1 - 行列式 - 矩阵 的运算
文章目录
(一)转置、求逆、伴随矩阵
1)基本运算
转置(T) | 求逆(-1) | 伴随矩阵(*) |
---|---|---|
( A T ) T = A (A^T)^T=A (AT)T=A | ( A − 1 ) − 1 = A (A^{-1})^{-1}=A (A−1)−1=A | ( A ∗ ) ∗ = ∣ A ∣ n − 2 A (A^*)^*=\lvert A\rvert^{n-2}A (A∗)∗=∣A∣n−2A (可推导) |
( k A ) T = k A T (kA)^T=kA^T (kA)T=kAT | ( k A ) − 1 = k − 1 A − 1 (kA)^{-1}=k^{-1}A^{-1} (kA)−1=k−1A−1 | ( k A ) ∗ = k n − 1 ∣ A ∣ A − 1 (kA)^*=k^{n-1}\lvert A\rvert A^{-1} (kA)∗=kn−1∣A∣A−1 (可推导) |
( A B ) T = B T A T (AB)^T=B^TA^T (AB)T=BTAT | ( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)−1=B−1A−1 | ( A B ) ∗ = B ∗ A ∗ (AB)^*=B^*A^* (AB)∗=B∗A∗ |
∣ A T ∣ = ∣ A ∣ \lvert A^T\rvert = \lvert A\rvert ∣AT∣=∣A∣ | ∣ A − 1 ∣ = ∣ A ∣ − 1 \lvert A^{-1}\rvert = \lvert A\rvert ^{-1} ∣A−1∣=∣A∣−1 | ∣ A ∗ ∣ = ∣ A ∣ n − 1 \lvert A^*\rvert = \lvert A\rvert^{n-1} ∣A∗∣=∣A∣n−1 (可推导) |
( A + B ) T = A T + B T (A+B)^T=A^T+B^T (A+B)T=AT+BT | / | / |
(
A
∗
)
∗
=
∣
A
∣
n
−
2
A
(A^*)^*=\lvert A\rvert^{n-2}A
(A∗)∗=∣A∣n−2A 直接用关键公式 推导:
(
A
∗
)
∗
=
(
∣
A
∣
A
−
1
)
∗
=
∣
∣
A
∣
A
−
1
∣
⋅
(
∣
A
∣
A
−
1
)
−
1
=
∣
A
∣
n
⋅
∣
A
−
1
∣
⋅
1
∣
A
∣
A
=
∣
A
∣
n
−
2
A
(A^*)^*=(\lvert A\rvert A^{-1})^*=\lvert \lvert A\rvert A^{-1}\rvert \cdot (\lvert A\rvert A^{-1})^{-1}=\lvert A \rvert ^{n} \cdot \lvert A^{-1} \rvert \cdot \frac{1}{\lvert A\rvert} A=\lvert A\rvert^{n-2}A
(A∗)∗=(∣A∣A−1)∗=∣∣A∣A−1∣⋅(∣A∣A−1)−1=∣A∣n⋅∣A−1∣⋅∣A∣1A=∣A∣n−2A
(
k
A
)
∗
=
k
n
−
1
∣
A
∣
A
−
1
(kA)^*=k^{n-1}\lvert A\rvert A^{-1}
(kA)∗=kn−1∣A∣A−1 直接用关键公式 推导:
(
k
A
)
∗
=
∣
k
A
∣
⋅
(
k
A
)
−
1
=
k
n
∣
A
∣
k
−
1
A
−
1
=
k
n
−
1
∣
A
∣
A
−
1
(kA)^*= \lvert kA \rvert \cdot (kA)^{-1} = k^n \lvert A \rvert k^{-1}A^{-1} = k^{n-1}\lvert A\rvert A^{-1}
(kA)∗=∣kA∣⋅(kA)−1=kn∣A∣k−1A−1=kn−1∣A∣A−1
伴随矩阵:
A ∗ = [ A 11 A 21 ⋯ A n 1 A 12 A 22 ⋯ A n 2 ⋮ ⋮ ⋮ A 1 n A 2 n ⋯ A n n ] A^*= \begin{bmatrix} A_{11} & A_{21} & \cdots & A_{n1} & \\ A_{12} & A_{22} & \cdots & A_{n2} & \\ \vdots & \vdots & & \vdots & \\ A_{1n} & A_{2n} & \cdots & A_{nn} \end{bmatrix} A∗=⎣⎢⎢⎢⎡A11A12⋮A1nA21A22⋮A2n⋯⋯⋯An1An2⋮Ann⎦⎥⎥⎥⎤
其下表的排列顺序跟正常的矩阵是 转置 了的由其特殊的排列方式,故可能构建与 转置矩阵 有关的方程
2)关键公式
A ∗ = ∣ A ∣ A − 1 A^*=\lvert A\rvert A^{-1} A∗=∣A∣A−1 (注意要求 A A A 可逆)
A = ∣ A ∣ ( A ∗ ) − 1 A=\lvert A \rvert \ (A^*)^{-1} A=∣A∣ (A∗)−1 (两边同取 -1 次方)
A A ∗ = ∣ A ∣ E AA^*=|A|E AA∗=∣A∣E (两边同乘 A)
∣ A B ∣ = ∣ A ∣ ⋅ ∣ B ∣ \lvert AB \rvert=\lvert A \rvert \cdot \lvert B \rvert ∣AB∣=∣A∣⋅∣B∣
∣ k A ∣ = k n ∣ A ∣ \lvert kA \rvert = k^n \lvert A \rvert ∣kA∣=kn∣A∣
3)可逆、正交、对称矩阵的判断
名称 | 判别方式 |
---|---|
可逆矩阵 | ∣ A ∣ ≠ 0 \vert A \rvert \neq 0 ∣A∣=0 或 r ( A n × n ) = n r(A_{n\times n})=n r(An×n)=n 或 定义 |
