在本讲的开始，先接着上一讲来继续说一说正定矩阵。

• 正定矩阵的逆矩阵有什么性质？我们将正定矩阵分解为$A=S\mathrm{\Lambda }{S}^{-1}$，引入其逆矩阵$A^{-1}=S{\mathrm{\Lambda }}^{-1}{S}^{-1}$，我们知道正定矩阵的特征值均为正值，所以其逆矩阵的特征值也必为正值（即原矩阵特征值的倒数）所以，正定矩阵的逆矩阵也是正定的。

• 如果$A,B$均为正定矩阵，那么$A+B$呢？我们可以从判定$x^T(A+B)x$入手，根据条件有$x^{T}Ax>0,x^{T}Bx>0$，将两式相加即得到$x^T(A+B)x>0$。所以正定矩阵之和也是正定矩阵。

• 再来看有$m\times n$矩阵$A$，则$A^{T}A$具有什么性质？我们在投影部分经常使用$A^{T}A$，这个运算会得到一个对称矩阵，这个形式的运算用数字打比方就像是一个平方，用向量打比方就像是向量的长度平方，而对于矩阵，有$A^{T}A$正定：在式子两边分别乘向量及其转置得到$x^T{A}^{T}Ax$，分组得到$(Ax{)}^T(Ax)$，相当于得到了向量$Ax$的长度平方，则$|Ax{|}^2\ge 0$。要保证模不为零，则需要$Ax$的零空间中仅有零向量，即$A$的各列线性无关（$rank(A)=n$）即可保证$|Ax{|}^2>0$，$A^{T}A$正定。

• 另外，在矩阵数值计算中，正定矩阵消元不需要进行“行交换”操作，也不必担心主元过小或为零，正定矩阵具有良好的计算性质。

接下来进入本讲的正题。

相似矩阵

先列出定义：矩阵$A,B$对于某矩阵$M$满足$B=M^{-1}AM$时，成$A,B$互为相似矩阵。

对于在对角化一讲（第二十二讲）中学过的式子$S^{-1}AS=\mathrm{\Lambda }$，则有$A$相似于$\mathrm{\Lambda }$。

• 举个例子，$A=\left[\begin{array}{cc}2& 1\\ 1& 2\end{array}\right]$，容易通过其特征值得到相应的对角矩阵$\mathrm{\Lambda }=\left[\begin{array}{cc}3& 0\\ 0& 1\end{array}\right]$，取$M=\left[\begin{array}{cc}1& 4\\ 0& 1\end{array}\right]$，则$B=M^{-1}AM=\left[\begin{array}{cc}1& -4\\ 0& 1\end{array}\right]\left[\begin{array}{cc}2& 1\\ 1& 2\end{array}\right]\left[\begin{array}{cc}1& 4\\ 0& 1\end{array}\right]=\left[\begin{array}{cc}-2& -15\\ 1& 6\end{array}\right]$。

  我们来计算这几个矩阵的的特征值（利用迹与行列式的性质），${\lambda }_{\mathrm{\Lambda }}=3,1$、${\lambda }_A=3,1$、${\lambda }_B=3,1$。

所以，相似矩阵有相同的特征值。

• 继续上面的例子，特征值为$3,1$的这一族矩阵都是相似矩阵，如$\left[\begin{array}{cc}3& 7\\ 0& 1\end{array}\right]$、$\left[\begin{array}{cc}1& 7\\ 0& 3\end{array}\right]$，其中最特殊的就是$\mathrm{\Lambda }$。

现在我们来证明这个性质，有$Ax=\lambda x,B=M^{-1}AM$，第一个式子化为$AM{M}^{-1}x=\lambda x$，接着两边同时左乘$M^{-1}$得$M^{-1}AM{M}^{-1}x=\lambda M^{-1}x$，进行适当的分组得$\left(M^{-1}AM\right)M^{-1}x=\lambda M^{-1}x$即$B{M}^{-1}x=\lambda M^{-1}x$。

