矩阵分析
ex1
(1)Solution:
数域
F
F
F上线性空间
V
V
V中,任何一个向量
α
\alpha
α都可由
n
n
n个线性无关向量
α
1
,
α
2
,
⋯
,
α
n
\alpha_1,\alpha_2,\cdots,\alpha_n
α1,α2,⋯,αn线性表出。
(2)Prof:
k
1
f
1
(
x
)
+
k
2
f
2
(
x
)
+
k
3
f
3
(
x
)
+
k
4
f
4
(
x
)
=
0
k_1f_1(x)+k_2f_2(x)+k_3f_3(x)+k_4f_4(x)=0
k1f1(x)+k2f2(x)+k3f3(x)+k4f4(x)=0
(
k
1
−
k
2
+
k
4
)
+
(
k
1
+
k
2
)
x
+
k
3
x
2
+
k
4
x
3
=
0
(k_1-k_2+k_4)+(k_1+k_2)x+k_3x^2+k_4x^3=0
(k1−k2+k4)+(k1+k2)x+k3x2+k4x3=0
k
1
=
k
2
=
k
3
=
k
4
=
0
k_1=k_2=k_3=k_4=0
k1=k2=k3=k4=0
任意一个向量
f
(
x
)
=
a
0
+
a
1
x
+
a
2
x
2
+
a
3
x
3
∈
R
[
x
]
4
f(x)=a_0+a_1x+a_2x^2+a_3x^3\in R[x]_4
f(x)=a0+a1x+a2x2+a3x3∈R[x]4
令
f
(
x
)
=
k
1
f
1
(
x
)
+
k
2
f
2
(
x
)
+
k
3
f
3
(
x
)
+
k
4
f
4
(
x
)
f(x)=k_1f_1(x)+k_2f_2(x)+k_3f_3(x)+k_4f_4(x)
f(x)=k1f1(x)+k2f2(x)+k3f3(x)+k4f4(x)
f
(
x
)
=
(
k
1
−
k
2
+
k
4
)
+
(
k
1
+
k
2
)
x
+
k
3
x
2
+
k
4
x
3
f(x)=(k_1-k_2+k_4)+(k_1+k_2)x+k_3x^2+k_4x^3
f(x)=(k1−k2+k4)+(k1+k2)x+k3x2+k4x3
{
a
0
=
k
1
−
k
2
+
k
4
a
1
=
k
1
+
k
2
a
2
=
k
3
a
3
=
k
4
\begin{cases} a_0=k_1-k_2+k_4\\ a_1=k_1+k_2\\ a_2=k_3\\ a_3=k_4 \end{cases}
⎩⎪⎪⎪⎨⎪⎪⎪⎧a0=k1−k2+k4a1=k1+k2a2=k3a3=k4
{
k
1
=
(
a
0
+
a
1
−
a
3
)
/
2
k
2
=
(
−
a
0
+
a
1
+
a
3
)
/
2
k
3
=
a
2
k
4
=
a
3
\begin{cases} k_1=(a_0+a_1-a_3)/2\\ k_2=(-a_0+a_1+a_3)/2\\ k_3=a_2\\ k_4=a_3 \end{cases}
⎩⎪⎪⎪⎨⎪⎪⎪⎧k1=(a0+a1−a3)/2k2=(−a0+a1+a3)/2k3=a2k4=a3
故任意向量
f
(
x
)
∈
R
[
x
]
4
f(x)\in R[x]_4
f(x)∈R[x]4都可由
f
1
,
f
2
,
f
3
,
f
4
f_1,f_2,f_3,f_4
f1,f2,f3,f4线性表出
所以向量组
f
1
,
f
2
,
f
3
,
f
4
f_1,f_2,f_3,f_4
f1,f2,f3,f4是
R
[
x
]
4
R[x]_4
R[x]4的一组基。
(3)Solution:
映射
A
:
V
1
→
V
2
,
\mathscr A:V _1\rightarrow V_2,
A:V1→V2,如果对于任何两个向量
α
1
,
α
2
∈
V
1
\alpha_1,\alpha_2\in V_1
α1,α2∈V1和任何数
λ
∈
F
,
\lambda \in F,
λ∈F,都有
A
(
α
1
+
α
2
)
=
A
(
α
1
)
+
A
(
α
2
