线性代数第13讲
《有趣的矩阵:看得懂又好看的线性代数》笔记

《有趣的矩阵:看得懂又好看的线性代数》阅读随笔目录一、矩阵基础篇 (2)1.1 矩阵的定义与性质 (3)1.2 矩阵的运算 (4)1.3 矩阵的秩与行列式 (5)二、矩阵应用篇 (6)2.1 矩阵在物理学中的应用 (7)2.2 矩阵在计算机科学中的应用 (8)2.2.1 图像处理 (9)2.2.2 机器学习 (10)2.3 矩阵在经济学中的应用 (11)三、矩阵可视化篇 (13)3.1 利用图表展示矩阵 (14)3.2 利用动画展示矩阵运算 (15)3.3 利用交互式工具探索矩阵世界 (16)四、矩阵挑战篇 (17)4.1 解决矩阵方程 (19)4.2 矩阵分解技巧 (20)4.3 矩阵的逆与特征值问题 (21)五、矩阵与艺术篇 (22)5.1 矩阵在艺术设计中的应用 (23)5.2 矩阵与音乐的关系 (25)5.3 矩阵与建筑的空间结构 (26)六、矩阵学习策略篇 (27)6.1 如何选择合适的矩阵学习材料 (28)6.2 矩阵学习的有效方法 (29)6.3 如何克服矩阵学习的障碍 (31)七、矩阵趣味问答篇 (32)7.1 矩阵相关的趣味问题解答 (33)7.2 矩阵在日常生活中的实际应用 (33)7.3 矩阵的趣味故事与趣闻 (34)八、结语 (35)8.1 阅读随笔总结 (36)8.2 对矩阵未来的展望 (38)一、矩阵基础篇在《有趣的矩阵:看得懂又好看的线性代数》作者以一种通俗易懂的方式向我们介绍了矩阵的基本概念和性质。
矩阵是线性代数中的一个重要概念,它可以用来表示线性方程组、线性变换等。
我们将学习矩阵的基本运算,包括加法、减法、乘法等,并通过实际的例子来理解这些运算的含义。
我们来学习矩阵的基本运算,矩阵是由m行n列的数排成的矩形阵列,其中m和n分别表示矩阵的行数和列数。
每个元素用一个位于其行列索引处的小写字母表示,例如矩阵A [13 4]中,A[1][2]表示矩阵A的第一行第三列的元素,即3。
新东方线性代数笔记--第一讲 行列式--李永乐

新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 9 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 10 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 11 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 2 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 3 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 4 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 5 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 6 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 7 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Page 8 @Kaiziliu 整理
新东方线性代数笔记第一讲行列式李永乐李永乐线性代数视频2016李永乐线性代数2015李永乐线性代数李永乐线性代数李永乐线性代数基础班李永乐线性代数讲义李永乐线性代数强化班2016年李永乐线性代数李永乐线性代数强化
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
第一讲 行列式
Page 1 @Kaiziliu 整理
新东方线性代数笔记(主讲:李永乐)
第一讲 行列式
Python--线性代数篇

