第五章 相似矩阵及二次型

本章主要讨论方阵的特征值与特征向量、方阵的相似对角化和二次型的化简等问题，其中涉及向量的内积、长度及正交等知识，下面先介绍这些知识。——线性代数同济版

  本章主要介绍了特征值、特征向量、对角化以及二次型的计算方法。

8.设$n$阶矩阵$\mathbf{A},\mathbf{B}$满足$R(\mathbf{A})+R(\mathbf{B})<n$，证明$\mathbf{A}$与$\mathbf{B}$有公共的特征值和公共的特征向量。

证  显然$R(\mathbf{A})<n$，另一方面，$\mathbf{A}$不可逆，故$0$是$\mathbf{A}$的特征值。
  同理，$0$也是$\mathbf{B}$的特征值。故此，方程组$\{\begin{array}{l}\mathbf{A}\mathbf{x}=0,\\ \mathbf{B}\mathbf{x}=0\end{array}$有非零解。由矩阵的性质知
$$R({\mathbf{A}}^{\mathrm{T}},{\mathbf{B}}^{\mathrm{T}})⩽R({\mathbf{A}}^{\mathrm{T}})+R({\mathbf{B}}^{\mathrm{T}})<n.$$
  综上，$\mathbf{A}$与$\mathbf{B}$有公共的特征向量。（这道题主要利用了矩阵的性质求解）

12.已知$3$阶矩阵$\mathbf{A}$的特征值为$1,2,3$，求$|{\mathbf{A}}^3-5{\mathbf{A}}^2+7\mathbf{A}|$。

解  令$\phi (\lambda )={\lambda }^3-5{\lambda }^2+7\lambda$。因$1,2,3$是$\mathbf{A}$的特征值，故$\phi (1)=3,\phi (2)=2,\phi (3)=3$是$\phi (\mathbf{A})={\mathbf{A}}^3-5{\mathbf{A}}^2+7\mathbf{A}$的特征值。又：$\phi (\mathbf{A})$为$3$阶方阵，这样$\phi (1),\phi (2),\phi (3)$便是$\phi (\mathbf{A})$的全部特征值。由特征值性质得
$$\mathrm{d}\mathrm{e}\mathrm{t}(\mathbf{A})=\phi (1)\phi (2)\phi (3)=18$$
（这道题主要利用了矩阵多项式与特征值求解）

24.设$\mathbf{a}=(a_1,a_2,\cdots ,a_n{)}^{\mathrm{T}},a_1\ne 0,\mathbf{A}={\mathbf{a}\mathbf{a}}^{\mathrm{T}}.$

（1）证明$\lambda =0$是$\mathbf{A}$的$n-1$重特征值；

证  首先证明$\lambda =0$是$\mathbf{A}$的$n-1$重特征值。注意到$\mathbf{A}$为对称阵，故$\mathbf{A}$可以与对角阵$\Lambda$相似。显然$R(\mathbf{A})=1$，从而$R(\Lambda )=1$，于是$\Lambda$只有一个非零对角元，即$\lambda =0$是$\mathbf{A}$的$n-1$重特征值。（这道题主要利用了矩阵秩求解）

（2）求$\mathbf{A}$的非零特征值及$n$个线性无关的特征向量。

解  其次求$\mathbf{A}$的非零特征值，因$\mathbf{A}={\mathbf{a}\mathbf{a}}^{\mathrm{T}}$的对角元之和为$\sum a_i^2$，又由特征值性质：$\mathbf{A}$的$n$个特征值之和为它的$n$个对角元之和，从而由上知$\sum a_i^2$为$\mathbf{A}$的非零特征值。
  再求$\mathbf{A}$的特征向量。对应于$\lambda =0$，解方程$\mathbf{A}\mathbf{x}=0$。由
$$\mathbf{A}=\left(\begin{array}{cccc}{a}_1^2& a_1{a}_2& \cdots & a_1{a}_n\\ a_2{a}_1& a_2^2& \cdots & a_2{a}_n\\ ⋮& ⋮& & ⋮\\ a_n{a}_1& a_n{a}_2& \cdots & a_n^2\end{array}\right)\sim \left(\begin{array}{cccc}{a}_1& a_2& \cdots & a_n\\ 0& 0& \cdots & 0\\ ⋮& ⋮& & ⋮\\ 0& 0& \cdots & 0\end{array}\right).$$
  得$n-1$个线性无关的特征向量为
$${\mathbf{\xi }}_2=\left(\begin{array}{c}-\frac{a_2}{a_1}\\ 1\\ 0\\ ⋮\\ 0\end{array}\right),{\mathbf{\xi }}_3=\left(\begin{array}{c}-\frac{a_3}{a_1}\\ 0\\ 1\\ ⋮\\ 0\end{array}\right),\cdots ,{\mathbf{\xi }}_n=\left(\begin{array}{c}-\frac{a_n}{a_1}\\ 0\\ 0\\ ⋮\\ 1\end{array}\right).$$
  对应于${\lambda }_1=\sum a_i^2$的特征向量${\mathbf{\xi }}_1$。由$\mathbf{A}={\mathbf{a}\mathbf{a}}^{\mathrm{T}}$，有
$$\mathbf{A}\mathbf{a}=({\mathbf{a}\mathbf{a}}^{\mathrm{T}})\mathbf{a}=\mathbf{a}({\mathbf{a}}^{\mathrm{T}}\mathbf{a})=({\mathbf{a}}^{\mathrm{T}}\mathbf{a})\mathbf{a}.$$
  按定义，即知$\mathbf{A}$有非零特征值${\lambda }_1={\mathbf{a}}^{\mathrm{T}}\mathbf{a}$，且对应特征向量为$\mathbf{a}$。（这道题主要利用了对角矩阵的性质求解）

30.证明二次型$f={\mathbf{x}}^{\mathrm{T}}\mathbf{A}\mathbf{x}$在$\Vert x\Vert =1$时的最大值为矩阵$\mathbf{A}$的最大特征值。

证  设${\lambda }_1⩾{\lambda }_2⩾\cdots ⩾{\lambda }_n$为$\mathbf{A}$的$n$个特征值，由定理知，有正交变换$\mathbf{x}=\mathbf{Q}\mathbf{y}$，使$f(\mathbf{x})={\lambda }_1{y}_1^2+\cdots +{\lambda }_n{y}_n^2$。又$\Vert y\Vert ={\mathbf{y}}^{\mathrm{T}}\mathbf{y}={\mathbf{y}}^{\mathrm{T}}{\mathbf{Q}}^{\mathrm{T}}\mathbf{Q}\mathbf{y}={\mathbf{x}}^{\mathrm{T}}\mathbf{x}=\Vert x\Vert =1$，从而
$$\begin{array}{rl}\underset{\Vert x\Vert =1}{\max }f(\mathbf{x})& =\underset{\sum y_i^2=1}{\max }({\lambda }_1{y}_1^2+\cdots +{\lambda }_n{y}_n^2)\\ & ⩽{\lambda }_1\underset{\sum y_i^2=1}{\max }\sum y_i^2=1={\lambda }_1.\end{array}$$
（这道题主要利用了正交变换证明）

写在最后

  如果觉得文章不错就点个赞吧。另外，如果有不同的观点，欢迎留言或私信。
   欢迎非商业转载，转载请注明出处。