似,则A与B的特征多项式、特征值、行列式与迹均相同
相似对角化
对角矩阵主对角线之外的元素皆为0的矩阵
用diag(a,b,c,…,n)表示,其中a,b,c,…,n都是对角线上的值
如果矩阵A能与对角矩阵相似,则称A可相似对角化,当A可相似对角化时,与A相似的对角矩阵叫做A的相似标准型
基本特征:如果A相似于对角矩阵,那么这个对角矩阵的所有对角元为A的全部特征值;不是所有方阵都能相似对角化
相似对角化的判定条件:
n阶方阵A可相似对角化的充要条件是A有n个线性无关的特征向量
用来把A相似对角化的相似变换矩阵P是以A的n个线性无关的特征向量为列构成的矩阵,所化为的对角矩阵B的对角元恰为A的n个特征值,并且特征值在B中的排列与特征向量在P中的排列次序相对应
求解时要注意一定要化成行最简矩阵在设自由未知量,P的构造是不唯一的
方阵A的每个特征值所对应的线性无关特征向量的个数一定小于或等于它的重数
若n阶方阵A的特征值都是单特征值,则A可相似对角化
n阶方阵A可相似对角化的充要条件是A的每个特征值所对应的线性无关特征向量的个数恰好等于其重数
n阶方阵A可相似对角化的充要条件是每个特征值λi都满足r(λiE−A)=n−nir(\lambda_i E-A)=n-n_ir(λiE−A)=n−ni,其中ni为λi的重数
讨论方阵A是否可以相似对角化时,但特征值不需讨论
实对称矩阵都可以相似对角化,并且可以用正交相似变换将其相似对角化
共轭矩阵
把复矩阵A=[aij]m×nA=[a_{ij}]_{m \times n}A=[aij]m×n中的每个元素用其共轭复数代替所得矩阵叫做A的共轭矩阵,记作A‾=[a‾ij]m×n\overline{A}=[\overline{a}_{ij}]_{m \times n}A=[aij]m×n
显然,A为实矩阵 <=> A‾=A\overline{A}=AA=A
共轭矩阵具有如下性质:
可逆律:A‾‾=A\overline{\overline{A}}=AA=A
分配律:A+B‾=A‾+B‾\overline{A+B}=\overline{A}+\overline{B}A+B=A+B
结合律:AB‾=A‾⋅B‾\overline{AB}=\overline{A} \cdot \overline{B}AB=A⋅B
kA‾=k‾⋅A‾\overline{kA}=\overline{k} \cdot \overline{A}kA=k⋅A
AT‾=A‾T\overline{A^T}=\overline{A}^TAT=AT
x与x共轭的内积一定不小于0:x‾Tx≥0\overline{x}^T x \ge 0xTx≥0,当x≠0x\neq0x=0时,x‾Tx>0\overline{x}^T x \gt 0xTx>0
补充:内积(x‾,x)(\overline{x},x)(x,x)可以用x‾Tx\overline{x}^T xxTx表示
特别地,若λ‾P‾TP=λP‾TP\overline{\lambda}\overline{P}^TP=\lambda\overline{P}^TPλPTP=λPTP,则λ‾=λ\overline{\lambda}=\lambdaλ=λ
实对称矩阵的性质
对称矩阵:AT=AA^T=AAT=A
反称矩阵:AT=−AA^T=-AAT=−A
实对称矩阵A的特征值都是实数
A=AT=A‾T=AT‾A=A^T=\overline{A}^T=\overline{A^T}A=AT=AT=AT
若λi\lambda_iλi是实对称矩阵A的特征值,则λi\lambda_iλi为实数,λiE−A\lambda_i E-AλiE−A为实矩阵,(λiE−A)x=0(\lambda_i E-A)x=0(λiE−A)x=0的基础解系,即λi\lambda_iλi对应的特征向量可取为实向量
实对称矩阵A的相异特征值λ和μ分别对应的特征向量p和q一定正交
实对称矩阵都可以相似对角化,并且可以用正交相似变换将其相似对角化
对于任意n阶实对称矩阵A,都存在正交矩阵Q,使得Q−1AQ=diag(λ1,λ2,⋯,λn)Q^{-1}AQ=diag(\lambda_1,\lambda_2,\cdots,\lambda_n)Q−1AQ=diag(λ1,λ2,⋯,λn),其中i=1,2,⋯,ni=1,2,\cdots,ni=1,2,⋯,n是A的特征值
