特征值与特征向量-最难
第五章之后均方阵 \large\red{第五章之后均方阵} 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 λ 与 n 维非零向量 α ,使得 A α = λ α ( α ≠ 0 ) , 则称 α 为矩阵 A 属于特征值 λ 的特征向量 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 \\~ 特征值与特征向量的定义:设A为n阶矩阵,若存在数λ与n维非零向量α,使得Aα=λα (α=0),则称α为矩阵A属于特征值λ的特征向量
【评注】
(
想到第二章同时想到第五章
)
(
1
)设
A
为
n
阶矩阵,
α
为线性方程组
A
x
=
0
的非零解,则
α
为矩阵
A
属于特征值
λ
的特征向量
(
2
)设
n
阶矩阵
A
的各行元素值之和均为
λ
,
则
(
1
,
1
,
.
.
.
,
1
)
T
为矩阵属于特征值
λ
的特征向量
【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 \\~
【评注】(想到第二章同时想到第五章)(1)设A为n阶矩阵,α为线性方程组Ax=0的非零解,则α为矩阵A属于特征值λ的特征向量(2)设n阶矩阵A的各行元素值之和均为λ,则(1,1,...,1)T为矩阵属于特征值λ的特征向量
p
r
(
1
)
:
A
α
=
0
⋅
α
(
α
≠
0
)
,
p
r
(
2
)
:
A
(
1
⋮
1
)
=
(
α
11
α
12
.
.
.
α
1
n
α
21
α
22
.
.
.
α
2
n
⋮
⋱
⋮
α
n
1
α
n
2
.
.
.
α
n
n
)
(
1
⋮
1
)
=
(
λ
⋮
λ
)
=
λ
(
1
⋮
1
)
pr(1):A\alpha=0\cdot \alpha~(\alpha\ne 0),\quad pr(2):A\begin{pmatrix}1\\\vdots \\ 1\end{pmatrix}=\begin{pmatrix} \alpha_{11} &\alpha_{12}&...&\alpha_{1n} \\ \alpha_{21}& \alpha_{22}&...&\alpha_{2n}& \\ \vdots&&\ddots&\vdots \\ \alpha_{n1}&\alpha_{n2}&...&\alpha_{nn} \end{pmatrix}\begin{pmatrix}1\\ \vdots \\ 1\end{pmatrix}=\begin{pmatrix}\lambda\\\vdots \\ \lambda\end{pmatrix}=\lambda\begin{pmatrix}1\\\vdots \\ 1\end{pmatrix}\\~
pr(1):Aα=0⋅α (α=0),pr(2):A
1⋮1
=
α11α21⋮αn1α12α22αn2......⋱...α1nα2n⋮αnn
1⋮1
=
λ⋮λ
=λ
1⋮1
特征多项式与特征方程的定义:设 A 为 n 阶矩阵,称 ∣ A − λ E ∣ = ∣ α 11 − λ α 12 . . . α 1 n α 21 α 22 − λ . . . α 2 n ⋮ ⋮ ⋱ ⋮ α n 1 α n 2 . . . α n n − λ ∣ 为 A 的特征多项式(特征值 λ 的 n 次多项式) , 称 ∣ λ E − A ∣ = 0 为 A 的特征方程(特征值 λ 的 n 次方程) (注意 ∣ A − λ E ∣ = 0 是相同的, ∣ A − λ E ∣ = ( − 1 ) n ∣ λ E − A ∣ 等于零系数可约掉 = ∣ λ E − A ∣ = 0 ) 特征多项式与特征方程的定义 :设A为n阶矩阵,称|A-\lambda E|=\begin{vmatrix} \alpha_{11}-\lambda &\alpha_{12}&...&\alpha_{1n} \\ \alpha_{21}& \alpha_{22}-\lambda&...&\alpha_{2n}& \\ \vdots&\vdots &\ddots&\vdots \\ \alpha_{n1}&\alpha_{n2}&...&\alpha_{nn} -\lambda\end{vmatrix} \\~\\ 为A的特征多项式(特征值\lambda的n次多项式),称\green{|\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) \\~ 特征多项式与特征方程的定义:设A为n阶矩阵,称∣A−λE∣= α11−λα21⋮αn1α12α22−λ⋮αn2......⋱...α1nα2n⋮αnn−λ 为A的特征多项式(特征值λ的n次多项式),称∣λE−A∣=0为A的特征方程(特征值λ的n次方程)(注意∣A−λE∣=0是相同的,∣A−λE∣=(−1)n∣λE−A∣等于零系数可约掉=∣λE−A∣=0)
特征方程法
(
1
)解特征方程
∣
A
−
λ
E
∣
=
0
,得到的
n
个特征值
λ
1
,
λ
2
,
.