Python--线性代数篇讲解Python在线性代数中的应⽤,包括:⼀、矩阵创建先导⼊Numpy模块,在下⽂中均采⽤np代替numpy1import numpy as np矩阵创建有两种⽅法,⼀是使⽤np.mat函数或者np.matrix函数,⼆是使⽤数组代替矩阵,实际上官⽅⽂档建议我们使⽤⼆维数组代替矩阵来进⾏矩阵运算;因为⼆维数组⽤得较多,⽽且基本可取代矩阵。
1 >>> a = np.mat([[1, 2, 3], [4, 5, 6]]) #使⽤mat函数创建⼀个2X3矩阵2 >>> a3 matrix([[1, 2, 3],4 [4, 5, 6]])5 >>> b = np.matrix([[1, 2, 3], [4, 5, 6]])#np.mat和np.matrix等价6 >>> b7 matrix([[1, 2, 3],8 [4, 5, 6]])9 >>> a.shape #使⽤shape属性可以获取矩阵的⼤⼩10 (2, 3)1 >>> c = np.array([[1, 2, 3], [4, 5, 6]]) #使⽤⼆维数组代替矩阵,常见的操作通⽤2 >>> c#注意c是array类型,⽽a是matrix类型3 array([[1, 2, 3],4 [4, 5, 6]])单位阵的创建1 >>> I = np.eye(3)2 >>> I3 array([[ 1., 0., 0.],4 [ 0., 1., 0.],5 [ 0., 0., 1.]])矩阵元素的存取操作:1 >>> a[0]#获取矩阵的某⼀⾏2 matrix([[1, 2, 3]])3 >>> a[:, 0].reshape(-1, 1)#获取矩阵的某⼀列4 matrix([[1],5 [4]])6 >>> a[0, 1]#获取矩阵某个元素7 2⼆、矩阵乘法和加法矩阵类型,在满⾜乘法规则的条件下可以直接相乘1 >>> A = np.mat([[1, 2, 3], [3, 4, 5], [6, 7, 8]])#使⽤mat函数2 >>> B = np.mat([[5, 4, 2], [1, 7, 9], [0, 4, 5]])3 >>> A #注意A, B都是matrix类型,可以使⽤乘号,如果是array则不可以直接使⽤乘号4 matrix([[1, 2, 3],5 [3, 4, 5],6 [6, 7, 8]])7 >>> B8 matrix([[5, 4, 2],9 [1, 7, 9],10 [0, 4, 5]])11 >>> A * B#学过线性代数的都知道:A * B != B * A12 matrix([[ 7, 30, 35],13 [ 19, 60, 67],14 [ 37, 105, 115]])15 >>> B * A16 matrix([[ 29, 40, 51],17 [ 76, 93, 110],18 [ 42, 51, 60]])如果是使⽤数组代替矩阵进⾏运算则不可以直接使⽤乘号,应使⽤dot()函数。
《高等代数》课程教案

《高等代数》课 程 教 案(另有电子多媒体制作的课件教案)(一) 课程概况课程名称: 高等代数I,高等代数II课程学时:两学期,课内周4学时,共计128学时。
课外另有讨论课。
课程性质:必修基础课。
讨论交流:每周安排1次讨论课。
考核方法: 多种形式结合。
平时表现 (课堂讨论、作业、思考题)占10%, 期中考试占20%,期末考试(和小论文小答辩)占70%.开课学期:秋季学期、春季学期。
(二) 使用教材:1.《高等代数学》(第一、二版), 张贤科,许甫华编著,清华大学出版社(主教材)2.《高等代数解题方法》,许甫华、张贤科编著,清华大学出版社(辅导教材)3.《Theory and Problems of Linear Algebra》,S. Lipschutz著, McGraw-Hill出版.4.《Linear Algebra》,S.Berberian著,Oxford Univ. 出版5. 《Advanced Linear Algebra》,S. Roman著,Springer出版社。
