线性代数复习

线性代数知识清单

一 行列式

概念

余子式和代数余子式

记代数余子式为 $(-1{)}^{m+n}{M}_{ij}$，则有余子式 $M_{ij}$

常用行列式相关公式

1. $|\textbf{ A}^T | = |\textbf{A}| $

2. $|k\text{A}|=k^n|\text{A}|$

3. $\text{A},\text{B}$ 均为 $n$ 阶，$|\text{AB}|=|\text{A}||\text{B}|$

4. $|{\text{A}}^{-1}|=\frac{1}{|\text{A}|}$

5. 伴随矩阵相关

   $|{\text{A}}^{\ast }|=|\text{A}{|}^{n-1}$

   $\text{A}{\text{A}}^{\ast }={\text{A}}^{\ast }\text{A}=|\text{A}|\text{E}$

6. 矩阵行列式与特征值

   $|\text{A}|=\prod {\lambda }_i$

特殊的行列式

1. 上下三角行列式

   $$\left|\begin{array}{ccccc}{c}_1& & & & \\ & c_2& & & \\ & & & \dots & \\ & & & & c_n\end{array}\right|=\prod _{i=0}^n{c}_i$$

2. 副对角线的 n 阶行列式

   $$\left|\begin{array}{ccccc}& & & & c_n\\ & & & c_{n-1}& \\ & & \dots & & \\ c_1& & & & \end{array}\right|=(-1{)}^{m+n}\prod _{i=1}^n{c}_i$$

3. 两个特殊的拉普拉斯矩阵

   $\ast$ 表示任意矩阵

   其特征为一个 $0$ 行列式分布在对角线上

   $A,B$ 分别为 $m,n$ 阶的矩阵（行列式）

   • 若 $0$ 行列式在副对角线上

     $$\left|\begin{array}{cc}\text{A}& \ast \\ O& B\end{array}\right|=\left|\begin{array}{cc}A& O\\ \ast & B\end{array}\right|=|A|\cdot |B|$$

   • 若 $0$ 行列式在副对角线上

     $$\left|\begin{array}{cc}\ast & A\\ B& O\end{array}\right|=\left|\begin{array}{cc}O& A\\ B& \ast \end{array}\right|=(-1{)}^{mn}|A|\cdot |B|$$

4. 范德蒙行列式

   若行列式的形式满足第一行全为1，第 $n$ 行各元素是第二行对应元素的 $n-1$ 次幂，则有

   KaTeX parse error: Expected group after '_' at position 183: …matrix} = \prod_̲\limits{1\leq i…
   以三阶行列式为例：

   $\left|\begin{array}{ccc}1& 1& 1\\ x_1& x_2& x_3\\ x_1^2& x_2^2& x_3^2\end{array}\right|=(x_2-x_1)(x_3-x_1)(x_3-x_2)$

二 矩阵

常用公式

矩阵的转置

$|{\text{A}}^T|=|\text{A}|$

$(\text{A}+\text{B}{)}^T={\text{A}}^T+{\text{B}}^T$

$(k\text{A}{)}^T=k{\text{A}}^T$

$(\text{AB}{)}^T={\text{B}}^T{\text{A}}^T$

伴随矩阵

$\text{A}{\text{A}}^{\ast }={\text{A}}^{\ast }\text{A}=|\text{A}|\text{E}$

$({\text{A}}^{\ast }{)}^{-1}=({\text{A}}^{-1}{)}^{\ast }=\frac{1}{|\text{A}|}\text{A}$

$(k\text{A}{)}^{\ast }=k^{n-1}{\text{A}}^{\ast }$

$({\text{A}}^{\ast }{)}^T=({\text{A}}^T{)}^{\ast }$

$|{\text{A}}^{\ast }|=|\text{A}{|}^{n-1}$

$({\text{A}}^{\ast }{)}^{\ast }=|\text{A}{|}^{n-2}\text{A}$

逆矩阵

二阶（可逆）矩阵的逆：主对角线元素互换、副对角线元素变号
$${\left[\begin{array}{cc}a& b\\ c& d\end{array}\right]}^{-1}=\left[\begin{array}{cc}d& -b\\ -c& a\end{array}\right]$$
$(k\text{A}{)}^{-1}=\frac{1}{k}{\text{A}}^{-1}$