特别注意:这条性质是线性代数的核心性质之一
实对称矩阵的每个特征值所对应的线性无关特征向量的个数恰好等于其重数
两个同阶的实对称矩阵相似的充要条件是它们具有相同的特征值
特征值反映了矩阵在“不变性”方面的核心性质
实对称矩阵A的非零特征值的个数等于其秩r(A)
将实对称矩阵的k(k>=2)重特征根λi对应的k个线性无关的特征向量正交化后得到的k个向量还是λi对应的特征向量,因为二者等价
实对称矩阵的相似对角化特性
实对称矩阵都可以相似对角化,并且可以用正交相似变换将其相似对角化
一般的实方阵不具有实对称矩阵这样的性质,只能保证特征向量线性无关,需要使用施密特正交化来获得正交的特征向量
这是实对称矩阵独有的性质
若A不是实对称矩阵,不能使用正交相似变换将A化为对角矩阵
正交相似变换矩阵的求法
实对称矩阵A的特征值都是单特征值时
- 求出每个特征值对应的方程组(λiE−A)x=0(\lambda_i E-A)x=0(λiE−A)x=0的基础解系(λi对应线性无关的特征向量)
- 将它们单位化,得到A的两两正交的单位特征向量
- 将这些特征向量作为Q的列向量
- Q就是所求的正交相似变换矩阵
实对称矩阵A有重特征值时
求出A的全部特征值
分别求出不同特征值对应的方程组(λiE−A)x=0(\lambda_i E-A)x=0(λiE−A)x=0的基础解系(λi对应线性无关的特征向量)
将它们正交化
注意正交化是对各个特征值λi\lambda_iλi所对应的线性无关的特征向量分别进行的
将正交化的基础解系单位化
将得到的特征向量作为Q的列向量
Q就是所求的正交相似变换矩阵
相似对角化特征向量的组合问题
若方阵A可相似对角化,有特征值λ1=λ2≠λ3\lambda_1=\lambda_2\neq\lambda_3λ1=λ2=λ3
对应特征向量P=[P1,P2,P3][P_1,P_2,P_3][P1,P2,P3]
可对A进行相似对角化:P−1AP=diag(λ)P^{-1}AP=diag(\lambda)P−1AP=diag(λ)的情况如下:
- 若P′=[P1,P1+P2,P3]P'=[P_1,P_1+P_2,P_3]P′=[P1,P1+P2,P3],P−1AP=diag(λ)P^{-1}AP=diag(\lambda)P−1AP=diag(λ)成立
- 若P′′=[P1,P2+P3,P3]P''=[P_1,P_2+P_3,P_3]P′′=[P1,P2+P3,P3],不再有P−1AP=diag(λ)P^{-1}AP=diag(\lambda)P−1AP=diag(λ)
- 若P′′′=[k1P1+k2P2,k3P2+k4P1,k5P3]P'''=[k_1 P_1+k_2P_2,k_3P_2+k_4P_1,k_5P_3]P′′′=[k1P1+k2P2,k3P2+k4P1,k5P3],P−1AP=diag(λ)P^{-1}AP=diag(\lambda)P−1AP=diag(λ)一直成立
重点在于相似变换矩阵P中的组成列向量之间不能线性相关
特征值和相似对角化的深入理解
特征值
特征值的另一种定义:A是n阶矩阵,λ是一个数,若存在n维非零列向量ξ,使得Aξ=λξ,则称λ是A的特征值,ξ是A的对应于特征值λ的特征向量
由这个定义可以反推出特征方程|λE-A|=0,它的根就是特征值,也称为特征根,λE-A称为特征矩阵,|λE-A|称为特征多项式
特征值具有以下性质:
- ∑i=1nλi=∑i=1naii\sum_{i=1}^n \lambda_i=\sum_{i=1}^n a_{ii}∑i=1nλi=∑i=1naii
- Πi=1nλi=∣A∣\Pi_{i=1}^n \lambda_i=|A|Πi=1nλi=∣A∣
- k重特征值至多有k个对应的线性无关的特征向量
- 两个属于同一特征值的特征向量的线性组合仍是属于同一特征值的特征向量
- 两个属于不同特征值的特征向量之间线性无关
- 对角矩阵、上下三角形矩阵的特征值就是对角线元素
求特征值的方法
- 通过特征方程∣λE−A∣=0|\lambda E-A|=0∣λE−A∣=0