(以上3本为参考书)(三) 内容合进度安排 (带星号*的是简单介绍性内容)第一部分 基 础 内 容 (第一学期上课)第1章 数与多项式1.1 数的进化与代数系统 (第1大节上课)*1.2 整数的同余与同余类 (第2大节上课)1.3 多项式形式环 (第3大节上课)1.4 带余除法与整除性1.5 最大公因子与辗转相除法 (第4大节上课)1.6 唯一析因定理1.7 根与重根 (第5大节上课)1.8 与 (第6大节上课)1.9 与1.10 多元多项式 (第7大节上课)1.11 对称多项式习题1 (4 次讨论课)第2章 行列式2.1 排列 (第8大节上课)2.2 行列式的定义2.3 行列式的性质2.4 Laplace 展开 (第9大节上课)2.5 Cramer 法则与矩阵乘法 (第10大节上课)2.6 矩阵的乘积与行列式 (第11大节上课)2.7 行列式的计算习题2 (2次讨论课)第3章 线性方程组3.1 Gauss消元法 (第12大节上课)3.2 方程组与矩阵的秩3.3 行向量空间和列向量空间 (第13大节上课)3.4 矩阵的行秩和列秩3.5 线性方程组解的结构 (第14大节上课)3.6 例题*3.7 结式与消去法习题3 (2次讨论课)第4章 矩阵的运算与相抵4.1 矩阵的运算 (第15大节上课)4.2 矩阵的分块运算4.3 矩阵的相抵 (第16大节上课)4.4 矩阵运算举例 (第17大节上课)4.5 矩阵与映射 (第18大节上课)*4.6 矩阵的广义逆*4.7 最小二乘法习题4 (2 次讨论课)-------------------复习, 期中考试 (第19大节)第5章 线性(向量)空间5.1 线性(向量)空间 (第20大节上课)5.2 线性映射与同构 (21大节上课)5.3 基变换与坐标变换 (第22大节上课)5.4 子空间的和与直和 (第23大节上课)*5.5 商空间习题5 (两次讨论课)第6章 线性变换6.1 线性映射及其矩阵表示 (第24大节上课)6.2 线性映射的运算 (第25大节上课)6.3 线性变换 (第26大节上课)*6.4 线性表示介绍6.5 不变子空间 (第27大节上课)6.6 特征值与特征向量 (第28大节上课)6.7 方阵的相似 (第29大节上课)习题6 (两次讨论课)------------------------复习, 期末考试 (第30-32大节)第二部分 深 入 内 容(第二学期上课)第7章 方阵相似标准形与空间分解7.1 引言: 孙子定理 (第1大节上课)7.2 零化多项式与最小多项式 (第2大节上课)7.3 准素分解与根子空间 (第3大节上课)7.4 循环子空间 (第4大节上课)7.5 循环分解与有理标准形 (第5大节上课)7.6 Jordan 标准形 (第6-7大节上课)7.7 矩阵与空间分解 (第8大节上课)7.8 矩阵的相抵与Smith标准形 (第9大节上课)7.9 三种因子与方阵相似标准形 (第10大节上课) *7.10 方阵函数 (第11大节上课)*7.11 与可交换的方阵*7.12 模分解基本定理7.13 若干例题习题7 (讨论课4次)第8章 双线性型、二次型与方阵相合8.1 二次型与对称方阵 (第12大节上课)8.2 对称方阵的相合 (第13大节上课)8.3 正定实对称方阵 (第14大节上课)8.4 交错方阵的相合及例题 (第15大节上课)8.5 线性函数与对偶空间 (第16大节上课)8.6 双线性函数 (第17大节上课)8.7 对称双线性型与二次型 (第18大节上课)*8.8 二次超曲面的仿射分类*8.9 无限维线性空间习题8 (讨论课 3次)-------------------------复习, 期中考试 (第19大节上课)第9章 欧几里得空间与酉空间9.1 标准正交基 (第20大节上课)9.2 方阵的正交相似 (第21大节上课)9.3 欧几里得空间的线性变换 (第22大节上课)9.4 正定性与极分解 (第23大节上课)*9.5 二次超曲面的正交分类 (第24大节上课)9.6 杂例 (第25大节上课)9.7 Hermite型 (第26大节上课)9.8 