8-3-相似矩阵与基变换
一句话概括
同一个线性变换,换一组基来看,矩阵就从 变成 。这一节要回答三个问题:
1. 怎么换——基变换矩阵 怎么造、坐标怎么换算();
2. 换了之后什么没变——特征值、迹、行列式、秩、特征多项式、可对角化性,这些叫相似不变量(similarity invariants);
3. 为什么要换——因为"选基就是选坐标系",好的坐标系能让问题解耦。对角化就是"能找到让矩阵变成对角矩阵的那组基",而 SVD、谱分解都是这条思想的延伸。
本篇还覆盖:完整例题(给定 与一组新基,算出 与 ,验证特征值不变)、Jordan 形简介(不可对角化时能简化到什么程度)、相似与等价 / 相合的区别,以及工程师视角下"为什么关心相似"。
一、定义
1.1 基变换矩阵
定义 8.3.1(基变换矩阵 / 过渡矩阵,change-of-basis matrix) 设 与 是 的两组有序基。把新基向量逐个用旧基表示:
把系数按列排成矩阵
称 为从旧基 到新基 的基变换矩阵(也叫过渡矩阵)。
记住 的构造口诀
的列 = 新基向量在旧基下的坐标。
这句口诀与上一节" 的列 的坐标"是同一个排法、同一个理由(见 8-2-线性变换的矩阵表示)。先确认"谁在谁下的坐标",再决定列。 方向搞反是本节最高频的错误。
定理 8.3.1( 必可逆) 两组基之间的基变换矩阵 一定可逆。
证明 因为 是基, 线性无关。若 ,则
由"坐标为零向量 向量为零向量"得 ,由线性无关得 。故 , 可逆。
(这也与" 的列线性无关 方阵可逆"完全一致,见 2-4-矩阵运算与逆矩阵。)
1.2 坐标变换公式
定理 8.3.2(坐标变换公式) 设 是从 到 的基变换矩阵,。记 、。则
证明 把 用新基展开:,其中 是 的第 个分量。把 (即 )代入:
这是 关于基 的表示。由基下表示的唯一性,第 个旧坐标就是括号里的和:
即 。再由定理 8.3.1 知 可逆,左乘 得 。
两句话不要记混
- : 把"新坐标"翻译成"旧坐标"。 的列是"新基的旧坐标",所以它把"新基下的分量"合成为"旧坐标"。
- :要往反方向翻译,就得求逆。
记忆抓手: 的列装的是"新基向量的旧坐标",所以 天然是"新 旧"的工具。写在右边的东西是"输入",写在左边的是"输出"。
特例:旧基是标准基。 若 (标准基),则 ,于是
即新基向量按列拼成的矩阵。这是做题时最常用的形式。
1.3 相似矩阵
定义 8.3.2(相似矩阵,similar matrices) 设 都是 阶方阵。若存在 阶可逆矩阵 使
则称 与 相似,记作 ;并称 为对 的相似变换(similarity transformation), 为相似变换矩阵。
定理 8.3.3(相似是等价关系) 相似关系满足:
- 自反性:(取 );
- 对称性:若 ,则 (由 得 );
- 传递性:若 且 ,则 (由 、 得 )。
证明 三条都由直接计算得到,关键是每一步的 都可逆(可逆矩阵的乘积、逆仍可逆)。
1.4 相似矩阵的几何来源
定理 8.3.3 只是"代数上的漂亮",相似矩阵真正的意义来自下面这条定理——它是本篇的定义性定理。
定理 8.3.4(相似 同一个线性变换的两组基矩阵) 设 是线性变换, 与 是 的两组基,、, 是从 到 的基变换矩阵。则
证明 取任意 ,记 、,对 同样记 、。
第一条路径(先翻译成旧坐标,再用 作用): 由定理 8.3.2 与矩阵表示定理 8.2.1,
第二条路径(先作用,再翻译):
两式对一切 相等,取 ()比较第 列,得 。左乘 :
用交换图表示这条推导,一眼就能记住三个因子的读法:
从左上角出发绕下方一圈,读数就是 ,故 。
一句话把 背下来
"翻译成旧坐标() 用旧矩阵作用() 翻译回新坐标()"。
从左往右读矩阵乘法时先做右边的,正好与这句话的顺序一致。
二、几何直观
2.1 换坐标系,不换世界
想象你站在一间屋子里看一把椅子。
- 第一种描述:以门为原点,向东为 轴。你报告:"椅子在 。"
- 第二种描述:以窗为原点,向北为 轴。你报告:"椅子在 。"
两句话说的是同一把椅子,数字却完全不同。坐标系是描述工具,不是被描述的对象。
线性变换也是一样。 是"客观存在"的动作(例如"绕原点转 "),而 与 只是在两套坐标系里给它记的账。相似变换 的本质就是:
客观的变换 没有变,变的只是我们用来给它记账的坐标纸。
2.2 为什么"换坐标系"能让问题变简单
同一把椅子,从门口看是 ,从窗口看是 ——描述可以变难也可以变简单。找一组好坐标,就能让描述变得极其干净。
极端情形:让 的矩阵变成对角矩阵。
对角矩阵的几何含义是: 个坐标方向各自独立地伸缩 倍,互不干扰。
- 想算 ?在旧坐标下要算 (矩阵连乘),在新坐标下只需把每个 取 次方:。
- 想解 ?在旧坐标下是耦合方程组,在新坐标下变成 个独立的标量方程 ,各自解出 。
- 想判断系统稳定性?只需看所有 的实部符号。
这就是工程师关心相似的全部理由:把一个"各部分互相牵扯"的问题,换一组坐标变成"各部分互不相干"的问题。这一步一旦完成,剩下的都是小学算术。
2.3 那组"好基"是什么
由上一节的构造规则,"在对角矩阵下, 的第 列是 在基 下的坐标"。若
则第 列是 ,即
这就把"对角化"翻译成了特征值语言:要让矩阵变对角,那组基必须由 的特征向量组成,对角元就是特征值。所以
对角化 = 找一组由特征向量组成的基 = 找一个让变换"各方向独立"的坐标系。
这正是 6-2-矩阵的对角化 的内容,只是换了一个更本质的说法。当特征向量不够 个时,这组基不存在,矩阵无法对角化——旋转 就是最简单的例子(它的特征多项式是 ,没有实特征向量),此时只能用 Jordan 形做"次优选择"(见第五节)。
2.4 相似不变量的直观来源
为什么特征值、迹、行列式换基后不变?想一想它们的几何含义:
| 量 | 几何含义 | 为什么与基无关 |
|---|---|---|
| 特征值 | 存在某个方向, 在该方向上的伸缩倍数 | "某个方向的伸缩倍数"是 的客观属性 |
| 行列式 | 体积伸缩率 | 体积是空间的客观属性 |
| 迹 | 各方向伸缩倍数之和() | 同上 |
| 秩 | 像空间的维数 | 像空间是 的客观属性 |
| 可对角化性 | 是否存在 个无关的特征向量 | 特征向量是 的客观属性 |
尺子怎么换,都量不出与尺子有关的"客观属性"。 反过来,那些会随基改变的矩阵元素(、 等)本来就没有几何意义——它们只是"在某个特定坐标系里的投影分量"。
三、性质与定理:相似不变量
下面逐条说明哪些量在相似变换下不变,并给出理由。每一条都给出证明或证明思路。
3.1 特征多项式
定理 8.3.5(特征多项式是不变量) 若 ,则
证明
注意 ,于是
两边取行列式,并用乘法性 (见 5-1-行列式的性质):
(注意 ,因为 可逆。)
推论 8.3.1(特征值、迹、行列式不变) 相似矩阵有完全相同的特征值(含代数重数)。特别地,令 得
而比较 的系数(或直接展开特征多项式)得
几何理由:特征值是" 在特定方向上的伸缩倍数",迹是"各方向伸缩倍数之和",行列式是"体积伸缩率"——这三者都由 决定,与描述它的坐标系无关。
3.2 秩
定理 8.3.6(秩是不变量) 若 ( 可逆),则 。
证明思路(三条事实)
- 左乘或右乘可逆矩阵不改变秩。设 可逆,则 与 的零空间相同(),故由秩—零化度定理 ;对右乘同理(用列空间的维数)。
- 于是 。
(更本质的说法: 与 是同一个变换 的矩阵,而 与基无关,见 8-2-线性变换的矩阵表示。)
注意:秩是相似不变量,但它不能用来判别相似——同秩的 阶方阵一般并不同(例如 与 都是秩 1,但特征值不同,故不相似)。秩相同只是必要条件。
3.3 特征向量按 一一对应
定理 8.3.7 设 。则 是 关于 的特征向量,当且仅当 是 关于 的特征向量。
证明 ,两边左乘 :
即 。反之亦然(两边左乘 即得)。由于 是可逆线性映射,它把 的特征空间同构地映到 的对应特征空间,因此几何重数也相同。
这条定理的意义:它不仅说明特征值不变,还说明特征空间的维数(几何重数)也完全不变。几何重数不变这一点,是后面"可对角化性不变"和"Jordan 形不变"的基础。
3.4 可对角化性
定理 8.3.8(可对角化性是不变量) 若 ,则 可对角化当且仅当 可对角化。
证明 设 可对角化,即存在可逆 使 。又设 。两式联立:
由于 可逆,这就是 的一个对角化。反之同理。
另一条等价理由:由定理 8.3.5 与 8.3.7, 与 有相同的特征值与相同的几何重数,而"可对角化 每个特征值的几何重数 代数重数"(6-2-矩阵的对角化),故两者同时成立或同时不成立。
3.5 最小多项式(进阶)