- 通过Aξ=λξA\xi =\lambda \xiAξ=λξ
相似矩阵
若存在n阶可逆矩阵P,使得n阶方阵A、B满足P−1AP=BP^{-1}AP=BP−1AP=B,则称A与B相似
矩阵相似 ⇒\Rightarrow⇒ 矩阵等价
反之不一定成立
相似矩阵的性质
若A和B矩阵相似,则有以下结论:
- 二者等秩 r(A)=r(B)r(A)=r(B)r(A)=r(B)
- 二者等行列式 ∣A∣=∣B∣|A|=|B|∣A∣=∣B∣
- 二者等特征值
- ∣λE−A∣=∣λE−B∣|\lambda E-A|=|\lambda E-B|∣λE−A∣=∣λE−B∣
- AmA^mAm与BmB^mBm相似,f(A)f(A)f(A)与f(B)f(B)f(B)相似(其中f(x)为多项式)
- 若有A可逆,则A−1A^{-1}A−1与B−1B^{-1}B−1相似,f(A−1)f(A^{-1})f(A−1)与f(B−1)f(B^{-1})f(B−1)相似(其中f(x)为多项式)
以上结论反之不成立
特别地,有
- A1与B1相似,A2与B2相似,则有A1A2A_1A_2A1A2与B1B2B_1B_2B1B2相似
- P−1(k1A1+k2A2)P=k1P−1A1P+k2P−1A2PP^{-1}(k_1 A_1 + k_2 A_2)P=k_1 P^{-1}A_1 P+k_2 P^{-1}A_2 PP−1(k1A1+k2A2)P=k1P−1A1P+k2P−1A2P
可相似对角化的条件
相似对角化:若存在可逆矩阵P,使得P−1AP=ΛP^{-1}AP=\LambdaP−1AP=Λ(Lambda),其中Λ\LambdaΛ是对角矩阵,则称A可相似对角化,Λ\LambdaΛ是A的相似标准型
n阶矩阵A可相似对角化的充要条件(满足一条即可):
- A有n个线性无关的特征向量
- A的每个k重特征值都有k个线性无关的对应特征向量
如果n阶矩阵A有n个不同的特征值,对应A有n个线性无关的特征向量,则A可相似对角化
核心结论:实对称矩阵必可相似对角化
实对称矩阵的属于不同特征值的特征向量相互正交
根据以上结论,可以推知n阶实对称矩阵的性质:
必相似于对角矩阵
必有n个线性无关的特征向量
必正交相似于Λ\LambdaΛ
这个结论可以通过“必有可逆矩阵P,使得P−1AP=ΛP^{-1}AP=\LambdaP−1AP=Λ”和“必存在正交矩阵Q,使得Q−1AQ=QTAQ=ΛQ^{-1}AQ=Q^TAQ=\LambdaQ−1AQ=QTAQ=Λ”来获得
必合同于对角矩阵
这个结论可通过上面的结论推知
判别矩阵是否可相似对角化的基本方法
- 检查是否为实对称矩阵,若是则相似
- 检查特征值是否为实单根,若是则相似
- 检查特征根是否是k重根且对应有k个线性无关的特征向量,若是则相似
必可相似对角化的矩阵
- 实对称矩阵
- n个特征值互异的n阶矩阵
- 有n个线性无关特征向量的n阶矩阵
- 每个r重特征值都对应有r个线性无关特征向量的矩阵
典型问题:求使P−1AP=ΛP^{-1}AP=\LambdaP−1AP=Λ的可逆矩阵P
若题式成立,则要求其中对角矩阵Λ\LambdaΛ的对角元都是A的特征值,而P就是A的n个线性无关的特征向量,且特征向量ξi\xi_iξi对应特征值λi\lambda_iλi
这个问题就变成了求A的特征根和特征向量,然后把特征向量带入一个和A等阶的矩阵即可求出P
用这个方法也可以解决“由特征值和特征向量反求A”的问题:
一定存在可逆矩阵P,使得P−1AP=ΛP^{-1}AP=\LambdaP−1AP=Λ,这就可以求出A=PΛP−1A=P\Lambda P^{-1}A=PΛP−1
于是问题可以分解成:1. 使用特征向量求出P;2. 使用已知的特征值求出Λ\LambdaΛ
在正交矩阵的情况下可以用转置矩阵PTP^TPT代替P−1P^{-1}P−1
线性代数笔记【特征值】相关推荐
- 线性代数笔记22——特征值和特征向量
特征向量 函数通常作用在数字上,比如函数f作用在x上,结果得到了f(x).在线性代数中,我们将x扩展到多维,对于Ax来说,矩阵A的作用就像一个函数,输入一个向量x,通过A的作用,得到向量Ax.对多数向 ...
