线性代数【基础2】

特征值与特征向量-最难

$第五章之后均方阵$

特征值与特征向量的概念

$特征值与特征向量的定义：设A为n阶矩阵，若存在数\lambda 与n维非零向量\alpha ，使得A\alpha =\lambda \alpha (\alpha \ne 0),则称\alpha 为矩阵A属于特征值\lambda 的特征向量$

$$\begin{gathered} 【评注】(想到第二章同时想到第五章)（1）设A为n阶矩阵，\alpha 为线性方程组Ax=0的非零解，则\alpha 为矩阵A属于特征值\lambda 的特征向量 \\ （2）设n阶矩阵A的各行元素值之和均为\lambda ,则(1,1,...,1{)}^T为矩阵属于特征值\lambda 的特征向量 \end{gathered}$$
$pr(1):A\alpha =0\cdot \alpha (\alpha \ne 0),pr(2):A\left(\begin{array}{c}1\\ ⋮\\ 1\end{array}\right)=\left(\begin{array}{ccccc}{\alpha }_{11}& {\alpha }_{12}& ...& {\alpha }_{1n}& \\ {\alpha }_{21}& {\alpha }_{22}& ...& {\alpha }_{2n}& \\ ⋮& & \ddots & ⋮& \\ {\alpha }_{n1}& {\alpha }_{n2}& ...& {\alpha }_{nn}& \end{array}\right)\left(\begin{array}{c}1\\ ⋮\\ 1\end{array}\right)=\left(\begin{array}{c}\lambda \\ ⋮\\ \lambda \end{array}\right)=\lambda \left(\begin{array}{c}1\\ ⋮\\ 1\end{array}\right)$

$$\begin{gathered} 特征多项式与特征方程的定义：设A为n阶矩阵，称|A-\lambda E|=\left|\begin{array}{ccccc}{\alpha }_{11}-\lambda & {\alpha }_{12}& ...& {\alpha }_{1n}& \\ {\alpha }_{21}& {\alpha }_{22}-\lambda & ...& {\alpha }_{2n}& \\ ⋮& ⋮& \ddots & ⋮& \\ {\alpha }_{n1}& {\alpha }_{n2}& ...& {\alpha }_{nn}-\lambda & \end{array}\right| \\ 为A的特征多项式（特征值\lambda 的n次多项式）,称|\lambda E-A|=0为A的特征方程（特征值\lambda 的n次方程） \\ （注意|A-\lambda E|=0是相同的，|A-\lambda E|=(-1{)}^n|\lambda E-A|等于零系数可约掉=|\lambda E-A|=0） \end{gathered}$$

$$\begin{gathered} 特征方程法 \\ （1）解特征方程|A-\lambda E|=0，得到的n个特征值{\lambda }_1,{\lambda }_2,...,{\lambda }_n \\ （2）解方程组(A-{\lambda }_{i}E)x=0(i=1,2,...,n)，得到基础解系，即特征值{\lambda }_i的n-r(A-{\lambda }_{i}E)个线性无关的特征向量 \end{gathered}$$
$pr:A\alpha =\lambda \alpha (\alpha \ne 0)\iff (A-\lambda E)\alpha =0即\alpha 为方程组(A-\lambda E)x=0的非零解\Rightarrow r(A-\lambda E)<n\iff |A-\lambda E|=0$
$$\begin{gathered} 【评注】 \\ （1）上（下）三角矩阵、主对角矩阵的特征值为主对角元素 \\ （2）设A为n阶矩阵，若aA+bE(\alpha \ne 0)不可逆,即|aA+bE|=0，则\lambda =-\frac{b}{a}为A的特征值 \end{gathered}$$
$$\begin{gathered} 特征值与特征向量的性质 \\ （1）不同特征值的特征向量线性无关（给不同特征值：线性无关且相加不是特征值） \\ （2）不同特征值的特征向量之和不是特征向量 \\ （3）k重特征值最多有k个线性无关的特征向量 \\ （4）设A的特征值为{\lambda }_1,{\lambda }_2,...,{\lambda }_n,则\sum _{i-1}^n{\lambda }_i=\sum _{i-1}^n{a}_{ii}=tr(A)[证明不考，A的迹：一个n\times n矩阵A的主对角线（从左上方至右下方的对角线）上各个元素的总和被称为矩阵A的迹] \\ （5）若r(A)=1,即A={\alpha }^T\beta ={\beta }^T\alpha ,其中\alpha ,\beta 为n阶维非零列向量，则A的特征值为{\lambda }_1=tr(A)={\alpha }^T\beta ={\beta }^T\alpha ,{\lambda }_2=...={\lambda }_n=0（证明不用，能三阶求解：[题目出现r(A)=1\iff A=\alpha {\beta }^T],可求特征值\lambda :\alpha 极大无关,{\beta }^T系数倍数，{\lambda }_1=tr(A),其余为0） \\ （6）设\alpha 为矩阵A属于特征值\lambda 的特征向量，则 \end{gathered}$$

