first commit

This commit is contained in:
2026-10-04 11:44:56 +08:00
commit e7cbe2cdae
265 changed files with 52919 additions and 0 deletions
@@ -0,0 +1,633 @@
# 📌 第五章 相似矩阵及二次型 考研核心通关笔记
> 线性代数的"几何归宿"——把一般矩阵化为最简形式(对角形),把二次曲线化为标准形
---
## ① 本章核心知识框架 (Core Concept Map)
### 1.1 向量的内积、长度及正交性
#### 一、内积定义
设 $\boldsymbol{\alpha} = (a_1, \ldots, a_n)^T$, $\boldsymbol{\beta} = (b_1, \ldots, b_n)^T \in \mathbb{R}^n$:
$$
[\boldsymbol{\alpha}, \boldsymbol{\beta}] = a_1 b_1 + a_2 b_2 + \cdots + a_n b_n = \boldsymbol{\alpha}^T \boldsymbol{\beta}
$$
- *极简例子:* $[(1,2,3), (4,5,6)] = 4 + 10 + 18 = 32$
- **几何意义**:$[\boldsymbol{\alpha}, \boldsymbol{\beta}] = |\boldsymbol{\alpha}| |\boldsymbol{\beta}| \cos\theta$
#### 二、长度(范数)
$$
\|\boldsymbol{\alpha}\| = \sqrt{[\boldsymbol{\alpha}, \boldsymbol{\alpha}]} = \sqrt{a_1^2 + \cdots + a_n^2}
$$
- **单位向量**:$\|\boldsymbol{\alpha}\| = 1$
- **标准化**:$\boldsymbol{\alpha}^0 = \dfrac{\boldsymbol{\alpha}}{\|\boldsymbol{\alpha}\|}$
#### 三、正交性
- **正交**:$[\boldsymbol{\alpha}, \boldsymbol{\beta}] = 0$
- **正交向量组**:两两正交的非零向量组**必线性无关**
- **正交基**:$n$ 维空间中 $n$ 个两两正交的非零向量
- **标准正交基**:正交基 + 每个向量为单位向量
#### 四、Schmidt 正交化 ⭐
把线性无关组 $\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \ldots, \boldsymbol{\alpha}_r$ 化为标准正交组 $\boldsymbol{\eta}_1, \ldots, \boldsymbol{\eta}_r$:
$$
\begin{aligned}
\boldsymbol{\beta}_1 &= \boldsymbol{\alpha}_1 \\
\boldsymbol{\beta}_2 &= \boldsymbol{\alpha}_2 - \dfrac{[\boldsymbol{\alpha}_2, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 \\
\boldsymbol{\beta}_3 &= \boldsymbol{\alpha}_3 - \dfrac{[\boldsymbol{\alpha}_3, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 - \dfrac{[\boldsymbol{\alpha}_3, \boldsymbol{\beta}_2]}{[\boldsymbol{\beta}_2, \boldsymbol{\beta}_2]} \boldsymbol{\beta}_2 \\
&\vdots
\end{aligned}
\quad \boldsymbol{\eta}_i = \dfrac{\boldsymbol{\beta}_i}{\|\boldsymbol{\beta}_i\|}
$$
- *极简例子:* $\boldsymbol{\alpha}_1=(1,1,0)$, $\boldsymbol{\alpha}_2=(1,0,1)$ → $\boldsymbol{\beta}_1=(1,1,0)$, $\boldsymbol{\beta}_2=(1,0,1)-(1/2)(1,1,0)=(1/2,-1/2,1)$
#### 五、正交矩阵 ⭐⭐
$n$ 阶方阵 $Q$ 满足 $Q^T Q = E$(等价于 $Q^T = Q^{-1}$)。
- **判定**:列向量组是 $\mathbb{R}^n$ 的标准正交基
- **性质**:$|Q| = \pm 1$; $Q$ 的特征值模长 $= 1$; $Q^{-1}, Q^T$ 仍为正交矩阵
- *极简例子:* $Q = \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix}$(旋转矩阵)
> 🔑 **正交矩阵 = 长度与夹角保持不变的线性变换**。
---
### 1.2 方阵的特征值与特征向量 ⭐⭐⭐
#### 一、定义
设 $A$ 为 $n$ 阶方阵,若存在数 $\lambda$ 和非零向量 $\boldsymbol{\xi}$ 使 $A \boldsymbol{\xi} = \lambda \boldsymbol{\xi}$,则:
- $\lambda$ 称为 $A$ 的**特征值**
- $\boldsymbol{\xi}$ 称为 $A$ 的属于 $\lambda$ 的**特征向量**
*极简例子:* $A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}$, $\boldsymbol{\xi} = \begin{pmatrix} 1 \\ 1 \end{pmatrix}$ → $A\boldsymbol{\xi} = \begin{pmatrix} 3 \\ 3 \end{pmatrix} = 3\boldsymbol{\xi}$,故 $\lambda=3$。
#### 二、特征方程
$A\boldsymbol{\xi} = \lambda\boldsymbol{\xi} \iff (\lambda E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 有非零解
$$
|\lambda E - A| = 0 \quad \text{(特征方程)}
$$
$|\lambda E - A|$ 称为**特征多项式**,记为 $f(\lambda)$,是 $n$ 次多项式。
*极简例子:* 上例 $|\lambda E - A| = (\lambda-2)^2 - 1 = (\lambda-3)(\lambda-1)$,特征值 $\lambda=3,1$。
#### 三、特征值的性质
| 性质 | 公式 |
|------|------|
| 行列式 | $\det A = \prod_{i=1}^n \lambda_i$ |
| 迹 | $\text{tr}(A) = \sum_{i=1}^n a_{ii} = \sum_{i=1}^n \lambda_i$ |
| 和 | $\sum \lambda_i = a_{11} + a_{22} + \cdots + a_{nn}$ |
| 积 | $\prod \lambda_i = \det A$ |
#### 四、特征向量的性质
- **不同特征值的特征向量线性无关**
- **同一特征值的特征向量的线性组合仍是该特征值的特征向量**
- **不同特征值的特征向量之和不是特征向量**
#### 五、特征值的常用结论 ⭐
| 矩阵关系 | 特征值关系 |
|---------|-----------|
| $A^T$ | 与 $A$ **相同**(特征向量不同) |
| $A^k$ | $\lambda^k$ |
| $A^{-1}$ | $1/\lambda$($A$ 可逆时) |
| $A^* = (\det A) A^{-1}$ | $\det A / \lambda = \prod_{j \neq i} \lambda_j$ |
| $A + \alpha E$ | $\lambda + \alpha$ |
| $P^{-1}AP$(相似) | 与 $A$ **相同** |
| $f(A)$(多项式) | $f(\lambda)$ |
*极简例子:* $A$ 特征值为 $2, 3, 5$ → $A^{-1}$ 特征值为 $1/2, 1/3, 1/5$;$A^2 - 3A + E$ 特征值为 $4-6+1=-1$, $9-9+1=1$, $25-15+1=11$。
---
### 1.3 相似矩阵
#### 一、定义
$B = P^{-1} A P$($P$ 可逆)$\iff A \sim B$($A$ 相似于 $B$)
#### 二、相似矩阵的性质
| 性质 | 内容 |
|------|------|
| 反身性 | $A \sim A$ |
| 对称性 | $A \sim B \Rightarrow B \sim A$ |
| 传递性 | $A \sim B, B \sim C \Rightarrow A \sim C$ |
| 行列式 | $\det A = \det B$ |
| 迹 | $\text{tr}(A) = \text{tr}(B)$ |
| 特征值 | **相同**(含代数重数) |
| 特征多项式 | **相同** |
| 秩 | $r(A) = r(B)$ |
> ⚠️ **相似不保持**:特征向量、$A^{-1}$、$A^T$、$A^*$ 等。
#### 三、矩阵可相似对角化的充要条件 ⭐⭐⭐
$n$ 阶矩阵 $A$ 相似于对角阵 $\iff$ $A$ 有 $n$ 个**线性无关**的特征向量。
**等价条件**(实对称矩阵必满足):
- $A$ 的每个 $k$ 重特征值恰有 $k$ 个线性无关的特征向量
- $\sum_i n_i = n$(线性无关特征向量个数 = 阶数)
#### 四、对角化步骤
1. 求特征方程 $|\lambda E - A| = 0$ 的根 $\lambda_1, \ldots, \lambda_n$
2. 对每个 $\lambda_i$,解 $(\lambda_i E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 得基础解系
3. 把所有特征向量按列排成 $P = (\boldsymbol{\xi}_1, \ldots, \boldsymbol{\xi}_n)$
4. $P^{-1} A P = \text{diag}(\lambda_1, \ldots, \lambda_n)$
*极简例子:* $A = \text{diag}(1, 2, 3)$ 已是对角阵,$P = E$ 即可。
---
### 1.4 对称矩阵的对角化 ⭐⭐⭐
#### 一、实对称矩阵的特征值性质
| 性质 | 内容 |
|------|------|
| 特征值 | **全为实数** |
| 不同特征值的特征向量 | **正交** |
| $k$ 重特征值 | 恰有 $k$ 个线性无关特征向量 |
> 🔑 **核心定理**:实对称矩阵必可**正交相似对角化**。
#### 二、正交相似对角化步骤
1. 求特征方程的所有**实特征值** $\lambda_1, \ldots, \lambda_n$
2. 对每个 $\lambda_i$($n_i$ 重),求 $(\lambda_i E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 的 $n_i$ 个线性无关特征向量
3. 用 **Schmidt 正交化**将每组正交化,再**单位化**
