线性代数基础知识点复习

1. Determinant

逆序数与行列式计算

$$\left|A_{n\times n}\right|=\sum _{1,2,\cdots ,n}(-1{)}^{\tau (j_1{j}_2\cdots j_n)}{a}_{1j_1}{a}_{1j_2}\cdots a_{1j_n}$$

范德蒙行列式

$$\left|\begin{array}{llll}1& 1& \cdots & 1\\ x_1& x_2& \cdots & x_n\\ x_1^2& x_2^2& \cdots & x_n^2\\ ⋮& ⋮& & ⋮\\ x_1^{n-1}& x_2^{n-1}& \cdots & x_n^{n-1}\end{array}\right|=\prod _{1⩽i<j⩽n}(x_j-x_i)$$

爪形行列式

$$D_{n+1}=\left|\begin{array}{llllc}{a}_0& b_1& b_2& \cdots & b_n\\ c_1& a_1& & & \\ c_2& & a_2& & \\ ⋮& & & \ddots & \\ c_n& & & & a_n\end{array}\right|=(a_0-\sum _{i=1}^n\frac{b_i{c}_i}{a_i})a_1{a}_2\cdots a_n(n⩾1)$$

三对角行列式

$$\begin{gathered} D_n=\left|\begin{array}{ccccc}a& b& & & \\ c& a& b& & \\ & c& a& \ddots & \\ & & \ddots & \ddots & b\\ & & & c& a\end{array}\right|=a{D}_{n-1}-bc{D}_{n-2}(n>2) \\ \Downarrow \\ {x}^2-ax+bc=0 \\ {D}_n=\{\begin{array}{c}\frac{x_2^{n+1}-x_1^{n+1}}{x_2-x_1},x_1\ne x2\\ (n+1)x_1^{n+1},x_1=x_2\end{array} \end{gathered}$$

2. matrix

2.1 concepts

• 同型矩阵&相等矩阵
• 特殊矩阵
  • 转置矩阵
  • 单位矩阵 $$I或E$$
  • 对角矩阵 主对角线以外的元素都为0，记为 $diag(a_1,a_2,\cdots ,a_n)$
  • $$\{\begin{array}{l}\text{对称矩阵}\Leftarrow A^T=A\\ \text{反对称矩阵}\Leftarrow A^T=-A\end{array}$$
  • 正交矩阵$$\Leftarrow A{A}^T=A^{T}A=I$$ (各列向量为单位向量且两两正交，一定可以对角化)
  • 幂等矩阵$$\Leftarrow A^2=A$$
  • 伴随矩阵$$\Leftarrow A^{\ast }=\left[\begin{array}{cccc}{A}_{11}& A_{21}& \cdots & A_{n1}\\ A_{12}& A_{22}& \cdots & A_{n2}\\ ⋮& ⋮& & ⋮\\ A_{1n}& A_{2n}& \cdots & A_{nn}\end{array}\right]$$ , 即每一项取代数余子式再整体转置

2.2 operations

• 加减

• 数乘

• 矩阵乘法

  • $$A_{m\times s}{B}_{s\times n}$$
  • 不一定满足交换律
    满足交换律的情况

• 转置矩阵性质

  • $$\begin{gathered} (AB{)}^T=B^T{A}^T \\ (A_1{A}_2\cdots A_n{)}^T=A_n^T{A}_{n-1}^T\cdots A_1^T \end{gathered}$$
  • $$(A^{-1}{)}^T=(A^T{)}^{-1}$$
  • $$(A^{\ast }{)}^T=(A^T{)}^{\ast }$$

• 方阵的行列式 $$|A|or\det (A)$$

  • $$|kA|=k^n|A|$$
  • $$|A_{n\times n}{B}_{n\times n}|=|A||B|$$

2.3 inverse matrix

• $$A^{-1}=\frac{A^{\ast }}{|A|}$$
• $$(AB{)}^{-1}=B^{-1}{A}^{-1}$$
• $$A^{\ast }=|A|A^{-1}$$
• $$A{A}^{\ast }=A^{\ast }A=|A|E$$

