目录:

  • Sylvester降幂公式(特征多项式的降阶计算公式)

Sylvester降幂公式(特征多项式的降阶计算公式)

设 A A A 与 B B B 分别是 m × n m\times n m×n 与 n × m n\times m n×m 矩阵, m ≥ n m\geq n m≥n. 则
∣ λ I m − A B ∣ = λ m − n ∣ λ I n − B A ∣ |\lambda I_m-AB|=\lambda^{m-n}|\lambda I_n-BA| ∣λIm​−AB∣=λm−n∣λIn​−BA∣

例: 设 u u u 是 n n n 维单位向量,求 n n n 阶实Householder矩阵 I − 2 u u T I-2uu^T I−2uuT 的特征值及它的迹和行列式.
解: 由Sylvester降幂公式,
∣ λ I − ( I − 2 u u T ) ∣ = ∣ ( λ − 1 ) I + 2 u u T ∣ = ( λ − 1 ) n − 1 ∣ λ − 1 + 2 u T u ∣ = ( λ − 1 ) n − 1 ( λ + 1 ) . |\lambda I-(I-2uu^T)|=|(\lambda -1)I+2uu^T|=(\lambda-1)^{n-1}|\lambda-1 +2u^Tu|=(\lambda-1)^{n-1}(\lambda+1). ∣λI−(I−2uuT)∣=∣(λ−1)I+2uuT∣=(λ−1)n−1∣λ−1+2uTu∣=(λ−1)n−1(λ+1).
由此知, λ = 1 \lambda=1 λ=1 是 n − 1 n-1 n−1 重根,而 λ = − 1 \lambda=-1 λ=−1 是 1 1 1 重根. 因此, t r ( I − 2 u u T ) = n − 2 tr(I-2uu^T)=n-2 tr(I−2uuT)=n−2 ; ∣ I − 2 u u T ∣ = − 1. |I-2uu^T|=-1. ∣I−2uuT∣=−1.

注:所有特征值之和是迹,所有特征值之积是行列式。

[参考资料]
百度文库:特征值与矩阵的Jordan标准型

线性代数:特征值、特征多项式和特征向量相关推荐

  1. 特征值与特征向量_机器学习和线性代数 - 特征值和特征向量

    特征值和特征向量可能是线性代数中最重要的概念之一.从机器学习.量子计算.物理到许多数学和工程的问题,都可以通过找到一个矩阵的特征值和特征向量来解决. 根据定义(标量λ.向量v是特征值.特征向量A): ...

  2. 证明Ax=0的最小二乘解是ATA的最小特征值对应的特征向量(||x||=1)

    证明: 当 ||x||=1时,Ax=0的最小二乘解是ATAA^TAATA的最小特征值对应的特征向量 证:上式等同于证明如下命题:ATAA^TAATA的最小特征值所对应的特征向量可使||Ax||最小. ...

  3. 证明:矩阵不同特征值对应的特征向量之间线性无关

    前言 学习矩阵对角化(diagonalization)时需要了解一个定理:不同特征值对应的特征向量线性无关.我们知道,一个 n 维矩阵是否可以对角化取决于其是否具有 n 个线性无关的特征向量.所以,在 ...

  4. 证明:不同特征值对应的特征向量线性无关

    证明 设 λ 1 , . . . , λ k \lambda_1, ..., \lambda_k λ1​,...,λk​ 为方针 A n × n A^{n\times n} An×n的 k k k 个 ...

  5. matlab——求矩阵最大特征值对应的特征向量

    A=[1,1,2,3,4;1,1,1,2,3;1/2,1,1,1,2;1/3,1/2,1,1,1;1/4,1/3,1/2,1,1];%待求矩阵[x,y]=eig(A);%求矩阵的特征值和特征向量,x为 ...

  6. 证明:对于实对称矩阵,不同特征值对应的特征向量相互正交

    前言 不同特征值对应的特征向量相互正交,是实对称矩阵的一个重要属性,而且从这个属性出发可以证明实对称矩阵的另一个属性:实对称矩阵必可相似对角化.对于一个 n 维矩阵,其可相似对角化的充分且必要条件是- ...

  7. 【深度学习】特征值分解与特征向量

    [深度学习] 特征值分解与特征向量 特征值分解可以得到特征值与特征向量,特征值表示的是这个特征到底有多重要,而特征 向量表示这个特征是什么. 如果说一个向量 v是方阵A 的特征向量,将一定可以表示成下 ...

  8. 机器学习基础:特征值分解与特征向量

    机器学习基础:特征值分解与特征向量 特征值分解可以得到特征值与特征向量,特征值表示的是这个特征到底有多重要,而特征向量表示这个特征是什么. 如果说一个向量v是一个方阵A的特征向量,将一可以表示成下面形 ...

  9. 线性代数及其应用(part1)--特征向量与特征值

    学习笔记,仅供参考,有错必纠 文章目录 线性代数及其应用 特征向量与特征值 特征向量与差分方程 线性代数及其应用 特征向量与特征值 定义 定理1 定理2 特征向量与差分方程

最新文章

  1. oracle判断侦听状态,oracle 监听状态为BLOCKED
  2. 常见 Serverless 架构模式
  3. 华为鸿蒙分布式系统2020,鸿蒙2.0来了!华为开发者大会HDC 2020宣布
  4. java icon动态变换,以编程方式自动更改ImageIcon [Java]
  5. 开源软件 依赖_新的开源依赖项管理器在场
  6. 下载丨Oracle 11g 安装后参数规范设置
  7. gtk学习总结:GTK从入门到放弃,三天包教包会
  8. luogu P1307 数字反转
  9. ubuntu设置开机启动项
  10. github上优秀的源码
  11. 小白攻略(三):数学建模论文的写作
  12. 微信小程序--自定义按钮样式(1)
  13. 信用卡葵花宝典 阅读笔记(二)
  14. wifi辐射安全距离
  15. vector(向量)的简单操作
  16. 十年的征程 - 人类探测器今日首次软着陆彗星:选定J点登陆
  17. python实现RGB转换HSV
  18. 怎么将做个文件做成二维码?扫描二维码展示文件怎么做?
  19. 搭建在线网校要注意的一些事项
  20. 【论文阅读】Geography-Aware Sequential Location Recommendation

热门文章

  1. 计算机上1e153代表什么意思,手机网络信号G、E、3G、1X、H、4G及LTE各代表什么意思?...
  2. Mac下载vscode 缓慢?以下解决方法起飞下载
  3. 搭建speedtest server
  4. 伊隆 马斯克经典语录英文_为什么伊隆麝香Neuroink将改变人类的未来
  5. Android内存优化总结实践
  6. 数据结构和算法 数论 水仙花数
  7. 转:(很有用)有多个按钮,点击一个变色,点击另一个变色,原来的恢复颜色的方法
  8. 使用python读取xls文件报错:xlrd.compdoc.CompDocError: Workbook corruption: seen[2] == 4
  9. 【原创】Firda+typescript 接收WX消息
  10. 021-MongoDB数据库从入门到放弃