酉空间和标准正交基 (第27大节上课)9.9 方阵的酉相似与线性变换 (第28大节上课)*9.10 变换族与群表示9.11 型与线性变换 (第29大节上课)习题9 (讨论课 4次)-------------------------复习, 期末考试 (第30-32大节) 第三部分 选 学 内 容(课外阅读材料, 不在课内讲课, 或稍作介绍)第10章 正交几何与辛几何10.1 根与正交补10.2 正交几何与辛几何的结构10.3 等距变换与反射10.4 Witt定理10.5 极大双曲子空间习题10第11章 Hilbert空间11.1 内积与度量空间11.2 内积空间与完备11.3 逼近与正交直和11.4 Fourier展开11.5 等距同构于11.6 有界函数与Riesz表示习题11第12章 张量积与外积12.1 引言与概述12.2 张量积12.3 线性变换及对偶12.4 张量及其分量12.5 外积12.6 交错张量习题12(四)课程的定位和作用《高等代数》是数学的核心基础课程。
四行列式的计算公式

四行列式的计算公式四行列式是线性代数中的一个重要概念,它的计算公式可不简单哦!咱们先来说说啥是四行列式。
简单来讲,就是一个由四行四列数字组成的方阵,通过特定的规则算出一个值来。
那这个特定规则是啥呢?比如说,咱们有一个四行列式:\[\begin{vmatrix}a_{11} & a_{12} & a_{13} & a_{14} \\a_{21} & a_{22} & a_{23} & a_{24} \\a_{31} & a_{32} & a_{33} & a_{34} \\a_{41} & a_{42} & a_{43} & a_{44}\end{vmatrix}\]它的计算公式就是把这 16 个数按照一定的规律进行运算。
具体来说,就是先选定某一行(或某一列),然后把这一行(或列)中的每个数乘以它对应的代数余子式,最后把这些乘积加起来。
听起来是不是有点晕?别着急,咱们来举个例子。
假设这个四行列式是:\[\begin{vmatrix}1 &2 &3 &4 \\5 &6 &7 &8 \\9 & 10 & 11 & 12 \\13 & 14 & 15 & 16\end{vmatrix}\]咱们就选定第一行来计算。
先算第一个数 1 对应的代数余子式。
代数余子式就是把这个数所在的行和列划掉,剩下的部分组成的行列式乘以一个正负号。
1 对应的正负号是正的,划掉第一行第一列后剩下的行列式是:\[\begin{vmatrix}6 &7 &8 \\10 & 11 & 12 \\14 & 15 & 16\end{vmatrix}\]然后按照三阶行列式的计算方法算出这个值。
同样的方法算出 2、3、4 对应的代数余子式的值,再分别乘以 2、3、4,最后把这四个乘积加起来,就是这个四行列式的值啦。
线代第五讲线性代数

4 030rr34 2Brr344
r1 r2 r2 r3
1 0 1 0 4
0 0
1 0
1 0
0 1
3 3
B
5
0 0 0 0 0
矩阵 B4 和 B5 都称为行阶梯形矩阵. 特点:
(1)、可划出 一条阶梯线,线 的下方全为零;
(2)、每个 台阶 只有一行,
1 0 1 0 4
0 0
1 0
1 0
同理可定义矩阵的初等列变换(所用记号是 把“r”换成“c”).
定义2 矩阵的初等列变换与初等行变换统称为 初等变换.
初等变换的逆变换仍为初等变换, 且变换类型 相同.
ri rj ri k ri krj
逆变换 逆变换 逆变换
ri rj;
ri
(1) k
或
ri
k;
ri (k)rj 或 ri krj .
§2.4 矩阵的初等变换
一、矩阵的初等变换
定义1 下面三种变换称为矩阵的初等行变换:
1 对调两行(对调i, j两行,记作ri rj); 2 以数 k 0 乘以某一行的所有元素;
(第 i 行乘 k,记作 ri k)
3 把某一行所有元素的k 倍加到另一行
对应的元素上去(第 j 行的 k 倍加到第 i 行上 记作ri krj).
