矩阵[2.1/1.2]的特征和特征向量

|A| = 1 · 2 · 3 = 6A* = |A|A^(-1) = 6A^(-1)(A*)^2 + E = 36A^(-2) + E 的特征值分别是36 · 1^2 + 1 = 3736 / 2^2 + 1 = 10 36 / 3^2 + 1 = 5 最大特征值 37简介矩阵A为n阶方阵，若存在n阶矩阵B，使得矩阵A、B的乘积为单位阵，则称A为可逆阵，B为A的逆矩阵。若方阵的逆阵存在，则称为可逆矩阵或非奇异矩阵，且其逆矩阵唯一。

如果A是一个矩阵，x是一个不为零的向量，使得Ax=ax，其中a是一个数量(可以是零)，那么，a就是A的一个特征值(根)，x是对应于a的一个特征向量。

当A可逆时, 若 λ是A的特征值, α 是A的属于特征值λ的特征向量；则 |A| / λ 是 A*的特征值, α 仍是A*的属于特征值 |A| / λ 的特征向量。设A是n阶方阵，如果数λ和n维非零列向量x使关系式Ax=λx成立，那么这样的数λ称为矩阵A特征值，非零向量x称为A的对应于特征值λ的特征向量。式Ax=λx也可写成( A-λE)X=0。这是n个未知数n个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式| A-λE|=0。设A是数域P上的一个n阶矩阵，λ是一个未知量，称为A的特征多项式，记¦(λ)=|λE-A|，是一个P上的关于λ的n次多项式，E是单位矩阵。¦(λ)=|λE-A|=λ+a1λ+…+an= 0是一个n次代数方程，称为A的特征方程。特征方程¦(λ)=|λE-A|=0的根(如：λ0)称为A的特征根(或特征值)。n次代数方程在复数域内有且仅有n个根，而在实数域内不一定有根，因此特征根的多少和有无，不仅与A有关，与数域P也有关。以A的特征值λ0代入(λE-A)X=θ，得方程组(λ0E-A)X=θ，是一个齐次方程组，称为A的关于λ0的特征方程组。因为|λ0E-A|=0，(λ0E-A)X=θ必存在非零解  ，  称为A的属于λ0的特征向量。所有λ0的特征向量全体构成了λ0的特征向量空间。 扩展资料：性质1：n阶方阵A=(aij)的所有特征根为λ1，λ2，…,λn(包括重根)，则：性质2：若λ是可逆阵A的一个特征根，x为对应的特征向量，则1/λ 是A的逆的一个特征根，x仍为对应的特征向量。性质3：若 λ是方阵A的一个特征根，x为对应的特征向量，则λ 的m次方是A的m次方的一个特征根，x仍为对应的特征向量。性质4：设λ1，λ2，…,λm是方阵A的互不相同的特征值。xj是属于λi的特征向量( i=1,2,…,m)，则x1,x2,…,xm线性无关，即不相同特征值的特征向量线性无关。如将特征值的取值扩展到复数领域，则一个广义特征值有如下形式：Aν=λBν其中A和B为矩阵。其广义特征值（第二种意义）λ 可以通过求解方程(A-λB)ν=0，得到det(A-λB)=0（其中det即行列式）构成形如A-λB的矩阵的集合。其中特征值中存在的复数项，称为一个“丛(pencil)”。若B可逆，则原关系式可以写作  ，也即标准的特征值问题。当B为非可逆矩阵（无法进行逆变换）时，广义特征值问题应该以其原始表述来求解。如果A和B是实对称矩阵，则特征值为实数。这在上面的第二种等价关系式表述中并不明显，因为  A矩阵未必是对称的。参考资料：百度百科——矩阵特征值

A 必有一个特征值是 2.B = 2E-A =[-1 4 4][ 0 0 0][-2 2 5]初等行变换为[-1 4 4][ 0 0 0][ 0 -6 -3]初等行变换为[ 1 -4 -4][ 0 2 1][ 0 0 0]初等行变换为[ 1 4 0][ 0 2 1][ 0 0 0]得特征向量 (4 -1 2)^T, 选 D。

记矩阵624232426为aa-11e=-5242-8242-5则设属于特征值11的特征向量为x=(x1,x2,x3)",(a-11e)x=0,得2x2+4x3=5x1,2x1+2x3=8x24x1+2x2=5x3.用x1将x2,x3表示出来为x2=1/2x1,x3=x1令x2=2,x=(2,1,2)"特征向量为kx=k(2e1+e2+2e3),其中k不等于0

1.先求出矩阵的特征值: |A-λE|=02.对每个特征值λ求出(A-λE)X=0的基础解系a1,a2,..,as3.A的属于特征值λ的特征向量就是 a1,a2,...,as 的非零线性组合

