Jordan标准型(2)

最新推荐文章于 2024-10-28 13:04:33 发布

quaer

最新推荐文章于 2024-10-28 13:04:33 发布

阅读量846

点赞数 23

分类专栏：矩阵论文章标签：线性代数概率论

本文链接：https://blog.csdn.net/quaer/article/details/142389623

版权

矩阵论专栏收录该内容

13 篇文章 0 订阅

订阅专栏

矩阵论（二）——Jordan标准形
1. 线性变换的对角矩阵表示
1.1 特征值与特征向量
1.2 特征子空间
概念
性质
例题
1.3 线性变换矩阵的对角化
概念
例题
2 Jordan矩阵介绍
2.1 Jordan矩阵
2.2 Jordan标准形
计算步骤
推导过程
例题
3. 最小多项式
3.1 矩阵多项式
3.2 方阵的化零多项式
例题
3.3 最小多项式
概念
性质
1. 线性变换的对角矩阵表示
1.1 特征值与特征向量
1. ∃ ϵ ∈ V n ( F ) 且 λ ∈ F ， ϵ ≠ 0 ，使 T ( ϵ ) = λ ϵ \exist \epsilon \in V_n(F)且\lambda \in F，\epsilon \neq 0，使T(\epsilon) = \lambda \epsilon∃ϵ∈V
n

(F)且λ∈F，ϵ


=0，使T(ϵ)=λϵ，则λ \lambdaλ是T的特征值，向量ϵ \epsilonϵ是线性变换T对应于λ \lambdaλ的特征向量
证明：
ϵ = ( α 1 α 2 ⋯ α n ) X \epsilon = (\alpha_1 \quad \alpha_2 \quad \cdots \alpha_n) X
ϵ=(α
1

α
2

⋯α
n

)X

T ( ϵ ) = ( α 1 α 2 ⋯ α n ) A X T(\epsilon) = (\alpha_1 \quad \alpha_2 \quad \cdots \alpha_n) AX
T(ϵ)=(α
1

α
2

⋯α
n

)AX

因此 T ( ϵ ) = λ ϵ ⟺ A X = λ X T(\epsilon) = \lambda \epsilon \iff AX = \lambda XT(ϵ)=λϵ⟺AX=λX

2. 线性变换T在基{ α 1 α 2 ⋯ α n } \{\alpha_1 \quad \alpha_2 \quad \cdots \alpha_n\}{α
1

α
2

⋯α
n

}下矩阵为A，则A的特征值是T的特征值；若X是A的特征向量，则ϵ = ( α 1 α 2 ⋯ α n ) X \epsilon = (\alpha_1 \quad \alpha_2 \quad \cdots \alpha_n) Xϵ=(α
1

α
2

⋯α
n

)X是T的特征向量
T的特征值由T决定，和基与变换矩阵的选择无关
不同特征值对应的特征向量必线性无关

1.2 特征子空间
概念
λ \lambdaλ是线性变换T的特征值，ϵ 1 , ϵ 2 , ⋯ , ϵ t \epsilon_1,\ \epsilon_2,\ \cdots,\ \epsilon_tϵ
1

, ϵ
2

, ⋯, ϵ
t

是T对应于λ \lambdaλ的特征向量的极大线性无关组，则称子空间V λ = L { ϵ 1 , ϵ 2 , ⋯ , ϵ t } V_\lambda = L\{\epsilon_1,\ \epsilon_2,\ \cdots,\ \epsilon_t\}V
λ

=L{ϵ
1

, ϵ
2

, ⋯, ϵ
t

}为T关于λ \lambdaλ的特征子空间
∀ α ∈ V λ , α ≠ 0 , α \forall \alpha \in V_\lambda,\ \alpha \neq 0,\ \alpha∀α∈V
λ

, α


=0, α就是T关于λ \lambdaλ的特征向量，V λ = N ( T − λ I ) V_\lambda=N(T - \lambda I)V
λ

=N(T−λI)
若T有s个互异的特征值，则它们就对应s个特征子空间
奇异矩阵：该矩阵的秩不是满秩

性质
λ 1 , λ 2 , ⋯ , λ s 是 V n ( F ) \lambda_1,\ \lambda_2,\ \cdots,\ \lambda_s是V_n(F)λ
1

, λ
2

, ⋯, λ
s

是V
n

(F)上线性变换T的s个互异的特征值，V λ i V_{\lambda_i}V
λ
i

是λ i \lambda_iλ
i

的特征子空间，则
V λ i \quad V_{\lambda_i}V
λ
i

是T的不变子空间
λ i ≠ λ j 时， V λ i ∩ V λ j = { 0 } \quad \lambda_i \neq \lambda_j时，V_{\lambda_i} \cap V_{\lambda_j} = \{0\}λ
i



=λ
j

时，V
λ
i

∩V
λ
j

={0}
若 λ i \quad 若\lambda_i若λ
i

是T的k重特征值，则d i m V λ i ≤ k dimV_{\lambda_i} \leq kdimV
λ
i

≤k

V λ 1 + V λ 2 + ⋯ + V λ s = V λ 1 ⨁ V λ 2 ⨁ ⋯ ⨁ V λ s ⊂ V n ( F ) V_{\lambda_1} + V_{\lambda_2} + \cdots + V_{\lambda_s} = V_{\lambda_1} \bigoplus V_{\lambda_2} \bigoplus \cdots \bigoplus V_{\lambda_s} \subset V_n(F)V
λ
1