4. 所有特征向量组成**正交矩阵** $Q$,则 $Q^T A Q = Q^{-1} A Q = \text{diag}(\lambda_1, \ldots, \lambda_n)$
*极简例子:* $A = \begin{pmatrix} 1 & 1 \\ 1 & 1 \end{pmatrix}$ → 特征值 $\lambda_1 = 2$(特征向量 $(1,1)^T$),$\lambda_2 = 0$(特征向量 $(1,-1)^T$)→ $Q = \frac{1}{\sqrt{2}}\begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$,$Q^T A Q = \text{diag}(2, 0)$。
---
### 1.5 二次型及其标准形
#### 一、二次型定义
$n$ 个变量 $x_1, \ldots, x_n$ 的二次齐次多项式:
$$
f(x_1, \ldots, x_n) = \sum_{i,j=1}^n a_{ij} x_i x_j \quad (a_{ij} = a_{ji})
$$
**矩阵表示**:
$$
f = \boldsymbol{x}^T A \boldsymbol{x}, \quad A = (a_{ij}), \quad \boldsymbol{x} = (x_1, \ldots, x_n)^T
$$
$A$ 称为二次型的**矩阵**,必为**对称矩阵**。
*极简例子:* $f(x_1, x_2) = x_1^2 + 2x_1 x_2 + 3x_2^2 = (x_1, x_2)\begin{pmatrix} 1 & 1 \\ 1 & 3 \end{pmatrix}\begin{pmatrix} x_1 \\ x_2 \end{pmatrix}$
#### 二、标准形
只含平方项的二次型:
$$
f = d_1 y_1^2 + d_2 y_2^2 + \cdots + d_n y_n^2
$$
**规范形**:标准形中系数只取 $1, -1, 0$。
#### 三、可逆变换化标准形
**正交变换法**:找正交矩阵 $Q$,令 $\boldsymbol{x} = Q \boldsymbol{y}$,则
$$
\boldsymbol{x}^T A \boldsymbol{x} = \boldsymbol{y}^T (Q^T A Q) \boldsymbol{y} = \lambda_1 y_1^2 + \cdots + \lambda_n y_n^2
$$
> 🔑 **正交变换保持几何性质**(长度、夹角),是首选方法。
---
### 1.6 用配方法化二次型成标准形
#### 一、二次型配方步骤
对每一对 $x_i x_j$($i \neq j$)系数不为 0 时,先**集中含 $x_i$ 的项**,再**完全平方**。
*极简例子:*
$$
f = x_1^2 + 2x_2^2 + 2x_1 x_2 = (x_1 + x_2)^2 + x_2^2
$$
#### 二、配方法的标准流程
1. 若 $a_{ii} \neq 0$:把含 $x_i$ 的所有项集中配方
2. 若所有 $a_{ii} = 0$ 但 $a_{ij} \neq 0$:先做可逆变换 $x_i = y_i + y_j, x_j = y_i - y_j$ 制造平方项
3. 重复直到只剩平方项
---
### 1.7 正定二次型 ⭐⭐⭐
#### 一、定义
设二次型 $f(\boldsymbol{x}) = \boldsymbol{x}^T A \boldsymbol{x}$:
- **正定**:对任意 $\boldsymbol{x} \neq \boldsymbol{0}$,$f(\boldsymbol{x}) > 0$
- **负定**:$f(\boldsymbol{x}) < 0$ 对一切 $\boldsymbol{x} \neq \boldsymbol{0}$
- **不定**:既有正值也有负值
> ⚠️ 正定二次型的矩阵 $A$ 必为实对称矩阵。
#### 二、正定的充要条件 ⭐⭐⭐
设 $A$ 为 $n$ 阶实对称矩阵,下列条件**等价**:
| 条件 | 表述 |
|------|------|
| 1 | $A$ 是正定矩阵 |
| 2 | $A$ 的所有特征值 $\lambda_i > 0$ |
| 3 | $A$ 的所有顺序主子式 $\Delta_k > 0$(赫尔维茨定理)⭐ |
| 4 | $A$ 与单位阵 $E$ **合同** |
| 5 | 存在可逆矩阵 $C$,使 $A = C^T C$ |
| 6 | $A$ 的所有主子式 $> 0$(充分不必要) |
**顺序主子式**:
$$
\Delta_1 = |a_{11}|, \quad \Delta_2 = \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}, \quad \ldots, \quad \Delta_n = |A|
$$
*极简例子:* $A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}$,$\Delta_1 = 2 > 0$,$\Delta_2 = 4-1 = 3 > 0$ → **正定**。
#### 三、其他定性判定
| 类型 | 判定条件 |
|------|---------|
| **正定** | 所有顺序主子式 $\Delta_k > 0$ |
| **负定** | $(-1)^k \Delta_k > 0$(即奇阶主子式 $< 0$,偶阶 $> 0$) |
| **半正定** | $\Delta_k \ge 0$($k=1,\ldots,n$) |
| **不定** | 不满足上述任一条件 |
---
### 1.8 矩阵的合同关系
#### 一、合同定义
$A, B$ 为 $n$ 阶实对称矩阵,若存在可逆矩阵 $C$ 使 $B = C^T A C$,则称 $A$ 与 $B$ **合同**,记 $A \simeq B$。
#### 二、合同与相似的关系
| 关系 | 存在矩阵 | 保持 |
|------|---------|------|
| **相似** $A \sim B$ | $B = P^{-1} A P$ | 特征值、行列式、迹 |
| **合同** $A \simeq B$ | $B = C^T A C$ | 正定性、秩、惯性指数 |
| **正交相似** | $B = Q^T A Q$($Q$ 正交) | 特征值(合同+相似) |
> ⚠️ **相似 $\not\Rightarrow$ 合同,合同 $\not\Rightarrow$ 相似**——但实对称矩阵的合同 + 相似 = 正交相似。
#### 三、矩阵的等价关系全家福
$$
A \xrightarrow{\text{正交相似}} B \iff
\begin{cases}
A \sim B \quad \text{(特征值相同)} \\
A \simeq B \quad \text{(惯性指数相同)}
\end{cases}
$$
---
## ② 必考题型分类索引
> 每个题型独立成文,包含完整的 mermaid 解题流程图、通法步骤、常见陷阱和经典母题。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 向量内积与正交 | Schmidt 正交化、正交矩阵 | [[题型1_向量内积与正交]] |
| 2 | 特征值与特征向量计算 | $\lvert\lambda E - A\rvert = 0$ 解方程 | [[题型2_特征值与特征向量计算]] |
| 3 | 矩阵相似与对角化判定 | $n$ 个线性无关特征向量 | [[题型3_矩阵相似与对角化判定]] |
| 4 | 对称矩阵的对角化 | 正交矩阵 $Q^T A Q = \Lambda$ | [[题型4_对称矩阵的对角化]] |
| 5 | 抽象矩阵的特征值 | $A^2, A^*, A^{-1}$ 的特征值 | [[题型5_抽象矩阵的特征值]] |
| 6 | 二次型化为标准形 | 正交变换法 / 配方法 | [[题型6_二次型化为标准形]] |
| 7 | 正定性的判定 | 顺序主子式 / 特征值 | [[题型7_正定性的判定]] |
| 8 | 合同与相似的关系 | 相似 vs 合同的辨析 | [[题型8_合同与相似的关系]] |
---
## ③ 高频考点与多维变换
### Top 5 高频考点
| 排名 | 考点 | 近15年考频 | 典型分值 |
|------|------|-----------|---------|
| 1 | 二次型化标准形(正交变换法 + 配方法) | 15次 | 10-12分 |
| 2 | 实对称矩阵正交相似对角化 | 12次 | 10-12分 |
| 3 | 正定性的判定(顺序主子式 / 特征值) | 10次 | 4-6分 |
| 4 | 抽象矩阵的特征值 | 8次 | 4分 |
| 5 | 相似与合同辨析 | 5次 | 4分 |
### 【示例:一题多角度】
**核心概念**:同一个实对称矩阵,从"算特征值"到"判正定"贯穿 4 道例题。
> **同一矩阵**:$A = \begin{pmatrix} 5 & 2 \\ 2 & 2 \end{pmatrix}$
**角度一:选择题(特征值计算)**
求 $A$ 的特征值。
**解**:$\lvert\lambda E - A\rvert = (\lambda-5)(\lambda-2) - 4 = \lambda^2 - 7\lambda + 6 = (\lambda-1)(\lambda-6)$
→ 特征值 $\lambda_1 = 6, \lambda_2 = 1$。
**角度二:填空题(正交对角化)**
求正交矩阵 $Q$ 使 $Q^T A Q = \Lambda$。
**解**:$\lambda_1=6$:$(6E-A)\boldsymbol{\xi} = \begin{pmatrix} 1 & 2 \\ 2 & 4 \end{pmatrix}\boldsymbol{\xi}=0$ → $\boldsymbol{\xi}_1=(2,1)^T$
$\lambda_2=1$:$(E-A)\boldsymbol{\xi} = \begin{pmatrix} -4 & 2 \\ 2 & -1 \end{pmatrix}\boldsymbol{\xi}=0$ → $\boldsymbol{\xi}_2=(1,-2)^T$
$Q = \frac{1}{\sqrt{5}}\begin{pmatrix} 2 & 1 \\ 1 & -2 \end{pmatrix}$, $\Lambda = \text{diag}(6, 1)$。
**角度三:解答题(二次型标准化)**
化二次型 $f = 5x_1^2 + 4x_1 x_2 + 2x_2^2$ 为标准形。
**解**:二次型矩阵 $A = \begin{pmatrix} 5 & 2 \\ 2 & 2 \end{pmatrix}$,令 $\boldsymbol{x} = Q\boldsymbol{y}$,$f = 6 y_1^2 + y_2^2$。
**角度四:判定题(正定性)**
问 $A$ 是否正定。
**解**:$\Delta_1 = 5 > 0$,$\Delta_2 = 10-4 = 6 > 0$ → **正定**。
或:特征值 $6 > 0, 1 > 0$ → 正定。
**启示**:同一个对称矩阵,选择题考特征值、填空考对角化、解答考二次型、判定考正定——**矩阵是核心,二次型是外衣,正定性是终极应用**。
---
## ④ 方法论与解题通法 (Methodology)
### 方法〇:本章决策树
```
拿到题目
├── 已知什么?
│ ├── 具体矩阵 → 算特征值/特征向量
│ ├── 抽象矩阵 → 公式库 (A², A*, A⁻¹ 特征值)
│ ├── 实对称矩阵 → 正交对角化
│ ├── 二次型 → 化标准形 / 判正定
│ └── 含参数 → 先化简再讨论
├── 求什么?
│ ├── 特征值 → |λE-A|=0
│ ├── 特征向量 → (λE-A)ξ=0 基础解系
│ ├── 相似对角化 → n 个线性无关特征向量?
