方阵的行列式
满足以下运算规律:
1.
∣
A
T
∣
=
∣
A
∣
|A^{T}|=|A|
∣AT∣=∣A∣
2.
∣
λ
A
∣
=
λ
n
∣
A
∣
|\lambda A|=\lambda ^{n}|A|
∣λA∣=λn∣A∣
3.#######
∣
A
B
∣
=
∣
A
∣
∣
B
∣
=
∣
B
A
∣
|AB|=|A||B|=|BA|
∣AB∣=∣A∣∣B∣=∣BA∣######
4.
∣
A
B
∣
=
0
|AB|=0
∣AB∣=0则
∣
A
∣
=
0
|A|=0
∣A∣=0或
∣
B
∣
=
0
|B|=0
∣B∣=0
矩阵的秩
定义
k阶子式定义:
A是一个
m
×
n
m\times n
m×n阶矩阵,取它的k行与k列(k指的是个数,k大于等于且不超过m,n的大小),位于这些行列交叉处的
k
2
k^{2}
k2个元素,不改变它们在A中的位置次序而得到k阶行列式,称为矩阵A的k阶子式
例子:
A
=
[
1
2
3
4
5
6
7
8
9
]
(1)
A= \left[ \begin{matrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{matrix} \right]\tag{1}
A=⎣⎡147258369⎦⎤(1)
取第1,2行和1,3列的交叉点上的元,组成的A的一个2阶行列式
[
1
3
4
6
]
(2)
\left[ \begin{matrix} 1 & 3 \\ 4& 6 \end{matrix} \right]\tag{2}
[1436](2)
秩
设矩阵A中有一个不等于0的r阶子式D,而所有r+1阶子式(若存在的话)全等于0,那么称D为矩阵A的一个最高阶非零子式,数r称为矩阵A都秩,记作R(A),并规定零矩阵的秩为0
注意
1.矩阵A的秩R(A)是A中不等于零的子式的最高阶数
2.
R
(
A
T
)
=
R
(
A
)
R(A^{T})=R(A)
R(AT)=R(A)
3.任意矩阵A,R(A)是唯一的,但其最高阶非零子式一般是不唯一的
如何求秩
显然,当行列数较高时,按照定义求秩很繁琐
但是对于行阶梯形矩阵,它的秩就等于非零行的行数
因此,用初等变换把矩阵化为阶梯形矩阵
备注:
行阶梯形矩阵
1.A若有零行,则零行都在非零行下边
2.非零行的非零首元(自左)的列标随行标的递增而严格递增
A
=
[
1
0
−
1
0
2
4
0
0
3
]
(3)
A= \left[ \begin{matrix} 1 & 0& -1\\ 0 & 2& 4 \\ 0& 0& 3 \end{matrix} \right]\tag{3}
A=⎣⎡100020−143⎦⎤(3)
行最简形矩阵
行阶梯形矩阵的前提下:
1.非零首元为1
2.非零首元所在列的其余元素全为0
A
=
[
1
0
−
1
0
1
4
0
0
0
]
(4)
A= \left[ \begin{matrix} 1 & 0& -1\\ 0 & 1& 4 \\ 0& 0& 0 \end{matrix} \right]\tag{4}
A=⎣⎡100010−140⎦⎤(4)
标准形
对行最简形矩阵进行初等列变换
F
=
[
E
r
O
O
O
]
m
×
n
(5)
F= \left[ \begin{matrix} E_{r} & O\\ O & O \end{matrix} \right]_{m\times n}\tag{5}
F=[ErOOO]m×n(5)
F
=
[
1
0
0
0
1
0
0
0
0
]
(6)
F= \left[ \begin{matrix} 1 & 0& 0\\ 0 & 1& 0 \\ 0& 0& 0 \end{matrix} \right]\tag{6}
F=⎣⎡100010000⎦⎤(6)
定理:矩阵的初等变换不改变矩阵的秩
证明见书
由此:求矩阵的秩,只需把矩阵用初等行变换变成行阶梯形,其非零行的行数(台阶数)就是该矩阵的秩