.
.
,
λ
n
(
2
)解方程组
(
A
−
λ
i
E
)
x
=
0
(
i
=
1
,
2
,
.
.
.
,
n
)
,得到基础解系,即特征值
λ
i
的
n
−
r
(
A
−
λ
i
E
)
个线性无关的特征向量
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_iE)x=0(i=1,2,...,n),得到基础解系,即特征值\lambda_i的n-r(A-\lambda_iE)个线性无关的特征向量 \\~
特征方程法(1)解特征方程∣A−λE∣=0,得到的n个特征值λ1,λ2,...,λn(2)解方程组(A−λiE)x=0(i=1,2,...,n),得到基础解系,即特征值λi的n−r(A−λiE)个线性无关的特征向量
p
r
:
A
α
=
λ
α
(
α
≠
0
)
⇔
(
A
−
λ
E
)
α
=
0
即
α
为方程组
(
A
−
λ
E
)
x
=
0
的非零解
⇒
r
(
A
−
λ
E
)
<
n
⇔
∣
A
−
λ
E
∣
=
0
pr:A\alpha=\lambda\alpha~(\alpha\ne 0) \Leftrightarrow(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 \Leftrightarrow |A-\lambda E|=0 \\~
pr:Aα=λα (α=0)⇔(A−λE)α=0即α为方程组(A−λE)x=0的非零解⇒r(A−λE)<n⇔∣A−λE∣=0
【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
a
A
+
b
E
(
α
≠
0
)
不可逆
,
即
∣
a
A
+
b
E
∣
=
0
,则
λ
=
−
b
a
为
A
的特征值
【评注】\\(1) 上(下)三角矩阵、主对角矩阵的特征值为\green{主对角元素} \\(2)设A为n阶矩阵,若aA+bE(\alpha \ne 0) 不可逆,即|\blue{a}A+\blue{b}E|=0,则\blue{\lambda=-\frac{b}{a}}为A的特征值 \\~
【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(α=0)不可逆,即∣aA+bE∣=0,则λ=−ab为A的特征值
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
λ
1
,
λ
2
,
.
.
.
,
λ
n
,
则
∑
i
−
1
n
λ
i
=
∑
i
−
1
n
a
i
i
=
t
r
(
A
)
[
证明不考,
A
的迹:一个
n
×
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
=
α
T
β
=
β
T
α
,
其中
α
,
β
为
n
阶维非零列向量,则
A
的特征值为
λ
1
=
t
r
(
A
)
=
α
T
β
=
β
T
α
,
λ
2
=
.
.
.
