线性代数(线性方程组&特征值和特征向量&二次型)

• 第四章 线性方程组：

1. 若矩阵为$A_{m\times n}$，则齐次线性方程组$AX=0$：
   ①只有零解 ⇔ $r(A)=n\iff {\alpha }_1，{\alpha }_2，\cdots ，{\alpha }_n$线性无关。
   ②有非零解(或有无数个解) ⇔ $r(A)<n\iff {\alpha }_1，{\alpha }_2，\cdots ，{\alpha }_n$线性相关。
2. 若矩阵为$A_{n\times n}$，则齐次线性方程组$AX=0$：
   ①只有零解 ⇔ $|A|\ne 0$; ②有非零解⇔ $|A|=0$。
   3.若矩阵为$A_{m\times n}$，则非齐次线性方程组$AX=b$：
   （1）有解 ⇔ $r(A)=r(\bar{A})$ ⇔ 向量b可由${\alpha }_1，{\alpha }_2，\cdots ，{\alpha }_n$线性表示。
   ①当$r(A)=r(\bar{A})=n$时，有唯一解；
   ②当$r(A)=r(\bar{A})<n$时，有无数个解；
   （2）无解⇔ $r(A)\ne r(\bar{A})[r(\bar{A})=r(A)+1]$⇔ 向量b不可由${\alpha }_1，{\alpha }_2，\cdots ，{\alpha }_n$线性表示。
   4.若矩阵为$A_{n\times n}$，则非齐次线性方程组$AX=b$：
   （1）有解 ⇔ $r(A)=r(\bar{A})$。
   ①当$|A|\ne 0$时，有唯一解； ②当$|A|=0$时，有无数个解。
   （2）无解⇔ $r(A)\ne r(\bar{A})[r(\bar{A})=r(A)+1]$。

线性方程组解的结构：

①设$X_1，X_2，...，X_s$为齐次线性方程组$AX=0$的一组解，则$k_1{X}_1+k_2{X}_2+...+k_s{X}_s$也为齐次线性方程组$AX=0$的解，其中$k_1，k_2，...，k_s$为任意常数
②设${\eta }_0$为非齐次线性方程组$AX=b$的一个解，$X_1，X_2，...，X_s$为齐次线性方程组$AX=0$的一组解，则$k_1{X}_1+k_2{X}_2+...+k_s{X}_s+{\eta }_0$为非齐次线性方程组$AX=b$的解
③设${\eta }_1，{\eta }_2$为非齐次线性方程组$AX=b$的两个解，则${\eta }_2-{\eta }_1$为齐次线性方程组$AX=0$的一个解
④设$X_1，X_2，...，X_s$为非齐次线性方程组$AX=b$的一组解，则$k_1{X}_1+k_2{X}_2+...+k_s{X}_s$为$AX=b$的解的充要条件是$k_1+k_2+...+k_s=1$
⑤设$X_1，X_2，...，X_s$为非齐次线性方程组$AX=b$的一组解，则$k_1{X}_1+k_2{X}_2+...+k_s{X}_s$为$AX=0$的解的充要条件是$k_1+k_2+...+k_s=0$

线性方程组的通解：
齐次线性方程组AX=0的基础解系与通解：

• 基础解系——设r(A)=r<n，则AX=0所有解构成的解向量组的极大线性无关组称为方程组AX=0的一个基础解系。当r(A)=r时，AX=0的基础解系所含的线性无关的解向量的个数为n-r个
• 通解：${\xi }_1，{\xi }_2，...，{\xi }_{n-r}$为齐次线性方程组$AX=0$的一个基础解系，则称$k_1{\xi }_1+k_2{\xi }_2+...+k_{n-r}{\xi }_{n-r}$为齐次线性方程组$AX=0$的通解，其中，$k_1，k_2，...，k_{n-r}$为任意常数

非齐次线性方程组AX=b的通解：

• 设$r(A)=r(\tilde{A})=r<n$，且${\xi }_1，{\xi }_2，...，{\xi }_{n-r}$为$AX=b$的导出方程组$AX=0$的一个基础解系，${\eta }_0$为$AX=b$的一个解，则$AX=b$的通解为$k_1{\xi }_1+k_2{\xi }_2+...+k_{n-r}{\xi }_{n-r}+{\eta }_0$，其中，$k_1，k_2，...，k_{n-r}$为任意常数

• 第五章 特征值和特征方程：

求矩阵的特征值通常有三种方法：

$$\{\begin{array}{l}公式法：由|\lambda E-A|=0，求出A的特征值\\ 定义法：由AX=\lambda X，求出A的特征值\\ 关联矩阵法\{\begin{array}{l}由A与A⁻¹，A^{\ast }的特征值的关系求出A的特征值\\ 由P⁻¹AP=B，可得A\backsim B，根据特征值相同的性质求出A的特征值\end{array}\end{array}$$

