方陣的特征值與特征向量
$A$是$n$階方陣,如果對于數$\lambda$,存在非零向量$\alpha$,使得$A \alpha=\lambda \alpha\quad (\alpha \ne \boldsymbol{0})$成立,則稱$\lambda$是$A$的特征值,$\alpha$是$A$的對應于$\lambda$的特征向量
性質:
- 不同特征值的特征向量線性無關
- 任取特征值$\lambda$,線性無關的特征向量的個數$\leq \lambda$的重數
- $A$的特征值為$\lambda_{1},\cdots,\lambda_{n}$,則$\begin{cases}|A|=\lambda_{1},\cdots,\lambda_{n}=\prod\limits_{i=1}^{n}\lambda_{i}\tr(A)=\sum\limits^{n}{i=1}a{ii}=\sum\limits^{n}{i=1} \lambda{i}\end{cases}$
步驟:
- $| \lambda E-A|=O$,解得$\lambda_{1},\cdots,\lambda_{n}$
- 解$[\lambda_{i}E-A]X=0$的解,得到特征向量
例1:求矩陣$A=\begin{pmatrix}-2 & 1 & 1 \ 0 & 2 & 0 \ -4 & 1 & 3\end{pmatrix}$的特征值和特征向量
$\begin{aligned}|\lambda E-A|&=\begin{vmatrix}\lambda+2&-1&-1\0&\lambda -2&0\4&-1&\lambda-3\end{vmatrix}\&=(-1)^{2+2}(\lambda-2)\begin{vmatrix}\lambda+2&-1\4&\lambda-3\end{vmatrix}\&=(\lambda-2)^2(\lambda+1)\&=0\end{aligned}$
解得$\lambda_{1}=\lambda_{2}=2$
當$\lambda_{1}=\lambda_{2}=2$時
$\begin{aligned}(2E-A)&=\begin{pmatrix}4 & -1 & -1 \ 0 & 0 & 0 \ 4 & -1 & -1\end{pmatrix}\\rightarrow& \begin{pmatrix}1 & - \frac{1}{4} & - \frac{1}{4} \ 0 & 0 & 0 \ 0 & 0 & 0\end{pmatrix}\end{aligned}$
解得$\alpha_{1}=(\frac{1}{4},1,0)^T,\alpha_{2}=(\frac{1}{4},0,1)^T$
當$\lambda_{3}=-1$時
$\begin{aligned}(-E-A)&=\begin{pmatrix}1 & -1 & -1 \ 0 & -3 & 0 \ 4 & -1 & -4\end{pmatrix}\\rightarrow&\begin{pmatrix}1 & 0 & -1 \ 0 & 1 & 0 \ 0 & 0 & 0\end{pmatrix}\end{aligned}$
解得$\alpha_{3}=(1,0,1)^T$
故
當$\lambda_1=\lambda_2=2$時,特征向量為$k_{1}\alpha_1+k_{2}\alpha_{2}\quad(k_1,k_2$不同時為$0)$
當$\lambda_{3}=-1$時,特征向量為$k_3\alpha_3\quad(k_{3}$為非零常數$)$
例2:設$\lambda$是方陣$A$的特征值,證明
- $\lambda^2$是$A^{2}$的特征值
$\because \lambda$為$A$特征值
故$\exists \alpha \ne \boldsymbol{0}$,使$A \alpha=\lambda \alpha$
設$\alpha$為$\lambda$的特征向量
$A^{2}\alpha=A(A \alpha)=\lambda A \alpha=\lambda^{2}\alpha$
故$\lambda^2$為$A^2$為特征值,且$\alpha$為$\lambda^2$對應的特征向量
- 當$A$可逆時,$\frac{1}{\lambda}$是$A^{-1}$的特征值
$\because A$可逆
對$A \alpha=\lambda \alpha$左乘$A^{-1}$
得$\alpha=A^{-1}\lambda \alpha=\lambda A^{-1}\alpha$
