【特征多项式的推导】在线性代数中，特征多项式是一个重要的概念，它用于研究矩阵的特征值和特征向量。通过特征多项式的求解，我们可以了解矩阵的某些关键性质，如行列式、迹以及是否可对角化等。以下是对特征多项式推导过程的总结。
一、特征多项式的定义
对于一个 $ n \times n $ 的方阵 $ A $，其特征多项式是关于变量 $ \lambda $ 的多项式，形式为：
$$
p(\lambda) = \det(A - \lambda I)
$$
其中 $ I $ 是单位矩阵，$ \det $ 表示行列式。
二、推导过程
1. 构造矩阵 $ A - \lambda I $
将矩阵 $ A $ 中的每个对角元素减去 $ \lambda $，得到一个新的矩阵 $ A - \lambda I $。
2. 计算行列式
对矩阵 $ A - \lambda I $ 计算其行列式，即：
$$
p(\lambda) = \det(A - \lambda I)
$$
3. 展开行列式
通过行列式的展开公式（如余子式展开），将行列式表示为关于 $ \lambda $ 的多项式形式。
4. 整理多项式
将各项按照 $ \lambda $ 的降幂排列，最终得到一个标准的多项式表达式。
三、特征多项式的结构
特征多项式的一般形式为：
$$
p(\lambda) = (-1)^n \lambda^n + a_{n-1} \lambda^{n-1} + \cdots + a_1 \lambda + a_0
$$
其中：
- $ (-1)^n \lambda^n $ 是最高次项；
- $ a_{n-1} $ 是矩阵 $ A $ 的迹（trace）的负数；
- $ a_0 $ 是矩阵 $ A $ 的行列式的相反数。
四、特征多项式的性质
| 属性 | 说明 |
| 根 | 特征多项式的根即为矩阵的特征值 |
| 次数 | 与矩阵的阶数相同，为 $ n $ |
| 系数 | 与矩阵的迹和行列式有关 |
| 可逆性 | 若 $ \det(A) \neq 0 $，则 $ 0 $ 不是特征值 |
五、示例说明
假设矩阵 $ A = \begin{bmatrix} 2 & 1 \\ 0 & 3 \end{bmatrix} $，则：
$$
A - \lambda I = \begin{bmatrix} 2 - \lambda & 1 \\ 0 & 3 - \lambda \end{bmatrix}
$$
计算行列式：
$$
\det(A - \lambda I) = (2 - \lambda)(3 - \lambda) - 0 = (2 - \lambda)(3 - \lambda)
$$
展开后得：
$$
p(\lambda) = \lambda^2 - 5\lambda + 6
$$
该多项式的根为 $ \lambda = 2 $ 和 $ \lambda = 3 $，即矩阵的特征值。
六、总结
特征多项式的推导是理解矩阵性质的重要工具。通过构造 $ A - \lambda I $ 并计算其行列式，可以得到一个关于 $ \lambda $ 的多项式，进而求出矩阵的特征值。特征多项式不仅在理论分析中有重要意义，在工程、物理等领域也有广泛应用。
表格：特征多项式推导要点总结
| 步骤 | 内容 |
| 定义 | $ p(\lambda) = \det(A - \lambda I) $ |
| 构造矩阵 | 将 $ A $ 的对角线元素减去 $ \lambda $ |
| 计算行列式 | 得到关于 $ \lambda $ 的多项式 |
| 展开与整理 | 按照 $ \lambda $ 的次数排序 |
| 性质 | 根为特征值，系数与迹和行列式相关 |
| 示例 | 举例说明推导过程及结果 |
通过以上推导和总结，可以更清晰地理解特征多项式的形成及其在矩阵分析中的作用。