)
;
\mathscr A(\alpha_1+\alpha_2)=\mathscr A(\alpha_1)+\mathscr A(\alpha_2);
A(α1+α2)=A(α1)+A(α2);
A
(
λ
α
1
)
=
λ
A
(
α
1
)
\mathscr A(\lambda \alpha_1)=\lambda \mathscr A(\alpha_1)
A(λα1)=λA(α1)
则映射
A
\mathscr A
A是
V
1
到
V
2
V_1到V_2
V1到V2的线性映射。
(4)Prof:
显然,
A
(
f
1
(
x
)
+
f
2
(
x
)
)
=
A
(
f
1
(
x
)
)
+
A
(
f
2
(
x
)
)
\mathscr A(f_1(x)+f_2(x))=\mathscr A(f_1(x))+\mathscr A(f_2(x))
A(f1(x)+f2(x))=A(f1(x))+A(f2(x))
A
(
λ
f
(
x
)
)
=
λ
A
(
f
(
x
)
)
\mathscr A(\lambda f(x))=\lambda \mathscr A(f(x))
A(λf(x))=λA(f(x))
故
A
\mathscr A
A 是线性映射。
(5)Solution:
α
1
,
α
2
,
⋯
,
α
n
\alpha_1,\alpha_2,\cdots,\alpha_n
α1,α2,⋯,αn是
V
1
V_1
V1的一组基,
β
1
,
β
2
,
⋯
,
β
m
\beta_1,\beta_2,\cdots,\beta_m
β1,β2,⋯,βm是
V
2
V_2
V2的一组基。
A
是
V
1
→
V
2
的
一
个
线
性
映
射
\mathscr A是V _1\rightarrow V_2的一个线性映射
A是V1→V2的一个线性映射
若
A
(
α
1
,
α
2
,
⋯
,
α
n
)
=
(
β
1
,
β
2
,
⋯
,
β
m
)
A
\mathscr A(\alpha_1,\alpha_2,\cdots,\alpha_n)=(\beta_1,\beta_2,\cdots,\beta_m)A
A(α1,α2,⋯,αn)=(β1,β2,⋯,βm)A
则矩阵
A
A
A称为线性映射
A
\mathscr A
A在基
(
α
1
,
α
2
,
⋯
,
α
n
)
(\alpha_1,\alpha_2,\cdots,\alpha_n)
(α1,α2,⋯,αn)与基
(
β
1
,
β
2
,
⋯
,
β
m
)
(\beta_1,\beta_2,\cdots,\beta_m)
(β1,β2,⋯,βm)下的矩阵表示。
(6)Solution:
A
(
f
1
,
f
2
,
f
3
)
\mathscr A(f_1,f_2,f_3)
A(f1,f2,f3)
=
(
A
(
f
1
)
,
A
(
f
2
)
,
A
(
f
3
)
)
=(\mathscr A(f_1),\mathscr A(f_2),\mathscr A(f_3))
=(A(f1),A(f2),A(f3))
=
(
1
−
2
x
−
x
2
,
1
+
2
x
−
x
2
,
2
x
−
2
/
3
x
3
)
=(1-2x-x^2,1+2x-x^2,2x-2/3x^3)
=(1−2x−x2,1+2x−x2,2x−2/3x3)
=
(
x
+
1
,
x
−
1
,
x
2
,
x
3
+
1
)
[
−
1
2
3
2
4
3
−
3
2
1
2
2
3
−
1
−
1
0
0
0
−
2
3
]
=(x+1,x-1,x^2,x^3+1) \begin{bmatrix} -\frac1{2}&\frac3{2}&\frac4{3}\\ -\frac3{2}&\frac1{2}&\frac2{3}\\ -1&-1&0\\ 0&0&-\frac2{3} \end{bmatrix}
=(x+1,x−1,x2,x3+1)⎣⎢⎢⎡−21−23−102321−1034320−32⎦⎥⎥⎤