例1：

求矩阵$A=\left(\begin{array}{ccc}1& 2& 2\\ 2& 1& 2\\ 2& 2& 1\end{array}\right)$的全部特征值与对应的特征向量

• 使用定义法：
• $|\lambda E-A|=\left|\begin{array}{ccc}\lambda -1& -2& -2\\ -2& \lambda -1& -2\\ -2& -2& \lambda -1\end{array}\right|=(\lambda +1)²(\lambda -5)=0$，得矩阵A得特征值为${\lambda }_1={\lambda }_2=-1，{\lambda }_3=5$
• 将${\lambda }_1={\lambda }_2=-1$代入$(\lambda E-A)X=0$，由$E+A=\left(\begin{array}{ccc}2& 2& 2\\ 2& 2& 2\\ 2& 2& 2\end{array}\right)\to \left(\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ 0& 0& 0\end{array}\right)$，得${\lambda }_1={\lambda }_2=-1$对应的线性无关得特征向量为${\alpha }_1=\left(\begin{array}{c}-1\\ 1\\ 0\end{array}\right)，{\alpha }_2=\left(\begin{array}{c}-1\\ 0\\ 1\end{array}\right)$
• 将${\lambda }_3=5$代入$(\lambda E-A)X=0$，由$5E-A=\left(\begin{array}{ccc}4& -2& -2\\ -2& 4& -2\\ -2& -2& 4\end{array}\right)\to \left(\begin{array}{ccc}1& 0& -1\\ 0& 1& -1\\ 0& 0& 0\end{array}\right)$，得${\lambda }_3=5$对应的线性无关得特征向量为${\alpha }_3=\left(\begin{array}{c}1\\ 1\\ 1\end{array}\right)$

例2：

设A是三阶矩阵，α是三维非零列向量，向量组$\alpha ，A\alpha ，A²\alpha$线性无关，且$A³\alpha =4\alpha +4A\alpha -A²\alpha$
（1）求A的特征值 （2）求$|A^{\ast }+3E|$

• (当矩阵n阶，向量线性无关的个数为n时适用关联矩阵的第二种方法)
• (1)令$P=(\alpha ，A\alpha ，A²\alpha )$，因为$\alpha ，A\alpha ，A²\alpha$线性无关，所以P可逆
• $AP=A(\alpha ，A\alpha ，A²\alpha )=(A\alpha ，A²\alpha ，A³\alpha )=(A\alpha ，A²\alpha ，4\alpha +4A\alpha -A²\alpha )=(\alpha ，A\alpha ，A²\alpha )\left(\begin{array}{ccc}0& 0& 4\\ 1& 0& 4\\ 0& 1& -1\end{array}\right)=P\left(\begin{array}{ccc}0& 0& 4\\ 1& 0& 4\\ 0& 1& -1\end{array}\right)=PB$
• 其中$PB=\left(\begin{array}{ccc}0& 0& 4\\ 1& 0& 4\\ 0& 1& -1\end{array}\right)$，即$AP=PB$，故$P⁻¹AP=B$，即$A\backsim B$，因为相似矩阵特征值相同，所以A和B特征值相同
• 由$|\lambda E-B|=\left|\begin{array}{ccc}\lambda & 0& -4\\ -1& \lambda & -4\\ 0& -1& \lambda +1\end{array}\right|=(\lambda +1)(\lambda ²-4)=0$，得A的特征值为${\lambda }_1=-2，{\lambda }_2=-1，{\lambda }_3=2$
• (2)$|A|=(-2)\times (-1)\times 2=4$，则$A^{\ast }$的特征值为$\frac{4}{-2}，\frac{4}{-1}，\frac{4}{2}$，即-2，-4，2，从而$A^{\ast }+3E$的特征值为1，-1，5
• 故$|A^{\ast }+3E|=1\times (-1)\times 5=-5$

