@ -1,62 +1,90 @@
设 $A$ 是 $n$ 阶方阵,若存在数 $\lambda$ 和非零 $n$ 维列向量 $\xi$,使得 $A\xi = \lambda\xi$,则称 $\lambda$ 为 $A$ 的特征值,$\xi$ 为 $A$ 对应于 $\lambda$ 的特征向量。
1. 构造特征多项式:$f(\lambda) = |\lambda E - A|$( $E$ 为 $n$ 阶单位矩阵),本质是将 $A\xi = \lambda\xi$ 变形为 $(\lambda E - A)\xi = 0$,由于 $\xi \neq 0$,齐次线性方程组有非零解的充要条件是系数行列式为 0, 即 $|\lambda E - A| = 0$。
2. 求解特征方程:$|\lambda E - A| = 0$,得到的根即为 $A$ 的特征值,此时根的重数为**代数重数**。
3. 求对应特征向量:对每个特征值 $\lambda_i$,解齐次方程组 $(\lambda_i E - A)x = 0$,其非零解即为对应 $\lambda_i$ 的特征向量,所有非零解构成该特征值的特征子空间;该子空间的维数为**几何重数**。
设 $A$ 是 $n$ 阶方阵,若存在数 $\lambda$ 和非零 $n$ 维列向量 $\xi$,使得 $A\xi = \lambda\xi$,则称 $\lambda$ 为 $A$ 的特征值,$\xi$ 为 $A$ 对应于 $\lambda$ 的特征向量.
1. 构造特征多项式:$f(\lambda) = |\lambda E - A|$( $E$ 为 $n$ 阶单位矩阵),本质是将 $A\xi = \lambda\xi$ 变形为 $(\lambda E - A)\xi = 0$,由于 $\xi \neq 0$,齐次线性方程组有非零解的充要条件是系数行列式为 0, 即 $|\lambda E - A| = 0$.
2. 求解特征方程:$|\lambda E - A| = 0$,得到的根即为 $A$ 的特征值,此时根的重数为**代数重数**.
3. 求对应特征向量:对每个特征值 $\lambda_i$,解齐次方程组 $(\lambda_i E - A)x = 0$,其非零解即为对应 $\lambda_i$ 的特征向量,所有非零解构成该特征值的特征子空间;该子空间的维数为**几何重数**.
特征值,顾名思义,就是体现了这个矩阵的“特征”。这一点在矩阵的相似表现的尤为明显。
特征值,顾名思义,就是体现了这个矩阵的“特征”. 这一点在矩阵的相似表现的尤为明显.
特征值最基本的性质:
1. 特征值之和等于矩阵的迹(主对角线元素之和),即 $\sum\limits_{i=1}^{n}\lambda_i=\sum\limits_{i=1}^{n}a_{ii}$;
2. 特征值之积等于矩阵的行列式,即$\prod\limits_{i=1}^{n}\lambda_i=|A|$。
3. 对于有理函数 $f(x)$ ,矩阵 $f(A)$ 的特征值为 $f(\lambda)$ ,对应的特征向量不变。相应的,如果 $A\sim B$,则 $f(A) \sim f(B)$。
4. 相似矩阵特征值相等。
2. 特征值之积等于矩阵的行列式,即$\prod\limits_{i=1}^{n}\lambda_i=|A|$.
3. 对于有理函数 $f(x)$ ,矩阵 $f(A)$ 的特征值为 $f(\lambda)$ ,对应的特征向量不变. 相应的,如果 $A\sim B$,则 $f(A) \sim f(B)$.
4. 相似矩阵特征值相等.
相似矩阵的定义与性质
数域 $K$ 上两个 $n$ 阶矩阵$A,B$ 相似的定义为: 存在数域$K$ 上的可逆矩阵$P$ 使得$B = P^{-1}AP$. 记为
$A \sim B$.
1. 相似是一种等价关系, 即满足反身性, 对称性, 传递性.
2. $A,B$ 相似, 可以得到 $A,B$ 秩相同, 但是不要求$A,B$ 都可逆, 更不要求$A,B$ 对称.
