MIT线性代数笔记-第29讲-相似矩阵，诺尔丹型_相似矩阵其中一个是正定矩阵,另一个-CSDN博客

本文链接：https://blog.csdn.net/jiaoliao946/article/details/134932357

29.相似矩阵，诺尔丹型

正定矩阵的性质
- 正定矩阵的逆矩阵也为正定矩阵
  
  证明： 正定矩阵的特征值为正数，所以正定矩阵一定可逆并且其逆矩阵的特征值为这些正数的倒数，也为正数，
  
  所以正定矩阵的逆矩阵也为正定矩阵
- 同阶正定矩阵的和也为正定矩阵
  
  证明： 两个同阶正定矩阵 $A, B$ 满足 $\forall \vec{x} \ne \vec{0} , \vec{x}^T A \vec{x} > 0 , \vec{x}^T B \vec{x} > 0$ ，两式相加得 $\forall \vec{x} \ne \vec{0} , \vec{x}^T (A + B) \vec{x} > 0$ ，即 $A + B$ 为正定矩阵
$A^T A$ 的正定性

有 $\vec{x}^T A^T A \vec{x} = (A \vec{x})^T (A \vec{x}) = |A \vec{x}|^2$ ，所以 $\forall \vec{x} \ne \vec{0} , \vec{x}^T A^T A \vec{x} \ge 0$ ，因而 $A^T A$ 至少是半正定的

所以当 $\forall \vec{x} \ne \vec{0} , A \vec{x} \ne \vec{0}$ 时 $A^T A$ 是正定的，即 $A$ 的零空间中只有 $\vec{0}$ ，所以 $A$ 列满秩时 $A^T A$ 是正定的
相似矩阵

对于两个 $n$ 阶方阵 $A, B$ ，若存在可逆矩阵 $M$ 使得 $B = M^{-1} A M$ ，那么 $A, B$ 互为相似矩阵，记作 $\sim B$

比如一个可对角化的矩阵 $A$ 满足 $\Lambda = S^{-1} A S$ ，因而 $A$ 和其特征值矩阵互为相似矩阵
- 相似矩阵具有传递性
  
  证明： 若 $A, B$ 互为相似矩阵， $B, C$ 互为相似矩阵，设 $B = M_1^{-1} A M_1 , C = M_2^{-1} B M_2$
  
  则 $C = M_2^{-1} M_1^{-1} A M_1 M_2 = (M_1 M_2)^{-1} A (M_1 M_2)$ ，所以 $A, C$ 互为相似矩阵
- 相似矩阵的同次幂互为相似矩阵
  
  证明： 若 $B = M^{-1} A M$ ，则 $B^k = M^{-1} A M M^{-1} A M \cdots M^{-1} A M = M^{-1} A^k M$
- 相似矩阵有相同的特征值
  
  证明： 设两个互为相似矩阵的方阵 $A, B$ ，并且 $B = M^{-1} A M$
  
  对于 $A$ 的任意特征值 $\lambda$ 及其对应的任意特征向量 $\vec{x}$ 均满足 $\vec{x} = \lambda \vec{x}$ ，即 $M^{-1} \vec{x} = \lambda \vec{x}$ ，左右同乘 $M^{-1}$ 得 $M^{-1} A M M^{-1} \vec{x} = \lambda M^{-1} \vec{x}$ ，即 $M^{-1} \vec{x} = \lambda M^{-1} \vec{x}$ ，又依 $\vec{x} \ne \vec{0}$ 得 $M^{-1} \vec{x} \ne \vec{0}$ ，所以 $\lambda$ 是 $B$ 的特征值
  
  同理可证 $B$ 的特征值也是 $A$ 的特征值，所以二者有完全相同的特征值
  
  从证明中可以发现相似矩阵相同特征值对应的特征向量不一定相同
  - 相似矩阵的行列式和迹相同
诺尔丹标准型

考虑存在重复特征值的方阵，当方阵为二阶并且两个特征值都为 $4$ 时，有两种情况： $\begin{bmatrix} 4 & 0 \\ 0 & 4\end{bmatrix} , \begin{bmatrix} 4 & 1 \\ 0 & 4\end{bmatrix}$

第一种情况， $\forall M , M^{-1} \begin{bmatrix} 4 & 0 \\ 0 & 4\end{bmatrix} M = \begin{bmatrix} 4 & 0 \\ 0 & 4\end{bmatrix}$ ，所以它只有自己这一个相似矩阵