线性方程组解的判定定理
之前用高斯消元法或者Ax=b求A的逆矩阵方法求解过,但是无法解决方程有无解且有解时有多少个的问题
线性方程组的解无非三种可能:唯一解,无解,无穷解
1.唯一解
{ 2 x 1 + 2 x 2 + 3 x 3 = 1 x 1 − x 2 = 2 − x 1 + 2 x 2 + x 3 = − 2 \left\{\begin{aligned}2x_{1}+2x_{2}+3x_{3}&=1\\ x_{1}-x_{2}&=2\\ -x_{1}+2x_{2}+x_{3}&=-2 \end{aligned}\right. ⎩⎪⎨⎪⎧2x1+2x2+3x3x1−x2−x1+2x2+x3=1=2=−2
A
~
=
(
A
⋮
b
)
=
[
2
2
3
⋮
1
1
−
1
0
⋮
2
−
1
2
1
⋮
−
2
]
(7)
\tilde{A}=(A\vdots b)= \left[ \begin{matrix} 2& 2& 3&\vdots&1\\ 1 & -1& 0&\vdots&2 \\ -1& 2& 1&\vdots&-2 \end{matrix} \right]\tag{7}
A~=(A⋮b)=⎣⎢⎢⎢⎡21−12−12301⋮⋮⋮12−2⎦⎥⎥⎥⎤(7)
进行行初等变换后得
[
1
0
0
⋮
−
1
0
1
0
⋮
−
3
0
0
1
⋮
3
]
(8)
\left[ \begin{matrix} 1& 0& 0&\vdots&-1\\ 0 &1& 0&\vdots&-3 \\ 0& 0& 1&\vdots&3 \end{matrix} \right]\tag{8}
⎣⎢⎢⎢⎡100010001⋮⋮⋮−1−33⎦⎥⎥⎥⎤(8)
得
{ x 1 = − 1 x 2 = − 3 x 3 = 3 \left\{\begin{aligned}x_{1}&=-1\\ x_{2}&=-3\\ x_{3}&=3 \end{aligned}\right. ⎩⎪⎨⎪⎧x1x2x3=−1=−3=3
于是可得原方程有唯一解,可以看出 R ( A ) = R ( A ~ ) R(A)=R(\tilde{A}) R(A)=R(A~)
以此由例子类推得
线性方程组解的判定定理:
线性方程组
A
x
=
b
Ax=b
Ax=b有解的充要条件是
R
(
A
)
=
R
(
A
~
)
R(A)=R(\tilde{A})
R(A)=R(A~):
1.
R
(
A
)
=
R
(
A
~
)
<
n
R(A)=R(\tilde{A})<n
R(A)=R(A~)<n时,无穷多解
2.
R
(
A
)
=
R
(
A
~
)
=
n
R(A)=R(\tilde{A})=n
R(A)=R(A~)=n时,唯一解
n为未知数的个数
A x = b Ax=b Ax=b无解的充要条件 R ( A ) ≠ R ( A ~ ) R(A)\neq R(\tilde{A}) R(A)=R(A~)
推论:
1.齐次线性方程组
A
x
=
O
Ax=O
Ax=O一定有零解,即一定有解,因为肯定有
R
(
A
)
=
R
(
A
~
)
R(A)=R(\tilde{A})
R(A)=R(A~);
R
(
A
)
=
n
R(A)=n
R(A)=n,则只有零解
R
(
A
)
<
n
R(A)<n
R(A)<n,则有非零解
2.齐次线性方程组
A
x
=
O
Ax=O
Ax=O中方程的个数小于未知数的个数,即m<n,则它必有非零解;
若m=n,则它有非零解的充要条件是
∣
A
∣
=
0
|A|=0
∣A∣=0(因为
∣
A
∣
=
0
|A|=0
∣A∣=0,即系数行列式不等于0才无解或有两个以上不同的解,克拉默法则)
n维向量与线性方程组
n维向量:( a 1 , a 2 , ⋯ , a n a_{1},a_{2},\cdots,a_{n} a1,a2,⋯,an),其中的一个叫做分量
