(高等代数)ch05

92. 等价关系(1.反身性 2.对称性 3.传递性)

93. 划分 $$U=U_1\cup U_2\cup \cdots U_n$$
    $$U_i\cap U_j=\Phi ,i\ne j$$

94. 相抵(如果A经过一系列行变换和列变换可以变换到B).那么$A\sim B$也就是相抵.

95. 相抵是一个等价类.

96. $A_{s\times n}$
    $$P_t{P}_{t-1}\cdots P_{1}A{Q}_1{Q}_2\cdots Q_m=B\Rightarrow PAQ=B$$
    其中,P是s级可逆矩阵.Q是n级可逆矩阵.

97. 如果A的秩为r那么 $$\left(\begin{array}{cc}{I}_r& 0\\ 0& 0\end{array}\right)$$ 叫做A的相抵标准型.

98. 广义逆矩阵.

    $$A{A}^{-1}A=A\Rightarrow AXA=A$$

    解出X,那么X就是广义逆.

99. $$A=P\left(\begin{array}{cc}{I}_r& 0\\ 0& 0\end{array}\right)Q$$ $$X=Q^{-1}\left(\begin{array}{cc}{I}_r& B\\ C& D\end{array}\right)P^{-1}$$ B,C,D可以任意指定.其中X就是广义逆.

100. 如果$Ax=\beta$有解.那么 $$X=A^{-}\beta$$

101. 齐次线性方程组$AX=0$的通解为 $$X=(I_n-A^{-}A)Z$$
     Z是$K^n$中任意一个列向量.

102. Moore-Penrose方程组 $$\{\begin{array}{r}AXA=A\\ XAX=X\\ (AX{)}^{\ast }=AX\\ (XA{)}^{\ast }=XA\end{array}$$
     其中$A^{\ast }$是共轭转置.这个方程组的解称作$A^{+}$叫做Moore-Penrose广义逆.

103. 如果A是复数域上面的非0矩阵.Penrose广义逆总是有解,且解唯一.

104. 相似矩阵定义,如果两个n级矩阵A,B.以及存在一个n级的可逆矩阵使得
     $$P^{-1}AP=B$$ 那么,我们称A,B相似.

105. 迹的定义 $$tr(A)=a_{11}+a_{22}+\cdots +a_{nn}$$

106. 迹的性质
     $tr(A+B)=tr(A)+tr(B)$
     $tr(kA)=ktr(A)$
     $tr(AB)=tr(BA)$

107. 相似矩阵有相同的迹.

108. A可对角化的定义是
     P − 1 A P = d i a g { ( λ 1 , λ 2 , ⋯   , λ n ) } P^{-1}AP=diag\{\left( \lambda_1, \lambda_2, \cdots, \lambda_n \right)\} P−1AP=diag{(λ1​,λ2​,⋯,λn​)}

109. 如果A相似于一个对角矩阵.那么A可对角化.

110. 特征值,特征向量 $$Av=\lambda v$$

111. 特征方程$|\lambda I-A|=0$的根是特征值.

112. ${\lambda }_0$的特征向量为以下方程的解 $$({\lambda }_{0}I-A)X=0$$

113. 相似矩阵有相等的特征多项式.
     $$|\lambda I-B|=|\lambda I-P^{-1}AP|=|P^{-1}(\lambda I-A)P|=|\lambda I-A|$$

114. 对于$|\lambda I-A|$是一个n次多项式.那么 $$-tr(A)$$
     是${\lambda }^{n-1}$的系数.常数项为. $$(-1{)}^n|A|$$
     而${\lambda }^{n-k}$是A的所有k阶主子式的和乘以$(-1{)}^k$.

115. $tr(A)={\sum }_{i=1}^n{\lambda }_i$,$|A|={\prod }_{i=1}^n{\lambda }_i$

116. 几何重数:${\lambda }_i$特征子空间的维数.

117. 代数重数:${\lambda }_i$重根的个数.

118. ${\lambda }_i$的几何重数不超过代数重数.

119. 正交矩阵的特征值为1或-1 $$Av=\lambda v$$
     $$(v^T{A}^T)Av=(\lambda v^T)(\lambda v)\Rightarrow ||v||={\lambda }^2||v||$$

120. A
     可以对角化的充分必要条件是,A有n个线性无关的特征向量$\left({\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n\right)$,此时
     $$P=\left({\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n\right)$$
     P − 1 A P = d i a g { λ 1 , λ 2 , ⋯   , λ n } P^{-1}AP=diag\{\lambda_1,\lambda_2,\cdots, \lambda_n\} P−1AP=diag{λ1​,λ2​,⋯,λn​} 简要证明:
     $$P^{-1}AP=P^{-1}P\left(\begin{array}{c}{\lambda }_1\\ {\lambda }_2\\ ⋮\\ {\lambda }_n\end{array}\right)$$