应该说是：实对称阵属于不同特征值的的特征向量是正交的。设Ap=mp,Aq=nq,其中A是实对称矩阵，m,n为其不同的特征值，p,q分别为其对应得特征向量.则p1(Aq)=p1(nq)=np1q(p1A)q=(p1A1)q=(AP)1q=(mp)1q=mp1q因为p1(Aq)= (p1A)q上两式作差得：(m-n)p1q=0由于m不等于n,所以p1q=0即(p,q)=0,从而p,q正交.说明：p1表示p的转置，A1表示A的转置，(Ap)1表示Ap的转置扩展资料同一特征值的特征向量的线性和（非0）也为该特征值特征向量，特征值3可以有两个不共线特征向量，从上面一句看出，可以有正交的两个特征向量。实对称矩阵A的特征值都是实数，特征向量都是实向量。n阶实对称矩阵A必可对角化，且相似对角阵上的元素即为矩阵本身特征值。特征向量对应的特征值是它所乘的那个缩放因子。特征空间就是由所有有着相同特征值的特征向量组成的空间，还包括零向量，但要注意零向量本身不是特征向量。线性变换的主特征向量是最大特征值对应的特征向量。

特征方程等于：|λE-A|={[（λ+2），0,4]，[-1，λ-1，-1]，[-1,0，λ-3]}=0。计算过程：（λ-2）*（λ+2）*（λ-3）+4（λ-2）=（λ-2）*[（λ+2）*（λ-3）+4]=（λ-2）*[λ*λ-λ-2]=（λ-2）*（λ-2）*（λ+1）=（λ-2）^2*（λ+1）所以说得出(λ-2)²(λ-1)=0进而求出特征值为-1，2（为二重特征根）。性质：若λ是可逆阵A的一个特征根，x为对应的特征向量，则1/λ 是A的逆的一个特征根，x仍为对应的特征向量。若 λ是方阵A的一个特征根，x为对应的特征向量，则λ 的m次方是A的m次方的一个特征根，x仍为对应的特征向量。

若A~ B，则A与B有相同的特征方程，有相同的特征值

如果Ax=λx, By=λy，B=P^{-1}AP，那么x=Py

矩阵的特征方程式是：A * x = lamda * x这个方程可以看出什么？矩阵实际可以看作一个变换，方程左边就是把向量x变到另一个位置而已；右边就是把向量x作了一个拉伸，拉伸量是lamda。那么它的意义就很明显了，表达了矩阵A的一个特性就是这个矩阵可以把向量x拉长（或缩短）lamda倍，仅此而已。任意给定一个矩阵A，并不是对所有的x它都能拉长（缩短）。凡是能被A拉长（缩短）的向量称为A的特征向量(Eigenvector)；拉长（缩短）量就为这个特征向量对应的特征值（Eigenvalue）。值得注意的是，我们说的特征向量是一类向量，因为任意一个特征向量随便乘以一个标量结果肯定也满足以上方程，当然这两个向量都可以看成是同一个特征向量，而且它们也都对应同一个特征值。如果特征值是负数，那说明了矩阵不但把向量拉长（缩短）了，而且让向量指向了相反的方向。扩展资料矩阵的意义上，先介绍几个抽象概念：1、核：所有经过变换矩阵后变成了零向量的向量组成的集合，通常用Ker(A)来表示。假如你是一个向量，有一个矩阵要来变换你，如果你不幸落在了这个矩阵的核里面，那么很遗憾转换后你就变成了虚无的零。特别指出的是，核是“变换”(Transform)中的概念，矩阵变换中有一个相似的概念叫“零空间”。有的材料在谈到变换的时候使用T来表示，联系到矩阵时才用A，本文把矩阵直接看作“变换”。核所在的空间定义为V空间，也就是全部向量原来在的空间。2、值域：某个空间中所有向量经过变换矩阵后形成的向量的集合，通常用R（A）来表示。假设你是一个向量，有一个矩阵要来变换你，这个矩阵的值域表示了你将来可能的位置，你不可能跑到这些位置之外。值域的维度也叫做秩（Rank）。值域所在的空间定义为W空间。W空间中不属于值域的部分等会儿我们会谈到。3、空间：向量加上加、乘运算构成了空间。向量可以（也只能）在空间中变换。使用坐标系（基）在空间中描述向量。不管是核还是值域，它们都是封闭的。意思是如果你和你的朋友困在核里面，你们不管是相加还是相乘都还会在核里面，跑不出去。这就构成了一个子空间。值域同理。

实对称矩阵的特征值都是实数属于不同特征值的特征向量正交k重特征值有k个线性无关的特征向量

因为相当于每行或每列都做了初等变换，初等变换不改变矩阵的特征向量的。

1、首先求出相关系数矩阵的特征值及对应的特征向量。2、其次将特征向量按对应特征值大小从上到下按行排列成矩阵。3、最后选取累计贡献率在85%。

是的。

这是利用矩阵多项式的特征值，是矩阵特征值的多项式，这一原理，简单来讲，就是A-E，相当于多项式f(x)=x-1那么f(A)=A-E的全部特征值，就是f(t)=t-1，其中t是矩阵A的全部特征值

由特征值的定义Mx=ax 这里x是特征向量,a是特征值 所以[1 a] [2] = 2[2] [-1 b] [1] [1] 即2+a=4 -2+b=2 所以a+b=6

