2020年3月学习——线代篇

字数较多，写这篇文章的原始目的是为了我后续学习深度学习，如有错误请见谅。

1 浙大四版目录

1. 行列式
2. 矩阵及运算
3. 矩阵的初等变换与线性方程组
4. 向量的线性相关性
5. 相似矩阵及二次型
6. 线性空间与线性变换

2 学习

2.1 行列式

行列式的一些性质

性质1：行列式与它的转置行列式相等
性质2：对换行列式的两行(列)，行列式变号
推论：如果行列式两行(列)完全相同或成比例，行列式为0
性质3：行列式的某一行(列)中的所有元素都乘某一数$k$，等于用数$k$乘此行列式$$\left|\begin{array}{cc}a& b\\ k\ast c& k\ast d\end{array}\right|=k\ast \left|\begin{array}{cc}a& b\\ c& d\end{array}\right|$$推论：行列式中某一行(列)的所有元素的公因子可以提到行列式记号的外面
性质4：若某一行(列)的元素都是两数之和：$$\left|\begin{array}{cc}a& b\\ c_1+c_2& d_1+d_2\end{array}\right|=\left|\begin{array}{cc}a& b\\ c_1& d_1\end{array}\right|=\left|\begin{array}{cc}a& b\\ c_2& d_2\end{array}\right|$$
性质5：把行列式的某一行(列)的各元素乘同一数然后加到另一行(列)对应的元素上去，行列式不变$$\left|\begin{array}{cc}a& b\\ c& d\end{array}\right|=\left|\begin{array}{cc}a& b\\ c+k\ast a& d+k\ast b\end{array}\right|$$

余子式

在$n$阶行列式中，把$(i,j)$元$a_{ij}$所在的第$i$行和第$j$列划去后，留下来的$n-1$阶行列式叫做$(i,j)$元$a_{ij}$的余子式，记作$M_{ij}$，记$$A_{ij}=(-1{)}^{i+j}{M}_{ij}$$ $A_{ij}$叫做$(i,j)$元$a_{ij}$的代数余子式。例如：$$\left|\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right|$$中$(3,2)$元的余子式和代数余子式分别为：$$M_{32}=\left|\begin{array}{ccc}{a}_{11}& & a_{13}\\ a_{21}& & a_{23}\end{array}\right|$$ $$A_{32}=(-1{)}^{(3+2)}{M}_{32}=-M_{32}$$
引理：一个$n$阶行列式，如果其中第$i$行所有元素除$(i,j)$元$a_{ij}$外都为零，那么这行列式等于$a_{ij}$与它的代数余子式的乘积，即$$D=a_{ij}{A}_{ij}$$
定理(行列式按行(列)展开法则)：行列式等于它的任一行(列)的各元素与其对应的代数余子式乘积之和，对于行的情况即：$$D=a_{i1}{A}_{i1}+a_{i2}{A}_{i2}+...+a_{in}{A}_{in}(i=1,2,...,n)$$
推论：行列式某一行(列)的元素与另一行(列)的对应元素的代数余子式乘积之和等于零，对于行的情况即：$$D=a_{i1}{A}_{j1}+a_{i2}{A}_{j2}+...+a_{in}{A}_{jn}=0(i\ne j)$$

2.2 矩阵运算

矩阵

$$\begin{array}{rl}& (A^T{)}^T=A\\ & (A+B{)}^T=A^T+B^T\\ & (AB{)}^T=B^T{A}^T\\ & A(B+C)=AB+AC\\ & (B+C)A=BA+CA\end{array}$$ $n$阶方阵的行列式：
$$\begin{array}{rl}& |A^T|=|A|\\ & |\lambda A|={\lambda }^n|A|\\ & |AB|=|A||B|\\ & |AB|=|BA|\end{array}$$

伴随矩阵

行列式$|A|$的各个元素的代数余子式$A_{ij}$所构成的如下矩阵
$$A^{\ast }=\left(\begin{array}{cccc}{A}_{11}& A_{21}& \cdots & A_{n1}\\ A_{12}& A_{21}& \cdots & A_{n2}\\ ⋮& ⋮& & ⋮\\ A_{1n}& A_{2n}& \cdots & A_{nn}\end{array}\right)$$
称为矩阵$|A|$的伴随矩阵，简称伴随阵，满足：$$A{A}^{\ast }=A^{\ast }A=|A|E$$

