文章目录
一 向量组线性关系与秩
1
证明一组向量组线性无关时,新学到的办法如下:
反证法,要证线性无关,就假设这个向量组线性相关。
然后关键是如何利用向量相关推出矛盾。其中一种实用的办法是:
设
α
1
,
α
2
,
α
3
.
.
.
α
s
\alpha_1, \alpha_2, \alpha_3 ...\alpha_s
α1,α2,α3...αs线性相关,则存在不全为0的
c
i
c_i
ci使得
c
1
α
1
+
c
2
α
+
.
.
.
+
c
s
α
s
=
0
c_1\alpha_1 + c_2\alpha + ... + c_s\alpha_s = 0
c1α1+c2α+...+csαs=0
那么接下来可以从两个角度来看
- 我们可以找到第一个不为0的 c l c_l cl,从而得到 c l α l + . . . + c s α s = 0 c_l\alpha_l + ... + c_s\alpha_s = 0 clαl+...+csαs=0
- 我们可以找到最后一个不为零的 c l c_l cl,从而得到 c 1 α 1 + . . . + c l α l = 0 c_1\alpha_1 + ... + c_l\alpha_l = 0 c1α1+...+clαl=0
具体选择哪个由结合题目,原则是利用矩阵作用法,用矩阵 A A A左右乘以上述两个等式,就能直接消掉一些项,或者相减后能够消去一些项。
2 作用法
证明向量组线性无关时,如果题目出现
- 类似 A α i = α i + 1 A\alpha_i = \alpha_{i+1} Aαi=αi+1
- 向量正交,如任意 α i \alpha_i αi与任意 β j \beta_j βj正交
3 正交构造对角
如果
A
A
A 的各个列向量相互正交(不一定要规范化),那么
A
T
A
=
Λ
A^TA = \Lambda
ATA=Λ
二 特征向量与特征值,对角化
1 秩为1的实对称阵与特征值、特征向量的关系
i ) i) i) 与特征值的关系
如果
r
(
A
n
)
=
1
r(A_n) = 1
r(An)=1 ,那么
A
=
α
β
T
A = \alpha\beta^T
A=αβT,即
A
=
[
]
[
]
A= \begin{bmatrix} &\\ \\ \\ \end{bmatrix} \begin{bmatrix} &&&\\ \end{bmatrix}
A=⎣⎡⎦⎤[]
则
A
n
A_n
An的特征值为
n
−
1
n-1
n−1 个
0
0
0 ,
1
1
1 个
t
r
(
A
)
tr(A)
tr(A)。
i i ) ii) ii)与特征向量的关系
-
A
=
α
β
T
A = \alpha\beta^T
A=αβT,则
α
\alpha
α为
A
A
A的特征向量
证: A α = α β T α = ( β T α ) α A\alpha = \alpha\beta^T\alpha = (\beta^T\alpha)\alpha Aα=αβTα=(βTα)α, λ = β T α \lambda = \beta^T\alpha λ=βTα - 若已知
α
\alpha
α是
A
A
A特征值
λ
\lambda
λ下的特征向量
则可设 A = c α α T A = c\alpha\alpha^T A=cααT,且 c = λ ( α , α ) c =\frac{\lambda}{(\alpha,\alpha)} c=(α,α)λ, r ( A ) = 1 r(A)=1 r(A)=1
PS
含未知数的行列式化简,可以先把一行化到只剩一个数,然后展开。
2 求特征值的简便方法
求一个矩阵的特征值,可以先把它分解成两个矩阵,其中一个可以是秩为1的矩阵,另一个可以是数量阵。
e.g.