2.4 adjoint matrix

• $$|A^{\ast }|=|A{|}^{n-1}$$
• $$(kA{)}^{\ast }=k^{n-1}{A}^{\ast }$$
• $$(A^T{)}^{\ast }=(A^{\ast }{)}^T$$
• $$(A^{\ast }{)}^{\ast }=|A{|}^{n-2}A$$
• $$(A^{\ast }{)}^{-1}=(|A|A^{-1}{)}^{-1}=\frac{A}{|A|}$$
• $$(AB{)}^{\ast }=B^{\ast }{A}^{\ast }$$

2.5 elementary matrix

$$\begin{gathered} R_{ij}{R}_{i(k)}{R}_{i+j(k)} \\ {C}_{ij}{C}_{i(k)}{C}_{i+j(k)} \end{gathered}$$

2.6 rank of matrix

• $$r(A)=r(A^T)=r(A{A}^T)$$
• $$r(A\pm B)⩽r(A)+r(B)$$
• r ( A ) + r ( B ) − n ⩽ r ( A B ) ⩽ m i n { r ( A ) ,    r ( B ) } r(A)+r(B)-n\leqslant r(AB)\leqslant min\{r(A),\;r(B)\} r(A)+r(B)−n⩽r(AB)⩽min{r(A),r(B)}
• $$r(A^{\ast })=\{\begin{array}{l}n,r(A)=n,\\ 1,r(A)=n-1(n⩾2),\\ 0,r(A)<n-1(n⩾2).\end{array}$$
• $$r\left[\begin{array}{l}A\\ B\end{array}\right]⩽r(A)+r(B)r\left[\begin{array}{ll}A& O\\ O& B\end{array}\right]=r(A)+r(B)$$

3 vector

3.1 concept & opetations

concepts

$$\begin{gathered} [a_1,a_2,\cdots ,a_n{]}^T\Rightarrow n维列向量 \\ [a_1,a_2,\cdots ,a_n]\Rightarrow n维行向量 \\ |a|=\sqrt{a_1^2+a_2^2+\cdots +a_n^2} \end{gathered}$$

operations

• 加减法（略）

• 内积

  • $\alpha \beta =(\alpha ,\beta )=a_1{b}_1+a_2{b}_2+\cdots +a_n{b}_n$

  • 若$(\alpha ,\beta )=0$ ，则两向量正交

  • $\alpha \beta =\beta \alpha ={\alpha }^T\beta =\alpha {\beta }^T$

3.2 向量组的线性相关性和线性表示

线性相关的定义

$$\begin{gathered} k_1{\alpha }_1+k_2{\alpha }_2+\cdots +k_s{\alpha }_s为向量组{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s的线性组合 \\ 若存在一组不全为0的数x_1,x_2,\cdots ,x_s使x_1{\alpha }_1+x_2{\alpha }_2+\cdots +x_s{\alpha }_s=0, \\ 则称向量组{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s线性相关 \\ \Updownarrow \\ 齐次方程组[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s]=\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_s\end{array}\right]=0(Ax=0)有非零解 \\ \Updownarrow \\ r(A)<s \end{gathered}$$

线性相关的判别方法

$设有s个m维向量{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s,构造矩阵A=[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s{]}_{m\times s}$

• s = m , 求行列式，满秩则无关，否则相关
• s > m , 必线性相关
• s < m , 变换为行阶梯型，求秩，若 r = s 则线性无关，否则相关

线性表示的定义

若存在一组数$x_1,x_2,\cdots ,x_s$，使得$\beta =x_1{\alpha }_1+x_2{\alpha }_2+\cdots +x_s{\alpha }_s$ 成立，则称 $\beta$ 可由 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 线性表示，或称 $\beta 是{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 的线性组合

$\Updownarrow$

$齐次方程组[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s]=\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_s\end{array}\right]=\beta (Ax=\beta )有解$

$\Updownarrow$

$r(A|\beta )=r(A)$

若不存在任何一组数$x_1,x_2,\cdots ,x_s$，使得$\beta =x_1{\alpha }_1+x_2{\alpha }_2+\cdots +x_s{\alpha }_s$ ，则称 $\beta$ 不可由 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 线性表示