A+E=2 2 22 2 22 2 2-->1 1 10 0 00 0 0属于特征值 -1 的特征向量为 k1(1,-1,0)^T + k2(1,0,-1), 其中k1,k2为不全为0的任意常数

解1. 设 x=(x1,x2,x3) 是A的属于特征值3的特征向量.由于实对称矩阵的属于不同特征值的特征向量是正交的所以有 (α1,x)=(α2,x)=0. 即有-x1-x2+x3=0 x1-2x2-x3 = 0-1 -1 1 1 -2 -1r1+r2 0 -3 0 1 -2 -1r1*(-1/3), r2+2r1 0 1 0 1 0 -1得 α3=(1,0,1)^T.令P = (α1,α2,α3), 则 P^(-1)AP = diag(1,2,3)所以有 A = Pdiag(1,2,3)P^(-1).P=-1 1 1-1 -2 0 1 -1 1P^(-1) = -1/3 -1/3 1/3 1/6 -1/3 -1/6 1/2 0 1/2 计算得 A = 13/6 -1/3 5/6 -1/3 5/3 1/3 5/6 1/3 13/6 注: 可这样验证: AP = Pdiag(1,2,3).

设矩阵为A，其一个特征向量为a，则Aa=λa求的特征向量a所对应的特征值λ（A-1）Aa=（A-1）λaa=（A-1）λa（A-1）a=（λ-1）a因为（A-1）的特征值为（λ-1）所以，其逆矩阵的特征向量和原矩阵的向量相同，都为a注：（A-1）表示A的逆矩阵，（λ-1）表示λ的倒数。

求n阶矩阵A的特征值的基本方法：根据定义可改写为关系式，为单位矩阵（其形式为主对角线元素为λ- ，其余元素乘以-1）。要求向量具有非零解，即求齐次线性方程组有非零解的值。即要求行列式。 解次行列式获得的值即为矩阵A的特征值。将此值回代入原式求得相应的，即为输入这个行列式的特征向量。具体操作以右图为例。　　定义1设是一个阶方阵（即使一个n*n的矩阵），是一个数，如果方程(1)存在非零解向量，则称为的一个特征值，相应的非零解向量称为属于特征值的特征向量．（1）式也可写成，(2)这是个未知数个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式, (3)即 上式是以为未知数的一元次方程，称为方阵的特征方程．其左端是的次多项式，记作，称为方阵的特征多项式．===显然，的特征值就是特征方程的解．特征方程在复数范围内恒有解，其个数为方程的次数（重根按重数计算），因此，阶矩阵有个特征值．设阶矩阵的特征值为由多项式的根与系数之间的关系，不难证明（Ⅰ）（Ⅱ）若为的一个特征值，则一定是方程的根,因此又称特征根，若为方程的重根，则称为的重特征根．方程的每一个非零解向量都是相应于的特征向量，于是我们可以得到求矩阵的全部特征值和特征向量的方法如下：第一步：计算的特征多项式；第二步：求出特征方程的全部根，即为的全部特征值；第三步：对于的每一个特征值，求出齐次线性方程组：的一个基础解系，则的属于特征值的全部特征向量是（其中是不全为零的任意实数）．[注]：若是的属于的特征向量，则也是对应于的特征向量，因而特征向量不能由特征值惟一确定．反之，不同特征值对应的特征向量不会相等，亦即一个特征向量只能属于一个特征值.由以上讨论可知，对于方阵的每一个特征值，我们都可以求出其全部的特征向量．但对于属于不同特征值的特征向量，它们之间存在什么关系呢？这一问题的讨论在对角化理论中有很重要的作用．对此我们给出以下结论：定理1　属于不同特征值的特征向量一定线性无关.

矩阵和矩阵的逆有相同的特征向量。解：设Ax=kx两边左乘A^(-1):A^(-1)Ax=KA^(-1)xx=kA^(-1)x，A^(-1)x=(1/k)x。说明若x是A对应k的特征向量的话，x也是其逆阵对应（1/k）的特征向量。扩展资料：从数学上看，如果向量v与变换A满足Av=λv，则称向量v是变换A的一个特征向量，λ是相应的特征值。这一等式被称作“特征值方程”。假设它是一个线性变换，那么v可以由其所在向量空间的一组基表示为：其中vi是向量在基向量上的投影（即坐标），这里假设向量空间为n 维。由此，可以直接以坐标向量表示。利用基向量，线性变换也可以用一个简单的矩阵乘法表示。但是，有时候用矩阵形式写下特征值方程是不自然甚或不可能的。例如在向量空间是无穷维的时候，上述的弦的情况就是一例。取决于变换和它所作用的空间的性质，有时将特征值方程表示为一组微分方程更好。若是一个微分算子，其特征向量通常称为该微分算子的特征函数。例如，微分本身是一个线性变换因为（若M和N是可微函数，而a和b是常数）考虑对于时间t的微分。其特征函数满足如下特征值方程。其中λ是该函数所对应的特征值。这样一个时间的函数，如果λ = 0，它就不变，如果λ为正，它就按比例增长，如果λ是负的，它就按比例衰减。例如，理想化的兔子的总数在兔子更多的地方繁殖更快，从而满足一个正λ的特征值方程。该特征值方程的一个解是N = exp(λt)，也即指数函数；这样，该函数是微分算子d/dt的特征值为λ的特征函数。若λ是负数，我们称N的演变为指数衰减；若它是正数，则称指数增长。λ的值可以是一个任意复数。因此d/dt的谱是整个复平面。在这个例子中，算子d/dt作用的空间是单变量可微函数的空间。该空间有无穷维（因为不是每一个可微函数都可以用有限的基函数的线性组合来表达的）。但是，每个特征值λ所对应的特征空间是一维的。它就是所有形为N = N0exp(λt)的函数的集合。N0是任意常数，也就在t=0的初始数量。参考资料：百度百科- 逆矩阵参考资料：百度百科-矩阵（数学术语）参考资料：百度百科-特征向量