3. 对于任意的有理式 $f(x)$, 都有$f(A) \sim f(B)$. 并且, 如果
$B = P^{-1}AP$, 则$f(B) = P^{-1}f(A)P$. 对于 $A^*$,可视作 $|A|A^{-1}$,是有理式中的一个 $-1$ 次方项目.
4. $A_1 \sim B_1,\;A_2 \sim B_2$, 不一定有$A_1+A_2 \sim B_1+B_2$. 只有当$P^{-1}A_1P = B_1$ 且$P^{-1}A_2P = B_2$ 时(相同的过渡矩阵$P$), 才有 $P^{-1}(A_1+A_2)P = B_1+B_2$, 即$A_1+A_2 \sim B_1+B_2$, 这是很苛刻的条件. 你将会在**例题4**中看到.
5. 如果$A_1 \sim A_2$, 且$B_1 \sim B_2$, 则显然有$\begin{pmatrix}A_1 & O \\O & B_1\end{pmatrix}\sim\begin{pmatrix}A_2 & O \\O & B_2\end{pmatrix}.$
原因是若$P^{-1}A_1P = A_2,\;Q^{-1}B_1Q = B_2$, 则$\begin{pmatrix}P & O \\O & Q\end{pmatrix}^{-1}\begin{pmatrix}A_1 & O \\O & B_1\end{pmatrix}\begin{pmatrix}P & O \\O & Q\end{pmatrix}=\begin{pmatrix}A_2 & O \\O & B_2\end{pmatrix}.$
在选择题中,我们可以通过一些性质来快速排除可能的相似关系:
>[!info] 判断相似关系的快速步骤
>1. 判断特征值是否相等
>2. 判断行列式是否相等
>3. 根据 $\mathrm{rank}(A-kE)=\mathrm{rank}(B-kE)$ ,带几个好算的 $k$ 进去,看看秩是否相等
>4. 如果特征值和行列式均相等,接着算重数,判断是否可对角化,根据相似的传递性得出结论.
#### 对角化
$A$ 能对角化的充要条件是 $A$ 有 $n$ 个**线性无关的特征向量**,这要求 $A$ 的所有特征值的几何重数和代数重数相等,且 $A$ 的所有特征值的重数和为 $n$ 。
将一个方阵通过可逆变换变为对角矩阵($A=P^{-1}\Lambda P$)的过程就是相似对角化,相似对角化最根本的应用就是求方阵的有理式( $\ f(A)=P^{-1}f(\Lambda)P$ ),这在科学计算中起到了很大的简化作用.
$A$ 能对角化的充要条件是 $A$ 有 $n$ 个**线性无关的特征向量**,这要求 $A$ 的所有特征值的几何重数和代数重数相等,且 $A$ 的所有特征值的重数和为 $n$ .
对角化的步骤:
1. 确定特征值 $\lambda_i$
2. 对每个特征值确定特征向量 $\boldsymbol\xi_i$ (在此时判断能否对角化)
3. 按照顺序,依次将特征向量与特征值写入变换矩阵和对角矩阵:
1. 确定特征值 $\lambda_i$,并对每个特征值确定特征向量 $\boldsymbol\xi_i$ (在此时判断能否对角化);
2. 按照顺序,依次将特征向量与特征值写入变换矩阵和对角矩阵:
$$P=\begin{bmatrix}\boldsymbol\xi_1& \boldsymbol\xi_2& \cdots& \boldsymbol\xi_n\end{bmatrix},
\Lambda=\begin{bmatrix}\lambda_1&&& \\& \lambda_2&& \\&& \ddots& \\&&& \lambda_n\end{bmatrix},A=P^{-1}\Lambda P$$
实对称矩阵是一类特殊的矩阵:实对称矩阵就是天选之子,本身就能相似对角化,因为他有 $n$ 个实特征向量,并且,实对称矩阵还可以正交相似对角化,即相似变化矩阵可以是正交矩阵(这个性质非常重要!)
实对称矩阵正交相似对角化的步骤:
1. 确定特征值 $\lambda_i$,并对每个特征值确定特征向量 $\boldsymbol\xi_i$ (在此时判断能否对角化);
2. < span style = "color:ffaa33;font-weight: bold;" > 对特征向量作施密特正交化;(不同特征值的特征向量天然正交)< / span >
3. 按照顺序,依次将特征向量与特征值写入变换矩阵和对角矩阵.