定理 8.3.9 若 ,则 与 有相同的最小多项式(minimal polynomial,即使 的次数最低的首一多项式)。
证明思路 对任意多项式 ,
(把 逐项代入即得)。因此 ,使两边为零的多项式集合完全相同,最小次数自然相同。
最小多项式为什么重要
最小多项式是判别相似的最强工具之一:两个矩阵相似 它们有相同的 Jordan 标准形 有相同的不变因子(或初等因子)。对可对角化矩阵,最小多项式退化为"无重根且以全部特征值为根",此时相似 特征值相同。最小多项式属进阶内容,以授课教材为准。
3.6 相似与转置:一个"反例"的澄清
命题 8.3.1 设 是 阶方阵,则 与它的转置 相似。
证明 关键事实: 与 有相同的特征多项式。因为
这里用到转置不改变行列式(见 5-1-行列式的性质)。
更强的结论是: 与 有相同的 Jordan 标准形(对每个特征值 , 与 相等,因为转置不改变秩)。由定理 8.3.10 的"唯一性"部分,Jordan 形相同即相似。
可对角化情形的显式构造:若 ,两边转置得
即 也可对角化且对角元完全相同。于是
取 即可。这条构造在 可对角化时是实矩阵(只要 是实的)。
别把"相似"与"正交相似"混在一起
命题 8.3.1 只说"存在某个可逆 ",并没有说可以取 正交。一般地 与 不一定正交相似(否则会有 之类的强结论)。做题时若题目要求"求实可逆矩阵 使 ",用上面的 或直接化 Jordan 形具体构造,不要直接引用本命题就完事。以授课教材的约定为准。
3.7 判断两个矩阵是否相似:可操作的思路
相似不变量相同是必要条件,因此判别流程应当"先用不变量排除,再用充分条件确认"。
步骤 1:查必要条件(快速排除)。 同阶吗?特征多项式相同吗(等价于特征值 代数重数相同,也等价于 与 及全部初等对称多项式相同)?秩相同吗?迹相同吗?任一不同 不相似,结束。
步骤 2:查可对角化性。
- 若两个都可对角化,且特征值相同 相似(证据:两者都相似于同一个对角矩阵 ,由相似的传递性它们相似)。
- 若一个可对角化、另一个不可 不相似(定理 8.3.8)。
步骤 3:两个都不可对角化。 此时必须比较更细的不变量:
- 比较各特征值的几何重数 (或比较 对所有 )。这些量决定了 Jordan 块的大小分布,因此完全决定相似性。
- 实用判据:两个矩阵相似 对每个特征值 与每个 ,(等价说法:有相同的 Jordan 标准形)。
步骤 4:特殊情形。
- 两个实对称矩阵相似 特征值相同(因为它们总能正交对角化)。
- 若 与 都是幂零矩阵(、),则相似性由 Jordan 块的尺寸分布决定,仅凭秩与特征值不足。
经典陷阱: 与 特征值都是 、迹都是 2、行列式都是 1、秩都是 2,但
由步骤 2,不相似。这个例子说明"不变量全同"绝不意味着相似。
四、计算方法与步骤
4.1 求基变换矩阵 与坐标变换
输入:旧基 、新基 。
- 步骤 1:把每个新基向量 写成旧基的组合,解出系数 。
- 若旧基是标准基:跳过求解,直接读 的分量。
- 若旧基不是标准基:解 个线性方程组,或等价地计算 ,其中 、 的列分别是两组基向量(都在标准坐标下)。
- 步骤 2:把系数按列填进 。
- 步骤 3(坐标换算):、。
- 步骤 4(检验):取 ,它的新坐标应是 。代入步骤 2 的公式应得 的旧坐标。这是最有效的自检。
统一公式
记 的列是 (标准坐标), 的列是 。由于"新基 旧基 "在标准坐标下就是 ,两边左乘 得
若 是标准基,,直接得 。这条公式在做题时比逐列解方程快得多。
4.2 求 在另一组基下的矩阵(相似变换)
输入:、新基 。
- 步骤 1:由 4.1 求出基变换矩阵 (从 到 )。
- 步骤 2:计算 。建议分两步:先算 ,再左乘 ,减少心算负担。
- 步骤 3(逐列自检):对每个 ,算 ,求它在 下的坐标,应等于 的第 列。
- 步骤 4(不变量自检):、、特征值相同。不等就回头查。
4.3 对角化:找让矩阵变成对角的那组基
步骤 1:求 的全部特征值(解 )。
步骤 2:对每个特征值求 的一组基(特征向量)。
步骤 3:数一数特征向量总数是否达到 。
- 达到 :把它们按列拼成 (就是基变换矩阵 ),则 ,对角元是对应顺序的特征值。
- 不足 :不可对角化,改用 Jordan 形(第五节)。
步骤 4(自检):、。
不唯一, 的排列随之改变
特征向量可以任意缩放(乘以非零常数)、同一特征值内可以任意线性组合;列的排列顺序可以任意调整,只要 的对角元按同样顺序排列。所以对角化中的 有无穷多个选择,而 在"不计排列"的意义下唯一。
4.4 判断两个矩阵是否相似(操作流程)
已见 3.7 节的四步。这里给出可执行的检查清单:
- 阶数相同?
- 特征多项式相同?(比较 、、以及全部特征值)
- 秩相同?
- 可对角化性一致?
- 若都不可对角化,比较每个特征值的几何重数 。
- 仍不能区分时,比较 ()或直接化 Jordan 形。
五、例题
例题 8.3.1(完整的相似变换:算 、算 、验证不变量)
设 在标准基 下的矩阵为
取新基 。
(1) 求从 到 的基变换矩阵 ,并求 。
(2) 求 在新基下的矩阵 。
(3) 逐列验证 的构造正确。
(4) 验证相似不变量:特征多项式、特征值、迹、行列式、秩。
(5) 求一个新基下的向量 ,其新坐标为 ,用两种方式算 的新坐标。
解
(1) 基变换矩阵。
旧基是标准基,所以 的列就是新基向量本身:
求逆:,用 公式:
校验:。
(2) 算 。 分两步。
第一步:算 。
逐元素:
第二步:左乘 。
逐元素:
(3) 逐列验证。 由定义, 的第 列应当是 在 下的坐标。
第 1 列:
求它在 下的坐标,即解 :
从第一式得 ,代入第二式:,于是 。所以
(也可以直接用 算:,一致。)
第 2 列:
坐标:,正是 的第 2 列。
(用方程组复核:、,得 ,,。一致。)
(4) 验证相似不变量。
对 :
展开:。再加上 :
特征值 、。;。()。
对 :
与 的特征多项式完全相同。于是:
| 不变量 | 相同? | ||
|---|---|---|---|
| 特征多项式 | |||
| 特征值 | |||
| 迹 | |||
| 行列式 | |||
| 秩 |
注意:( 对 , 对 ),但它们相似——这正是"相似不等于相等"的活证据。
附带算一下特征向量,加深理解:
对 :解 ,即 ,得 ,取 。
对 :解 ,即 ,得 ,取 。
对照定理 8.3.7: 关于 的特征向量应是 。
验证:。
(5) 两种方式算 的新坐标。
先求 :新坐标为 ,即 。
方式一(在新坐标下用 ):
方式二(在旧坐标下用 ,再翻译):
翻译成新坐标:
两种方式结果一致:。
这个例题的三条经验
1. 但相似是常态,不要因为"矩阵看着不一样"就以为算错了。
2. 逐列验证(算 再求坐标)是查错最有效的手段,比反复检查矩阵乘法可靠。
3. 不变量自检(迹、行列式)花不了十秒钟,却能拦住大部分粗心错误。
例题 8.3.2(对角化就是找一组好基 + 相似不变量)
设
(1) 求 的全部特征值与特征向量。
(2) 写出相似变换矩阵 与对角矩阵 ,验证 。
(3) 验证特征多项式、迹、行列式在相似变换下不变。
(4) 解释这组基为什么是"好基"。
解
(1) 求特征值与特征向量。
特征多项式:
按第一行展开:
逐个算二阶行列式。
第一个:
第二个:
前面的系数是 ,贡献 。
第三个:
前面的系数是 ,贡献 。
合计:
即
(分解验证:代入 得 ,故 是因式;除得 。)
特征值:,互不相同。
特征向量:
:解 :
第 1 行与第 3 行相同,保留第 1、2 行:、。由第二式 ,代入第一式:,故 ,。取 得
验证:。逐个算:
- 第 1 行:
- 第 2 行:
- 第 3 行:
得 。
:解 :
第 1 行给出 (除以 6),第 2 行给出 (同一条件),第 3 行:。用 代入第 3 行:,故 、。取 :
验证:。
:解 :
第 2 行给出 ,即 。代入第 1 行:,故 。取 得 、:
验证: 第 1 行 ✓;第 2 行 ✓;第 3 行 ✓。
(2) 相似变换矩阵与对角化。 三个特征值互不相同 三个特征向量线性无关(6-1-特征值引论) 可以拼成可逆矩阵:
(对角元的顺序与 的列一一对应:、、。)
验证 (比直接求 更省事,且完全等价):
两者相等。 是否非零?用第 1 列展开:
故 可逆,, 可对角化。
(3) 验证不变量。
迹:;。
行列式:按第一行展开 :
- 第 1 项:。
- 第 2 项:注意展开时符号为 ,括号内 ,贡献 。
- 第 3 项:系数 ,括号内 ,贡献 。
而 。
特征多项式:,而 。两者相同。
(4) 为什么这是"好基"。
因为在新基 下,( 所代表的变换)的矩阵变成了对角矩阵 。其几何含义是:
- 沿 方向的向量, 把它伸长 倍(即保持不变);
- 沿 方向的向量, 把它伸长 倍;
- 沿 方向的向量, 把它伸长 倍;
- 三个方向互不干扰。
于是原本"三个分量互相牵扯"的问题被彻底解耦。三个具体收益:
不需要真的连乘 次矩阵;
微分方程组 立刻可解(见 6-3-微分方程组与矩阵指数);
稳定性一目了然: 全是正数, 的三个模式都按 增长,系统不稳定,且最快增长的方向是 方向。
别忽略 这一步
只有" 个线性无关的特征向量"才能拼出可逆的 。本题因为三个特征值互不相同,无关性自动成立;一旦出现重根,必须单独验证几何重数(见 6-2-矩阵的对角化)。重根 + 几何重数不足 = 不可对角化,此时请看下一节 Jordan 形。
六、Jordan 形简介(进阶)
阅读提示
本节内容在同济版中属于选学/带星号内容,考研大纲一般不要求。此处只做"知道有这回事、知道它长什么样"的简介,具体计算以授课教材为准。
6.1 不可对角化时能简化到什么程度
对角化会失败,是因为特征向量不够。最典型的例子是
它的特征多项式是 ,特征值只有 (代数重数 2)。而
几何重数 代数重数 ,无法对角化。
但我们可以问:在所有与 相似的矩阵中,哪一个最简单? 答案是 自己(在这个例子里): 已经是最简形式。它就是一个 的 Jordan 块。
6.2 Jordan 块与 Jordan 标准形
定义 8.3.3(Jordan 块,Jordan block) 形如
的 阶方阵(对角元全为 ,紧邻对角线上方全为 ,其余为 )称为一个 阶 Jordan 块。
定理 8.3.10(Jordan 标准形,Jordan canonical form) 设 是 阶复方阵。则存在可逆矩阵 使
其中每个 是 Jordan 块, 是 的特征值(可以重复),。这个 称为 的 Jordan 标准形,它在"不计块的排列顺序"的意义下唯一。
读这条定理的三个要点
1. 一定存在:任何复方阵都能化到 Jordan 形(在复数域上;实矩阵若特征值有复的,需要扩到 )。这一点比"对角化"强得多。
2. 唯一:Jordan 形(不计块顺序)由 唯一决定。因此
这是相似的完整判别准则。
3. 对角矩阵是 Jordan 形的特例:当所有块都是 (即 )时 就是对角矩阵。所以 可对角化 所有 Jordan 块都是 阶 每个特征值的几何重数等于代数重数。
6.3 "差一点就能对角化"的含义
Jordan 块里那些对角线上方的 是"对角化失败的残留"。它们的存在意味着:
- 特征向量不够,必须补充广义特征向量(generalized eigenvector,满足 但 );
- 变换不是沿各方向的纯伸缩,还带一点"沿链方向传递"的成分。
最直观的例子:微分算子。 上一节例题 8.2.2 中的
作用在 上。它的特征值全是 ,几何重数为 1。它的 Jordan 形是(把基换成 ,即第 3 个基向量除以 2)
一个 阶 Jordan 块。几何含义非常清楚:求导"沿着次数阶梯往下走"——,每次求导降一级,最后到达 0。这条"阶梯"就是 Jordan 块上方那串 的几何意义。
"差一点就能对角化"的直观说法:如果 能把每个基向量"原地伸缩"(),它就是对角矩阵;但求导做不到,它总是把 送到别的方向( 方向),所以只能在链上"传递"。这条链的长度就是 Jordan 块的阶数。
6.4 现实中的取舍
Jordan 形在理论上完美(存在、唯一、完全刻画相似),但在数值上极不可靠:特征值只要有微小的扰动,Jordan 块就可能"裂开"变成一串一阶块(例如 微扰成 后特征值不再相等,立刻可对角化)。所以数值计算中不用 Jordan 形,而用 Schur 分解(, 上三角, 正交)或 SVD。这也解释了为什么工程界说"相似变换要找好基"时,实际找的是正交基而不是 Jordan 基。
七、相似、等价与相合的区别
这三个关系都是"用可逆矩阵把 变简单",但允许的自由度不同。自由度越大,能化简到的形式越简单,保留的不变量越少。
| 关系 | 定义 | 允许的自由度 | 不变量 | 能化简到 |
|---|---|---|---|---|
| 等价(equivalence) | , 可逆( 可 ) | 左右各一个可逆矩阵,互相独立 | 只有秩 | |
| 相合 / 合同(congruence) | , 可逆( 对称) | 左右必须是同一个 (一个转置、一个不转置) | 秩、正负惯性指数(符号差) | |
| 相似(similarity) | , 可逆( 为方阵) | 左右必须是同一个 (一个逆、一个不逆置) | 特征多项式、特征值、迹、行列式、秩、可对角化性、Jordan 形 | Jordan 标准形 |
三条直觉:
- 等价最宽松:左右可以用不同的矩阵,所以几乎什么都能改,只剩下秩。这就是" 与 等价 秩相同"这条结论的来源。
- 相合对应二次型换元:二次型 在换元 下变成 。因为是同一个换元,两头必须配对(一个 、一个 ),于是保留的信息比等价多(惯性定理)。见 6-5-二次型与标准形。
- 相似最严格:描述的是"同一个线性变换换基",因此保留的信息最多(Jordan 形)。
一个有用的观察
若 是正交矩阵(),则相似与相合同时成立:
这正是实对称矩阵可以正交对角化、写成 的原因——它同时是相似变换和相合变换。见 6-4-对称矩阵与正定矩阵。
八、应用:为什么工程师关心相似
8.1 解耦:把耦合问题变成独立问题
这是最核心的一条。以线性微分方程组为例:
在标准基下: 个方程互相耦合, 依赖于 ,没法单独解。
换到特征向量基下:令 ( 的列是特征向量),则
变成 个独立的标量方程 ,解是 。翻译回去:。
工程含义: 描述的可能是电路网络、弹簧振子、化学反应、人口模型或经济系统。"解耦"意味着我们能说出"这个系统有几种独立的运动模式、每种模式以什么速率衰减或增长"——这是模态分析(modal analysis)的全部内容。最快增长的模式决定系统是否会失稳,最慢衰减的模式决定系统多久达到稳态。
8.2 数值算法:选基决定稳定性和速度
| 算法 | 选的是什么基 | 好处 |
|---|---|---|
| LU 分解 | 主元列(一般基) | 解方程 ,但需要选主元保证稳定 |
| QR 分解 | 正交基 | 数值稳定,正交变换不放大误差 |
| 特征分解 | 特征向量基 | 完全解耦,但要求特征向量足够多且不病态 |
| SVD | 左右各一组正交基 | 对任意矩阵都成立,最稳定 |
| FFT | 傅里叶基 | 卷积变乘法, |
共同点:都是"换一组基,让矩阵变简单"。"用哪组基"往往是算法设计的核心决策,而不是"怎么算"。详见 附录-矩阵分解总览。
8.3 数据科学:PCA 就是找一组"好基"
主成分分析(PCA)做的事,用本节的术语说就是:
- 计算数据的协方差矩阵 (对称半正定);
- 求 的特征向量基(即主成分方向);
- 换到这组基下,协方差矩阵变成对角矩阵,各分量互不相关;
- 只保留方差最大(特征值最大)的前几个方向,实现降维。
"不相关"就是"解耦":在新的坐标系里,各个坐标方向上的方差互相独立,因此可以放心地丢弃小方差方向而不损失主要信息。这完全是本节"找一组好基让矩阵变对角"的直接应用。见 7-3-主成分分析PCA 与 12-2-协方差矩阵。
8.4 图像压缩:换基让"重要信息"集中到少数分量
一幅图像的像素在像素基(每个像素一个维度)下,能量的分布很分散,几乎所有分量都差不多大,没法丢弃。
换到 DCT 基(JPEG)或 SVD 基后,能量集中到少数几个系数上,其余系数接近零,于是可以大幅压缩。Strang 在 18.06 第 31 讲中用"换基"讲图像压缩,正是这个道理。见 7-2-图像压缩与低秩逼近。
8.5 SVD 与谱分解的思想根源
本节的逻辑链条值得完整写一遍:
- 同一个变换,选同一组基做相似变换,最多只能化到 Jordan 形;
- 如果允许左右用两组不同的基(一组合适的输入基、一组合适的输出基),任意矩阵都能化到对角矩阵 ——这就是 SVD;
- 如果要求这两组基正交且矩阵对称,就得到谱分解 。
自由度越多,化简越彻底。 这就是 附录-矩阵分解总览 中所有分解的统一线索。
8.1 用 numpy 验证相似不变量
构造 并逐项核对不变量
本示例只需要 numpy:
```bash
pip install numpy
```
```python
import numpy as np
A = np.array([[4., 1.],
[2., 3.]]) # 可对角化
M = np.array([[1., 1.],
[0., 1.]]) # 可逆
B = np.linalg.inv(M) @ A @ M
print("B =\n", np.round(B, 6))