主特征向量是指主特征值对应的特征向量 而主特征值是指模最大（如果是实数的话就是绝对值最大）的特征值 一般用幂迭代或者阿诺尔迪迭代等等可以求出主特征值和主特征向量

矩阵特征向量是置换相抵下的不变量，，，简单点说就是一个线性变换作用在向量上，可以把矩阵看作那个线性变换的线性算子，，，这个作用不改变这个向量的方向，只改变这个向量的大小，而特征值就是那个改变的倍数，，，，特征值在控制理论中有广泛的应用，，，因为它的性质非常好，，，，，，

如果a是一个矩阵，x是一个不为零的向量，使得ax=ax，其中a是一个数量（可以是零），那么，a就是a的一个特征值（根），x是对应于a的一个特征向量。

特征根：特征根法也可用于通过数列的递推公式（即差分方程，必须为线性）求通项公式，其本质与微分方程相同。 称为二阶齐次线性差分方程：  加权的特征方程。特征向量：A为n阶矩阵，若数λ和n维非0列向量x满足Ax=λx，那么数λ称为A的特征值，x称为A的对应于特征值λ的特征向量。式Ax=λx也可写成( A-λE)x=0，并且|λE-A|叫做A 的特征多项式。当特征多项式等于0的时候，称为A的特征方程，特征方程是一个齐次线性方程组，求解特征值的过程其实就是求解特征方程的解。令|A-λE|=0，求出λ值。A是n阶矩阵，Ax=λx，则x为特征向量，λ为特征值。一旦找到两两互不相同的特征值λ，相应的特征向量可以通过求解方程(A – λI) v = 0 得到，其中v为待求特征向量，I为单位阵。当特征值出现重根时，如λ1=λ2，此时，特征向量v1的求解方法为(A-λ1I)v1=0，v2为(A-λ2I)v2=v1，依次递推。没有实特征值的一个矩阵的例子是顺时针旋转90度。扩展资料：矩阵的特征向量是矩阵理论上的重要概念之一，它有着广泛的应用。数学上，线性变换的特征向量（本征向量）是一个非简并的向量，其方向在该变换下不变。该向量在此变换下缩放的比例称为其特征值（本征值）。一个线性变换通常可以由其特征值和特征向量完全描述。特征空间是相同特征值的特征向量的集合。“特征”一词来自德语的eigen。1904年希尔伯特首先在这个意义下使用了这个词，更早亥尔姆霍尔兹也在相关意义下使用过该词。eigen一词可翻译为”自身的”、“特定于……的”、“有特征的”、或者“个体的”，这显示了特征值对于定义特定的线性变换的重要性。从数学上看，如果向量v与变换A满足Av=λv，则称向量v是变换A的一个特征向量，λ是相应的特征值。这一等式被称作“特征值方程”。假设它是一个线性变换，那么v可以由其所在向量空间的一组基表示为：其中vi是向量在基向量上的投影（即坐标），这里假设向量空间为n 维。由此，可以直接以坐标向量表示。利用基向量，线性变换也可以用一个简单的矩阵乘法表示。上述的特征值方程可以表示为：但是，有时候用矩阵形式写下特征值方程是不自然甚或不可能的。例如在向量空间是无穷维的时候，上述的弦的情况就是一例。取决于变换和它所作用的空间的性质，有时将特征值方程表示为一组微分方程更好。若是一个微分算子，其特征向量通常称为该微分算子的特征函数。例如，微分本身是一个线性变换因为（若M和N是可微函数，而a和b是常数）考虑对于时间t的微分。其特征函数满足如下特征值方程：其中λ是该函数所对应的特征值。这样一个时间的函数，如果λ = 0，它就不变，如果λ为正，它就按比例增长，如果λ是负的，它就按比例衰减。例如，理想化的兔子的总数在兔子更多的地方繁殖更快，从而满足一个正λ的特征值方程。特征根法是数学中解常系数线性微分方程的一种通用方法。特征根法也可用于通过数列的递推公式（即差分方程，必须为线性）求通项公式，其本质与微分方程相同。例如 称为二阶齐次线性差分方程： 加权的特征方程。参考资料：百度百科-特征根法 百度百科-特征向量