A
=
[
−
1
2
3
2
4
3
−
3
2
1
2
2
3
−
1
−
1
0
0
0
−
2
3
]
A=\begin{bmatrix} -\frac1{2}&\frac3{2}&\frac4{3}\\ -\frac3{2}&\frac1{2}&\frac2{3}\\ -1&-1&0\\ 0&0&-\frac2{3} \end{bmatrix}
A=⎣⎢⎢⎡−21−23−102321−1034320−32⎦⎥⎥⎤
ex2
(1)Solution:
若
非
奇
异
矩
阵
P
,
Q
使
得
B
=
Q
A
P
−
1
,
非奇异矩阵P,Q使得B=QAP^{-1},
非奇异矩阵P,Q使得B=QAP−1,则
B
与
A
等
价
B与A等价
B与A等价
(2)Solution:
A
=
[
1
0
−
1
2
1
1
2
0
1
0
−
1
0
1
]
A=\begin{bmatrix} 1&0&-1\\2&1&\frac1{2}\\0&1&0\\-1&0&1 \end{bmatrix}
A=⎣⎢⎢⎡120−10110−12101⎦⎥⎥⎤
[
1
0
0
0
−
2
1
0
0
2
−
1
1
0
1
0
0
1
]
[
1
0
−
1
2
1
1
2
0
1
0
−
1
0
1
]
[
1
0
−
2
5
0
1
1
0
0
−
2
5
]
=
[
1
0
0
0
1
0
0
0
1
0
0
0
]
\begin{bmatrix} 1&0&0&0\\-2&1&0&0\\2&-1&1&0\\1&0&0&1 \end{bmatrix} \begin{bmatrix} 1&0&-1\\2&1&\frac1{2}\\0&1&0\\-1&0&1 \end{bmatrix} \begin{bmatrix} 1&0&-\frac2{5}\\0&1&1\\0&0&-\frac2{5} \end{bmatrix}=\begin{bmatrix} 1&0&0\\0&1&0\\0&0&1\\0&0&0 \end{bmatrix}
⎣⎢⎢⎡1−22101−1000100001⎦⎥⎥⎤⎣⎢⎢⎡120−10110−12101⎦⎥⎥⎤⎣⎡100010−521−52⎦⎤=⎣⎢⎢⎡100001000010⎦⎥⎥⎤
令
Q
−
1
=
[
1
0
0
0
−
2
1
0
0
2
−
1
1
0
1
0
0
1
]
P
=
[
1
0
−
2
5
0
1
1
0
0
−
2
5
]
Q^{-1}=\begin{bmatrix} 1&0&0&0\\-2&1&0&0\\2&-1&1&0\\1&0&0&1 \end{bmatrix} P=\begin{bmatrix} 1&0&-\frac2{5}\\0&1&1\\0&0&-\frac2{5} \end{bmatrix}
Q−1=⎣⎢⎢⎡1−22101−1000100001⎦⎥⎥⎤P=⎣⎡100010−521−52⎦⎤
则
A
=
Q
[
1
0
0
0
1
0
0
0
1
0
0
0
]
P
−
1
A=Q\begin{bmatrix} 1&0&0\\0&1&0\\0&0&1\\0&0&0 \end{bmatrix}P^{-1}
A=Q⎣⎢⎢⎡100001000010⎦⎥⎥⎤P−1
y
=
A
x
=
Q
[
1
0
0
0
1
0
0
0
1
0
0
0
]
P
−
1
x
y=Ax=Q\begin{bmatrix} 1&0&0\\0&1&0\\0&0&1\\0&0&0 \end{bmatrix}P^{-1}x
y=Ax=Q⎣⎢⎢⎡100001000010⎦⎥⎥⎤P−1x
即
Q
−
1
y
=
[
1
0
0
0
1
0
0
0
1
0
0
0
]
P
−
1
x
Q^{-1}y=\begin{bmatrix} 1&0&0\\0&1&0\\0&0&1\\0&0&0 \end{bmatrix}P^{-1}x
Q−1y=⎣⎢⎢⎡100001000010⎦⎥⎥⎤P−1x
若
x
=
P
x
~
,
y
=
P
y
~