$\Updownarrow$

$齐次方程组[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s]=\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_s\end{array}\right]=\beta (Ax=\beta )无解$

$\Updownarrow$

$r(A|\beta )=r(A)$

线性表示的重要结论

• 若 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 线性无关，但 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s,\beta$ 线性相关，则 $\beta$ 可由 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 线性表示
• 若 ${\beta }_1,{\beta }_2,\cdots ,{\beta }_s$ 可由 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_t$ 线性表示，且 s > t , 则 ${\beta }_1,{\beta }_2,\cdots ,{\beta }_s$ 线性相关
• 若 ${\beta }_1,{\beta }_2,\cdots ,{\beta }_s$ 可由 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_t$ 线性表示，且 ${\beta }_1,{\beta }_2,\cdots ,{\beta }_s$ 线性无关，则 t $\ge$ s

3.3 极大线性无关组

定义

若 ${\alpha }_{i_1},{\alpha }_{i_2},\cdots ,{\alpha }_{i_r},$ 满足 ：

1. 取自 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$
2. 线性无关
3. ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 中任何一个都可以由其线性表示

则称 ${\alpha }_{i_1},{\alpha }_{i_2},\cdots ,{\alpha }_{i_r}$ 是 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 的一个极大线性无关组

对任何一个向量组而言，r 是唯一的，称为向量组 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 的秩

求极大线性无关组的步骤

构造矩阵，作初等变换，化为行阶梯型矩阵，在每个台阶任取一列，即可得到极大线性无关组

3.4 等价向量组

定义

设有两个向量组：（1） ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ ；（2） ${\beta }_1,{\beta }_2,\cdots ,{\beta }_t$
若（1）中每个向量都可有（2）线性表示，则称向量组（1）可由向量组（2）线性表示

若向量组（1）、（2）可互相线性表示，则称向量组（1）和向量组（2）等价，记为（1）$\cong$（2）

即：
$$\begin{gathered} [{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s]=[{\beta }_1,{\beta }_2,\cdots ,{\beta }_t]K_{t\times s} \\ [{\beta }_1,{\beta }_2,\cdots ,{\beta }_t]=[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s]M_{s\times t} \end{gathered}$$

等价向量组的充要条件

若（1）（2）中向量的维数相同，则它们等价的充要条件是$r((1))=r((2))=r((1)|(2))$

性质

自反性、对称性、传递性

3.5 标准正交向量组

定义

${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 为标准正交向量组 $\iff ({\alpha }_i,{\alpha }_j)=\{\begin{array}{l}1,i=j,\\ 0,i\ne j\end{array}$

施密特正交化

即从一组线性无关的向量组中求出一组正交向量的方法

设 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$ 为欧氏空间 ${\mathbb{R}}^n$ 中的线性无关组，取：
$$\begin{gathered} {\beta }_1={\alpha }_1 \\ {\beta }_2={\alpha }_2-\frac{({\alpha }_2,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1 \\ ⋮ \\ {\beta }_k={\alpha }_k-\sum _{i=1}^{k-1}\frac{({\alpha }_k,{\beta }_i)}{({\beta }_i,{\beta }_i)}{\beta }_i(k=3,4,\cdots ,m), \end{gathered}$$
则 ${\beta }_1,{\beta }_2,\cdots ,{\beta }_m$ 为 ${\mathbb{R}}^n$ 中的正交向量组

3.6 向量空间

定义

设集合 V 非空，且 V $\subseteq$ Rⁿ, 若 $\alpha +\beta \in V,k\alpha \in V$ ，k为实数，则 V 为向量空间

空间的维与基数

设 V 是向量空间，若有向量组 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n\subseteq V$ ，且满足
① ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$ 线性无关
②$\forall \beta \in V,\beta$ 可由 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$ 线性表示
则 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$ 是向量空间 V 的基，且 V 的维数 $\dim V=n$
若 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$ 为n维向量空间 V 的标准正交向量组，则它为限量空间 V 的标准正交基