5
2 2 1 9 2 3
r3 42r1
r4
603r1
B2
13 23 1 4 4 3
r3 5r2 r4 3r2
0 0
1 0
1 0
1 2
Hale Waihona Puke 0 6B30 0 0 1 3
1 rBr343 2rr34000
11 10 00 00
行列式的定义计算方法

行列式的定义计算方法行列式是线性代数中一个重要的概念,用于描述线性方程组的解的性质。
行列式广泛应用于数学、物理、工程等领域,具有重要的理论和实际价值。
本文将详细介绍行列式的定义和计算方法,并通过实例加以说明。
行列式是线性代数中独特的一个概念,它起源于19世纪初,由日本数学家关孝和引入并发展起来。
行列式在线性代数中具有非常重要的地位,它与线性方程组的解有密切的关联。
掌握行列式的定义和计算方法,对于理解线性代数的相关概念和解决实际问题具有重要的意义。
一、行列式的定义行列式是一个方阵的一个标量值,它可以用来判断矩阵的很多性质和计算线性方程组的解。
对于一个n阶矩阵A=(a_ij),它的行列式记作det(A),其中a_ij表示在矩阵A中第i行、第j列的元素。
二、行列式的计算方法1. 二阶行列式的计算:对于一个2x2的矩阵A=(a_11 a_12; a_21 a_22),它的行列式计算公式为:det(A) = a_11 * a_22 - a_12 * a_212. 三阶行列式的计算:对于一个3x3的矩阵A=(a_11 a_12 a_13; a_21 a_22 a_23; a_31 a_32 a_33),它的行列式计算公式为:det(A) = a_11 * a_22 * a_33 + a_12 * a_23 * a_31 + a_13 * a_21 * a_32- a_31 * a_22 * a_13 - a_32 * a_23 * a_11 - a_33 * a_21 * a_123. 高阶行列式的计算:对于高于三阶的行列式,我们通常使用拉普拉斯展开法来计算。
选择行或列,然后对该行或列的元素依次乘以其代数余子式,再按正负号加和,即可得到行列式的值。
【举例说明】为了更好地理解行列式的计算方法,我们通过一个实例来进行说明。
考虑一个3x3的矩阵A=(1 2 3; 4 5 6; 7 8 9),我们将按照上述的计算方法来求解其行列式值。
高等数学、线性代数、概率论和数理统计复习要点大合集

Th4: (柯西中值定理) 设函数 , 满足条件: (1) 在 上连续;(2) 在 内可导且 , 均存在,且 则在 内存在一个 ,使
10.洛必达法则
法则Ⅰ( 型不定式极限)
设函数
满足条件:
域内可导 (在 处可除外)且
;
存在(或 )。
;
在 的邻
则:
法则 ( 型不定式极限)
4
设函数 | | 时,
满足条件: 可导,且
������������ ������ ������ ������
我们一般在 OCTAVE 或者 MATLAB 中进行计算矩阵的逆矩阵。
矩阵的转置基本性质: ������ ������ ������ ������������ ������������ ������������������
������ × ������ ������ ������������ × ������������
高等数学
1.导数定义: 导数和微分的概念
或者: 2.左右导数导数的几何意义和物理意义 函数 在 处的左、右导数分别定义为: 左导数:
右导数:
3.函数的可导性与连续性之间的关系
Th1: 函数 在 处可微
在 处可导。
Th2:若函数在点 处可导,则 续不一定可导。
在点 处连续,反之则不成立。即函数连
Th3:
义都用 ������ 代表单位矩阵,从左上角到右下角的对角线(称为主对角线)上的元
素均为 1 以外全都为 0。如:
������������ ������ ������ ������
对于单位矩阵,有������������ ������������ ������
矩阵的逆:如矩阵 ������是一个 ������ × ������ 矩阵(方阵),如果有逆矩阵,则:
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
, α2 s2 ,
, αmsm , , αmsm
21
推论4.7的证明比较冗长, 这里不证, 仅以 它的一个简单情形为例加以证明. 设A有两个不同的特征值1,2, 对应于1 的线性无关的特征向量为a1,a2, 对应于2 的线性无关的特征向量为b1,b2,b3, 则向 量组a1,a2,b1,b2,b3仍是线性无关的.
31
§4 对称矩阵必可对角化
32
这里讲的对称矩阵, 都是指的实对称矩阵. 在上一节讨论中, 我们看到: 并不是任何 方阵都是可以对角化的. 但是, 有一类矩 阵却是一定可以对角化的. 这就是对称矩 阵. 定理4.8 对称矩阵的特征值必为实数 这个定理, 这里不证. 它反映了对称阵的 一个很重要的性质, 其它矩阵不一定具备 这个性质.
