使用归纳法。
显然,
n
=
1
n=1
n=1时成立,那么只需证明假设
n
=
k
−
1
n=k-1
n=k−1成立时,有
n
=
k
n=k
n=k成立,即证明该定理。
设:
P
1
=
(
x
1
,
x
2
,
⋯
,
x
k
)
P_1=(x_1,x_2,\cdots,x_k)
P1=(x1,x2,⋯,xk)
其中
x
1
,
x
2
,
⋯
,
x
k
x_1,x_2,\cdots,x_k
x1,x2,⋯,xk线性无关且
x
1
x_1
x1是矩阵特征值为
λ
1
\lambda_1
λ1时的特征向量(对其他向量并无要求),那么可得:
A
P
1
=
(
A
x
1
,
A
x
2
,
⋯
,
A
x
k
)
=
(
(
λ
1
x
1
,
A
x
2
,
⋯
,
A
x
k
)
)
AP_1=(Ax_1,Ax_2,\cdots,Ax_k)=((\lambda_1x_1,Ax_2,\cdots,Ax_k))
AP1=(Ax1,Ax2,⋯,Axk)=((λ1x1,Ax2,⋯,Axk))
以矩阵形式表示可得:
A
P
1
=
(
x
1
,
x
2
,
⋯
,
x
k
)
[
λ
1
b
12
⋯
b
1
k
0
b
22
⋯
b
2
k
⋮
⋮
⋱
⋮
0
b
k
1
⋯
b
k
k
]
AP_1=(x_1,x_2,\cdots,x_k) \begin{bmatrix} \lambda_1&b_{12}&\cdots&b_{1k}\\ 0&b_{22}&\cdots&b_{2k}\\ \vdots&\vdots&\ddots&\vdots\\ 0&b_{k1}&\cdots&b_{kk} \end{bmatrix}
AP1=(x1,x2,⋯,xk)⎣⎢⎢⎢⎡λ10⋮0b12b22⋮bk1⋯⋯⋱⋯b1kb2k⋮bkk⎦⎥⎥⎥⎤
则:
P
1
−
1
A
P
1
=
[
λ
1
b
12
⋯
b
1
k
0
b
22
⋯
b
2
k
⋮
⋮
⋱
⋮
0
b
k
1
⋯
b
k
k
]
=
[
λ
1
∗
0
A
1
]
P_1^{-1}AP_1= \begin{bmatrix} \lambda_1&b_{12}&\cdots&b_{1k}\\ 0&b_{22}&\cdots&b_{2k}\\ \vdots&\vdots&\ddots&\vdots\\ 0&b_{k1}&\cdots&b_{kk} \end{bmatrix}= \begin{bmatrix} \lambda_1&*\\ 0&A_1 \end{bmatrix}
P1−1AP1=⎣⎢⎢⎢⎡λ10⋮0b12b22⋮bk1⋯⋯⋱⋯b1kb2k⋮bkk⎦⎥⎥⎥⎤=[λ10∗A1]
由假设,矩阵为k-1阶时结论成立,那么对于矩阵
A
1
A_1
A1,存在可逆矩阵Q,使得:
Q
−
1
A
1
Q
=
[
λ
2
∗
⋯
∗
λ
3
⋱
⋮
⋱
∗
λ
k
]
Q^{-1}A_1Q= \begin{bmatrix} \lambda_2&*&\cdots&*\\ &\lambda_3&\ddots&\vdots\\ &&\ddots&*\\ &&&\lambda_k \end{bmatrix}
Q−1A1Q=⎣⎢⎢⎢⎡λ2∗λ3⋯⋱⋱∗⋮∗λk⎦⎥⎥⎥⎤
那么:
P
2
=
[
1
0
T
0
Q
]
,
S
=
P
1
P
2
P_2= \begin{bmatrix} 1&0^T\\ 0&Q \end{bmatrix},S=P_1P_2
P2=[100TQ],S=P1P2
有:
S
−
1
A
S
=
P
2
−
1
P
1
−
1
A
P
1
P
2
=
[
λ
1
∗
⋯
∗
λ
2
⋱
⋮
⋱
∗
λ
k
]
S^{-1}AS=P_2^{-1}P_1^{-1}AP_1P_2= \begin{bmatrix} \lambda_1&*&\cdots&*\\ &\lambda_2&\ddots&\vdots\\ &&\ddots&*\\ &&&\lambda_k \end{bmatrix}
S−1AS=P2−1P1−1AP1P2=⎣⎢⎢⎢⎡λ1∗λ2⋯⋱⋱∗⋮∗λk⎦⎥⎥⎥⎤
证毕
[矩阵论]任意n阶矩阵都可以相似成一个三角矩阵
最新推荐文章于 2023-11-05 15:40:37 发布