正交矩阵 | A A T = E 或 A T A = E AA^T=E \ 或\ A^TA=E AAT=E 或 ATA=E (即 A T = A − 1 A^T=A^{-1} AT=A−1) |
对称矩阵 | A T = A A^T=A AT=A |
反对称矩阵 | A T = − A A^T=-A AT=−A |
【注】 矩阵乘法不满足 交换律 ,所以区分
A
A
T
AA^T
AAT 和
A
T
A
A^TA
ATA
【注】
A
T
A
=
O
o
r
A
A
T
=
O
⇒
A
=
O
A^TA=O\ or\ AA^T=O \Rightarrow A=O
ATA=O or AAT=O⇒A=O
4)分块矩阵逆矩阵
[ A O O B ] − 1 = [ A − 1 O O B − 1 ] , [ O A B O ] = [ O B − 1 A − 1 O ] \begin{bmatrix} A & O \\ O & B \\ \end{bmatrix}^{-1}= \begin{bmatrix} A^{-1} & O \\ O & B^{-1} \\ \end{bmatrix},\ \begin{bmatrix} O & A \\ B & O \\ \end{bmatrix}= \begin{bmatrix} O & B^{-1} \\ A^{-1} & O \\ \end{bmatrix} [AOOB]−1=[A−1OOB−1], [OBAO]=[OA−1B−1O]
5)矩阵乘法的“交换律”
矩阵乘法一般 不满足交换律
但是下列情况下有类似交换律的运算
A E = E A = A AE=EA=A AE=EA=A
A A n = A n A = A n + 1 AA^n=A^nA=A^{n+1} AAn=AnA=An+1
A A − 1 = A − 1 A = E AA^{-1}=A^{-1}A=E AA−1=A−1A=E
A A ∗ = A ∗ A = ∣ A ∣ E AA^*=A^*A=|A|E AA∗=A∗A=∣A∣E
(二)行列式的计算
1)分块矩阵行列式
∣ A O O B ∣ = ∣ A ∣ ⋅ ∣ B ∣ , ∣ O A B O ∣ = ( − 1 ) m n ∣ A ∣ ⋅ ∣ B ∣ \begin{vmatrix} A & O \\ O & B \\ \end{vmatrix} = \lvert A \rvert\cdot \lvert B \rvert, \ \begin{vmatrix} O & A \\ B & O \\ \end{vmatrix}=(-1)^{mn}\lvert A \rvert\cdot \lvert B \rvert ∣∣∣∣AOOB∣∣∣∣=∣A∣⋅∣B∣, ∣∣∣∣OBAO∣∣∣∣=(−1)mn∣A∣⋅∣B∣
2)按某一 行/列 展开
∣ A ∣ = ∑ j = 1 n a i j A i j = ∑ i = 1 n a i j A i j \lvert A \rvert=\sum_{j=1}^{n} a_{ij}A_{ij}=\sum_{i=1}^{n} a_{ij}A_{ij} ∣A∣=j=1∑naijAij=i=1∑naijAij
【注】 A i j = ( − 1 ) i + j M i j A_{ij}=(-1)^{i+j}M_{ij} Aij=(−1)i+jMij ; A i j A_{ij} Aij 与展开的 行/列 的元素值无关
- 可以反向应用公式 求行列式的值
- 也可以正向运用公式 把求 A i j A_{ij} Aij 的线性加和的问题转化为求行列式的值的问题
3)副对角线行列式
∣ 0 ⋯ 0 a 1 n 0 ⋯ a 2 , n − 1 0 ⋮ ⋮ ⋮ a n 1 ⋯ 0 0 ∣ = ( − 1 ) n ( n − 1 ) 2 a 1 n a 2 , n − 1 ⋯ a n 1 \begin{vmatrix} 0 & \cdots & 0 & a_{1n} \\ 0 & \cdots & a_{2,n-1} & 0 \\ \vdots & & \vdots & \vdots \\ a_{n1} & \cdots & 0 & 0 \\ \end{vmatrix}= (-1)^{\frac{n(n-1)}{2}} a_{1n}a_{2,n-1}\cdots a_{n1} ∣∣∣∣∣∣∣∣∣00⋮an1⋯⋯⋯0a2,n−1⋮0a1n0⋮0∣∣∣∣∣∣∣∣∣=(−1)2n(n−1)a1na2,n−1⋯an1
4)范德蒙德行列式
∣ 1 1 ⋯ 1 x 1 x 2 ⋯ x n x 1 2 x 2 2 ⋯ x n 2 ⋮ ⋮ ⋮ x 1 n − 1 x 2 n − 1 ⋯ x n n − 1 ∣ = ∏ 1 ≤ i < j ≤ n ( x j − x i ) \begin{vmatrix} 1 & 1 & \cdots & 1 \\ x_1 & x_2 & \cdots & x_n \\ x_1^2 & x_2^2 & \cdots & x_n^2 \\ \vdots & \vdots & & \vdots \\ x_1^{n-1} & x_2^{n-1} & \cdots & x_n^{n-1} \\ \end{vmatrix}= \prod_{1\leq i<j\leq n}(x_j-x_i) ∣∣∣∣∣∣∣∣∣∣∣1x1x12⋮x1n−11x2x22⋮x2n−1⋯⋯⋯⋯1xnxn2⋮xnn−1∣∣∣∣∣∣∣∣∣∣∣=1≤i<j≤n∏(xj−xi)
int ans = 1;
for(j=1;j<=n;j++)
for(i=1;i<j;i++)
ans *= xj - xi;
5)利用特征值