空间中向量的坐标

设 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$ 是向量空间 V 的基，任取向量 $\xi =[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n]\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right]$ 则 $x=[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n]$^T 是 $\xi$ 在基 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$ 下的坐标向量

过渡矩阵和坐标变换

设 ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$ 和 ${\beta }_1,{\beta }_2,\cdots ,{\beta }_n$ 是 n 维向量空间 V 的两组基，
若有 n 阶方阵 C 使 [ ${\beta }_1,{\beta }_2,\cdots ,{\beta }_n$ ] = $[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n]C$ ,
则 C 是由基 ${\alpha }_i$ 到基 ${\beta }_i$ 的过渡矩阵

求坐标：
$\alpha x=\beta y$
$\alpha x=\beta C^{-1}x$
$\Rightarrow y=C^{-1}x$

4 linear equations

4.1 齐次线性方程组

向量形式：$[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n]\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right]=0$ ，

矩阵形式：$A_{m\times n}x=0$

有解的条件

• r(A)=n (向量组线性无关) 则方程组只有零解
• r(A)=r<n (向量组线性相关) 方程组有非零解，且线性无关解的个数为 n-r

​ 特别地，若 A 为 n 阶方阵，则根据克拉默法则有：

• 齐次线性方程组 Ax=0 只有零解的充要条件为 |A|$\neq$0
• 齐次线性方程组 Ax=0 有非零解（或无数个解）的充要条件为 |A|=0

齐次线性方程组的解的性质

若 Ax₁ = 0, Ax₂=0, 则 A(k₁x₁+k₂x₂)=k₁Ax₁+k₂Ax₂=0
即齐次线性方程组的解的任意线性组合仍是方程组的解

齐次线性方程组的求解方法

高斯消元法：将系数矩阵 A 做初等行变换化为行阶梯型矩阵 B ，由于初等行变换不改变方程组的解，故 Ax=0 和 Bx=0 的解相同，只需解 Bx=0

将 B 的每行第一个非零元素所在列对应的未知数视为约束变量，其余变量为自由变量，令自由变量为任意常数，并用其表示约束变量，即可得到 Ax=0 的通解

齐次线性方程组的的基础解系和通解

• 基础解系：
  设 $x_1,x_2,\cdots ,x_{n-r}$ 是方程组 $Ax=0$ 的解，若满足 $x_1,x_2,\cdots ,x_{n-r}$ 线性无关，且方程组 $Ax=0$ 的任何一个解均可由 $x_1,x_2,\cdots ,x_{n-r}$ 线性表示，则称 $x_1,x_2,\cdots ,x_{n-r}$ 为 $Ax=0$ 的基础解系

• 通解：

  设 $x_1,x_2,\cdots ,x_{n-r}$ 是 $Ax=0$ 的基础解系，则 $k_1{x}_1,k_2{x}_2,\cdots ,k_{n-r}{x}_{n-r}$ 是方程组 $Ax=0$ 的通解，其中 $k_1,k_2,\cdots ,k_{n-r}$ 是任意常数（可全部取0）

齐次线性方程组的的解空间

记 S = { x ∣ A x = 0 } S=\{x|Ax=0\} S={x∣Ax=0} 表示齐次线性方程组 $Ax=0$ 的解的全体，且具有如下性质：

1. 两个解的和仍是解
2. 一个解的倍数仍是解

有 n 个未知量的齐次线性方程组 $Ax=0$ 的解向量集合 S 构成 ${\mathbb{R}}^n$ 的一个子空间，称 S 为齐次线性方程组 $Ax=0$ 的解空间

解空间也是向量空间的一种，也有基和维数，其维数为 $Ax=0$ 线性无关解的个数

4.2 非齐次线性方程组

向量形式：$[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n]\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right]=\mathbf{b}$ ，