$A$	$f(A)$	$A^{-1}$	$A^{\ast }$	$A^T$	$P^{-1}AP$
$\lambda$	$f(\lambda )$	$若\lambda \ne 0则\frac{1}{\lambda }(若\lambda =0则性质不能用)$	$\frac{|A|}{\lambda }（同理）(|A|=特征值乘积)$	$\lambda$	$\lambda$
$\alpha$	$\alpha$	$\alpha$	$\alpha$	无	$P^{-1}\alpha$

---

$pr:A^{-1}\alpha =\frac{1}{|A|}{A}^{\ast }\alpha =\lambda \alpha \Rightarrow A^{\ast }\alpha =\frac{|A|}{\lambda }\alpha$
$$\begin{gathered} 【特征值与特征向量求法-后两章每道题都用特征】 \\ （1）A为数字矩阵：特征方程法 \\ （2）A为抽象矩阵：利用特征值与特征向量的定义或性质 \end{gathered}$$

相似矩阵

$相似矩阵的定义：设A,B为n阶矩阵,若存在n阶可逆矩阵P,使得B=P^{-1}AP,则称A与B相似，记作A\sim B$

$$\begin{gathered} 相似矩阵的性质 \\ （1）若A\sim B，则A,B有相同的行列式、秩、特征方程、特征值、迹 \\ （2）若A\sim B，则f(A)\sim f(B),A^{-1}\sim B^{-1},AB\sim BA(|A|\ne 0),A^T\sim B^T \\ （3）(传递性)A\sim B,B\sim C,则A\sim C \end{gathered}$$

$A\sim \Lambda ，P^{-1}AP=\Lambda （\Lambda 为对角矩阵，则A的特征向量即为P，特征值即为主对角元素）$

相似对角化

$$\begin{gathered} 相似对角化的定义：设A为n阶矩阵，若存在n阶可逆矩阵P,使得 \\ {P}^{-1}AP=\Lambda =\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right),则称A可相似对角化 \\ 进一步分析：由P^{-1}AP=\Lambda ，得AP=P\Lambda ,将P按列分块，得 \\ AP=A({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=(A{\alpha }_1,A{\alpha }_2,...,A{\alpha }_n) \\ =({\alpha }_1,{\alpha }_2,...,{\alpha }_n)\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right)=({\lambda }_1{\alpha }_1,{\lambda }_2{\alpha }_2,...,{\lambda }_n{\alpha }_n) \\ 从而A{\alpha }_i={\lambda }_i{\alpha }_i({\alpha }_i\ne 0),i=1,2,...,n，（本质）即P的第i列{\alpha }_i为矩阵A属于特征值{\lambda }_i的特征向量, \\ 故P是由A的n个线性无关的特征向量构成的可逆矩阵,\Lambda 是由A的n个特征值构成的对角矩阵 \end{gathered}$$
$$\begin{gathered} 【评注】若A,B可相似对角化,则A与B相似\iff A,B有相似的特征值 \\ pr相同特征值相似:A与B则A,B具有相同的对角矩阵,由传递性A\sim B \end{gathered}$$
$$\begin{gathered} 相似对角化的充要条件 \\ n阶矩阵A可相似对角化 \\ \iff A有n个线性无关的特征向量 \\ \iff k重特征值有k个线性无关的特征向量（刚好k个） \\ (设{\lambda }_i为k_i重,n-r(A-{\lambda }_{i}E)=k_i\iff A可相似对角化,反之n-r(A-{\lambda }_{i}E)<k_i\iff A不能相似对角化) \end{gathered}$$
$$\begin{gathered} 相似对角化的充分条件 \\ （1）A有n个不同特征值（不同特征值线性无关） \\ （2）A有实对称矩阵（A^T=A） \\ 【评注】若A（前提）可相似对角化,特别的A为实对称矩阵，则r(A)等于非零特征值的个数 \end{gathered}$$