+V
λ
2

+⋯+V
λ
s

=V
λ
1

⨁V
λ
2

⨁⋯⨁V
λ
s

⊂V
n

(F)

∑ i = 1 s d i m V λ i ≤ d i m V n ( F ) = n \sum^s_{i = 1} dimV_{\lambda_i} \leq dimV_n(F) = n∑
i=1
s

dimV
λ
i

≤dimV
n

(F)=n

∑ i = 1 s d i m V λ i = n ⇒ V λ 1 ⨁ V λ 2 ⨁ ⋯ ⨁ V λ s = V n ( F ) \sum^s_{i = 1} dimV_{\lambda_i} = n \Rightarrow V_{\lambda_1} \bigoplus V_{\lambda_2} \bigoplus \cdots \bigoplus V_{\lambda_s} = V_n(F)∑
i=1
s

dimV
λ
i

=n⇒V
λ
1

⨁V
λ
2

⨁⋯⨁V
λ
s

=V
n

(F)

例题
例题一

例题二

1.3 线性变换矩阵的对角化
概念
线性变换T有对角矩阵 ⟺ \iff⟺ T有n个线性无关的特征向量 ⟺ \iff⟺ V λ 1 ⨁ V λ 2 ⨁ ⋯ ⨁ V λ s = V n ( F ) V_{\lambda_1} \bigoplus V_{\lambda_2} \bigoplus \cdots \bigoplus V_{\lambda_s} = V_n(F)V
λ
1

⨁V
λ
2

⨁⋯⨁V
λ
s

=V
n

(F) ⟺ \iff⟺ m ( λ ) = ( λ − λ 1 ) ( λ − λ 2 ) ⋯ ( λ − λ s ) m(\lambda) = (\lambda - \lambda_1)(\lambda - \lambda_2) \cdots (\lambda - \lambda_s)m(λ)=(λ−λ
1

)(λ−λ
2

)⋯(λ−λ
s

)
V λ 1 ⨁ V λ 2 ⨁ ⋯ ⨁ V λ s = V n ( F ) V_{\lambda_1} \bigoplus V_{\lambda_2} \bigoplus \cdots \bigoplus V_{\lambda_s} = V_n(F)V
λ
1

⨁V
λ
2

⨁⋯⨁V
λ
s

=V
n

(F) ⟺ \iff⟺ λ i 是 T 的 k i 重特征值，必有 d i m V λ i = k i , i = 1 , 2 , ⋯ , n \lambda_i是T的k_i重特征值，必有dimV_{\lambda_i} = k_i,\ i = 1,\ 2,\ \cdots,\ nλ
i

是T的k
i

重特征值，必有dimV
λ
i

=k
i

, i=1, 2, ⋯, n
若λ i \lambda_iλ
i

为T的单特征值，则必有d i m V λ i = 1 dimV_{\lambda_i} = 1dimV
λ
i

=1
线性变换T有n个互异的特征值λ 1 , λ 2 , ⋯ , λ n \lambda_1,\ \lambda_2,\ \cdots,\ \lambda_nλ
1

, λ
2

, ⋯, λ
n

⇒ \Rightarrow⇒ V λ 1 ⨁ V λ 2 ⨁ ⋯ ⨁ V λ s = V n ( F ) V_{\lambda_1} \bigoplus V_{\lambda_2} \bigoplus \cdots \bigoplus V_{\lambda_s} = V_n(F)V
λ
1

⨁V
λ
2

⨁⋯⨁V
λ
s

=V
n

(F)
V n ( F ) V_n(F)V
n

(F)上线性变换有对角矩阵表示 ⟺ \iff⟺ V n ( F ) V_n(F)V
n

(F)可分解为T的一维不变子空间的直和

例题
例题一

例题二

2 Jordan矩阵介绍
2.1 Jordan矩阵
J ( λ ) = [ λ 1 λ 1 ⋱ 1 λ ] J(\lambda) =
⎡⎣⎢⎢⎢⎢⎢λ1λ1⋱1λ⎤⎦⎥⎥⎥⎥⎥
[
𝜆
1
𝜆
1
⋱
1
𝜆
]
J(λ)=
⎣
⎢
⎢
⎡


λ


1
λ


1
⋱


1
λ


⎦
⎥
⎥
⎤

的r阶方阵称为一个r阶Jordan块。由若干个Jordan块J i ( λ i ) J_i(\lambda_i)J
i

(λ
i

)构成的准对角矩阵
J = [ J 1 ( λ 1 ) J 2 ( λ 2 ) ⋱ J m ( λ m ) ] J =
⎡⎣⎢⎢⎢⎢⎢J1(λ1)J2(λ2)⋱Jm(λm)⎤⎦⎥⎥⎥⎥⎥
[
𝐽
1
(
𝜆
1
)
𝐽
2
(
𝜆
2
)
⋱
𝐽
𝑚
(
𝜆
𝑚
)
]
J=
⎣
⎢
⎢
⎡


J
1

(λ
1

)


J
2

(λ
2

)


⋱


J
m

(λ
m

)