行向量: a T \pmb{a^{T}} aTaTaT=( a 1 , a 2 , ⋯ , a n a_{1},a_{2},\cdots,a_{n} a1,a2,⋯,an)
列向量: a = [ a 1 a 2 ⋮ a n ] \pmb{a}=\left[ \begin{matrix} a_{1}\\ a_{2}\\ \vdots\\ a_{n} \end{matrix} \right] aaa=⎣⎢⎢⎢⎡a1a2⋮an⎦⎥⎥⎥⎤
一般无特别说明向量均为列向量,且n维行向量和列向量总被看成是两个不同的向量
向量组:若干个同维数的列向量(行向量)所组成的集合
R n \pmb{R^{n}} RnRnRn:所有n维实向量构成的集合,集合 R n \pmb{R^{n}} RnRnRn对所定义的加法和数乘构成n维实向量空间其中的向量对加法和数乘封闭
向量的线性相关性
矩阵的特征值与特征向量
n维向量的内积
a
=
[
a
1
a
2
⋮
a
n
]
,
β
=
[
b
1
b
2
⋮
b
n
]
\pmb{a}=\left[ \begin{matrix} a_{1}\\ a_{2}\\ \vdots\\ a_{n} \end{matrix} \right],\pmb{\beta }=\left[ \begin{matrix} b_{1}\\ b_{2}\\ \vdots\\ b_{n} \end{matrix} \right]
aaa=⎣⎢⎢⎢⎡a1a2⋮an⎦⎥⎥⎥⎤,βββ=⎣⎢⎢⎢⎡b1b2⋮bn⎦⎥⎥⎥⎤
a
\pmb{a}
aaa,
β
\pmb{\beta}
βββ的内积:
( a , β ) = ∑ i = 1 n a i b i = a 1 b 1 + a 2 b 2 + ⋯ + a n b n (\pmb{a},\pmb{\beta})=\sum_{i=1}^{n} a_{i}b_{i}=a_{1}b_{1}+a_{2}b_{2}+\cdots+a_{n}b_{n} (aaa,βββ)=i=1∑naibi=a1b1+a2b2+⋯+anbn
也可把向量看成是列(行)矩阵:
( a , β ) = ( a 1 , a 2 , ⋯ , a n ) ( b 1 b 2 ⋮ b n ) = a 1 b 1 + a 2 b 2 + ⋯ + a n b n = a T β (\pmb{a},\pmb{\beta})=(a_{1},a_{2},\cdots,a_{n})\left( \begin{matrix} b_{1}\\ b_{2}\\ \vdots\\ b_{n} \end{matrix} \right)=a_{1}b_{1}+a_{2}b_{2}+\cdots+a_{n}b_{n}=\pmb{a}^{T}\pmb{\beta} (aaa,βββ)=(a1,a2,⋯,an)⎝⎜⎜⎜⎛b1b2⋮bn⎠⎟⎟⎟⎞=a1b1+a2b2+⋯+anbn=aaaTβββ
内积性质:
(1) 对称性:
(
a
,
β
)
=
(
β
,
a
)
(\pmb{a},\pmb{\beta})=(\pmb{\beta},\pmb{a})
(aaa,βββ)=(βββ,aaa)
(2) 线形性:
(
a
+
β
,
γ
)
=
(
a
,
γ
)
+
(
β
,
γ
)
,
(
k
a
,
β
)
=
k
(
a
,
β
)
(\pmb{a}+\pmb{\beta},\pmb{\gamma})=(\pmb{a},\pmb{\gamma})+(\pmb{\beta},\pmb{\gamma}),(k\pmb{a},\pmb{\beta})=k(\pmb{a},\pmb{\beta})
(aaa+βββ,γγγ)=(aaa,γγγ)+(βββ,γγγ),(kaaa,βββ)=k(aaa,βββ)
(3) 正定性:
(
a
,
a
)
(\pmb{a},\pmb{a})
(aaa,aaa)
n维向量的模(范数)