逆矩阵

对于$n$阶矩阵$A$，如果有一个$n$阶矩阵$B$，使$$AB=BA=E$$则矩阵$A$可逆，$B$是$A$的逆矩阵，逆矩阵记为$A^{-1}$，即$B=A^{-1}$。矩阵的逆矩阵是惟一的。

• 定理1：若矩阵$A$可逆，则$|A|\ne 0$。
• 定理2：若$|A|\ne 0$，则矩阵$A$可逆，且$$A_{-1}=\frac{1}{|A|}{A}^{\ast }$$ 其中$A^{\ast }$为矩阵$A$的伴随矩阵。
• 当$|A|=0$时，$A$称为奇异矩阵，否则成为非奇异矩阵。$A$是可逆矩阵的充分必要条件是$|A|\ne 0$，即可逆矩阵就是非奇异矩阵。
• 克莱姆法则，又译克拉默法则(Cramer’s Rule)是线代中求解线性方程组的定理，$$\{\begin{array}{l}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_n=b_1,\\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_n=b_2,\\ ............\\ a_{n1}{x}_1+a_{n2}{x}_2+\cdots +a_{nn}{x}_n=b_n,\end{array}$$若上述线性方程组的系数矩阵$A$的行列式不等于零，那么方程组有惟一解$$x_1=\frac{|A_1|}{|A|},x_2=\frac{|A_2|}{|A|},\cdots ,x_n=\frac{|A_n|}{|A|}$$其中$A_j(j=1,2,...,n)$是指$A$中第$j$列的元素替换为方程组右端常数项

矩阵分块

矩阵可以纵横划分为若干个小块(子块)来计算

• 设$$A=\left(\begin{array}{ccc}{A}_{11}& \cdots & A_{1r}\\ ⋮& & ⋮\\ A_{s1}& \cdots & A_{sr}\end{array}\right)$$则$$A^T=\left(\begin{array}{ccc}{A}_{11}^T& \cdots & A_{s1}^T\\ ⋮& & ⋮\\ A_{1r}^T& \cdots & A_{sr}^T\end{array}\right)$$
• 分块对角矩阵：设$A$为$n$阶方阵，若$A$的分块矩阵只有在对角线上有非零子块，其余子块都为零矩阵，且在对角线上的子块都是方阵，即$$A=\left(\begin{array}{cccc}{A}_1& & & O\\ & A_2& & \\ & & \ddots & \\ O& & & A_s\end{array}\right)$$性质：$$|A|=|A_1||A_2|...|A_s|$$若$|A_i|\ne 0$，则$|A|\ne 0$，并有$$A^{-1}=\left(\begin{array}{cccc}{A}_1^{-1}& & & O\\ & A_2^{-1}& & \\ & & \ddots & \\ O& & & A_s^{-1}\end{array}\right)$$

2.3 矩阵初等变换及线性方程组

初等变换

定义1：初等(行)变换
1、对换两行
2、以数$k\ne 0$乘某一行中的所有元素
3、把某一行的所有元的$k$倍加到另一行对应的元上去
矩阵$A$经有限次初等变换变成矩阵$B$，就称矩阵$A$与$B$等价

定义2：行阶梯型矩阵——满足下述条件的非零矩阵(1) 非零行在零行的上面；(2) 非零行首个非零元素所在列在上一行的首个非零元素所在列的右边
若行阶梯型矩阵满足(1) 非零行的首非零元素为1；(2) 首非零元所在的列的其他元均为0，则称该矩阵为行最简形矩阵。

定理1：设$A$与$B$为$m\times n$矩阵，那么

• $A$行等价于$B$$⟺$存在$m$阶可逆矩阵$P$，使$PA=B$；
• $A$列等价于$B$$⟺$存在$n$阶可逆矩阵$Q$，使$AQ=B$；
• $A$等价于$B$$⟺$存在$m$阶可逆矩阵$P$和$n$阶可逆矩阵$Q$，使$PAQ=B$；

推论：方阵$A$可逆$⟺$$A$行等价于单位阵$E$(可逆方阵 可以化为同阶单位阵)

矩阵的秩

k阶子式：在$m\times n$矩阵$A$中，任取$k$行与$k$列$(k\le m,k\le n)$，位于这些行列交叉处的$k^2$个元素，不改变它们在$A$中所处的位置次序而得的$k$阶行列式，称为矩阵$A$的$k$阶子式
引理：若$A$和$B$行等价，则$A$与$B$中非零子式的最高阶数相等。