=
λ
n
=
0
(证明不用,能三阶求解:
[
题目出现
r
(
A
)
=
1
⇔
A
=
α
β
T
]
,
可求特征值
λ
:
α
极大无关
,
β
T
系数倍数,
λ
1
=
t
r
(
A
)
,
其余为
0
)
(
6
)设
α
为矩阵
A
属于特征值
λ
的特征向量,则
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\blue{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\limits_{i-1}^n \lambda_i=\sum\limits_{i-1}^n a_{ii}=tr(A)[证明不考,A的迹:一个n×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\Leftrightarrow 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\\~
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λ1,λ2,...,λn,则i−1∑nλi=i−1∑naii=tr(A)[证明不考,A的迹:一个n×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=αTβ=βTα,其中α,β为n阶维非零列向量,则A的特征值为λ1=tr(A)=αTβ=βTα,λ2=...=λn=0(证明不用,能三阶求解:[题目出现r(A)=1⇔A=αβT],可求特征值λ:α极大无关,βT系数倍数,λ1=tr(A),其余为0)(6)设α为矩阵A属于特征值λ的特征向量,则
A A A | f ( A ) f(A) f(A) | A − 1 A^{-1} A−1 | A ∗ A^* A∗ | A T A^T AT | P − 1 A P P^{-1}AP P−1AP |
---|---|---|---|---|---|
λ \lambda λ | f ( λ ) f(\lambda) f(λ) | 若 λ ≠ 0 则 1 λ ( 若 λ = 0 则性质不能用 ) 若\lambda\ne0则\frac{1}{\lambda}(若\lambda=0则性质不能用) 若λ=0则λ1(若λ=0则性质不能用) | ∣ A ∣ λ (同理) ( ∣ A ∣ = 特征值乘积 ) \frac{|A|}{\lambda}(同理)(|A|=特征值乘积) λ∣A∣(同理)(∣A∣=特征值乘积) | λ \lambda λ | λ \lambda λ |
α \alpha α | α \alpha α | α \alpha α | α \alpha α | 无 | P − 1 α \blue{P^{-1}\alpha} P−1α |
p
r
:
A
−
1
α
=
1
∣
A
∣
A
∗
α
=
λ
α
⇒
A
∗
α
=
∣
A
∣
λ
α
pr:A^{-1}\alpha=\frac{1}{|A|}A^*\alpha=\lambda\alpha \Rightarrow A^*\alpha=\frac{|A|}{\lambda}\alpha
pr:A−1α=∣A∣1A∗α=λα⇒A∗α=λ∣A∣α
【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
【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 \\~
【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
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 A P , 则称 A 与 B 相似,记作 A ∼ B 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\\~ 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−1AP,则称A与B相似,记作A∼B
相似矩阵的性质 ( 1 )若 A ∼ B ,则 A , B 有相同的行列式、秩、特征方程、特征值、迹 ( 2 )若 A ∼ B ,则 f ( A ) ∼ f ( B ) , A − 1 ∼ B − 1 , A B ∼ B A ( ∣ A ∣ ≠ 0 ) , A T ∼ B T ( 3 ) ( 传递性 ) A ∼ B , B ∼ C , 则 A ∼ C 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 \\~ 相似矩阵的性质(1)若A∼B,则A,B有相同的行列式、秩、特征方程、特征值、迹(2)若A∼B,则f(A)∼f(B),A−1∼B−1,AB∼BA (∣A∣=0),AT∼BT(3)(传递性)A∼B,B∼C,则A∼C
A ∼ Λ , P − 1 A P = Λ ( Λ 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) 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)\\~ A∼Λ,P−1AP=Λ(Λ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
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
A
P
=
Λ
=
(
λ
1
λ
2
⋱
λ
n
)
,
则称
A
可相似对角化
进一步分析:由
P
−
1
A
P
=
Λ
,得
A
P
=
P
Λ
,
将
P
按列分块,得
A
P
=
A
(
α
1
,
α
2
,
.
.
.
,
α
n
)
=
(
A
α
1
,
A
α
2
,
.
.
.
,
A
α
n
)
=
(
α
1
,
α
2
,
.
.
.
,
α
n
)
(
λ
1
λ
2
⋱
λ
n
)
=
(
λ
1
α
1
,
λ
2
α
2
,
.
.
.
,
λ
n
α
n
)
从而
A
α
i
=
λ
i
α
i
(
α
i
≠
0
)
,
i
=
1
,
2
,
.
.
.