$(\text{AB}{)}^{-1}={\text{B}}^{-1}{\text{A}}^{-1}$

$({\text{A}}^T{)}^{-1}=({\text{A}}^{-1}{)}^T$

$|{\text{A}}^{-1}|=\frac{1}{|\text{A}|}=|\mathbf{A}{|}^{-1}$

初等矩阵

左乘初等矩阵：矩阵等价初等矩阵的行变换

右乘初等矩阵：矩阵等价初等矩阵的列变换

分块矩阵计算

${\left[\begin{array}{cc}\text{A}& \text{B}\\ \text{C}& \text{D}\end{array}\right]}^T=\left[\begin{array}{cc}{\text{A}}^T& {\text{B}}^T\\ {\text{C}}^T& {\text{D}}^T\end{array}\right]$

${\left[\begin{array}{cc}\text{B}& \text{O}\\ \text{O}& \text{C}\end{array}\right]}^{-1}=\left[\begin{array}{cc}{\text{B}}^{-1}& \text{O}\\ \text{O}& {\text{C}}^{-1}\end{array}\right]$

${\left[\begin{array}{cc}\text{O}& \text{B}\\ \text{C}& \text{O}\end{array}\right]}^{-1}=\left[\begin{array}{cc}\text{O}& {\text{C}}^{-1}\\ {\text{B}}^{-1}& \text{O}\end{array}\right]$

矩阵的秩

$r(\text{A})=r({\text{A}}^T)$

$r({\text{A}}^T\text{A})=r(\text{A})$

• $k\ne 0$

  $r(k\text{A})=r(\text{A})$

  $r(\text{A}+\text{B})\le r(\text{A})+r(\text{B})$

• 若 $\mathbf{A}$ 可逆

  $r(\text{AB})=r(\text{BA})=r(\text{B})$

• 分块矩阵

  $r(\begin{bmatrix}\textbf A & \textbf O\\textbf O & \textbf B\end{bmatrix}) = r(\textbf A) + r(\textbf B) $

$r({\mathbf{A}}^{\ast })=\{\begin{array}{l}nr(\mathbf{A})=n\\ 1r(\mathbf{A})=n-1\\ 0r(\mathbf{A})<n-1\end{array}$

特殊矩阵的 $n$ 次幂

• $r(\mathbf{A})=1$

  ${\mathbf{A}}^n=l^{n-1}\mathbf{A}$

  $l$ 是 $\text{A}$ 的迹

• 相似矩阵 $\mathbf{A}\sim \mathbf{B}$

  ${\mathbf{P}}^{-1}{\mathbf{A}}^n\mathbf{P}={\mathbf{B}}^n$

• 对角矩阵的 $n$ 次幂

  $${\left[\begin{array}{ccccc}{c}_1& & & & \\ & c_2& & & \\ & & & \dots & \\ & & & & c_k\end{array}\right]}^n=\left[\begin{array}{ccccc}{c}_1^n& & & & \\ & c_2^n& & & \\ & & & \dots & \\ & & & & c_k^n\end{array}\right]$$

初等矩阵的逆矩阵

• 两行交换的初等矩阵

  $\text{A}={\text{A}}^{-1}$，即矩阵不变

• $k\times$某行的初等矩阵

  该行取倒数

  例： $\text{A}=\left[\begin{array}{ccc}1& 0& 0\\ 0& 2& 0\\ 0& 0& 1\end{array}\right]$，则 $\textbf A^{-1} =\begin{bmatrix}1 & 0 & 0 \ 0 & \frac 12 &0 \ 0 & 0 & 1\end{bmatrix} $

• 某行 $+k\times$ 另一行的初等矩阵

  倍加的部分取相反数，其余部分不变

  例：$\text{A}=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& -2\\ 0& 0& 1\end{array}\right]$，则 $\textbf A^{-1} = \begin{bmatrix}1 & 0 & 0 \ 0 & 1 &2 \ 0 & 0 & 1\end{bmatrix} $

三 向量

（列）向量相乘

有 $n$ 维列向量 $\alpha ,\beta$，有结论

$\alpha {\beta }^T,\beta {\alpha }^T,\alpha {\alpha }^T,\beta {\beta }^T,(\text{A}\alpha )(\text{A}\alpha {)}^T,(\text{B}\beta )(\text{B}\beta {)}^T$ 都是矩阵，有 $r=1$

特别的，对于 $\alpha {\alpha }^T,\beta {\beta }^T,(\text{A}\alpha )(\text{A}\alpha {)}^T,(\text{B}\beta )(\text{B}\beta {)}^T$，他们都是对称矩阵