满足xA=sx的x就是A的特征值s对应的左特征向量

如果A是一个矩阵，x是一个不为零的向量，使得Ax=ax ，其中a是一个数量（可以是零），那么，a就是A的一个特征值（根），x是对应于a的一个特征向量。

Aa=λa Aa=（IAI/λ）a令λ=x则2+b+1=x+bx+x1+2b+1=x+bx+x1+b+a=x+bx+x联立求解b=1 a=2Aa=（IAI/λ）a2+b+1=1+2b+1=1+b+a=求解a=2，b=

你这里的矩阵式子是什么？对于矩阵A的特征向量得到其特征值λ之后就代入A-λE式子进行初等行变换化简解得特征向量即可

命题应该是实对称矩阵不同的特征值对应的特征向量是相互正交的。证明如下：设λ1,λ2是两个A的不同特征值，α1, α2分别是其对应的特征向量，有A * α1 = λ1 * α1, A * α2 = λ2 *α2分别取转置，并分别两边右乘α2和α1，得α1" * A" * α2 =λ2 * α1" * α2, α2" * A" * α1 =λ1 * α2" * α1 对应相减并注意到α2" * A" * α1=（α2" * A" * α1)"= α1" * A" * α2 所以 (λ1 - λ2) α1" * α2 = α1" * A" * α2 - α2" * A" * α1 = α1" * A" * α2 - α1" * A" * α2 =0而 λ1 - λ2≠ 0，因此 α1" * α2 = 0即 α1与α2 正交。

1.定义：若矩阵A乘上某个非零向量α等于一个实数λ乘上该向量，即Aα=λα，则称λ为该矩阵的特征值，α为属于特征值λ的一个特征向量。2.求矩阵A的特征值及特征向量的步骤： （1）写出行列式|λE-A|；（2）|λE-A|求＝0的全部根，它们就是A的全部特征值，其中E为单位矩阵； （3）对于矩阵A的每一个特征值λ，求出齐次线性方程组(λE-A)X=0的一个基础解系，则可以得到属于特征值λ的特征向量。3.特征值的作用和意义体现在用矩阵进行列向量的高次变换也就是矩阵的高次方乘以列向量的计算中。数学中的很多变换可以用矩阵的乘法来表示，在这样的变换中，一个列向量（点）α变成另一个列向量（点）β的过程可以看成是一个矩阵A乘以α得到β，即Aα=β，如果把同样的变换连续的重复的做n次则需要用矩阵高次方来计算：A^n·α，如果没有特征值和特征向量，此处就要计算矩阵A的n次方，这个运算量随着n的增加，变得越来越大，很不方便。而利用特征值和特征向量，可以达到简化计算的目的：设A特征值分别为λ1,λ2,------λk，对应的特征向量分别为α1,α2,------αk，且α可以分解为α=x1·α1+x2·α2+---+xk·αk，则A^n·α=A^n·（x1·α1+x2·α2+---+xk·αk） =A^n·x1·α1+A^n·x2·α2+---+A^n·xk·αk =x1A^n·α1+x2A^n·α2+---+xkA^n·αk =x1(λ1)^n·α1+x2(λ2)^n·α2+---+xk(λk)^n·αk.这样就将矩阵的n次方的运算变成了特征值的n次方的运算。

a与b相似所以存在一个矩阵p使得a=pbp^(-1)设α是a的属于λ的一个特征向量所以aα=λα将a=pbp^(-1)带入pbp^(-1)α=λα得bp^(-1)α=λp^(-1)α所以x是b的属于λ的一个特征向量x=p^(-1)α

