特征值和特征向量是矩阵理论的核心概念，对于理解和应用矩阵有着至关重要的作用。在高等代数中，矩阵理论不仅构成了基础理论的一部分，还在诸多领域如代数结构理论、泛函分析、微分方程、概率统计、最优化、运筹学、计算数学、控制论和系统理论等有广泛应用。特征值和特征向量的概念能够揭示矩阵的本质属性，并且在解决实际问题时提供简化的计算方法。
特征值是矩阵A的标量λ，使得存在非零向量x满足矩阵与向量的乘积等于λ倍的向量，即Ax=λx。这个向量x称为A的特征向量，对应的λ称为特征值。特征向量和特征值可以通过求解矩阵A与单位矩阵的差的特征多项式来获得，特征多项式是一个关于λ的多项式。
矩阵的迹是矩阵对角元素的和，记为tr(A)，在矩阵的特征值问题中也有重要作用。对于n阶矩阵A，其迹tr(A)等于A的所有特征值的和。
矩阵乘法AB只有在满足维度兼容性时才能进行，即当A是m×n矩阵，B是n×s矩阵时，AB是一个m×s矩阵。如果矩阵A可逆，那么存在另一个矩阵B，使得AB=BA=E（单位矩阵），我们称B为A的逆矩阵，记作B=A^-1。可逆矩阵的性质表明，如果A和B都是可逆的，那么AB和BA也都是可逆的，且(AB)^-1=B^-1A^-1。
线性变换是数域P上线性空间V上的一个映射，它保持向量的加法和数乘运算的性质不变。线性变换可以通过基向量在变换下的表示来描述，这个表示就是线性变换的矩阵。在固定基底下，线性变换与它的矩阵之间存在一一对应关系。
对于对称矩阵，即满足A=A^T的矩阵，其特征值的性质更为特殊。命题1指出，两个对称矩阵A和B的乘积AB与BA有相同的特征值，这是因为对称矩阵乘积的特征值等于它们各自特征值的乘积，而交换AB和BA并不改变这个乘积。
对于可逆矩阵，如果A和B都是n阶可逆矩阵，那么AB和BA的特征值相同。命题2和3通过不同的证明方法展示了这一点。例如，如果x是AB的特征向量，对应特征值λ，那么Bx是BA的特征向量，同样对应特征值λ，这是因为可逆矩阵B可以将特征关系从AB转换到BA。
理解矩阵的特征值和特征向量对于深入学习和应用矩阵理论至关重要。它们在理论研究和工程实践中都有广泛的应用，例如在系统分析、数据处理、控制理论和数值计算等领域。矩阵乘积AB和BA的特征值特性为解决实际问题提供了有效的计算策略，尤其是在处理大型矩阵时，这种分解方法可以显著减少计算复杂度。
VIP享7折，此内容立减5.97元 
