矩阵的一些常用结论

项目github地址：bitcarmanlee easy-algorithm-interview-and-practice
欢迎大家star，留言，一起学习进步

矩阵有时候有一些常用的结论与性质，如果有一段时间不接触或者实际中没使用到，很容易就会遗忘。因此，特意做一个小小的总结，方便使用与查询。

1.矩阵$A$的全部特征值的集合通常被称为$A$的谱。
2.$|A|={\lambda }_1{\lambda }_2\cdots {\lambda }_n$，或者时候$A$的行列式为所有特征值的乘积。
3.${\sum }_{i=1}^n{a}_{ii}={\sum }_{i=1}^n{\lambda }_i$

矩阵$A$的主对角线上的所有元素和${\sum }_{i=1}^n{a}_{ii}$被称为矩阵的迹，记为$trA$。于是，上面的第3条又可以记为:

4.$trA={\sum }_{i=1}^n{\lambda }_i$
5.矩阵$A$与$A^T$有相同的谱。
6.如果$A$，$B$是两个n阶矩阵，若存在n阶可逆矩阵$P$，$P^{-1}AP=B$，则成$A$与$B$相似，记为$A\sim B$，$P$为$A$到$B$的相似变换矩阵。
7.如果$A\sim B$，则:
$$|\lambda I-B|=|\lambda I-P^{-1}AP|=|P^{-1}(\lambda I-A)P|=|\lambda I-A|$$
由上易知，如果$A\sim B$，则矩阵$A$，$B$有相同的谱。
8.n阶方阵$A$可以相似对角化的充要条件是$A$有n个线性无关的特征向量。

9.$A$为n阶方阵，$A$的特征多项式为:
$$det(\lambda I-A)=(\lambda -{\lambda }_1{)}^{m_1}(\lambda -{\lambda }_2{)}^{m_2}\cdots (\lambda -{\lambda }_s{)}^{m_s}$$
其中，$m_i$均为正整数，${\sum }_{i=1}^s=n$，${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_s$为$A$的不同特征值，$m_i$为特征值${\lambda }_i$的代数重数记为$p_i$。特征值${\lambda }_i$对应的全部特征向量正好是特征方程组$({\lambda }_{i}I-A)X=0$的全部非0解。因此，$A$属于特征值${\lambda }_i$的线性无关的特征向量最多有$n-r({\lambda }_{i}I-A)$个，这个数也就是特征方程组$({\lambda }_{i}I-A)X=0$的一组基础解系中所含有解向量的个数，即解空间的位数，被称为特征值${\lambda }_i$的几何重数，记为$q_i$。

10.设${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_s$为$A$的全部互异的特征值，$p_i$，$q_i$分别为特征值${\lambda }_i$的代数重数与几何重数，$i=1,2,\cdots ,s$。则矩阵$A$可以相似对角化的虫咬条件是:
$$p_i=q_i,i=1,2,\cdots ,s$$

11.实对称矩阵属于不同特征值的特征向量是正交的。
12.${\lambda }_0$是n阶实堆成矩阵$A$的任一特征值，p,q分别为它的代数重数与几何重数，有$p=q$。
13.由前面一条结论可知，对任一n阶实对称矩阵$A$，存在n阶正交矩阵$Q$，有
$$Q^{-1}AQ=diag({\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_s)$$