若 $A$ 与某个对角矩阵 $B$ 相似,我们可以根据 $B$ 的性质来反推 $A$ 的性质(秩,行列式,特征值),一般地,求抽象矩阵的行列式,需要想到根据特征值的乘积得出.
## 常见题型
##### 特征值常见的小题就是针对其性质进行设问。
##### 特征值常见的小题就是针对其性质进行设问.
1. 针对“迹”设问
>[!hint] 提示
>秩为$1$的矩阵$A\in\mathbb{R}^{n\times n}$的特征值有如下特征:
>( 1) $0$为其特征值,且代数重数和几何重数均为$n-1$;
>>证明:因为$r(A)=1< n $,所以$| A |= 0 $,故$ 0 $是$ A $的一个特征值。考虑齐次线性方程组$ A \boldsymbol { x }= \boldsymbol { 0 }$.由于$ r ( A )= 1 $, $ \mathrm { dim } N ( A )= n-1 $,所以特征值$ 0 $的几何重数为$ n-1 $。若$ 0 $的代数重数为$ n $,则 $ A \sim O $,而相似必等价,故$ r ( A )= 0 $,矛盾。又代数重数必定不小于几何重数,所以$ 0 $的代数重数为$ n-1 $。
>>证明:因为$r(A)=1< n $,所以$| A |= 0 $,故$ 0 $是$ A $的一个特征值 . 考虑齐次线性方程组$A \boldsymbol { x }= \boldsymbol { 0 }$.由于$ r ( A )= 1 $, $ \mathrm { dim } N ( A )= n-1 $,所以特征值$ 0 $的几何重数为$ n-1 $ . 若$0 $的代数重数为$ n $,则 $ A \sim O $,而相似必等价,故$ r ( A )= 0 $,矛盾 . 又代数重数必定不小于几何重数,所以$0 $的代数重数为$ n-1 $ .
>
>( 2) 它的另一个特征值为 $\mathrm{tr}(A)$.
>>这个特征可以由“特征值之和等于矩阵的迹”得出.
>
>秩为 $1$ 的矩阵 $A$ 可以拆成 $A=\boldsymbol\alpha\boldsymbol\beta^\mathrm{T}$, $\boldsymbol\alpha=(a_1,a_2,\cdots,a_n),\boldsymbol\beta=(b_1,b_2,\cdots,b_n)$
>此时 $A$ 的迹为 $\prod\limits_{i=1}^na_ib_i=\boldsymbol\beta\boldsymbol\alpha^\mathrm{T}$
>此时 $A$ 的迹为 $\displaystyle\ prod\limits_{i=1}^na_ib_i=\boldsymbol\beta\boldsymbol\alpha^\mathrm{T}$
>[!example] ( [[线代2019秋A|2019]]) 例题1
设 $E$ 为 $3$ 阶单位矩阵,$\alpha$ 为一个 $3$ 维单位列向量,则矩阵 $E-\alpha\alpha^\text{T}$ 的全部 $3$ 个特征值为\_\_\_\_\_\_
>[!note] 解析
>设 $B=\alpha\alpha^T$,该矩阵为**秩 $1$ 矩阵**(因 $\alpha$ 是单位列向量,$\alpha^T\alpha=1$) 。
>秩 $1$ 矩阵的特征值性质:非零特征值为矩阵的迹 $\text{tr}(B)=\alpha^T\alpha=1$,其余 $n-1=2$ 个特征值为 $0$(秩 $1$ 矩阵的非零特征值个数等于秩)。
>若 $B\boldsymbol{x}=\lambda\boldsymbol{x}$( $\boldsymbol{x}$为特征向量),则 $(E-B)\boldsymbol{x}=(1-\lambda)\boldsymbol{x}$,即$E-B$ 的特征值为 $1-\lambda$。
>代入 $B$ 的特征值 $\lambda=1,0,0$,得 $E-B$ 的特征值为 $1-1=0$, $1-0=1$, $1-0=1$,即 $1,1,0$。 (最后这里也包含了接下来会用到的针对“有理函数”设问)
>设 $B=\alpha\alpha^T$,该矩阵为**秩 $1$ 矩阵**(因 $\alpha$ 是单位列向量,$\alpha^T\alpha=1$) .
