线代（第六版） -- 相似矩阵及二次型

--y--

于 2023-06-14 19:34:16 发布

阅读量593

点赞数

文章标签：学习线性代数

本文链接：https://blog.csdn.net/2201_75368933/article/details/131152955

版权

向量的内积、长度及正交性

内积：

$x=\begin{pmatrix} x_{1}\\ x_{2}\\ ...\\ x_{n}\end{pmatrix}$ , $y=\begin{pmatrix} y_{1}\\ y_{2}\\ ...\\ y_{n}\end{pmatrix}$

令 $[x,y]=x_{1}y_{1}+x_{2}y_{2}+...+x_{n}y_{n}$

则 $[x,y]$ 称为向量 $x$ 与 $y$ 的内积，就类似于 $< x,y>$

内积是两个向量之间的一种运算，结果是实数

当 $x$ 与 $y$ 都是行向量/列向量的时候，要转置(符合矩阵运算规则，前一列数=后一行数)

$[x,y]=x^{T}y$

性质：

$[x,y]=[y,x]$

$[\lambda x,y]=\lambda [x,y]$

$[x+y,z]=[x,z]+[y,z]$

当 $x=0$ 时， $[x,x]=0$ ；当 $x\neq 0$ 时， $[x,x]>0$

施瓦茨不等式：

$[x,y]^{2}\leq [x,x][y,y]$

$n$ 维向量的长度（或范数）： $\left \| x \right \|=\sqrt{[x,x]}=\sqrt{x_{1}^{2}+x_{2}^{2}+...+x_{n}^{2}}$

非负性：当 $x\neq 0$ 时， $\left \| x \right \|>0$ ；当 $x=0$ 时， $\left \| x \right \|=0$

当 $\left \| x \right \|=1$ ,称 $x$ 为单位向量。

单位化：若 $a\neq 0$ ,取 $x=\frac{a}{\left \| a \right \|}$ ,则 $x$ 是一个单位向量

由施瓦茨不等式，有 $-1\leq \frac{\left [ x,y \right ]}{\left \| x \right \| \left \| y \right \|}\leq 1\;,\; \left \| x \right \| \left \| y \right \|\neq 0$

$n$ 维向量的夹角， $x\neq 0,y\neq 0$ ,有 $\theta =\arccos \frac{\left | x,y \right |}{\left \| x \right \| \left \| y \right \|}$

当 $\left [ x,y \right ]=0$ ，称向量 $x$ 与 $y$ 正交；若 $x=0$ ，则 $x$ 与任何向量都正交

正交向量组：指一组两两相交的非零向量(任意拿两个向量出来都是正交的)

若 $n$ 维向量 $a_{1},a_{2},...,a_{r}$ 是一组两两相交的非零向量，则 $a_{1},a_{2},...,a_{r}$ 线性无关

标准正交基：设 $n$ 维向量 $e_{1},e_{2},...,e_{r}$ 是向量空间 $V$ 的一个基，两两相交，且都是单位向量

施密特正交化：

正交矩阵(正交阵)：若 $n$ 阶矩阵 $A$ 满足， $A^{T}A=E$ （即 $A^{-1}=A^{T}$ ）

方阵 $A$ 为正交矩阵的充分必要条件是 $A$ 的列(行)向量都是单位向量，且两两相交

若 $A$ 为正交矩阵，则 $A^{-1}=A^{T}$ 也是正交矩阵，且 $\left | A \right |=1$ (或 $-1$ ）

若 $A$ 和 $B$ 都是正交矩阵，则 $AB$ 也是正交矩阵
若 $P$ 为正交矩阵，则线性变化 $y=Px$ 称为正交变换

$\left \| y \right \|=\sqrt{y^{T}y}=\sqrt{x^{T}P^{T}Px}=\sqrt{x^{T}x}=\left \| x \right \|$

正交变换保持向量长度不变

方阵的特征值与特征向量

设 $A$ 是 $n$ 阶矩阵，如果数 $\lambda$ 和 $n$ 维非零向量 $x$ 使关系式 $Ax=\lambda x$ 成立， $\lambda$ 特征值， $x$ 特征向量

特征方程： $\left | A-\lambda E \right |=0$

特征多项式： $f(\lambda )=\left | A-\lambda E \right |$

特征方程解的个数为方程的次数(重根也要算进去)