特征值与特征向量的一般性质：

1. 设A为n阶矩阵，${\lambda }_1，{\lambda }_2，...，{\lambda }_n$为A的特征值，若$A\backsim B$，则有$$\{\begin{array}{l}{\lambda }_1+{\lambda }_2+...+{\lambda }_n=tr(A)=tr(B)\\ {\lambda }_1\cdot {\lambda }_2\cdot ...\cdot {\lambda }_n=|A|=|B|\end{array}$$
2. 设A为n阶矩阵，${\lambda }_0$为A的k阶特征值，则$$\{\begin{array}{l}若k=1，即{\lambda }_0为单特征值，则属于特征值{\lambda }_0的线性无关的特征向量只有一个\\ 若k>1，则属于特征值{\lambda }_0的线性无关的特征向量个数不超过k个\end{array}$$
3. 设A为n阶矩阵，且$A\alpha ={\lambda }_0\alpha (\alpha 为非零向量)，f(x)=a_n{x}^n+...+a_{1}x+a_0$，令$f(A)=a_n{A}^n+...+a_{1}A+a_{0}E$，则$$\{\begin{array}{l}若A可逆，则A^{-1}\alpha =\frac{1}{{\lambda }_0}\alpha ，即\frac{1}{{\lambda }_0}为A^{-1}的特征值，\alpha 为A^{-1}的特征向量\\ 若A可逆，则A^{\ast }\alpha =\frac{|A|}{{\lambda }_0}\alpha ，即\frac{|A|}{{\lambda }_0}为A^{\ast }的特征值，\alpha 为A^{\ast }的特征向量\\ f(A)\alpha =f({\lambda }_0)\alpha ，即f({\lambda }_0)为f(A)的特征值，\alpha 为f(A)的特征解向量\end{array}$$
4. 设A为n阶矩阵，则A的不同特征值对应的特征向量无关
5. 设A为n阶矩阵，则可相似对角化(或与对角矩阵相似)的充要条件是A有n个线性无关的特征向量
6. 设A为n阶矩阵，${\lambda }_1，{\lambda }_2$为A的两个不相等的特征值，又$A\alpha ={\lambda }_1\alpha ，A\beta ={\lambda }_2\beta$(α，β为非零向量)，对任意的a≠0，b≠0，向量$a\alpha +b\beta$一定不是特征向量

矩阵相似的判断：

$$\{\begin{array}{l}设A，B为n阶矩阵，所谓矩阵A，B相似，即：若存在可逆矩阵P，使得P⁻¹AP=B，称矩阵A与矩阵B相似，记为A\backsim B\\ 判断两个矩阵是否相似的步骤\{\begin{array}{l}1.判断|\lambda E-A|=|\lambda E-B|是否成立\\ 2.分三种情形讨论\{\begin{array}{l}情形一：设A，B都可相似对角化，则A\backsim B\\ 情形二：若矩阵A可相似对角化，矩阵B不可相似对角化，则矩阵A与矩阵B一定不相似\\ 情形三：若矩阵A，B都不可对角化，两矩阵不一定相似\{\begin{array}{l}若两矩阵重根对应的线性无关特征向量个数一致，则相似\\ 若重根对应的线性无关的特征向量个数不一致，则不相似\end{array}\end{array}\end{array}\end{array}$$

例3：

设$A=\left(\begin{array}{ccc}1& 0& 4\\ 0& 2& 0\\ 1& 0& -2\end{array}\right)，B=\left(\begin{array}{ccc}2& 0& 0\\ -1& 0& 3\\ 4& 2& 1\end{array}\right)$，判断A，B是否相似

• 第一步：判断$|\lambda E-A|=|\lambda E-B|$是否成立
  $|\lambda E-A|=\left|\begin{array}{ccc}\lambda -1& 0& -4\\ 0& \lambda -2& 0\\ -1& 0& \lambda +2\end{array}\right|=(\lambda +3)(\lambda -2)²=0$得A得特征值为${\lambda }_1=-3，{\lambda }_2={\lambda }_3=2$
  $|\lambda E-B|=\left|\begin{array}{ccc}\lambda -2& 0& 0\\ 1& \lambda & -3\\ -4& -2& \lambda +1\end{array}\right|=(\lambda +3)(\lambda -2)²=0$得B得特征值为${\lambda }_1=-3，{\lambda }_2={\lambda }_3=2$
  (第一步条件成立，A，B不一定相似，继续第二步得判断)

• 第二步：判断A、B是否可相似对角化
• 检验矩阵A(${\lambda }_1=-3$为单根，不用检验，只需检验重根即${\lambda }_2={\lambda }_3=2$的情况)
  由$2E-A=\left(\begin{array}{ccc}1& 0& -4\\ 0& 0& 0\\ -1& 0& 4\end{array}\right)\to \left(\begin{array}{ccc}1& 0& -4\\ 0& 0& 0\\ 0& 0& 0\end{array}\right)$ 得$r(2E-A)=1$
  (A矩阵为3阶，秩为1，因此有两个线性无关的解向量，与重根对应的线性无关特征向量个数(2个)一致) 则A可相似对角化
• 检验矩阵B(${\lambda }_1=-3$为单根，不用检验，只需检验重根即${\lambda }_2={\lambda }_3=2$的情况)
  由$2E-B=\left(\begin{array}{ccc}0& 0& 0\\ 1& 2& -3\\ -4& -2& 3\end{array}\right)\to \left(\begin{array}{ccc}1& 2& -3\\ 0& 6& -9\\ 0& 0& 0\end{array}\right)$ 得$r(2E-B)=2$
  (B矩阵为3阶，秩为2，因此有一个线性无关的解向量，与重根对应的线性无关特征向量个数(2个)不一致) 则B不可相似对角化
  对应情形二，即矩阵A可相似对角化，矩阵B不可相似对角化，则矩阵A与阵B一定不相似