⎦
⎥
⎥
⎤

称为Jordan矩阵
Jordan块都是一阶的Jordan矩阵就是对角矩阵

在复数域C上，每个n阶方阵A都相似于一个Jordan矩阵，即存在可逆矩阵P，使
P − 1 A P = J A = [ J 1 ( λ 1 ) J 2 ( λ 2 ) ⋱ J s ( λ s ) ] P^{-1}AP = J_A =
⎡⎣⎢⎢⎢⎢⎢J1(λ1)J2(λ2)⋱Js(λs)⎤⎦⎥⎥⎥⎥⎥
[
𝐽
1
(
𝜆
1
)
𝐽
2
(
𝜆
2
)
⋱
𝐽
𝑠
(
𝜆
𝑠
)
]
P
−1
AP=J
A

=
⎣
⎢
⎢
⎡


J
1

(λ
1

)


J
2

(λ
2

)


⋱


J
s

(λ
s

)


⎦
⎥
⎥
⎤

其中
J i ( λ i ) = [ J i 1 ( λ i ) J i 2 ( λ i ) ⋱ J i t i ( λ i ) ] ∈ C k i ∗ k i J_i(\lambda_i) =
⎡⎣⎢⎢⎢⎢⎢Ji1(λi)Ji2(λi)⋱Jiti(λi)⎤⎦⎥⎥⎥⎥⎥
[
𝐽
𝑖
1
(
𝜆
𝑖
)
𝐽
𝑖
2
(
𝜆
𝑖
)
⋱
𝐽
𝑖
𝑡
𝑖
(
𝜆
𝑖
)
]
\in C^{k_i * k_i}
J
i

(λ
i

)=
⎣
⎢
⎢
⎡


J
i
1

(λ
i

)


J
i
2

(λ
i

)


⋱


J
i
t
i

(λ
i

)


⎦
⎥
⎥
⎤

∈C
k
i

∗k
i

J i j ( λ i ) 为 n j J_{ij}(\lambda_i)为n_jJ
ij

(λ
i

)为n
j

阶Jordan块，∑ j = 1 t i n j = k i \sum^{t_i}_{j = 1} n_j = k_i∑
j=1
t
i

n
j

=k
i

. J i ( λ i ) 是 k i ∗ k i J_i(\lambda_i)是k_i * k_iJ
i

(λ
i

)是k
i

∗k
i

阶Jordan矩阵，∑ i = 1 s k i = n \sum^s_{i = 1} k_i = n∑
i=1
s

k
i

=n
若不计较Jordan的排列次序，则每个方阵的Jordan标准形J A J_AJ
A

唯一

2.2 Jordan标准形
计算步骤
求A的特征多项式
∣ λ I − A ∣ = ( λ − λ 1 ) k 1 ( λ − λ 2 ) k 2 ⋯ ( λ − λ s ) k s |\lambda I - A| = (\lambda - \lambda_1) ^ {k_1} (\lambda - \lambda_2) ^ {k_2} \cdots (\lambda - \lambda_s) ^ {k_s}
∣λI−A∣=(λ−λ
1

)
k
1

(λ−λ
2

)
k
2

⋯(λ−λ
s

)
k
s

代数重数k i k_ik
i

决定Jordan矩阵J i ( λ i ) J_i(\lambda_i)J
i

(λ
i

)的阶数为k i k_ik
i

对λ i \lambda_iλ
i

，由( A − λ i I ) X = 0 (A - \lambda_i I)X = 0(A−λ
i

I)X=0，求A的线性无关的特征向量α 1 , α 2 , ⋯ , α t i \alpha_1,\ \alpha_2,\ \cdots,\ \alpha_{t_i}α
1

, α
2

, ⋯, α
t
i

。λ i \lambda_iλ
i

的几何重数d i m V λ i = t i dimV_{\lambda_i} = t_idimV
λ
i

=t
i

决定J i ( λ i ) J_i(\lambda_i)J
i

(λ
i

)中有t i t_it
i

个Jordan块
若λ i \lambda_iλ
i

的代数重数(k i k_ik
i

)等于几何重数(d i m V λ i dimV_{\lambda_i}dimV
λ
i

)： k i = d i m V λ i k_i = dimV_{\lambda_i}k
i

=dimV
λ
i

，λ i \lambda_iλ
i

对应的Jordan矩阵为k i k_ik
i

阶对角矩阵；若d i m V λ i = t i < k i dim V_{\lambda_i} = t_i < k_idimV
λ
i

=t
i

<k
i

，则在V λ i V_{\lambda_i}V
λ
i

中选择适当的特征向量α i \alpha_iα
i

，求Jordan链α i , β 2 , ⋯ , β n i \alpha_i,\ \beta_2,\ \cdots,\ \beta_{n_i}α
i

, β
2

, ⋯, β
n
i

，确定J i ( λ i ) J_i(\lambda_i)J
i

(λ
i

)中Jordan块J i j ( λ i ) J_{ij}(\lambda_i)J
ij

(λ
i

)的阶数n i n_in
i

，从而得到J A J_AJ
A

的结构
所有Jordan链构成矩阵P，必有P − 1 A P = J A P^{-1}AP = J_AP
−1
AP=J
A

推导过程
设A的特征多项式为
∣ λ I − A ∣ = ( λ − λ 1 ) k 1 ( λ − λ 2 ) k 2 ⋯ ( λ − λ s ) k s |\lambda I - A| = (\lambda - \lambda_1) ^ {k_1} (\lambda - \lambda_2) ^ {k_2} \cdots (\lambda - \lambda_s)^{k_s}
∣λI−A∣=(λ−λ
1