即$A^{-1} \alpha=\frac{1}{\lambda}\alpha$
故$\frac{1}{\lambda}$為$A^{-1}$的特征值
推廣:
$A$ | $A^-1$ | $f(A)$ | $A^{-1}$ | $A^*$ | $P^{-1}AP$ |
---|---|---|---|---|---|
$\lambda$ | $\frac{1}{\lambda}$ | $f(\lambda)$ | $\lambda$ | $\frac{|A|}{\lambda}$ | $\lambda$ |
$\alpha$ | $\alpha$ | $\alpha$ | 無明顯規律 | $\alpha$ | $P^{-1}\alpha$ |
其中
- $f(A)$是$A$的多項式,例如$A^{3}+2A^{2}+6E$,則對應$f(\lambda)=\lambda^3+2\lambda^{2}+6$
- $P^{-1}AP$表示$A$的相似矩陣
例3:設$3$階矩陣$A$的特征值為$1,-1,2$,求$A^*+3A-2E$的特征值
$|A|=-2$
當$A$的特征值為$1$時,$A^*$的特征值為$-2$
當$A$的特征值為$-1$時,$A^*$的特征值為$2$
當$A$的特征值為$2$時,$A^*$的特征值為$-1$
故$A^*+3A-2E$的特征值為$\frac{|A|}{\lambda}+3\lambda-2$
即為$-2+3\times1-2=-1,2+3\times(-1)-2=-3,(-1)+3\times2-2=3$
相似矩陣
一、相似矩陣
1. 相似矩陣的定義
設$A,B$都是$n$階矩陣,若有可逆矩陣$P$,使$P^{-1}AP=B$,則稱$B$是$A$的相似矩陣,或說矩陣$A$與$B$相似。對$A$進行運算$P^{-1}AP$稱為對$A$進行相似變換,可逆矩陣$P$稱為把$A$變成$B$的相似變換矩陣
2. 相似矩陣的性質
若$n$階矩陣$A$與$B$相似,則$A$與$B$的特征多項式相同,進而$A$與$B$的特征值亦相同
二、相似對角化
1. 相似對角化的定義
若$n$階矩陣$A$與對角陣$\Lambda=\begin{pmatrix}\lambda_1 & & & \ & \lambda_2 & & \ & & \ddots & \ & & & \lambda_{n}\end{pmatrix}$相似,則$\lambda_1,\lambda_2,\cdots,\lambda_n$即是$n$個特征值
2. 相似對角化的充要條件
- $k$重特征值含有$k$個線性無關的特征向量
- $n$階矩陣$A$與對角陣相似(即$A$能對角化)的充分必要條件是$A$有$n$個線性無關的特征向量
3. 相似對角化的充分條件
- $A$是對稱矩陣
- 如果$n$階矩陣$A$的$n$個特征值互不相等,則$A$與對角陣相似
例1:設$A=\begin{pmatrix}0 & 0 & 1 \ 1 & 1 & x \ 1 & 0 & 0\end{pmatrix}$,問$x$為何值時,矩陣$A$能對角化
先看是不是對稱矩陣,發現不是
再算特征值,看特征值是否都不相等
$\begin{aligned}|\lambda E-A|&=\begin{vmatrix}\lambda & 0 & -1 \ -1 & \lambda-1 & -x \ -1 & 0 & \lambda\end{vmatrix}\&=(-1)^{2+2}(\lambda-1)\begin{vmatrix}\lambda&-1\-1&\lambda\end{vmatrix}\&=-(\lambda+1)(\lambda-1)^{2}=0\end{aligned}$
解得$\lambda_{1}=\lambda_{2}=1,\lambda_{3}=-1$
發現特征值不相等,則不能使用充分條件,考慮充要條件
當$\lambda_{1}=\lambda_{2}=1$時
解$(1\cdots E-A)X=0$
需要組成基礎解系的個數為$2$個
$\therefore n-r(1E-A)=2$,其中$n$為$3$
得$r(1E-A)=1$
$(E-A)=\begin{pmatrix}1 & 0 & -1 \ -1 & 0 & -x \ -1 & 0 & 1\end{pmatrix}\rightarrow \begin{pmatrix}1 & 0 & -1 \ 0 & 0 & -1-x \ 0 & 0 & 0\end{pmatrix}$
當$x=-1$時,$r(E-A)=1$
$\therefore n-r(E-A)=3-1=2$
故此時矩陣$A$可對角化