例4：

设$A=\left(\begin{array}{ccc}0& 0& 1\\ 0& 0& 0\\ 1& 0& 0\end{array}\right)，B=\left(\begin{array}{ccc}1& 0& 0\\ 0& 1& 2\\ 0& -1& -2\end{array}\right)$，证明$A\backsim B$，且求可逆矩阵P，使得$P^{-1}AP=B$

• 第一步：判断$|\lambda E-A|=|\lambda E-B|$是否成立
  $|\lambda E-A|=\left|\begin{array}{ccc}\lambda & 0& -1\\ 0& \lambda & 0\\ -1& 0& \lambda \end{array}\right|=\lambda (\lambda ²-1)=0$ 得A的特征值为${\lambda }_1=-1，{\lambda }_2=0，{\lambda }_3=1$
  (A是3阶矩阵，且有3个单根) 得A可相似对角化
  $|\lambda E-B|=\left|\begin{array}{ccc}\lambda -1& 0& 0\\ 0& \lambda -1& -2\\ 0& 1& \lambda +2\end{array}\right|=\lambda (\lambda ²-1)=0$ 得B的特征值为${\lambda }_1=-1，{\lambda }_2=0，{\lambda }_3=1$
  (B是3阶矩阵，且有3个单根) 得B可相似对角化
  对应情形一，即矩阵A可相似对角化，矩阵B也可相似对角化，则矩阵A与阵B一定相似

• 由$-E-A=\left(\begin{array}{ccc}-1& 0& -1\\ 0& -1& 0\\ -1& 0& -1\end{array}\right)\to \left(\begin{array}{ccc}1& 0& 1\\ 0& 1& 0\\ 0& 0& 0\end{array}\right)$ 得A属于${\lambda }_1=-1$的线性无关的特征向量为${\alpha }_1=\left(\begin{array}{c}-1\\ 0\\ 1\end{array}\right)$
• 由$0E-A=\left(\begin{array}{ccc}0& 0& -1\\ 0& 0& 0\\ -1& 0& 0\end{array}\right)\to \left(\begin{array}{ccc}1& 0& 0\\ 0& 0& 1\\ 0& 0& 0\end{array}\right)$ 得A属于${\lambda }_2=0$的线性无关的特征向量为${\alpha }_2=\left(\begin{array}{c}0\\ 1\\ 0\end{array}\right)$
• 由$E-A=\left(\begin{array}{ccc}1& 0& -1\\ 0& 1& 0\\ -1& 0& 1\end{array}\right)\to \left(\begin{array}{ccc}1& 0& -1\\ 0& 1& 0\\ 0& 0& 0\end{array}\right)$ 得A属于${\lambda }_3=1$的线性无关的特征向量为${\alpha }_3=\left(\begin{array}{c}1\\ 0\\ 1\end{array}\right)$
  令$P_1=\left(\begin{array}{ccc}-1& 0& 1\\ 0& 1& 0\\ 1& 0& 1\end{array}\right)$(将3组列向量组合成一个矩阵)，则$P_1^{-1}A{P}_1=\left(\begin{array}{ccc}-1& 0& 0\\ 0& 0& 0\\ 0& 0& 1\end{array}\right)$ (将3个特征值依次放在主对角线上)

• 由$-E-B=\left(\begin{array}{ccc}-2& 0& 0\\ 0& -2& -2\\ 0& 1& 1\end{array}\right)\to \left(\begin{array}{ccc}1& 0& 0\\ 0& 1& 1\\ 0& 0& 0\end{array}\right)$ 得B属于${\lambda }_1=-1$的线性无关的特征向量为${\beta }_1=\left(\begin{array}{c}0\\ -1\\ 1\end{array}\right)$
• 由$0E-B=\left(\begin{array}{ccc}-1& 0& 0\\ 0& -1& -2\\ 0& 1& 2\end{array}\right)\to \left(\begin{array}{ccc}1& 0& 0\\ 0& 1& 2\\ 0& 0& 0\end{array}\right)$ 得B属于${\lambda }_2=0$的线性无关的特征向量为${\beta }_2=\left(\begin{array}{c}0\\ -2\\ 1\end{array}\right)$
• 由$E-B=\left(\begin{array}{ccc}0& 0& 0\\ 0& 0& -2\\ 0& 1& 3\end{array}\right)\to \left(\begin{array}{ccc}0& 1& 0\\ 0& 0& 1\\ 0& 0& 0\end{array}\right)$ 得B属于${\lambda }_3=1$的线性无关的特征向量为${\beta }_3=\left(\begin{array}{c}1\\ 0\\ 0\end{array}\right)$
  令$P_2=\left(\begin{array}{ccc}0& 0& 1\\ -1& -2& 0\\ 1& 1& 0\end{array}\right)$(将3组列向量组合成一个矩阵)，则$P_2^{-1}A{P}_2=\left(\begin{array}{ccc}-1& 0& 0\\ 0& 0& 0\\ 0& 0& 1\end{array}\right)$ (将3个特征值依次放在主对角线上)