│ ├── 正交对角化 → Schmidt 正交化
│ ├── 化标准形 → 正交变换 / 配方法
│ ├── 正定性 → 顺序主子式
│ └── 合同/相似 → 辨析关系
└── 兜底
├── 实对称 → 用顺序主子式判正定
├── 抽象 → 用公式库
└── 不会 → 用特征值总和 = 迹
```
### 方法一:特征值求解的三条路径
**路径 A:直接法**(低阶具体矩阵)
1. 写出特征多项式 $|\lambda E - A|$
2. 展开降幂
3. 因式分解求根
**路径 B:抽象矩阵公式库**(已知 $\det A$, $\text{tr}(A)$, $A$ 满足的关系)
- 矩阵 $A$ 满足 $A^2 + aA + bE = 0$ → $\lambda^2 + a\lambda + b = 0$
- $A^2 = A$(幂等)→ $\lambda^2 = \lambda$ → $\lambda = 0$ 或 $1$
- $A^2 = E$(对合)→ $\lambda = \pm 1$
**路径 C:分块矩阵**(分块三角阵)
- 特征值 = 各对角块特征值之并集
*极简例子:* $A = \begin{pmatrix} 2 & 0 & 1 \\ 0 & 3 & 0 \\ 1 & 0 & 2 \end{pmatrix}$,按第 2 行展开或分块。
### 方法二:化标准形两大利器
| 工具 | 适用场景 | 优点 | 缺点 |
|------|---------|------|------|
| **正交变换法** | 实对称二次型 | 保持几何性质,系数 = 特征值 | 计算量大 |
| **配方法** | 任意二次型 | 快速得到标准形 | 不正交,不唯一 |
**正交变换法 vs 配方法 = 几何法 vs 代数法**。
### 方法三:正定性判定速查表 ⭐⭐⭐
| 类型 | 判定条件 |
|------|---------|
| **正定** | $\Delta_1, \Delta_2, \ldots, \Delta_n > 0$(**全正**) |
| **负定** | $-\Delta_1, \Delta_2, -\Delta_3, \ldots > 0$(**交替正**) |
| **半正定** | $\Delta_k \ge 0$ 且 $\det A = 0$ |
| **半负定** | $(-1)^k \Delta_k \ge 0$ 且 $\det A = 0$ |
| **不定** | 不满足上述任一 |
> ⚠️ **正定等价条件记忆口诀**:**"主子式全正才是正,一负则不定"**。
### 方法四:跨章节通法速查表
| 通用技法 | 本章出现场景 | 前后章节联系 | 判断依据 |
|---------|------------|------------|---------|
| **特征值法** | $\det A = \prod \lambda_i$ | Ch01 抽象行列式 → Ch05 全面升级 | $A$ 是抽象矩阵 |
| **构造变换矩阵** | 正交矩阵 $Q$ | Ch02 矩阵乘法、Ch03 初等变换 | 实对称矩阵对角化 |
| **Schmidt 正交化** | 线性无关 → 标准正交 | Ch04 极大无关组 | 特征向量不正交 |
| **完全平方** | 二次型配方法 | Ch01 行列式计算 | 含交叉项 |
| **顺序主子式** | 正定性判定 | Ch01 行列式 → Ch05 终结应用 | 对称矩阵判定 |
| **特征多项式求根** | 行列式方程 | Ch01 行列式方程 → Ch05 特征方程 | 抽象参数问题 |
### 方法五:合同 vs 相似的"判别清单"
| 性质 | 相似 $A \sim B$ | 合同 $A \simeq B$ |
|------|----------------|-------------------|
| 变换式 | $B = P^{-1} A P$ | $B = C^T A C$ |
| 行列式 | 必相等 | 不必相等 |
| 特征值 | 必相同 | 不必相同 |
| 迹 | 必相等 | 不必相等 |
| 秩 | 必相等 | 必相等 |
| 正定性 | 必相同 | 必相同 |
| 实对称 | 等价 | 等价 |
> 🔑 **实对称矩阵的合同 ⇔ 相似 ⇔ 正交相似**(三者对实对称矩阵等价)。
### 方法六:矩阵对角化的"完整清单"
```
A 可对角化
├── 充要条件:A 有 n 个线性无关特征向量
├── 等价条件:
│ ├── 每个 k 重特征值有 k 个线性无关特征向量
│ ├── 特征向量总维数 = n
│ └── 特征多项式 = ∏(λᵢ - λᵢ)^nᵢ 且 nᵢ = 几何重数
└── 特殊:实对称矩阵必可正交对角化
```
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:特征向量写成零向量
- **错误表现**:写出 $\boldsymbol{\xi} = \boldsymbol{0}$
- **正确理解**:特征向量**必须非零**!$(\lambda E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 的**非零解**才是特征向量。
**【对比示例】**:
```
❌ (λE-A)ξ=0 的零解 → 不是特征向量
✅ (λE-A)ξ=0 的非零基础解系 → 才是特征向量
```
### ❌ 错误 2:特征多项式写成 $|\lambda E - A|$ 还是 $|A - \lambda E|$
- **错误表现**:符号计算错误
- **正确理解**:$|\lambda E - A| = (-1)^n |A - \lambda E|$。对 2 阶二者差一个符号,**3 阶及以上相同时**只差 $(-1)^n$,**但求根相同**(不影响特征值)。
### ❌ 错误 3:混淆"相似"与"合同"
- **错误表现**:认为 $A \sim B \Rightarrow A \simeq B$(反之也然)
- **正确理解**:
- 实对称矩阵:相似 ⇔ 合同(但相似变换矩阵不同)
- 一般矩阵:相似 $\not\Rightarrow$ 合同,合同 $\not\Rightarrow$ 相似
**【对比示例】**:
```
相似:A = P⁻¹BP(保持特征值)
合同:A = C^TBC(保持正定性、秩、惯性指数)
```
### ❌ 错误 4:正交矩阵列向量未单位化
- **错误表现**:$Q$ 的列向量两两正交但模长不是 1
- **正确理解**:正交矩阵 $Q^T Q = E$,要求**列向量是标准正交基**,必须单位化!
*极简例子:* $(1, 1)^T$ 和 $(1, -1)^T$ 正交但不正交矩阵,需要 $\frac{1}{\sqrt{2}}$ 单位化。
### ❌ 错误 5:顺序主子式写成"所有主子式"
- **错误表现**:把 $\Delta_k$ 当成所有 $k$ 阶子式
- **正确理解**:**顺序主子式**只取**前 $k$ 行前 $k$ 列**的 $k$ 阶子式:
$$
\Delta_k = \begin{vmatrix} a_{11} & \cdots & a_{1k} \\ \vdots & & \vdots \\ a_{k1} & \cdots & a_{kk} \end{vmatrix}
$$
> 🔑 **顺序主子式 ≠ 主子式**(主子式是任意 $k$ 行 $k$ 列)。赫尔维茨定理只对**顺序主子式**成立。
### ❌ 错误 6:负定的判定条件记错
- **错误表现**:认为负定是"所有 $\Delta_k < 0$"
- **正确理解**:负定要求 $(-1)^k \Delta_k > 0$,即**奇阶主子式 $< 0$,偶阶 $> 0$**。
**【对比示例】**:
```
正定:Δ₁>0, Δ₂>0, Δ₃>0, ... (全正)
负定:Δ₁<0, Δ₂>0, Δ₃<0, ... (交替符号)
```
### ❌ 错误 7:配方法忘记"可逆"
- **错误表现**:用 $x_1 = y_1 + y_2$ 等不可逆变换
- **正确理解**:配方过程中变量替换必须**可逆**(线性变换矩阵满秩),否则改变二次型的等价类。
---
## ⑥ 考研导向复习策略 (Exam Strategy)
### 优先级与建议题量
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|--------|--------|-----------|------|
| 实对称矩阵正交对角化 | **高** | 30+ 道 | 必考大题,10-12 分 |
| 二次型化标准形(正交变换) | **高** | 25+ 道 | 大题核心 |
| 二次型化标准形(配方法) | **高** | 20+ 道 | 选择/填空/解答 |
| 正定性判定(顺序主子式) | **高** | 25+ 道 | 高频考点 |
| 抽象矩阵的特征值 | **中** | 15 道 | 选择/填空 |
| 特征值与特征向量基础 | **中** | 20+ 道 | 基础必会 |
| 合同 vs 相似辨析 | **中** | 10 道 | 概念辨析 |
| Schmidt 正交化 | **低** | 8 道 | 选择/填空 |
### 跨章节连接
```
┌──────────────────────────────┐
│ 本章 Ch05 相似矩阵与二次型 │
│ · 内积与正交 │
│ · 特征值 / 特征向量 │
│ · 相似 / 合同 │
│ · 二次型 / 正定性 │
└──────────────┬───────────────┘
│
┌──────────┬──────────┬──┼──────────┬──────────┐
↓ ↓ ↓ ↓ ↓ ↓
Ch01 行列式 Ch02 矩阵 Ch03 初等变换 Ch04 向量组 Ch06 线性变换
|A|=∏λᵢ A⁻¹,A* 行变换→正交化 极大无关组 特征值的几何
特征多项式 矩阵运算 化行阶梯 Schmidt输入
```
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
**模式 1:抽象矩阵 + 特征值 + 行列式**
> 例题:设 3 阶矩阵 $A$ 满足 $A^2 - 3A + 2E = O$,求 $\det A$。
>
> **解**:设 $\lambda$ 为特征值 → $\lambda^2 - 3\lambda + 2 = 0$ → $\lambda = 1$ 或 $2$ → $\det A = 1^k \cdot 2^{3-k}$。
>
> **考点**:抽象特征值 + Ch01 行列式公式库。
**模式 2:二次型 + 正交变换 + 几何应用**
> 例题:化 $f = x_1^2 + x_2^2 + x_3^2 + 4x_1 x_2 + 4x_1 x_3 + 4x_2 x_3$ 为标准形,并指出曲面类型。
>
> **解**:矩阵 $A = \begin{pmatrix} 1 & 2 & 2 \\ 2 & 1 & 2 \\ 2 & 2 & 1 \end{pmatrix}$ → 特征值 $5, -1, -1$ → $f = 5y_1^2 - y_2^2 - y_3^2$ → 双叶双曲面。
>
> **考点**:二次型 + 几何意义(高数二次曲面的拓展)。
**模式 3:正定性 + 顺序主子式 + 含参问题**
> 例题:$A = \begin{pmatrix} 1 & a & 1 \\ a & 2 & 1 \\ 1 & 1 & 1 \end{pmatrix}$ 正定,求 $a$ 的范围。
>
> **解**:$\Delta_1 = 1 > 0$,$\Delta_2 = 2 - a^2 > 0 \Rightarrow -\sqrt{2} < a < \sqrt{2}$,$\Delta_3 = \det A > 0$。
>
> **考点**:顺序主子式 + 不等式。
**模式 4:合同 + 相似综合辨析**
> 例题:$A = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}$, $B = \begin{pmatrix} 1 & 0 \\ 0 & 3 \end{pmatrix}$,判断 $A$ 与 $B$ 是否相似/合同。
>
> **解**:特征值不同 → 不相似;正定性相同 → 合同(同为正定对角阵,必合同)。