)
k
1

(λ−λ
2

)
k
2

⋯(λ−λ
s

)
k
s

其中λ i 是 A 的 k i 重特征值， ∑ i = 1 s k i = n , λ 1 , λ 2 , ⋯ , λ s 互异 \lambda_i是A的k_i重特征值，\sum^s_{i = 1} k_i = n,\ \lambda_1,\ \lambda_2,\ \cdots,\ \lambda_s互异λ
i

是A的k
i

重特征值，∑
i=1
s

k
i

=n, λ
1

, λ
2

, ⋯, λ
s

互异
⇒ \Rightarrow⇒
J A = [ J 1 ( λ 1 ) J 2 ( λ 2 ) ⋱ J s ( λ s ) ] ( 2.5 ) J_A =
⎡⎣⎢⎢⎢⎢⎢J1(λ1)J2(λ2)⋱Js(λs)⎤⎦⎥⎥⎥⎥⎥
[
𝐽
1
(
𝜆
1
)
𝐽
2
(
𝜆
2
)
⋱
𝐽
𝑠
(
𝜆
𝑠
)
]
\qquad \qquad \qquad (2.5)
J
A

=
⎣
⎢
⎢
⎡


J
1

(λ
1

)


J
2

(λ
2

)


⋱


J
s

(λ
s

)


⎦
⎥
⎥
⎤

(2.5)

J i ( λ i ) J_i(\lambda_i)J
i

(λ
i

)是主对角线元素为λ i \lambda_iλ
i

的k i k_ik
i

阶Jordan矩阵
令P = ( p 1 , p 2 , ⋯ , p s ) , p i ∈ C n ∗ k i , i = 1 , 2 , ⋯ , s , A P = P J A P = (p_1,\ p_2,\ \cdots,\ p_s),\ p_i \in C ^ {n * k_i},\ i = 1,\ 2,\ \cdots,\ s,\ AP = PJ_AP=(p
1

, p
2

, ⋯, p
s

), p
i

∈C
n∗k
i

, i=1, 2, ⋯, s, AP=PJ
A

可表示为：
A ( p 1 p 2 ⋯ p s ) = ( p 1 p 2 ⋯ p s ) [ J 1 ( λ 1 ) J 2 ( λ 2 ) ⋱ J s ( λ s ) ] A(p_1 \quad p_2 \quad \cdots \quad p_s) = (p_1 \quad p_2 \quad \cdots \quad p_s)
⎡⎣⎢⎢⎢⎢⎢J1(λ1)J2(λ2)⋱Js(λs)⎤⎦⎥⎥⎥⎥⎥
[
𝐽
1
(
𝜆
1
)
𝐽
2
(
𝜆
2
)
⋱
𝐽
𝑠
(
𝜆
𝑠
)
]
A(p
1

p
2

⋯p
s

)=(p
1

p
2

⋯p
s

)
⎣
⎢
⎢
⎡


J
1

(λ
1

)


J
2

(λ
2

)


⋱


J
s

(λ
s

)


⎦
⎥
⎥
⎤

⇒ \Rightarrow⇒
( A p 1 A p 2 ⋯ A p s ) = ( p 1 J 1 ( λ 1 ) p 2 J 2 ( λ 2 ) ⋯ p s J s ( λ s ) ) (A p_1 \quad A p_2 \quad \cdots \quad A p_s) = (p_1 J_1(\lambda_1) \quad p_2 J_2(\lambda_2) \quad \cdots \quad p_s J_s(\lambda_s))
(Ap
1

Ap
2

⋯Ap
s

)=(p
1

J
1

(λ
1

)p
2

J
2

(λ
2

)⋯p
s

J
s

(λ
s

))

⇒ \Rightarrow⇒
A p i = p i J i ( λ i ) , i = 1 , 2 , ⋯ , s ( 2.6 ) A p_i = p_i J_i(\lambda_i), \quad i = 1,\ 2,\ \cdots,\ s \qquad \qquad \qquad (2.6)
Ap
i

=p
i

J
i

(λ
i

),i=1, 2, ⋯, s(2.6)

取A p 1 = p 1 J 1 ( λ 1 ) A p_1 = p_1 J_1(\lambda_1)Ap
1

=p
1

J
1

(λ
1

)为代表来分析，设
J 1 ( λ 1 ) = [ J 11 ( λ 1 ) J 12 ( λ 1 ) ⋱ J 1 t ( λ 1 ） ] J_1(\lambda_1) =
⎡⎣⎢⎢⎢⎢⎢J11(λ1)J12(λ1)⋱J1t(λ1）⎤⎦⎥⎥⎥⎥⎥
[
𝐽
11
(
𝜆
1
)
𝐽
12
(
𝜆
1
)
⋱
𝐽
1
𝑡
(
𝜆
1
）
]
J
1

(λ
1

)=
⎣
⎢
⎢
⎡


J
11

(λ
1

)


J
12

(λ
1

)


