jordan标准 相似_MIT线性代数笔记3.4(相似矩阵，Jordan型)

Gtrang 老师也说了, Jordan标准型不再是线性代数的核心，现代线性代数尤其是AI也不怎么用到他，所以此节略去Jordan型的内容。这一讲重点讲解相似矩阵

永远是正定的

永远是对称，正定的。

。在最小二乘等应用中，处处会见到

。如果有一个正定矩阵A，那么A的逆一定也是正定的。为啥呢？因为A的逆的特征值都是原来的倒数嘛！符号相同。

如果有正定矩阵A,B 那么 A+B一定也是正定的，为啥呢？ 直接拆开

,分别拆成2个，两个各自>0 ,所以有A+B也是正定的。

是正定矩阵如果证明呢？

当然是从

,如果这货

0，就可以证明

为正定：好，下面一句话证明：

(前提是A可逆)

看到了吧，线性代数的简单证明往往就是移动移动括号而已

相似矩阵才是这节课的主角，如果

，则A与B相似。之前学过的对角化中的对角矩阵就是一个例子：

， A和

就是相似的。

两大金句：相似矩阵拥有相同的特征值，但是特向量一般不相等(如果特征向量也相等那估计就是同一个矩阵了)

如果两个矩阵拥有n个相同的特征值，那么他们必然相似于某个对角矩阵。

拥有相同特征值的情况(Repeated eigenvalues)

如果矩阵A有两个相同的特征值，那么A不一定能对角化：假设满足

的矩阵有：

和

。这两个矩阵不一定相似，因为

，只相似于自己：

Jordon标准型(不再是重点，可以不看)

Jordon 同志发明了 把一组相似矩阵中最"对角化"的拿一个提取出来的方法。其实就是在所有相似矩阵中抓出一个最典型，这货看起来最像相似矩阵。这个最典型就叫做 Jordon Form.

看下如下这个矩阵：

这货拥有4个为0的eigvalue. rank=2. 所有nullspace的维度为2。所有拥有2个线性无关的eigvector, 以及2个"丢失"的eigvector. 我们看下这货：

这货和A相似，nullspace的维度也是2.但是不如A好看，A是B的jordon form.

现在考虑一下

这货一样rank=2 , nullspace维度为2，4个特征值都为0，但是这货和A,B不相似。他们的Jordan block 不相等：

Jordon block 拥有对角线上相同的eigvalue，下面都是0，上面都是1，想下面这样：

两个矩阵也许 特征值和特征向量个数都一样，但是他们不一定相似，因为最后可能Jodon block 不一样，向上面那个例子一样。

总结一下：如果A有n个线性无关的特征向量。则A可以对角化 ，他的 Jordon form 就是eigvalue所组成的对角阵

如果A有相同的eigvalue. 以及一些"丢失"的eigvector.那么它的Jordon form 应该是n-d个1在对角阵之上。

习题

题1 下面哪些描述为真：如果A B相似则

和

相似

如果A B 为3x3矩阵，有特征值1,0,-1,则A，B相似

和

相似

答套相似矩阵定义公式即可，true

三个不同的特征值代表 A,B可以对角化，

,两个矩阵都相似于同一矩阵，那么他们也是相似的(相似矩阵具有传递性，可以简单证明) true

这2矩阵都有三个相同的特征值-1, 看下这两个矩阵的特征空间：

nullspace只有一维， 线性无关的特征值个数为2

nullspace有2维，线性无关的特征值个数为1.

所有false, J1和J2不相似

题2 判断题如果A相似于B，那么

相似于

假设

相似于

，有可能A和B不相似么？

答， 照着公式推下可知道 1成立。 2.不成立

和

. 3, 笨方法，求出他们的特征值就好。是相似的，4：这么看：第一个矩阵的特征空间是整个R2， 而第二矩阵的特征空间只是y=0这条线。而他们的特征值都是3. 我们知道，相似矩阵拥有相同个数的线性无关的特征向量。所以不相似。