矩阵化为最简形--列向量的最大线性最大无关组--阶梯型矩阵--特征值和特征向量

1 将矩阵化为最简形

以下是将矩阵 $$\left(\begin{array}{ccccc}1& 7& 2& 5& 2\\ 3& 0& -1& 1& -1\\ 2& 1& 0& 6& 4\\ 0& 4& 1& 2& -1\end{array}\right)$$ 化为最简形的 Python 代码，并以矩阵形式展示结果：

from sympy import Matrix

# Define the matrix A
A = Matrix([
    [1, 7, 2, 5, 2],
    [3, 0, -1, 1, -1],
    [2, 1, 0, 6, 4],
    [0, 4, 1, 2, -1]
])

# Compute the reduced row echelon form (rref)
rref_matrix, pivot_columns = A.rref()

# Display the result
print("The matrix in reduced row echelon form is:")
print(rref_matrix)

运行此代码将输出：

The matrix in reduced row echelon form is:
Matrix([
[1, 0, 0, 0, 3/2],
[0, 1, 0, 0,  -2],
[0, 0, 1, 0,   6],
[0, 0, 0, 1, 1/2]])

化为最简形后的矩阵表示为：

$$\left(\begin{array}{ccccc}1& 0& 0& 0& \frac{3}{2}\\ 0& 1& 0& 0& -2\\ 0& 0& 1& 0& 6\\ 0& 0& 0& 1& \frac{1}{2}\end{array}\right)$$

2 求矩阵列向量的最大线性最大无关组

对于矩阵 $$\left(\begin{array}{ccccc}1& 7& 2& 5& 2\\ 3& 0& -1& 1& -1\\ 2& 1& 0& 6& 4\\ 0& 4& 1& 2& -1\end{array}\right)$$：

最大线性无关组的列索引是 ((0, 1, 2, 3))，即列向量：

$$\left(\begin{array}{c}1\\ 3\\ 2\\ 0\end{array}\right),\left(\begin{array}{c}7\\ 0\\ 1\\ 4\end{array}\right),\left(\begin{array}{c}2\\ -1\\ 0\\ 1\end{array}\right),\left(\begin{array}{c}5\\ 1\\ 6\\ 2\end{array}\right)$$

将其余的列向量表示为最大无关组的线性组合：

第5列向量$$\left(\begin{array}{c}2\\ -1\\ 4\\ -1\end{array}\right)$$ 可以表示为：

$$\left(\begin{array}{c}2\\ -1\\ 4\\ -1\end{array}\right)=\frac{3}{2}\left(\begin{array}{c}1\\ 3\\ 2\\ 0\end{array}\right)-2\left(\begin{array}{c}7\\ 0\\ 1\\ 4\end{array}\right)+6\left(\begin{array}{c}2\\ -1\\ 0\\ 1\end{array}\right)+\frac{1}{2}\left(\begin{array}{c}5\\ 1\\ 6\\ 2\end{array}\right)$$

即：

$$\left(\begin{array}{c}2\\ -1\\ 4\\ -1\end{array}\right)=\frac{3}{2}{\mathbf{v}}_1-2{\mathbf{v}}_2+6{\mathbf{v}}_3+\frac{1}{2}{\mathbf{v}}_4$$

其中 $${\mathbf{v}}_1,{\mathbf{v}}_2,{\mathbf{v}}_3,{\mathbf{v}}_4$$ 分别是最大无关组的列向量。

# Define the matrix A
A = Matrix([
    [1, 7, 2, 5, 2],
    [3, 0, -1, 1, -1],
    [2, 1, 0, 6, 4],
    [0, 4, 1, 2, -1]
])

# Compute the reduced row echelon form
rref_matrix, pivot_columns = A.rref()

# Get the maximum linearly independent set of columns
max_independent_set = A[:, pivot_columns]

# Express the remaining columns as linear combinations of the independent set
expressions = {}
for i in range(A.shape[1]):
    if i not in pivot_columns:
        coeffs = rref_matrix[:, i]
        expression = {}
        for j, coeff in enumerate(coeffs):
            if coeff != 0:
                expression[pivot_columns[j]] = coeff
        expressions[i] = expression

pivot_columns, max_independent_set, expressions

3 给你一个增广矩阵，你帮我求出他的阶梯型矩阵（1，-1，3，-1，1；2，-1，-1，4，2；3，-2，2，3，3）最后一个列是增广列

以下是给定增广矩阵 $$\left(\begin{array}{ccccc}1& -1& 3& -1& 1\\ 2& -1& -1& 4& 2\\ 3& -2& 2& 3& 3\end{array}\right)$$的阶梯型矩阵：

$$\left(\begin{array}{ccccc}1& 0& -4& 5& 1\\ 0& 1& -7& 6& 0\\ 0& 0& 0& 0& 0\end{array}\right)$$

这个矩阵已经转换为阶梯型形式。

from sympy import Matrix

# Define the augmented matrix
augmented_matrix = Matrix([
    [1, -1, 3, -1, 1],
    [2, -1, -1, 4, 2],
    [3, -2, 2, 3, 3]
])

# Compute the row echelon form
echelon_matrix = augmented_matrix.rref()[0]

echelon_matrix

4 求特征值和特征向量

将该矩阵 $$\left(\begin{array}{ccc}-1& 1& 1\\ 0& 1& 4\\ 0& 4& 1\end{array}\right)$$的特征值和对应的特征向量写成分数或无理数如下：

特征值：
$$-1,5,-3$$

对应的特征向量（按列排列）：

• 对应特征值 $$-1$$ 的特征向量是：
  $$\left(\begin{array}{c}1\\ 0\\ 0\end{array}\right)$$

• 对应特征值 $$5$$的特征向量是：
  $$\left(\begin{array}{c}\frac{1}{3}\\ 1\\ 1\end{array}\right)$$

• 对应特征值 $$-3$$的特征向量是：
  $$\left(\begin{array}{c}0\\ -1\\ 1\end{array}\right)$$

#写成分数或者无理数的形式
import numpy as np
from sympy import Matrix, Rational
##求矩阵特征值和特征向量
# Define the matrix
matrix = np.array([[2, 0, 0], [0, 3, 2], [0, 2, 3]])

# Compute the eigenvalues and eigenvectors using numpy
eigenvalues, eigenvectors = np.linalg.eig(matrix)

# Convert numpy arrays to sympy for exact computation
matrix_sympy = Matrix(matrix)
eigenvals = matrix_sympy.eigenvals()
eigenvecs = matrix_sympy.eigenvects()

# Print eigenvalues as fractions or irrational numbers
print("Eigenvalues:")
for val in eigenvals:
    print(Rational(val).limit_denominator())

# Print eigenvectors as fractions or irrational numbers
print("\nEigenvectors:")
for val, multiplicity, vecs in eigenvecs:
    for vec in vecs:
        print(f"Eigenvalue {Rational(val).limit_denominator()}:")
        print(vec)

不写成分数或者无理数形式

import numpy as np

# Define the matrix
matrix = np.array([[-1, 1, 1], [0, 1, 4], [0, 4, 1]])

# Compute the eigenvalues and eigenvectors
eigenvalues, eigenvectors = np.linalg.eig(matrix)

eigenvalues, eigenvectors