矩阵的秩：设在矩阵$A$中有一个不等于0的$r$阶子式$D$，且所有$r+1$阶子式(若存在)全等于0，则$D$称为$A$的最高阶非零子式，数r称为矩阵$A$的秩，记作$R(A)$，零矩阵的秩为0。

• 可逆矩阵(非奇异矩阵)又称满秩矩阵，不可逆矩阵(奇异矩阵)又称降秩矩阵
• 若$A$等价于$B$，则$R(A)=R(B)$
• $R(A)=R(A^T)$
• 若可逆矩阵$P,Q$使$PAQ=B$，则$R(A)=R(B)$
• 行阶梯型矩阵的秩等于非零行行数

其他一些常用性质：

• 0 ≤ R ( A m × n ) ≤ m i n { m , n } 0≤R(A_{m\times{n}})≤min\{m,n\} 0≤R(Am×n​)≤min{m,n}
• m a x { R ( A ) , R ( B ) } ≤ R ( A , B ) ≤ R ( A ) + R ( B ) max\{R(A),R(B)\}≤R(A,B)≤R(A)+R(B) max{R(A),R(B)}≤R(A,B)≤R(A)+R(B)
• $R(A+B)\le R(A)+R(B)$
• R ( A B ) ≤ m i n { R ( A ) , R ( B ) } R(AB)≤min\{R(A),R(B)\} R(AB)≤min{R(A),R(B)}
• 若$A_{m\times n}{B}_{n\times l}=O$，则$R(A)+R(B)\le n$
• 设$AB=O$，若A为列满秩矩阵，则$B=O$

线性方程组的解

常数项全为0的线性方程组称为齐次线性方程组，显然，下列方程组为非齐次线性方程组。
$$\{\begin{array}{l}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_n=b_1,\\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_n=b_2,\\ ............\\ a_{m1}{x}_1+a_{m2}{x}_2+\cdots +a_{mn}{x}_n=b_m,\end{array}$$上述方程组如果有解，就称它是相容的，如果无解就称不相容。
定理1：$n$元线性方程组$Ax=b$

• 无解的充要条件是$R(A)<R(A,b)$；
• 有惟一解的充要条件是$R(A)=R(A,b)=n$；
• 有无限多解的充要条件是$R(A)=R(A,b)＜n$

定理2：$n$元齐次线性方程组$Ax=0$有非零解的充要条件是$R(A)<n$。
定理3：$n$线性方程组$Ax=b$有解的充要条件是$R(A)=R(A,b)$。
定理4：$n$线性方程组$AX=B$有解的充要条件是$R(A)=R(A,B)$。
定理5：设$AB=C$，则 R ( C ) ≤ m i n { R ( A ) , R ( B ) } R(C)≤min\{R(A),R(B)\} R(C)≤min{R(A),R(B)}。

2.4 向量组的线性相关性

向量组及线性组合

定义1：$n$个有次序的数$a_1,a_2,...,a_n$所组成的数组称为$n$维向量，这$n$个数称为该向量的$n$个分量。
定义2：给定向量组$A:a_1,a_2,...,a_m$，对于任意一组实数$k_1,k_2,...,k_m$，表达式$$k_1{a}_1+k_2{a}_2+...+k_m{a}_m$$称为向量组$A$的一个线性组合，$k_1,k_2,...$称为这个线性组合的系数。给定向量组$A$和向量$b$，如果存在一组数${\lambda }_1,{\lambda }_2,...,{\lambda }_m$使得$$b={\lambda }_1{a}_1+{\lambda }_2{a}_2+...+{\lambda }_m{a}_m$$则向量$b$是向量组$A$的线性组合，称向量$b$能由向量组$A$线性表示。
定理1：向量$b$能由向量组$A:a_1,a_2,...,a_m$线性表示$⟺$$A$的秩=$(a_1,a_2,...,a_m,b)$的秩

定义3：设有两个向量组$A:a_1,a_2,...,a_m$和$B:b_1,b_2,...,b_l$，若$B$中的每个向量都能由$A$线性表示，则称向量组$B$能由$A$线性表示，若$A$和$B$能够相互线性表示，则称这两个向量组等价。
定理2：向量组$B$能由向量组$A$线性表示$⟺$$R(A)=R(A,B)$
推论：向量组$A$和$B$等价$⟺$$R(A)=R(B)=R(A,B)$
定理3：向量组$B$能由向量组$A$线性表示，则$R(b_1,b_2,...)\le R(a_1,a_2,...)$