,
n
,(本质)即
P
的第
i
列
α
i
为矩阵
A
属于特征值
λ
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
,
Λ
是由
A
的
n
个特征值构成的对角矩阵
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= \begin{pmatrix} \lambda_{1} && \\ &\lambda_2 && \\&&\ddots& \\&&&\lambda_{n}\\ \end{pmatrix},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)\begin{pmatrix} \lambda_{1} && \\ &\lambda_2 && \\&&\ddots& \\&&&\lambda_{n}\\ \end{pmatrix}=(\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 \\~
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−1AP=Λ=
λ1λ2⋱λn
,则称A可相似对角化进一步分析:由P−1AP=Λ,得AP=PΛ,将P按列分块,得AP=A(α1,α2,...,αn)=(Aα1,Aα2,...,Aαn) =(α1,α2,...,αn)
λ1λ2⋱λn
=(λ1α1,λ2α2,...,λnαn)从而Aαi=λiαi (αi=0),i=1,2,...,n,(本质)即P的第i列αi为矩阵A属于特征值λi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,Λ是由A的n个特征值构成的对角矩阵
【评注】若
A
,
B
可相似对角化
,
则
A
与
B
相似
⇔
A
,
B
有相似的特征值
p
r
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
∼
B
【评注】若A,B可相似对角化,则A与B相似 \Leftrightarrow 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 \\~
【评注】若A,B可相似对角化,则A与B相似⇔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∼B
相似对角化的
充要
条件
n
阶矩阵
A
可相似对角化
⇔
A
有
n
个线性无关的特征向量
⇔
k
重
特征值有
k
个线性无关的特征向量(刚好
k
个)
(
设
λ
i
为
k
i
重
,
n
−
r
(
A
−
λ
i
E
)
=
k
i
⇔
A
可相似对角化
,
反之
n
−
r
(
A
−
λ
i
E
)
<
k
i
⇔
A
不能相似对角化
)
相似对角化的\blue{充要}条件\\n阶矩阵A可相似对角化 \\ \Leftrightarrow A有n个线性无关的特征向量\\ \Leftrightarrow\blue{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_iE)=k_i\Leftrightarrow A可相似对角化 ,反之n-r(A-\lambda_iE)<k_i\Leftrightarrow A不能相似对角化) \\~
相似对角化的充要条件n阶矩阵A可相似对角化⇔A有n个线性无关的特征向量⇔k重特征值有k个线性无关的特征向量(刚好k个)(设λi为ki重,n−r(A−λiE)=ki⇔A可相似对角化,反之n−r(A−λiE)<ki⇔A不能相似对角化)
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
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 \\~
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(AT=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
实对称矩阵
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 A Q = Q T A Q = Λ = ∣ λ 1 λ 2 ⋱ λ n ∣ 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(QQ^T=E,Q^{-1}=Q^T),使得\\Q^{-1}AQ=Q^TAQ=\Lambda=\begin{vmatrix} \lambda_1&&& \\ &\lambda_2&& \\ &&\ddots& \\ &&&\lambda_n \\ \end{vmatrix} \\~ 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(QQT=E,Q−1=QT),使得Q−1AQ=QTAQ=Λ= λ1λ2⋱λn
正交矩阵的求法
(
1
)求
A
的
n
个特征值
λ
1
,
λ
2
,
.
.
.
,
λ
n
(
2
)求
A
的
n
个线性无关的特征向量
α
1
,
α
2
,
.
.
.
,
α
n
(
3
)将不同特征值的特征向量分别史密斯正交化,得
γ
1
,
γ
2
,
.
.
.
,
γ
n
,
得到正交矩阵
Q
=
(
γ
1
,
γ
2
,
.
.
.
,
γ
n
)
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) \\~
正交矩阵的求法(1)求A的n个特征值λ1,λ2,...,λn(2)求A的n个线性无关的特征向量α1,α2,...,αn(3)将不同特征值的特征向量分别史密斯正交化,得γ1,γ2,...,γn,得到正交矩阵Q=(γ1,γ2,...,γn)
实对称矩阵分解定理【强化】
设
A
为
n
阶实矩阵
,
γ
1
,
γ
2
,
.
.
.
,
γ
n
为矩阵
A
分别属于特征值
λ
1
,
λ
2
,
.
.
.
,
λ
n
的单位正交的特征向量
,
则
A
=
λ
1
γ
1
γ
1
T
+
λ
2
γ
2
γ
2
T
+
.
.
.
+
λ
n
γ
n
γ
n
T
.