对于 ${\alpha }^T\beta ,{\beta }^T\alpha ,{\alpha }^T\alpha ,{\beta }^T\beta ，(\text{A}\alpha {)}^T(\text{A}\alpha ),(\text{B}\beta {)}^T(\text{B}\beta )$ 他们都是 $\ge 0$ 的数

且 ${\alpha }^T\alpha ,{\beta }^T\beta ，(\text{A}\alpha {)}^T(\text{A}\alpha ),(\text{B}\beta {)}^T(\text{B}\beta )$ 一一对应 $\alpha {\alpha }^T,\beta {\beta }^T,(\text{A}\alpha )(\text{A}\alpha {)}^T,(\text{B}\beta )(\text{B}\beta {)}^T$ 的迹

线性相关的判断

有向量组 $[{\alpha }_1,{\alpha }_2,\dots \dots {\alpha }_n]=\mathbf{A}$

相关、无关的定义

当且仅当 $k_1=k_2=k_3=\dots \dots =k_n=0$ 时，才有 $k_1{\vec{\alpha }}_1+k_2{\vec{\alpha }}_2+\dots \dots +k_n{\vec{\alpha }}_n=0$ ，则向量组线性无关

线性表出

线性表出的基本定义

向量 $\mathbf{\beta }$ 能由向量组 $({\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,{\mathbf{\alpha }}_3)$ 线性表出，其中 $\mathbf{\alpha }$ 都是列向量

即存在不全为 $0$ 的系数 $k_1,k_2,k_3$，使得
$$k_1{\mathbf{\alpha }}_1+k_2{\mathbf{\alpha }}_2+k_3{\mathbf{\alpha }}_3=\mathbf{\beta }$$

能否线性表出

写作矩阵乘法，即方程组
$$({\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\dots ,{\mathbf{\alpha }}_s)\cdot \left[\begin{array}{c}{k}_1\\ k_2\\ \dots \\ k_s\end{array}\right]=\mathbf{\beta }$$
可转化为增广矩阵
$$\left[\begin{array}{ccccc}{\mathbf{\alpha }}_1& {\mathbf{\alpha }}_2& \dots & {\mathbf{\alpha }}_s& \mathbf{\beta }\end{array}\right]$$
即对应方程否有解、有唯一解或无穷多解的问题

抑或线性表出时秩的关系
$$r({\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\dots \dots ,{\mathbf{\alpha }}_s)=r({\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\dots ,{\mathbf{\alpha }}_s,\mathbf{\beta })$$

向量组的线性表出

秩的问题

向量组 $\mathrm{A}$ 可以由向量组 $\mathrm{B}$ 线性表出 $\rightarrow $ $r(\mathrm{A})\le r(\mathrm{B})$

向量组 $\mathrm{B}$ 不能由向量组 $\mathrm{A}$ 线性表出 $\to r(\mathrm{A})<r(\mathrm{B})$

方程组解的问题

向量组 $({\mathbf{\beta }}_1,{\mathbf{\beta }}_2,\dots ,{\mathbf{\beta }}_s)$ 能由向量组 $({\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\dots ,{\mathbf{\alpha }}_s)$ 线性表出，其中 ${\mathbf{\alpha }}_{\mathbf{i}},i\in (1,s)$ 都是列向量
$$({\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\dots ,{\mathbf{\alpha }}_s)\cdot \left[\begin{array}{cccc}{k}_{11}& k_{12}& \dots & k_{1s}\\ k_{21}& k_{22}& \dots & k_{2s}\\ \dots & \dots & \dots & \dots \\ k_{s1}& k_{s2}& \dots & k_{ss}\end{array}\right]=({\mathbf{\beta }}_1,{\mathbf{\beta }}_2,\dots ,{\mathbf{\beta }}_s)$$
可转化为线性方程组
$$\left[\begin{array}{cccccccc}({\alpha }_1& {\mathbf{\alpha }}_2& \dots & {\alpha }_s& {\beta }_1& {\beta }_2& \dots & {\beta }_s\end{array}\right]$$
中的每一个线性方程
$$\left[\begin{array}{ccccc}{\mathbf{\alpha }}_1& {\mathbf{\alpha }}_2& \dots & {\mathbf{\alpha }}_s& {\mathbf{\beta }}_{\mathbf{i}}\end{array}\right]$$
是否有解、有唯一解或无穷多解的问题

