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
-
特征值与特征向量
设 A \boldsymbol{A} A是 n n n阶矩阵,若对实数 λ \lambda λ存在非零向量 α \boldsymbol\alpha α,使得 A α = λ α \boldsymbol{A}\boldsymbol\alpha=\lambda\boldsymbol\alpha Aα=λα,则称 λ \lambda λ是 A \boldsymbol{A} A的特征值, α \boldsymbol\alpha α是 A \boldsymbol{A} A的对应特征值 λ \lambda λ的特征向量。称 ∣ λ E − A ∣ |\lambda\boldsymbol{E}-\boldsymbol{A}| ∣λE−A∣为 A \boldsymbol{A} A的特征多项式, ∣ λ E − A ∣ = 0 |\lambda\boldsymbol{E}-\boldsymbol{A}|=0 ∣λE−A∣=0的全部解即为 A \boldsymbol{A} A的全部特征值。
A \boldsymbol{A} A对角线元素之和称为迹,记作 t r ( A ) tr(\boldsymbol{A}) tr(A),且 t r ( A ) = λ 1 + ⋯ + λ n tr(\boldsymbol{A})=\lambda_1+\cdots+\lambda_n tr(A)=λ1+⋯+λn。
-
矩阵的相似
设 A , B \boldsymbol{A},\boldsymbol{B} A,B为 n n n阶矩阵,若存在可逆矩阵 P \boldsymbol{P} P,使得 P − 1 A P = B \boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P}=\boldsymbol{B} P−1AP=B,则称矩阵 A \boldsymbol{A} A与 B \boldsymbol{B} B相似。
若 A \boldsymbol{A} A与 B \boldsymbol{B} B相似,则
( 1 ) ∣ λ E − A ∣ = ∣ λ E − B ∣ ( 2 ) ∣ A ∣ = ∣ B ∣ , t r ( A ) = t r ( B ) , R ( A ) = R ( B ) ( 3 ) A T 与 B T 相似 , A m 与 B m 相似 , f ( A ) 与 f ( B ) 相似 ( 4 ) 当 A 可逆时 , A − 1 与 B − 1 相似 , A ∗ 与 B ∗ 相似 \begin{aligned} &(1)|\lambda\boldsymbol{E}-\boldsymbol{A}|=|\lambda\boldsymbol{E}-\boldsymbol{B}|\\ &(2)|\boldsymbol{A}|=|\boldsymbol{B}|,tr(\boldsymbol{A})=tr(\boldsymbol{B}),R(\boldsymbol{A})=R(\boldsymbol{B})\\ &(3)\boldsymbol{A}^T与\boldsymbol{B}^T相似,\boldsymbol{A}^m与\boldsymbol{B}^m相似,f(\boldsymbol{A})与f(\boldsymbol{B})相似\\ &(4)当\boldsymbol{A}可逆时,\boldsymbol{A}^{-1}与\boldsymbol{B}^{-1}相似,\boldsymbol{A}^*与\boldsymbol{B}^*相似 \end{aligned} (1)∣λE−A∣=∣λE−B∣(2)∣A∣=∣B∣,tr(A)=tr(B),R(A)=R(B)(3)AT与BT相似,Am与Bm相似,f(A)与f(B)相似(4)当A可逆时,A−1与B−1相似,A∗与B∗相似
-
矩阵可相似对角化的第一种充要条件
n 阶矩阵 A 可相似对角化的充要条件是 A 有 n 个线性无关的特征向量 n阶矩阵\boldsymbol{A}可相似对角化的充要条件是\boldsymbol{A}有n个线性无关的特征向量 n阶矩阵A可相似对角化的充要条件是A有n个线性无关的特征向量
推论:若 n n n阶矩阵 A \boldsymbol{A} A有 n n n个不同的特征值,则必可相似对角化,反之不成立。
-
矩阵可相似对角化的第二种充要条件
设 n n n阶矩阵 A \boldsymbol{A} A的不同特征值为 λ 1 , ⋯ , λ s \lambda_1,\cdots,\lambda_s λ1,⋯,λs,其重数分别为 r 1 , ⋯ . r s r_1,\cdots.r_s r1,⋯.rs,且 ∑ i = 1 s r i = n \sum\limits_{i=1}^sr_i=n i=1∑sri=n,则 A \boldsymbol{A} A可相似对角化的充要条件是对于每一个特征值 λ i \lambda_i λi有 R ( λ i E − A ) = n − r i R(\lambda_i\boldsymbol{E}-\boldsymbol{A})=n-r_i R(λiE−A)=n−ri,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 , ⋯ , s ) r_i(i=1,\cdots,s) ri(i=1,⋯,s)。