# B = [[2. 0.]
# [2. 5.]] —— 与 A 明显不同
print("A 与 B 是同一个矩阵 ?", np.allclose(A, B)) # False
# 相似不变量:逐一核对
print("特征值相同 ?", np.allclose(np.sort(np.linalg.eigvals(A)),
np.sort(np.linalg.eigvals(B)))) # True
print("迹相同 ?", np.isclose(np.trace(A), np.trace(B))) # True
print("行列式相同 ?", np.isclose(np.linalg.det(A), np.linalg.det(B))) # True
print("秩相同 ?", np.linalg.matrix_rank(A) == np.linalg.matrix_rank(B)) # True
print("特征多项式系数相同 ?", np.allclose(np.poly(A), np.poly(B))) # True
# 相似还保持"矩阵幂的相似":B^k = M^{-1} A^k M
k = 5
print(f"B^{k} = M^-1 A^{k} M ?",
np.allclose(np.linalg.matrix_power(B, k),
np.linalg.inv(M) @ np.linalg.matrix_power(A, k) @ M)) # True
```
这段代码验证了本篇的核心命题
与 是两个不同的矩阵(元素不同),但它们的特征值、迹、行列式、秩、特征多项式全部相同。
这不是巧合——它们描述的是同一个线性变换在两组不同基下的矩阵。
相似不变量就是"与坐标系无关"的那部分信息,而矩阵元素本身只是坐标系的产物。
九、易错点
易错点清单
1. 的列写成"旧基在新基下的坐标"。定义要求是新基在旧基下的坐标。方向反了一律会得到 而不是 (若 恰好是对合矩阵如 ,错误还会被掩盖,更危险)。
2. 坐标变换公式方向搞反。正确的是 (不是 )。
3. 写成 。正确顺序是 。检验方法:取 (新坐标为 ), 应给出 。用具体数字验一次比背公式可靠。
4. 以为"迹和行列式相同就相似"。它们只是必要条件。反例: 与 迹与行列式都相同,但不相似(一个可对角化一个不可)。
5. 把相似与相等混淆。相似矩阵几乎总是不相等,而且元素可以差得很远(例题 8.3.1 中 从 变成 )。
6. 忘记 必须可逆。若 不可逆,""根本无意义;若误用奇异矩阵,会得到"任何矩阵都相似于零矩阵"这类荒谬结论。
7. 认为"相似"可以跨不同阶数。相似必须同阶(都是 )。 与 之间只能谈"等价"(且需要同型 ),不能谈相似。
8. 在 上讨论 Jordan 形。实矩阵可能有复特征值(例如旋转矩阵),此时 Jordan 形需要扩到 。若要在实数域内保持,只能用实 Jordan 形(允许 的旋转块 出现在对角线上)。
9. 把"特征值相同"当成"相似"的充分条件。只有加上"都可对角化"才充分。例如 与 特征值都是 ,但前者可对角化、后者不可,不相似。
10. 算错重根的几何重数。,其中的 是矩阵的阶数而不是秩。写错这个数会直接导致对角化判断出错。
十、练习题
练习 8.3.1(基础) 设 ,新基为 。
(a) 求基变换矩阵 及其逆。
(b) 求 。
(c) 逐列验证: 的第 列应等于 在 下的坐标。
(d) 验证 、 与特征值在换基前后不变。
(e) 说明这组新基有什么特殊之处。
练习 8.3.2(基础) 判断下列各对矩阵是否相似,说明理由。
(a) ,。
(b) ,。
(c) ,。
(d) ,。
练习 8.3.3(进阶) 设 。
(a) 求 的全部特征值与特征向量。
(b) 求可逆矩阵 与对角矩阵 使 。
(c) 用对角化计算 。
(d) 解释为什么 可对角化,并说明 用到了哪个公式。
练习 8.3.4(进阶) 证明下列命题(可以引用本节的定理,但要写清引用的是哪一条)。
(a) 若 ,则 。
(b) 若 可逆且 ,则 可逆且 。
(c) 若 ,则对任意多项式 ,。
(d) 若 且 ,则 。
练习 8.3.5(思考) 设 。
(a) 求 的特征值与各特征值的代数重数、几何重数。
(b) 说明 为什么不可对角化。
(c) 写出 的 Jordan 标准形,并解释它为什么就是 自己(或与 相似的最简形式)。
(d) 求 ,并解释广义特征向量的概念。
(e) 举一个现实中"不可对角化"的例子(提示:考虑上一节的微分算子矩阵 )。
十一、常见问题 FAQ
Q1:相似和"换基"到底哪个是因、哪个是果?
"换基"是因,"相似"是果。 逻辑顺序是这样的:
- 先有一个客观的线性变换 (与任何坐标系无关);
- 我们选择一组基 来描述它,得到矩阵 ;
- 换另一组基 ,得到矩阵 ;
- 比较 与 ,发现它们满足 ——于是给这种关系起个名字叫相似。
所以"相似"是"同一变换的两种记账方式"这件事在矩阵层面的投影。反过来,如果只从代数上定义相似("存在可逆 使 "),定理 8.3.4 保证了这种关系总能被解释为"同一个变换的两组基矩阵"——这就是为什么相似关系值得单独研究:它不是一个人为的代数游戏,而是有几何内容的关系。
Q2:为什么迹在相似变换下不变,而单个矩阵元素会变?
因为单个元素没有几何意义。 的含义是" 在 方向上的分量"——它依赖于 选得多"斜"。换一组基, 变了, 当然变。
而 有几何意义:"各特征方向伸缩倍数之和",它由 自身决定。单个元素是"投影",和是"不变量"——这就是为什么线性代数里真正重要的量几乎都是某种"和"(迹)、"积"(行列式)或"极值"(特征值、奇异值),而不是某个具体位置上的数。
Q3:既然 Jordan 形能刻画相似,为什么数值上不用它?
因为 Jordan 形对扰动极端敏感。考虑
当 时它是不可对角化的 Jordan 块;当 (浮点误差量级)时特征值变成 与 ,立刻可对角化,Jordan 形从"一个 阶块"跳变成"两个 阶块"。这个变化是不连续的:输入的微小扰动导致输出的定性改变。
而特征值、奇异值、正交基是连续依赖于矩阵元素的(特征值对扰动的敏感度由条件数刻画)。所以数值线性代数选择:
- Schur 分解 ( 正交、 上三角):总存在、数值稳定,是求特征值的实际算法基础(QR 算法);
- SVD:最稳定,广泛应用;
- Jordan 形:只作理论工具,用于证明定理。
理论最优 ≠ 数值最优,这是数值线性代数反复出现的主题,见 11-1-数值稳定性与LU。
Q4:为什么说 SVD 是"相似"思想的延伸?它们差在哪?
