【证明】相似矩阵的特征值相同
定理 1 若 nnn 阶矩阵 A\boldsymbol{A}A 与 B\boldsymbol{B}B 相似,则 A\boldsymbol{A}A 与 B\boldsymbol{B}B 的特征多项式相同,从而 A\boldsymbol{A}A 与 B\boldsymbol{B}B 的特征值亦相同。
证明 因为 A\boldsymbol{A}A 与 B\boldsymbol{B}B 相似,即有可逆矩阵 P\boldsymbol{P}P, 使
P−1AP=B(1)\boldsymbol{P}^{-1} \boldsymbol{A} \boldsymbol{P} = \boldsymbol{B} \tag{1} P−1AP=B(1)
因为单位矩阵与任何同阶方阵都是可交换的(证明见 “矩阵可交换的定义和性质”),所以有
λE=λE(P−1P)=P−1(λE)P(2)\lambda \boldsymbol{E} = \lambda \boldsymbol{E} (\boldsymbol{P}^{-1} \boldsymbol{P}) = \boldsymbol{P}^{-1} (\lambda \boldsymbol{E}) \boldsymbol{P} \tag{2} λE=λE(P−1P)=P−1(λE)P(2)
将 (1)(1)(1) 和 (2)(2)(2) 代入矩阵 B\boldsymbol{B}B 的特征多项式 ∣B−λE∣|\boldsymbol{B} - \lambda \boldsymbol{E}|∣B−λE∣,有
∣B−λE∣=∣P−1AP−P−1(λE)P∣=∣P−1(A−λE)P∣=∣P−1∣∣(A−λE)∣∣P∣=∣(A−λE)∣\begin{align*} |\boldsymbol{B} - \lambda \boldsymbol{E}| & = |\boldsymbol{P}^{-1} \boldsymbol{A} \boldsymbol{P} - \boldsymbol{P}^{-1} (\lambda \boldsymbol{E}) \boldsymbol{P}| \\ & = |\boldsymbol{P}^{-1} (\boldsymbol{A} - \lambda \boldsymbol{E}) \boldsymbol{P}| \\ & = |\boldsymbol{P}^{-1}| |(\boldsymbol{A} - \lambda \boldsymbol{E})| |\boldsymbol{P}| \\ & = |(\boldsymbol{A} - \lambda \boldsymbol{E})| \end{align*} ∣B−λE∣=∣P−1AP−P−1(λE)P∣=∣P−1(A−λE)P∣=∣P−1∣∣(A−λE)∣∣P∣=∣(A−λE)∣
所以 A\boldsymbol{A}A 与 B\boldsymbol{B}B 的特征多项式相同。得证。
【证明】相似矩阵的特征值相同相关推荐
- 【证明】矩阵特征值之和等于主对角线元素之和
性质 1 设 nnn 阶矩阵 A=(aij)\boldsymbol{A} = (a_{ij})A=(aij) 的特征值为 λ1,λ2,⋯,λn\lambda_1,\lambda_2,\cdots,\ ...
- 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 ...
- 【证明】矩阵特征值之积等于矩阵行列式的值
性质 1 设 nnn 阶矩阵 A=(aij)\boldsymbol{A} = (a_{ij})A=(aij) 的特征值为 λ1,λ2,⋯,λn\lambda_1,\lambda_2,\cdots,\ ...
- 【证明】矩阵特征值的k次幂是矩阵k次幂的特征值
性质 1 若 λ \lambda λ 是 A \boldsymbol{A} A 的特征值,则 λ k \lambda^k λk 是 A k \boldsymbol{A}^k Ak 的特征值. 证明 用 ...
- 高等代数_证明_不同特征值的特征向量线性无关
- 【证明】矩阵的特征值即其相似对角矩阵主对角线的元素
前置定理 1 若 n n n 阶矩阵 A \boldsymbol{A} A 与 B \boldsymbol{B} B 相似,则 A \boldsymbol{A} A 与 B \boldsymbol{B ...
- 二次型、特征值/向量、奇异值、特征值、奇异值分解、奇异值分解(SVD)原理与在降维中的应用
一.二次型 通过矩阵来研究二次函数(方程),这就是线性代数中二次型的重点. 1 二次函数(方程)的特点 1.1 二次函数 最简单的一元二次函数就是: 给它增加一次项不会改变形状: 增加常数项就更不用说 ...
- 矩阵理论(二)特征值分解和SVD分解
特征值分解和SVD分解是两种将矩阵进行分解的经典方法,两者在机器学习的各类算法中被广泛使用(如PCA降维.文本LSI.推荐算法等等). 一.特征值分解 定义:对于方阵A\boldsymbol AA,若 ...
- 复数特征值求特征向量_深刻地认识特征值
本来的题目是"彻底认识特征值",但是我认为不论什么时候也不能说是彻底.特征值是方阵特有的,那么方阵到底有什么特殊之处?它是表达线性变换的工具. 设 是一个 维线性空间,它的一个基是 ...
最新文章
- devops和docker_通过免费的2小时Docker课程学习DevOps基础知识
- 网闸与防火墙的区别是什么
- Android开发之详解五大布局
- springMVC通过ajax传递参数list对象或传递数组对象到后台
- 神奇的视觉艺术!轻轻一碰无限翻转,根本停不下来!
- HDOJ 2602-Bone Collector(0/1背包模板、打印方案及滚动数组解法)
- 深入理解ButterKnife源码并掌握原理(四)
- java安全框架下载文件_java安全框架之Permission学习笔记
- Linux音频驱动-OSS和ALSA声音系统简介及其比较
- 集异璧摘录:pq系统-加法-乘法-合数-素数
- iPhone 13 投屏到 Windows 10 的办法
- 循环群、对称群、陪集和拉格朗日定理、正规子群和商群
- 在Delphi中 XLSReadWriteII5如何导出Excel2003或Excel2007版本的问题
- 湖南师范大学2021年3月25日蓝桥杯热身赛解题报告与标程
- 机器学习作业(第十八次课堂作业)
- 大数据在各领域应用之精准营销
- 戴尔易安信引领科技创新,以全面的端到端解决方案助力企业“数”造未来
- BILIBILI 高并发实时弹幕系统那些事(项目开源、架构演变)
- 深入浅出JS—20 生成器控制函数执行
- easyUI FileBox(文件框)的setValue不能用,回显文件名称则可以用prompt代替