x=P\widetilde x,y=P\widetilde y
x=Px
,y=Py
则
y
~
=
[
1
0
0
0
1
0
0
0
1
0
0
0
]
x
~
\widetilde y=\begin{bmatrix} 1&0&0\\0&1&0\\0&0&1\\0&0&0 \end{bmatrix}\widetilde x
y
=⎣⎢⎢⎡100001000010⎦⎥⎥⎤x
y
~
和
y
~
是
解
耦
的
\widetilde y和\widetilde y是解耦的
y
和y
是解耦的
(3)Solution:
设
A
是
线
性
空
间
V
的
线
性
变
换
,
W
是
V
的
子
空
间
,
如
果
任
意
向
量
α
∈
W
都
有
A
(
α
)
∈
W
,
则
成
W
是
α
的
不
变
子
空
间
。
设\mathscr A是线性空间V的线性变换,W是V的子空间,如果任意向量\alpha \in W都有\mathscr A(\alpha)\in W,则成W是\alpha 的不变子空间。
设A是线性空间V的线性变换,W是V的子空间,如果任意向量α∈W都有A(α)∈W,则成W是α的不变子空间。
(4)Solution:
A
的
特
征
值
λ
1
=
1
2
,
λ
2
=
3
2
A的特征值\lambda_1=\frac1{2},\lambda_2=\frac3{2}
A的特征值λ1=21,λ2=23
特
征
向
量
ξ
1
=
(
2
,
1
)
T
,
ξ
2
=
(
2
,
−
1
)
T
特征向量\xi_1=(2,1)^T,\xi_2=(2,-1)^T
特征向量ξ1=(2,1)T,ξ2=(2,−1)T
ex3
(1)Solution:
- A ( λ ) 的 全 部 k 阶 子 式 的 首 项 系 数 为 1 的 最 大 公 因 式 D k ( λ ) 称 为 A ( λ ) 的 k 阶 行 列 式 因 子 A(\lambda)的全部k阶子式的首项系数为1的最大公因式D_k(\lambda)称为A(\lambda)的k阶行列式因子 A(λ)的全部k阶子式的首项系数为1的最大公因式Dk(λ)称为A(λ)的k阶行列式因子
-
A
(
λ
)
的
k
阶
行
列
式
因
子
D
k
(
λ
)
,
若
d
k
(
λ
)
=
D
k
(
λ
)
D
k
−
1
(
λ
)
,
d
k
称
为
A
(
λ
)
的
不
变
因
子
A(\lambda)的k阶行列式因子D_k(\lambda),若d_k(\lambda)=\frac{D_k(\lambda)}{D_{k-1}(\lambda)},d_k称为A(\lambda)的不变因子
A(λ)的k阶行列式因子Dk(λ),若dk(λ)=Dk−1(λ)Dk(λ),dk称为A(λ)的不变因子
(2)Solution:
若存在多项式矩阵 V ( λ ) ∈ F n × n [ λ ] 使 得 U ( λ ) V ( λ ) = V ( λ ) U ( λ ) = I n , 则 矩 阵 U ( λ ) 称 为 单 位 模 阵 V(\lambda) \in F^{n\times n}[\lambda]使得U(\lambda)V(\lambda)=V(\lambda)U(\lambda)=I_n,则矩阵U(\lambda)称为单位模阵 V(λ)∈Fn×n[λ]使得U(λ)V(λ)=V(λ)U(λ)=In,则矩阵U(λ)称为单位模阵
(3)Solution:
易得初等因子: λ , λ + 1 , λ , ( λ + 1 ) 2 \lambda,\lambda+1,\lambda,(\lambda+1)^2 λ,λ+1,λ,(λ+1)2
{ 1 , λ , λ } { 1 , λ + 1 , ( λ + 1 ) 2 } \{1,\lambda,\lambda\}\{1,\lambda+1,(\lambda+1)^2\} {1,λ,λ}{1,λ+1,(λ+1)2}