共同点:都是"换基让矩阵变对角",都基于同一句话——好的坐标系让问题解耦。
差别在于允许的自由度:
| 相似 | SVD | |
|---|---|---|
| 适用对象 | 只有方阵 | 任意 矩阵 |
| 左右用的基 | 必须是"同一组基"的配对( 与 ) | 左右各用一组正交基( 与 ,互相独立) |
| 变换形式 | ,即 | |
| 结果 | Jordan 形 / 对角形(若可对角化) | 一定得到对角矩阵 |
| 对角元 | 特征值(可能是复数、可能带 Jordan 块) | 奇异值(非负实数,一定存在) |
为什么 SVD 一定能对角化而相似不能? 因为 SVD 的自由度更大: 与 可以独立选择(只要求都是正交矩阵)。相似变换把左右"绑"在一起(左乘 、右乘 ),少了一个自由度,就化不到那么干净。
一句话:相似是"换一个坐标系看方阵",SVD 是"换两个坐标系看任意矩阵"。自由度换来的化简能力,是贯穿整个矩阵分解理论的主线,见 附录-矩阵分解总览 与 7-1-SVD的构造与几何意义。
十二、国内讲法补充:线性变换的矩阵、相似理论与相似化简
这一节在补什么
本篇前面已经建立了相似的中心公式 与完整的相似不变量清单。这一节补三块国内教材(同济版第 5、6 章;陈维新《线性代数》第二版第 4 章)特有或讲法不同的内容:
1. 同一个变换在两组基下的矩阵关系的完整推导——把 、、 三者的关系从"坐标变换"这一个根源上一次性推出来(12.1 节);
2. 相似理论的国内讲法:相似的必要条件、相似为什么是"等价关系"、相似与对角化的关系、相似类怎么数(12.2 节);
3. 用相似化简矩阵:为什么"化简"是相似变换的核心用途,以及三类最典型的化简目标(12.3 节)。
然后配五道完整例题(12.4 节),其中两道是国内最经典的"含参数判断是否相似"题型。
12.1 同一个变换在两组基下的矩阵:完整推导
设定 是数域 上的 维线性空间, 是线性变换。 与 是 的两组基。记
即 的第 列是新基向量 在旧基下的坐标。我们要证 。
证明分四步,每一步都写清楚"用到了什么"。
第 1 步(用矩阵表示定理把 的作用翻译成坐标乘法)。
由矩阵表示定理(8-2-线性变换的矩阵表示 定理 8.2.9),对任意 :
用到了什么: 是线性的 基下表示唯一。与 的具体公式无关。
第 2 步(写出坐标变换公式:)。
设 ,即 。另一方面,每个 用旧基表示(这就是 的定义):
代入并交换求和次序:
这是 关于旧基的表示。由表示唯一性,第 个旧坐标就是括号里的数:
用到了什么: 是基 旧坐标唯一。这一步是整条推导的枢纽: 的作用是"把新坐标翻译成旧坐标"。
第 3 步(把这条公式用到 上)。
换成 ,(12.2) 照样成立:
再把 (12.1) 的两个式子代入,得到 的两种算法:
用到了什么:(12.1) 与 (12.2)。这两条是"同一件事的两种走法"——用交换图看最清楚:
两条路径都从左上角走到右下角:(i) 先向下()再向右(),给出 ;(ii) 先向右()再向下(),给出 。图是"交换"的,所以两条路径的结果必须相等——这正是 (12.3)。
第 4 步(比较矩阵)。 (12.3) 对一切 成立,即对一切坐标列 成立。
取 (即 ),得
让 遍历 ,比较全部 列:
最后要说明 可逆。理由有两条,任取一条:
- 理由一(几何): 是基,所以 线性无关。若 ,则 ,故 ,由无关性得 。所以 , 可逆。
- 理由二(对称):把整条推导把两组基的角色互换再做一遍,就得到另一个矩阵 使 。代入 (12.2) 得 ,故 。
于是 (12.4) 两边左乘 :
这条推导的三个"信息点"
1. 从始至终没有"改变":推导里 只出现在"它是线性的"这一点上。 与 是同一个 的两张账单。
2. 的方向由"列装什么"决定: 的列是新基的旧坐标,所以 是"新 旧"的翻译器。 里 在右边(先翻译)、 在左边(后翻译回来),与 (12.3) 的路径 (i) 完全一致。
3. 交换图是本篇最可靠的记忆工具:忘掉公式时,画出四个顶点(新旧坐标 变换前后)连上箭头,从左上绕一圈读数即可。注意图里两个竖直箭头都是 (同方向)——这一点常被记成"一个 一个 "而写错。
推论 12.1(相似类的几何含义) 设 。则
证明
()就是上面的推导。
()设 , 可逆。构造:取 、(标准基)、(即 的各列)。因为 可逆, 也是基。定义 ,则 ;而按上面的公式,。
这条推论回答了 FAQ 里的 Q1
"相似"不是一个人为的代数游戏,而是"同一个变换换一组基"的代数投影。 任何一个形如 的代数关系,都必然能找到几何解释。这就是为什么相似关系值得单独研究。
12.2 相似理论的国内讲法
12.2.1 相似的必要条件("快筛"清单)
国内教材把"必要不充分"的不变量整理成一张快筛表,用来快速排除不相似的矩阵对。
| 必要条件 | 式子 | 为什么 |
|---|---|---|
| 阶数相同 | 都是 | 相似的定义只对同阶方阵说 |
| 特征多项式相同 | 定理 8.3.5 | |
| 迹相同 | 推论 8.3.1(也由 直接得) | |
| 行列式相同 | 特征多项式取 | |
| 秩相同 | 定理 8.3.6 | |
| 特征值(含代数重数)相同 | 同特征多项式 | 推论 8.3.1 |
| 各特征值的几何重数相同 | 相同 | 定理 8.3.7 |
| 最小多项式相同 | 定理 8.3.9 | 相似的传递 |
| 可对角化性一致 | 定理 8.3.8 | 几何重数一致 |
| 各阶幂的秩相同 | 决定 Jordan 块分布 |
快筛表只能"排除",不能"确认"
前 9 行里任意一行不同 不相似(这是它的用途);但全部相同 相似——反例见 3.7 节的经典陷阱( 与 )。
只有最后一行(全部 的 相同) 才是充分必要的。这一点是本篇 3.7 节"步骤 3"的内容,也是 12.4 节例题 8.3.C 的核心工具。
12.2.2 相似是等价关系——"相似类"的图景
由定理 8.3.3,相似是等价关系(自反、对称、传递)。因此在全体 阶方阵上,相似把它划分成若干个不相交的等价类(相似类)。
关键结论:
相似类与 Jordan 标准形一一对应。 即
所以数相似类的个数 = 数可能的 Jordan 形个数。
例( 时的相似类) 所有 复矩阵按相似分成三大类,它们的 Jordan 形分别是
第一类(两个不同特征值):可对角化,相似类由无序对 决定。
第二类(重根但可对角化,即 ):只有一个矩阵!因为 与任何可逆 都交换:。它是自己一个类。
第三类(重根且不可对角化):由 决定( 阶 Jordan 块)。
数一数:若特征值取复数,第二类有 个(每个 一个),第三类也有 个,第一类有" 的无序对"那么多个。这说明相似类比矩阵少得多——同一个类里有无穷多个矩阵。这正是"相似化简"能有效的原因:我们只需要挑出每个类里最简单的那一个代表。
的相似类只有它自己——这条结论极端有用
因为 对一切可逆 成立(标量矩阵与一切都交换)。
直接推论:若 ,则 。也就是说,
这条常被用来快速否证。见 12.4 节例题 8.3.A 的第 ④ 问。
12.2.3 相似与对角化的关系
把"相似"与"对角化"的关系说清楚,是国内教材的一条主线。
对角化 = 在 的相似类中寻找对角矩阵。 找得到 可对角化;找不到 不可对角化。
具体对照:
| 可对角化 | 不可对角化 | |
|---|---|---|
| 相似类中最简单的矩阵 | 对角矩阵 | Jordan 形(含 Jordan 块) |
| 几何重数 vs 代数重数 | 每个特征值 | 至少有一个 |
| 最小多项式 | 无重根 | 有重根 |
| 特征向量够不够 | 有 个线性无关的特征向量 | 不够,需要广义特征向量 |
| 幂的算法 | (逐元素取幂) | ( 有组合数系数) |
定理 12.1(相似与对角化的关系) 设 ,则 可对角化 可对角化。
证明 这是定理 8.3.8,此处不重证。但请注意它的两种证法:
- 代数证法:把两个对角化拼起来( 即 );
- 几何证法: 特征值与几何重数全同 " 对一切 "这件事同时成立或同时不成立。
为什么"可对角化性"是相似不变量,但"是不是对角矩阵"不是
因为"存在一组由特征向量组成的基"是 的客观性质( 有没有"被保留的方向"),而"某个矩阵是不是对角矩阵"依赖你选了哪组基。
例: 不是对角矩阵,但它可对角化(旋转 的基让它变成 )。"可对角化"说的是"能不能变成对角",不是"现在是不是对角"。
12.2.4 相似的两个基本运算性质
定理 12.2(相似对幂、逆、多项式封闭) 设 。则对任意正整数 与任意多项式 :
- ;
- 若 可逆,则 可逆且 ;
- ;
- ,即 。
证明
1. 连乘 次:
相邻的 与 相遇就消掉(),只剩最左的 与最右的 :
(这一步用到矩阵乘法的结合律——它是唯一需要的工具。参见 2-3-用矩阵进行消元。)
2. 由 1 取 的思路:直接验证
同理 。故 ,即 。
3. 设 。由 1 与 2(以及 ):
(注意常数项要写成 ,才能与其余项合并。)
4. 两边取转置:
记 (可逆),则 ,即 。
这三条性质是"用相似化简"的全部技术基础
- 性质 1 与 3 说明:想算 或 ,先把它相似化简成好算的形式(对角形/Jordan 形),算完再变回来。这就是 12.3 节与例题 8.3.D 的核心思路。
- 性质 2 说明:可逆性也是相似不变量(这也由 不变直接得到)。
- 性质 4 是命题 8.3.1()的推广形式。
12.3 用相似化简矩阵:三类目标
"化简"是相似变换的核心用途。按"能化简到什么程度"排序,有三类目标。
目标一:对角形 (最理想)。
条件: 有 个线性无关的特征向量(等价地,每个特征值的几何重数等于代数重数)。
收获:、、稳定性一眼看出。这是 6-2-矩阵的对角化 的全部内容。
目标二:Jordan 形 (总能做到)。
条件:无(在复数域上任何方阵都能化到 Jordan 形)。
收获: 仍可显式计算( 的每个块有组合数公式)、能判定 是否幂零、能完全判定相似。代价:数值上极不稳定(见第六节 6.4)。
目标三:分块对角形(介于两者之间,常出现在具体问题里)。
当 可以按"不变子空间"切开时,换到合适的基就得到分块对角矩阵。最典型的例子是投影:
收获:不但算得快,而且几何含义一眼可见(保留哪部分、抹掉哪部分)。
一张"化简能力"对照表