>秩 $1$ 矩阵的特征值性质:非零特征值为矩阵的迹 $\text{tr}(B)=\alpha^T\alpha=1$,其余 $n-1=2$ 个特征值为 $0$(秩 $1$ 矩阵的非零特征值个数等于秩).
>若 $B\boldsymbol{x}=\lambda\boldsymbol{x}$( $\boldsymbol{x}$为特征向量),则 $(E-B)\boldsymbol{x}=(1-\lambda)\boldsymbol{x}$,即$E-B$ 的特征值为 $1-\lambda$.
>代入 $B$ 的特征值 $\lambda=1,0,0$,得 $E-B$ 的特征值为 $1-1=0$, $1-0=1$, $1-0=1$,即 $1,1,0$. (最后这里也包含了接下来会用到的针对“有理函数”设问)
>[!example] 例题2
>已知 $n(n\geq2)$维列向量 $\alpha,\beta$ 满足 $\beta^T\alpha=-3$,则方阵 $(\beta\alpha^T)^2$ 的非零特征值为$\underline{\qquad}$。
>已知 $n(n\geq2)$维列向量 $\alpha,\beta$ 满足 $\beta^T\alpha=-3$,则方阵 $(\beta\alpha^T)^2$ 的非零特征值为$\underline{\qquad}$.
>[!note] 解析
>设 $A=\beta\alpha^T$(秩 1 矩阵),计算 $A^2$:
>$A^2=(\beta\alpha^T)(\beta\alpha^T)=\beta(\alpha^T\beta)\alpha^T=(\alpha^T\beta)A$
>注意:$\alpha^T\beta=(\beta^T\alpha)^T$(矩阵转置性质),而 $\beta^T\alpha=-3$(数,转置等于自身),故 $\alpha^T\beta=-3$,因此 $A^2=-3A$。
>秩 $1$ 矩阵 $A$ 的非零特征值为 $\text{tr}(A)=\alpha^T\beta=-3$,设 $A\boldsymbol{x}=-3\boldsymbol{x}$,则 $A^2\boldsymbol{x}=(-3)A\boldsymbol{x}=(-3)^2\boldsymbol{x}=9\boldsymbol{x}$,即 $A^2$ 的非零特征值为 $9$。
>由上面的性质,我们知道$A$的特征值只有可能是$0$或$-3$,又$A$不可能只有$0$一种特征值,故$A$的非零特征值只能为$-3$,从而$A^2$的非零特征值为$9$.
2. 针对“有理函数”设问
>[!example] 例题3
>已知 $4$ 阶矩阵 $A$ 与 $B$ 相似,$A$ 的全部特征值为 $1,2,3,4$,则行列式 $|B^{-1}-E|$ 为\_\_\_\_\_\_\_\_\_\_\_
>[!note] 解析
>“对于有理函数 $f(x)$ ,矩阵 $f(A)$ 的特征值为 $f(\lambda)$ ,对应的特征向量不变。 ”
>根据这一条性质,我们求得矩阵 $B^{-1}-E$ 的所有特征值,进而求得行列式。
>$f(x)=\frac{1}{x}-1$,则 $B^{-1}-E$ 的特征值为 $0,-\frac12, -\frac23,-\frac34$,相乘结果为 $0$,故答案为 $0$。
>“对于有理函数 $f(x)$ ,矩阵 $f(A)$ 的特征值为 $f(\lambda)$ ,对应的特征向量不变. ”
>根据这一条性质,我们求得矩阵 $B^{-1}-E$ 的所有特征值,进而求得行列式.
>$f(x)=\frac{1}{x}-1$,则 $B^{-1}-E$ 的特征值为 $0,-\frac12, -\frac23,-\frac34$,相乘结果为 $0$,故答案为 $0$.
>[!example] ( [[线代2022秋A|2022]]) 例题4
已知 $n$ 阶方阵$\boldsymbol{A}$与$\boldsymbol{B}$相似,$\boldsymbol{C}$与$\boldsymbol{D}$相似,则下列命题中正确的是【】
@ -70,7 +98,7 @@ D. $\boldsymbol{A}^\text{T}+\boldsymbol{A}$与$\boldsymbol{B}^\text{T}+\boldsymb
>[!warning] 注意!