则不变因子: 1 , λ ( λ + 1 ) , λ ( λ + 1 ) 2 1,\lambda(\lambda+1),\lambda(\lambda+1)^2 1,λ(λ+1),λ(λ+1)2
所以 λ \lambda λ的Smith标准型是:
[ 1 λ ( λ + 1 ) λ ( λ + 1 ) 2 ] \begin{bmatrix} 1&&\\ &\lambda(\lambda+1)&\\ &&\lambda(\lambda+1)^2 \end{bmatrix} ⎣⎡1λ(λ+1)λ(λ+1)2⎦⎤
ex4
(1)Solution:
非
奇
异
矩
阵
P
,
使
得
P
−
1
A
P
=
B
,
则
A
,
B
相
似
。
非奇异矩阵P,使得P^{-1}AP=B,则A,B相似。
非奇异矩阵P,使得P−1AP=B,则A,B相似。
(2)Solution:
- λ I − A 与 λ I − B 作 为 多 项 式 矩 阵 有 相 同 的 S m i t h 标 准 型 \lambda I-A与\lambda I -B 作为多项式矩阵有相同的Smith标准型 λI−A与λI−B作为多项式矩阵有相同的Smith标准型
- λ I − A 与 λ I − B 作 为 多 项 式 矩 阵 有 相 同 的 各 阶 行 列 式 因 子 \lambda I-A与\lambda I -B 作为多项式矩阵有相同的各阶行列式因子 λI−A与λI−B作为多项式矩阵有相同的各阶行列式因子
- λ I − A 与 λ I − B 作 为 多 项 式 矩 阵 有 相 同 的 不 变 因 子 \lambda I-A与\lambda I -B 作为多项式矩阵有相同的不变因子 λI−A与λI−B作为多项式矩阵有相同的不变因子
-
λ
I
−
A
与
λ
I
−
B
作
为
多
项
式
矩
阵
有
相
同
的
初
等
因
子
组
\lambda I-A与\lambda I -B 作为多项式矩阵有相同的初等因子组
λI−A与λI−B作为多项式矩阵有相同的初等因子组
(3)Solution:
λ I − A = [ λ − 1 0 0 − 2 λ − 1 0 − 3 − 2 λ − 1 ] → [ 1 1 ( λ − 1 ) 3 ] \lambda I-A=\begin{bmatrix} \lambda-1&0&0\\ -2&\lambda-1&0\\ -3&-2&\lambda-1\end{bmatrix}\rightarrow\begin{bmatrix} 1&&\\ &1&\\ &&(\lambda-1)^3\end{bmatrix} λI−A=⎣⎡λ−1−2−30λ−1−200λ−1⎦⎤→⎣⎡11(λ−1)3⎦⎤
所以Jordan标准型,
[ 1 1 1 1 1 ] \begin{bmatrix} 1&1&\\ &1&1\\ &&1\end{bmatrix} ⎣⎡11111⎦⎤
ex5
(1)Solution:
对V中的任意两个向量
α
、
β
\alpha、\beta
α、β依一确定法则对应着一个实数,这个实数称为内积。
(2)Solution:
G
(
α
1
,
α
2
,
⋯
 
,
α
s
)
=
[
<
α
i
,
α
j
>
]
s
×
s
称
为
向
量
组
α
1
,
α
2
,
⋯
 
,
α
s
的
G
r
a
m
矩
阵
G(\alpha_1,\alpha_2,\cdots,\alpha_s)=[<\alpha_i,\alpha_j>]_{s\times s}称为向量组\alpha_1,\alpha_2,\cdots,\alpha_s的Gram矩阵
G(α1,α2,⋯,αs)=[<αi,αj>]s×s称为向量组α1,α2,⋯,αs的Gram矩阵
(3)Solution:
∣
<
α
,
β
>
∣
≤
∣
∣
α
∣
∣
⋅
∣
∣
β
∣
∣
|<\alpha,\beta>|\le||\alpha||\cdot||\beta||
∣<α,β>∣≤∣∣α∣∣⋅∣∣β∣∣
prof:
∣
<
α
,
β
>
∣
≤
∣
∣
α
∣
∣
⋅
∣
∣
β
∣
∣