向量的线性相关性

定义1：给定向量组$A:a_1,a_2,...,a_m$，如果存在不全为零的数$k_1,k_2,...,k_m$，使$$k_1{a}_1+k_2{a}_2+...+k_m{a}_m=0$$则称向量组$A$是线性相关的，否则称它线性无关。
定理1：

• 向量组$A:a_1,a_2,...a_m$线性相关$⟺$$R(A)\le m$
• 向量组$A$线性无关$⟺$$R(A)=m$

定理2：

• 若向量组$A:a_1,a_2,...,a_m$线性相关，则向量组$B:a_1,a_2,...,a_m,a_{m+1}$也线性相关。反之,若$B$线性无关，则向量组$A$也线性无关。
• $m$个$n$维向量组成的向量组，当维数$n$小于向量个数$m$时一定线性相关，特别地$n+1$个$n$维度向量一定线性相关。
• 设向量组$A:a_1,a_2,...,a_m$线性无关，而向量组$B:a_1,...,a_m,b$线性相关，则向量$b$必能由向量组$A$线性表示，且表示式是惟一的。

向量组的秩

定义1：设有向量组$A$，如果能在$A$中选出$r$个向量$a_1,a_2,...,a_r$，满足：
(1)向量组$A_0:a_1,a_2,...,a_r$线性无关；(2)向量组$A$中任意$r+1$个向量(若存在)都线性相关
那么称向量组$A_0$是向量组$A$的一个最大线性无关向量组(最大无关组)，最大无关组含有向量的个数$r$称为向量组$A$的秩，记作$R_A$。只含有零向量的向量组没有最大无关组，规定秩为0。

• 推论(最大无关组等价定义)：设向量组$A_0:a_1,a_2,...,a_r$是向量组$A$的一个部分组，且满足：
  (1)向量组$A_0$线性无关;(2)向量组$A$的任一向量都能由向量组$A_0$线性表示
  那么向量组$A_0$便是向量组$A$的一个最大无关组。

定义2：矩阵的秩等于它的列向量组的秩，也等于它的行向量组的秩。

线性方程组的解的结构

设有齐次线性方程组1：$$\{\begin{array}{l}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_n=0,\\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_n=0,\\ ............\\ a_{m1}{x}_1+a_{m2}{x}_2+\cdots +a_{mn}{x}_n=0,\end{array}$$写成向量方程$Ax=0$，若$x_1={\xi }_{11},x_2={\xi }_{21},...,x_n={\xi }_{n1}$为方程组1的解，则$$x={\xi }_1=\left(\begin{array}{c}{\xi }_{11}\\ {\xi }_{21}\\ ⋮\\ {\xi }_{n1}\end{array}\right)$$称为方程组的解向量。
性质1：若$x={\xi }_1,x={\xi }_2$为上述向量方程的解，则$x={\xi }_1+{\xi }_2$也是向量方程的解。
性质2：若$x={\xi }_1$为上述向量方程的解，$k$为实数，则$x=k\xi$也是向量方程的解。

定理1：设$m\times n$矩阵$A$的秩$R(A)=r$，则$n$元齐次线性方程组$Ax=0$的解集S的秩$R_s=n-r$。

设有非齐次线性方程组2：$$\{\begin{array}{l}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_n=b_1,\\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_n=b_2,\\ ............\\ a_{m1}{x}_1+a_{m2}{x}_2+\cdots +a_{mn}{x}_n=b_n,\end{array}$$写成向量方程$Ax=b$
性质3：设$x={\eta }_1,x={\eta }_2$都是上述向量方程的解，则$x={\eta }_1-{\eta }_2$为对应的齐次线性方程组$Ax=0$的解。
性质4：设$x=\eta$是$Ax=b$的解，$x=\xi$是方程$Ax=0$的解，则$x=\xi +\eta$仍是方程$Ax=b$的解。

向量空间

定义1：设$V$为$n$维向量的集合，如果集合$V$非空，且集合$V$对于向量的加法及数乘两种运算封闭，那么就称集合$V$为向量空间。
封闭，是指集合$V$中可以进行向量的加法及数乘两种运算。具体说就是：若$a\in V,b\in V$，则$a+b\in V$；若$a\in V,\lambda \in \mathbb{R}-$，则$\lambda a\in V$。