⋱


J
1t

(λ
1

）


⎦
⎥
⎥
⎤

其中J 1 i 为 n i J_{1i}为n_iJ
1i

为n
i

阶Jordan块，∑ i = 1 t n i = k 1 \sum^t_{i =1} n_i = k_1∑
i=1
t

n
i

=k
1

⇒ \Rightarrow⇒
J 1 i ( λ 1 ) = [ λ 1 1 λ 1 1 ⋱ ⋱ 1 λ 1 ] n i ∗ n i ( 2.7 ) J_{1i}(\lambda_1) =
⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢λ11λ11⋱⋱1λ1⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥
[
𝜆
1
1
𝜆
1
1
⋱
⋱
1
𝜆
1
]
_{n_i * n_i} \qquad \qquad \qquad (2.7)
J
1i

(λ
1

)=
⎣
⎢
⎢
⎢
⎢
⎡


λ
1


1
λ
1


1


⋱
⋱


1
λ
1


⎦
⎥
⎥
⎥
⎥
⎤


n
i

∗n
i

(2.7)

把p 1 p_1p
1

按n 1 列 , n 2 列 , ⋯ , n t 列分块 , p 1 = ( p 1 ( 1 ) p 2 ( 1 ) ⋯ p t ( 1 ) ) n_1列,\ n_2列,\ \cdots,\ n_t列分块,\quad p_1 = (p^{(1)}_1 \quad p^{(1)}_2 \quad \cdots p^{(1)}_t)n
1

列, n
2

列, ⋯, n
t

列分块,p
1

=(p
1
(1)

p
2
(1)

⋯p
t
(1)

)
由等式2.6有
A p j ( 1 ) = p 1 ( 1 ) J 1 j ( λ 1 ) , j = 1 , 2 , ⋯ , t ( 2.8 ) A p^{(1)}_j = p^{(1)}_1 J_{1j}(\lambda_1), \quad j = 1,\ 2,\ \cdots,\ t \qquad \qquad \qquad (2.8)
Ap
j
(1)

=p
1
(1)

J
1j

(λ
1

),j=1, 2, ⋯, t(2.8)

设p j ( 1 ) = ( α 1 β 2 ⋯ β n j ) p^{(1)}_j = (\alpha_1 \quad \beta_2 \quad \cdots \quad \beta_{n_j})p
j
(1)

=(α
1

β
2

⋯β
n
j

)，结合等式2.7，等式2.8可化为
A ( α 1 β 2 ⋯ β n j ) = ( α 1 β 2 ⋯ β n j ) [ λ 1 1 λ 1 1 ⋱ ⋱ 1 λ 1 ] A(\alpha_1 \quad \beta_2 \quad \cdots \beta_{n_j}) = (\alpha_1 \quad \beta_2 \cdots \beta_{n_j})
⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢λ11λ11⋱⋱1λ1⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥
[
𝜆
1
1
𝜆
1
1
⋱
⋱
1
𝜆
1
]
A(α
1

β
2

⋯β
n
j

)=(α
1

β
2

⋯β
n
j

)
⎣
⎢
⎢
⎢
⎢
⎡


λ
1


1
λ
1


1


⋱
⋱


1
λ
1




⎦
⎥
⎥
⎥
⎥
⎤

该矩阵等式等价于
{ ( A − λ 1 I ) α 1 = 0 ( A − λ 1 I ) β 2 = α 1 ( A − λ 1 I ) β 3 = β 2 ⋮ ( A − λ 1 I ) β n j = β n j − 1 ( 2.9 )
⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪(A−λ1I)α1=0(A−λ1I)β2=α1(A−λ1I)β3=β2⋮(A−λ1I)βnj=βnj−1
{
(
𝐴
−
𝜆
1
𝐼
)
𝛼
1
=
0
(
𝐴
−
𝜆
1
𝐼
)
𝛽
2
=
𝛼
1
(
𝐴
−
𝜆
1
𝐼
)
𝛽
3
=
𝛽
2
⋮
(
𝐴
−
𝜆
1
𝐼
)
𝛽
𝑛
𝑗
=
𝛽
𝑛
𝑗
−
1
\qquad \qquad \qquad (2.9)
⎩
⎪
⎪
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎪
⎪
⎧

(A−λ
1

I)α
1

=0
(A−λ
1

I)β
2

=α
1

(A−λ
1

I)β
3

=β
2

⋮
(A−λ
1

I)β
n
j

=β
n
j−1

(2.9)

从等式2.9中求得一组向量{ α 1 , β 2 , ⋯ , β n j } \{\alpha_1,\ \beta_2,\ \cdots,\ \beta_{n_j}\}{α
1

, β
2

, ⋯, β
n
j

}，称为Jordan链。链中第一个向量α 1 \alpha_1α
1

是A关于λ 1 \lambda_1λ
1

的特征向量，β 2 , ⋯ , β n j \beta_2,\ \cdots,\ \beta_{n_j}β
2

, ⋯, β
n
j

称为广义特征向量。它的长度n j n_jn
j

就是J 1 j ( λ 1 ) J_{1j}(\lambda_1)J
1j

(λ
1

)的阶数
等式2.8 ⇒ n u m ( J 1 j ( λ 1 ) ) = n u m ( J o r d a n 链 ) = n u m ( α ) \Rightarrow num(J_{1j}(\lambda_1)) = num(Jordan链) = num(\alpha)⇒num(J
1j