-
相似对角化的计算方法
( 1 ) 计算矩阵 A 的特征值 λ 1 , ⋯ , λ n ( 2 ) 计算对应特征值的对应特征向量 p 1 , ⋯ , p n ( 3 ) 记 P = [ p 1 , ⋯ , p n ] , 则 P − 1 A P = [ λ 1 ⋱ λ n ] \begin{aligned} &(1)计算矩阵\boldsymbol{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\boldsymbol{p}_1,\cdots,\boldsymbol{p}_n\\ &(3)记\boldsymbol{P}=[\boldsymbol{p}_1,\cdots,\boldsymbol{p}_n],则\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P}=\begin{bmatrix}\lambda_1&&\\&\ddots\\&&\lambda_n\end{bmatrix} \end{aligned} (1)计算矩阵A的特征值λ1,⋯,λn(2)计算对应特征值的对应特征向量p1,⋯,pn(3)记P=[p1,⋯,pn],则P−1AP= λ1⋱λn
-
向量的内积与正交性
若 α = ( a 1 , ⋯ , a n ) T , β = ( b 1 , ⋯ , b n ) T \boldsymbol\alpha=(a_1,\cdots,a_n)^T,\boldsymbol\beta=(b_1,\cdots,b_n)^T α=(a1,⋯,an)T,β=(b1,⋯,bn)T,则记 α \boldsymbol\alpha α与 β \boldsymbol\beta β的内积为:
( α , β ) = α T β = β T α = a 1 b 1 + ⋯ + a n b n (\boldsymbol\alpha,\boldsymbol\beta)=\boldsymbol\alpha^T\boldsymbol\beta=\boldsymbol\beta^T\boldsymbol\alpha=a_1b_1+\cdots+a_nb_n (α,β)=αTβ=βTα=a1b1+⋯+anbn
若 ( α , β ) = 0 (\boldsymbol\alpha,\boldsymbol\beta)=0 (α,β)=0,则称 α \boldsymbol\alpha α与 β \boldsymbol\beta β正交。
-
S c h i m i d t Schimidt Schimidt正交化方法
若有 n n n个线性无关的向量 α 1 , ⋯ , α n \boldsymbol\alpha_1,\cdots,\boldsymbol\alpha_n α1,⋯,αn,则过程分为正交化和单位化
正交化过程
β k = α k − ∑ i = 1 k − 1 ( β i , α k ) ( β i , β i ) β i , k = 1 , ⋯ , n \boldsymbol\beta_k=\boldsymbol\alpha_k-\sum_{i=1}^{k-1}\frac{(\boldsymbol\beta_i,\boldsymbol\alpha_k)}{(\boldsymbol\beta_i,\boldsymbol\beta_i)}\boldsymbol\beta_i,\quad k=1,\cdots,n βk=αk−i=1∑k−1(βi,βi)(βi,αk)βi,k=1,⋯,n
单位化过程
η k = β k ∣ ∣ β k ∣ ∣ , k = 1 , ⋯ , n \boldsymbol{\eta}_k=\frac{\boldsymbol\beta_k}{||\boldsymbol\beta_k||},\quad k=1,\cdots,n ηk=∣∣βk∣∣βk,k=1,⋯,n
从而得到一组单位正交向量 η 1 ⋯ , η n \boldsymbol{\eta}_1\cdots,\boldsymbol{\eta}_n η1⋯,ηn。
-
正交矩阵
若 A A T = E \boldsymbol{A}\boldsymbol{A}^T=\boldsymbol{E} AAT=E或者 A T = A − 1 \boldsymbol{A}^T=\boldsymbol{A}^{-1} AT=A−1,则称矩阵 A \boldsymbol{A} A为正交矩阵。
-
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 A \boldsymbol{A} A是 n n n阶实对称矩阵,且特征值为 λ 1 , ⋯ , λ n \lambda_1,\cdots,\lambda_n λ1,⋯,λn,则存在正交矩阵 Q \boldsymbol{Q} Q,使得
Q T A Q = [ λ 1 ⋱ λ n ] \boldsymbol{Q}^T\boldsymbol{A}\boldsymbol{Q}=\begin{bmatrix}\lambda_1&&\\&\ddots\\&&\lambda_n\end{bmatrix} QTAQ= λ1⋱λn
