2.4 矩阵特征值分解与二次型

第二章 线性代数

全文均为手敲，如果发现有误，请于评论区交流讨论留言，作者会及时修改

2.4 矩阵特征值分解与二次型

1. 特征值与特征向量

   设$\mathbf{A}$是$n$阶矩阵，若对实数$\lambda$存在非零向量$\mathbf{\alpha }$，使得$\mathbf{A}\mathbf{\alpha }=\lambda \mathbf{\alpha }$，则称$\lambda$是$\mathbf{A}$的特征值，$\mathbf{\alpha }$是$\mathbf{A}$的对应特征值$\lambda$的特征向量。称$|\lambda \mathbf{E}-\mathbf{A}|$为$\mathbf{A}$的特征多项式，$|\lambda \mathbf{E}-\mathbf{A}|=0$的全部解即为$\mathbf{A}$的全部特征值。

   $\mathbf{A}$对角线元素之和称为迹，记作$tr(\mathbf{A})$，且$tr(\mathbf{A})={\lambda }_1+\cdots +{\lambda }_n$。

2. 矩阵的相似

   设$\mathbf{A},\mathbf{B}$为$n$阶矩阵，若存在可逆矩阵$\mathbf{P}$，使得${\mathbf{P}}^{-1}\mathbf{A}\mathbf{P}=\mathbf{B}$，则称矩阵$\mathbf{A}$与$\mathbf{B}$相似。

   若$\mathbf{A}$与$\mathbf{B}$相似，则

   $$\begin{array}{rl}& (1)|\lambda \mathbf{E}-\mathbf{A}|=|\lambda \mathbf{E}-\mathbf{B}|\\ & (2)|\mathbf{A}|=|\mathbf{B}|,tr(\mathbf{A})=tr(\mathbf{B}),R(\mathbf{A})=R(\mathbf{B})\\ & (3){\mathbf{A}}^T与{\mathbf{B}}^T相似,{\mathbf{A}}^m与{\mathbf{B}}^m相似,f(\mathbf{A})与f(\mathbf{B})相似\\ & (4)当\mathbf{A}可逆时,{\mathbf{A}}^{-1}与{\mathbf{B}}^{-1}相似,{\mathbf{A}}^{\ast }与{\mathbf{B}}^{\ast }相似\end{array}$$

3. 矩阵可相似对角化的第一种充要条件

   $$n阶矩阵\mathbf{A}可相似对角化的充要条件是\mathbf{A}有n个线性无关的特征向量$$

   推论：若$n$阶矩阵$\mathbf{A}$有$n$个不同的特征值，则必可相似对角化，反之不成立。

4. 矩阵可相似对角化的第二种充要条件

   设$n$阶矩阵$\mathbf{A}$的不同特征值为${\lambda }_1,\cdots ,{\lambda }_s$，其重数分别为$r_1,\cdots .r_s$，且$\sum _{i=1}^s{r}_i=n$，则$\mathbf{A}$可相似对角化的充要条件是对于每一个特征值${\lambda }_i$有$R({\lambda }_i\mathbf{E}-\mathbf{A})=n-r_i$，即对应于特征值极大线性无关的特征向量的个数恰好等于其重数$r_i(i=1,\cdots ,s)$。

5. 相似对角化的计算方法

   $$\begin{array}{rl}& (1)计算矩阵\mathbf{A}的特征值{\lambda }_1,\cdots ,{\lambda }_n\\ & (2)计算对应特征值的对应特征向量{\mathbf{p}}_1,\cdots ,{\mathbf{p}}_n\\ & (3)记\mathbf{P}=[{\mathbf{p}}_1,\cdots ,{\mathbf{p}}_n],则{\mathbf{P}}^{-1}\mathbf{A}\mathbf{P}=\left[\begin{array}{ccc}{\lambda }_1& & \\ & \ddots & \\ & & {\lambda }_n\end{array}\right]\end{array}$$

6. 向量的内积与正交性

   若$\mathbf{\alpha }=(a_1,\cdots ,a_n{)}^T,\mathbf{\beta }=(b_1,\cdots ,b_n{)}^T$，则记$\mathbf{\alpha }$与$\mathbf{\beta }$的内积为：

   $$(\mathbf{\alpha },\mathbf{\beta })={\mathbf{\alpha }}^T\mathbf{\beta }={\mathbf{\beta }}^T\mathbf{\alpha }=a_1{b}_1+\cdots +a_n{b}_n$$

   若$(\mathbf{\alpha },\mathbf{\beta })=0$，则称$\mathbf{\alpha }$与$\mathbf{\beta }$正交。

7. $Schimidt$正交化方法

   若有$n$个线性无关的向量${\mathbf{\alpha }}_1,\cdots ,{\mathbf{\alpha }}_n$，则过程分为正交化和单位化

   正交化过程

   $${\mathbf{\beta }}_k={\mathbf{\alpha }}_k-\sum _{i=1}^{k-1}\frac{({\mathbf{\beta }}_i,{\mathbf{\alpha }}_k)}{({\mathbf{\beta }}_i,{\mathbf{\beta }}_i)}{\mathbf{\beta }}_i,k=1,\cdots ,n$$