>
> **考点**:相似 vs 合同的综合辨析。
### 【终极母题推荐】
> **题目**:设 $A$ 是 $n$ 阶实对称矩阵,满足 $A^2 = 4A + 5E$。证明:
> (1) $A$ 的特征值只能取 $-1$ 或 $5$;
> (2) $A + E$ 是正定矩阵。
**此题融合**:
- 特征值推导:$A^2 - 4A - 5E = O \Rightarrow \lambda^2 - 4\lambda - 5 = 0 \Rightarrow (\lambda+1)(\lambda-5) = 0$
- 抽象特征值公式 + Ch05 核心
- 正定性判定:$A+E$ 特征值为 $0, 6 > 0$ → 正定
- 特征值法 + 正定判定 = 跨子专题综合
**为什么这是"终极母题"**:
✅ 抽象特征值 + 实对称 + 正定性 = Ch05 三大核心全覆盖
✅ 矩阵关系 → 特征多项式 → 特征值 → 正定 = 完整推理链
✅ "幂等/对合/矩阵方程"等特殊矩阵的思维定式建立
**🔗 这道题做完且理解透彻 → 本章"通关"**。
---
> **下一步**:完成后可进入 [[Ch06_线性空间与线性变换|Ch06 线性空间与线性变换]],本章的特征值/特征向量将在线性变换中展现几何意义。
@@ -0,0 +1,101 @@
# 题型一:向量内积与正交
## 识别特征
- 求两向量的**内积**或夹角
- 涉及**Schmidt 正交化**过程
- 判断或构造**正交矩阵** $Q$($Q^T Q = E$)
## 解题流程
```mermaid
flowchart TD
A[识别:内积/正交问题] --> B{已知什么?}
B -->|两向量| C["[α,β] = αᵀβ<br>cos θ = [α,β]/|α||β|"]
B -->|线性无关向量组| D[Schmidt 正交化]
B -->|正交矩阵| E[验证 QᵀQ = E]
C --> F[得结果]
D --> G["β₁=α₁<br>βₖ=αₖ-Σ[αₖ,βⱼ]/[βⱼ,βⱼ]·βⱼ<br>ηⱼ=βⱼ/|βⱼ|"]
G --> F
E --> H[列向量组 = 标准正交基]
H --> F
```
## 通法步骤
### 1. 内积计算
$$[\boldsymbol{\alpha}, \boldsymbol{\beta}] = \sum_{i=1}^n a_i b_i = \boldsymbol{\alpha}^T \boldsymbol{\beta}$$
### 2. 夹角公式
$$\cos\theta = \dfrac{[\boldsymbol{\alpha}, \boldsymbol{\beta}]}{\|\boldsymbol{\alpha}\| \cdot \|\boldsymbol{\beta}\|}$$
### 3. Schmidt 正交化
将 $\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \ldots, \boldsymbol{\alpha}_r$ 化为标准正交组:
$$
\begin{aligned}
\boldsymbol{\beta}_1 &= \boldsymbol{\alpha}_1 \\
\boldsymbol{\beta}_k &= \boldsymbol{\alpha}_k - \sum_{j=1}^{k-1} \dfrac{[\boldsymbol{\alpha}_k, \boldsymbol{\beta}_j]}{[\boldsymbol{\beta}_j, \boldsymbol{\beta}_j]} \boldsymbol{\beta}_j \quad (k=2,3,\ldots,r) \\
\boldsymbol{\eta}_k &= \dfrac{\boldsymbol{\beta}_k}{\|\boldsymbol{\beta}_k\|} \quad \text{(单位化)}
\end{aligned}
$$
### 4. 正交矩阵的判定与构造
**判定**:
- $Q^T Q = E$
- 列向量组是 $\mathbb{R}^n$ 的标准正交基
- $|Q| = \pm 1$
**构造**:对实对称矩阵求正交特征向量组即得正交矩阵 $Q$。
## 常见陷阱
- **Schmidt 正交化要先正交化再单位化**(顺序不能反)
- **正交矩阵的列向量必须单位化**——只两两正交还不够
- 正交矩阵的逆矩阵 = 转置矩阵($Q^{-1} = Q^T$)
- $|\boldsymbol{\alpha}| = 0 \iff \boldsymbol{\alpha} = \boldsymbol{0}$
- 夹角公式只对**非零**向量有意义
## 经典母题
> **题目**:已知 $\boldsymbol{\alpha}_1 = \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix}$, $\boldsymbol{\alpha}_2 = \begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix}$, $\boldsymbol{\alpha}_3 = \begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix}$,试用 Schmidt 正交化过程将其化为标准正交组。
**解**:
**Step 1**:$\boldsymbol{\beta}_1 = \boldsymbol{\alpha}_1 = (1, 1, 1)^T$,$\|\boldsymbol{\beta}_1\| = \sqrt{3}$
**Step 2**:
$$
\boldsymbol{\beta}_2 = \boldsymbol{\alpha}_2 - \dfrac{[\boldsymbol{\alpha}_2, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 = \begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix} - \dfrac{6}{3} \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix} = \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix}
$$
$\|\boldsymbol{\beta}_2\| = \sqrt{2}$
**Step 3**:
$$
\begin{aligned}
\boldsymbol{\beta}_3 &= \boldsymbol{\alpha}_3 - \dfrac{[\boldsymbol{\alpha}_3, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 - \dfrac{[\boldsymbol{\alpha}_3, \boldsymbol{\beta}_2]}{[\boldsymbol{\beta}_2, \boldsymbol{\beta}_2]} \boldsymbol{\beta}_2 \\
&= \begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix} - \dfrac{1}{3} \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix} - \dfrac{-1}{2} \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix} \\
&= \begin{pmatrix} 1 - 1/3 - 1/2 \\ -1/3 \\ -1/3 + 1/2 \end{pmatrix} = \begin{pmatrix} 1/6 \\ -1/3 \\ 1/6 \end{pmatrix} = \dfrac{1}{6} \begin{pmatrix} 1 \\ -2 \\ 1 \end{pmatrix}
\end{aligned}
$$
$\|\boldsymbol{\beta}_3\| = \dfrac{1}{6}\sqrt{6} = \dfrac{\sqrt{6}}{6}$
**单位化**:
$$
\boldsymbol{\eta}_1 = \dfrac{1}{\sqrt{3}} \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix}, \quad
\boldsymbol{\eta}_2 = \dfrac{1}{\sqrt{2}} \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix}, \quad
\boldsymbol{\eta}_3 = \dfrac{1}{\sqrt{6}} \begin{pmatrix} 1 \\ -2 \\ 1 \end{pmatrix}
$$
**复盘**:Schmidt 公式的核心是"减去在前面所有正交向量上的投影"。计算 $[\boldsymbol{\alpha}_k, \boldsymbol{\beta}_j]$ 时注意内积的代数运算。
---
> **变式**:设 $A$ 是 $n$ 阶正交矩阵,证明 $|A| = \pm 1$。
**证**:$Q^T Q = E \Rightarrow \det(Q^T Q) = \det E = 1 \Rightarrow \det Q^T \cdot \det Q = 1 \Rightarrow (\det Q)^2 = 1 \Rightarrow \det Q = \pm 1$。
@@ -0,0 +1,106 @@
# 题型二:特征值与特征向量计算
## 识别特征
- 求具体矩阵的**特征值**
- 求矩阵的**特征向量**
- 涉及特征多项式 $|\lambda E - A| = 0$
## 解题流程
```mermaid
flowchart TD
A[识别:特征值问题] --> B[写特征多项式 |λE-A|]
B --> C[展开并因式分解]
C --> D[得特征值 λ₁,...,λₙ]
D --> E{对每个 λᵢ}
E --> F[解 λᵢE-A ξ=0]
F --> G[求基础解系]
G --> H[线性无关特征向量]
```
## 通法步骤
### 1. 特征值求解
**Step 1**:写出特征多项式 $|\lambda E - A|$
**Step 2**:展开降幂(按 0 多的行/列展开,或用行列式性质化简)
**Step 3**:因式分解求根
### 2. 特征向量求解
对每个特征值 $\lambda_i$,解齐次方程组:
$$
(\lambda_i E - A) \boldsymbol{\xi} = \boldsymbol{0}
$$
其**基础解系**即为属于 $\lambda_i$ 的线性无关特征向量。
### 3. 技巧速算
| 情形 | 速算 |
|------|------|
| 2 阶 $A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}$ | $\lambda^2 - (a+d)\lambda + (ad-bc) = 0$ |
| 三角阵 | 对角线元素即为特征值 |
| 分块对角阵 | 各块特征值之并 |
| $A$ 含已知关系 $A^2 = aA + bE$ | $\lambda^2 - a\lambda - b = 0$ |
## 常见陷阱
- **特征向量必须非零**!$(\lambda E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 的零解不是特征向量
- **$n$ 重特征值**不一定有 $n$ 个线性无关特征向量(除非是实对称阵)
- 特征多项式 $|\lambda E - A|$ 中**符号计算**容易错(用 $|A - \lambda E| = (-1)^n |\lambda E - A|$)
- **不同特征值的特征向量线性无关**,但**同一特征值的特征向量的线性组合仍是该特征值的特征向量**
- **迹 = 特征值之和**(快速验证用)