(5)若 A \boldsymbol{A} A和 B \boldsymbol{B} B均为 n n n阶实对称矩阵,则 A \boldsymbol{A} A和 B \boldsymbol{B} B相似的充要条件是 A \boldsymbol{A} A和 B \boldsymbol{B} B有相同的特征值。
-
二次型
n n n个变量 x 1 , ⋯ , x n x_1,\cdots,x_n x1,⋯,xn的二次齐次实系数函数
f ( x 1 , ⋯ , x n ) = ∑ i = 1 n a i i x i 2 + ∑ i < j n 2 a i j x i x j f(x_1,\cdots,x_n)=\sum_{i=1}^na_{ii}x_i^2+\sum_{i<j}^n2a_{ij}x_ix_j f(x1,⋯,xn)=i=1∑naiixi2+i<j∑n2aijxixj
称为 n n n元实二次型,可以表示为 X T A X \boldsymbol{X}^T\boldsymbol{A}\boldsymbol{X} XTAX,其中
A = [ a 11 ⋯ a 1 n ⋮ ⋱ ⋮ a n 1 ⋯ a n n ] , X = [ x 1 ⋮ x n ] \boldsymbol{A}=\begin{bmatrix}a_{11}&\cdots&a_{1n}\\\vdots&\ddots&\vdots\\a_{n1}&\cdots&a_{nn}\end{bmatrix},\boldsymbol{X}=\begin{bmatrix}x_1\\\vdots\\x_n\end{bmatrix} A= a11⋮an1⋯⋱⋯a1n⋮ann ,X= x1⋮xn
且 a i j = a j i ( i , j = 1 , ⋯ , n ) a_{ij}=a_{ji}(i,j=1,\cdots,n) aij=aji(i,j=1,⋯,n)。
-
二次型的标准形与规范性
若存在可逆矩阵 C \boldsymbol{C} C以及 X = C Y \boldsymbol{X}=\boldsymbol{C}\boldsymbol{Y} X=CY,使得
f = X T A X = Y T [ k 1 ⋱ k n ] Y f=\boldsymbol{X}^T\boldsymbol{A}\boldsymbol{X}=\boldsymbol{Y}^T\begin{bmatrix}k_1&&\\&\ddots&\\&&k_n\end{bmatrix}\boldsymbol{Y} f=XTAX=YT k1⋱kn Y
则称 f = k 1 y 1 2 + ⋯ + k n y n 2 f=k_1y_1^2+\cdots+k_ny_n^2 f=k1y12+⋯+knyn2为 f f f的标准形
进一步,根据 k i k_i ki的正负号可写为 f = z 1 2 + ⋯ + z p 2 − z p + 1 2 − ⋯ − z r 2 f=z_1^2+\cdots+z_p^2-z_{p+1}^2-\cdots-z_r^2 f=z12+⋯+zp2−zp+12−⋯−zr2的形式,称为 f f f的规范形。
其中 r r r是 f f f的秩, p p p为 f f f的正惯性指数, r − p r-p r−p为 f f f的负惯性指数。
-
矩阵的相合
设 A \boldsymbol{A} A和 B \boldsymbol{B} B是 n n n阶矩阵,若存在可逆矩阵 P \boldsymbol{P} P,使得 P T A P = B \boldsymbol{P}^T\boldsymbol{A}\boldsymbol{P}=\boldsymbol{B} PTAP=B,则称 A \boldsymbol{A} A与 B \boldsymbol{B} B相合。
任何实对称矩阵 A \boldsymbol{A} A必和如下对角阵合同
Λ = [ E p − E r − p O ] \Lambda=\begin{bmatrix}\boldsymbol{E}_p&&\\&-\boldsymbol{E}_{r-p}&\\&&\boldsymbol{O}\end{bmatrix} Λ= Ep−Er−pO
-
正定二次型与正定矩阵
设 f = X T A X f=\boldsymbol{X}^T\boldsymbol{A}\boldsymbol{X} f=XTAX为 n n n元二次型,若对任意 n n n维维非零向量 α \boldsymbol\alpha α均有 α T A α > 0 \boldsymbol\alpha^T\boldsymbol{A}\boldsymbol\alpha>0 αTAα>0,则称 f f f为正定二次型,同时称矩阵 A \boldsymbol{A} A为正定矩阵。
若 n n n维矩阵 A \boldsymbol{A} A是正定矩阵,则
(1) A \boldsymbol{A} A是实对称矩阵;
(2) A \boldsymbol{A} A正惯性指数为 n n n,所有特征值均为正;
(3) A \boldsymbol{A} A与单位阵合同;
(4) A \boldsymbol{A} A的各阶顺序主子式大于零;
(5)存在可逆矩阵 P \boldsymbol{P} P使得 A = P T P \boldsymbol{A}=\boldsymbol{P}^T\boldsymbol{P} A=PTP。