矩阵相似的意义和解释

两个n阶矩阵（方阵）相似，具有什么意义呢？
矩阵可以表示线性变换，基于此，来解释一下：

引子

{a1,…,an}, {b1,…,bn} 是n维向量空间的两组基，把bi用{a1,…,an}表示：

$$b_i=P_{1i}a_1+\cdots+P_{ni}a_n=(a_1,\cdots,a_n)\begin{pmatrix}P_{1i}\\\vdots \\P_{ni}\end{pmatrix}_{Pi}$$
即 bi 在{a1,…,an}下的坐标为Pi.
则{b1,…,bn}可以由{a1,…,an}线性表出：(b1,…,bn) = (a1,…,an)(P1,…,Pn) = (a1,…,an) P
P 叫做基变更矩阵。

1. 设一个向量在{b1,…,bn}坐标系下的坐标是v，又因为(b1,…,bn)v = (a1,…,an) Pv，所以
   Pv代表这个向量在{a1,…,an}坐标系下的坐标。
   举例来说，b1在{b1,…,bn}坐标系下的坐标是(1,…,0)^T，（^T表示转置，因为这里用的是列向量）
   P(1,…,0)^T = P1，即b1在{a1,…,an}下的坐标。

2. 在另一方面，(1,…,0)^T 也可以看作是a1在{a1,…,an}坐标系下的坐标，
   P(1,…,0)^T 计算向量a1 经过{a1,…,an}坐标系下的变换矩阵P 变换后的向量的坐标：P(1,…,0)^T = P1，
   即在{a1,…,an}坐标系下 向量b1的坐标。所以
   P 也是 从{a1,…,an}到{b1,…,bn}的线性变换 在{a1,…,an}坐标系下的表示矩阵。

---

同一个线性变换在不同坐标系的表示矩阵是相似矩阵

该n维向量空间上的线性变换 L :
L(a+b) = L(a) + L(b)
L(ka) = k L(a)

---

Similarly, [ L(a1),…,L(an) ] 可由{a1,…,an}线性表出：[ L(a1),…,L(an) ]=(a1,…,an) A
其中，
$${\sf L}(a_i)=A_{1i}a_1+\cdots+A_{ni}a_n=(a_1,\cdots,a_n)\begin{pmatrix}A_{1i}\\\vdots \\A_{ni}\end{pmatrix}_{Ai}$$
即 L(ai) 在{a1,…,an}下的坐标为 Ai

---

A即是线性变换 L 在基底{a1,…,an}下的矩阵表示。Why？请看 这里。
同理，[ L(b1),…,L(bn) ]=(b1,…,bn) B， B是线性变换 L 在基底{b1,…,bn}下的矩阵表示。
这样，A 和 B 是同一个线性变换 在不同基下的 表示矩阵。
下面证明 A 和 B 是相似矩阵。

---

假设 {a1,…,an}, {b1,…,bn} 是n维向量空间的两组基，bi 在{a1,…,an}下的坐标为Pi,
则{b1,…,bn}可以由{a1,…,an}线性表出：(b1,…,bn) = (a1,…,an)(P1,…,Pn) = (a1,…,an) P.

L 是该向量空间内的线性变换，[ L(a1),…,L(an) ]=(a1,…,an) A，[ L(b1),…,L(bn) ]=(b1,…,bn) B

$$\begin{array}{l} {\phantom{\Rightarrow} b_i=(a_1\cdots a_n)\begin{pmatrix}P_{1i}\\ \vdots \\P_{ni}\end{pmatrix}}\\ \Rightarrow {L(b_i)=[ L(a_1)\cdots L(a_n) ]\begin{pmatrix}P_{1i}\\ \vdots \\P_{ni}\end{pmatrix} }\\ \Rightarrow {[ L(b_1) \cdots L(b_n) ] = [ L(a_1) \cdots L(a_n) ]\; P }\\ \Rightarrow {(b_1\cdots b_n)B=(a_1\cdots a_n)AP}\\ \Rightarrow {(a_1\cdots a_n)PB=(a_1\cdots a_n)AP}\\ \Rightarrow {PB=AP} \\ \Rightarrow {B=P^{-1}AP} \end{array}$$

---

相似矩阵是某个线性变换在不同坐标系的表示矩阵

Matrices A and B are similar.
$\Leftrightarrow B=P^{-1}AP$
$\Leftrightarrow PB=AP, \quad P\; is \; invertible$

{a1,…,an} is a (ordered) basis. Let (b1,…,bn) = (a1,…,an) P, so {b1,…,bn} is a basis too.

(a1,…,an)A = (a1,…,an)(A1,…,An) = [ (a1,…,an)A1 … (a1,…,an)An ],
If we consider (a1,…,an)Ai is L(ai), linear transformation of ai,
then A is a matrix represents a linear transform L under basis {a1,…,an}

(b1,…,bn)B = (b1,…,bn)(B1,…,Bn)=[ (b1,…,bn)B1 … (b1,…,bn)Bn ]
If we consider that (b1,…,bn)Bi is K(bi), linear transformation of bi,
then B is a matrix represents a linear transform K under basis {b1,…,bn}

$\phantom{\Rightarrow} PB=AP$
$\Rightarrow (a_1\cdots a_n)PB=(a_1\cdots a_n)AP$
$\Rightarrow (b_1\cdots b_n)B=(a_1\cdots a_n)AP$
$\Rightarrow [ K(b_1)\cdots K(b_n) ]=[ L(a_1)\cdots L(a_n) ]P$

$\phantom{\Leftrightarrow}(b_1\cdots b_n) = (a_1\cdots a_n) P$
$\Rightarrow[L(b_1)\cdots L(b_n)] = [L(a_1)\cdots L(a_n)] P$

Because a linear transform is fully determined by one chosen basis and {b1,…,bn} is a basis,
therefore K=L.

Conclusion

A是线性变换 L 在基底{a1,…,an}下的表示矩阵
B是线性变换 L 在基底{b1,…,bn}下的表示矩阵
P是 从{a1,…,an}到{b1,…,bn}的线性变换 在{a1,…,an}坐标系下的表示矩阵

当且仅当$B=P^{-1}AP$