• $n$元齐次线性方程组的解集： S = { x ∣ A x = 0 } S=\{x|Ax=0\} S={x∣Ax=0}是一个向量空间(称为其次线性方程组的解空间)。
• 非齐次线性方程组的解集 S = { x ∣ A x = b } S=\{x|Ax=b\} S={x∣Ax=b}不是向量空间。
• 一般地，由向量组$a_1,a_2,...,a_m$所生成的向量空间为: L = { x = λ 1 a 1 + λ 2 a 2 + . . . + λ m a m ∣ λ 1 , λ 2 , . . . , λ m ∈ R } L=\{x=\lambda_1a_1+\lambda_2a_2+...+\lambda_ma_m|\lambda_1,\lambda_2,...,\lambda_m\in\mathbb{R}\} L={x=λ1​a1​+λ2​a2​+...+λm​am​∣λ1​,λ2​,...,λm​∈R}

定义2：设有向量空间$V_1,V_2$，若$V_1\subseteq V_2$，就称$V_1$是$V_2$的子空间。

定义3：设$V$为向量空间，如果$r$个向量$a_1,a_2,...,a_r\in V$，且满足：(1)$a_1,a_2,...,a_r$线性无关；(2)$V$中任一向量都可由$a_1,a_2,...,a_r$线性表示，
那么，向量组$a_1,a_2,...,a_r$就称为向量空间$V$的一个基，$r$称为向量空间$V$的维数，并称$V$为$r$维向量空间。

• 若向量空间$V$没有基，那么$V$的维数为0，0维向量空间只含有一个零向量$0$。
• 若把向量空间$V$看作向量组，$V$的基就是向量组的最大无关组，$V$的维数就是向量组的秩。

定义4：若在向量空间$V$中取定一个基$a_1,a_2,...,a_r$，那么$V$中任一向量$x$可惟一地表示为$$x={\lambda }_1{a}_1+{\lambda }_2{a}_2+...+{\lambda }_r{a}_r$$数组${\lambda }_1,{\lambda }_2,...,{\lambda }_r$称为向量$x$在基$a_1,a_2,...,a_r$中的坐标。

2.5 相似矩阵及二次型

向量的內积、长度及正交性

定义1：设有$n$维向量$$\text{x}=\left(\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right)，\text{y}=\left(\begin{array}{c}{y}_1\\ y_2\\ ⋮\\ y_n\end{array}\right)$$令$$[\text{x,y}]=x_1{y}_1+x_2{y}_2+...+x_n{y}_n$$ $[\text{x,y}]$称为向量$x$与$y$的內积，结果是一个实数，当$\text{x}$与$\text{y}$都是列向量时，有$[\text{x,y}]={\text{x}}^T\text{y}$
內积性质：

• $[\text{x,y}]=[\text{y,x}]$
• $[\lambda \text{x,y}]=\lambda [\text{x,y}]$
• $[\text{x+y,z}]=[\text{x,z}]+[\text{y,z}]$
• 当$\text{x=0}$时，$[\text{x,x}]=0$；当$\text{x}\ne 0$时，$[\text{x,x}]>0$
• 施瓦茨(Schwarz)不等式：$$[\text{x,y}{]}^2\le [\text{x,x}][\text{y,y}]$$

定义2：令$||\text{x}||=\sqrt{[\text{x,x}]}=\sqrt{x_1^2+x_2^2+...+x_n^2}$，$||\text{x}||$称为$n$维向量$\text{x}$的长度(或范数)。

• 非负性 当$\text{x}\ne \text{0}$时，$||\text{x}||>0$；当$\text{x}=\text{0}$时，$||\text{x}||=0$
• 齐次性 当$||\lambda \text{x}||=|\lambda |||\text{x}||$
• 当$\text{x}=1$时，称$\text{x}$为单位向量。把非零向量除以范数得到单位向量，称为向量单位化。
• 由施瓦茨不等式，$||\text{x}||||\text{y}||\ne 0$时，有$$-1\le \frac{[\text{x,y}]}{||\text{x}||||\text{y}||}\le 1$$于是当$\text{x}\ne \text{0},\text{x}\ne \text{0}$时，$$\theta =arccos\frac{[\text{x,y}]}{||\text{x}||||\text{y}||}$$称为$n$维向量$\text{x},\text{y}$的夹角。
• 当$[\text{x,y}]=0$时，称向量$\text{x}$与$\text{y}$正交，显然，零向量与任何向量都正交。

