矩阵的相似变换和特征值

又因为c1 c 2 即
1 2
0
1 0 2 0
这与1 , 2 互异矛盾，所以假设不成立 即 c1 1 c 2 2 不是 A 的特征向量．
5. 实对称矩阵不相等的特征值所对应的特征向量正交 例 设3阶实对称矩阵 A 的特征值为6,3,3，特征值6对应 的特征向量为 p1
关于实对称矩阵的特征值和特征向量有非常好的 性质，尤其是实对称矩阵正交相似对角阵的过程， 综合考查了求行列式、求解齐次线性方程组、求特 征值和特征向量、正交化及规范化、相似对角化等 内容，加之有二次型的应用背景，非常重要，应熟 练掌握．
典型题目
1. 求方阵的 k 次方
例
2 设A 0 4 1 2 1 1 0 3
A 的 2 重特征值刚好有两个线性无关的特征向量， 所以 A 可以对角化. 即存在可逆的矩阵
1 P ( p1 , p 2 , p 3 ) 0 1 2 1 4 0 0 1 1
使得
1 1 P AP
2
以上就是判断 A 是否可对角化，以及求相似变换 矩阵的过程。这一过程在实对称矩阵和二次型里还 经常用到。
证明 反证法 假设 c1 1 c 2 2 是 A 的特征向量，所对应的特征值为 则有 展开
A ( c1 1 c 2 2 ) ( c1 1 c 2 2 )
Α ( c 1 1 c 2 2 ) c 1 ( Α 1 ) c 2 ( Α 2 ) c 1 1 1 c 2 2 2
det A 1 2 n
1 2 n a11 a 22 a nn
② 设 Ax x ，则有 f ( A ) x f ( ) x 这个式子说明 f ( A ) 的特征值是 f ( ) ，特征向 量不变．

两矩阵相似得出的结论总
两个矩阵相似意味着它们具有相同的特征值，但是特征向量可能不同。

从这个结论我们可以得出以下总结：
1. 相似矩阵具有相同的特征值：特征值是矩阵的一个重要性质，它描述了矩阵转换后的向量的放大或缩小倍数。

两个相似矩阵具有相同的特征值意味着它们具有相似的特征变换效果。

2. 相似矩阵的特征向量可能不同：特征向量是与特征值相对应的向量，描述了特征变换后的向量的方向。

即使两个矩阵具有相同的特征值，它们的特征向量可能是不同的，因为不同矩阵的特征变换可能会将向量方向变换为不同的方向。

3. 相似矩阵可以通过可逆矩阵进行转换：两个相似矩阵可以通过一个可逆矩阵进行转换，使得它们具有相同的特征值。

这种转换称为相似转换，可以利用矩阵的特征值和特征向量来进行。

4. 相似矩阵具有相似的性质：由于相似矩阵具有相同的特征值，它们也具有相似的矩阵性质，比如迹、行列式、秩等。

5. 相似矩阵可以简化计算：相似矩阵具有相同的特征值，这意味着它们具有相似的特征分解形式。

通过对一个相似矩阵进行特征分解，我们可以得到另一个
相似矩阵的特征分解，从而简化计算。

6 3 6 A= 6 3 6 −6 −6 −9
2
求特征值 A − λ E = − ( λ − 3 )( λ + 3 ) = 0
λ1 = λ2 = −3, λ3 = 3.
第2步 求线性无关的特征向量， 即求 ( A − λi E ) x = 0 的基础解系
λ1 = λ2 = −3,
⇔ Api = λi pi ( i = 1,L , n)
说明：如果A可对角化，它必有n个线性无关的特征向量， 就是P的n个列；反之，如果A有n个线性无关的特征向量，把它 拼成矩阵P(可逆)，把上面过程逆过来即知A可对角化。
-19-
定理 n阶矩阵A可对角化的充要条件是A有n个线 性无关的特征向量。 推论 n 阶矩阵 A 如有 n 个不同的特征值，则它有 n 个线性无关的特征向量，从而 A 一定可对角化。
Ap = λ p
特征值 λ 的特征向量。 把(1)改写为
(1)
则称λ 为A的特征值, 非零向量p称为A的对应于(或属于)
( A− λE) p = 0
⇔ A− λE = 0
(2)
λ 是A的特征值 ⇔ λ 使得 ( A − λ E ) x = 0 有非零解
( A − λ E ) x = 0 的所有非零解向量都是对应于 λ 的特征向量.
µ2
的特征值 O µn
解: 特征多项式
µ1 − λ A− λE = µ2 − λ O
对角阵的特征值 就是对角线元素
µn − λ
= ( µ1 − λ )( µ2 − λ ) L ( µn − λ ) = ( −1)n ( λ − µ1 )( λ − µ2 ) L ( λ − µn )
x1 = − x3 同解方程组为 ，令 x3 = 1, 得基础解系 x2 = x3 −1 基础解系的个数与 p3 = 1 特征值重数相等 1

线性代数中矩阵的相似变换及其应用线性代数是一门研究线性空间及其上的线性变换的数学分支。

在这门学科中，矩阵是一个极为重要的概念，因为它可以将线性变换转化为更加容易处理的代数形式。

而其中的一种基本操作——矩阵相似变换，更是在许多领域都得到了广泛的应用。

一、矩阵相似变换矩阵相似变换在线性代数中是一个非常重要的概念，因为它可以帮助我们更好地理解矩阵的性质和特征，也方便了我们进行矩阵的运算和求解。

矩阵相似变换指的是对一个矩阵A进行"相似变换"之后得到另一个矩阵B的过程，其中相似变换指的是将矩阵A按照特定的方式变换之后得到的矩阵B，即B=PAP^(-1)。

其中，P是一个可逆矩阵，也就是说，矩阵A和B具有相同的特征值和特征向量。

矩阵相似变换有如下的性质：1. 若A和B相似，则它们的特征值和特征向量相同。

2. 若A相似于B，B相似于C，则A相似于C。

3. 若A相似于B，则A^k相似于B^k，Aⁿ相似于Bⁿ。

4. 若A与B相似，则它们的行列式和迹相同。

5. 若A和B相似，则存在一个可逆矩阵P，使得P^-1AP=B。

二、矩阵相似变换的应用1. 矩阵对角化矩阵对角化是指将某个矩阵转化为对角矩阵的过程，这个过程通常是通过矩阵相似变换来实现的。

对角化之后的矩阵易于计算，也便于我们理解矩阵的特征和性质。

2. 特征值和特征向量的求解矩阵相似变换可以将一个矩阵转化为与之相似的矩阵B，使得B具有与A相同的特征值和特征向量。

因此，通过矩阵相似变换，我们可以方便地求解一个矩阵的特征值和特征向量。

3. 线性微分方程组的求解在求解线性微分方程组时，矩阵相似变换可以将矩阵转化为对角矩阵，使得求解过程更加简单明了。

因此，线性微分方程组的求解中矩阵相似变换得到了广泛的应用。

4. 特征空间的求解特征空间指的是某一矩阵的所有特征向量张成的空间。

通过矩阵相似变换，我们可以方便地求解出一个矩阵的特征向量，从而得到它的特征空间，进而解决许多实际问题。