| 允许的变换 | 能化简到 | 保留的不变量 | 典型例子 |
|---|---|---|---|
| (等价) | | 只有秩 | 消元 |
| (相合) | | 秩 惯性指数 | 二次型(6-5-二次型与标准形) |
| (相似) | Jordan 形 | 特征多项式、秩、Jordan 结构 | 本篇 |
| (正交相似, 对称) | | 特征值(且 正交) | 谱分解(6-4-对称矩阵与正定矩阵) |
| (左右各一组正交基) | (对角,总是存在) | 奇异值 | SVD(7-1-SVD的构造与几何意义) |
规律:允许的自由度越多,能化简到的形式越简单,保留的信息越少。
12.4 补充例题(完整解答,不跳步)
补充例题 8.3.A(手算:含参数判断相似 · 2 阶)
设
(1) 求 的特征值与特征向量;
(2) 求 的 Jordan 标准形,并写出把 化到该形式的可逆矩阵 ;
(3) 判断 取何值时 ,并写出此时的一个相似变换矩阵;
(4) 说明 时为什么不相似。
解
第 1 步(求 的特征多项式)。
展开第一项:。再加上 :
特征值:(代数重数 )。
第 2 步(求特征向量:解 )。
两行相同,方程组只有一个独立方程:,即 。所以
注意:(两行成比例),所以几何重数 。
结论:特征向量只有 个,不足以拼成 的基,故 不可对角化。
集合 就是这个特征值的全部特征向量(加上零向量)。
第 3 步(求 Jordan 标准形与化 Jordan 形的矩阵)。
由 、,Jordan 形是一个 的 Jordan 块:
构造 :Jordan 基需要"特征向量 广义特征向量"两条链。取特征向量 ,再解
写出方程:
取 得 。令
验证 :先算 :
再算 :
两者相等,即 ,故 。
第 4 步(用不变量判断 与 是否可能相似)。
先算 的特征多项式:
所以对一切 , 的特征值都是 (代数重数 ),特征多项式与 完全相同;迹都是 、行列式都是 、秩都是 。快筛表全部通过,必须看几何重数。
第 5 步(比较几何重数)
- 若 :,故 。与 的几何重数相同,且两者的 Jordan 形都是同一个 阶 Jordan 块,故 。
- 若 :,,故 。 可对角化,而 不可,由定理 8.3.8,。
所以: 时 ; 时不相似。
第 6 步(写出 时的相似变换矩阵)。
需要 满足 ,等价于 。
观察: 的特征向量(对应 )满足 ……直接解更清楚:。要它等于 ,需要 ,故 ,特征向量是 。
于是取 的第 1 列 = 的特征向量 、第 2 列 = 的特征向量 :
验证:计算 与 。
两者相等要求 且 ,即 。 所以这个 只对 有效。
对一般的 重新构造。 思路:让 的第 1 列还是 的特征向量 (这样 的第 1 列就是 ),第 2 列取成 的广义特征向量方向。设
的第 1 列 ,而 的第 1 列 ,由构造自动相等。
第 2 列要求 ,即
取 、,得
验证:
完全相等,故 ,即 。
第 7 步(回答第 (4) 问)。 时 (标量矩阵)。由 12.2.2 节的结论, 对一切可逆 成立,所以 的相似类只有它自己。而 ( 的 元是 ,不是 ),故 。另一种说法: 可对角化、 不可,由定理 8.3.8 不相似。
这道题的四条经验
1. 特征多项式相同只是必要条件。 本题中 取任何值时特征多项式都是 ,但只有 才相似。必须看几何重数。
2. " 的分界"来自 的跳变: 在 处从 跳到 ,几何重数随之从 跳到 。参数题的答案常常是一个不等式,不是单点。
3. 相似变换矩阵不唯一。 第 6 步给出了对一切 通用的 ;而更早构造的 只对 有效。"存在某个 "就够,不必找"最好的" 。
4. 构造 的通用手法:"解 目标向量"。第 6 步把""化归成"",一次解方程就得到 。这个手法对任何"要求 "的题目都适用。
补充例题 8.3.B(手算:含参数判断相似 · 3 阶,用秩序列)
设
(1) 求 的特征多项式(说明它与 无关);
(2) 求 的全体特征值与各特征值的代数重数;
(3) 求 与 ;
(4) 判断 与 是否相似,并说明理由;
(5) 写出把 化到 的相似变换矩阵。
解
第 1 步(求特征多项式):按第一行展开。
(用 作特征值变量,避免与参数 混淆):
这是一个上三角矩阵(对角元分别是 、、),上三角矩阵的行列式等于对角元之积:
关键观察: 完全没有出现在特征多项式里!所以 的全体特征值对一切 都相同。
第 2 步(读特征值)。 由
得 (代数重数 )与 (代数重数 )。
顺便验证迹与行列式(自检):
第 3 步(算秩)。
第 2 行全零;第 1 行与第 3 行不成比例(第 1 行第 2 列是 ,第 3 行第 2 列是 ;或者看第 3 列: 与 成比例要求 且同时第 2 列也成比例,但 与 不成比例)。所以两行线性无关:
于是 的几何重数
立刻得到: 对一切 都不可对角化。
再算 :
逐元素算(只有第 1、3 行非零):
- :;
- :;
- :;
- :全零;
- :;:。
这个矩阵的秩是多少? 非零元只有 与 。第 3 行是 ,非零,所以秩至少 。
- 若 :第 1 行 与第 3 行 成比例(比例 ),所以秩 。
- 若 :只有第 3 行非零,秩 。
两种情形下秩都是 :
(注意:。以 为例,,再乘一次得 。" 阶矩阵的幂零指数一定是 "是错的——本例中 作用在 特征子空间上是 阶幂零的,而 特征方向的贡献永远消不掉。这也从侧面印证了 的 Jordan 块是 阶(而不是 阶):幂零指数 该特征值的最大 Jordan 块阶数 ,另外那一维属于另一个特征值 。)
第 4 步(判断相似:比较 Weyr 特征)。
对 做同样的计算:
逐项比较:
| 量 | 相同? | ||
|---|---|---|---|
| 特征多项式 | |||
| 迹 | |||
| 行列式 | |||
由 3.7 节的判据(对每个 与每个 , 相同 相似), 对一切 成立。
几何解释:、 说明 对应的 Jordan 块分布是" 个 阶块"(Weyr 特征 ),与 完全一致。 本身就是 Jordan 形(一个 的 阶块 一个 的 阶块),所以 的 Jordan 形就是 自己。
注意: 是显然的( 时两者相同);本题的价值在于说明 取任何非零值也相似——即" 关于 的整族矩阵都在同一个相似类里"。
第 5 步(写相似变换矩阵)。
要 ,等价于 。
先试一个"最省事"的猜测(以及它为什么失败)。
与 只差 位置的 。最自然的猜测是取一个剪切型矩阵 ,用它去"抵消"这个 :
算 :
再算 :
要让 ,需要 ,即 。 这个 是存在的!取
等一下——方向要搞清楚。 由 得 ,即 。而我们要的是 。 两者形式不同:前者 与 的位置是反的。所以这个 给出的是 的另一种相似变换(由相似的对称性,两种说法等价),但为了让公式形式整齐,我们改用 :
验证:直接算 与 。
两者相等,即 ,故 。
避开分数:把第 3 列乘以 ,即取
同样的验证(这次全部是整数):
逐行算:
- 第 1 行:第 1 列 ;第 2 列 ;第 3 列 ;
- 第 2 行:;
- 第 3 行:。
完全相等,故
为什么"第 3 列要乘 "——一个可以推广的技巧
的第 3 列是 的特征向量 ,而 的 元是 。为了让 与 在 位置对上,必须让 的第 3 列第 3 个分量等于 的 元(也就是 )。
这是"用剪切构造相似变换"时的通用注意点:剪切只能改对角线之外的位置,对角线上那一列必须与目标矩阵的对角元对齐。 别忘了 的检查——,安全。
(推荐的通用做法:用链构造,见下面的"另解"。)
另解:用 Jordan 链构造 (更"正规"、更不容易错)
需要 ,其中 是 的 Jordan 形。由于 的 Jordan 块是 阶、 是 阶,取块的顺序为"先 块、后 块":
(所以 本身就是 的 Jordan 形,这与第 4 步的结论一致。)
构造 的第 1 列( 的特征向量):解 :
取 。
构造 的第 2 列(广义特征向量):解 :
取 。验证:。
构造 的第 3 列( 的特征向量):解 :
第 3 行全零;第 2 行给出 ;第 1 行给出 。取 (避免分数)得 :
验证:。
拼起来(与上面剪切法得到的 完全相同):
两条路径给出同一个 ,互相印证。
第 6 步(验证 )。
先算 :
逐行:
- 第 1 行:第 1 列 ;第 2 列 ;第 3 列 ;
- 第 2 行:;
- 第 3 行:。
再算 :
逐行:
- 第 1 行:第 1 列 ;第 2 列 ;第 3 列 第 1 行 与第 3 列 的内积 ;
- 第 2 行:;
- 第 3 行: 与三列的内积分别是 。
两者完全相等,即 ,故
结论:对一切 ,取
就有 ,直接验证了 。
这道题展示的"秩序列判据"为什么比不变量更强
本题中 与 的特征多项式、迹、行列式、秩全部相同(对一切 )。如果只看这些,你会得出"大概相似"的猜测,但无法证明。
关键是算 与 :
- 告诉我们几何重数 (不是一个 阶块加一个 阶块,而是一个 阶块);
- 告诉我们这个 阶块确实存在(若秩降到 就说明 而 ,矛盾)。
Weyr 特征 完全决定了 的 Jordan 块结构。 这就是 3.7 节"步骤 3"的可操作版本。
实用口诀:判断相似时,先把两个矩阵都化到 Jordan 形(或至少算出全部 )再比较。不变量只能"排除",不能"确认"。
构造相似变换矩阵时的三个常犯错误
1. "剪切"型矩阵随手取 ,忘了和目标的 元对齐。本题若取 ,算出来 的 元是 ,而 的 元是 ,看似没错;但换个剪切位置(例如切在 或 )就会立刻错位。通用原则:剪切只改对角线之外的位置,对角线那一列的最后一个分量必须与目标矩阵对应的对角元对齐(本题 的 元取 正是为此)。
2. 与 混为一谈。本题 与 并不相等( 的 元是 、 的是 ),相等的是 与 。 与 完全是两回事——前者才是相似的条件。
3. 忘记验证 可逆。本题 ;若取 (而不是 )会得到 ,照样可逆,只是带分数。先算行列式,再往下做,避免出现" 不可逆却以为找到了相似变换"的灾难。
这个"先猜一个剪切、发现不对、回头用链"的过程本身就是好素材
上面的推导刻意保留了一次失败的猜测(取 后方向搞对才成功),因为自学者最需要练的正是这个循环:
判断"不等"的时候不要慌——先问三个问题:(i) 方向对吗( 还是 )?(ii) 位置对齐了吗( 元)?(iii) 可逆吗?这三个问题能解决绝大多数"算不对"的情形。
补充例题 8.3.C(手算:用相似算 ,并验证 结果)
设