• 令$P=P_1{P}_2^{-1}=\left(\begin{array}{ccc}-1& 0& 1\\ 0& 1& 0\\ 1& 0& 1\end{array}\right)\left(\begin{array}{ccc}0& 1& 2\\ 0& -1& -1\\ 1& 0& 0\end{array}\right)=\left(\begin{array}{ccc}1& -1& -2\\ 0& -1& -1\\ 1& 1& 2\end{array}\right)$ 则$P^{-1}AP=B$

非实对称矩阵的对角化：

若A可相似对角化，则具体步骤为：

• (1)求A的特征值${\lambda }_1，{\lambda }_2，...，{\lambda }_n$
• (2)求$({\lambda }_{i}E-A)X=0(1\le i\le n)$的基础解系，从而求出特征值${\lambda }_1，{\lambda }_2，...，{\lambda }_n$对应的线性无关的特征向量${\xi }_1，{\xi }_2，...，{\xi }_n$
• (3)令$P=({\xi }_1，{\xi }_2，...，{\xi }_n)$，则P可逆，且$P⁻¹AP=\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right)$
  注意：非实对称矩阵对角化过程中不可施密特正交化

实对称矩阵的对角化：

实对称矩阵一定可以对角化，具体过程为：

• (1)求A的特征值${\lambda }_1，{\lambda }_2，...，{\lambda }_n$(全为实数)
• (2)求$({\lambda }_{i}E-A)X=0(1\le i\le n)$的基础解系，从而求出特征值${\lambda }_1，{\lambda }_2，...，{\lambda }_n$对应的线性无关的特征向量${\xi }_1，{\xi }_2，...，{\xi }_n$(该向量组不同特征值之间的特征向量正交，施密特正交化只需要在同一个特征值内部的特征向量之间进行)
• (3)若题目只求可逆矩阵P对A进行对角化，则令$P=({\xi }_1，{\xi }_2，...，{\xi }_n)$，且$P⁻¹AP=\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right)$
  若题目求正交矩阵Q对A进行相似对角化，则将${\xi }_1，{\xi }_2，...，{\xi }_n$施密特正交化和规范化得一组新的两两正交且规范得特征向量组${\gamma }_1，{\gamma }_2，...，{\gamma }_n$，令$Q=({\gamma }_1，{\gamma }_2，...，{\gamma }_n)$，则Q为正交矩阵，且$Q^{T}AQ=\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right)$
  施密特正交化后的向量仍为A的特征值对应的特征向量

设${\alpha }_1，{\alpha }_2，...，{\alpha }_n$线性无关，施密特正交化过程分两个步骤：

• 正交化：
  令${\beta }_1={\alpha }_1，{\beta }_2={\alpha }_2-\frac{({\alpha }_2,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1，...，{\beta }_n={\alpha }_n-\frac{({\alpha }_n,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1-\frac{({\alpha }_n,{\beta }_2)}{({\beta }_2,{\beta }_2)}{\beta }_2-...-\frac{({\alpha }_n,{\beta }_{n-1})}{({\beta }_{n-1},{\beta }_{n-1})}{\beta }_{n-1}$
  则${\beta }_1，{\beta }_2，...，{\beta }_n$两两正交
• 规范化：
  令${\gamma }_1=\frac{1}{|{\beta }_1|}{\beta }_1，{\gamma }_2=\frac{1}{|{\beta }_2|}{\beta }_2，...，{\gamma }_n=\frac{1}{|{\beta }_n|}{\beta }_n$
  则${\gamma }_1，{\gamma }_2，...，{\gamma }_n$两两正交且规范

例5：

设$A=\left(\begin{array}{ccc}2& -1& -1\\ -1& 2& -1\\ -1& -1& 2\end{array}\right)$，求：
(1)可逆矩阵P，使得$P⁻¹AP$为对角矩阵
(2)正交矩阵Q，使得$Q^{T}AQ$为对角矩阵

(1) 由$|\lambda E-A|=\left|\begin{array}{ccc}\lambda -2& 1& 1\\ 1& \lambda -2& 1\\ 1& 1& \lambda -2\end{array}\right|=\lambda (\lambda -3)²=0$ 得A的特征值为${\lambda }_1=0，{\lambda }_2={\lambda }_3=3$