设 $n$ 阶矩阵 $A=(a_{ij})$ 的特征值为 $\lambda _{1},\lambda _{2},...,\lambda _{n}$

$\lambda _{1}+\lambda _{2}+...+\lambda _{n}=a_{11}+a_{22}+...+a_{nn}$

$\lambda _{1}\lambda _{2}\cdots \lambda _{n}=\left | A \right |$ ， $A$ 为可逆矩阵的充分必要条件是特征值不全为0

若 $\lambda$ 是 $A$ 的特征值，则 $\lambda ^{k}$ 是 $A^{k}$ 的特征值；

$\varphi (\lambda )$ 是 $\varphi (A)$ 的特征值， $\varphi (\lambda )=a_{0}+a_{1}\lambda +...+a_{m}\lambda ^{m}$

$\varphi (A)=a_{0}E+a_{0}A+...+a_{m}A^{m}$

设 $\lambda _{1},\lambda _{2},..,\lambda _{m}$ 是方阵 $A$ 的 $m$ 个特征值， $P_{1},P_{2},...P_{m}$ 依次是与之对应的特征向量，如果 $\lambda _{1},\lambda _{2},..,\lambda _{m}$ 各不相等，则 $P_{1},P_{2},...P_{m}$ 线性无关

设 $\lambda _{1}$ 和 $\lambda _{2}$ 是方阵 $A$ 的两个不同特征值， $\xi _{1},\xi_{2},...,\xi_{s}$ 和 $\eta _{1},\eta_{2},...,\eta_{l}$ 分别对应于 $\lambda _{1}$ 和 $\lambda _{2}$ 的线性无关的特征向量 $\xi _{1},\xi_{2},...,\xi_{s},\eta _{1},\eta_{2},...,\eta_{l}$ 线性无关（其实是对应重根的）

相似向量

设 $A,B$ 都是 $n$ 阶矩阵，若有可逆矩阵 $P$ ，使 $P^{-1}AP=B$ ,则矩阵 $A$ 与 $B$ 相似

若 $n$ 阶矩阵 $A$ 与 $B$ 相似，则 $A$ 与 $B$ 的特征值相同

要是与对角矩阵相似，特征值就是对角矩阵的元素了

$n$ 阶矩阵 $A$ 与对角矩阵相似(即 $A$ 能对角化)的充分必要条件是 $A$ 有 $n$ 个线性无关的特征向量

如果 $n$ 阶矩阵 $A$ 的 $n$ 个特征值互不相等，则 $A$ 与对角矩阵相似

对称矩阵的对角化

性质：对称矩阵的特征值为实数

若 $\lambda _{1},\lambda _{2}$ 是对称矩阵 $A$ 的两个特征值, $P_{1},P_{2}$ 是对应的特征向量,若 $\lambda _{1}\neq \lambda _{2}$ ，则 $P_{1}$ 与 $P_{2}$ 正交

设 $A$ 为 $n$ 阶对称矩阵，则必有正交矩阵 $P$ ，使 $P^{-1}AP=P^{T}AP=\Lambda$ ,其中 $\Lambda$ 是以 $A$ 的 $n$ 个特征值为对角元的对角矩阵

设 $A$ 为 $n$ 阶对称矩阵， $\lambda$ 是 $A$ 的特征方程的 $k$ 重根，则矩阵 $A-\lambda E$ 的秩 $R(A-\lambda E)=n-k$ ,从而对应特征值 $\lambda$ 恰有 $k$ 个线性无关的特征向量

二次型及标准型

二次型：含有 $n$ 个变量 $x_{1},x_{2},...,x_{n}$ 的二次齐次函数

$f(x_{1},x_{2},...,x_{n})=a_{11}{x_{1}}^{2}+a_{22}{x_{2}}^{2}+\cdots +a_{nn}{x_{n}}^{2}+2a_{12}x_{1}x_{2}+2a_{13}x_{1}x_{3}+\cdots +2a_{n-1,n}x_{n-1}x_{n}$