(1) 求 的特征值与特征向量,写出 ;
(2) 用相似变换计算 ;
(3) 用迹与行列式验证 与 相似;
(4) 解释为什么" 的列顺序"会影响 的对角元顺序,但不影响最终结果。
解
第 1 步(求特征多项式)。
展开:。再减去 :
特征值:、,互不相同(所以一定可对角化)。
第 2 步(求特征向量)。
对 :解 :
两行成比例(第 2 行 第 1 行),只有一个独立方程:,即 。取 。
验证:。
对 :解 :
两行相同,方程是 ,即 。取 得 ,即 。
验证:。
第 3 步(写出 与 )。
(对角元的顺序必须与 的列一一对应:、。)
求 :
由 公式(2-4-矩阵运算与逆矩阵):
自检:。
再验证 :先算 :
再算 :
两者相等,即 ,故 。
第 4 步(算 :用性质 1)。
由定理 12.2 的性质 1,。先算 (逐元素取幂):
先算 :
再右乘 :
逐元素算:
- :
- :
- :
- :
整除性自检(每个元素都必须被 整除):
四个全部整除。
第 5 步(验证相似不变量)。
迹:,。
行列式:,。
特征多项式:;。完全相同。
第 6 步(回答第 (4) 问)。
如果把 的两列交换,得到 ,相应地 (对角元顺序跟着换)。此时仍有 。
为什么最终结果一样:因为
两个表达式只是把同一个求和的各项重新排列了。具体地, 只是把对角元 与 换了位置,而 的两列也同步换了位置,"换列 + 换对角元"的效果互相抵消。
一句话: 有无穷多个选择(特征向量可以任意缩放、同一特征值内可以任意线性组合、列的排列可以任意调整),但 只有一个值。这正是"相似不变量"的含义——它是 的属性,不是你选基的产物。
这道题的三条经验
1. ""类题目的标准解法永远是"先对角化,再取幂": 把" 次矩阵乘法"降成"两次取幂"。 越大收益越大。
2. 整除性自检:用分数形式( 带分母)算出的矩阵,分母必须能约掉。除不尽就是算错了。
3. 不变量自检只花几秒钟:、、特征多项式三项对上了,基本可以确信 、 都没错。
补充例题 8.3.D(证明题:相似的传递与"多项式相似")
设 都是 阶方阵。
(1) 证明:若 ,则对任意多项式 有 ;
(2) 由此证明:若 且 ,则 ;
(3) 反过来判断:"若 且 ,则 "是否成立?说明理由。
证明 (1)
第 1 步(写出相似关系)。 由 ,存在可逆矩阵 使
第 2 步(先证幂的相似)。 对任意正整数 ,归纳证明 。
- :就是已知的 。
- 设 ,则
(唯一用到的是结合律与 。)归纳完成。
第 3 步(推广到多项式)。 设 。则
把第 2 步的结论逐项代入,并注意 :
每一项都有公共的 (左)与 (右),提取出来:
由于 可逆,这就是 。
证明 (2)
第 4 步(取 )。 这是多项式,由 (1) 得
第 5 步(代入已知条件)。 由 得 。于是
(另一条更短的证明) 由 (1) 直接取 :,而 ,相似关系保持零矩阵(),故 ,即 。
回答 (3)
第 6 步(结论:不成立)。 需要构造反例。
取
验证两个条件:
但 :因为 而 ,迹不相等(必要条件不满足)。
(也可以看特征值: 的特征值是 ; 的特征值是 。不同,故不相似。)
所以命题的逆不成立。
这道题的关键收获
1. 相似关系对多项式运算是"封闭"的:。这条性质是"相似化简"能处理一切多项式问题的原因(比如算 ,可以先化简 再算)。
2. 相似保持"矩阵方程"的解:本题 (2) 说明 这条关系会被"搬"到 上。同理,、、(这条不成立!见下)等关系也会被搬过去。
3. 但反过来不成立:条件相同不代表相似。判断相似必须成套地比较不变量(特征多项式 + 几何重数 / Jordan 形),不能只看一条。
> [!warning] 注意:相似不保持对称性
> 若 对称、,则 一般不对称(因为 )。
>
> 保持对称性需要 是正交矩阵(此时 ,相似与相合同时成立)——这正是 6-4-对称矩阵与正定矩阵 里"实对称矩阵可以正交对角化"的内容。"相似但不保持对称"是与"正交相似"的分水岭。
补充例题 8.3.E(numpy 数值验证题:相似不变量总表与 双路径核对)
本示例只需要 numpy:
```bash
pip install numpy
```
```python
import numpy as np
np.set_printoptions(precision=6, suppress=True)
# ============ (1) 构造一个与 A 相似但长得完全不同的矩阵 ============
A = np.array([[1.0, 4.0],
[3.0, 2.0]])
M = np.array([[1.0, 1.0],
[0.0, 1.0]]) # 可逆的"剪切"矩阵
B = np.linalg.inv(M) @ A @ M
print("A =\n", A)
print("B = M^-1 A M =\n", B)
print("A 与 B 相等 ?", np.allclose(A, B)) # False(元素明显不同)
# ============ (2) 逐项核对相似不变量 ============
for name, X in [("A", A), ("B", B)]:
print(f"{name}: tr={np.trace(X):.10g} det={np.linalg.det(X):.10g} "
f"rank={np.linalg.matrix_rank(X)}")
print(f" 特征多项式系数 = {np.round(np.poly(X), 10)}")
print(f" 特征值(已排序) = {np.round(np.sort(np.linalg.eigvals(X)), 10)}")
print("特征值集合相同 ?", np.allclose(np.sort(np.linalg.eigvals(A)),
np.sort(np.linalg.eigvals(B)))) # True
print("特征多项式相同 ?", np.allclose(np.poly(A), np.poly(B))) # True
print("迹相同 ?", np.isclose(np.trace(A), np.trace(B))) # True
print("行列式相同 ?", np.isclose(np.linalg.det(A), np.linalg.det(B))) # True
print("秩相同 ?", np.linalg.matrix_rank(A) == np.linalg.matrix_rank(B)) # True
# ============ (3) 用两条独立路径算 A^10 ============
k = 10
direct = np.linalg.matrix_power(A, k)
viaB = M @ np.linalg.matrix_power(B, k) @ np.linalg.inv(M)
print("\nA^10(直接连乘) =\n", direct)
print("M B^10 M^-1 =\n", viaB)
print("两条路径一致 ?", np.allclose(direct, viaB)) # True
# ============ (4) A^10 的整数公式核对 ============
# 特征值 5 与 -2;A^10 = S diag(5^10, (-2)^10) S^-1
S = np.array([[1.0, 4.0],
[1.0, -3.0]])
L10 = np.diag([5.010, (-2.0)10])
print("S^-1 A S =\n", np.linalg.inv(S) @ A @ S) # diag(5, -2)
print("5^10 =", 510, " (-2)^10 =", (-2)10)
formula = S @ L10 @ np.linalg.inv(S)
print("S L^10 S^-1 =\n", formula)
print("与直接连乘一致 ?", np.allclose(formula, direct)) # True
# ============ (5) 反例:不变量全同却不相似 ============
I2 = np.eye(2)
J2 = np.array([[1.0, 1.0],
[0.0, 1.0]])
print("\n--- 反例:I2 与 J2 ---")
for name, X in [("I2", I2), ("J2", J2)]:
print(f"{name}: tr={np.trace(X):.10g} det={np.linalg.det(X):.10g} "
f"rank={np.linalg.matrix_rank(X)} poly={np.round(np.poly(X), 10)}")
# 两者的 tr、det、rank、特征多项式全部相同!
print("rank(I2 - I) =", np.linalg.matrix_rank(I2 - I2),
" -> 几何重数 g(1) =", 2 - np.linalg.matrix_rank(I2 - I2)) # 0 -> 2
print("rank(J2 - I) =", np.linalg.matrix_rank(J2 - I2),
" -> 几何重数 g(1) =", 2 - np.linalg.matrix_rank(J2 - I2)) # 1 -> 1
# ============ (6) 参数族:C(t) 在 t 取何值时与 J2 相似 ============
print("\n--- 参数族 C(t) = [[1, t], [0, 1]] ---")
for t in [1.0, 2.0, 0.0]:
Ct = np.array([[1.0, t], [0.0, 1.0]])
r = np.linalg.matrix_rank(Ct - np.eye(2))
print(f"t={t}: poly={np.round(np.poly(Ct), 6)} rank(C-I)={r} "
f"几何重数={2 - r}")
# t != 0 时 rank(C-I)=1、几何重数 1,与 J2 同构;t = 0 时 C = I2,几何重数 2
```
运行输出(本机实际运行结果):
```text
A =
[[1. 4.]