⇔
(
2
<
α
,
β
>
)
2
≤
4
<
α
,
α
>
⋅
<
β
,
β
>
|<\alpha,\beta>|\le||\alpha||\cdot||\beta||\Leftrightarrow(2<\alpha,\beta>)^2\le4<\alpha,\alpha>\cdot<\beta,\beta>
∣<α,β>∣≤∣∣α∣∣⋅∣∣β∣∣⇔(2<α,β>)2≤4<α,α>⋅<β,β>
⇔
(
2
<
α
,
β
>
)
2
≤
(
<
α
,
α
>
+
<
β
,
β
>
)
2
\Leftrightarrow (2<\alpha,\beta>)^2\le(<\alpha,\alpha>+<\beta,\beta>)^2
⇔(2<α,β>)2≤(<α,α>+<β,β>)2
⇔
(
<
α
,
α
>
−
2
<
α
,
β
>
+
<
β
,
β
>
)
≥
0
\Leftrightarrow(<\alpha,\alpha>-2<\alpha,\beta>+<\beta,\beta>) \ge0
⇔(<α,α>−2<α,β>+<β,β>)≥0
⇔
(
<
α
,
α
>
−
<
α
,
β
>
+
<
β
,
β
>
−
<
β
,
α
>
)
≥
0
\Leftrightarrow(<\alpha,\alpha>-<\alpha,\beta>+<\beta,\beta>-<\beta,\alpha>) \ge0
⇔(<α,α>−<α,β>+<β,β>−<β,α>)≥0
⇔
(
<
α
,
α
−
β
>
+
<
β
,
β
−
α
>
)
≥
0
\Leftrightarrow(<\alpha,\alpha-\beta>+<\beta,\beta-\alpha>) \ge0
⇔(<α,α−β>+<β,β−α>)≥0
⇔
(
<
α
−
β
,
α
−
β
>
)
≥
0
\Leftrightarrow(<\alpha-\beta,\alpha-\beta>) \ge0
⇔(<α−β,α−β>)≥0
显然成立,证毕。
ex6
(1)Solution:
A
列
满
秩
,
存
在
唯
一
的
一
对
矩
阵
Q
,
R
满
足
:
A 列满秩,存在唯一的一对矩阵Q,R满足:
A列满秩,存在唯一的一对矩阵Q,R满足:
- A = Q R A=QR A=QR
- Q H Q = I r Q^HQ=I_r QHQ=Ir
- R 是 对 角 元 素 为 正 实 数 的 上 三 角 矩 阵 R是对角元素为正实数的上三角矩阵 R是对角元素为正实数的上三角矩阵
(2)Solution:
v
1
=
(
1
10
,
3
10
)
T
,
v
2
=
(
3
10
,
−
1
10
)
T
v_1=(\frac 1{\sqrt {10}},\frac 3{\sqrt {10}})^T,v_2=(\frac 3{\sqrt {10}},\frac {-1}{\sqrt {10}})^T
v1=(101,103)T,v2=(103,10−1)T
U
=
(
v
1
,
v
2
)
U=(v_1,v_2)
U=(v1,v2)
R
=
U
H
A
=
[
10
5
10
0
5
10
]
R=U^HA=\begin{bmatrix}\sqrt {10}&\frac5{\sqrt{10}}\\0&\frac5{\sqrt {10}}\end{bmatrix}
R=UHA=[100105105]
A
=
U
R
=
[
1
10
3
10
3
10
−
1
10
]
[
10
5
10
0
5
10
]
A=UR=\begin{bmatrix}\frac 1{\sqrt {10}}&\frac 3{\sqrt {10}}\\\frac 3{\sqrt {10}}&\frac {-1}{\sqrt {10}}\end{bmatrix}\begin{bmatrix}\sqrt {10}&\frac5{\sqrt{10}}\\0&\frac5{\sqrt {10}}\end{bmatrix}