## 经典母题
> **题目**:求矩阵 $A = \begin{pmatrix} 1 & 2 & 2 \\ 2 & 1 & 2 \\ 2 & 2 & 1 \end{pmatrix}$ 的特征值和特征向量。
**解**:
**Step 1**:特征多项式
$$
|\lambda E - A| = \begin{vmatrix} \lambda-1 & -2 & -2 \\ -2 & \lambda-1 & -2 \\ -2 & -2 & \lambda-1 \end{vmatrix}
$$
**Step 2**:每行加到第一行
$$
= \begin{vmatrix} \lambda-5 & \lambda-5 & \lambda-5 \\ -2 & \lambda-1 & -2 \\ -2 & -2 & \lambda-1 \end{vmatrix} = (\lambda-5) \begin{vmatrix} 1 & 1 & 1 \\ -2 & \lambda-1 & -2 \\ -2 & -2 & \lambda-1 \end{vmatrix}
$$
**Step 3**:第 2、3 行分别加第 1 行 × 2
$$
= (\lambda-5) \begin{vmatrix} 1 & 1 & 1 \\ 0 & \lambda+1 & 0 \\ 0 & 0 & \lambda+1 \end{vmatrix} = (\lambda-5)(\lambda+1)^2
$$
**Step 4**:特征值 $\lambda_1 = 5, \lambda_2 = \lambda_3 = -1$
**Step 5**:特征向量
**对 $\lambda_1 = 5$**:$(5E - A)\boldsymbol{\xi} = \begin{pmatrix} 4 & -2 & -2 \\ -2 & 4 & -2 \\ -2 & -2 & 4 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
化简(每行除 2):$\begin{pmatrix} 2 & -1 & -1 \\ -1 & 2 & -1 \\ -1 & -1 & 2 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
$\Rightarrow \boldsymbol{\xi}_1 = (1, 1, 1)^T$
**对 $\lambda_2 = -1$**:$(-E - A)\boldsymbol{\xi} = \begin{pmatrix} -2 & -2 & -2 \\ -2 & -2 & -2 \\ -2 & -2 & -2 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
即 $x_1 + x_2 + x_3 = 0$,基础解系为 $(1, -1, 0)^T, (1, 0, -1)^T$
**复盘**:
- 这是**实对称矩阵**,3 重特征值 -1 有 3 个无关特征向量是显然的($\text{tr}(A) = 3 = 5 + (-1) + (-1)$ 验证 ✓)
- 本题为 Ch05 二次型化标准形的典型题源
---
> **变式**:设 $A = \begin{pmatrix} a & 1 & 1 \\ 1 & a & 1 \\ 1 & 1 & a \end{pmatrix}$,求 $A$ 的特征值。
**解**:$\text{tr}(A) = 3a$,$\det A = (a+2)(a-1)^2$(可验),特征多项式
$$
|\lambda E - A| = (\lambda - a + 2)(\lambda - a - 1)^2 \quad (\text{待定系数法})
$$
由迹:$a-2 + 2(a+1) = 3a$ ✓,故特征值 $\lambda_1 = a-2, \lambda_2 = \lambda_3 = a+1$。
@@ -0,0 +1,121 @@
# 题型三:矩阵相似与对角化判定
## 识别特征
- 问"$A$ 能否对角化"
- 求**可逆矩阵 $P$** 使 $P^{-1} A P = \Lambda$
- 判断两个矩阵**是否相似**
- 涉及**充要条件**:$n$ 个线性无关特征向量
## 解题流程
```mermaid
flowchart TD
A[识别:对角化判定] --> B{给定 A}
B --> C[求特征值 λ₁,...,λₙ]
C --> D{对每个 λᵢ 求特征向量}
D --> E[算几何重数 nᵢ = n-r(λᵢE-A)]
E --> F{Σnᵢ = n?}
F -->|是| G[可对角化<br>P = 特征向量矩阵]
F -->|否| H[不可对角化]
G --> I["P⁻¹AP = diag(λ₁,...,λₙ)"]
```
## 通法步骤
### 1. 对角化判定流程
**Step 1**:求 $A$ 的所有特征值 $\lambda_1, \ldots, \lambda_k$(不同特征值)
**Step 2**:对每个 $\lambda_i$,求 $n - r(\lambda_i E - A)$(几何重数)
**Step 3**:判断 $\sum_i (\text{几何重数}) = n$?
- **是** → $A$ 可对角化
- **否** → $A$ 不可对角化
### 2. 构造对角化矩阵
$$
P = (\boldsymbol{\xi}_1^{(1)}, \ldots, \boldsymbol{\xi}_{n_1}^{(1)}, \boldsymbol{\xi}_1^{(2)}, \ldots)
$$
(按特征值分组,列向量 = 线性无关特征向量)
$$
P^{-1} A P = \text{diag}(\underbrace{\lambda_1, \ldots, \lambda_1}_{n_1}, \underbrace{\lambda_2, \ldots, \lambda_2}_{n_2}, \ldots)
$$
### 3. 相似判定
**核心定理**:$A \sim B \iff$ $A, B$ 有相同的特征多项式(充分不必要)⭐
> ⚠️ **重要**:特征多项式相同是**必要不充分**条件!同特征多项式也可能不相似。
**充分条件**(以下之一即可):
- $A$ 或 $B$ 可对角化,且特征值相同
- 都是实对称矩阵,且特征值相同
- $A, B$ 都是若尔当块,但若尔当块结构相同
## 常见陷阱
- **$n$ 重特征值**未必有 $n$ 个无关特征向量(需验证几何重数)
- **相似不保持**:$A^{-1}, A^T, A^*$, 特征向量
- **相似保持**:$\det A, \text{tr}(A)$, 特征值, 秩
- $\text{tr}(A) = \text{tr}(B)$ 且 $\det A = \det B$ 是相似的**必要条件**,**不是充分条件**
- 对角阵 $E$ 只与 $E$ 相似($P^{-1} E P = E$)
## 经典母题
> **题目**:判断矩阵 $A = \begin{pmatrix} 1 & -1 & 1 \\ -1 & 1 & -1 \\ 1 & -1 & 1 \end{pmatrix}$ 能否对角化?若能,求 $P$ 和 $\Lambda$。
**解**:
**Step 1**:特征多项式
$$
|\lambda E - A| = \begin{vmatrix} \lambda-1 & 1 & -1 \\ 1 & \lambda-1 & 1 \\ -1 & 1 & \lambda-1 \end{vmatrix}
$$
每行加到第 1 行(化简):
$$
= (\lambda+1) \begin{vmatrix} 1 & 1 & -1 \\ 1 & \lambda-1 & 1 \\ -1 & 1 & \lambda-1 \end{vmatrix}
$$
第 2 行 - 第 1 行,第 3 行 + 第 1 行:
$$
= (\lambda+1) \begin{vmatrix} 1 & 1 & -1 \\ 0 & \lambda-2 & 2 \\ 0 & 2 & \lambda-2 \end{vmatrix} = (\lambda+1)[(\lambda-2)^2 - 4] = (\lambda+1)(\lambda^2 - 4\lambda) = \lambda(\lambda+1)(\lambda-4)
$$
**特征值**:$\lambda_1 = 0, \lambda_2 = -1, \lambda_3 = 4$(3 个不同特征值)
**Step 2**:3 个不同特征值自动有 3 个线性无关特征向量 → **可对角化**
**Step 3**:特征向量
**$\lambda_1 = 0$**:$-A \boldsymbol{\xi} = \boldsymbol{0}$ → $\boldsymbol{\xi}_1 = (1, 0, -1)^T$(取 $x_2 = 0$)
**$\lambda_2 = -1$**:$(-E - A) \boldsymbol{\xi} = \boldsymbol{0}$ → $\begin{pmatrix} -2 & 1 & -1 \\ 1 & -2 & 1 \\ -1 & 1 & -2 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
观察:第 1 行 + 第 2 行 = -第 3 行。$\Rightarrow x_1 = x_2 = x_3$,$\boldsymbol{\xi}_2 = (1, 1, 1)^T$
**$\lambda_3 = 4$**:$(4E - A) \boldsymbol{\xi} = \boldsymbol{0}$ → $\begin{pmatrix} 3 & 1 & -1 \\ 1 & 3 & 1 \\ -1 & 1 & 3 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
解得 $\boldsymbol{\xi}_3 = (1, -2, 1)^T$
**Step 4**:
$$
P = \begin{pmatrix} 1 & 1 & 1 \\ 0 & 1 & -2 \\ -1 & 1 & 1 \end{pmatrix}, \quad \Lambda = \begin{pmatrix} 0 & 0 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 4 \end{pmatrix}
$$
**复盘**:
- 3 个**不同特征值**自动有 3 个线性无关特征向量(充要条件中"n 重特征值"情况无需验证)
- 这是 Ch05 大题核心
---
> **变式**:设 $A = \begin{pmatrix} 1 & 0 & 0 \\ 1 & 1 & 0 \\ 1 & 1 & 1 \end{pmatrix}$,证明 $A$ 不可对角化。
**证**:特征多项式 $|\lambda E - A| = (\lambda - 1)^3$(三角阵)
对 $\lambda = 1$:$(E - A) = \begin{pmatrix} 0 & 0 & 0 \\ -1 & 0 & 0 \\ -1 & -1 & 0 \end{pmatrix}$,$r(E - A) = 2$
故特征向量维数 = $3 - 2 = 1 < 3$ → 不可对角化。
@@ -0,0 +1,133 @@
# 题型四:对称矩阵的对角化
## 识别特征
- $A$ 是**实对称矩阵**($A^T = A$)
- 求**正交矩阵 $Q$** 使 $Q^T A Q = \Lambda$
- 涉及"正交相似对角化"步骤
## 解题流程
```mermaid
flowchart TD
A[识别:实对称矩阵 A] --> B[求特征方程 |λE-A|=0]
B --> C[得实特征值 λ₁,...,λₙ]
C --> D{对每个 λᵢ 重数 nᵢ}
D --> E[解 λᵢE-A ξ=0 基础解系]
E --> F{nᵢ 个线性无关特征向量}
F --> G[Schmidt 正交化]
G --> H[单位化 ηⱼ=βⱼ/|βⱼ|]
H --> I[组成正交矩阵 Q]
I --> J["QᵀAQ = diag(λ₁,...,λₙ)"]
```
