线性代数 第六讲 特征值和特征向量_相似对角化_实对称矩阵_重点题型总结详细解析

本文主要是介绍线性代数 第六讲 特征值和特征向量_相似对角化_实对称矩阵_重点题型总结详细解析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 1.特征值和特征向量
    • 1.1 特征值和特征向量的定义
    • 1.2 特征值和特征向量的求法
    • 1.3 特征值特征向量的主要结论
  • 2.相似
    • 2.1 相似的定义
    • 2.2 相似的性质
    • 2.3 相似的结论
  • 3.相似对角化
  • 4.实对称矩阵
    • 4.1 实对称矩阵的基本性质
    • 4.2 施密特正交化
  • 5.重难点题型总结
    • 5.1 判断矩阵能否相似对角化
    • 5.2 已知两个矩阵相似,求某个矩阵中的未知参数
    • 5.3 相似时,求可逆矩阵P,使得P^-1^AP为对角矩阵
    • 5.4 求正交矩阵Q,使Q^T^AQ=Λ
    • 5.5 给出条件矩阵A方=A,我们能分析出什么?

1.特征值和特征向量

1.1 特征值和特征向量的定义

A为n阶,α是n维非0列向量
Aα=λα,α叫A对应λ的特征向量,叫λ特征值

1.2 特征值和特征向量的求法

⭐️三种求法:

  • 方法一:利用定义Aα=λα
  • 方法二:|λE-A|=0,利用行列式和基础解系
  • 方法三:利用相似,P-1AP=B

方法一:
定义法,定义法常常用于A是抽象形式的矩阵,求解其特征值和特征向量的问题。

方法二:
理论基础:
由定义 A α = λ α , α ≠ 0 ⇒ ( λ E − A ) α = 0 , α ≠ 0 ⇒ α 是 ( λ E − A ) x = 0 的非 0 解 由定义A\alpha = \lambda \alpha ,\alpha \neq 0\\\Rightarrow \left(\lambda E - A\right)\alpha = 0,\alpha \neq 0\\\Rightarrow \alpha 是\left(\lambda E - A\right)x = 0的非0解 由定义Aα=λαα=0(λEA)α=0,α=0α(λEA)x=0的非0

为什么先用行列式计算特征值,特征向量不能是零向量,所以是非零解,齐次线性方程是非零解,所以行列式=0,所以用行列式计算特征值,再用基础解系计算特征向量。

一.常规计算步骤
特征值的计算步骤:
第一步,计算行列式|λE-A|,因为存在非零解,秩必然是不满的,行列式=0,求出特征值。

第二步,通过求出的特征向量,代入回(λE-A)α=0这个齐次线性方程中,计算出特征向量即齐次线性方程的解向量。

二.通过已积累的结论,直接得出特征值
(1)上下三角矩阵,对角矩阵的特征值就是矩阵主对角线上的元素。
[ 1 2 4 0 3 5 0 0 6 ] , 特征值为 λ 1 = 1 , λ 2 = 3 , λ 3 = 6 \left[\begin{matrix} 1 & 2 & 4 \\ 0 & 3 & 5 \\ 0 & 0 & 6 \\ \end{matrix}\right],特征值为\lambda _{1} = 1,\lambda _{2} = 3,\lambda _{3} = 6 100230456 ,特征值为λ1=1λ2=3λ3=6

(2)秩1矩阵,特征值是它的迹,其余都是0
[ a a a a a a a a a ] 特征值为 λ 1 = 3 a , λ 2 = 0 , λ 3 = 0 \left[\begin{matrix} a & a & a \\ a & a & a \\ a & a & a \\ \end{matrix}\right]特征值为\lambda _{1} = 3a,\lambda _{2} = 0,\lambda _{3} = 0 aaaaaaaaa 特征值为λ1=3aλ2=0λ3=0
(3)通过已知矩阵A的特征值和特征向量,直接得到关于A矩阵其他基本变形的特征值和特征向量

在这里插入图片描述
f(A)多项式与A相似

1.3 特征值特征向量的主要结论

  1. 如a1a2是矩阵A关于特征值λ的特征向量,则k1a1+k2a2(非0时)仍是A关于λ的的特征向量。若a1a2是不同特征值的特征向量,则k1a1+k2a2不是A关于λ的的特征向量