标准型(或法式)：二次型只含平方项

$f=k_{1}{y_{1}}^{2}+k_{2}{y_{2}}^{2}+\cdots +k_{n}{y_{n}}^{2}$

二次型可用矩阵 $f=x^{T}Ax$ 表示，其中 $A$ 为对称矩阵，称为二次型 $f$ 的矩阵， $f$ 称为对称矩阵 $A$ 的二次型，对称矩阵 $A$ 的秩称为二次型 $f$ 的秩

合同：设 $A$ 和 $B$ 是 $n$ 阶矩阵，若有可逆矩阵 $C$ ，使 $B=C^{T}AC$ ，则称矩阵 $A$ 与 $B$ 合同

相似的矩阵一定是合同的，合同的矩阵不一定是相似的

若 $A$ 为对称矩阵，则 $B=C^{T}AC$ 也为对称矩阵，且 $R(B)=R(A)$

任给二次型 $f=\sum_{ij=1}^{n}a_{ij}x_{i}x_{j}(a_{ij}=a_{ji})$ ，总有正交变换 $x=Py$ ，使 $f$ 化为标准型 $f=\lambda _{1}{y_{1}}^{2}+\lambda _{2}{y_{2}}^{2}+\cdots +\lambda _{n}{y_{n}}^{2}$ ，其中 $\lambda _{1},\lambda _{2},\cdots \lambda _{n}$ 是矩阵 $A=(a_{ij})$ 的特征值

正定二次型

惯性定理：设二次型 $f=x^{T}Ax$ 的秩为 $r$ ,且有两个可逆变换 $x=Cy$ 及 $x=Pz$ 使 $f=k_{1}{y_{1}}^{2}+k_{2}{y_{2}}^{2}+\cdots +k_{r}{y_{r}}^{2}(k_{i}\neq 0)$

及 $f=\lambda _{1}{z_{1}}^{2}+\lambda _{2}{z_{2}}^{2}+\cdots +\lambda _{r}{z_{r}}^{2}(z_{i}\neq 0)$

则 $k_{1},\cdots ,k_{r}$ 中正数的个数与 $\lambda _{1},\cdots \lambda _{r}$ 中正数的个数相等

正惯性系数：二次型的标准形中正系数的个数

负惯性系数：二次型的标准形中负系数的个数

设二次型 $f(x)=x^{T}Ax$ ,

正定二次型：对任何 $x\neq 0$ ,都有 $f(x)> 0$ ,并称对称矩阵 $A$ 使正定的

负定二次型：对任何 $x\neq 0$ ,都有 $f(x)< 0$ ,并称对称矩阵 $A$ 使负定的

$n$ 阶二次型 $f=x^{T}Ax$ 为正定的充分必要条件使：他的标准形的 $n$ 个系数全为正，即它的规范形的 $n$ 个系数全为1，亦即它的正惯性指数等于 $n$

对称矩阵 $A$ 为正定的充分必要条件使： $A$ 的特征值全为正

赫尔维茨定理：

对称矩阵 $A$ 为正定的充分必要条件使： $A$ 的各阶主子式都为正

$a_{11}>0\; ,\; \begin{vmatrix} a_{11} &a_{12} \\ a_{21}& a_{22} \end{vmatrix}>0\; ,\; \cdots \; ,\; \begin{vmatrix} a_{11} &\cdots & a_{1n}\\ \vdots & & \vdots \\ a_{n1}& \cdots & a_{nn} \end{vmatrix}>0$

对称矩阵 $A$ 为负定的充分必要条件使：奇数阶主子式为负，而偶数主子式为正

$(-1)^{r}\begin{vmatrix} a_{11} &\cdots & a_{1r}\\ \vdots & & \vdots \\ a_{r1}& \cdots & a_{nn} \end{vmatrix}>0\; (r=1,2,\cdots ,n)$

--y--

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
线代（第六版） -- 相似矩阵及二次型

内积：令则称为向量与的内积，就类似于内积是两个向量之间的一种运算，结果是实数当与都是行向量/列向量的时候，要转置(符合矩阵运算规则，前一列数=后一行数)性质：当时，；当时，施瓦茨不等式：维向量的长度（或范数）：非负性：当时，；当时，齐次性：当,称为单位向量。单位化：若,取,则是一个单位向量由施瓦茨不等式，有维向量的夹角，,有当，称向量与正交；若，则与任何向量都正交。
复制链接

扫一扫