∏ i = 1 n λ i = ∣ A ∣ \prod_{i=1}^{n} \lambda_i=\lvert A \rvert i=1∏nλi=∣A∣
- ∣ λ E − A ∣ = 0 \lvert \lambda E - A \rvert = 0 ∣λE−A∣=0 ,解得的 λ \lambda λ 即为特征值
- 矩阵的迹: t r ( A ) = ∑ i = 1 n λ i = ∑ i = 1 n a i i tr(A)=\sum_{i=1}^{n}\lambda_i=\sum_{i=1}^{n}a_{ii} tr(A)=∑i=1nλi=∑i=1naii
- A − 1 A^{-1} A−1 的特征值为 λ − 1 \lambda^{-1} λ−1
常用关系
以下关系大部分可用
A
ξ
=
λ
ξ
A\xi=\lambda\xi
Aξ=λξ 推导得到
矩阵 | A A A | k 1 A + k 2 E k_1A+k_2E k1A+k2E | A k A^k Ak | A T A^T AT | A − 1 A^{-1} A−1 | A ∗ A^* A∗ | f ( A ) f(A) f(A) | P − 1 A P P^{-1}AP P−1AP |
---|---|---|---|---|---|---|---|---|
特征值 | λ \lambda λ | k 1 λ + k 2 k_1\lambda+k_2 k1λ+k2 | λ k \lambda^k λk | λ \lambda λ | λ − 1 \lambda^{-1} λ−1 | ∣ A ∣ λ \frac{\lvert A\rvert}{\lambda} λ∣A∣ | f ( λ ) f(\lambda) f(λ) | λ \lambda λ |
特征向量 | ξ \xi ξ | ξ \xi ξ | ξ \xi ξ | 需要重新计算 | ξ \xi ξ | ξ \xi ξ | ξ \xi ξ | P − 1 ξ P^{-1}\xi P−1ξ |
最后一个常用于相似,例如求矩阵A的特征向量时却只给出了如 f ( A ) = 0 f(A)=0 f(A)=0 的等式关系,可以根据A矩阵符合的等式关系,得到 A = P B P − 1 A=PBP^{-1} A=PBP−1 ,此时B矩阵可以通过 f ( A ) = 0 f(A)=0 f(A)=0 明确出来,然后求出 B 矩阵的特征向量,再通过 P − 1 ξ P^{-1}\xi P−1ξ 推出 A 矩阵的特征向量
特征值的其它性质
- ξ 、 η \xi、\eta ξ、η 都是属于 λ \lambda λ 的特征向量,则 k 1 ξ + k 2 η , ( k 1 、 k 2 不 同 时 为 0 ) k_1\xi+k_2\eta ,\ (k_1、k_2 不同时为 0) k1ξ+k2η, (k1、k2不同时为0) 仍是属于 λ \lambda λ 的特征向量
- 求相似矩阵的 P 矩阵时,可以用特征向量拼得 P 矩阵
- 实对称矩阵,属于不同特征值的特征向量必正交(可以用来求特征向量)
- λ n = t r ( A ) − ∑ λ i \lambda_n=tr(A)-\sum\lambda_i λn=tr(A)−∑λi (求特征值得技巧)
- A x = 0 ⇒ A x = 0 x Ax=0 \Rightarrow Ax=0x Ax=0⇒Ax=0x 暗示了特征值为 0
- n 阶矩阵隐含特征值不为 0
(三)行列式、矩阵 初等变换
1)注意事项
- 矩阵的初等变换可能会改变行列式的值;但其行列式是否为 0 是不会变的(初等变换不改变矩阵的秩)
- 矩阵的初等变换 可能会改变其 伴随矩阵
2)符号说明
- E 2 ( k ) E_2(k) E2(k) :单位矩阵 E E E 的第2 行/列 乘 k 倍
- E 12 E_{12} E12 :单位矩阵 E E E 的第1、2 行/列 互换
- E 12 ( k ) E_{12}(k) E12(k) :单位矩阵 E E E 的 第2行 的 k 倍加到 第1行 ;E矩阵的 第1列 的 k 倍加到 第2列
行是从右往左 “赋值” ;列相反
三种初等变换都分别有等价的变换形式,所以所有的行变换都可以有列变换的替代,反之亦然;
由此,对于满秩矩阵,可以只靠 初等行变换 或 初等列变换 得到单位矩阵
注:
倍乘 互换 倍加 [ E i ( k ) ] − 1 = E i ( k − 1 ) [E_i(k)]^{-1}=E_i(k^{-1}) [Ei(k)]−1=Ei(k−1) E i j − 1 = E i j E_{ij}^{-1}=E_{ij} Eij−1=Eij [ E i j ( k ) ] − 1 = E i j ( − k ) [E_{ij}(k)]^{-1}=E_{ij}(-k) [Eij(k)]−1=Eij(−k) [ E i ( k ) ] ∗ = k E i ( k − 1 ) [E_{i}(k)]^*=kE_{i}(k^{-1}) [Ei(k)]∗=kEi(k−1) E i j ∗ = − E i j E_{ij}^*=-E_{ij} Eij∗=−Eij [ E i j ( k ) ] ∗ = E i j ( − k ) [E_{ij}(k)]^*=E_{ij}(-k) [Eij(k)]∗=Eij(−k)
3)等价矩阵和等价标准型
等价具有 传递性
-
矩阵 A m × n , B m × n A_{m\times n},B_{m\times n} Am×n,Bm×n ,若存在可逆矩阵 P m × m , Q n × n P_{m\times m},Q_{n\times n} Pm×m,Qn×n 使得 P A Q = B PAQ=B PAQ=B ,则称 A , B A,B A,B 是等价矩阵,记作 A ≅ B A \cong B A≅B
-