(λ
1

))=num(Jordan链)=num(α)，num表示总数量。用文字可以表述为：
由等式2.8可知，J 1 ( λ 1 ) J_1(\lambda_1)J
1

(λ
1

)有多少个Jordan块J 1 j ( λ 1 ) J_{1j}(\lambda_1)J
1j

(λ
1

)，就有多少条Jordan链，也就会有多少个线性无关的特征向量

例题
例题一

例题二

例题三

3. 最小多项式
3.1 矩阵多项式
A ∈ F n × n , a i ∈ F , g ( λ ) = a m λ m + a m − 1 λ m − 1 + ⋯ + a 1 λ + a 0 A \in F^{n \times n},\ a_i \in F,\ g(\lambda) = a_m \lambda^m + a_{m - 1} \lambda^{m -1} + \cdots +a_1 \lambda + a_0A∈F
n×n
, a
i

∈F, g(λ)=a
m

λ
m
+a
m−1

λ
m−1
+⋯+a
1

λ+a
0

是一个多项式，则称矩阵g ( A ) = a m A m + a m − 1 A m − 1 + ⋯ + a 1 A + a 0 I g(A) = a_m A^m + a_{m - 1} A^{m - 1} + \cdots + a_1 A + a_0 Ig(A)=a
m

A
m
+a
m−1

A
m−1
+⋯+a
1

A+a
0

I为A的矩阵多项式。

A ∈ F n × n A \in F ^ {n \times n}A∈F
n×n
，g(A)是A的矩阵多项式，则：

λ 0 \lambda_0λ
0

是A的特征值 ⇒ \Rightarrow⇒ g ( λ 0 ) g(\lambda_0)g(λ
0

)是g(A)的特征值
P − 1 A P = B ⇒ P − 1 g ( A ) P = g ( B ) P^{-1}AP = B \Rightarrow P^{-1} g(A) P = g(B)P
−1
AP=B⇒P
−1
g(A)P=g(B)
A为准对角矩阵 ⇒ \Rightarrow⇒ g(A)也是准对角矩阵且
A = [ A 1 A 2 ⋯ A k ] ， A i 为方子块 ⇒ g ( A ) = [ g ( A 1 ) g ( A 2 ) ⋯ g ( A k ) ] A =
⎡⎣⎢⎢⎢A1A2⋯Ak⎤⎦⎥⎥⎥
[
𝐴
1
𝐴
2
⋯
𝐴
𝑘
]
，A_i为方子块 \Rightarrow g(A) =
⎡⎣⎢⎢⎢⎢g(A1)g(A2)⋯g(Ak)⎤⎦⎥⎥⎥⎥
[
𝑔
(
𝐴
1
)
𝑔
(
𝐴
2
)
⋯
𝑔
(
𝐴
𝑘
)
]
A=
⎣
⎢
⎢
⎡


A
1


A
2


⋯


A
k


⎦
⎥
⎥
⎤

，A
i

为方子块⇒g(A)=
⎣
⎢
⎢
⎡


g(A
1

)


g(A
2

)


⋯


g(A
k

)


⎦
⎥
⎥
⎤

方阵g(A)计算
已知方阵A和多项式g ( λ ) = a m λ m + a m − 1 λ m − 1 + ⋯ + a 1 λ + a 0 g(\lambda) = a_m \lambda^m + a_{m - 1} \lambda ^ {m - 1} + \cdots + a_1 \lambda + a_0g(λ)=a
m

λ
m
+a
m−1

λ
m−1
+⋯+a
1

λ+a
0

当m ≥ r m \geq rm≥r时，
g ( J ( λ ) ) = ∑ i = 0 r − 1 g ( i ) ( λ ) i ! U i = [ g ( λ ) g ′ ( λ ) ⋯ g ( r − 1 ) ( λ ) ( r − 1 ) ! g ( λ ) ⋱ ⋮ ⋱ g ′ ( λ ) g ( λ ) ] g(J(\lambda)) = \sum^{r - 1}_{i=0}\frac{g^{(i)}(\lambda)}{i!}U^i =
⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢g(λ)g′(λ)g(λ)⋯⋱⋱g(r−1)(λ)(r−1)!⋮g′(λ)g(λ)⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥
[
𝑔
(
𝜆
)
𝑔
′
(
𝜆
)
⋯
𝑔
(
𝑟
−
1
)
(
𝜆
)
(
𝑟
−
1
)
!
𝑔
(
𝜆
)
⋱
⋮
⋱
𝑔
′
(
𝜆
)
𝑔
(
𝜆
)
]
g(J(λ))=
i=0
∑
r−1


i!
g
(i)
(λ)

U
i
=
⎣
⎢
⎢
⎢
⎢
⎡


g(λ)


g
′
(λ)
g(λ)


⋯
⋱
⋱


(r−1)!
g
(r−1)(λ)

⋮
g
′
(λ)
g(λ)