特别的,若
r
(
A
)
=
1
,
则
A
=
t
r
(
A
)
γ
1
γ
1
T
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
实对称矩阵分解定理【强化】设A为n阶实矩阵,γ1,γ2,...,γn为矩阵A分别属于特征值λ1,λ2,...,λn的单位正交的特征向量,则A=λ1γ1γ1T+λ2γ2γ2T+...+λnγnγnT.特别的,若r(A)=1,则A=tr(A)γ1γ1T
二次型
二次型与标准型
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 + ⋯ + a n n x n 2 + 2 a 12 x 1 x 2 + 2 a 13 x 1 x 3 + ⋯ + 2 a 1 n x 1 x n + ⋯ + 2 a n − 1 , n x n − 1 x n 称为二次型,记作 f = x T A x , 其中 x = ( x 1 , x 2 , . . . , x n ) T , A = ( a i j ) 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 j i = a i j 为交叉项 x i j 系数的一半 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+\dots+a_{nn}x_n^2+2a_{12}x_1x_2+2a_{13}x_1x_3+\dots+2a_{1n}x_1x_n+\dots+2a_{n-1,n}x_{n-1}x_n称为二次型,记作f=x^TAx,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\green{主对角线元素为平方项的系数},\green{其余元素}a_{ji}=a_{ij}为交叉项x_{ij}\green{系数的一半} \\~ 二次型的定义:含有n个变量x1,x2,...,xn的二次齐次函数f(x1,x2,...,xn)=a11x12+a22x22+⋯+annxn2+2a12x1x2+2a13x1x3+⋯+2a1nx1xn+⋯+2an−1,nxn−1xn称为二次型,记作f=xTAx,其中x=(x1,x2,...,xn)T,A=(aij)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aji=aij为交叉项xij系数的一半
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 + ⋯ + d n y n 2 , 称为二次型的标准型 标准型的定义:只含有平分项的二次型,即f=d_1y_1^2+d_2y_2^2+\dots+d_ny_n^2,称为二次型的标准型\\ \\~ 标准型的定义:只含有平分项的二次型,即f=d1y12+d2y22+⋯+dnyn2,称为二次型的标准型
规范型 x i j 2 的系数为 ± 1 或 0 规范型x_{ij}^2的系数为\pm 1或0 规范型xij2的系数为±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
A
C
,则称
A
与
B
为合同矩阵
合同的定义:设A,B为n阶\green{实对称矩阵}(大前提),若存在n阶可逆矩阵C,使得B=C^TAC,则称A与B为合同矩阵 \\~
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=CTAC,则称A与B为合同矩阵
合同矩阵的充要条件
n
阶实对称矩阵
A
与
B
合同
⇔
二次型
x
T
A
x
与
x
T
B
x
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)
⇔
x
T
A
x
与
x
T
B
x
有相同的正、负特征值个数
合同矩阵的充要条件\\ n阶实对称矩阵A与B合同 \\ \Leftrightarrow 二次型x^TAx与x^TBx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) \\ \Leftrightarrow x^TAx与x^TBx\blue{有相同的正、负特征值个数}\\~
合同矩阵的充要条件n阶实对称矩阵A与B合同⇔二次型xTAx与xTBx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)⇔xTAx与xTBx有相同的正、负特征值个数
正定二次型与正定矩阵
正定的定义:设
n
元二次型
f
=
x
T
A
x
,
若对任意的
x
≠
0
,
有
x
T
A
x
>
0
,
则称
f
为正定二次型
,
称是对称矩阵
A
为正定矩阵
正定的定义:设n元二次型f=x^TAx,若对任意的x\ne 0,有x^TAx>0,则称f为正定二次型,称是对称矩阵A为正定矩阵\\~
正定的定义:设n元二次型f=xTAx,若对任意的x=0,有xTAx>0,则称f为正定二次型,称是对称矩阵A为正定矩阵
正定的充要条件
n
元二次型
f
=
x
T
A
x
正定
⇔
f
的正惯性指数为
n
(
正特征值个数为
n
)
⇔
A
与
E
合同,即存在可逆矩阵
C
,使得
C
T
A
C
=
E
⇔
A
的特征值均大于零
⇔
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
)
)
正定的充要条件 \\n元二次型f=x^TAx正定\\ \Leftrightarrow f的正惯性指数为n(正特征值个数为n) \\ \Leftrightarrow A与E合同,即存在可逆矩阵C,使得C^TAC=E \\ \Leftrightarrow A的特征值均大于零 \\ \Leftrightarrow 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)) \\~
正定的充要条件n元二次型f=xTAx正定⇔f的正惯性指数为n(正特征值个数为n)⇔A与E合同,即存在可逆矩阵C,使得CTAC=E⇔A的特征值均大于零⇔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))