• 由$0E-A=\left(\begin{array}{ccc}-2& 1& 1\\ 1& -2& 1\\ 1& 1& -2\end{array}\right)\to \left(\begin{array}{ccc}1& 0& -1\\ 0& 1& -1\\ 0& 0& 0\end{array}\right)$ 得${\lambda }_1=0$对应的线性无关的特征向量为${\alpha }_1=\left(\begin{array}{c}1\\ 1\\ 1\end{array}\right)$
• 由$3E-A=\left(\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right)\to \left(\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ 0& 0& 0\end{array}\right)$ 得${\lambda }_2={\lambda }_3=0$对应的线性无关的特征向量为${\alpha }_2=\left(\begin{array}{c}-1\\ 1\\ 0\end{array}\right)，{\alpha }_3=\left(\begin{array}{c}-1\\ 0\\ 1\end{array}\right)$
• 令$P=\left(\begin{array}{ccc}1& -1& -1\\ 1& 1& 0\\ 1& 0& 1\end{array}\right)$，则P可逆，且$P⁻¹AP=\left(\begin{array}{ccc}0& 0& 0\\ 0& 3& 0\\ 0& 0& 3\end{array}\right)$

(2) 令${\beta }_1={\alpha }_1=\left(\begin{array}{c}1\\ 1\\ 1\end{array}\right)$
${\beta }_2={\alpha }_2=\left(\begin{array}{c}-1\\ 1\\ 0\end{array}\right)，{\beta }_3={\alpha }_3-\frac{({\alpha }_2,{\beta }_2)}{({\beta }_2,{\beta }_2)}{\beta }_2=\frac{1}{2}\left(\begin{array}{c}-1\\ -1\\ 2\end{array}\right)$
(由于实对称矩阵($a_{ij}=a_{ji}$)不同特征值对应得特征向量正交，所以正交化只限于在重特征值对应得线性无关得特征向量内部进行)

• ${\gamma }_1=\frac{1}{|{\beta }_1|}{\beta }_1=\frac{1}{\sqrt{1²+1²+1²}}\left(\begin{array}{c}1\\ 1\\ 1\end{array}\right)=\left(\begin{array}{c}\frac{1}{\sqrt{3}}\\ \frac{1}{\sqrt{3}}\\ \frac{1}{\sqrt{3}}\end{array}\right)$
• ${\gamma }_2=\frac{1}{|{\beta }_2|}{\beta }_2=\frac{1}{\sqrt{(-1)²+1²+0²}}\left(\begin{array}{c}-1\\ 1\\ 0\end{array}\right)=\left(\begin{array}{c}-\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\\ 0\end{array}\right)$
• ${\gamma }_3=\frac{1}{|{\beta }_3|}{\beta }_3=\frac{1}{\sqrt{(-1)²+(-1)²+2²}}\left(\begin{array}{c}-1\\ -1\\ 2\end{array}\right)=\left(\begin{array}{c}-\frac{1}{\sqrt{6}}\\ -\frac{1}{\sqrt{6}}\\ \frac{2}{\sqrt{6}}\end{array}\right)$
• 令$Q=\left(\begin{array}{ccc}\frac{1}{\sqrt{3}}& -\frac{1}{\sqrt{2}}& -\frac{1}{\sqrt{6}}\\ \frac{1}{\sqrt{3}}& \frac{1}{\sqrt{2}}& -\frac{1}{\sqrt{6}}\\ \frac{1}{\sqrt{3}}& 0& \frac{2}{\sqrt{6}}\end{array}\right)$，则Q为正交矩阵，且$Q^{T}AQ=\left(\begin{array}{ccc}0& 0& 0\\ 0& 3& 0\\ 0& 0& 3\end{array}\right)$

求$A^m$：

• 求矩阵A的幂，除了矩阵部分介绍的方法以外，还有一个最重要的方法，即用特征值与特征向量的方法求矩阵A的幂，具体步骤为：
  (1)求A的特征值${\lambda }_1，{\lambda }_2，...，{\lambda }_n$
  (2)求$({\lambda }_{i}E-A)X=0(1\le i\le n)$的基础解系，从而求出特征值${\lambda }_1，{\lambda }_2，...，{\lambda }_n$对应的线性无关的特征向量${\xi }_1，{\xi }_2，...，{\xi }_n$
  (3)令$P=({\xi }_1，{\xi }_2，...，{\xi }_n)$，则P可逆，且$P⁻¹AP=\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right)$，两边求幂得$A^m=P\left(\begin{array}{cccc}{\lambda }_1^m& & & \\ & {\lambda }_2^m& & \\ & & \ddots & \\ & & & {\lambda }_n^m\end{array}\right)P⁻¹$

例6：

设三阶矩阵A的特征值为${\lambda }_1=1，{\lambda }_2=2，{\lambda }_3=3$，它们对应的特征向量为${\xi }_1=\left(\begin{array}{c}1\\ 1\\ 1\end{array}\right)，{\xi }_2=\left(\begin{array}{c}1\\ 2\\ 4\end{array}\right)，{\xi }_3=\left(\begin{array}{c}1\\ 3\\ 9\end{array}\right)$，又$\beta =\left(\begin{array}{c}1\\ 1\\ 1\end{array}\right)$，计算$A^n\beta$