向量组等价

向量组 ${\alpha }_1,{\alpha }_2,\dots \dots {\alpha }_s$ 和向量组 ${\beta }_1,{\beta }_2,\dots \dots {\beta }_n$ 等价 $\iff r(\alpha_1,\alpha_2,……\alpha_s) = r(\beta_1,\beta_2,……\beta_n) $

正交矩阵与正交化

正交化

相似矩阵必定可以通过正交矩阵相似对角化

施密特正交化

将三个线性无关的向量 ${\vec{\alpha }}_1,{\vec{\alpha }}_2,{\vec{\alpha }}_3$ 化为两两垂直、长度为 $1$ 的向量

${\vec{\beta }}_1={\vec{\alpha }}_1$

${\vec{\beta }}_2={\vec{\alpha }}_2-\frac{({\vec{\alpha }}_2,{\vec{\beta }}_1)}{({\vec{\beta }}_1,{\vec{\beta }}_1)}{\vec{\beta }}_1$

${\vec{\beta }}_3={\vec{\alpha }}_3-\frac{({\vec{\alpha }}_3,{\vec{\beta }}_1)}{({\vec{\beta }}_1,{\vec{\beta }}_1)}{\vec{\beta }}_1-\frac{({\vec{\alpha }}_3,{\vec{\beta }}_2)}{({\vec{\beta }}_2,{\vec{\beta }}_2)}{\vec{\beta }}_2$

正交矩阵

${\text{AA}}^T={\text{A}}^T\text{A}=\text{E}$

${\text{A}}^T={\text{A}}^{-1}$

$|\textbf A| =\pm1 $

四 线性方程组

$n$ 阶矩阵通解的个数

若方程组 $\text{A}x=\text{0}$ 有解，则 $\text{A}$ 有 $n-r$ 个线性无关的解

基础解系的取得

约束变量（非自由变量）的确定：遮住剩余部分，自由变量应能构成一个初等矩阵

注意特殊情况：此发使用的前提是，去掉含有的单位矩阵后得到的新矩阵，行列式不为 $0$，特殊情况如下所示

有系数矩阵 $\left[\begin{array}{ccc}2& 1& 2\\ 0& 0& 0\\ 0& 0& 0\end{array}\right]$，其中 $1$ 对应的列是约束变量

不能将 ${\mathbf{\alpha }}_2=(1,0,0)$ 作为 $\mathbf{E}$ 处理，因为 $\left|\begin{array}{cc}2& 2\\ 0& 0\end{array}\right|=0$

对于 $r(\text{A})=1$ 的矩阵要注意这一点

非齐次线性方程组

非齐次线性方程组解的个数的判定

对于 $\text{A}x=\text{b}$，其中 $\text{A}$ 是 $m\times n$ 阶的系数矩阵
$$\{\begin{array}{l}r(\text{A})=r(\text{A},\text{b})=n唯一解\\ \\ r(\text{A})=r(\text{A},\text{b})<n无穷多解\\ \\ r(\text{A})<r(\text{A},\text{b})无解\end{array}$$

三个平面

非齐次方程组构成的增广矩阵可以用来表示多个平面间的关系（以三个为例）

有三个平面方程
$$\{\begin{array}{l}{a}_{1}x+b_{1}y+c_{1}z=d_1\\ a_{2}x+b_{2}y+c_{2}z=d_2\\ a_{3}x+b_{3}y+c_{3}z=d_3\end{array}$$
可记作增广矩阵
$$\overline{\text{A}}=\left[\begin{array}{cccc}{a}_1& b_1& c_1& d_1\\ a_2& b_2& c_2& d_2\\ a_3& b_3& c_3& d_3\end{array}\right]$$
则有

• 关于 $\text{A}$

  $r(\text{A})=r$，则有 $3-r$ 个平面平行

• 关于 $\overline{\text{A}}$

  $r(\text{A})=r(\overline{\text{A}})=a$ ，$a$ 个方程有交线

  $r(\text{A})<r(\overline{\text{A}})，r(\overline{\text{A}})=a$， $a$ 个平面没有公共交线

五 特征值与特征向量

特征值与特征向量

特征值的定义

若 $n$ 阶方阵 $\mathbf{A}$ 有特征值 $\lambda$ 、特征向量 $\alpha$，则有 $\mathbf{A}\alpha =\lambda \alpha$