矩阵形式：$A_{m\times n}x=\mathbf{b}$

矩阵 $[A|b],[A,b],\tilde{A}$ 为矩阵 A 的增广矩阵

非齐次线性方程组有解的条件

• 若 $r(A)\ne r(A|b)$ （b 不能由 $Ax=0$ 的解线性表示），则方程组无解
• 若 $r(A)=r(A|b)=n$ （ ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$ 线性无关， ${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n,b$ 线性相关），则方程组有唯一解
• 若 $r(A)=r(A|b)=r<n$ 则方程组有无穷个解

非齐次线性方程组解的性质

设 ${\xi }_1,{\xi }_2,\xi$ 为非齐次线性方程组 $Ax=b$ 的解，$x_0$ 为齐次线性方程组 $Ax=0$ 的解，则

1. ${\xi }_1-{\xi }_2$ 是 $Ax=0$ 的解
2. $k{x}_0+\xi$ 是 $Ax=0$ 的解（k为任意常数）

非齐次线性方程组的求解方法和通解结构

将增广矩阵 $[A|b]$ 做初等行变换化为行阶梯型矩阵，求出对应齐次线性方程组 $Ax=0$ 的通解，再加上一个 $Ax=b$ 的特解即非齐次线性方程组 $Ax=b$ 的通解

4.3 方程组解的理论延伸

• 若两个方程组 $A_{m\times n}x=0$ 和 $B_{s\times n}x=0$ 有完全相同的解，则称为同解方程组
  $\iff$ $A_{m\times n}x=0$ 的解满足 $B_{s\times n}x=0$ 且 $B_{s\times n}x=0$ 的解满足 $A_{m\times n}x=0$
  $\iff r(A)=r(B)$ ，且 $A_{m\times n}x=0$ 的解满足 $B_{s\times n}x=0$
  $\iff r(A)=r(B)=r\left(\begin{array}{c}A\\ B\end{array}\right)$

• 设 A 是 $m\times n$ 矩阵，B 是 $n\times s$ 型矩阵，若 AB = 0，则 B 的列向量组是方程组 $A_{m\times n}x=0$ 的一组解

5 similar matrix & quadratic form

5.1 eigenvector & eigenvalue

concepts

设 n 阶方阵 A 满足以下条件：存在数 $\lambda$（可为复数）和非零 n 维列向量 $x$ 使 $Ax=\lambda x$ 成立，则称 λ 是方阵 A 的特征值，$x$ 为方阵 A 对应特征值 λ 的特征向量

求法

由 $Ax=\lambda x$ 可得 $(\lambda E-A)x=0$, 因为该齐次方程组有非零解 $x$，即 $r(\lambda E-A)<n$，所以 $\det (\lambda E-A)=0$，记 $f(\lambda )=|\lambda E-A|$，则 $f(\lambda )$ 为 A 的特征多项式，它是关于 λ 的 n 次多项式

特征值就是 $f(\lambda )=0$ 的根，因此，n 阶方阵 A 在复数域上一共有 n 个特征值：$\lambda_1,\lambda_2,\cdots,\lambda_i $

再求特征值 ${\lambda }_i$ 对应的特征向量 $x_i$ ：由 $Ax={\lambda }_{i}x$ 可知 $({\lambda }_{i}E-A)x=0$ ，求出该齐次线性方程组的非零解即为特征向量 $x_i$ . 由齐次线性方程组有解的条件可知，方程组 $({\lambda }_{i}E-A)x=0$ 有 $n-r({\lambda }_{i}E-A)$ 个线性无关的非零解，记 $k_i=n-r({\lambda }_{i}E-A)$，则 $k_i$ 表示特征值 ${\lambda }_i$ 对应的线性无关的特征向量的个数，并称 $k_i$ 为特征值 ${\lambda }_i$ 的几何重数

性质

• $|A|=\prod _{i=1}^n{\lambda }_i\Rightarrow A的行列式等于所有特征值的积$
• $\mathbf{tr}(A)=\sum _{i=1}^n{a}_{ii}=\sum _{i=1}^n{\lambda }_i\Rightarrow A的迹等于所有特征值的和$
• 任何一个特征值对应的特征向量都是无穷个
• 不同特征值对应的特征向量线性无关
• 若 A 有 t 个相同的特征值 λ ，则称 λ 为 A 的应该 t 重特征值，并称 t 为特征值 λ 的代数重数.
  显然，所有特征值的代数重数和为 n
• 特征值 λ 的几何重数 k 小于等于 其代数重数 t ，即 $k⩽t$
• n 阶方阵最多有 n 个线性无关的特征向量
• 若 A 的所有特征值互异 / 每个特征值的几何重数等于代数重数，则 A 有 n 个线性无关的特征向量