## 通法步骤
### 1. 核心定理
**实对称矩阵必可正交相似对角化**(这是 Ch05 最重要的定理)。
### 2. 对角化步骤
**Step 1**:求特征方程 $|\lambda E - A| = 0$ 的所有实特征值 $\lambda_1, \ldots, \lambda_k$
**Step 2**:对每个 $\lambda_i$($n_i$ 重),求 $(\lambda_i E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 的基础解系(含 $n_i$ 个线性无关特征向量)
**Step 3**:对每组特征向量用 **Schmidt 正交化**,再**单位化**
**Step 4**:所有特征向量按列组成正交矩阵 $Q$
$$
Q = (\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \ldots, \boldsymbol{\eta}_n)
$$
则:
$$
Q^T A Q = Q^{-1} A Q = \text{diag}(\lambda_1, \ldots, \lambda_n)
$$
### 3. 实对称矩阵的特征值性质
| 性质 | 内容 |
|------|------|
| 特征值 | **全为实数**(必有 $n$ 个实特征值) |
| 不同特征值的特征向量 | **正交** |
| $k$ 重特征值 | 必有 $k$ 个线性无关特征向量 |
## 常见陷阱
- 正交矩阵 $Q$ 必须**正交化 + 单位化**两步,缺一不可
- 正交矩阵 $Q^T = Q^{-1}$,故 $Q^T A Q$ 就是对角化
- 不同特征值的特征向量**已经正交**,无需再正交化(但需**单位化**)
- 重特征值对应的特征向量需要**正交化**
- $Q$ 的列向量顺序可以调整,但 $\Lambda$ 中的特征值顺序**必须对应**
## 经典母题
> **题目**:设 $A = \begin{pmatrix} 2 & 2 & -2 \\ 2 & 5 & -4 \\ -2 & -4 & 5 \end{pmatrix}$,求正交矩阵 $Q$ 使 $Q^T A Q = \Lambda$。
**解**:
**Step 1**:特征多项式
$$
|\lambda E - A| = \begin{vmatrix} \lambda-2 & -2 & 2 \\ -2 & \lambda-5 & 4 \\ 2 & 4 & \lambda-5 \end{vmatrix}
$$
第 2 行加第 3 行:
$$
= \begin{vmatrix} \lambda-2 & -2 & 2 \\ 0 & \lambda-1 & \lambda-1 \\ 2 & 4 & \lambda-5 \end{vmatrix}
$$
化简后(过程略):
$$
|\lambda E - A| = (\lambda - 1)^2 (\lambda - 10)
$$
**特征值**:$\lambda_1 = \lambda_2 = 1, \lambda_3 = 10$
**Step 2**:特征向量
**$\lambda_1 = 1$(二重)**:$(E - A) \boldsymbol{\xi} = \begin{pmatrix} -1 & -2 & 2 \\ -2 & -4 & 4 \\ 2 & 4 & -4 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
化简:$-x_1 - 2x_2 + 2x_3 = 0$,即 $x_1 = -2x_2 + 2x_3$
取 $\boldsymbol{\alpha}_1 = (-2, 1, 0)^T$, $\boldsymbol{\alpha}_2 = (2, 0, 1)^T$
**Schmidt 正交化**:
$$
\boldsymbol{\beta}_1 = \boldsymbol{\alpha}_1 = (-2, 1, 0)^T
$$
$$
\boldsymbol{\beta}_2 = \boldsymbol{\alpha}_2 - \dfrac{[\boldsymbol{\alpha}_2, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 = \begin{pmatrix} 2 \\ 0 \\ 1 \end{pmatrix} - \dfrac{-4}{5} \begin{pmatrix} -2 \\ 1 \\ 0 \end{pmatrix} = \begin{pmatrix} 2/5 \\ 4/5 \\ 1 \end{pmatrix} \to (2, 4, 5)^T
$$
**单位化**:
$$
\boldsymbol{\eta}_1 = \dfrac{1}{\sqrt{5}} \begin{pmatrix} -2 \\ 1 \\ 0 \end{pmatrix}, \quad \boldsymbol{\eta}_2 = \dfrac{1}{3\sqrt{5}} \begin{pmatrix} 2 \\ 4 \\ 5 \end{pmatrix}
$$
**$\lambda_3 = 10$**:$(10E - A) \boldsymbol{\xi} = \begin{pmatrix} 8 & 2 & -2 \\ 2 & 5 & -4 \\ -2 & -4 & 5 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
化简得 $\boldsymbol{\xi}_3 = (1, 2, -2)^T$,**单位化**:
$$
\boldsymbol{\eta}_3 = \dfrac{1}{3} \begin{pmatrix} 1 \\ 2 \\ -2 \end{pmatrix}
$$
**Step 3**:正交矩阵
$$
Q = \begin{pmatrix} -\frac{2}{\sqrt{5}} & \frac{2}{3\sqrt{5}} & \frac{1}{3} \\ \frac{1}{\sqrt{5}} & \frac{4}{3\sqrt{5}} & \frac{2}{3} \\ 0 & \frac{5}{3\sqrt{5}} & -\frac{2}{3} \end{pmatrix}
$$
$$
Q^T A Q = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 10 \end{pmatrix}
$$
**复盘**:
- 实对称矩阵的二重特征值必可正交化(这是实对称的特权)
- $\text{tr}(A) = 2 + 5 + 5 = 12 = 1 + 1 + 10$ ✓ 验证
---
> **变式**:设 $A = \begin{pmatrix} 0 & -1 & 1 \\ -1 & 0 & 1 \\ 1 & 1 & 0 \end{pmatrix}$,求正交矩阵 $Q$ 使 $Q^T A Q$ 为对角阵。
**提示**:特征值 $\lambda = -2, 1, 1$(二重需正交化)。
@@ -0,0 +1,132 @@
# 题型五:抽象矩阵的特征值
## 识别特征
- 矩阵是**抽象表达式**($A^2, A^k, A^*, A^{-1}, f(A)$)
- 已知 $A$ 满足某种关系($A^2 = A$, $A^2 - 3A + 2E = O$ 等)
- 求某个矩阵表达式的特征值或行列式
## 解题流程
```mermaid
flowchart TD
A[识别:抽象特征值] --> B{A 满足什么?}
B -->|矩阵方程 A²+aA+bE=O| C["λ²+aλ+b=0 → 解出 λ"]
B -->|幂等 A²=A| D["λ²=λ → λ∈{0,1}"]
B -->|对合 A²=E| E["λ²=1 → λ=±1"]
B -->|已知 A 特征值 λ| F[套公式库]
F --> G["A²→λ²<br>A⁻¹→1/λ<br>A*→Πλⱼ/λᵢ<br>A+αE→λ+α<br>fA→fλ"]
C --> H[得结果]
D --> H
E --> H
G --> H
```
## 核心公式库(必背)⭐⭐
| 已知 | 求 | 特征值对应 |
|------|---|-----------|
| $A$ 特征值 $\lambda_i$ | $A^k$ | $\lambda_i^k$ |
| $A$ 特征值 $\lambda_i$($A$ 可逆) | $A^{-1}$ | $1/\lambda_i$ |
| $A$ 特征值 $\lambda_i$($A$ 可逆) | $A^* = (\det A) A^{-1}$ | $\det A / \lambda_i = \prod_{j \neq i} \lambda_j$ |
| $A$ 特征值 $\lambda_i$, $\alpha$ | $A + \alpha E$ | $\lambda_i + \alpha$ |
| $A$ 特征值 $\lambda_i$ | $f(A)$(多项式) | $f(\lambda_i)$ |
| $A \sim B$ | $A, B$ 特征值 | **相同** |
| $A^T$ | $A^T$ 特征值 | 与 $A$ **相同** |
| $A = P^{-1} B P$(相似) | $A, B$ 特征值 | 相同 |
### 特殊矩阵的特征值
| 条件 | 特征值结论 |
|------|----------|
| $A^2 = A$(幂等) | $\lambda = 0$ 或 $1$ |
| $A^2 = E$(对合) | $\lambda = \pm 1$ |
| $A^k = O$(幂零) | $\lambda = 0$ |
| $A^T = A^{-1}$(正交) | $|\lambda| = 1$(模长为 1) |
| $A^T = A$ 且 $A^2 = O$ | $\lambda = 0$ |
| $A^2 - 3A + 2E = O$ | $\lambda = 1$ 或 $2$ |
## 通法步骤
### 1. 矩阵方程法
若 $A$ 满足 $g(A) = 0$($g$ 是多项式),则 $\lambda$ 满足 $g(\lambda) = 0$。
**例**:$A^2 + A - 2E = O \Rightarrow \lambda^2 + \lambda - 2 = 0 \Rightarrow (\lambda-1)(\lambda+2) = 0$
### 2. 公式套用法
直接从已知特征值套公式($A^k \to \lambda^k$, $A^{-1} \to 1/\lambda$ 等)。
### 3. 行列式辅助法
- $\det A = \prod \lambda_i$(特征值之积)
- $\text{tr}(A) = \sum \lambda_i$(特征值之和)
- 可用于**验证**或反求特征值。
## 常见陷阱
- $A^*$ 的特征值是 $\det A / \lambda_i = \prod_{j \neq i} \lambda_j$(**不是** $(\det A)/\lambda_i$ 的简单除法——是**其它特征值之积**)
- $A^k$ 的特征值是 $\lambda^k$,**不是** $(\lambda^k)$ 矩阵的某个对角元素
- **$A$ 可逆时**才能用 $A^{-1}, A^*$ 特征值公式
- **不同特征值**才能用 $A^{-1}, A^*$ 套公式($\lambda = 0$ 时 $A^{-1}$ 不存在)
## 经典母题
> **题目**:设 $A$ 是 $n$ 阶矩阵,满足 $A^2 - 3A + 2E = O$。证明 $A$ 在 $\mathbb{R}$ 上可对角化,并求 $\det A$。
**解**:
**Step 1**:特征值求解
设 $\lambda$ 是 $A$ 的特征值,$\boldsymbol{\xi}$ 是特征向量,则 $A\boldsymbol{\xi} = \lambda\boldsymbol{\xi}$
由 $A^2 - 3A + 2E = O$:
$$
\lambda^2 \boldsymbol{\xi} - 3\lambda \boldsymbol{\xi} + 2\boldsymbol{\xi} = (\lambda^2 - 3\lambda + 2)\boldsymbol{\xi} = \boldsymbol{0}
$$
因 $\boldsymbol{\xi} \neq \boldsymbol{0}$,故 $\lambda^2 - 3\lambda + 2 = 0$,即 $(\lambda-1)(\lambda-2) = 0$。
