方阵与对角矩阵的相似性是线性代数中的一个重要概念，它揭示了矩阵在某种变换下的本质特征。通过理解这一概念，我们可以更好地处理矩阵运算，特别是在求解线性方程组、特征值和特征向量等方面。本文将通过例题详解，帮助读者掌握相似矩阵的关键技巧。
相似矩阵的定义
首先，我们明确一下相似矩阵的定义。如果存在一个可逆矩阵 ( P )，使得 ( P^{-1}AP = B )，则称矩阵 ( A ) 与矩阵 ( B ) 相似。这里，( A ) 和 ( B ) 是方阵，( P ) 是可逆矩阵。
对角矩阵的性质
对角矩阵是一种特殊的方阵，其中除了主对角线上的元素外，其他元素均为零。对角矩阵具有以下性质：
- 特征值等于对角线上的元素：对角矩阵的特征值就是其对角线上的元素。
- 相似对角矩阵具有相同的特征值：如果两个对角矩阵相似，则它们的特征值相同。
相似矩阵的判定
要判断两个方阵是否相似，我们可以使用以下方法：
- 特征值法：如果两个方阵具有相同的特征值，则它们可能相似。
- 相似对角化法：如果两个方阵都可以相似对角化，并且对角矩阵相同，则它们相似。
例题详解
例题1
已知矩阵 ( A = \begin{pmatrix} 2 & 1 \ 1 & 2 \end{pmatrix} )，判断 ( A ) 是否可以相似对角化。
解答：
首先，我们求 ( A ) 的特征值。设 ( \lambda ) 为 ( A ) 的特征值，则：
[ \det(A - \lambda I) = \det \begin{pmatrix} 2 - \lambda & 1 \ 1 & 2 - \lambda \end{pmatrix} = (2 - \lambda)^2 - 1 = \lambda^2 - 4\lambda + 3 = 0 ]
解得 ( \lambda_1 = 1 )，( \lambda_2 = 3 )。
接下来，我们求 ( A ) 的特征向量。以 ( \lambda_1 = 1 ) 为例，解方程组：
[ (A - \lambda_1 I)x = 0 ]
[ \begin{pmatrix} 1 & 1 \ 1 & 1 \end{pmatrix} \begin{pmatrix} x_1 \ x_2 \end{pmatrix} = \begin{pmatrix} 0 \ 0 \end{pmatrix} ]
解得 ( x_1 = -x_2 )，取 ( x_2 = 1 )，则特征向量为 ( \begin{pmatrix} -1 \ 1 \end{pmatrix} )。
同理，以 ( \lambda_2 = 3 ) 为例，求得特征向量为 ( \begin{pmatrix} 1 \ 1 \end{pmatrix} )。
由于 ( A ) 有两个线性无关的特征向量，因此 ( A ) 可以相似对角化。
例题2
已知矩阵 ( B = \begin{pmatrix} 1 & 2 \ 3 & 4 \end{pmatrix} )，判断 ( B ) 是否可以相似对角化。
解答：
首先，我们求 ( B ) 的特征值。设 ( \lambda ) 为 ( B ) 的特征值，则：
[ \det(B - \lambda I) = \det \begin{pmatrix} 1 - \lambda & 2 \ 3 & 4 - \lambda \end{pmatrix} = (1 - \lambda)(4 - \lambda) - 6 = \lambda^2 - 5\lambda - 2 = 0 ]
解得 ( \lambda_1 = -1 )，( \lambda_2 = 6 )。
接下来，我们求 ( B ) 的特征向量。以 ( \lambda_1 = -1 ) 为例，解方程组：
[ (B - \lambda_1 I)x = 0 ]
[ \begin{pmatrix} 2 & 2 \ 3 & 5 \end{pmatrix} \begin{pmatrix} x_1 \ x_2 \end{pmatrix} = \begin{pmatrix} 0 \ 0 \end{pmatrix} ]
解得 ( x_1 = -x_2 )，取 ( x_2 = 1 )，则特征向量为 ( \begin{pmatrix} -1 \ 1 \end{pmatrix} )。
同理，以 ( \lambda_2 = 6 ) 为例，求得特征向量为 ( \begin{pmatrix} 1 \ 1 \end{pmatrix} )。
由于 ( B ) 有两个线性无关的特征向量，因此 ( B ) 可以相似对角化。
总结
通过以上例题，我们可以看到，判断一个方阵是否可以相似对角化，关键在于求出其特征值和特征向量。如果方阵有 ( n ) 个线性无关的特征向量，则它可以相似对角化。在实际应用中，相似矩阵的判定和求解可以帮助我们更好地处理线性代数问题。