∣ ∣ a ∣ ∣ = ( a , a ) = a T a = a 1 2 + a 2 2 + ⋯ + a n 2 ||\pmb{a}||=\sqrt{(\pmb{a},\pmb{a})}=\sqrt{\pmb{a^{T}}\pmb{a}}=\sqrt{a_{1}^{2}+a_{2}^{2}+\cdots+a_{n}^{2}} ∣∣aaa∣∣=(aaa,aaa)=aTaTaTaaa=a12+a22+⋯+an2
性质:
(1)正定性:
∣
∣
a
∣
∣
≥
0
||\pmb{a}||\geq 0
∣∣aaa∣∣≥0,当且仅当
a
=
0
时
,
∣
∣
a
∣
∣
=
0
\pmb{a}=0时,||\pmb{a}||=0
aaa=0时,∣∣aaa∣∣=0
(2)齐次性: ∣ ∣ k a ∣ ∣ = ∣ k ∣ ∣ ∣ a ∣ ∣ ||k\pmb{a}||=|k|||\pmb{a}|| ∣∣kaaa∣∣=∣k∣∣∣aaa∣∣
(3)三角不等式: ∣ ∣ a + β ∣ ∣ ≤ ∣ ∣ a ∣ ∣ + ∣ ∣ β ∣ ∣ ||\pmb{a}+\pmb{\beta}||\leq ||\pmb{a}||+||\pmb{\beta}|| ∣∣aaa+βββ∣∣≤∣∣aaa∣∣+∣∣βββ∣∣
(4)柯西-施瓦茨不等式: ( a , β ) 2 ≤ ( a , a ) ( β , β ) (\pmb{a},\pmb{\beta})^{2}\leq (\pmb{a},\pmb{a})(\pmb{\beta},\pmb{\beta}) (aaa,βββ)2≤(aaa,aaa)(βββ,βββ) 即 ( a , β ) 2 ≤ ∣ ∣ a ∣ ∣ 2 ∣ ∣ β ∣ ∣ 2 (\pmb{a},\pmb{\beta})^{2}\leq||\pmb{a}||^{2}||\pmb{\beta}||^{2} (aaa,βββ)2≤∣∣aaa∣∣2∣∣βββ∣∣2
(4)证明:
n维向量的夹角
( a , β ) ^ = θ = a r c c o s ( a , β ) ∣ ∣ a ∣ ∣ ∣ ∣ β ∣ ∣ , 0 ≤ θ ≤ π \hat{(\pmb{a},\pmb{\beta})}=\theta=arccos\frac{(\pmb{a},\pmb{\beta})} {||\pmb{a}|| ||\pmb{\beta}||},0\leq\theta\leq\pi (aaa,βββ)^=θ=arccos∣∣aaa∣∣∣∣βββ∣∣(aaa,βββ),0≤θ≤π
正交向量组与标准正交向量组
特征值与特征向量
A
\pmb{A}
AAA为n阶方阵,n维非零向量
x
x
x,使得
A
x
=
λ
x
\pmb{A}x=\lambda x
AAAx=λx
则称
λ
\lambda
λ为方阵
A
\pmb{A}
AAA的特征值,
x
x
x为特征向量
特征方程:
A x = λ x \pmb{A}x=\lambda x AAAx=λx可写成 ( A − λ E ) x = 0 (\pmb{A}-\lambda\pmb{E})x=0 (AAA−λEEE)x=0
此方程为n个未知量的n个方程的齐次线性方程组
有非零解的充分必要条件:系数行列式 ∣ A − λ E ∣ = 0 ( 是 行 列 式 为 零 ) |\pmb{A}-\lambda\pmb{E}|=0(是行列式为零) ∣AAA−λEEE∣=0(是行列式为零)
即 ∣ a 11 − λ a 12 ⋯ a 1 n a 12 a 22 − λ ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n − λ ∣ = 0 \left| \begin{matrix} a_{11}-\lambda& a_{12}&\cdots&a_{1n}\\ a_{12} &a_{22}-\lambda& \cdots&a_{2n} \\ \vdots& \vdots& &\vdots\\ a_{n1}&a_{n2}&\cdots&a_{nn}-\lambda \end{matrix} \right|=0 ∣∣∣∣∣∣∣∣∣a11−λa12⋮an1a12a22−λ⋮an2⋯⋯⋯a1na2n⋮ann−λ∣∣∣∣∣∣∣∣∣=0