特殊矩阵的特征值和特征向量

• 若 $Ax=\lambda x$ ，则：

  $A$	$aA+bE$	$A^k$	$f(A)$	$A^{-1}$	$A^{\ast }$	$P^{-1}AP$	$A^T$
  特征值	$a\lambda +b$	${\lambda }^K$	$f(\lambda )$	$\frac{1}{\lambda }$	$\frac{	A	}{\lambda}$
  特征向量	$x$	$x$	$x$	$x$	$x$	$P^{-1}x$	无关

• 若 $r(A)=1$，则 A 的一个特征值为 $\mathbf{tr}(A)$，其余特征值均为 0

• 若 A 的每一行的和均为 a，则 a 一定为其特征值，且 a 对应的特征向量为 $[1,1,\cdots ,1{]}^T$

• 若 $A=\left[\begin{array}{cccc}{A}_1& & & \\ & A_2& & \\ & & \ddots & \\ & & & A_s\end{array}\right]$，其中 $A_i$ 均为方阵，则 A 的特征值为所有 $A_i$ 的特征值的并集（若为上三角或下三角也对）

• 幂等矩阵 $A^2=A$ 的特征值只可能为 0 或 1

5.2 矩阵的相似对角化

矩阵相似

对于 n 阶矩阵 A，B，若存在 n 阶可逆矩阵 P 使 $P^{-1}AP=B$ ，则称 $A$ 和 $B$ 相似，记为 $A\sim B$

且此时有：

• A 与 B 等价，即 $r(A)=r(B)$
• A 与 B 的特征值相同 $\Rightarrow |A|=|B|and\mathbf{tr}(A)=\mathbf{tr}(B)$
• A 和 B 同一特征值对应的几何重数相等，即 $r(\lambda E-A)=r(\lambda E-B)$

本质：同一线性映射在不同基下的代数表达

相似对角化

若 A 相似于一个对角矩阵 $\Lambda =\left[\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right]$，则 ${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_n$一定是 $A$ 的特征值，称 A 可相似对角化，或简称为可对角化
此时，$P^{-1}AP=\Lambda$，且 $P=[x_1,x_2,\cdots ,x_n]$，其中 $x_i$ 为特征值 ${\lambda }_i$ 对应的特征向量

• $r(A)=r(\Lambda )$，若 A 的特征值中存在 k 个0，且 A 可相似对角化，则 $r(A)=n-k$
• 若 A 和 B 均为对角矩阵，且特征值相同，则 $A\sim B$

矩阵 A 可相似对角化 $⟺$ 有 n 个线性无关的特征向量

A 可对角化要求 A 的特征值 ${\lambda }_i$ 的代数重数 $t_i$ 等于几何重数 $k_i$.
特别的，若每个特征值均互异，则一定可相似对角化

5.3 实对称矩阵的对角化

设 A 为一个实对称矩阵，则 A 的特征向量具有以下性质：

• 不同特征值对应的特征向量正交（由于特征向量不为零向量，所以一定线性无关）

• 同一特征值的代数重数一定等于几何重数

因此，实对称矩阵 A 一定可以相似对角化

正交矩阵

设 A 为 n 阶方阵，若 $A^{T}A=E或A{A}^T=E$ 则称 A 为正交矩阵
显然，正交矩阵满足==$A^{-1}=A^T$==
|A|=1 或 -1

将 A 按列分块，即 $A=[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n]$，则 ${\alpha }_i^T{\alpha }_j=\{\begin{array}{l}1,i=j,\\ 0,i\ne j.\end{array}$

