这篇文档主要讲解了矩阵特征值计算的一些重要概念和方法，主要涉及了以下几个知识点：
1. 亏损矩阵：如果一个n阶矩阵A有一个重数为k的特征值λ，并且对应的线性无关特征向量个数少于k，那么称A为亏损矩阵。这表明矩阵的几何重数小于它的代数重数。
2. Gerschgorin圆盘定理：这个定理指出，矩阵A的每一个特征值必然属于由Gerschgorin圆盘组成的某个连通并集中的一个。这些圆盘是以矩阵的对角元素zi为中心，以|aii - λ|为半径的圆，其中λ是特征值，aii是对应的对角元素。如果所有圆盘形成一个连通的区域，那么该区域内包含A的特征值个数。
3. Schur分解：Schur定理表明，对于任何n阶复矩阵A，存在一个酉矩阵U，使得A可以被分解为UHU^H，其中H是上三角矩阵，且H的对角线元素是A的特征值。Schur分解的一个扩展形式是，对于实对称矩阵A，存在一个正交矩阵Q使得A可以被分解为Q^T AQ，其中Q是正交矩阵，而A'是分块对角矩阵，每个一阶对角块是A的一阶特征值，每个二阶对角块的两个特征值是A的共轭复特征值。
4. 瑞利商（Rayleigh quotient）：对于实对称矩阵A和非零向量x，瑞利商R(x)定义为R(x) = (x^TAx) / (x^Tx)，它给出了与向量x对应的特征值的下界和上界。对于所有的非零向量x，瑞利商的最大值和最小值分别是A的最大特征值和最小特征值。
5. 幂法：这是一种求解矩阵最大模特征值及其对应特征向量的方法。如果矩阵A有特征根λ1的模大于其他所有特征值的模，并且对应n个线性无关的特征向量，那么可以从任意非零向量x0出发，通过迭代公式x(k+1) = Ax(k)来逼近λ1的特征向量，当k足够大时，x(k)会趋近于λ1的特征向量。
这些知识点在数值线性代数中非常重要，特别是在求解大型线性系统、稳定性分析、控制系统理论和数据处理等领域。掌握这些理论和方法，能帮助我们更有效地计算和理解矩阵的性质。
VIP享7折，此内容立减5.97元 
