w wyl123ly 的博客
MD

8-3-相似矩阵与基变换

127 KB 2026.10.11 原文件

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:

  1. 自反性:(取 );
  2. 对称性:若 ,则 (由 得 );
  3. 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)

  1. 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)。
  2. 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:

  1. 阶数相同?
  2. 特征多项式相同?(比较 、、以及全部特征值)
  3. 秩相同?
  4. 可对角化性一致?
  5. 若都不可对角化,比较每个特征值的几何重数 。
  6. 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:

  1. 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。
  2. 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。
  3. 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:

  1. 计算数据的协方差矩阵 (对称半正定);
  2. 求 的特征向量基(即主成分方向);
  3. 换到这组基下,协方差矩阵变成对角矩阵,各分量互不相关;
  4. 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:

  1. 同一个变换,选同一组基做相似变换,最多只能化到 Jordan 形;
  2. 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;
  3. 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:

  1. 先有一个客观的线性变换 (与任何坐标系无关);
  2. 我们选择一组基 来描述它,得到矩阵 ;
  3. 换另一组基 ,得到矩阵 ;
  4. 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 :

  1. ;
  2. 若 可逆,则 可逆且 ;
  3. ;
  4. ,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)。