⎦
⎥
⎥
⎥
⎥
⎤

当m < r m < rm<r时，
g ( J ( λ ) ) = [ g ( λ ) g ′ ( λ ) ⋯ g m ( λ ) m ! 0 ⋯ 0 g ( λ ) ⋱ 0 ⋱ g ( m ) ( λ ) m ! ⋱ ⋮ g ′ ( λ ) g ( λ ) ] g(J(\lambda)) =
⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢g(λ)g′(λ)g(λ)⋯gm(λ)m!⋱⋱0⋱⋯00g(m)(λ)m!⋮g′(λ)g(λ)⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥
[
𝑔
(
𝜆
)
𝑔
′
(
𝜆
)
⋯
𝑔
𝑚
(
𝜆
)
𝑚
!
0
⋯
0
𝑔
(
𝜆
)
⋱
0
⋱
𝑔
(
𝑚
)
(
𝜆
)
𝑚
!
⋱
⋮
𝑔
′
(
𝜆
)
𝑔
(
𝜆
)
]
g(J(λ))=
⎣
⎢
⎢
⎢
⎢
⎢
⎢
⎢
⎢
⎡


g(λ)


g
′
(λ)
g(λ)


⋯


m!
g
m
(λ)

⋱
⋱


0
⋱


⋯


0
0
m!
g
(m)
(λ)

⋮
g
′
(λ)
g(λ)


⎦
⎥
⎥
⎥
⎥
⎥
⎥
⎥
⎥
⎤

其中r表示J ( λ ) J(\lambda)J(λ)的阶数

3.2 方阵的化零多项式
化零多项式： n阶方阵A，∃ 多项式 g ( λ ) ，使 g ( A ) = 0 \exists 多项式g(\lambda)，使g(A) = 0∃多项式g(λ)，使g(A)=0
Cayley-Hamilton： f ( λ ) = ∣ λ I − A ∣ = λ n + a n − 1 λ n − 1 + ⋯ + a 1 λ + a 0 ⇒ f ( A ) = 0 f(\lambda) = |\lambda I - A| = \lambda^n + a_{n - 1} \lambda^{n - 1} + \cdots + a_1 \lambda + a_0 \Rightarrow f(A) = 0f(λ)=∣λI−A∣=λ
n
+a
n−1

λ
n−1
+⋯+a
1

λ+a
0

⇒f(A)=0，即方阵A的特征多项式就是A的化零多项式

f ( λ ) f(\lambda)f(λ)为n次多项式，f ( A ) = 0 f(A) = 0f(A)=0使得A n A^nA
n
可以表示为A k ( k < n ) A^k(k < n)A
k
(k<n)的幂次项的组合：
A n = − ( a n − 1 A n − 1 + a n − 2 A n − 2 + ⋯ + a 1 A + a 0 I ) A^n = -(a_{n - 1}A^{n - 1} + a_{n - 2}A^{n - 2} + \cdots + a_1A + a_0I)
A
n
=−(a
n−1

A
n−1
+a
n−2

A
n−2
+⋯+a
1

A+a
0

I)

例题
例题一

例题二
A = [ 1 0 1 − 1 ] ， f ( λ ) = ∣ λ I − A ∣ = λ 2 − 1 ， g ( λ ) = λ 6 + 2 λ 5 − 4 λ 3 + λ 2 − 5 A =
[110−1]
[
1
0
1
−
1
]
，f(\lambda) = |\lambda I - A| = \lambda^2 - 1，g(\lambda) = \lambda^6 + 2 \lambda^5 -4 \lambda^3 + \lambda^2 - 5A=[
1
1

0
−1

]，f(λ)=∣λI−A∣=λ
2
−1，g(λ)=λ
6
+2λ
5
−4λ
3
+λ
2
−5，求g(A)
解： g ( λ ) = ( λ 2 − 1 ) ( λ 4 + 2 λ 3 + λ 2 − 2 λ + 2 ) + ( − 2 λ − 3 ) ⇒ g ( A ) = − 2 A − 3 g(\lambda) = (\lambda^2 - 1)(\lambda^4 + 2 \lambda^3 + \lambda^2 - 2 \lambda + 2) + (-2 \lambda - 3) \Rightarrow g(A) = -2 A - 3g(λ)=(λ
2
−1)(λ
4
+2λ
3
+λ
2
−2λ+2)+(−2λ−3)⇒g(A)=−2A−3

3.3 最小多项式
概念
若A ∈ C n × n A \in C^{n \times n}A∈C
n×n
，则A有无数个化零多项式。事实上，f ( λ ) = ∣ λ I − A ∣ ，有 f ( A ) = 0 f(\lambda) = |\lambda I - A|，有f(A) = 0f(λ)=∣λI−A∣，有f(A)=0
且∀ g ( λ ) = h ( λ ) f ( λ ) \forall g(\lambda) = h(\lambda) \ f(\lambda)∀g(λ)=h(λ) f(λ)，均有g ( A ) = h ( A ) ⋅ f ( A ) g(A) = h(A) \cdot f(A)g(A)=h(A)⋅f(A)

最小多项式： n阶方阵A的所有化零多项式中，次数最低且首系数为1的多项式称为A的最小多项式，记为m ( λ ) m(\lambda)m(λ)

性质
T的特征多项式f ( λ ) f(\lambda)f(λ)与最小多项式m ( λ ) m(\lambda)m(λ)有相同的根(重数不计)，即
f ( λ ) = ∣ λ I − A ∣ = ( λ − λ 1 ) r 1 ( λ − λ 2 ) r 2 ⋯ ( λ − λ s ) r s f(\lambda) = |\lambda I - A| = (\lambda - \lambda_1)^{r_1}(\lambda - \lambda_2)^{r_2} \cdots (\lambda - \lambda_s)^{r_s}
f(λ)=∣λI−A∣=(λ−λ
1