∣ A ∣ = Π λ i , 其中 Π 是连乘 Σ λ i = Σ a i i = t r ( A ) , 矩阵的迹是特征值的和 \left|A\right| = \Pi \lambda _{i},其中\Pi 是连乘\\\Sigma \lambda _{i} = \Sigma a_{ii} = t_{r}\left(A\right),矩阵的迹是特征值的和 A=Πλi,其中Π是连乘Σλi=Σaii=tr(A),矩阵的迹是特征值的和

3.不同特征值的特征向量线性无关
4.λi是属于A的k重特征值,属于λi的k重特征向量最多不超过k个。

2.相似

2.1 相似的定义

相似的定义:
A矩阵相似于B,A~B,意味着存在可逆矩阵P使P-1AP=B

注意注意:A相似于B,这句话是有方向性的,规定是P-1AP=B,而B=PAP-1,A相似于B不能颠倒,没有P-1BP=A这种说法

2.2 相似的性质

A~B,则有以下结论
(1)|A|=|B|
(2)r(A)=r(B)
(3)|λE-A|=|λE-B|,即λAB
(4)迹相同,特征值都相同,迹肯定相同
(5)A,B的各阶主子式之和分别相等

关于性质(5)的说明,各阶主子式就是选行和选列的时候,行下标和列下标是一样的,下面给出列子,给出三阶矩阵,求二阶主子式,二阶主子式仅适合用于0多的题
[ 1 2 3 4 5 6 7 8 9 ] ,二阶主子式, [ 1 2 4 5 ] , [ 1 3 4 6 ] , [ 2 3 5 6 ] , [ 4 5 7 8 ] , [ 4 6 7 9 ] , [ 5 6 8 9 ] \left[\begin{matrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \\ \end{matrix}\right],二阶主子式,\left[\begin{matrix} 1 & 2 \\ 4 & 5 \\ \end{matrix}\right],\left[\begin{matrix} 1 & 3 \\ 4 & 6 \\ \end{matrix}\right],\left[\begin{matrix} 2 & 3 \\ 5 & 6 \\ \end{matrix}\right],\left[\begin{matrix} 4 & 5 \\ 7 & 8 \\ \end{matrix}\right],\left[\begin{matrix} 4 & 6 \\ 7 & 9 \\ \end{matrix}\right],\left[\begin{matrix} 5 & 6 \\ 8 & 9 \\ \end{matrix}\right] 147258369 ,二阶主子式,[1425][1436][2536][4758][4769][5869]

2.3 相似的结论

A与B相似的进一步推导结论
在这里插入图片描述
矩阵A与B相似

  • A-1相似于B-1
  • A*相似于B*
  • AT相似于BT
  • 关于分块矩阵
    若 A ~ C , B ~ D , 则 [ A O O B ] ~ [ C O O D ] 若A~C,B~D,则\left[\begin{matrix} A & O \\ O & B \\ \end{matrix}\right]~\left[\begin{matrix} C & O \\ O & D \\ \end{matrix}\right] ACBD,[AOOB][COOD]

3.相似对角化

A为n阶矩阵,存在n阶可逆矩阵P,若P-1AP=Λ,则称A可相似对角化,记做A~Λ,称对角矩阵是A的相似标准型。

关于相似对角化的结论总结:
在这里插入图片描述

注意充要条件和充分条件

4.实对称矩阵

4.1 实对称矩阵的基本性质

关于实对称矩阵,有更良好的性质,直接就满足可以相似对角化,并且还可以用正交矩阵相似对角化

实对称矩阵AT=A
1.实对称矩阵必与对角矩阵相似(可相似对角化)
2.实对称矩阵特征值不同特征向量相互正交
3.实对称矩阵可用正交矩阵相似对角化
Q-1AQ=QTAQ=Λ