若 r ( A ) = r r(A)=r r(A)=r ,则下面的右侧矩阵是 A A A 的等价标准型;等价标准型唯一
P A Q = [ E r O O O ] PAQ= \begin{bmatrix} E_r & O \\ O & O \\ \end{bmatrix} PAQ=[ErOOO]
可以通过对 单位矩阵 E E E 的一系列 初等行变换 得到 P P P , P A PA PA 是按照由 E E E 到 P P P 的初等行变换步骤,对 A A A 做初等 行 变换
可以通过对 单位矩阵 E E E 的一系列 初等列变换 得到 Q Q Q , A Q AQ AQ 是按照由 E E E 到 Q Q Q 的初等列变换步骤,对 A A A 做初等 列 变换
“左行右列”
4)初等变换求逆矩阵
[ A ∣ E ] 初 等 行 变 换 → [ E ∣ A − 1 ] \begin{bmatrix} A|E \end{bmatrix} \underrightarrow{初等行变换} \begin{bmatrix} E|A^{-1} \end{bmatrix} [A∣E]初等行变换[E∣A−1]
[ A E ] 初 等 列 变 换 → [ E A − 1 ] \begin{bmatrix} A \\ E \\ \end{bmatrix} \underrightarrow{初等列变换} \begin{bmatrix} E \\ A^{-1} \\ \end{bmatrix} [AE]初等列变换[EA−1]
(四)矩阵的秩
1)初等变换不改变矩阵的秩
r ( A ) = r ( P A ) = r ( A Q ) = r ( P A Q ) r(A)=r(PA)=r(AQ)=r(PAQ) r(A)=r(PA)=r(AQ)=r(PAQ)
2)跟秩相关的几个式子
1. 由定义可得
0 ≤ r ( A ) ≤ m i n { m , n } 0\leq r(A)\leq min\{m,n\} 0≤r(A)≤min{m,n}
r ( k A ) = r ( A ) ( k ≠ 0 ) r(kA)=r(A)(k\neq0) r(kA)=r(A)(k=0)
2. 其它
r ( A B ) ≤ m i n { r ( A ) , r ( B ) } r(AB)\leq min\{r(A),r(B)\} r(AB)≤min{r(A),r(B)}
若 B 满秩,则 r ( A B ) = r ( A ) r(AB)=r(A) r(AB)=r(A)
r ( A + B ) ≤ r ( A ) + r ( B ) r(A+B)\leq r(A)+r(B) r(A+B)≤r(A)+r(B)
A B = O ⇒ r ( A ) + r ( B ) ≤ n AB=O \Rightarrow r(A) + r(B) \leq n AB=O⇒r(A)+r(B)≤n
r ( A ∗ ) = { n , r ( A ) = n 1 , r ( A ) = n − 1 0 , r ( A ) < n − 1 ( 此 处 为 A n × n ) r(A^*)= \begin{cases} n, \qquad r(A)=n \\ 1, \qquad r(A)=n-1 \\ 0, \qquad r(A)<n-1 \\ \end{cases} \qquad (此处为 \ A_{n\times n}) \\ r(A∗)=⎩⎪⎨⎪⎧n,r(A)=n1,r(A)=n−10,r(A)<n−1(此处为 An×n)
(五)常见处理方法
1)求行列式
1. 所有 行/列 加到某一 行/列
例如
∣ x a 1 a 2 ⋯ a n a 1 x a 2 ⋯ a n a 1 a 2 x ⋯ a n ⋮ ⋮ ⋮ ⋱ ⋮ a 1 a 2 a 3 ⋯ x ∣ = ( x + ∑ i = 1 n a i ) ∣ 1 a 1 a 2 ⋯ a n 1 x a 2 ⋯ a n 1 a 2 x ⋯ a n ⋮ ⋮ ⋮ ⋱ ⋮ 1 a 2 a 3 ⋯ x ∣ \begin{vmatrix} x & a_1 & a_2 & \cdots & a_n \\ a_1 & x & a_2 & \cdots & a_n \\ a_1 & a_2 & x & \cdots & a_n \\ \vdots & \vdots & \vdots & \ddots & \vdots & \\ a_1 & a_2 & a_3 & \cdots & x \\ \end{vmatrix} =(x+\sum_{i=1}^na_i) \begin{vmatrix} 1 & a_1 & a_2 & \cdots & a_n \\ 1 & x & a_2 & \cdots & a_n \\ 1 & a_2 & x & \cdots & a_n \\ \vdots & \vdots & \vdots & \ddots & \vdots & \\ 1 & a_2 & a_3 & \cdots & x \\ \end{vmatrix} ∣∣∣∣∣∣∣∣∣∣∣xa1a1⋮a1a1xa2⋮a2a2a2x⋮a3⋯⋯⋯⋱⋯ananan⋮x∣∣∣∣∣∣∣∣∣∣∣=(x+i=1∑nai)∣∣∣∣∣∣∣∣∣∣∣111⋮1a1xa2⋮a2a2a2x⋮a3⋯⋯⋯⋱⋯ananan⋮x∣∣∣∣∣∣∣∣∣∣∣
2. 加边法
例如