   单位化过程

   $${\mathbf{\eta }}_k=\frac{{\mathbf{\beta }}_k}{||{\mathbf{\beta }}_k||},k=1,\cdots ,n$$

   从而得到一组单位正交向量${\mathbf{\eta }}_1\cdots ,{\mathbf{\eta }}_n$。

8. 正交矩阵

   若$\mathbf{A}{\mathbf{A}}^T=\mathbf{E}$或者${\mathbf{A}}^T={\mathbf{A}}^{-1}$，则称矩阵$\mathbf{A}$为正交矩阵。

9. 实对称矩阵的正交相似对角化

   （1）实对称矩阵的特征值均为实数；

   （2）实对称矩阵对应不同特征值的特征向量相互正交；

   （3）实对称矩阵必定可以相似对角化；

   （4）若$\mathbf{A}$是$n$阶实对称矩阵，且特征值为${\lambda }_1,\cdots ,{\lambda }_n$，则存在正交矩阵$\mathbf{Q}$，使得

   $${\mathbf{Q}}^T\mathbf{A}\mathbf{Q}=\left[\begin{array}{ccc}{\lambda }_1& & \\ & \ddots & \\ & & {\lambda }_n\end{array}\right]$$

   （5）若$\mathbf{A}$和$\mathbf{B}$均为$n$阶实对称矩阵，则$\mathbf{A}$和$\mathbf{B}$相似的充要条件是$\mathbf{A}$和$\mathbf{B}$有相同的特征值。

10. 二次型

    $n$个变量$x_1,\cdots ,x_n$的二次齐次实系数函数

    $$f(x_1,\cdots ,x_n)=\sum _{i=1}^n{a}_{ii}{x}_i^2+\sum _{i<j}^{n}2a_{ij}{x}_i{x}_j$$

    称为$n$元实二次型，可以表示为${\mathbf{X}}^T\mathbf{A}\mathbf{X}$，其中

    $$\mathbf{A}=\left[\begin{array}{ccc}{a}_{11}& \cdots & a_{1n}\\ ⋮& \ddots & ⋮\\ a_{n1}& \cdots & a_{nn}\end{array}\right],\mathbf{X}=\left[\begin{array}{c}{x}_1\\ ⋮\\ x_n\end{array}\right]$$

    且$a_{ij}=a_{ji}(i,j=1,\cdots ,n)$。

11. 二次型的标准形与规范性

    若存在可逆矩阵$\mathbf{C}$以及$\mathbf{X}=\mathbf{C}\mathbf{Y}$，使得

    $$f={\mathbf{X}}^T\mathbf{A}\mathbf{X}={\mathbf{Y}}^T\left[\begin{array}{ccc}{k}_1& & \\ & \ddots & \\ & & k_n\end{array}\right]\mathbf{Y}$$

    则称$f=k_1{y}_1^2+\cdots +k_n{y}_n^2$为$f$的标准形

    进一步，根据$k_i$的正负号可写为$f=z_1^2+\cdots +z_p^2-z_{p+1}^2-\cdots -z_r^2$的形式，称为$f$的规范形。

    其中$r$是$f$的秩，$p$为$f$的正惯性指数，$r-p$为$f$的负惯性指数。

12. 矩阵的相合

    设$\mathbf{A}$和$\mathbf{B}$是$n$阶矩阵，若存在可逆矩阵$\mathbf{P}$，使得${\mathbf{P}}^T\mathbf{A}\mathbf{P}=\mathbf{B}$，则称$\mathbf{A}$与$\mathbf{B}$相合。

    任何实对称矩阵$\mathbf{A}$必和如下对角阵合同

    $$\Lambda =\left[\begin{array}{ccc}{\mathbf{E}}_p& & \\ & -{\mathbf{E}}_{r-p}& \\ & & \mathbf{O}\end{array}\right]$$

13. 正定二次型与正定矩阵

    设$f={\mathbf{X}}^T\mathbf{A}\mathbf{X}$为$n$元二次型，若对任意$n$维维非零向量$\mathbf{\alpha }$均有${\mathbf{\alpha }}^T\mathbf{A}\mathbf{\alpha }>0$，则称$f$为正定二次型，同时称矩阵$\mathbf{A}$为正定矩阵。

    若$n$维矩阵$\mathbf{A}$是正定矩阵，则

    （1）$\mathbf{A}$是实对称矩阵；

    （2）$\mathbf{A}$正惯性指数为$n$，所有特征值均为正；

    （3）$\mathbf{A}$与单位阵合同；

    （4）$\mathbf{A}$的各阶顺序主子式大于零；

    （5）存在可逆矩阵$\mathbf{P}$使得$\mathbf{A}={\mathbf{P}}^T\mathbf{P}$。