§5.1 向量的内积、长度及正交性
§5.2 方阵的特征值与特征向量
§5.2 方阵的特征值与特征向量
5.1 向量的内积、长度及正交性
设有
x
=
(
x
1
x
2
⋮
x
n
)
,
y
=
(
y
1
y
2
⋮
y
n
)
x= \left( \begin{matrix} x_{1}\\ x_{2}\\ \vdots\\ x_{n} \end{matrix} \right),\ \ y= \left( \begin{matrix} y_{1}\\ y_{2}\\ \vdots\\ y_{n} \end{matrix} \right)
x=⎝⎜⎜⎜⎛x1x2⋮xn⎠⎟⎟⎟⎞, y=⎝⎜⎜⎜⎛y1y2⋮yn⎠⎟⎟⎟⎞
令
[
x
,
y
]
=
x
1
y
1
+
x
2
y
2
+
⋯
+
x
n
y
n
[x,y]=x_{1}y_{1}+x_{2}y_{2}+\cdots+x_{n}y_{n}
[x,y]=x1y1+x2y2+⋯+xnyn
[
x
,
y
]
[x,y]
[x,y]称为向量
x
x
x和向量
y
y
y的内积。
性质
1.
[
x
,
y
]
=
[
y
,
x
]
[x,y]=[y,x]
[x,y]=[y,x];
2.
[
λ
x
,
y
]
=
λ
[
x
,
y
]
[\lambda x,y]=\lambda[x,y]
[λx,y]=λ[x,y];
3.
[
x
+
y
,
z
]
=
[
x
,
z
]
+
[
y
,
z
]
[x+y,z]=[x,z]+[y,z]
[x+y,z]=[x,z]+[y,z];
4.当
x
=
0
x=0
x=0时,
[
x
,
x
]
=
0
[x,x]=0
[x,x]=0;当
x
≠
0
x\neq 0
x̸=0时,
[
x
,
x
]
>
0
[x,x]>0
[x,x]>0.
令
∣
∣
x
∣
∣
=
[
x
,
x
]
=
x
1
2
+
x
2
2
+
⋯
+
x
n
2
,
||x||=\sqrt{[x,x]}=\sqrt{x_{1}^{2}+x_{2}^{2}+\cdots+x_{n}^{2}},
∣∣x∣∣=[x,x]=x12+x22+⋯+xn2,
则称
∣
∣
x
∣
∣
||x||
∣∣x∣∣为
n
n
n维向量
x
x
x的长度(或范数).
性质
1.非负性:当
x
≠
0
x\neq 0
x̸=0时,
∣
∣
x
∣
∣
>
0
||x||>0
∣∣x∣∣>0,当
x
=
0
x= 0
x=0时,
∣
∣
x
∣
∣
=
0
||x||=0
∣∣x∣∣=0;
2.齐次性:
∣
∣
λ
x
∣
∣
=
∣
λ
∣
∣
∣
x
∣
∣
||\lambda x||=|\lambda|||x||
∣∣λx∣∣=∣λ∣∣∣x∣∣;
3.三角不等式:
∣
∣
x
+
y
∣
∣
≤
∣
∣
x
∣
∣
+
∣
∣
y
∣
∣
||x+y||\leq ||x||+||y||
∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣.
定理
若
n
n
n维向量
a
1
,
a
2
,
⋯
 
,
a
r
a_{1},a_{2},\cdots,a_{r}
a1,a2,⋯,ar是一组两两正交的非零向量,则
a
1
,
a
2
,
⋯
 
,
a
r
a_{1},a_{2},\cdots,a_{r}
a1,a2,⋯,ar线性无关。
设
n
n
n维向量
e
1
,
e
2
,
⋯
 
,
e
r
e_{1},e_{2},\cdots,e_{r}
e1,e2,⋯,er是向量空间
V
(
v
∈
R
n
)
V(v\in R^{n})
V(v∈Rn)的一个基,如果
e
1
,
e
2
,
⋯
 
,
e
r
e_{1},e_{2},\cdots,e_{r}
e1,e2,⋯,er两两正交,且都是单位向量,则称
e
1
,
e
2
,
⋯
 
,
e
r
e_{1},e_{2},\cdots,e_{r}
e1,e2,⋯,er是
V
V
V的一个规范正交基。
施密特正交化:找到一组两两正交的单位向量
e
1
,
e
2
,
⋯
 
,
e
r
e_{1},e_{2},\cdots,e_{r}
e1,e2,⋯,er,与基
a
1
,
a
2
,
⋯
 
,
a
r
a_{1},a_{2},\cdots,a_{r}
a1,a2,⋯,ar等价。
如果
n
n
n阶矩阵
A
A
A满足:
A
T
A
=
E
A^{T}A=E
ATA=E
那么称
A
A
A为正交矩阵,简称正交阵。
性质
1.若
A
A
A为正交矩阵,那么
A
−
1
=
A
T
A^{-1}=A^{T}
A−1=AT也是正交阵;
2.若
A
A
A和
B
B
B为正交矩阵,那么
A
B
AB
AB也是正交阵。
若
P
P
P为正交阵,则线性变换
y
=
P
x
y=Px
y=Px称为正交变换。
5.2 方阵的特征值与特征向量
设
A
A
A是
n
n
n阶矩阵,如果数
λ
\lambda
λ和
n
n
n维非零列向量
x
x
x使关系式
(1)
A
x
=
λ
x
Ax=\lambda x\tag{1}
Ax=λx(1)
成立,那么,这样的数
λ
\lambda
λ称为矩阵
A
A
A的特征值,非零向量
x
x
x称为矩阵
A
A
A的对应的特征值
λ
\lambda
λ的特征向量。
(
1
)
(1)
(1)式也可以写成
(
A
−
λ
E
)
=
0
,
(A-\lambda E)=0,
(A−λE)=0,
即
∣
a
11
−
λ
a
12
⋯
a
1
n
a
21
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_{21}&a_{22}-\lambda&\cdots&a_{2n}\\ \vdots&\vdots&&\vdots\\ a_{n1}&a_{n2}&\cdots&a_{nn}-\lambda \end{matrix} \right|=0.
∣∣∣∣∣∣∣∣∣a11−λa21⋮an1a12a22−λ⋮an2⋯⋯⋯a1na2n⋮ann−λ∣∣∣∣∣∣∣∣∣=0.
上式是以
λ
\lambda
λ为未知源的一元
n
n
n次方程,称为矩阵
A
A
A的特征方程。其左端
∣
A
−
λ
E
∣
|A-\lambda E|
∣A−λE∣是
λ
\lambda
λ的
n
n
n次多项式,记做
f
(
λ
)
f(\lambda)
f(λ),称为矩阵
A
A
A的特征多项式。
定理
设 λ 1 , λ 2 , ⋯   , λ m \lambda_{1},\lambda_{2},\cdots,\lambda_{m} λ1,λ2,⋯,λm是方阵 A A A的 m m m个特征值, p 1 , p 2 , ⋯   , p m p_{1},p_{2},\cdots,p_{m} p1,p2,⋯,pm依次是与之对应的特征向量,如果 λ 1 , λ 2 , ⋯   , λ m \lambda_{1},\lambda_{2},\cdots,\lambda_{m} λ1,λ2,⋯,λm各不相等,则 p 1 , p 2 , ⋯   , p m p_{1},p_{2},\cdots,p_{m} p1,p2,⋯,pm线性无关。
《线性代数》同济大学第五版笔记