【A的伴随矩阵的特征值怎么求】在矩阵理论中，伴随矩阵（Adjugate Matrix）是一个非常重要的概念，尤其在求解逆矩阵、行列式以及特征值等问题中具有广泛应用。本文将对“如何求一个矩阵 A 的伴随矩阵的特征值”进行总结，并通过表格形式清晰展示关键点。
一、核心概念回顾
1. 伴随矩阵定义
设 $ A $ 是一个 $ n \times n $ 的方阵，则其伴随矩阵 $ \text{adj}(A) $ 是由 $ A $ 的代数余子式构成的转置矩阵，即：
$$
\text{adj}(A) = [C_{ij}]^T
$$
其中 $ C_{ij} $ 是 $ A $ 中元素 $ a_{ij} $ 的代数余子式。
2. 伴随矩阵与逆矩阵的关系
若 $ A $ 可逆，则有：
$$
A^{-1} = \frac{1}{\det(A)} \cdot \text{adj}(A)
$$
3. 特征值定义
对于矩阵 $ A $，若存在非零向量 $ \mathbf{v} $ 和标量 $ \lambda $，使得：
$$
A\mathbf{v} = \lambda \mathbf{v}
$$
则称 $ \lambda $ 为 $ A $ 的一个特征值。
二、伴随矩阵的特征值求法总结
| 步骤 | 内容说明 |
| 1 | 明确原矩阵 A 的特征值 首先求出矩阵 $ A $ 的所有特征值 $ \lambda_1, \lambda_2, ..., \lambda_n $。这可以通过解特征方程 $ \det(A - \lambda I) = 0 $ 得到。 |
伴随矩阵 $ \text{adj}(A) $ 与原矩阵 $ A $ 之间存在如下关系：
$$
\text{adj}(A) = \det(A) \cdot A^{-1} \quad \text{（当 } A \text{ 可逆时）}
$$
因此，如果 $ A $ 可逆，那么 $ \text{adj}(A) $ 的特征值可以由 $ A^{-1} $ 的特征值乘以 $ \det(A) $ 得到。
| 3 | 处理不可逆的情况 如果 $ A $ 不可逆，即 $ \det(A) = 0 $，则 $ \text{adj}(A) $ 通常也为奇异矩阵，此时需要直接计算 $ \text{adj}(A) $ 的特征值，可通过求解特征方程 $ \det(\text{adj}(A) - \lambda I) = 0 $。 |
| 4 | 特殊性质利用 对于一些特殊矩阵（如对角矩阵、三角矩阵等），可以直接利用其结构简化伴随矩阵的构造和特征值的计算。 |
三、举例说明
设 $ A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix} $，求其伴随矩阵的特征值。
1. 计算 $ \det(A) $
$$
\det(A) = (1)(4) - (2)(3) = 4 - 6 = -2
$$
2. 求 $ A^{-1} $
$$
A^{-1} = \frac{1}{-2} \cdot \begin{bmatrix} 4 & -2 \\ -3 & 1 \end{bmatrix} = \begin{bmatrix} -2 & 1 \\ 1.5 & -0.5 \end{bmatrix}
$$
3. 求 $ \text{adj}(A) $
$$
\text{adj}(A) = \det(A) \cdot A^{-1} = (-2) \cdot \begin{bmatrix} -2 & 1 \\ 1.5 & -0.5 \end{bmatrix} = \begin{bmatrix} 4 & -2 \\ -3 & 1 \end{bmatrix}
$$
4. 求 $ \text{adj}(A) $ 的特征值
解方程 $ \det(\text{adj}(A) - \lambda I) = 0 $：
$$
\det\left( \begin{bmatrix} 4 - \lambda & -2 \\ -3 & 1 - \lambda \end{bmatrix} \right) = (4 - \lambda)(1 - \lambda) + 6 = 0
$$
化简得：
$$
\lambda^2 - 5\lambda + 10 = 0
$$
解得：
$$
\lambda = \frac{5 \pm \sqrt{-15}}{2}
$$
四、小结
| 项目 | 内容 |
| 基本思路 | 通过原矩阵 A 的特征值或伴随矩阵的构造来推导伴随矩阵的特征值 |
| 关键公式 | $ \text{adj}(A) = \det(A) \cdot A^{-1} $（当 A 可逆时） |
| 特殊情况 | 当 A 不可逆时，需直接计算伴随矩阵的特征值 |
| 实际应用 | 在求解矩阵逆、行列式、特征方程等问题中有重要作用 |
结论：伴随矩阵的特征值可以通过原矩阵的特征值、行列式以及逆矩阵等信息进行推导，具体方法取决于矩阵是否可逆。在实际操作中，结合矩阵的结构特性可以显著提高计算效率。