伴随矩阵的特征值

简介: 设 $3\times 3$ 阵 ${\bf A}$ 的特征值为 $\lm_1,\lm_2,\lm_3$, 证明 $\cof {\bf A}$ 的特征值为 $$\bex \lm_2\lm_3,\quad \lm_3\lm_1,\quad \lm_1\lm_2.

设 $3\times 3$ 阵 ${\bf A}$ 的特征值为 $\lm_1,\lm_2,\lm_3$, 证明 $\cof {\bf A}$ 的特征值为 $$\bex \lm_2\lm_3,\quad \lm_3\lm_1,\quad \lm_1\lm_2. \eex$$

 

参考解答见[物理学与PDEs]第5章习题9 伴随矩阵的特征值.

 

推广: 设 $n\times n$ 阵 ${\bf A}$ 的特征值为 $\lm_1,\lm_2,\cdots,\lm_n$, 证明 $\cof {\bf A}$ 的特征值为 $$\bex\lm_2\cdots\lm_n,\lm_3\cdots\lm_n\lm_1,\cdots,\lm_1\lm_2\cdots\lm_{n-1}. \eex$$

 

复旦大学谢启鸿老师给的一个解答: 根据复旦高代教材 P233 定理 6.1.2, 任一 $n$ 阶矩阵 $A$ 复相似于上三角阵, 即存在非异阵 $P$, 使得 $$P^{-1}AP=B=\begin{bmatrix} \lambda_1 & * & \cdots & * \\ & \lambda_2 & \cdots & * \\ & & \ddots & \vdots \\ & & & \lambda_n \end{bmatrix}.$$ 注意到伴随阵的性质: $(AB)^*=B^*A^*$ 及 $(P^{-1})^*=(P^*)^{-1}$, 上式两边同取伴随可得: $$P^*A^*(P^*)^{-1}=B^*=\begin{bmatrix} \prod_{i\neq 1}\lambda_i & * & \cdots & * \\ & \prod_{i\neq 2}\lambda_i & \cdots & * \\ & & \ddots & \vdots \\ & & & \prod_{i\neq n}\lambda_i \end{bmatrix}.$$ 因此 $A^*$ 的全体特征值为 $\prod_{i\neq 1}\lambda_i$, $\prod_{i\neq 1}\lambda_i$, $\cdots$, $\prod_{i\neq 1}\lambda_i$. 

 

目录
相关文章
|
5月前
|
存储 算法 Python
稀疏矩阵是矩阵中大部分元素为零的矩阵。
稀疏矩阵是矩阵中大部分元素为零的矩阵。
|
6月前
心得经验总结:特征值和特征向量
心得经验总结:特征值和特征向量
34 0
|
7月前
【数值分析】用幂法计算矩阵的主特征值和对应的特征向量(附matlab代码)
【数值分析】用幂法计算矩阵的主特征值和对应的特征向量(附matlab代码)
|
人工智能
从浅到深研究矩阵的特征值、特征向量
从浅到深研究矩阵的特征值、特征向量
190 0
|
机器学习/深度学习 决策智能
矩阵分析 (七) 矩阵特征值的估计
矩阵分析 (七) 矩阵特征值的估计
185 0
|
机器学习/深度学习 决策智能
矩阵分析 (六) 矩阵的函数
矩阵分析 (六) 矩阵的函数
132 0
|
机器学习/深度学习 决策智能
矩阵分析 (八) 矩阵的直积
矩阵分析 (八) 矩阵的直积
490 0
|
机器学习/深度学习 决策智能
矩阵分析 (四)向量和矩阵的范数
矩阵分析 (四)向量和矩阵的范数
250 0
|
移动开发
半正定矩阵和正定矩阵的一些理解和补充
半正定矩阵和正定矩阵的一些理解和补充
1771 0