$B{M}^{-1}=\lambda M^{-1}x$可以解读成矩阵$B$与向量$M^{-1}x$之积等于$\lambda$与向量$M^{-1}x$之积，也就是$B$的仍为$\lambda$，而特征向量变为$M^{-1}x$。

以上就是我们得到的一族特征值为$3,1$的矩阵，它们具有相同的特征值。接下来看特征值重复时的情形。

• 特征值重复可能会导致特征向量短缺，来看一个例子，设${\lambda }_1={\lambda }_2=4$，写出具有这种特征值的矩阵中的两个$\left[\begin{array}{cc}4& 0\\ 0& 4\end{array}\right]$，$\left[\begin{array}{cc}4& 1\\ 0& 4\end{array}\right]$。其实，具有这种特征值的矩阵可以分为两族，第一族仅有一个矩阵$\left[\begin{array}{cc}4& 0\\ 0& 4\end{array}\right]$，它只与自己相似（因为$M^{-1}\left[\begin{array}{cc}4& 0\\ 0& 4\end{array}\right]M=4M^{-1}IM=4I=\left[\begin{array}{cc}4& 0\\ 0& 4\end{array}\right]$，所以无论$M$如何取值该对角矩阵都只与自己相似）；另一族就是剩下的诸如$\left[\begin{array}{cc}4& 1\\ 0& 4\end{array}\right]$的矩阵，它们都是相似的。在这个“大家族”中，$\left[\begin{array}{cc}4& 1\\ 0& 4\end{array}\right]$是“最好”的一个矩阵，称为若尔当形。

若尔当形在过去是线性代数的核心知识，但现在不是了（现在是下一讲的奇异值分解），因为它并不容易计算。

• 继续上面的例子，我们在在出几个这一族的矩阵$\left[\begin{array}{cc}4& 1\\ 0& 4\end{array}\right],\left[\begin{array}{cc}5& 1\\ -1& 3\end{array}\right],\left[\begin{array}{cc}4& 0\\ 17& 4\end{array}\right]$，我们总是可以构造出一个满足$trace(A)=8,detA=16$的矩阵，这个矩阵总是在这一个“家族”中。

若尔当形

再来看一个更加“糟糕”的矩阵：

• 矩阵$\left[\begin{array}{cccc}0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$，其特征值为四个零。很明显矩阵的秩为$2$，所以其零空间的维数为$4-2=2$，即该矩阵有两个特征向量。可以发现该矩阵在主对角线的上方有两个$1$，在对角线上每增加一个$1$，特征向量个个数就减少一个。

• 令一个例子，$\left[\begin{array}{cccc}0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 1\\ 0& 0& 0& 0\end{array}\right]$，从特征向量的数目看来这两个矩阵是相似的，其实不然。

  若尔当认为第一个矩阵是由一个$3\times 3$的块与一个$1\times 1$的块组成的 $\left[\begin{array}{cccc}0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 1\\ 0& 0& 0& 0\end{array}\right]$，而第二个矩阵是由两个$2\times 2$矩阵组成的$\left[\begin{array}{cccc}0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 1\\ 0& 0& 0& 0\end{array}\right]$，这些分块被称为若尔当块。

若尔当块的定义型为$J_i=\left[\begin{array}{ccccc}{\lambda }_i& 1& & \cdots & \\ & {\lambda }_i& 1& \cdots & \\ & & {\lambda }_i& \cdots & \\ ⋮& ⋮& ⋮& \ddots & \\ & & & & {\lambda }_i\end{array}\right]$，它的对角线上只为同一个数，仅有一个特征向量。

所有有，每一个矩阵$A$都相似于一个若尔当矩阵，型为$J=\left[\begin{array}{cccc}{J}_1& & & \\ & J_2& & \\ & & \ddots & \\ & & & J_d\end{array}\right]$。注意，对角线上方还有$1$。若尔当块的个数即为矩阵特征值的个数。

在矩阵为“好矩阵”的情况下，$n$阶矩阵将有$n$个不同的特征值，那么它可以对角化，所以它的若尔当矩阵就是$\mathrm{\Lambda }$，共$n$个特征向量，有$n$个若尔当块。