求特征值：解特征方程 $|\lambda \text{E}-\text{A}|=0$

特征值的常用结论

1. 特征值与矩阵元素

   特征值之和等于主对角元素之和（矩阵的迹）
   $$\sum _{i=1}^n{\lambda }_i=\sum _{i=1}^n{a}_{ii}$$
   进一步有个推论

   $\text{A}x=\text{0}$ 有非 $\text{0}$ 解 $⟺0$ 是 $\text{A}$ 的一个特征值

2. 特征值与矩阵对应行列式的关系

   特征值之积 $=$ 行列式之值
   $$\text{A}=\prod _{i=1}^n{\lambda }_i$$

3. 特殊的矩阵变换对应的特征值和特征向量

   $\text{A}$	$k\mathbf{A}+\mathbf{E}$	$\mathbf{A}+k\mathbf{E}$	${\mathbf{A}}^{-1}$	${\mathbf{A}}^{\ast }$	${\mathbf{A}}^n$	${\mathbf{P}}^{-1}\mathbf{A}\mathbf{P}$
   $\lambda$	$k\lambda +1$	$\lambda +k$	$\frac{1}{\lambda }$	$\frac{	\textbf A	}{\lambda}$
   $\alpha$	$\alpha$	$\mathbf{\alpha }$	$\mathbf{\alpha }$	$\mathbf{\alpha }$	$\boldsymbol \alpha $	${\text{P}}^{-1}\alpha$

   可有进一步推论，上述 $\text{A}$ 矩阵变换的前四个都能通过同一个矩阵 $\text{P}$ 相似对角化

相似矩阵

相似矩阵定义

若存在可逆矩阵 $\mathbf{p}$，使得 ${\text{P}}^{-1}\text{A}\text{P}=\text{B}$

则称 $\text{B}$ 是 $\text{A}$ 的相似矩阵，记作 $\text{A}$ ~ $\text{B}$

证明两个矩阵相似

1. 证明矩阵相似于同一个对角矩阵

   即要证 $ \textbf A \sim \textbf B$，只需要证 $\text{A}\sim \Lambda ,\text{B}\sim \Lambda$

2. 证明 $\text{A},\text{B}$ 有相同的特征值，且相同特征值对应特征向量相同。

求可逆矩阵 $\text{P}$ 的一般步骤

求可逆矩阵 $\mathbf{P}$ 使得 ${\text{P}}^{-1}\text{A}\text{P}=\text{B}$

1. 求出 $n$ 阶矩阵的特征值 ${\lambda }_1,{\lambda }_2,\dots \dots ,{\lambda }_n$
2. 求出各特征值对应的特征向量（即求解各特征值的基础解系 $\left[\begin{array}{c}{\lambda }_i\text{E}-\text{A}\end{array}\right]$）
3. 必定有可逆矩阵 $\text{P}=({\alpha }_1,{\alpha }_2,\dots \dots ,{\alpha }_n)$ 使得 ${\text{P}}^{-1}\text{A}\text{P}=\text{B}$

实对称矩阵

概念

元素均为实数的矩阵 $\text{A}$，且满足 $\text{A}={\text{A}}^T$，则称 $\text{A}$ 是一个实对称矩阵

实对称矩阵的性质

1. 实对称矩阵的相似性：

   实对称矩阵必可用过一个正交矩阵实现相似对角化

2. 实对称矩阵的特征向量：

   实对称矩阵不同特征值的向量相互正交

   即对于 $\text{A}{\alpha }_i={\lambda }_i{\alpha }_i$， $\forall i\ne j$ ，有 ${\alpha }_i\cdot {\alpha }_j=0$

求正交矩阵 $P$ 使得 $\text{A}\sim \Lambda$

求 $P$：在得到 $\text{A}$ 的特征向量 $({\alpha }_1,{\alpha }_2,\dots \dots ,{\alpha }_n)$ 之后

• 特征值不同

  不同特征值对应的特征向量必正交

  只需对特征向量单位化

• 特征值有重根，判断是否正交

  若是，只需单位化

  若否，（施密特）正交化

可以得到正交矩阵
$$\Lambda =\left[\begin{array}{cccc}{\eta }_1& & & \\ & {\eta }_2& & \\ & & \dots & \\ & & & {\eta }_n\end{array}\right]$$