∣ a 1 − b a 2 ⋯ a n a 1 a 2 − b ⋯ a n ⋮ ⋮ ⋱ ⋮ a 1 a 2 ⋯ a n − b ∣ = ∣ 1 a 1 a 2 ⋯ a n 0 a 1 − b a 2 ⋯ a n 0 a 1 a 2 − b ⋯ a n ⋮ ⋮ ⋮ ⋱ ⋮ 0 a 1 a 2 ⋯ a n − b ∣ \begin{vmatrix} a_1-b & a_2 & \cdots & a_n \\ a_1 & a_2-b & \cdots & a_n \\ \vdots & \vdots & \ddots & \vdots \\ a_1 & a_2 & \cdots & a_n-b \\ \end{vmatrix}= \begin{vmatrix} 1 & a_1 & a_2 & \cdots & a_n \\ 0 & a_1-b & a_2 & \cdots & a_n \\ 0 & a_1 & a_2-b & \cdots & a_n \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 0 & a_1 & a_2 & \cdots & a_n-b \\ \end{vmatrix} \\ ∣∣∣∣∣∣∣∣∣a1−ba1⋮a1a2a2−b⋮a2⋯⋯⋱⋯anan⋮an−b∣∣∣∣∣∣∣∣∣=∣∣∣∣∣∣∣∣∣∣∣100⋮0a1a1−ba1⋮a1a2a2a2−b⋮a2⋯⋯⋯⋱⋯ananan⋮an−b∣∣∣∣∣∣∣∣∣∣∣
此处加边注意不要改变行列式的值
原 式 = ∣ 1 a 1 a 2 ⋯ a n − 1 − b 0 ⋯ 0 − 1 0 − b ⋯ 0 ⋮ ⋮ ⋮ ⋱ ⋮ − 1 0 0 ⋯ − b ∣ = ∣ 1 − ∑ i = 1 n a i b a 1 ⋯ a n 0 − b ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ − b ∣ 原式= \begin{vmatrix} 1 & a_1 & a_2 & \cdots & a_n \\ -1 & -b & 0 & \cdots & 0 \\ -1 & 0 & -b & \cdots & 0 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ -1 & 0 & 0 & \cdots & -b \\ \end{vmatrix}= \begin{vmatrix} 1-\sum_{i=1}^n\frac{a_i}b & a_1 & \cdots & a_n \\ 0 & -b & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & -b \\ \end{vmatrix} 原式=∣∣∣∣∣∣∣∣∣∣∣1−1−1⋮−1a1−b0⋮0a20−b⋮0⋯⋯⋯⋱⋯an00⋮−b∣∣∣∣∣∣∣∣∣∣∣=∣∣∣∣∣∣∣∣∣1−∑i=1nbai0⋮0a1−b⋮0⋯⋯⋯an0⋮−b∣∣∣∣∣∣∣∣∣
3. 转化为矩阵相乘
例如求
∣
a
1
−
a
n
,
a
2
−
a
1
,
⋯
,
a
n
−
a
n
−
1
∣
\lvert a_1-a_n,a_2-a_1,\cdots,a_{n}-a_{n-1} \rvert
∣a1−an,a2−a1,⋯,an−an−1∣
∣
a
1
−
a
n
,
a
2
−
a
1
,
⋯
,
a
n
−
a
n
−
1
∣
=
∣
[
a
1
,
a
2
,
⋯
,
a
n
]
⋅
[
1
−
1
0
⋯
0
0
0
1
−
1
⋯
0
0
0
0
1
⋯
0
0
⋮
⋮
⋮
⋮
⋮
−
1
0
0
⋯
0
1
]
∣
=
∣
a
1
,
a
2
,
⋯
,
a
n
∣
⋅
∣
1
−
1
0
⋯
0
0
0
1
−
1
⋯
0
0
0
0
1
⋯
0
0
⋮
⋮
⋮
⋮
⋮
−
1
0
0
⋯
0
1
∣
\begin{aligned} &\lvert a_1-a_n,a_2-a_1,\cdots,a_{n}-a_{n-1} \rvert \\ &=\left| [a_1,a_2,\cdots,a_n]\cdot \begin{bmatrix} 1 & -1 & 0 & \cdots & 0 & 0 \\ 0 & 1 & -1 & \cdots & 0 & 0 \\ 0 & 0 & 1 & \cdots & 0 & 0 \\ \vdots & \vdots & \vdots & & \vdots & \vdots & \\ -1 & 0 & 0 & \cdots & 0 & 1 \end{bmatrix} \right| \\ &=\lvert a_1,a_2,\cdots,a_n\rvert \cdot \begin{vmatrix} 1 & -1 & 0 & \cdots & 0 & 0 \\ 0 & 1 & -1 & \cdots & 0 & 0 \\ 0 & 0 & 1 & \cdots & 0 & 0 \\ \vdots & \vdots & \vdots & & \vdots & \vdots & \\ -1 & 0 & 0 & \cdots & 0 & 1 \end{vmatrix} \\ \end{aligned}
∣a1−an,a2−a1,⋯,an−an−1∣=∣∣∣∣∣∣∣∣∣∣∣[a1,a2,⋯,an]⋅⎣⎢⎢⎢⎢⎢⎡100⋮−1−110⋮00−11⋮0⋯⋯⋯⋯000⋮0000⋮1⎦⎥⎥⎥⎥⎥⎤∣∣∣∣∣∣∣∣∣∣∣=∣a1,a2,⋯,an∣⋅∣∣∣∣∣∣∣∣∣∣∣100⋮−1−110⋮00−11⋮0⋯⋯⋯⋯000⋮0000⋮1∣∣∣∣∣∣∣∣∣∣∣
4. 构建递推式
例如
D
n
=
∣
2
1
0
⋯
0
0
1
2
1
⋯
0
0
0
1
2
⋯
0
0
⋮
⋮
⋮
⋮
⋮
0
0
0
⋯
1
2
∣
D_n= \begin{vmatrix} 2 & 1 & 0 & \cdots & 0 & 0 \\ 1 & 2 & 1 & \cdots & 0 & 0 \\ 0 & 1 & 2 & \cdots & 0 & 0 \\ \vdots & \vdots & \vdots & & \vdots & \vdots & \\ 0 & 0 & 0 & \cdots & 1 &2 \end{vmatrix}