A = [ − 1 2 2 2 − 1 − 2 2 − 2 − 1 ] = [ − 2 2 2 2 − 2 − 2 2 − 2 − 2 ] + E A = \begin{bmatrix} -1&2&2\\ 2&-1&-2\\ 2&-2&-1 \end{bmatrix} =\begin{bmatrix} -2&2&2\\ 2&-2&-2\\ 2&-2&-2\\ \end{bmatrix} +E A=⎣⎡−1222−1−22−2−1⎦⎤=⎣⎡−2222−2−22−2−2⎦⎤+E
显然
[ − 2 2 2 2 − 2 − 2 2 − 2 − 2 ] 的 秩 为 1 , 从 而 特 征 值 为 0 , 0 , t r ( ) = − 6 \begin{bmatrix} -2&2&2\\ 2&-2&-2\\ 2&-2&-2\\ \end{bmatrix} 的秩为1,从而特征值为0,0,tr() = -6 ⎣⎡−2222−2−22−2−2⎦⎤的秩为1,从而特征值为0,0,tr()=−6
3 代数重数和几何重数
代数重数
⩾
\geqslant
⩾几何重数
⩾
\geqslant
⩾1
证:
r
(
λ
E
−
A
)
⩽
n
−
1
r(\lambda E-A)\leqslant n-1
r(λE−A)⩽n−1
所以几何重数
=
n
−
r
(
λ
E
−
A
)
⩾
1
=n-r(\lambda E-A)\geqslant1
=n−r(λE−A)⩾1
4
若 A n A_n An 可对角化,则 Λ \Lambda Λ 对角线上必定是 n n n 个特征值。
5 相似阵相同 λ \lambda λ 下的特征向量关系
若
A
A
A 与
B
B
B 相似,则它们有相同的特征值,
且相同特征值下的特征向量有如下关系:
已知
P
−
1
A
P
=
B
P^{-1}AP=B
P−1AP=B
A
X
=
λ
X
AX=\lambda X
AX=λX
则
B
(
P
−
1
X
)
=
λ
(
P
−
1
X
)
B(P^{-1}X)=\lambda (P^{-1}X)
B(P−1X)=λ(P−1X)
6 已知特征值或特征向量求 A A A
i ) i) i) 矩阵 A A A 和一个特征向量 ξ \xi ξ,其中一个含有参数,另一个全知,求 λ \lambda λ 和参数 (P109)
用 A ξ = λ ξ A\xi = \lambda\xi Aξ=λξ 列方程求解。
i i ) ii) ii) 已知全部特征值 λ i \lambda_i λi 和对应的特征向量 α i \alpha_i αi,求矩阵 A A A
解:设
A
A
A 为 3 阶,
P
=
(
α
1
α
2
α
3
)
P = (\alpha_1 \alpha_2 \alpha_3)
P=(α1α2α3)
A
P
=
P
(
λ
1
λ
2
λ
3
)
AP=P \begin{pmatrix} \lambda_1&&\\ &\lambda_2&\\ &&\lambda_3 \end{pmatrix}
AP=P⎝⎛λ1λ2λ3⎠⎞
然后先转置,解矩阵方程。
i i i ) iii) iii) 见第一大点
i v ) iv) iv) 也可以特征值之和、特征值之积列等式
证明零空间 N ( A m × n ) N(A_{m \times n}) N(Am×n) 的维度为 n − r n-r n−r
思路
找到零空间的一组基,然后随便举出一个解,然后发现这个解可以被那组基线性表出。
具体操作
已知
A
X
=
0
,
R
(
A
)
=
r
AX = 0,R(A) = r
AX=0,R(A)=r
首先我们可进行消元,由
A
m
×
n
A_{m \times n}
Am×n 得到
A
r
×
n
A_{r \times n}
Ar×n
通过移项,我们可以得到
(
a
11
⋯
a
1
n
⋮
⋮
a
r
1
⋯
a
r
n
)
(
x
1
⋮
x
r
)
=
(
a
1
r
+
1
⋯
a
1
n
⋮
⋮
a
r
n
+
1
⋯
a
r
n
)
(
x
r
+
1
⋮
x
n
)
\begin{pmatrix} a_{11}&\cdots&a_{1n}\\ \vdots&&\vdots\\ a_{r1}&\cdots&a_{rn}\\ \end{pmatrix} \begin{pmatrix} x_1\\ \vdots\\ x_r \end{pmatrix} = \begin{pmatrix} a_{1\ r+1} & \cdots & a_{1\ n}\\ \vdots&&\vdots\\ a_{r\ n+1} & \cdots & a_{r\ n} \end{pmatrix} \begin{pmatrix} x_{r+1}\\ \vdots\\ x_n \end{pmatrix}
⎝⎜⎛a11⋮ar1⋯⋯a1n⋮arn⎠⎟⎞⎝⎜⎛x1⋮xr⎠⎟⎞=⎝⎜⎛a1 r+1⋮ar n+1⋯⋯a1 n⋮ar n⎠⎟⎞⎝⎜⎛xr+1⋮xn⎠⎟⎞
我们写成
$$