六 二次型

二次型的定义

标准型和规范型

标准型：二次型矩阵中仅 $a_{ii}\ne 0$

规范型：在标准型基础上，对于 $a_{ii}$，要求其系数只能为 $-1.0.1$

二次型矩阵一定是一个实对称矩阵，因此其具有实对称矩阵的所有性质

二次型化为标准型

配方法

将 $f$ 构造为三个完全平方项之和

注意，三个平方项构成的行列式不为 $0$，不能直接写标准型

如 $f = (x_1 + x_2 + x_3)^2 + (2x_1 + 2x_2 + 2x_3)^2 + x_3^2 $

不能通过变换 $\{\begin{array}{l}{y}_1=x_1+x_2+x_3\\ y_2=2x_1+2x_2+2x_3\\ y_3=x_3\end{array}$ 化为标准型 $f=y_1^2+y_2^2+y_3^2$

必须拆所有括号依次重新配方

正交变换法

任意给定二次型 $f=\sum _{i=1,j=1}^n{a}_{i,j}{x}_i{y}_j(a_{ij}=a_{ji})$，总有正交变换 $x=Py$，使 $f$ 化为标准型 $f={\lambda }_1{y}_1^2+{\lambda }_2{y}_2^2+\dots +{\lambda }_n{y}_n^2$，其中 ${\lambda }_i$ 是 $f$ 对应二次型矩阵 $\text{A}$ 的特征值

1. 将二次型表示为矩阵形式
   $$f={\left[\begin{array}{c}{x}_1\\ x_2\\ \dots \\ x_n\end{array}\right]}^T\text{A}\left[\begin{array}{c}{x}_1\\ x_2\\ \dots \\ x_n\end{array}\right]$$

2. 求特征值 ${\lambda }_i$

3. 求 ${\lambda }_i$ 对应的特征向量 ${\xi }_i$

4. 正交化、单位化 ${\xi }_i$，得$\text{C}=({\eta }_1,{\eta }_2,\dots ,{\eta }_n)$

   则有 $x=\text{C}y$

二次曲面

惯性指数

正平方项个数 $p$ 记作正惯性系数

负平方项个数 $q$ 记作负惯性系数

二次曲面与二次型的关系

二次型构成的方程可以唯一的表示一个曲面，其中矩阵的特征值即二次曲面的轴

此处用正负惯性系数 $p.q$ 描述

• 椭球
  $$\begin{gathered} \frac{x^2}{a^2}+\frac{y^2}{b^2}+\frac{z^2}{c^2}=1 \\ p=3,q=0 \end{gathered}$$

• 单页双曲面
  $$\begin{gathered} \frac{x^2}{a^2}+\frac{y^2}{b^2}-\frac{z^2}{c^2}=1 \\ p=2,q=1 \end{gathered}$$

• 双叶双曲面

  两个形式，区别在右侧常系数的符号
  $$\begin{gathered} \frac{x^2}{a^2}-\frac{y^2}{b^2}-\frac{z^2}{c^2}=1 \\ p=1,q=2 \end{gathered}$$

  $$\begin{gathered} \frac{x^2}{a^2}+\frac{y^2}{b^2}-\frac{z^2}{c^2}=-1 \\ p=2,q=1 \end{gathered}$$

• 锥面
  $$\begin{gathered} \frac{x^2}{a^2}+\frac{y^2}{b^2}-\frac{z^2}{c^2}=0 \\ p=2,q=1 \end{gathered}$$

合同

合同的定义

对于两个 $n$ 阶方阵 $\text{A},\text{B}$，有 ${\text{P}}^T\text{A}\text{P}=B$，则称 $\text{A},\text{B}$合同，记作 $\text{A}\simeq \text{B}$

合同的充要条件

对于实对称矩阵 $\text{A},\text{B}$
$$\text{A}\simeq \text{B}⟺二次型{\text{x}}^T\text{A}\text{x}和二次型{\text{x}}^T\text{B}\text{x}有相同的正负惯性指数⟺有相同的规范型$$

正定

正定的判定

$f(x_1,x_2,\dots \dots ,x_n)={\text{x}}^T\text{A}\text{x}$ 正定

1. $\text{A}$ 的正惯性系数 $p=n$，即 $\text{A}$ 的全部特征值 $>0$

2. $\text{A}$的全部顺序主子式 $>0$，即$a_{11}>0,$ $\left|\begin{array}{cc}{a}_{11}& a_{12}\\ a_{21}& a_{22}\end{array}\right|>0$，……， $|\text{A}|>0$ （顺序主子式全为正）