实对称矩阵

$$\begin{gathered} 实对称矩阵的性质 \\ （1）特征值均为实数 \\ （2）不同特征值的特征向量正交 \\ （3）k重特征值有k个线性无关的特征向量 \\ （4）A可正交相似对角化，即存在正交矩阵Q（Q{Q}^T=E,Q^{-1}=Q^T），使得 \\ {Q}^{-1}AQ=Q^{T}AQ=\Lambda =\left|\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right| \end{gathered}$$

$$\begin{gathered} 正交矩阵的求法 \\ （1）求A的n个特征值{\lambda }_1,{\lambda }_2,...,{\lambda }_n \\ （2）求A的n个线性无关的特征向量{\alpha }_1,{\alpha }_2,...,{\alpha }_n \\ （3）将不同特征值的特征向量分别史密斯正交化，得{\gamma }_1,{\gamma }_2,...,{\gamma }_n,得到正交矩阵Q=({\gamma }_1,{\gamma }_2,...,{\gamma }_n) \end{gathered}$$
$$\begin{gathered} 实对称矩阵分解定理【强化】 \\ 设A为n阶实矩阵,{\gamma }_1,{\gamma }_2,...,{\gamma }_n为矩阵A分别属于特征值{\lambda }_1,{\lambda }_2,...,{\lambda }_n的单位正交的特征向量,则A={\lambda }_1{\gamma }_1{\gamma }_1^T+{\lambda }_2{\gamma }_2{\gamma }_2^T+...+{\lambda }_n{\gamma }_n{\gamma }_n^T.特别的，若r(A)=1,则A=tr(A){\gamma }_1{\gamma }_1^T \end{gathered}$$

二次型

二次型与标准型

$$\begin{gathered} 二次型的定义：含有n个变量x_1,x_2,...,x_n的二次齐次函数 \\ f(x_1,x_2,...,x_n)=a_{11}{x}_1^2+a_{22}{x}_2^2+\cdots +a_{nn}{x}_n^2+2a_{12}{x}_1{x}_2+2a_{13}{x}_1{x}_3+\cdots +2a_{1n}{x}_1{x}_n+\cdots +2a_{n-1,n}{x}_{n-1}{x}_n称为二次型，记作f=x^{T}Ax,其中x=(x_1,x_2,...,x_n{)}^T,A=(a_{ij})为实对称矩阵，称A为二次型的矩阵，称A的秩为二次型的秩，记作r(f)[r(f)=r(A)]. \\ 【评注】二次型与是对称矩阵一一对应， \\ 二次型的矩阵A的主对角线元素为平方项的系数，其余元素a_{ji}=a_{ij}为交叉项x_{ij}系数的一半 \end{gathered}$$

$标准型的定义：只含有平分项的二次型，即f=d_1{y}_1^2+d_2{y}_2^2+\cdots +d_n{y}_n^2,称为二次型的标准型$

$规范型x_{ij}^2的系数为\pm 1或0$

合同矩阵

$合同的定义：设A,B为n阶实对称矩阵（大前提）,若存在n阶可逆矩阵C，使得B=C^{T}AC，则称A与B为合同矩阵$
$$\begin{gathered} 合同矩阵的充要条件 \\ n阶实对称矩阵A与B合同 \\ \iff 二次型x^{T}Ax与x^{T}Bx有相同的正、负惯性指数（正、负惯性指数超纲，即相同的正、负特征值个数） \\ \iff x^{T}Ax与x^{T}Bx有相同的正、负特征值个数 \end{gathered}$$

正定二次型与正定矩阵

$正定的定义：设n元二次型f=x^{T}Ax,若对任意的x\ne 0,有x^{T}Ax>0,则称f为正定二次型,称是对称矩阵A为正定矩阵$
$$\begin{gathered} 正定的充要条件 \\ n元二次型f=x^{T}Ax正定 \\ \iff f的正惯性指数为n(正特征值个数为n) \\ \iff A与E合同，即存在可逆矩阵C，使得C^{T}AC=E \\ \iff A的特征值均大于零 \\ \iff A的顺序主子式均大于零（k阶顺序主子式：前k行前k列(理解为前缀子式)） \end{gathered}$$