- 【线性代数笔记】线性代数知识点总结、概念之间关系总结
文章目录 矩阵的秩 1. 基础 2. 秩与行列式的关系 3. 秩与伴随矩阵的关系 4. 秩标准型 5. 秩与分块矩阵的关系 6. 秩与向量组的关系 7. 秩与线性方程组的关系 8. 秩与特征值的关系 ...
- 线性代数笔记:Khatri-Rao积
1 介绍 Khatri-Rao积的定义是两个具有相同列数的矩阵与矩阵的对应列向量的克罗内克积(线性代数笔记:Kronecker积_UQI-LIUWJ的博客-CSDN博客) 排列而成的,其生成的矩阵大小 ...
- 线性代数笔记:概率矩阵分解 Probabilistic Matrix Factorization (PMF)
概率矩阵分解模型可以解决大规模.稀疏且不平衡的数据. 1 PMF的两点假设 1.1.观测噪声(观测评分矩阵和近似评分矩阵之差)服从高斯噪声的正态分布 观测评分矩阵是ground truth的矩阵,我们 ...
- 李宏毅线性代数笔记5:线性方程组
1 线性方程的解 1.1 两维的情况 span of the columns of A--由A的列向量张成的空间 2 线性方程有解的充要条件 线性方程x1a1+x2a2+--+xnan=β有解(con ...
- 我总结的120页《图解MIT线性代数笔记.pdf》,都是干货!
作者:丁坤博 北京大学研究生 线性代数在工科学科上的地位是任何学科无可比拟的,MIT的线性代数课程更是线性代数课程中的最佳学习资料,我们本次分享这套课程的图解笔记. 经过最近几个月的整理和总结,我们产 ...
- MIT线性代数笔记三 矩阵的乘法和逆矩阵
文章目录 1. 矩阵乘法 Matrix multiplication 1.1 标准方法(行乘以列) 1.2 列向量的线性组合 1.3 行向量的线性组合 1.4 分块乘法 2. 逆矩阵 2.1 逆矩阵的 ...
- 线性代数笔记11——向量空间
向量空间又称线性空间,是线性代数的中心内容和基本概念之一.在解析几何里引入向量概念后,使许多问题的处理变得更为简洁和清晰,在此基础上的进一步抽象化,形成了与域相联系的向量空间概念. 线性组合 线性组合 ...
- 线性代数笔记6——直线和曲线的参数方程
什么是参数方程 一般地,在平面直角坐标系中,如果曲线上任意一点的坐标x.y都是某个变数t的函数: 并且对于t的每一个允许的取值,由方程组确定的点(x, y)都在这条曲线上,那么这个方程就叫做曲线的参数 ...
- 线性代数笔记-3Blue1Brown:(一)
线性代数笔记-3Blue1Brown:(一) 文章目录 线性代数笔记-3Blue1Brown:(一) 一.向量是什么? 二.线性组合.张成的空间和基 三.矩阵与线性变换 三.矩阵乘法与线性变换复合 四 ...
最新文章
- 这届架构师成功的理由,它排第一……
- 【面试】吃透了这些Redis知识点,面试官一定觉得你很NB
- 分享几个可以放在博客里的小工具
- 字符设备驱动基本流程
- 路由器mysql密码重置密码_【验证】mysql root密码恢复
- python-socket客户服务端的传输原理异常关闭的情况
- 行为设计模式 - 解释器设计模式
- BeginInvoke之前检测句柄
- keil4.72添加GD32F10x芯片
- 项目经理做项目的具体流程
- shc在嵌入式Linux上的使用
- 苹果支付返回html,苹果应用内支付,服务器端的实现
- 送你一波运维背锅专用图~
- 奥特曼系列艾斯愿望服务器序号,泽塔奥特曼:泽塔的寓意是最后的勇士,蕴含了艾斯哥哥最大的愿望...
- linux的账号锁定
- Java从入门到放弃-序言
- package import
- Kernel Trick
- 配色那么差,还不‘哥屋恩’去看电影!
- 20176408李俊 类与对象
热门文章
- 计算机如何把应用储存进u盘,怎样把word中的内容保存进u盘 怎样把word文档放到u盘里?...
- 鼠标按下并移动事件的解决方案
- oracle编程弹框函数,取窗口句柄的api函数
- C# 将系统时间转换成农历时间
- 电脑联网了但是浏览器代理服务器出现了问题
- 日程安排(多重继承+重载)
- 铁汁!高并发这些东西都是虚拟的,你都理解透彻了嘛?(高并发目标/高并发构架演进/分布式/面向服务架构/高并发平台)
- 英语语法快速入门3--名词性从句(附思维导图)
- p3369跳表代替平衡树
- 双硬盘双系统解决引导在同一个分区的问题