故 $A$ 的特征值只能是 $1$ 或 $2$。
**Step 2**:可对角化
$A$ 的特征值只有 $1, 2$,故 $A$ 的最小多项式整除 $(x-1)(x-2)$(无重根)
→ $A$ 必可对角化。
**Step 3**:$\det A$
设特征值 $1$ 有 $k$ 重,$2$ 有 $n-k$ 重。
$\det A = 1^k \cdot 2^{n-k} = 2^{n-k}$
> 注:仅由方程无法确定 $k$,需具体条件。
**复盘**:矩阵方程法是抽象特征值的核心武器——把 $A$ 的关系"翻译"为 $\lambda$ 的多项式方程。
---
> **变式**:设 $A$ 是 $n$ 阶实对称矩阵,$A^2 - 4A + 3E = O$,且 $\det A < 0$,证明 $A + E$ 是正定矩阵。
**证**:
特征值 $\lambda$ 满足 $\lambda^2 - 4\lambda + 3 = 0 \Rightarrow \lambda = 1$ 或 $3$。
$\det A < 0 \Rightarrow$ 必有奇数个 $1$(因 $1$ 是奇数重才让 $\det < 0$,因为 $\det A = 1^k \cdot 3^{n-k}$,需要 $k$ 为奇)。
$A + E$ 特征值为 $\lambda + 1 = 2$ 或 $4$,**全部为正**。
故 $A + E$ 是正定矩阵。 $\blacksquare$
---
> **变式 2**:设 $A$ 是 $n$ 阶矩阵,$|A| = 2$,$A$ 的特征值为 $1, 2, 3$(3 阶)。求 $|A^* - 2A^{-1}|$。
**解**:
- $A^*$ 特征值为 $|A|/\lambda_i = 2/1, 2/2, 2/3 = 2, 1, 2/3$
- $A^{-1}$ 特征值为 $1, 1/2, 1/3$
- $A^* - 2A^{-1}$ 特征值为 $2 - 2 = 0$, $1 - 1 = 0$, $2/3 - 2/3 = 0$
$|A^* - 2A^{-1}| = 0 \cdot 0 \cdot 0 = 0$。
@@ -0,0 +1,128 @@
# 题型六:二次型化为标准形
## 识别特征
- 给出**二次型** $f(x_1, \ldots, x_n)$
- 要求化为**标准形**(只含平方项)
- 涉及**正交变换法**或**配方法**
## 解题流程
```mermaid
flowchart TD
A[识别:化标准形] --> B{选择方法}
B -->|实对称二次型| C[正交变换法]
B -->|任意二次型/填空| D[配方法]
C --> E[写二次型矩阵 A]
E --> F[求 A 的特征值 λᵢ]
F --> G[求正交特征向量组 Q]
G --> H["x = Qy<br>f = Σλᵢyᵢ²"]
D --> I[集中含 xᵢ 项配方]
I --> J[完全平方]
J --> K["f = Σdᵢzᵢ²"]
H --> L[得标准形]
K --> L
```
## 通法步骤
### 方法一:正交变换法(首选)
**Step 1**:写出二次型矩阵 $A$(实对称矩阵)
**Step 2**:求 $A$ 的特征值 $\lambda_1, \ldots, \lambda_n$
**Step 3**:求每个特征值对应的特征向量,**Schmidt 正交化 + 单位化**
**Step 4**:组成正交矩阵 $Q = (\boldsymbol{\eta}_1, \ldots, \boldsymbol{\eta}_n)$
**Step 5**:令 $\boldsymbol{x} = Q\boldsymbol{y}$,则
$$
f = \boldsymbol{x}^T A \boldsymbol{x} = \boldsymbol{y}^T (Q^T A Q) \boldsymbol{y} = \lambda_1 y_1^2 + \lambda_2 y_2^2 + \cdots + \lambda_n y_n^2
$$
### 方法二:配方法
**情形 A**:某个 $a_{ii} \neq 0$
1. 把所有含 $x_i$ 的项集中(包括交叉项)
2. 对 $x_i$ 配方:含 $x_i$ 的项 $= a_{ii}\left(x_i + \dfrac{1}{a_{ii}}\sum_{j \neq i} a_{ij} x_j\right)^2 + \text{剩余}$
3. 引入新变量 $y_i = x_i + \dfrac{1}{a_{ii}}\sum_{j \neq i} a_{ij} x_j$(**可逆变换**)
**情形 B**:所有 $a_{ii} = 0$,但 $a_{ij} \neq 0$
1. 作变换 $x_i = y_i + y_j, x_j = y_i - y_j$
2. 制造出平方项 $4a_{ij} y_i^2$
### 两种方法对比
| 维度 | 正交变换法 | 配方法 |
|------|----------|--------|
| **适用范围** | 实对称二次型 | 任意二次型 |
| **标准形系数** | 特征值(唯一确定) | 任意(不唯一) |
| **变换矩阵** | 正交矩阵 | 一般可逆矩阵 |
| **几何意义** | 保持距离、夹角 | 仅代数等价 |
| **难度** | 计算量大 | 简单快速 |
## 常见陷阱
- 二次型矩阵**必须对称**:$a_{ij} = a_{ji}$(交叉项 $a_{ij} x_i x_j$ 在矩阵中贡献 $2a_{ij}$)
- 正交变换法中 $Q$ 必须是**正交矩阵**(列向量标准正交)
- 配方法的变量替换必须**可逆**(不能 $x_1 = y_1 + y_2, x_2 = y_1 - y_2$ 但系数行列式为 0)
- 标准形**不唯一**(但**规范形唯一**——含 $+1, -1, 0$ 的个数由惯性指数决定)
- 配方法结果与正交变换法**标准形系数不同**(但规范形相同)
## 经典母题
> **题目**:化二次型 $f(x_1, x_2, x_3) = x_1^2 + 2x_2^2 + 2x_3^2 + 4x_1 x_2 + 4x_1 x_3 - 4x_2 x_3$ 为标准形,并写出正交变换。
**解**:
**Step 1**:二次型矩阵
$$
A = \begin{pmatrix} 1 & 2 & 2 \\ 2 & 2 & -2 \\ 2 & -2 & 2 \end{pmatrix}
$$
**Step 2**:特征多项式
$$
|\lambda E - A| = (\lambda + 2)(\lambda - 3)(\lambda - 6)
$$
**Step 3**:特征值 $\lambda_1 = -2, \lambda_2 = 3, \lambda_3 = 6$
**Step 4**:特征向量
**$\lambda_1 = -2$**:$(-2E - A)\boldsymbol{\xi} = \boldsymbol{0}$ → $\boldsymbol{\xi}_1 = (0, 1, 1)^T$,单位化 $\boldsymbol{\eta}_1 = \frac{1}{\sqrt{2}}(0, 1, 1)^T$
**$\lambda_2 = 3$**:$(3E - A)\boldsymbol{\xi} = \boldsymbol{0}$ → $\boldsymbol{\xi}_2 = (2, -1, 1)^T$,单位化 $\boldsymbol{\eta}_2 = \frac{1}{\sqrt{6}}(2, -1, 1)^T$
**$\lambda_3 = 6$**:$(6E - A)\boldsymbol{\xi} = \boldsymbol{0}$ → $\boldsymbol{\xi}_3 = (1, 0, -1)^T$,单位化 $\boldsymbol{\eta}_3 = \frac{1}{\sqrt{2}}(1, 0, -1)^T$
**Step 5**:正交矩阵
$$
Q = \begin{pmatrix} 0 & \frac{2}{\sqrt{6}} & \frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{6}} & 0 \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{6}} & -\frac{1}{\sqrt{2}} \end{pmatrix}
$$
**Step 6**:令 $\boldsymbol{x} = Q\boldsymbol{y}$
$$
f = -2y_1^2 + 3y_2^2 + 6y_3^2
$$
**复盘**:这是 Ch05 二次型大题的标准模板。
---
> **变式**:用**配方法**化同一二次型为标准形。
**解**:
$$
\begin{aligned}
f &= x_1^2 + 4x_1(x_2 + x_3) + 2x_2^2 - 4x_2 x_3 + 2x_3^2 \\
&= [x_1 + 2(x_2 + x_3)]^2 - 4(x_2+x_3)^2 + 2x_2^2 - 4x_2 x_3 + 2x_3^2 \\
&= (x_1 + 2x_2 + 2x_3)^2 + (-4x_2^2 - 8x_2 x_3 - 4x_3^2) + 2x_2^2 - 4x_2 x_3 + 2x_3^2 \\
&= (x_1 + 2x_2 + 2x_3)^2 - 2x_2^2 - 12x_2 x_3 - 2x_3^2 \\
&= (x_1 + 2x_2 + 2x_3)^2 - 2(x_2 + 3x_3)^2 + 16x_3^2
\end{aligned}
$$
令 $y_1 = x_1 + 2x_2 + 2x_3$, $y_2 = x_2 + 3x_3$, $y_3 = x_3$,则 $f = y_1^2 - 2y_2^2 + 16y_3^2$
> **注意**:标准形系数 $(1, -2, 16)$ 与正交变换法 $(-2, 3, 6)$ **不同**——这说明标准形不唯一,但惯性指数 $(1, 1, 1)$ 相同(1 正 1 负 1 零?不对,是 1 正 2 负)。
@@ -0,0 +1,123 @@
# 题型七:正定性的判定
## 识别特征
- 问二次型/矩阵**是否正定**
- 求使 $A$ 正定的**参数范围**
- 涉及**顺序主子式**或**特征值**
## 解题流程
```mermaid
flowchart TD
A[识别:正定判定] --> B{用什么判据?}
B -->|具体矩阵| C[顺序主子式 Δₖ]
B -->|已知特征值| D[特征值全正]
B -->|抽象矩阵| E["A=CᵀC<br>合同 E"]
C --> F{全部 Δₖ>0?}
F -->|是| G[正定]
F -->|否| H{其他类型}
D --> I{全 λ>0?}
I -->|是| G
I -->|否| J{部分负?}
E --> K{存在可逆 C?}
K -->|是| G
H --> L[见判定表]
J --> L
```
## 通法步骤
### 1. 顺序主子式法(最常用)⭐⭐⭐
对 $n$ 阶实对称矩阵 $A$,计算:
$$
\Delta_1 = |a_{11}|, \quad \Delta_2 = \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}, \quad \ldots, \quad \Delta_n = |A|
$$
### 2. 判定速查表 ⭐
| 类型 | 顺序主子式条件 |
|------|--------------|
| **正定** | $\Delta_1, \Delta_2, \ldots, \Delta_n > 0$(**全正**) |
| **负定** | $-\Delta_1, \Delta_2, -\Delta_3, \ldots > 0$(**交替正**) |
| **半正定** | $\Delta_k \ge 0$($k=1,\ldots,n$)且 $\det A = 0$ |
| **半负定** | $(-1)^k \Delta_k \ge 0$ 且 $\det A = 0$ |
| **不定** | 不满足以上任一 |
### 3. 特征值法(辅助判定)
- 正定 ⇔ **所有特征值 > 0**
- 半正定 ⇔ 所有特征值 ≥ 0(且 $\det A = 0$)