定理1：若$n$维向量$a_1,a_2,...,a_r$是一组两两正交的非零向量，则$a_1,a_2,...,a_r$线性无关。

定义3：设$n$维向量$e_1,e_2,...,e_r$是向量空间$V(V\subseteq {\mathbb{R}}^n)$的一个基，如果$e_1,...,e_r$两两正交，且都是单位向量，则称$e_1,...,e_r$是$V$的一个标准正交基

• 将基标准正交化可采用施密特(Schmidt)正交化，这里不赘述。

定义4：如果$n$阶矩阵$A$满足$$A^{T}A=E(即A^{-1}=A^T)$$，称$A$为正交矩阵，简称正交阵。

定义5：若$P$为正交矩阵，则线性变换$y=Px$称为正交变换。$||y||=||x||$，正交变换线段长度保持不变。

方阵的特征值与特征向量

定义1：设$A$是$n$阶矩阵，如果数$\lambda$和$n$维非零列向量$x$使关系式$$Ax=\lambda x$$成立，那么$\lambda$称为矩阵$A$的特征值，非零向量$x$称为$A$的对应于特征值$\lambda$的特征向量。上式也可写成$$(A-\lambda E)x=0$$它有非零解的充要条件为：$|A-\lambda E|=0$，即$$\left|\begin{array}{cccc}{a}_{11}-\lambda & a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}-\lambda & \cdots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}-\lambda \end{array}\right|$$称为矩阵$A$的特征方程，其左端$|A-\lambda E|$是$\lambda$的$n$次多项式，记作$f(\lambda )$，称为矩阵$A$的特征多项式，$A$的特征值就是特征方程的解。

定理1：设${\lambda }_1,{\lambda }_2,...,{\lambda }_m$是方阵$A$的$m$个特征值，$p_1,p_2,...,p_m$依次是与之对应的特征向量，如果${\lambda }_1,{\lambda }_2,...,{\lambda }_m$各不相等，则$p_1,p_2,...,p_m$线性无关。
推论：设${\lambda }_1,{\lambda }_2$是方阵$A$的两个不同特征值，${\xi }_1,{\xi }_2,...,{\xi }_s$和${\eta }_1,{\eta }_2,...,{\eta }_t$分别是对应于${\lambda }_1$和${\lambda }_2$的线性无关特征向量，则${\xi }_1,{\xi }_2,...,{\xi }_s$，${\eta }_1,{\eta }_2,...,{\eta }_t$线性无关。

相似矩阵

定义1：设$A,B$都是$n$阶矩阵，若有可逆矩阵$P$，使$$P^{-1}AP=B$$则称$B$是$A$的相似矩阵，或$A$与$B$相似。$P$称为把$A$变换成$B$的相似变换矩阵。

• 定理1：若$n$阶矩阵$A$与$B$相似，则$A$与$B$的特征多项式相同，特征值也相同。
  推论：若$n$阶矩阵$A$与对角矩阵$$\Lambda =\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right)$$相似，则${\lambda }_1,{\lambda }_2,...,{\lambda }_n$即是$A$的$n$个特征值。
• 对$n$阶矩阵$A$，寻求相似变换矩阵$P$，使$P^{-1}AP=\Lambda$为对角矩阵，称为把矩阵$A$对角化。

定理1：$n$阶矩阵$A$与对角矩阵相似(即$A$能对角化)$⟺$$A$有$n$个线性无关的特征向量。

• 推论：如果$n$阶矩阵$A$的$n$个特征值互不相等，则$A$与对角矩阵相似。

对称矩阵的对角化

性质1：对称矩阵的特征值为实数
性质2：设${\lambda }_1,{\lambda }_2$是对称矩阵$A$的两个特征值，$p_1,p_2$是对应的特征向量。若${\lambda }_1\ne {\lambda }_2$，则$p_1$与$p_2$正交。

定理1：设$A$为$n$阶对称矩阵，则必有正交矩阵$P$，使$P^{-1}AP=P^{T}AP=\Lambda$，其中$\Lambda$是以$A$的$n$个特征值为对角元的对角矩阵。
推论：设$A$为$n$阶对称矩阵，$\lambda$是$A$的特征方程的$k$重根，则矩阵$A-\lambda E$的秩$R(A-\lambda E)=n-k$，从而对应特征值$\lambda$恰有$k$个线性无关的特征向量。

