1 矩阵相关概念
1.1 伴随矩阵
设n阶方程
A
=
[
a
1
1
a
1
2
.
.
.
a
1
n
a
2
1
a
2
2
.
.
.
a
2
n
.
.
.
a
n
1
a
n
2
.
.
.
a
n
n
]
A= \left[\begin{matrix} a_1{_1} & a_1{_2} &...& a_1{_n}\\ a_2{_1} & a_2{_2} &...& a_2{_n}\\ ...\\ a_n{_1} & a_n{_2} &...& a_n{_n} \end{matrix}\right]
A=⎣
⎡a11a21...an1a12a22an2.........a1na2nann⎦
⎤
由方阵A中元素
a
i
j
a_i{_j}
aij的代数余子式
A
i
j
(
i
=
1
,
2
,
.
.
.
n
;
j
=
1
,
2
,
.
.
.
n
)
A_i{_j}(i=1,2,...n; j=1,2,...n)
Aij(i=1,2,...n;j=1,2,...n)
按转置方式排列的n阶方程,称为方阵A的伴随矩阵,记作
A
∗
=
[
A
1
1
A
2
1
.
.
.
A
n
1
A
1
2
A
2
2
.
.
.
A
n
2
.
.
.
A
1
n
A
2
n
.
.
.
A
n
n
]
A^*= \left[\begin{matrix} A_1{_1} & A_2{_1} &...& A_n{_1}\\ A_1{_2} & A_2{_2} &...& A_n{_2}\\ ...\\ A_1{_n} & A_2{_n} &...& A_n{_n} \end{matrix}\right]
A∗=⎣
⎡A11A12...A1nA21A22A2n.........An1An2Ann⎦
⎤
其中代数余子式
A
i
j
=
(
−
1
)
i
+
j
M
i
j
A_i{_j}=(-1)^{i+j}M{_i{_j}}
Aij=(−1)i+jMij
且
M
i
j
M{_i{_j}}
Mij称为余子式。
1.2 矩阵的特征值和特征向量
犹如世界上每一片叶子都不同都有自己的特点一样,每个矩阵也有其内在的特性。可逆性、秩、初等变换的结果等属于矩阵的代数性质,而特征值、特征向量偏向于反应矩阵的几何特性。
设
A
A
A是
n
n
n阶矩阵,
x
x
x是
n
n
n维列向量,则
A
x
Ax
Ax也是
n
n
n维列向量,当然它己经改变了原来的
x
x
x的大小与方向。有没有一个特别的非零向量
x
x
x,使得向量
A
x
Ax
Ax仅仅使向量
x
x
x伸长了若干倍而没有改变其方向呢?这个使
A
x
=
λ
x
Ax = λx
Ax=λx成立的特别的向量因矩阵
A
A
A而定,反映
A
A
A的内在特性,故称之为特征向量,相应的数称为特征值。
定义:设
A
A
A是n阶矩阵,若存在数
λ
λ
λ及非零向量
x
x
x使
A
x
=
λ
x
Ax = λx
Ax=λx,则称数
λ
λ
λ为
A
A
A的特征值,
x
x
x为
A
A
A的对应于
λ
λ
λ的特征向量。
特征值与特征向量的特点:
设
λ
1
,
λ
2
.
.
.
λ
n
λ{_1},λ{_2}...λ{_n}
λ1,λ2...λn是
A
A
A的
n
n
n个特征值,则有
- λ 1 + λ 2 + . . . + λ n = a 1 1 + a 2 2 + . . . + a n n λ{_1}+λ{_2}+...+λ{_n} = a_1{_1}+a_2{_2}+...+a_n{_n} λ1+λ2+...+λn=a11+a22+...+ann
- λ 1 λ 2 . . . λ n = ∣ A ∣ λ{_1}λ{_2}...λ{_n} = |A| λ1λ2...λn=∣A∣
- A A A可逆的充分必要条件是 A A A没有零特征值
- A A A不可逆的充分必要条件是 A A A有零特征值
- 方阵 A A A不同的特征值对应的特征向量是线性无关的
例子
1.3 相似矩阵及对角化
定义
设
A
A
A、
B
B
B为
n
n
n阶方阵,若存在可逆矩阵
P
P
P 使
P
−
1
A
P
=
B
P^{-1}AP=B
P−1AP=B,称矩阵
A
A
A与
B
B
B相似。特别地,如果
A
A
A与对角矩阵相似, 称A可对角化。
相似矩阵的性质
- 相似的矩阵一定等价,反之不对;
- 相似的矩阵有相同的特征值,从而有相同的行列式;
- 若 A A A与 B B B,则 A − 1 A^{-1} A−1与 B − 1 B^{-1} B−1, A m A^{m} Am与 B m B^{m} Bm也相似。