>转置不能作为有理式的一部分!
##### 特征值大题在设问时,往往回归“特征值”的本源,用特征多项式求解特征值,并应用特征值的性质。
##### 特征值大题在设问时,往往回归“特征值”的本源,用特征多项式求解特征值,并应用特征值的性质.
>[!example] ( [[线代2023秋A|2023]]) 例题5
>设矩阵 $A=\begin{bmatrix}3& 1& 2\\0& a& 0\\2& b& 3\end{bmatrix}$ 仅有两个相异特征值,且 $A$ 相似于对角矩阵,求 $a,b$, 并求可逆矩阵 $P$,使得$P^{-1}AP$ 为对角矩阵.
@ -78,13 +106,13 @@ D. $\boldsymbol{A}^\text{T}+\boldsymbol{A}$与$\boldsymbol{B}^\text{T}+\boldsymb
>[!note] 解析
>通过定义,求特征值:$\lambda E-A=\begin{bmatrix}\lambda-3& -1& -2\\0& \lambda-a& 0\\-2& -b& \lambda-3\end{bmatrix}$,
> $|\lambda E-A|=0 \Rightarrow (\lambda-a)(\lambda-5)(\lambda-1)=0$
> $A$ 仅有两个相异特征值,说明 $a=5$ 或 $a=1$。
> 如果 $a=5$:特征值 $5$ 的代数重数为 $2$;因为 $A$ 能相似对角化,所以相应的几何重数也为 $2$。
> $A$ 仅有两个相异特征值,说明 $a=5$ 或 $a=1$.
> 如果 $a=5$:特征值 $5$ 的代数重数为 $2$;因为 $A$ 能相似对角化,所以相应的几何重数也为 $2$.
> $(5E-A)\boldsymbol x=\boldsymbol 0$,即$\begin{bmatrix}2& -1& -2\\0& 0& 0\\-2& -b& 2\end{bmatrix}\boldsymbol x=\boldsymbol 0$,由 $\text{rank}(5E-A)=1$ 得 $b=-1$;对应的特征向量为$(1,2,0)^\mathrm{T},(1,0,1)^\mathrm{T}$;
> 而 $(E-A)\boldsymbol x=\boldsymbol 0$,即$\begin{bmatrix}-2& -1& -2\\0& 4& 0\\-2& b& -2\end{bmatrix}\boldsymbol x=\boldsymbol 0$,对应的特征向量是 $(-1,0,1)^\mathrm{T}$;
> 因此,$P=\begin{bmatrix}1& 1& -1\\2& 0& 0\\0& 1& 1\end{bmatrix}$。
> 如果 $a=1$:特征值 $1$ 的代数重数为 $2$;因为 $A$ 能相似对角化,所以相应的几何重数也为 $2$。
> 因此,$P=\begin{bmatrix}1& 1& -1\\2& 0& 0\\0& 1& 1\end{bmatrix}$.
> 如果 $a=1$:特征值 $1$ 的代数重数为 $2$;因为 $A$ 能相似对角化,所以相应的几何重数也为 $2$.
> $(E-A)\boldsymbol x=\boldsymbol 0$,即$\begin{bmatrix}-2& -1& -2\\0& 0& 0\\-2& -b& -2\end{bmatrix}\boldsymbol x=\boldsymbol 0$,由 $\text{rank}(E-A)=1$ 得 $b=1$,对应的特征向量为$(1,-2,0)^\mathrm{T},(1,0,-1)^\mathrm{T}$;
> 而 $(5E-A)\boldsymbol x=\boldsymbol 0$,即$\begin{bmatrix}-2& -1& -2\\0& 4& 0\\-2& b& -2\end{bmatrix}\boldsymbol x=\boldsymbol 0$,对应的特征向量是 $(1,0,1)^\mathrm{T}$;
> 因此,$P=\begin{bmatrix}1& 1& 1\\-2& 0& 0\\0& -1& 1\end{bmatrix}$。
> 因此,$P=\begin{bmatrix}1& 1& 1\\-2& 0& 0\\0& -1& 1\end{bmatrix}$.