特征根：特征根法也可用于通过数列的递推公式（即差分方程，必须为线性）求通项公式，其本质与微分方程相同。 称为二阶齐次线性差分方程：  加权的特征方程。特征向量：A为n阶矩阵，若数λ和n维非0列向量x满足Ax=λx，那么数λ称为A的特征值，x称为A的对应于特征值λ的特征向量。式Ax=λx也可写成( A-λE)x=0，并且|λE-A|叫做A 的特征多项式。当特征多项式等于0的时候，称为A的特征方程，特征方程是一个齐次线性方程组，求解特征值的过程其实就是求解特征方程的解。令|A-λE|=0，求出λ值。A是n阶矩阵，Ax=λx，则x为特征向量，λ为特征值。一旦找到两两互不相同的特征值λ，相应的特征向量可以通过求解方程(A – λI) v = 0 得到，其中v为待求特征向量，I为单位阵。当特征值出现重根时，如λ1=λ2，此时，特征向量v1的求解方法为(A-λ1I)v1=0，v2为(A-λ2I)v2=v1，依次递推。没有实特征值的一个矩阵的例子是顺时针旋转90度。扩展资料：矩阵的特征向量是矩阵理论上的重要概念之一，它有着广泛的应用。数学上，线性变换的特征向量（本征向量）是一个非简并的向量，其方向在该变换下不变。该向量在此变换下缩放的比例称为其特征值（本征值）。一个线性变换通常可以由其特征值和特征向量完全描述。特征空间是相同特征值的特征向量的集合。“特征”一词来自德语的eigen。1904年希尔伯特首先在这个意义下使用了这个词，更早亥尔姆霍尔兹也在相关意义下使用过该词。eigen一词可翻译为”自身的”、“特定于……的”、“有特征的”、或者“个体的”，这显示了特征值对于定义特定的线性变换的重要性。从数学上看，如果向量v与变换A满足Av=λv，则称向量v是变换A的一个特征向量，λ是相应的特征值。这一等式被称作“特征值方程”。假设它是一个线性变换，那么v可以由其所在向量空间的一组基表示为：其中vi是向量在基向量上的投影（即坐标），这里假设向量空间为n 维。由此，可以直接以坐标向量表示。利用基向量，线性变换也可以用一个简单的矩阵乘法表示。上述的特征值方程可以表示为：但是，有时候用矩阵形式写下特征值方程是不自然甚或不可能的。例如在向量空间是无穷维的时候，上述的弦的情况就是一例。取决于变换和它所作用的空间的性质，有时将特征值方程表示为一组微分方程更好。若是一个微分算子，其特征向量通常称为该微分算子的特征函数。例如，微分本身是一个线性变换因为（若M和N是可微函数，而a和b是常数）考虑对于时间t的微分。其特征函数满足如下特征值方程：其中λ是该函数所对应的特征值。这样一个时间的函数，如果λ = 0，它就不变，如果λ为正，它就按比例增长，如果λ是负的，它就按比例衰减。例如，理想化的兔子的总数在兔子更多的地方繁殖更快，从而满足一个正λ的特征值方程。特征根法是数学中解常系数线性微分方程的一种通用方法。特征根法也可用于通过数列的递推公式（即差分方程，必须为线性）求通项公式，其本质与微分方程相同。例如 称为二阶齐次线性差分方程： 加权的特征方程。参考资料：百度百科-特征根法 百度百科-特征向量

矩阵的特征方程式是：A * x = lamda * x这个方程可以看出什么？矩阵实际可以看作一个变换，方程左边就是把向量x变到另一个位置而已；右边就是把向量x作了一个拉伸，拉伸量是lamda。那么它的意义就很明显了，表达了矩阵A的一个特性就是这个矩阵可以把向量x拉长（或缩短）lamda倍，仅此而已。任意给定一个矩阵A，并不是对所有的x它都能拉长（缩短）。凡是能被A拉长（缩短）的向量称为A的特征向量(Eigenvector)；拉长（缩短）量就为这个特征向量对应的特征值（Eigenvalue）。值得注意的是，我们说的特征向量是一类向量，因为任意一个特征向量随便乘以一个标量结果肯定也满足以上方程，当然这两个向量都可以看成是同一个特征向量，而且它们也都对应同一个特征值。如果特征值是负数，那说明了矩阵不但把向量拉长（缩短）了，而且让向量指向了相反的方向。扩展资料矩阵的意义上，先介绍几个抽象概念：1、核：所有经过变换矩阵后变成了零向量的向量组成的集合，通常用Ker(A)来表示。假如你是一个向量，有一个矩阵要来变换你，如果你不幸落在了这个矩阵的核里面，那么很遗憾转换后你就变成了虚无的零。特别指出的是，核是“变换”(Transform)中的概念，矩阵变换中有一个相似的概念叫“零空间”。有的材料在谈到变换的时候使用T来表示，联系到矩阵时才用A，本文把矩阵直接看作“变换”。核所在的空间定义为V空间，也就是全部向量原来在的空间。2、值域：某个空间中所有向量经过变换矩阵后形成的向量的集合，通常用R（A）来表示。假设你是一个向量，有一个矩阵要来变换你，这个矩阵的值域表示了你将来可能的位置，你不可能跑到这些位置之外。值域的维度也叫做秩（Rank）。值域所在的空间定义为W空间。W空间中不属于值域的部分等会儿我们会谈到。3、空间：向量加上加、乘运算构成了空间。向量可以（也只能）在空间中变换。使用坐标系（基）在空间中描述向量。不管是核还是值域，它们都是封闭的。意思是如果你和你的朋友困在核里面，你们不管是相加还是相乘都还会在核里面，跑不出去。这就构成了一个子空间。值域同理。

特征向量组成的矩阵叫可逆矩阵。扩展资料：性质1：n阶方阵A=(aij)的所有特征根为λ1，λ2，…,λn(包括重根)，则：性质2：若λ是可逆阵A的一个特征根，x为对应的特征向量，则1/λ 是A的逆的一个特征根，x仍为对应的特征向量。性质3：若 λ是方阵A的一个特征根，x为对应的特征向量，则λ 的m次方是A的m次方的一个特征根，x仍为对应的特征向量。性质4：设λ1，λ2，…,λm是方阵A的互不相同的特征值。xj是属于λi的特征向量( i=1,2,…,m)，则x1,x2,…,xm线性无关，即不相同特征值的特征向量线性无关 。