[3. 2.]]
B = M^-1 A M =
[[-2. 0.]
[ 3. 5.]]
A 与 B 相等 ? False
A: tr=3 det=-10 rank=2
特征多项式系数 = [ 1. -3. -10.]
特征值(已排序) = [-2. 5.]
B: tr=3 det=-10 rank=2
特征多项式系数 = [ 1. -3. -10.]
特征值(已排序) = [-2. 5.]
特征值集合相同 ? True
特征多项式相同 ? True
迹相同 ? True
行列式相同 ? True
秩相同 ? True
A^10(直接连乘) =
[[4185853. 5579772.]
[4184829. 5580796.]]
M B^10 M^-1 =
[[4185853. 5579772.]
[4184829. 5580796.]]
两条路径一致 ? True
S^-1 A S =
[[ 5. -0.]
[-0. -2.]]
5^10 = 9765625 (-2)^10 = 1024
S L^10 S^-1 =
[[4185853. 5579772.]
[4184829. 5580796.]]
与直接连乘一致 ? True
--- 反例:I2 与 J2 ---
I2: tr=2 det=1 rank=2 poly=[ 1. -2. 1.]
J2: tr=2 det=1 rank=2 poly=[ 1. -2. 1.]
rank(I2 - I) = 0 -> 几何重数 g(1) = 2
rank(J2 - I) = 1 -> 几何重数 g(1) = 1
--- 参数族 C(t) = [[1, t], [0, 1]] ---
t=1.0: poly=[ 1. -2. 1.] rank(C-I)=1 几何重数=1
t=2.0: poly=[ 1. -2. 1.] rank(C-I)=1 几何重数=1
t=0.0: poly=[ 1. -2. 1.] rank(C-I)=0 几何重数=2
```
怎么读这段输出:
- (1)–(2) 段是本篇的核心命题的数值证据: 与 的元素完全不同( 的 是 、 是 ,而 的是 和 ),但迹、行列式、秩、特征多项式、特征值全部相同。这不是巧合——它们描述同一个线性变换在两组不同基下的矩阵。
- (3) 段是"用相似算幂"的数值验证: 应当是零(浮点意义下)。注意 的形式比 更适合手算( 有零元素),这就是"选基让计算变简单"的具体收益。
- (4) 段把 的整数公式()与直接连乘比对,两者一致。手算时这个公式是唯一可行的路径(没人愿意把 连乘 次)。
- (5) 段给出最重要的反例: 与 的 、、、特征多项式全部相同,但几何重数一个是 、一个是 ,所以不相似。这一行输出(
-> 几何重数 g(1) = 2对= 1)是本篇最值得记住的对比。- (6) 段把同一件事做成了"参数族"的形式: 的特征多项式恒为 ,但 时几何重数是 (与 相似), 时是 (,不相似)。"参数题的答案是一个不等式"在这里一目了然。
- 这一节反复用到的
np.linalg.matrix_rank基于 SVD 的阈值判定,能自动处理浮点误差导致的"近似零"(见 11-2-范数与条件数)。不要用(X == 0).all()判零——浮点运算几乎不会给出精确零。
本篇小结
十四句核心结论
1. 基变换矩阵: 的列 = 新基向量在旧基下的坐标。方向搞反是最常见的错误。
2. 坐标变换:,。
3. 相似的定义:存在可逆 使 ,记作 。
4. 相似的几何本质:同一个线性变换在两组基下的矩阵。 没变,只是"记账方式"变了。
5. 相似是等价关系(自反、对称、传递),把全体 阶方阵划分成相似类。
6. 相似类与 Jordan 形一一对应: 两者的 Jordan 形相同(不计块序)。
7. 相似不变量:特征多项式、特征值(含代数重数)、迹、行列式、秩、几何重数、最小多项式、可对角化性。
8. 相似对运算封闭:、、、。
9. 对角化 = 在相似类里找对角矩阵。找得到 每个特征值的几何重数 代数重数。
10. 判别流程:先用不变量排除,再用几何重数 / 秩序列(或 Jordan 形)确认。
11. 充分必要条件: 对每个特征值 与每个 ,。
12. 的相似类只有它自己:。
13. 三种"化简"关系的自由度:等价(左右独立)保秩;相合保惯性指数;相似保 Jordan 形。自由度越大,化简越彻底,保留越少。
14. Jordan 形理论完美但数值不可靠,实际计算用 Schur 分解或 SVD。
易混概念对照表(本篇)
| 容易混淆的一对 | 区别在哪 | 一句话记住 |
|---|---|---|
| 相似 vs 相等 | 相似是"同一个 不同基",相等是"同一个 同一基" | 相似矩阵几乎总是不相等 |
| 相似 vs 相合(合同) | 相似用 ,相合用 | 正交 时两者重合 |
| 相似 vs 等价 | 等价左右可用不同矩阵,只保秩 | 相似要求左右配对 |
| 的方向 | 列是新基的旧坐标 | 记反就得到 |
| vs | 前者对,后者错 | 画交换图,从左上绕一圈读数 |
| 必要条件 vs 充分条件 | 不变量相同是必要,秩序列相同才充分 | 不变量只能排除,不能确认 |
| 特征值相同 vs 相似 | 只加"都可对角化"才充分 | 与 是反例 |
| 可对角化 vs 是对角矩阵 | 前者是"能变成",后者是"现在就是" | 可对角化但不是对角矩阵 |
| 代数重数 vs 几何重数 | 前者看特征多项式,后者看 | 恒有 |
| 特征向量 vs 广义特征向量 | 后者满足 | 不够用时才需要 |
| 最小多项式 vs 特征多项式 | 前者是"使 的最低次首一多项式" | 可对角化 最小多项式无重根 |
| 迹 vs 行列式 | 前者 ,后者 | 都是相似不变量 |
| 几何重数公式里的 | 是矩阵阶数,不是秩 | |
| 正交相似 vs 一般相似 | 前者要求 正交() | 正交相似保持对称性,一般相似不保持 |
| Schur 分解 vs Jordan 形 | 前者数值稳定( 正交),后者理论完美但敏感 | 数值计算用 Schur |
相关笔记
- 8-2-线性变换的矩阵表示:上一节。 的第 列 的坐标,以及 的初步推导。
本篇的用法:本节 12.1 节把 从"坐标变换"这一个根源完整推了一遍(含交换图与 可逆性的两种证法),补上了上一节一笔带过的那一步。
- 8-1-线性变换的思想:线性性的两条要求、五大几何变换、" 由基上的像完全决定"。
本篇的用法:本节 12.1 节的推导反复引用" 线性 基下表示唯一",这正是上一节的核心定理。
- 6-2-矩阵的对角化: 是本篇 的最重要特例;可对角化条件的完整讨论。
本篇的用法:本节 12.2.3 节把"对角化"重新解释为"在相似类中寻找对角矩阵",并用例题 8.3.C 演示了 的完整计算。
- 6-4-对称矩阵与正定矩阵:——正交相似让相似与相合同时成立。
本篇的用法:本节 12.2.4 节的警告框指出"相似一般不保持对称性",能保持的正是正交相似,也就是这一篇的内容。
- 6-5-二次型与标准形:相合(合同)变换与惯性定理,与相似的对比。
本篇的用法:本节 12.3 节的"化简能力对照表"把等价、相合、相似、正交相似、SVD 五种变换并列对比,这一篇是"相合"那一行的详细内容。
- 附录-矩阵分解总览:、、、 的统一对比,本篇结论的延伸。
- 7-1-SVD的构造与几何意义:左右各用一组正交基,"换基"思想的极致形态。
- 2-4-矩阵运算与逆矩阵:本节例题用到的 求逆公式,以及""这条推论。
- 10-5-图形学与密码学:坐标系变换在渲染管线中的实际使用。
- 00-索引:全库导航。
参考来源
- Gilbert Strang, Introduction to Linear Algebra, 5th ed., Wellesley-Cambridge Press, 2016:第 8 章「Linear Transformations」,特别是 "Change of basis" 与 "Similar matrices" 两节;第 6 章关于相似与对角化的对照内容。
- MIT OpenCourseWare 18.06 Linear Algebra, Spring 2010,Lecture 31: Change of basis; image compression:Strang 关于"换基让矩阵变简单"与图像压缩的课堂讲解。
- MIT OpenCourseWare 18.06 课程主页:<https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/>
- Gilbert Strang, Introduction to Linear Algebra 官方配套站点:<https://math.mit.edu/~gs/linearalgebra/>
- Weisstein, Eric W. "Similar Matrices." MathWorld:<https://mathworld.wolfram.com/SimilarMatrices.html>( 的定义、"相似矩阵在同时更换定义域与陪域基之后表示同一个线性变换"这一论断,以及 幂零矩阵相似的例子)。
- NumPy 官方文档
numpy.linalg.eig:<https://numpy.org/doc/stable/reference/generated/numpy.linalg.eig.html>(特征值与特征向量的数值计算、相似变换下的对角化验证、浮点扰动导致的特征值合并现象)。 - 同济大学数学系《线性代数》(第七版),高等教育出版社:第 4 章第 3 节「基变换与坐标变换」、第 5 章第 2 节「相似矩阵」、第 6 章第 2 节「相似矩阵与矩阵可对角化的条件」、第 6 章第 4 节「 Jordan 形简介」(选学)。