121. 不同特征值的特征向量之间线性无关.
     假设$k_1{\alpha }_1+k_2{\alpha }_2+\cdots +k_s{\alpha }_s+l_1{\beta }_1+l_2{\beta }_2+\cdots +l_r{\beta }_r=0$
     $$A(k_1{\alpha }_1+k_2{\alpha }_2+\cdots +k_s{\alpha }_s+l_1{\beta }_1+l_2{\beta }_2+\cdots +l_r{\beta }_r)=0$$
     $$k_1{\lambda }_1{\alpha }_1+k_2{\lambda }_1{\alpha }_2+\cdots +k_s{\lambda }_1{\alpha }_s+l_1{\lambda }_2{\beta }_1+l_2{\lambda }_2{\beta }_2+\cdots +l_r{\lambda }_2{\beta }_r$$

因为${\lambda }_1\ne {\lambda }_2$,假设${\lambda }_1\ne 0$
$$k_1{\lambda }_1{\alpha }_1+k_2{\lambda }_1{\alpha }_2+\cdots +k_s{\lambda }_1{\alpha }_s+l_1{\lambda }_1{\beta }_1+l_2{\lambda }_1{\beta }_2+\cdots +l_r{\lambda }_1{\beta }_r=0$$

两式相减.
$$l_1({\lambda }_2-{\lambda }_1){\beta }_1+l_2({\lambda }_2-{\lambda }_1){\beta }_2+\cdots +l_r({\lambda }_2-{\lambda }_1){\beta }_r=0$$

因为${\beta }_1,{\beta }_2,\cdots ,{\beta }_r$线性无关.所以.上面推出矛盾.

122. A不同特征值的特征向量所组成的集合,线性无关.

123. A可以对角化的充分必要条件是A有n个线性无关的特征向量.

124. 二次曲面举例 $$x^2+4y^2+z^2-4xy-8xy-4yz-1=0$$

125. 如果一个矩阵可以把一个二次曲面变成标准型.那么这个矩阵一定是正交阵.
     $$\left(\begin{array}{c}x\\ y\\ z\end{array}\right)=M\left(\begin{array}{c}{x}^{\ast }\\ y^{\ast }\\ z^{\ast }\end{array}\right)$$ $$(x^{\ast },y^{\ast },z^{\ast })M^{T}AM\left(\begin{array}{c}{x}^{\ast }\\ y^{\ast }\\ z^{\ast }\end{array}\right)$$ 其中$D=M^{T}A{M}^T$,是一个对角矩阵.

126. 正交相似:如果存在一个正交阵$M$使得$M^{-1}AM=B$.
     那么就称A正交相似于B.

127. 实对称矩阵,特征多项式的每一个根都是实数.从而可以推断实对称矩阵含有n个特征值.继而有n个非线性相关的特征向量.

     $A\alpha =\lambda \alpha$

     $\overline{A\alpha }=\overline{\lambda \alpha }\Rightarrow A\overline{\alpha }=\overline{\lambda }\overline{\alpha }$

     ${\alpha }^{T}A\overline{\alpha }=\overline{\lambda }{\alpha }^T\overline{\alpha }$

${\alpha }^{T}A\overline{\alpha }=\lambda {\alpha }^T\overline{\alpha }$

上面两个式子相减可得
$$(\overline{\lambda }-\lambda ){\alpha }^T\overline{\alpha }=0$$

由此课件$\overline{\lambda }-\lambda =0$,故而,$\lambda$是实数.

128. 实对象矩阵,属于不同特征值的特征向量是正交的. $$\begin{array}{r}{\lambda }_1({\alpha }_1,{\alpha }_2)=({\lambda }_1{\alpha }_1,{\alpha }_2)={\alpha }_1^{T}A{a}_2\\ {\lambda }_2({\alpha }_1,{\alpha }_2)=({\alpha }_1,{\lambda }_2{\alpha }_2)={\alpha }_1^{T}A{a}_2\end{array}$$ 上下相减,可得证.

129. 实对称矩阵正交相似于对角矩阵.(实对称矩阵一定可以对角化)

130. 如果一个n级矩阵A正交相似于一个对角阵D,那么A一定是对称矩阵.

131. n级实对称矩阵正交相似的充分必要条件是他们相似.

132. $$e^A=\sum _{m=0}^{+\infty }\frac{A^m}{m!}$$

133. $e^{A+B}\ne e^A{e}^B$, 通常是不等的.

134. 对于任意一个n级实矩阵A,$e^A$可逆,$(e^A{)}^{-1}=e^{-A}$

135. 如果A是n级斜对称矩阵,那么$e^A$是正交矩阵.

136. 我们来看 $$A=\left(\begin{array}{cc}0& x\\ -x& 0\end{array}\right)\Rightarrow e^A=\left(\begin{array}{cc}cos(x)& sin(x)\\ -sin(x)& cos(x)\end{array}\right)$$

137. $e^{P^{-1}AP}=P^{-1}{e}^{A}P$
     $$e^{P^{-1}AP}=\sum _{m=0}^{+\infty }\frac{(P^{-1}AP{)}^m}{m!}=\sum _{m=0}^{+\infty }\frac{P^{-1}{A}^{m}P}{m!}$$