• $P=({\xi }_1，{\xi }_2，{\xi }_3)=\left(\begin{array}{ccc}1& 1& 1\\ 1& 2& 4\\ 1& 3& 9\end{array}\right)$，则有$P⁻¹AP=\left(\begin{array}{ccc}1& & \\ & 2& \\ & & 3\end{array}\right)$，从而$P⁻¹A^{n}P=\left(\begin{array}{ccc}{1}^n& & \\ & 2^n& \\ & & 3^n\end{array}\right)$
  故$A^n=P\left(\begin{array}{ccc}{1}^n& & \\ & 2^n& \\ & & 3^n\end{array}\right)$P⁻¹，又$P^{-1}=\frac{1}{2}\left(\begin{array}{ccc}6& -5& 1\\ -6& 8& -2\\ 2& 3& -1\end{array}\right)$，所以$A^n\beta =P\left(\begin{array}{ccc}{1}^n& & \\ & 2^n& \\ & & 3^n\end{array}\right)$$P⁻¹\beta =\left(\begin{array}{c}2-2^{n+1}+3^n\\ 2-2^{n+2}+3^{n+1}\\ 2-2^{n+3}+3^{n+2}\end{array}\right)$

• 第六章 二次型：

基本概念：

• 二次型： 含n个变量$x_1，x_2，...，x_n$且每项都是2次的齐次多项式$f(x_1，x_2，...，x_n)=a_{11}{x}_1^2+a_{22}{x}_2^2+...+a_{nn}{x}_n^2+2a_{12}{x}_1{x}_2+...+2a_{1n}{x}_1{x}_n+2a_{23}{x}_2{x}_3+...+2a_{n-1,n}{x}_{n-1}{x}_n$，称为二次型，若令$a_{ij}=a_{ji}(i，j=1，2，...，n)$，则二次型的矩阵形式为$f(x_1，x_2，...，x_n)=X^{T}AX$，其中$$A=\left|\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right|，X=\left(\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right)$$
• 标准二次型： 只含有平方项不含交叉项的二次型
• 二次型的标准化：设$f(X)=X^{T}AX$为一个二次型，经过可逆的线性变换X=PY(即P为可逆矩阵)把二次型$f(X)=X^{T}AX$化为$f(X)=X^{T}AX\stackrel{X=PY}{⟹}(PY{)}^{T}APY，即Y^T(P^{T}AP)Y=l_1{y}_1^2+l_2{y}_2^2+...+l_m{y}_m^2$，称为二次型的标准化
• 对二次型$f(x_1，x_2，...，x_n)=X^{T}AX(A^T=A)$，一定存在正交矩阵Q，使得$X^{T}AX\stackrel{X=QY}{⟹}(QY{)}^{T}AQY，即Y^T(Q^{T}AQ)Y={\lambda }_1{y}_1^2+{\lambda }_2{y}_2^2+...+{\lambda }_n{y}_n^2$，其中${\lambda }_1，{\lambda }_2，...，{\lambda }_n$为矩阵A的特征值
• 正定二次型： 对二次型$f(x_1，x_2，...，x_n)=X^{T}AX$，若对任意的$X\ne 0$，总有$X^{T}AX>0$，称$X^{T}AX$为正定二次型，A称为正定矩阵
  正定二次型的判别：
  ①二次型$X^{T}AX$为正定二次型的充要条件是A的特征值全为正数
  ②二次型$X^{T}AX$为正定二次型的充要条件是A的顺序主子式都大于零
  ③设$A^T=A$，则A为正定矩阵的充要条件是存在可逆矩阵B，使得$A=B^{T}B$
  ④设$A^T=A$，则A为正定矩阵的充要条件是A与E合同
  ⑤设$A^T=A$，则A为正定的充要条件是A的正惯性指数为n
  ⑥设A，B分别为m和n阶实对称矩阵，则$\left(\begin{array}{cc}A& O\\ O& B\end{array}\right)$为正定矩阵的充要条件是A，B都是正定矩阵
• 二次型$f(X)=X^{T}AX$正定的必要条件是：$a_{ii}>0(i=1，2，...，n)$；|A|>0
• 若A是正定矩阵，则A一定是可逆矩阵
• 若A是正定矩阵，则$A^{-1}$及$A^{\ast }$是正定矩阵
• 若A，B都是正定矩阵，则A+B是正定矩阵

二次型的标准形：

例1：

设二次型$f(x_1，x_2，x_3)=x_1^2+x_2^2+x_3^2+4x_1{x}_2+4x_1{x}_3+4x_2{x}_3$
(1)用配方法化二次型为标准形
(2)用正交变换法化二次型为标准形