Dn=∣∣∣∣∣∣∣∣∣∣∣210⋮0121⋮0012⋮0⋯⋯⋯⋯000⋮1000⋮2∣∣∣∣∣∣∣∣∣∣∣
行列式按第一行展开
D
n
=
2
D
n
−
1
+
(
−
1
)
3
∣
1
1
0
⋯
0
0
0
2
1
⋯
0
0
0
1
2
⋯
0
0
⋮
⋮
⋮
⋮
⋮
0
0
0
⋯
1
2
∣
n
−
1
=
2
D
n
−
1
−
D
n
−
2
D_n=2D_{n-1}+(-1)^3 \begin{vmatrix} 1 & 1 & 0 & \cdots & 0 & 0 \\ 0 & 2 & 1 & \cdots & 0 & 0 \\ 0 & 1 & 2 & \cdots & 0 & 0 \\ \vdots & \vdots & \vdots & & \vdots & \vdots & \\ 0 & 0 & 0 & \cdots & 1 &2 \end{vmatrix}_{n-1} =2D_{n-1}-D_{n-2}
Dn=2Dn−1+(−1)3∣∣∣∣∣∣∣∣∣∣∣100⋮0121⋮0012⋮0⋯⋯⋯⋯000⋮1000⋮2∣∣∣∣∣∣∣∣∣∣∣n−1=2Dn−1−Dn−2
其中
D
1
=
2
D
2
=
∣
2
1
1
2
∣
=
3
\begin{aligned} &D_1=2 \\ &D_2= \begin{vmatrix} 2 & 1 \\ 1 & 2 \\ \end{vmatrix}=3 \end{aligned}
D1=2D2=∣∣∣∣2112∣∣∣∣=3
2)求矩阵的 n 次方
1. 拆分矩阵
例如矩阵
A
=
[
1
2
3
0
1
4
0
0
1
]
=
[
1
0
0
0
1
0
0
0
1
]
+
[
0
2
3
0
0
4
0
0
0
]
A= \begin{bmatrix} 1 & 2 & 3 \\ 0 & 1 & 4 \\ 0 & 0 & 1 \\ \end{bmatrix}= \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \\ \end{bmatrix}+ \begin{bmatrix} 0 & 2 & 3 \\ 0 & 0 & 4 \\ 0 & 0 & 0 \\ \end{bmatrix}
A=⎣⎡100210341⎦⎤=⎣⎡100010001⎦⎤+⎣⎡000200340⎦⎤
- 元素全部 在主对角线上 的矩阵的 n 次方很好求
- 元素全部 在主对角线一侧 的矩阵,通常 ∃ N ∈ N ∗ , 使 得 n > N 时 有 A n = O \exist\ N\in N^*,使得\ n>N \ 时有 A^n=O ∃ N∈N∗,使得 n>N 时有An=O ;例如此处除 E 以外另一个矩阵的 3 次方就为零矩阵了
- 利用 多项式定理 展开求矩阵的 n 次方即可
例如此处
A n = E n + n E n − 1 B + n ( n − 1 ) 2 E n − 2 B 2 A^n=E^n+nE^{n-1}B+\frac{n(n-1)}{2}E^{n-2}B^2 An=En+nEn−1B+2n(n−1)En−2B2
2. 数学归纳法
给定一个关于 n 的递推式
- 看 n = 0 n=0 n=0 时,递推式是否成立
- 假设 n = n − 1 n = n - 1 n=n−1 时成立
- 证明 n = n − 1 n = n - 1 n=n−1 成立的时候, n = n n=n n=n 时递推式成立
3. 行列向量相乘
假设有行向量
α
、
β
\alpha、\beta
α、β ,
A
=
α
β
T
A=\alpha\beta ^T
A=αβT
利用向量相乘的 结合律 ,有
A
n
=
α
(
β
T
α
)
(
β
T
α
)
⋯
(
β
T
α
)
β
T
A^n=\alpha(\beta^T\alpha)(\beta^T\alpha)\cdots(\beta^T\alpha)\beta^T
An=α(βTα)(βTα)⋯(βTα)βT
其中
β
T
α
\beta^T\alpha
βTα 是个常数
所以可以将矩阵拆成两个一维向量相乘的形式再求其 n 次方
例如
[
3
−
1
−
9
3
]
=
[
1
−
3
]
[
3
−
1
]
−
−
−
−
−
−
−
−
−
−
−
−
−
−
−
−
[
3
−
1
−
9
3
]
n
=
[
1
−
3
]
(
6
n
−
1
)
[
3
−
1
]
\begin{bmatrix} 3 & -1 \\ -9 & 3 \\ \end{bmatrix}= \begin{bmatrix} 1 \\ -3 \\ \end{bmatrix} \begin{bmatrix} 3 & -1 \\ \end{bmatrix}\\ ----------------\\ \begin{bmatrix} 3 & -1 \\ -9 & 3 \\ \end{bmatrix}^n= \begin{bmatrix} 1 \\ -3 \\ \end{bmatrix} (6^{n-1}) \begin{bmatrix} 3 & -1 \\ \end{bmatrix}\\
[3−9−13]=[1−3][3−1]−−−−−−−−−−−−−−−−[3−9−13]n=[1−3](6n−1)[3−1]
① 可以转化为行列向量相乘的条件
考虑两行向量
α
=
[
a
1
,
a
2
,
⋯
,
a
n
]
\alpha=[a_1,a_2,\cdots,a_n]
α=[a1,a2,⋯,an] ,
β
=
[
b
1
,
b
2
,
⋯
,
b
n
]
\beta=[b_1,b_2,\cdots,b_n]
β=[b1,b2,⋯,bn]
α
T
β
=
[
a
1
b
1
a
1
b
2
⋯
a
1
b
n
a
2
b
1
a
2
b
2
⋯
a
2
b
n
⋮
⋮
⋮
a
n
b
1
a
n
b
2
⋯