因为QQT=E,.Q-1=QT

4.2 施密特正交化

根据 实对称矩阵的基本性质,不同特征值的特征向量相互正交,所以我们应该使用施密特正交化将相同特征值下的特征向量正交化,最后特征向量都要单位化。

施密特正交化公式:
在这里插入图片描述

5.重难点题型总结

5.1 判断矩阵能否相似对角化

例题1:来源 李永乐线代辅导讲义例5.15
在这里插入图片描述

例题2:来源 李永乐线代辅导讲义 例5.18
在这里插入图片描述

5.2 已知两个矩阵相似,求某个矩阵中的未知参数

解题思路:常常利用两个矩阵相似的性质,若相似矩阵之间的迹相等,行列式相等,各阶主子式之和相等

5.3 相似时,求可逆矩阵P,使得P-1AP为对角矩阵

利用相似的传递性

例题1:来源 李永乐线代辅导讲义例5.20
在这里插入图片描述

5.4 求正交矩阵Q,使QTAQ=Λ

例题1:来源 李永乐线代辅导讲义例5.27
在这里插入图片描述

5.5 给出条件矩阵A方=A,我们能分析出什么?

有些题目中,给出矩阵A2=A的时候,我们可以得到两方面信息,一方面是关于秩,一方面是关于特征值。

关于秩:
A 2 = A ⇒ A 2 − A = 0 ⇒ A ( A − E ) = 0 ⇒ r ( A ) + r ( A − E ) ≤ n A − ( A − E ) = E ⇒ r ( A ) + r ( B ) ≥ r ( A + B ) ⇒ r ( A ) + r ( A − E ) ≥ r ( E ) = n 综上所述,结论如下: r ( A ) + r ( A − E ) = n A^{2} = A\Rightarrow A^{2} - A = 0\Rightarrow A\left(A - E\right) = 0\Rightarrow r\left(A\right) + r\left(A - E\right) \leq n\\A - \left(A - E\right) = E\Rightarrow r\left(A\right) + r\left(B\right) \geq r\left(A + B\right)\Rightarrow r\left(A\right) + r\left(A - E\right) \geq r\left(E\right) = n\\综上所述,结论如下:r\left(A\right) + r\left(A - E\right) = n A2=AA2A=0A(AE)=0r(A)+r(AE)nA(AE)=Er(A)+r(B)r(A+B)r(A)+r(AE)r(E)=n综上所述,结论如下:r(A)+r(AE)=n

关于特征值:
在这里插入图片描述

这篇关于线性代数 第六讲 特征值和特征向量_相似对角化_实对称矩阵_重点题型总结详细解析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1146090

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象

git使用的说明总结

Git使用说明 下载安装(下载地址) macOS: Git - Downloading macOS Windows: Git - Downloading Windows Linux/Unix: Git (git-scm.com) 创建新仓库 本地创建新仓库:创建新文件夹,进入文件夹目录,执行指令 git init ,用以创建新的git 克隆仓库 执行指令用以创建一个本地仓库的

hdu 4565 推倒公式+矩阵快速幂

题意 求下式的值: Sn=⌈ (a+b√)n⌉%m S_n = \lceil\ (a + \sqrt{b}) ^ n \rceil\% m 其中: 0<a,m<215 0< a, m < 2^{15} 0<b,n<231 0 < b, n < 2^{31} (a−1)2<b<a2 (a-1)^2< b < a^2 解析 令: An=(a+b√)n A_n = (a +

二分最大匹配总结

HDU 2444  黑白染色 ,二分图判定 const int maxn = 208 ;vector<int> g[maxn] ;int n ;bool vis[maxn] ;int match[maxn] ;;int color[maxn] ;int setcolor(int u , int c){color[u] = c ;for(vector<int>::iter

整数Hash散列总结

方法:    step1  :线性探测  step2 散列   当 h(k)位置已经存储有元素的时候,依次探查(h(k)+i) mod S, i=1,2,3…,直到找到空的存储单元为止。其中,S为 数组长度。 HDU 1496   a*x1^2+b*x2^2+c*x3^2+d*x4^2=0 。 x在 [-100,100] 解的个数  const int MaxN = 3000

状态dp总结

zoj 3631  N 个数中选若干数和(只能选一次)<=M 的最大值 const int Max_N = 38 ;int a[1<<16] , b[1<<16] , x[Max_N] , e[Max_N] ;void GetNum(int g[] , int n , int s[] , int &m){ int i , j , t ;m = 0 ;for(i = 0 ;

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个