)
r
1

(λ−λ
2

)
r
2

⋯(λ−λ
s

)
r
s

⇒ \Rightarrow⇒ m ( λ ) = ( λ − λ 1 ) t 1 ( λ − λ 2 ) t 2 ⋯ ( λ − λ s ) t s ， 1 ≤ t i ≤ r i ， i = 1 , 2 , ⋯ , s m(\lambda) = (\lambda - \lambda_1)^{t_1}(\lambda - \lambda_2)^{t_2} \cdots (\lambda - \lambda_s)^{t_s}，1 \leq t_i \leq r_i，i = 1,\ 2,\ \cdots,\ sm(λ)=(λ−λ
1

)
t
1

(λ−λ
2

)
t
2

⋯(λ−λ
s

)
t
s

，1≤t
i

≤r
i

，i=1, 2, ⋯, s

设T的特征多项式为
f ( λ ) = ( λ − λ 1 ) r 1 ( λ − λ 2 ) r 2 ⋯ ( λ − λ s ) r s ， f(\lambda) = (\lambda - \lambda_1)^{r_1}(\lambda - \lambda_2)^{r_2} \cdots (\lambda - \lambda_s)^{r_s}，
f(λ)=(λ−λ
1

)
r
1

(λ−λ
2

)
r
2

⋯(λ−λ
s

)
r
s

，

T的Jordan标准形中关于特征值λ i \lambda_iλ
i

的Jordan块的最高阶数为n i ‾ \overline{n_i}
n
i

，则T的最小多项式
m ( λ ) = ( λ − λ 1 ) n 1 ‾ ( λ − λ 2 ) n 2 ‾ ⋯ ( λ − λ s ) n s ‾ m(\lambda) = (\lambda - \lambda_1)^{\overline{n_1}}(\lambda - \lambda_2)^{\overline{n_2}} \cdots (\lambda - \lambda_s)^{\overline{n_s}}
m(λ)=(λ−λ
1

)
n
1

(λ−λ
2

)
n
2

⋯(λ−λ
s

)
n
s

线性变换T可对角化 ⟺ \iff⟺ T有n个线性无关的特征向量 ⟺ \iff⟺ m ( λ ) = ( λ − λ 1 ) ( λ − λ 2 ) ⋯ ( λ − λ s ) m(\lambda) = (\lambda - \lambda_1)(\lambda - \lambda_2) \cdots (\lambda - \lambda_s)m(λ)=(λ−λ
1

)(λ−λ
2

)⋯(λ−λ
s

)

设A ∈ C n × n A \in C ^ {n \times n}A∈C
n×n
，A的最小多项式m ( λ ) m(\lambda)m(λ)，特征多项式f ( λ ) f(\lambda)f(λ)，任一化零多项式ψ ( λ ) \psi (\lambda)ψ(λ)，则

m ( λ ) ∣ ψ ( λ ) ，即 ψ ( λ ) = h ( λ ) ⋅ m ( λ ) m(\lambda) | \psi (\lambda)，即\psi (\lambda) = h(\lambda) \cdot m(\lambda)m(λ)∣ψ(λ)，即ψ(λ)=h(λ)⋅m(λ)，m ( λ ) m(\lambda)m(λ)整除T的一切化零多项式
m ( λ ) m(\lambda)m(λ)的零点是A的特征值，反之，A的特征值是m ( λ ) m(\lambda)m(λ)的零点
m ( λ ) m(\lambda)m(λ)是唯一的
相似矩阵具有相同的最小多项式
∧ = [ λ 1 λ 2 ⋱ λ s ] \wedge =
⎡⎣⎢⎢⎢⎢⎢λ1λ2⋱λs⎤⎦⎥⎥⎥⎥⎥
[
𝜆
1
𝜆
2
⋱
𝜆
𝑠
]
∧=
⎣
⎢
⎢
⎡


λ
1


λ
2


⋱


λ
s


⎦
⎥
⎥
⎤

，若λ 1 , ⋯ , λ s \lambda1,\ \cdots,\ \lambda_sλ1, ⋯, λ
s

互异，则m ( λ ) = ( λ − λ 1 ) ⋯ ( λ − λ s ) m(\lambda) = (\lambda - \lambda_1) \cdots (\lambda - \lambda_s)m(λ)=(λ−λ
1

)⋯(λ−λ
s

)

参考《矩阵论》第二版华科

每个n阶的复数矩阵A都与一个若尔当形矩阵相似，这个若尔当形矩阵除去其中若尔当块的排列次序是被矩阵A唯一确定的，它称为矩阵A的若尔当标准型。首先，Jordan标准型由主对角线为特征值，主对角线上方相邻斜对角线为1的Jordan块按对角排列组成的矩阵称为Jordan形矩阵，而主对角线上的小块方阵Ji称为Jordan块；其次，每个n阶的复数矩阵A都与一个若尔当形矩阵相似，这个若尔当形矩阵除去其中若尔当块的排列次序是被矩阵A唯一确定的，它成为矩阵A的若尔当标准型。

中文名

Jordan标准型

外文名

Jordan standard form

特点1

主对角线上元素为特征值

特点2

主对角线上方相邻斜对角线为1

工具

初等因子理论

应用学科

高等数学