特征向量不是唯一的。特征向量来自齐次线性方程组的解，是齐次线性方程组的基础解系的非零线性组合，所以不唯一。矩阵的特征向量是矩阵理论上的重要概念之一，它有着广泛的应用。数学上，线性变换的特征向量是一个非简并的向量，其方向在该变换下不变。该向量在此变换下缩放的比例称为其特征值。性质：线性变换的特征向量是指在变换下方向不变，或者简单地乘以一个缩放因子的非零向量。特征向量对应的特征值是它所乘的那个缩放因子。特征空间就是由所有有着相同特征值的特征向量组成的空间，还包括零向量，但要注意零向量本身不是特征向量。线性变换的主特征向量是最大特征值对应的特征向量。特征值的几何重次是相应特征空间的维数。有限维向量空间上的一个线性变换的谱是其所有特征值的集合。

是的 在复数域存在可逆矩阵P 使得 P^(-1)AP=上三角矩阵 对角线元素为A的特征值 两端取转置有 P`A`(P`)^(-1)=下三角矩阵 对角线元素为A`的特征值

单位矩阵E的全部特征向量就是基本向量组 ε1,ε2,.,εn 单位矩阵E的特征值是1,1,.,1 Eεi = εi

通过求解方程pA(λ)=0来得到。若A是一个n×n矩阵，则pA为n次多项式，因而A最多有n个特征值。反过来，代数基本定理说这个方程刚好有n个根，如果重根也计算在内的话。所有奇数次的多项式必有一个实数根，因此对于奇数n，每个实矩阵至少有一个实特征值。在实矩阵的情形，对于偶数或奇数的n，非实数特征值成共轭对出现。矩阵的特征向量是矩阵理论上的重要概念之一，它有着广泛的应用。数学上，线性变换的特征向量（本征向量）是一个非简并的向量，其方向在该变换下不变。该向量在此变换下缩放的比例称为其特征值（本征值）。 特征值的几何重次是相应特征空间的维数。有限维向量空间上的一个线性变换的谱是其所有特征值的集合。例如，三维空间中的旋转变换的特征向量是沿着旋转轴的一个向量，相应的特征值是1，相应的特征空间包含所有和该轴平行的向量。该特征空间是一个一维空间，因而特征值1的几何重次是1。特征值1是旋转变换的谱中唯一的实特征值。

把特征值代入特征方程，运用初等行变换法，将矩阵化到最简，然后可得到基础解系。求矩阵的全部特征值和特征向量的方法如下：第一步：计算的特征多项式；第二步：求出特征方程的全部根，即为的全部特征值；第三步：对于的每一个特征值，求出齐次线性方程组：的一个基础解系，则可求出属于特征值的全部特征向量。扩展资料求特征向量：设A为n阶矩阵，根据关系式Ax=λx，可写出(λE-A)x=0，继而写出特征多项式|λE-A|=0，可求出矩阵A有n个特征值（包括重特征值）。将求出的特征值λi代入原特征多项式，求解方程(λiE-A)x=0，所求解向量x就是对应的特征值λi的特征向量。判断矩阵可对角化的充要条件：矩阵可对角化有两个充要条件：1、矩阵有n个不同的特征向量；2、特征向量重根的重数等于基础解系的个数。对于第二个充要条件，则需要出现二重以上的重特征值可验证（一重相当于没有重根）。若矩阵A可对角化，则其对角矩阵Λ的主对角线元素全部为A的特征值，其余元素全部为0。（一个矩阵的对角阵不唯一，其特征值可以换序，但都存在由对应特征向量顺序组成的可逆矩阵P使P⁻¹AP=Λ）。求矩阵特征值的方法如下：任意一个矩阵A可以分解成如下两个矩阵表达的形式： 其中矩阵Q为正交矩阵，矩阵R为上三角矩阵，至于QR分解到底是怎么回事，矩阵Q和矩阵R是怎么得到的，你们还是看矩阵论吧，如果我把这些都介绍了，感觉这篇文章要写崩，或者你可以先认可我是正确的，然后往下看。由式（22）可知，A1和A2相似，相似矩阵具有相同的特征值，说明A1和A2的特征值相同，我们就可以通过求取A2的特征值来间接求取A1的特征值。

百科上一查就知道。

答案为2、4、0。解题过程如下：1. A的行列式等于A的全部特征值之积所以 |A| = -1*1*2 = -22. 若a是可逆矩阵A的特征值, 则 |A|/a 是A*的特征值所以A*的特征值为 2,-2,-1所以|A*| = 2*(-2)*(-1) = 4.注: 当然也可用伴随矩阵的行列式性质 |A*| = |A|^(n-1) = |A|^2 = (-2)^2 = 4.3. 若a是可逆矩阵A的特征值, 则对多项式g(x), g(a)是g(A)的特征值这里 g(x) = x^2-2x+1, g(A)=A^2-2A+E所以 g(A)=A^2-2A+E 的特征值为 g(-1),g(1),g(2), 即 4,0,1所以 |A^2-2A+E| = 4*0*1 = 0特征值是线性代数中的一个重要概念。在数学、物理学、化学、计算机等领域有着广泛的应用。设 A 是n阶方阵，如果存在数m和非零n维列向量 x，使得 Ax=mx 成立，则称 m 是A的一个特征值（characteristic value)或本征值（eigenvalue)。非零n维列向量x称为矩阵A的属于（对应于）特征值m的特征向量或本征向量。扩展资料求矩阵的全部特征值和特征向量的方法如下：第一步：计算的特征多项式；第二步：求出特征方程的全部根，即为的全部特征值；第三步：对于的每一个特征值，求出齐次线性方程组：的一个基础解系，则的属于特征值的全部特征向量是（其中是不全为零的任意实数）．[注]：若是的属于的特征向量，则也是对应于的特征向量，因而特征向量不能由特征值惟一确定．反之，不同特征值对应的特征向量不会相等。