A=UR=[10110310310−1][100105105]
ex7
(1)Solution:
A
A
H
=
A
H
A
,
则
A
是
正
规
矩
阵
AA^H=A^HA,则A是正规矩阵
AAH=AHA,则A是正规矩阵
(2)Solution:
当
且
仅
当
A
是
正
规
矩
阵
,
A
可
酉
相
似
对
角
化
。
当且仅当A是正规矩阵,A可酉相似对角化。
当且仅当A是正规矩阵,A可酉相似对角化。
(3)Prof:
A
H
=
A
,
则
λ
‾
i
=
λ
i
,
即
λ
i
为
实
数
A^H=A,则\overline \lambda_i=\lambda_i,即\lambda_i为实数
AH=A,则λi=λi,即λi为实数
ex8
(1)Solution:
存
在
m
阶
酉
矩
阵
U
和
n
阶
酉
矩
阵
V
,
使
得
存在m阶酉矩阵U和n阶酉矩阵V,使得
存在m阶酉矩阵U和n阶酉矩阵V,使得
U
H
A
V
=
[
∑
r
0
r
×
(
n
−
r
)
0
(
m
−
r
)
×
r
0
(
m
−
r
)
×
(
n
−
r
)
]
U^HAV=\begin{bmatrix}\sum_r&0_{r\times(n-r)}\\ 0_{(m-r)}\times r&0_{(m-r)\times(n-r)}\end{bmatrix}
UHAV=[∑r0(m−r)×r0r×(n−r)0(m−r)×(n−r)]
∑
r
=
[
σ
1
⋱
σ
r
]
,
σ
i
>
0
(
i
=
1
,
2
,
⋯
 
,
r
)
\sum_r=\begin{bmatrix}\sigma_1&&\\ &\ddots&\\ &&\sigma_r\end{bmatrix},\sigma_i\gt0(i=1,2,\cdots,r)
∑r=⎣⎡σ1⋱σr⎦⎤,σi>0(i=1,2,⋯,r)
(2)Solution:
A
T
A
=
[
2
−
1
−
1
1
]
,
λ
1
=
3
+
5
2
,
λ
2
=
3
−
5
2
A^TA=\begin{bmatrix}2&-1\\-1&1\end{bmatrix},\lambda_1=\frac{3+\sqrt 5}{2},\lambda_2=\frac{3-\sqrt 5}{2}
ATA=[2−1−11],λ1=23+5,λ2=23−5
A
=
U
∑
V
H
,
∑
=
[
3
+
5
2
3
−
5
2
]
A=U\sum V^H,\sum=\begin{bmatrix}\sqrt \frac{3+\sqrt 5}{2}&\\&\sqrt \frac{3-\sqrt 5}{2}\end{bmatrix}
A=U∑VH,∑=⎣⎡23+523−5⎦⎤
∣
∣
S
∣
∣
2
=
∣
∣
A
−
1
y
∣
∣
2
=
∣
∣
(
U
∑
V
H
)
−
1
y
∣
∣
2
=
∣
∣
V
∑
−
1
(
U
H
y
)
∣
∣
2
=
∣
∣
∑
−
1
y
~
∣
∣
2
||S||^2=||A^{-1}y||^2=||(U\sum V^H)^{-1}y||^2=||V\sum^{-1}(U^Hy)||^2=||\sum^{-1}\widetilde y||^2
∣∣S∣∣2=∣∣A−1y∣∣2=∣∣(U∑VH)−1y∣∣2=∣∣V∑−1(UHy)∣∣2=∣∣∑−1y
∣∣2
=
∣
y
1
∣
2
σ
1
2
+
∣
y
2
∣
2
σ
2
2
=
1
,
其
中
y
~
=
U
H
y
=\frac {|y_1|^2}{\sigma_1^2}+\frac {|y_2|^2}{\sigma_2^2}=1,其中\widetilde y=U^Hy
=σ12∣y1∣2+σ22∣y2∣2=1,其中y
=UHy
所以单位圆周S在映射A下的像A(S)是椭圆。
长半轴:
3
+
5
2
\sqrt \frac{3+\sqrt 5}{2}
23+5
短半轴:
3
−
5
2
\sqrt \frac{3-\sqrt 5}{2}
23−5