二次型及其标准形

定义1：含有$n$个变量$x_1,x_2,...,x_n$的二次齐次函数$$\begin{array}{r}f(x_1,x_2,...,x_n)=a_{11}{x}_1^2+a_{22}{x}_2^2+...+a_{nn}{x}_n^2+\\ 2a_{12}{x}_1{x}_2+2a_{13}{x}_1{x}_3+...+2a_{n-1,n}{x}_{n-1}{x}_n\end{array}$$称为二次型

• 对于二次型，主要寻求可逆线性变换，使二次型只含平方项，$f=k_1{y}_1^2+k_2{y}_2^2+...+k_n{y}_n^2$称为二次型的标准型(或法式)。
• 若标准型的系数$k_1,k_2,...,k_n$只在1，-1，0三个数中取值，则称为二次型规范型。
• 二次型可用矩阵记作:$f=x^{T}Ax$，$A$为对称阵，把$A$叫做二次型$f$的矩阵，也把$f$叫做对称矩阵$A$的二次型。对称矩阵$A$的秩叫做二次型$f$的秩。

定义2：设$A$和$B$是$n$阶矩阵，若有可逆矩阵$C$，使$B=C^{T}AC$，则称矩阵$A$与$B$合同。

• 若$A$为对称矩阵，则$B$也为对称矩阵，且$R(B)=R(A)$

定理1：任给二次型$f={\sum }_{i,j=1}^n{a}_{ij}{x}_i{x}_j(a_{ij}=a_{ji})$，总有正交变换$x=Py$，使$f$化为标准型$$f={\lambda }_1{y}_1^2+{\lambda }_2{y}_2^2+...+{\lambda }_n{y}_n^2$$其中${\lambda }_1,{\lambda }_2,...,{\lambda }_n$是$f$的矩阵$A=(a_{ij})$的特征值。

• 任给$n$元二次型$f(x)=x^{T}Ax(A^T=A)$，总有可逆变换$x=Cz$，使$f(Cz)$为规范型。

正定二次型

定理1：设二次型$f=x^{T}Ax的秩为r$，且有两个可逆变换$x=Cy$及$x=Pz$使$$f=k_1{y}_1^2+k_2{y}_2^2+...+k_r{y}_r^2(k_r\ne 0)$$及$$f={\lambda }_1{z}_1^2+{\lambda }_2{z}_2^2+...+{\lambda }_r{z}_r^2({\lambda }_i\ne 0)$$则$k_1,...,k_r$中的正数个数与${\lambda }_1,...,{\lambda }_r$中正数个数相等。称为惯性定理

• 二次型中的正系数个数称为二次型的正惯性系数，负系数个数称为负惯性系数。

定义1：设二次型$f(x)=x^{T}Ax$，如果对任何$x\ne 0$，都有$f(x)>0$(显然$f(0)=0$），则称$f$为正定二次型，并称对称矩阵$A$是正定的，如果$f(x)<0$，则称为负定二次型，对称矩阵$A$是负定的。

定理2：$n$元二次型$f=x^{T}Ax$正定$⟺$它的标准型的$n$个系数全为正，即它的规范型的$n$个系数全为1.即它的正惯性系数等于$n$。

• 推论：对称矩阵$A$为正定的充要条件是：$A$的特征值全为正。

定理3：对称矩阵$A$为正定的充要条件是：$A$的各阶主子式都为正，即
$$a_{11}>0,\left|\begin{array}{cc}{a}_{11}& a_{12}\\ a_{21}& a_{22}\end{array}\right|>0,\left|\begin{array}{ccc}{a}_{11}& \cdots & a_{1n}\\ ⋮& & ⋮\\ a_{n1}& \cdots & a_{nn}\end{array}\right|>0$$对称矩阵$A$负定的充要条件是：奇数阶主子式为负，而偶数阶主子式为正,即$$(-1{)}^r\left|\begin{array}{ccc}{a}_{11}& \cdots & a_{1r}\\ ⋮& & ⋮\\ a_{r1}& \cdots & a_{rr}\end{array}\right|>0(r=1,2,...,n)$$该定理称为赫尔维茨定理。