可以验证啊！设矩阵P的特征向量为列向量，则一定有 PᵀP＝对角阵；若矩阵P的特征向量为行向量，则有 PPᵀ＝对角阵。PᵀP也好，PPᵀ也好，这不是问题本质，本质是【向量点积的矩阵表述＝行向量·列向量＝常数】。若二个向量正交，自己点自己(θ＝0°)＝常数，自己点对方(θ＝90°)＝0。引伸至特征向量矩阵的正交性验证＝行向量矩阵·列向量矩阵＝对角阵。无论是PᵀP 还是PPᵀ，前一个必须是行向量矩阵，后一个必须是列向量矩阵一一这才是要害。注意: 列向量矩阵·行向量矩阵＝普通矩阵(n×n) ≠ 对角阵。

设A是n阶方阵，如果存在数m和非零n维列向量 x，使得 Ax=mx 成立，则称 m 是矩阵A的一个特征值或本征值。式Ax=λx也可写成( A-λE)X=0。这是n个未知数n个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式| A-λE|=0。相关内容：矩阵特征值性质1：若λ是可逆阵A的一个特征根，x为对应的特征向量，则1/λ 是A的逆的一个特征根，x仍为对应的特征向量。性质2：若 λ是方阵A的一个特征根，x为对应的特征向量，则λ 的m次方是A的m次方的一个特征根，x仍为对应的特征向量。性质3：设λ1，λ2，…,λm是方阵A的互不相同的特征值。xj是属于λi的特征向量( i=1,2,…,m)，则x1,x2,…,xm线性无关，即不相同特征值的特征向量线性无关。

特征值的个数与矩阵的秩没有必然联系

这个问题有点不具体，矩阵能有他的特征向量表示，一般是他有n个线性无关的向量，那么可以对角化，存在可逆阵使得矩阵与一个对角阵相似，而那个可逆阵正好是他的特征向量组成的矩阵望采纳

特征向量不唯一,方向唯一

矩阵的特征方程式是：A * x = lamda * x这个方程可以看出什么？矩阵实际可以看作一个变换，方程左边就是把向量x变到另一个位置而已；右边就是把向量x作了一个拉伸，拉伸量是lamda。那么它的意义就很明显了，表达了矩阵A的一个特性就是这个矩阵可以把向量x拉长（或缩短）lamda倍，仅此而已。任意给定一个矩阵A，并不是对所有的x它都能拉长（缩短）。凡是能被A拉长（缩短）的向量称为A的特征向量(Eigenvector)；拉长（缩短）量就为这个特征向量对应的特征值（Eigenvalue）。值得注意的是，我们说的特征向量是一类向量，因为任意一个特征向量随便乘以一个标量结果肯定也满足以上方程，当然这两个向量都可以看成是同一个特征向量，而且它们也都对应同一个特征值。如果特征值是负数，那说明了矩阵不但把向量拉长（缩短）了，而且让向量指向了相反的方向。扩展资料矩阵的意义上，先介绍几个抽象概念：1、核：所有经过变换矩阵后变成了零向量的向量组成的集合，通常用Ker(A)来表示。假如你是一个向量，有一个矩阵要来变换你，如果你不幸落在了这个矩阵的核里面，那么很遗憾转换后你就变成了虚无的零。特别指出的是，核是“变换”(Transform)中的概念，矩阵变换中有一个相似的概念叫“零空间”。有的材料在谈到变换的时候使用T来表示，联系到矩阵时才用A，本文把矩阵直接看作“变换”。核所在的空间定义为V空间，也就是全部向量原来在的空间。2、值域：某个空间中所有向量经过变换矩阵后形成的向量的集合，通常用R（A）来表示。假设你是一个向量，有一个矩阵要来变换你，这个矩阵的值域表示了你将来可能的位置，你不可能跑到这些位置之外。值域的维度也叫做秩（Rank）。值域所在的空间定义为W空间。W空间中不属于值域的部分等会儿我们会谈到。3、空间：向量加上加、乘运算构成了空间。向量可以（也只能）在空间中变换。使用坐标系（基）在空间中描述向量。不管是核还是值域，它们都是封闭的。意思是如果你和你的朋友困在核里面，你们不管是相加还是相乘都还会在核里面，跑不出去。这就构成了一个子空间。值域同理。