λ \lambda λ为未知量的一元n次方程,为方阵 A \pmb{A} AAA的特征方程
∣ A − λ E ∣ |\pmb{A}-\lambda\pmb{E}| ∣AAA−λEEE∣是关于 λ \lambda λ的n次多项式,为 A \pmb{A} AAA的特征多项式记为 f ( λ ) f(\lambda) f(λ)
因此n阶方阵有n个特征值
特征值有一下性质:
(1) λ 1 + λ 2 + ⋯ + λ n = a 11 + a 22 + ⋯ + a n n \lambda_{1}+\lambda_{2}+\cdots+\lambda_{n}=a_{11}+a_{22}+\cdots+a_{nn} λ1+λ2+⋯+λn=a11+a22+⋯+ann
(2)############ λ 1 λ 2 ⋯ λ n = ∣ A ∣ \lambda_{1}\lambda_{2}\cdots\lambda_{n}=|\pmb{A}| λ1λ2⋯λn=∣AAA∣#############
解 x = p i x=p_{i} x=pi是特征向量
性质:
(1)
p
p
p是对应于特征值
λ
\lambda
λ ,
k
p
kp
kp也是特征向量
(2) p 1 , p 2 , ⋯ , p r p_{1},p_{2},\cdots,p_{r} p1,p2,⋯,pr是对应 λ \lambda λ的特征向量,则 k 1 p 1 + k 2 p 2 + ⋯ + k r p r k_{1}p_{1}+k_{2}p_{2}+\cdots+k_{r}p_{r} k1p1+k2p2+⋯+krpr也是对应 λ \lambda λ的特征向量
特征子空间
方阵
A
A
A对应于特征值
λ
\lambda
λ的特征子空间
V
λ
=
{
x
∣
A
x
=
λ
x
,
x
∈
R
n
}
V_{\lambda}=\lbrace x|Ax=\lambda x,x \in R^{n}\rbrace
Vλ={x∣Ax=λx,x∈Rn}
相似矩阵
设n阶矩阵
A
,
B
A,B
A,B,如果存在可逆矩阵
P
P
P,使得
P
−
1
A
P
=
B
P^{-1}AP=B
P−1AP=B,
则称矩阵
A
A
A与
B
B
B相似,记作
A
A
A~
B
B
B
上述左式子称为对
A
A
A进行相似变换
定理: 相似矩阵有相同的特征多项式,从而有相同的特征值
证明:
推论: 若n阶矩阵 A A A与对角矩阵
Λ = d i a g ( λ 1 , λ 2 , ⋯ , λ n ) = ∣ λ 1 λ 2 ⋱ λ n ∣ \Lambda=diag(\lambda_{1},\lambda_{2},\cdots,\lambda_{n})=\left| \begin{matrix} \lambda_{1}& &&\\ &\lambda_{2}& &\\ & &\ddots &\\ &&&\lambda_{n} \end{matrix} \right| Λ=diag(λ1,λ2,⋯,λn)=∣∣∣∣∣∣∣∣λ1λ2⋱λn∣∣∣∣∣∣∣∣
相似,则 λ 1 , λ 2 , ⋯ , λ n \lambda_{1},\lambda_{2},\cdots,\lambda_{n} λ1,λ2,⋯,λn就是 A A A的n个特征值
证明:
通过该推论可以快速计算
A
k
,
A
A^{k},A
Ak,A的多项式
矩阵的相似对角化
P − 1 A P = Λ P^{-1}AP=\Lambda P−1AP=Λ, A A A可对角化
实对称矩阵
二次型
矩阵的迹
矩阵的迹和秩是完全不同的概念
矩阵的迹:
定义为n阶矩阵的对角元素之和,记为tr(A)
重要性质:tr(UV)=tr(VU)