a
n
b
n
]
\alpha^T\beta= \begin{bmatrix} a_1b_1 & a_1b_2 & \cdots & a_1b_n \\ a_2b_1 & a_2b_2 & \cdots & a_2b_n \\ \vdots & \vdots & & \vdots & \\ a_nb_1 & a_nb_2 & \cdots & a_nb_n \\ \end{bmatrix}
αTβ=⎣⎢⎢⎢⎡a1b1a2b1⋮anb1a1b2a2b2⋮anb2⋯⋯⋯a1bna2bn⋮anbn⎦⎥⎥⎥⎤
将其余所有列的一倍加到第一列,于是有
α
T
β
=
[
a
1
∑
i
=
1
n
b
i
a
1
b
2
⋯
a
1
b
n
a
2
∑
i
=
1
n
b
i
a
2
b
2
⋯
a
2
b
n
⋮
⋮
⋮
a
n
∑
i
=
1
n
b
i
a
n
b
2
⋯
a
n
b
n
]
\alpha^T\beta= \begin{bmatrix} a_1\sum_{i=1}^nb_i & a_1b_2 & \cdots & a_1b_n \\ a_2\sum_{i=1}^nb_i & a_2b_2 & \cdots & a_2b_n \\ \vdots & \vdots & & \vdots & \\ a_n\sum_{i=1}^nb_i & a_nb_2 & \cdots & a_nb_n \\ \end{bmatrix}
αTβ=⎣⎢⎢⎢⎡a1∑i=1nbia2∑i=1nbi⋮an∑i=1nbia1b2a2b2⋮anb2⋯⋯⋯a1bna2bn⋮anbn⎦⎥⎥⎥⎤
于是有
α
T
β
=
∑
i
=
1
n
b
i
[
a
1
a
1
b
2
⋯
a
1
b
n
a
2
a
2
b
2
⋯
a
2
b
n
⋮
⋮
⋮
a
n
a
n
b
2
⋯
a
n
b
n
]
\alpha^T\beta=\sum_{i=1}^nb_i \begin{bmatrix} a_1 & a_1b_2 & \cdots & a_1b_n \\ a_2 & a_2b_2 & \cdots & a_2b_n \\ \vdots & \vdots & & \vdots & \\ a_n & a_nb_2 & \cdots & a_nb_n \\ \end{bmatrix}
αTβ=i=1∑nbi⎣⎢⎢⎢⎡a1a2⋮ana1b2a2b2⋮anb2⋯⋯⋯a1bna2bn⋮anbn⎦⎥⎥⎥⎤
可以看到从第二列开始,都是第一列的倍数,所以
α
T
β
=
∑
i
=
1
n
b
i
[
a
1
0
⋯
0
a
2
0
⋯
0
⋮
⋮
⋮
a
n
0
⋯
0
]
\alpha^T\beta=\sum_{i=1}^nb_i \begin{bmatrix} a_1 & 0 & \cdots & 0 \\ a_2 & 0 & \cdots & 0 \\ \vdots & \vdots & & \vdots & \\ a_n & 0 & \cdots & 0 \\ \end{bmatrix}
αTβ=i=1∑nbi⎣⎢⎢⎢⎡a1a2⋮an00⋮0⋯⋯⋯00⋮0⎦⎥⎥⎥⎤
所以得到结论:
- 两向量相乘得到的矩阵, r a n k ≤ 1 rank\leq1 rank≤1
- r a n k ≤ 1 rank\leq1 rank≤1 的矩阵可以化为两向量相乘的形式
② 行列向量相乘得到的矩阵的推论
此处假定
α
β
\alpha\beta
αβ均为 行向量
α
T
β
=
[
a
1
b
1
a
1
b
2
⋯
a
1
b
n
a
2
b
1
a
2
b
2
⋯
a
2
b
n
⋮
⋮
⋮
a
n
b
1
a
n
b
2
⋯
a
n
b
n
]
\alpha^T\beta= \begin{bmatrix} a_1b_1 & a_1b_2 & \cdots & a_1b_n \\ a_2b_1 & a_2b_2 & \cdots & a_2b_n \\ \vdots & \vdots & & \vdots & \\ a_nb_1 & a_nb_2 & \cdots & a_nb_n \\ \end{bmatrix}
αTβ=⎣⎢⎢⎢⎡a1b1a2b1⋮anb1a1b2a2b2⋮anb2⋯⋯⋯a1bna2bn⋮anbn⎦⎥⎥⎥⎤
注意,初等变换会改变矩阵的迹(trace)
由上面的式子易知
- α T α \alpha^T\alpha αTα 是对称矩阵
- t r ( α T β ) = α β T = ∑ i = 1 n λ i tr(\alpha^T\beta)=\alpha\beta^T=\sum_{i=1}^{n} \lambda_i tr(αTβ)=αβT=∑i=1nλi
又因为 r ( α T β ) = 1 r(\alpha^T\beta)=1 r(αTβ)=1 且 ∑ i = 1 n λ i = α β T \sum_{i=1}^{n} \lambda_i=\alpha\beta^T ∑i=1nλi=αβT ,所以
- α T β \alpha^T\beta αTβ 的特征值为 α β T \alpha\beta^T αβT 和 n-1 个 0
4. 利用相似
由相似有
A
n
=
P
Λ
n
P
−
1
A^n=P\Lambda^nP^{-1}
An=PΛnP−1 ,可以求出矩阵 A 的相似对角阵的 n 次方,然后再导出 A 的 n 次方
对角阵的 n 次方很好求
(六)补充的基本解题方法
1)求两个方程组的公共解
1. 直接联立方程
求
A
x
=
0
、
B
x
=
0
Ax=0、Bx=0
Ax=0、Bx=0 的公共解,即联立方程组的解:
[
A
B
]
x
=
0
\begin{bmatrix} A \\ B \\ \end{bmatrix}x=0
[AB]x=0
2. 求得一个方程组的通解代入另一个