### 4. 抽象判定法
- 正定 ⇔ 存在可逆 $C$ 使 $A = C^T C$
- 正定 ⇔ $A$ 与 $E$ 合同($A \simeq E$)
### 5. 含参问题
通常设 $\Delta_1 > 0, \Delta_2 > 0, \ldots$,解不等式组取交集。
## 常见陷阱
- **顺序主子式 ≠ 主子式**:必须取**前 $k$ 行前 $k$ 列**
- **半正定的判定**:所有 $\Delta_k \ge 0$ **且** $\det A = 0$
- **正定等价条件**有 6 个(见 Ch05 §1.7),需灵活选用
- **判定负定**时记 $(-1)^k \Delta_k > 0$,不是简单 $\Delta_k < 0$
- 含参问题中 $\Delta_n > 0$ 往往是**最严格**的限制
## 经典母题
> **题目**:判断矩阵 $A = \begin{pmatrix} 2 & -1 & 0 \\ -1 & 2 & -1 \\ 0 & -1 & 2 \end{pmatrix}$ 是否正定。
**解**:
**Step 1**:$\Delta_1 = 2 > 0$ ✓
**Step 2**:$\Delta_2 = \begin{vmatrix} 2 & -1 \\ -1 & 2 \end{vmatrix} = 4 - 1 = 3 > 0$ ✓
**Step 3**:$\Delta_3 = \det A$(按第 1 行展开):
$$
\det A = 2 \cdot \begin{vmatrix} 2 & -1 \\ -1 & 2 \end{vmatrix} - (-1) \cdot \begin{vmatrix} -1 & -1 \\ 0 & 2 \end{vmatrix} = 2 \cdot 3 + 1 \cdot (-2) = 6 - 2 = 4 > 0
$$
所有顺序主子式全正 → **$A$ 正定**。
**复盘**:三对角矩阵可逐行展开计算行列式。
---
> **题目(变式)**:$A = \begin{pmatrix} 1 & a & 1 \\ a & 2 & 1 \\ 1 & 1 & 1 \end{pmatrix}$ 正定,求 $a$ 的范围。
**解**:
**$\Delta_1 = 1 > 0$** ✓(恒成立)
**$\Delta_2 = \begin{vmatrix} 1 & a \\ a & 2 \end{vmatrix} = 2 - a^2 > 0 \Rightarrow -\sqrt{2} < a < \sqrt{2}$**
**$\Delta_3 = \det A$**:
$$
\det A = 1 \cdot (2 - 1) - a \cdot (a - 1) + 1 \cdot (a - 2) = 1 - a^2 + a + a - 2 = -a^2 + 2a - 1 = -(a-1)^2
$$
$\Delta_3 = -(a-1)^2 \ge 0$,且 $\Delta_3 > 0$ 要求 $a \neq 1$。
**交集**:$\Delta_1 > 0$(恒满足),$\Delta_2 > 0 \Rightarrow -\sqrt{2} < a < \sqrt{2}$,$\Delta_3 > 0 \Rightarrow a \neq 1$
最终:**$a \in (-\sqrt{2}, \sqrt{2}) \setminus \{1\}$**
> ⚠️ 这里注意:$\Delta_3$ 在 $a = 1$ 时为零,$A$ 半正定而非正定。
---
> **题目(变式 2)**:证明 $A = \begin{pmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{pmatrix}$ 半正定(不是正定)。
**证**:
- $\Delta_1 = 1 > 0$
- $\Delta_2 = \begin{vmatrix} 1 & 1 \\ 1 & 1 \end{vmatrix} = 0 \ge 0$
- $\Delta_3 = \det A = 0$(行成比例)
$\Delta_k \ge 0$ 全部成立,且 $\det A = 0$ → **半正定**。
特征值:$A$ 的特征值为 $3, 0, 0$,也说明半正定。
@@ -0,0 +1,168 @@
# 题型八:合同与相似的关系
## 识别特征
- 涉及"$A \sim B$"或"$A \simeq B$"的判定
- 涉及**相似 vs 合同**的概念辨析
- 矩阵的**等价关系**综合题
## 解题流程
```mermaid
flowchart TD
A[识别:相似/合同] --> B{已知什么?}
B -->|两个矩阵 A, B| C{求什么关系?}
C -->|是否相似| D["检查特征值<br>检查对角化"]
C -->|是否合同| E["检查正定性<br>检查秩、惯性指数"]
D -->|同特征值且都对角化| F[相似]
D -->|否则| G[不相似]
E -->|同秩同正定性| H[合同]
E -->|否则| I[不合同]
F --> J[结论]
G --> J
H --> J
I --> J
```
## 通法步骤
### 1. 三个等价关系的定义
| 关系 | 定义 | 变换矩阵 |
|------|------|---------|
| **等价** $A \cong B$ | $B = PAQ$($P, Q$ 可逆) | 左、右可逆 |
| **相似** $A \sim B$ | $B = P^{-1} A P$ | 单个可逆矩阵 |
| **合同** $A \simeq B$ | $B = C^T A C$ | 单个可逆矩阵(转置参与) |
### 2. 关系强弱
```
等价(最弱) ⊃ 相似 ⊃ 合同
(特征值相同) (实对称:相似 ⇒ 合同)
等价 ⊃ 合同 ⊃ ?
```
**实对称矩阵**:相似 ⇔ 合同 ⇔ 正交相似。
### 3. 保持的性质对比
| 性质 | 等价 | 相似 | 合同 |
|------|------|------|------|
| 行列式 | 不必相等 | 必相等 | 不必相等 |
| 特征值 | 不必相等 | **必相等** | 不必相等 |
| 迹 | 不必相等 | 必相等 | 不必相等 |
| 秩 | 必相等 | 必相等 | 必相等 |
| 正定性 | 必相同 | 必相同 | 必相同 |
| 惯性指数 | 必相同 | 必相同 | **必相同** |
### 4. 判别方法
| 关系 | 判别依据 |
|------|---------|
| **相似** | 特征多项式相同(必要),实对称 + 同特征值 ⇔ 相似 |
| **合同** | 实对称 + 惯性指数相同 ⇔ 合同 |
| **正交相似** | 实对称 + 同特征值(自动正交相似) |
## 常见陷阱
- **$A \sim B$ 不一定 $A \simeq B$**(一般矩阵)
- **$A \simeq B$ 不一定 $A \sim B$**(一般矩阵)
- **实对称矩阵**:$A \sim B \iff A \simeq B$(三关系等价)
- $\text{tr}(A) = \text{tr}(B)$ 是相似必要条件,**不是充分**
- $\det A = \det B$ 是相似必要条件,**不是充分**
- **惯性指数**:$(p, q)$ 其中 $p$ = 正特征值个数,$q$ = 负特征值个数,是合同不变量
## 经典母题
> **题目**:判断下列矩阵对的关系(相似/合同/均不/均是):
> $A = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}, \quad B = \begin{pmatrix} 1 & 1 \\ 1 & 1 \end{pmatrix}$
**解**:
**Step 1**:特征值
- $A$ 特征值:$\lambda = 1, 2$
- $B$ 特征值:$\lambda = 0, 2$
特征值不同 → **不相似**。
**Step 2**:惯性指数
- $A$:$(p, q) = (2, 0)$(两个正)
- $B$:$(p, q) = (1, 0)$(一个正,一个零)
惯性指数不同 → **不合同**。
**Step 3**:正定性
- $A$ 正定
- $B$ 半正定
正定性不同 → **不合同**(合同矩阵正定性相同)。
**结论**:$A, B$ 既不相似,也不合同。
**复盘**:特征值是否相同是判断相似的核心;惯性指数或正定性是否相同是判断合同的核心。
---
> **题目(变式)**:$A = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}, \quad C = \begin{pmatrix} 1 & 0 \\ 0 & -2 \end{pmatrix}$ 是否合同?
**解**:
**Step 1**:$A$ 惯性指数 $(2, 0)$,$C$ 惯性指数 $(1, 1)$
**Step 2**:惯性指数不同 → **不合同**。
> 合同矩阵的惯性指数必须相同。
---
> **题目(变式 2)**:设 $A$ 是 $n$ 阶实对称矩阵,证明:$A$ 正定 $\iff A \simeq E$(合同于单位阵)。
**证**:
**($\Rightarrow$)** $A$ 正定 $\Rightarrow$ 特征值 $\lambda_1, \ldots, \lambda_n > 0$
令 $Q = (\boldsymbol{\eta}_1, \ldots, \boldsymbol{\eta}_n)$ 为正交特征向量矩阵,
$$
Q^T A Q = \text{diag}(\lambda_1, \ldots, \lambda_n) = \Lambda
$$
令 $D = \text{diag}(1/\sqrt{\lambda_1}, \ldots, 1/\sqrt{\lambda_n})$,则
$$
(DQ)^T A (DQ) = D^T (Q^T A Q) D = D^T \Lambda D = D \Lambda D = E
$$
故 $A \simeq E$。
**($\Leftarrow$)** $A \simeq E \Rightarrow$ 存在可逆 $P$ 使 $P^T A P = E$
$\Rightarrow A = (P^T)^{-1} E P^{-1} = (P^{-1})^T P^{-1} = (P^{-1})^T (P^{-1})$
令 $C = P^{-1}$(可逆),则 $A = C^T C$
对任意 $\boldsymbol{x} \neq \boldsymbol{0}$:$\boldsymbol{x}^T A \boldsymbol{x} = \boldsymbol{x}^T C^T C \boldsymbol{x} = (C\boldsymbol{x})^T (C\boldsymbol{x}) = \|C\boldsymbol{x}\|^2 > 0$(因 $C$ 可逆,$C\boldsymbol{x} \neq \boldsymbol{0}$)
故 $A$ 正定。$\blacksquare$
---
> **终极母题**:设 $A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix}, B = \begin{pmatrix} 2 & 0 \\ 0 & -1 \end{pmatrix}$。$A, B$ 是否相似?是否合同?
**解**:
**Step 1**:$A$ 特征值
$$
|\lambda E - A| = (\lambda-1)^2 - 4 = (\lambda-3)(\lambda+1)
$$
$\lambda_A = 3, -1$
**Step 2**:$B$ 是对角阵,特征值为 $2, -1$。
**Step 3**:特征值不同 → **$A, B$ 不相似**。
**Step 4**:惯性指数
- $A$:$(p, q) = (1, 1)$
- $B$:$(p, q) = (1, 1)$
惯性指数相同 → **$A, B$ 合同**。
**结论**:$A, B$ 不相似,但合同。证明合同:取 $C = \begin{pmatrix} a & b \\ c & d \end{pmatrix}$,解 $C^T A C = B$(本题可验证),或利用**实对称矩阵合同 ⇔ 惯性指数相同**直接判定。