實對稱矩陣的對角化
一、實對稱矩陣的定義
元素$a_{ij}$都是實數的對稱矩陣稱為實對稱矩陣,即$A^T=A$
二、實對稱矩陣的性質
- 設$\lambda_{1},\lambda_{2}$是對稱陣$A$的兩個特征值,$p_1,p_2$是對應的特征向量。若$\lambda_{1}\ne \lambda_{2}$,則$p_{1}$與$p_{2}$正交且線性無關
- 設$A$為$n$階對稱陣,則必有正交陣$P$,使$P^{-1}AP=P^TAP=\Lambda$,其中$\Lambda$是以$A$的$n$個特征值為對角元的對角陣
- 設$A$為$n$階對稱陣,$\lambda$是$A$的特征方程的$k$重根,則矩陣$\lambda E-A$的秩$R(\lambda E-A)=n-k$,進而對應特征值$\lambda$恰有$k$個線性無關的特征向量
三、施密特正交化
一般地,用數學歸納法可以證明
設$\alpha_1,\cdots,\alpha_{m}(m\leq n)$是$R^{n}$中的一個線性無關的向量組,若令$$\begin{gathered}\beta_1=\alpha_1\\beta_2=\alpha_{2}-\frac{\langle\alpha_{2},\beta_{1}\rangle}{\langle\beta_{1},\beta_{1}\rangle}\beta_1\\beta_{m}=\alpha_{m}-\frac{\langle\alpha_{m},\beta_{1}\rangle}{\langle\beta_{1},\beta_{1}\rangle}\beta_{1}-\frac{\langle\alpha_{m},\beta_{2}\rangle}{\langle\beta_{2},\beta_{2}\rangle}\beta_{2}-\cdots-\frac{\langle\alpha_{m},\beta_{m-1}\rangle}{\langle\beta_{m-1},\beta_{m-1}\rangle}\beta_{m-1}\end{gathered}$$
則$\beta_{1},\cdots,\beta_{m}$就是一個正交向量組,若再令$$e_{i}=\frac{\beta_i}{||\beta_{i}||}(i=1,2,\cdots,m)$$
就得到一個标準的正交向量組$e_{1},\cdots,e_{m}$,且該向量組與$\alpha_1,\cdots,\alpha_m$等價
例1:設$A=\begin{pmatrix}0 & -1 & 1 \ -1 & 0 & 1 \ 1 & 1 & 0\end{pmatrix}$,求一個正交陣$P$,使$P^{-1}AP=\Lambda$為對角陣
$\begin{aligned}|\lambda E-A|&=\begin{vmatrix}\lambda&1&-1\1&\lambda&-1\-1&-1&\lambda\end{vmatrix}\&=\begin{vmatrix}\lambda&2&-1\1&\lambda+1&-1\0&0&\lambda-1\end{vmatrix}\&=(-1)^{3+3}(\lambda-1)(\lambda^2+\lambda-2)\&=(\lambda-1)^2(\lambda+2)=0\end{aligned}$
解得$\lambda_1=\lambda_2=1,\lambda_3=-2$
當$\alpha_1=\alpha_2=1$時
$(1E-A)\rightarrow\begin{pmatrix}1 & 1 & -1 \ 0 & 0 & 0 \ 0 & 0 & 0\end{pmatrix}$
解得,$\alpha_{1}=(0,1,1)^T,\alpha_2=(1,0,1)^T$
當$\alpha_{3}=-2$時
$(-2E-A)\rightarrow \begin{pmatrix}1 & 0 & 1 \ 0 & 1 & 1 \ 0 & 0 & 0\end{pmatrix}$
解得,$\alpha_{3}=(-1,-1,1)^T$
令
$\beta_1=\alpha_1=(0,1,1)$
$\beta_2=\alpha_2-\frac{\langle\alpha_{2},\beta_{1}\rangle}{\langle\beta_{1},\beta_{1}\rangle}\beta_1=\begin{pmatrix}1 \ 0 \ 1\end{pmatrix}-\frac12 \begin{pmatrix}0 \ 1 \ 1\end{pmatrix}=\frac12 \begin{pmatrix}2 \ -1 \ 1\end{pmatrix}$