3. 求得两个方程组的通解再求解关系
A
x
=
0
Ax=0
Ax=0 的通解为
k
1
ξ
1
+
k
2
ξ
2
+
⋯
+
k
m
ξ
m
k_1\xi_1+k2\xi_2+\cdots+k_m\xi_m
k1ξ1+k2ξ2+⋯+kmξm ,
B
x
=
0
Bx=0
Bx=0 的通解为
l
1
η
1
+
l
2
η
2
+
⋯
+
l
n
η
n
l_1\eta_1+l_2\eta_2+\cdots+l_n\eta_n
l1η1+l2η2+⋯+lnηn ,求公共解时,两通解应相等,即
k
1
ξ
1
+
k
2
ξ
2
+
⋯
+
k
m
ξ
m
=
l
1
η
1
+
l
2
η
2
+
⋯
+
l
n
η
n
k_1\xi_1+k2\xi_2+\cdots+k_m\xi_m=l_1\eta_1+l_2\eta_2+\cdots+l_n\eta_n
k1ξ1+k2ξ2+⋯+kmξm=l1η1+l2η2+⋯+lnηn
解上面的方程得到
l
i
、
k
j
l_i、k_j
li、kj 的关系后,得到的即为公共解
2)同解方程组
A x = 0 Ax=0 Ax=0 和 B x = 0 Bx=0 Bx=0 是同解方程组
⇔ \Leftrightarrow ⇔ A x = 0 Ax=0 Ax=0 的解满足 B x = 0 Bx=0 Bx=0 且 B x = 0 Bx=0 Bx=0 的解满足 A x = 0 Ax=0 Ax=0
⇔ \Leftrightarrow ⇔ r ( A ) = r ( B ) r(A)=r(B) r(A)=r(B) 且 A x = 0 Ax=0 Ax=0 的解满足 B x = 0 Bx=0 Bx=0 或 B x = 0 Bx=0 Bx=0 的解满足 A x = 0 Ax=0 Ax=0
⇔ \Leftrightarrow ⇔ r ( A ) = r ( B ) = r ( [ A B ] ) r(A)=r(B)=r(\begin{bmatrix} A \\ B \end{bmatrix}) r(A)=r(B)=r([AB]) (三秩相同比较方便)
3)过渡矩阵
1. 基变换公式
由基
A
A
A 到
B
B
B 的变换,其中
C
C
C 是过渡矩阵,且 过渡矩阵是 可逆矩阵
B
=
A
C
B=AC
B=AC
2. 坐标变换公式
在基 A 下的坐标为 x,在基 B 下的坐标为 y;C 是过渡矩阵,x=Cy 称为 y
y
=
C
−
1
x
或
x
=
C
y
y=C^{-1}x\ 或 \ x=Cy
y=C−1x 或 x=Cy
当然坐标变换也可以转化为一般求方程组的问题
(七)补充的技巧性解题方法
1)利用 秩 的 “夹逼”
例1
- 已知 A x = 0 Ax=0 Ax=0 有两个线性无关的解向量,则 r ( A ) ≥ 2 r(A)\geq2 r(A)≥2
- 又已知 A B = O AB=O AB=O ,且 A B AB AB 都是三阶矩阵,则 r ( A ) + r ( B ) ≤ 3 r(A)+r(B)\leq3 r(A)+r(B)≤3
- 还已知 B B B 是非零矩阵,所以 r ( B ) ≠ 0 r(B)\neq0 r(B)=0
综上可知 r ( B ) = 1 r(B)=1 r(B)=1
例2
已知 A m × n A_{m\times n} Am×n , B n × m B_{n\times m} Bn×m , A B = E m AB=E_m AB=Em
于是有:
- m ≥ r ( A ) ≥ r ( A B ) = m m\geq r(A)\geq r(AB)=m m≥r(A)≥r(AB)=m
- m ≥ r ( B ) ≥ r ( A B ) = m m\geq r(B)\geq r(AB)=m m≥r(B)≥r(AB)=m
所以 r ( A ) = r ( B ) = m r(A)=r(B)=m r(A)=r(B)=m , 即 A 的行向量组线性无关;B 的列向量组线性无关
其中主要利用 秩的不等式 和 基础解系的数量
2)基础解系等价的充要条件
[ β 1 , β 2 , ⋯ , β n ] = [ α 1 , α 2 , ⋯ , α n ] A [\beta_1,\beta_2,\cdots,\beta_n]=[\alpha_1,\alpha_2,\cdots,\alpha_n]A [β1,β2,⋯,βn]=[α1,α2,⋯,αn]A , A A A 矩阵满秩
则基础解系 [ β 1 , β 2 , ⋯ , β n ] [\beta_1,\beta_2,\cdots,\beta_n] [β1,β2,⋯,βn] 、 [ α 1 , α 2 , ⋯ , α n ] [\alpha_1,\alpha_2,\cdots,\alpha_n] [α1,α2,⋯,αn] 等价
3)AB=O 用来找解向量
如果题目中给了 A B = O AB=O AB=O 参照 A x = 0 Ax=0 Ax=0 可知
B 矩阵的每一个列向量都是 A x = 0 Ax=0 Ax=0 的解向量
其中最常见的情况由关键公式推出,即
A ∗ = ∣ A ∣ A − 1 A^*=|A|A^{-1} A∗=∣A∣A−1 ,两边同时乘 A 得到 A A ∗ = ∣ A ∣ E AA^*=|A|E AA∗=∣A∣E 当 A 不满秩时,可以得到 A A ∗ = ∣ A ∣ E = O AA^*=|A|E=O AA∗=∣A∣E=O
即得到了 A A ∗ = O AA^*=O AA∗=O , A ∗ A^* A∗ 的每一个列向量都是 A x = 0 Ax=0 Ax=0 的解
所以一般来讲,只有 r ( A ) = n − 1 r(A)=n-1 r(A)=n−1 时, 才会有 ∣ A ∣ = 0 |A|=0 ∣A∣=0 ,而此时 r ( A ∗ ) = 1 r(A^*)=1 r(A∗)=1 ,即只有一个解