第二种情况包括了剩下的所有二阶且两个特征值都为 $4$ 的方阵，他们均互为相似矩阵，而 $\begin{bmatrix} 4 & 1 \\ 0 & 4\end{bmatrix}$ 是其中最为简洁的一个，这种形式就是诺尔丹标准型
诺尔丹块

形如 $\begin{bmatrix} \lambda & 1 & 0 & \cdots & 0 & 0 \\ 0 & \lambda & 1 & \cdots & 0 & 0 \\ 0 & 0 & \lambda & \cdots & 0 & 0 \\ \vdots & \vdots & \vdots & \ddots & \ddots & \vdots \\ 0 & 0 & 0 & \cdots &\lambda & 1 \\ 0 & 0 & 0 & \cdots & 0 & \lambda \end{bmatrix}$ 的方阵被称为诺尔丹块，记作 $J$ ，特别地， $[\lambda]$ 也可以被视为一个诺尔丹块

证明每个诺尔丹块都只有一个线性无关的特征向量：

设一个 $n$ 阶诺尔丹矩阵 $J$ ， $\forall \vec{x} , J \vec{x}$ 的最后一个元素都是 $\lambda x_n$

①当 $x_n \ne 0$ 时， $J$ 的特征值只能是 $\lambda$ ，但这还要求 $\lambda x_1 = \lambda x_1 + x_2 , \cdots$ ，所以 $x_2 = \cdots = x_n = 0$ ，矛盾舍去

②当 $x_n = 0$ 时， $\vec{x}$ 的第 $n - 1$ 个元素是 $\lambda x_{n - 1}$ ，若 $x_{n - 1} \ne 0$ ，同理可得矛盾舍去

依此类推可得 $x_2 = \cdots = x_n = 0$

综上， $J_n$ 的特征向量只能为 $\begin{bmatrix} x_1 \\ 0 \\ \vdots \\ 0 \end{bmatrix}$ ，即只有一个线性无关的特征向量，并且特征值为 $\lambda$

我们认为 $[\lambda]$ 也满足这个定理
诺尔丹矩阵

诺尔丹矩阵：将诺尔丹块排列在主对角线上且其余元素为 $0$ 的矩阵，即形如 $\begin{bmatrix} J_1 & O & \cdots & O \\ O & J_2 & \cdots & O \\ \vdots & \vdots & \ddots & \vdots \\ O & O & \cdots & J_d \end{bmatrix}$ 的矩阵

证明诺尔丹矩阵的线性无关特征向量的数量等于其诺尔丹块的数量：

对于一个有 $d$ 个诺尔丹块的诺尔丹矩阵，设这些诺尔丹块的阶数依次为 $n_1 , n_2 , \cdots , n_d$ ，它的一组线性无关特征向量可以是 $\begin{bmatrix} 1 \\ 0 \\ \vdots \\ 0 \end{bmatrix} , \begin{bmatrix} n_1 * 0 \\ 1 \\ 0 \\ \vdots \\ 0 \end{bmatrix} , \cdots , \begin{bmatrix} (n_1 + \cdots + n_{d - 1}) * 0 \\ 1 \\ 0 \\ \vdots \\ 0 \end{bmatrix}$

想要在诺尔丹块 $J_i$ 的贡献范围内满足 $J_i \begin{bmatrix} x_{n_1 + \cdots + n_{i - 1} + 1} \\ \vdots \\ x_{n_1 + \cdots + n_i} \end{bmatrix} = \lambda \begin{bmatrix} x_{n_1 + \cdots + n_{i - 1} + 1} \\ \vdots \\ x_{n_1 + \cdots + n_i} \end{bmatrix}$

则要有 $x_{n_1 + \cdots + n_{i - 1} + 2} = \cdots = x_{n_1 + \cdots + n_i} = 0$ ，所以所有特征向量都可以由上述 $d$ 个特征向量表示，所以线性无关特征向量的数量等于其诺尔丹块的数量

可以发现诺尔丹矩阵的特征值等于其诺尔丹块的特征值

至于特征值的重复次数，或许会等于对应块的阶数（ $\color{OrangeRed}不知道对不对$ ）

任意方阵都与一个诺尔丹矩阵互为相似矩阵，当这个方阵可对角化时，它对应的诺尔丹矩阵即为它对应的 $\Lambda$ ，当这个方阵是对角阵时，它对应的诺尔丹矩阵即为它本身

证明： $\color{OrangeRed}暂时不会证明$