機關化
令
$e_1=\frac{1}{\sqrt{2}}\begin{pmatrix}0 \ 1 \ 1\end{pmatrix},e_2=\frac{1}{\sqrt{6}}\begin{pmatrix}2 \ -1 \ 1\end{pmatrix},e_{3}=\frac{1}{\sqrt{3}}\begin{pmatrix}-1 \ -1 \ 1\end{pmatrix}$
令$P=\begin{pmatrix}0 & \frac{2}{\sqrt{6}} & -\frac{1}{\sqrt{3}} \ \frac{1}{\sqrt{2}} & - \frac{1}{\sqrt{6}} & - \frac{1}{\sqrt{3}} \ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{6}} & \frac{1}{\sqrt{3}}\end{pmatrix}$
使$P^TAP=\Lambda=\begin{pmatrix}1 & & \ & 1 & \ & & -2\end{pmatrix}$
二次型及其标準形
一、二次型的定義
$n$個變量的一個二次齊次多項式
$$
\begin{aligned}
f(x_1,x_2,\cdots,x_n)=a_{11}x_1^2+&2a_{12}x_1x_2+2a_{13}x_1x_3+\cdots+2a_{1n}x_1x_n\
+&a_{22}x_2^2+2a_{23}x_2x_3+\cdots+2a_{2n}x_2x_n\
&\cdots\
&+a_{nn}x_n^2
\end{aligned}
$$
稱為$n$個變量的二次型,系數均為實數時,稱為$n$元實二次型
二次型的矩陣形式為$f(x_1,x_2,\cdots,x_n)=(x_1,x_2,\cdots,x_n)\begin{pmatrix}a_{11} & a_{12} & \cdots & a_{1n} \ a_{21} & a_{22} & \cdots & a_{2n} \ \vdots & \vdots & & \vdots \ a_{n1} & a_{n2} & \cdots & a_{nn}\end{pmatrix}\begin{pmatrix}x_1 \ x_2 \ \vdots \ x_n\end{pmatrix}=x^TAx$。其中$A^T=A$為對稱矩陣,稱為二次型$f$的對應矩陣
二、合同的定義
設$A$和$B$是$n$階矩陣,若有可逆矩陣$C$,使$B=C^TAC$,則稱矩陣$A$與$B$合同。記作$A\simeq B$
三、用正交變換法化二次型為标準形
任給定二次型$f=\sum^{n}{i,j=1}a{ij}x_iy_j(a_{ij}=a_{ji})$,總有正交變換$x=Py$,使$f$化為标準形$f=\lambda_1y_1^2+\lambda_2y_2^2+\cdots+\lambda_ny_n^2$,其中$\lambda_1,\lambda_2,\cdots,\lambda_n$是$f$的矩陣$A=(a_{ij})$的特征值
例1:求一個正交變換$x=Py$,把二次型$f=-2x_1x_2+2x_1x_3+2x_2x_3$化為标準形
$A=\begin{pmatrix}0 & -1 & 1 \ -1 & 0 & 1 \ 1 & 1 & 0\end{pmatrix}$
$|\lambda E-A|=\begin{vmatrix}\lambda&1&-1\1&\lambda&-1\-1&-1&\lambda\end{vmatrix}=\begin{vmatrix}\lambda&2&-1\1&\lambda+1&-1\0&0&\lambda-1\end{vmatrix}=(\lambda-1)^2(\lambda+2)=0$
得$\lambda_1=\lambda_2=1,\lambda_3=2$
當$\lambda_1=\lambda_2=1$時
$(E-A)\rightarrow \begin{pmatrix}1 & 1 & -1 \ 0 & 0 & 0 \ 0 & 0 & 0\end{pmatrix}$
解得$\alpha_1=(-1,1,0)^T,\alpha_2=(1,0,1)^T$
當$\lambda_3=-2$時
$(-2E-A)\rightarrow\begin{pmatrix}1 & 0 & 1 \ 0 & 1 & 1 \ 0 & 0 & 0\end{pmatrix}$