A 为正交矩阵 $⟺$ A 的列（行）向量组为 ${\mathbb{R}}^n$ 的一组标准正交基

对于一个实对称矩阵 A，有：
$$P^{-1}AP=\Lambda =\left[\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right]$$
将 P 矩阵列分块，$P=[x_1,x_2,\cdots ,x_n]$，则 $x_i$ 为特征值 ${\lambda }_i$ 对应的特征向量

通过施密特正交化方法和标准化，对于任意实对称矩阵 A，总可以找到正交矩阵 Q 使 $Q^{T}AQ=\Lambda$

5.4 二次型

定义

关于 n 个未知量 $x_1,x_2,\cdots ,x_n$ 的二次多项式

$$\begin{gathered} f(X)=f(x_1,x_2,\cdots ,x_n)=a_{11}{x}_1^2+a_{12}{x}_1{x}_2+\cdots +a_{1n}{x}_1{x}_n+ \\ {a}_{21}{x}_2{x}_1+a_{22}{x}_2^2+\cdots +a_{2n}{x}_2{x}_n+ \\ \cdots \\ {a}_{n1}{x}_n{x}_1+a_{n2}{x}_n{x}_2+\cdots +a_{nn}{x}_n^2 \\ =\sum _{i=1}^n\sum _{j=1}^n{a}_{ij}{x}_i{x}_j=\left[x_1,x_2,\cdots ,x_n\right]\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right]\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right]=X^{T}AX \end{gathered}$$

称为一个 n 元二次型，A 称为二次型的矩阵

一般把 A 写成一个对称矩阵，即 $a_{ij}=a_{ji}$ ，使系数平均分配

化二次型维标准型或规范型

通过适当的变量将 $f(X)$ 变换为 $a_1{y}_1^2+a_2{y}_2^2+\cdots +a_n{y}_n^2(a_i为实数)$ 的形式，则称这种二次型为标准形，

若进一步变形为 $z_i^2+\cdots +z_p^2-z_{p+1}^2-\cdots -z_{p+q}^2$ 的形式，则称为规范形，其中 p 是正惯性系数，q 是负惯性系数。显然，规范性是标准型的特殊情况

• 配方法
• 正交变换法

惯性定理：实二次型 $f(X)=X^{T}AX$ 经过可逆线性变换为标准形时，正负项的项数是唯一确定的，它们的和为矩阵 A 的秩，且正数项的个数为正惯性系数，负数项的个数为负惯性系数，正负惯性系数的差值称为符号差

5.5 矩阵的合同

若存在 n 阶可逆矩阵 P ，使得 $P^{T}AP=B$，则称 A 与 B 合同，记为 $A\simeq B$

合同矩阵一定等价

对于实对称矩阵，正惯性系数个数等于正特征值个数，负惯性系数等于负特征值个数，故符号差相同的同阶实对称矩阵一定合同

5.6 正定二次型和正定矩阵

定义

设 n 元实二次型 $f(x_1,x_2,\cdots ,x_n)=X^{T}AX$ ，若对于任何非零列向量 $x\in {\mathbb{R}}^n$，均满足 $x^{T}Ax>0$ ，则称 $f(x_1,x_2,\cdots ,x_n)$ 位正定二次型，同时称二次型矩阵 A 为正定矩阵
若 $x^{T}Ax⩾0$ ，则称 A 为半正定矩阵

必要条件

若 A 正定，则：

• $a_{ii}>0$
• $|A|>0$
• $A^T=A$

充要条件

$f正定$

$\iff A正定$

$\iff A^{-1}正定$

$\iff 所有特征值{\lambda }_i>0$

$\iff 正惯性系数p=n$

$\iff n个顺序主子式均大于0$

$\iff A合同于单位矩阵E$

$\iff 存在可逆矩阵P使得P^{T}AP=E$

负定矩阵

若对于任何非零列向量 $x\in {\mathbb{R}}^n$，均满足 $x^{T}Ax<0$，则对称矩阵 A 是负定矩阵

充要条件：

• 所有特征值小于0
• A 的偶数阶顺序主子式大于0，奇数阶顺序主子式小于0（正负相间）

​