• (1) 第一步： 矩阵化 $A=\left(\begin{array}{ccc}1& 2& 2\\ 2& 1& 2\\ 2& 2& 1\end{array}\right)$，$f(X)=X^{T}AX$
  第二步： 配方 $f(x_1，x_2，x_3)=x_1^2+x_2^2+x_3^2+4x_1{x}_2+4x_1{x}_3+4x_2{x}_3=(x_1+2x_2+2x_3{)}^2-3(x_2+\frac{2}{3}{x}_3{)}^2-\frac{5}{3}{x}_3^2$
  第三步： 令$\{\begin{array}{l}{x}_1+2x_2+2x_3=y_1\\ x_2+\frac{2}{3}{x}_3=y_2\\ x_3=y_3\end{array}\to \{\begin{array}{l}{x}_1=y_1-2y_2-\frac{2}{3}{y}_3\\ x_2=y_2-\frac{2}{3}{y}_3\\ x_3=y_3\end{array}$，即X=PY，其中$P=\left(\begin{array}{ccc}1& -2& \frac{2}{3}\\ 0& 1& -\frac{2}{3}\\ 0& 0& 1\end{array}\right)\ne 0$，则P可逆
  第四步： $f(X)=X^{T}AX\stackrel{X=PY}{⟹}{Y}^T(P^{T}AP)Y=y_1^2-3y_2^2-\frac{5}{3}{y}_3^2$

(2) 第一步：求出矩阵A的特征值 $$
由$|\lambda E-A|=\left|\begin{array}{ccc}\lambda -1& -2& -2\\ -2& \lambda -1& -2\\ -2& -2& \lambda -1\end{array}\right|=(\lambda +1)²(\lambda -5)=0$ 得A的特征值为${\lambda }_1={\lambda }_2=-1，{\lambda }_3=5$
第二步：求出矩阵A的线性无关的特征向量

• 由$-E-A=\left(\begin{array}{ccc}-2& -2& -2\\ -2& -2& -2\\ -2& -2& -2\end{array}\right)\to \left(\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ 0& 0& 0\end{array}\right)$ 得${\lambda }_1={\lambda }_2=-1$对应的线性无关的特征向量为${\alpha }_1=\left(\begin{array}{c}-1\\ 1\\ 0\end{array}\right)，{\alpha }_2=\left(\begin{array}{c}-1\\ 0\\ 1\end{array}\right)$
• 由$3E-A=\left(\begin{array}{ccc}4& -2& -2\\ -2& 4& -2\\ -2& -2& 4\end{array}\right)\to \left(\begin{array}{ccc}1& 0& -1\\ 0& 1& -1\\ 0& 0& 0\end{array}\right)$ 得${\lambda }_3=5$对应的线性无关的特征向量为${\alpha }_3=\left(\begin{array}{c}1\\ 1\\ 1\end{array}\right)$
  第三步： 正交化： 令${\beta }_1={\alpha }_1=\left(\begin{array}{c}-1\\ 1\\ 0\end{array}\right)，{\beta }_2={\alpha }_2-\frac{({\alpha }_2,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1=\frac{1}{2}\left(\begin{array}{c}-1\\ -1\\ 2\end{array}\right)，{\beta }_3={\alpha }_3=\left(\begin{array}{c}1\\ 1\\ 1\end{array}\right)$
  规范化：${\gamma }_1=\frac{1}{|{\beta }_1|}{\beta }_1=\frac{1}{\sqrt{(-1)²+1²+0²}}\left(\begin{array}{c}-1\\ 1\\ 0\end{array}\right)=\left(\begin{array}{c}-\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\\ 0\end{array}\right)$
• ${\gamma }_2=\frac{1}{|{\beta }_2|}{\beta }_2=\frac{1}{\sqrt{(-1)²+(-1)²+2²}}\left(\begin{array}{c}-1\\ -1\\ 2\end{array}\right)=\left(\begin{array}{c}-\frac{1}{\sqrt{6}}\\ -\frac{1}{\sqrt{6}}\\ \frac{2}{\sqrt{6}}\end{array}\right)$
• ${\gamma }_3=\frac{1}{|{\beta }_3|}{\beta }_3=\frac{1}{\sqrt{1²+1²+1²}}\left(\begin{array}{c}1\\ 1\\ 1\end{array}\right)=\left(\begin{array}{c}\frac{1}{\sqrt{3}}\\ \frac{1}{\sqrt{3}}\\ \frac{1}{\sqrt{3}}\end{array}\right)$
  第四步： 令$Q=\left(\begin{array}{ccc}-\frac{1}{\sqrt{2}}& -\frac{1}{\sqrt{6}}& \frac{1}{\sqrt{3}}\\ \frac{1}{\sqrt{2}}& -\frac{1}{\sqrt{6}}& \frac{1}{\sqrt{3}}\\ 0& \frac{1}{\sqrt{6}}& \frac{1}{\sqrt{3}}\end{array}\right)$，则Q为正交矩阵，且$Q^{T}AQ=\left(\begin{array}{ccc}-1& 0& 0\\ 0& -1& 0\\ 0& 0& 5\end{array}\right)$
  第五步： 作正交变换X=QY，二次型为$f=-y_1^2-y_2^2+5y_3^2$