得$\alpha_3=(-1,-1,1)^T$
令$\beta_1=(-1,1,0)^T,\beta_2=\alpha_2-\frac{\langle\alpha_{2},\beta_{1}\rangle}{\langle\beta_{1},\beta_{1}\rangle}\beta_{1=\frac12}\begin{pmatrix}1 \ 1 \ 2\end{pmatrix}$
則$e_1=\frac{1}{\sqrt{2}}\begin{pmatrix}-1 \ 1 \ 0\end{pmatrix},e_2=\frac{1}{\sqrt{6}}\begin{pmatrix}1 \ 1 \ 2\end{pmatrix},e_3=\frac{1}{\sqrt{3}}\begin{pmatrix}-1 \ -1 \ 1\end{pmatrix}$
令$P=(e_1,e_2,e_3)=\begin{pmatrix}- \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{6}} & - \frac{1}{\sqrt{3}} \ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{6}} & - \frac{1}{\sqrt{3}} \ 0 & \frac{2}{\sqrt{6}} & \frac{1}{\sqrt{3}}\end{pmatrix}$
則在正交變換$x=Py$下
能将二次型$f$變換成标準形
即$f \overset{x=Py}{=}y_{1}^2+y_2^2+2y_3^2$
四、用配方法化二次型為标準形
主要思路:湊完全平方
$f \overset{x=Cy}{=}d_1y_1^2+\cdots+d_ny_n^2$
例2:化二次型$f=x_1^2+2x_2^2+5x_3^2+2x_1x_2+2x_1x_3+6x_2x_3$稱标準形,并求所用的變換矩陣
先配所有含有$x_1$的平方,減去多餘的,然後配$x_2$,依次向後
$\begin{aligned}f&=(x_1+x_2+x_3)^2-x_2^2-x_3^2-2x_2x_3+2x_2^2+5x_3^2+6x_2x_3\&=(x_1+x_2+x_3)^2+x_2^2+4x_3^2+4x_2x_3\&=(x_1+x_2+x_3)^2+(x_2+2x_3)^2-4x_3^2+4x_3^2\&=(x_{1}+x_{2}+x_{3})^{2}+(x_{2}+2x_{3})^{2}+0\cdot x_3^2\end{aligned}$
令$\begin{cases}y_1=x_1+x_2+x_3\y_2=x_2+2x_3\y_3=x_3\end{cases}$
則$\begin{cases}x_1=y_1-y_2+y_3\x_2=y_2-2y_3\x_3=y_3\end{cases}$
令$C=\begin{pmatrix}1 & -1 & 1 \ 0 & 1 & -2 \ 0 & 0 & 1\end{pmatrix}$
令$x=Cy$
将二次型化為标準形$f=y_1^2+y_2^2$
正定二次型
一、正負慣性指數的定義
設有二次型$f=x^TAx$,它的秩為$r$,有兩個可逆變換$x=Cy$及$x=Pz$使$f=k_1y_1^2+k_2y_2^2+\cdots+k_ry_r^2\quad(k_i\ne0)$,及$f=\lambda_1z_1^2+\lambda_2z_2^2+\cdots+\lambda_rz_r^2\quad(\lambda_i\ne0)$則$k_1,\cdots,k_r$中正數的個數與$\lambda_1,\cdots,\lambda_r$中正數的個數相等
二次型的标準形中正系數的個數稱為二次型的正慣性指數,記作$p$,負系數的個數稱為負慣性指數,記作$q$
二、正定二次型
1. 正定二次型的定義
設有二次型$f(x)=x^TAx$,如果對任何$x\ne0$,都有$f(x)>0$(顯然$f(0)=0$),則稱$f$為正定二次型,并稱對稱陣$A$是正定的;如果對任何$x\ne0$都有$f(x)<0$,則稱$f$為負定二次型,并稱對稱陣$A$是負定的
2. 二次型正定的充要條件
$n$元二次型$f(x)=x^TAx$為正定的充分必要條件是:它的标準形的$n$個系數全為正,即它的規範形的$n$個系數全為$1$,亦即它的正慣性指數等于$n$
矩陣的規範形,即整的系數化為$1$,負的系數化為$-1$,不存在的系數為$0$
例如:$f=2y_1^2+3y_2^2-7y^2_3$,規範形$f=z^2_1+z^2_2-z^2_3$