证明 (1)
| E A | 又有 | E A |
必有n个根 按行列式定义
(a11 a22 ann )
n
n 1
( 1 )( 2 ) ( n )
比较上面两式的右边, 注意n1的系数, 可有
1 2
n a11 a22
11
*(6) A 与 B 有相同的迹, 即
tr( A) aii tr( B ) bii .
i 1 n n i 1 n
(关于矩阵的迹 tr( H ) hii , 有性质
i 1
tr(HK)=tr(KH), 故 tr(B)=tr(U AU)=tr(AUU )=tr(A))
24
2 A(ξ1 , ξ 2 , ξ 3 ) (ξ1 , ξ 2 , ξ3 ) 2 4 由于x1,x2,x3线性无关, 故矩阵(x1,x2,x3)是 可逆矩阵, 则有 2 1 (ξ1 , ξ 2 , ξ3 ) A(ξ1 , ξ 2 , ξ3 ) 2 4
10
(4) A与B有相同的特征多项式. (|EB|=|UUUAU|=|U(E A)U|=|U||EA||U|=|EA|.) (5) A与B有相同的特征值. (这是(4)的自然的结果) (注意, (1),(2),(3),(4),(5)均反之则不然. (4) 与(5)的一个反例: 1 0 1 1 0 1 与 0 1 它们有相同的特征值, 却不相似.
27
例4.12 设1,2是矩阵A的两个不同的特 征值, 对应的特征向量记为a1与a2. 试证 明: a1+a2不是A的特征向量.
28
证明 按题意. Aa1=1a1, Aa2=2a2. 故有 A(a1+a2)=1a1+2a2. 反证. 若a1+a2是A的特征向量, 即存在数 , 使 A(a1+a2)=(a1+a2). 于是 (a1+a2)=1a1+2a2, 即 (1)a1+(2)a2=0. 由定理4.5知, a1与a2线性无关, 故 1=0, 2=0 即1=2. 这与已知矛盾.
9
相似矩阵有诸多性质: 若UAU=B,则 (1) A与B有相同的行列式. (只要在等式两边取行列式, 便得证). (2) A与B有相同的可逆性, 当它们可逆时, 其逆阵也相似. (可逆时, 只要在等式两边取逆, 便得证) (3) A与B有相同的秩. (因A的两旁乘的是可逆阵, 可逆阵与矩阵 相乘时, 不改变那个矩阵的秩)
13
定义4.10 若能把方阵A相似变换到对角 阵D, 即存在可逆阵U, 使UAU=D, 则称 A可以对角化. 否则, 就称A不能对角化.
14
设可逆矩阵 U=(a1, ,an), 即把 U 按列分块,
1 D , ,则 n 1 U AU D AU UD A(α1 , ( Aα1 , 1 , αn ) (α1 , , αn ) , Aαn ) (1α1 , , n αn ) , n. n
17
x1a1+x2a2++xmam=0. 即 1x1a1+2x2a2++mxmam=0. 一次次地左乘A, 得 k k k 1 x1α1 2 x2α2 m xm αm 0,
k 1, 2,
1 1 1 2 , xmαm ) 1 m
,m 1
25
即
Ax1=2x1,Ax2=2x2,Ax34x3,
例4.11 设 2 1 0 y 1 0 A 1 x 0 ,B 0 1 0 1 1 2 0 0 2 A与B相似, 求x,y. 解 因为A与B相似, 所以 |A|=|B|
12
(7) UAkU=BB)分别是 A,B的多项式. (Uf(A)U=U(a0E+a1A++amAm)U =Ua0EU+a1UAU++amUAmU =a0E+a1B++amBm=f(B).) 相似矩阵有这么多共同性质, 若这里B是对 角阵(最简单的矩阵), 即若能把方阵A相似 变换到对角阵, 这将会给我们研究矩阵A带 来很大方便.
tr(A)=tr(B)
26
即有 | A | 4 x 2 | B | 2 y, (*) tr( A) 4 x tr( B) 3 y. 可解出 x=0, y=1. (注: 还可以由B知, 1是A的特征值, 故有 |1EA|=0, 从中解出x, 再代入(*)式中任一 式, 可解出y).
22
证明 观察 x1a1+x2a2+x3b1+x4b2+x5b3=0, 即有 x1a1+x2a2x3b1x4b2x5b3 设 g=x1a1+x2a2 若g0, 则表明g即是属于特征值1的向量, 又是属于特征值2的向量, 这是不可能的. 因此g=0. 即 x1a1+x2a2=0 x3b1+x4b2+x5b3=0 由已知a1,a2线性无关, b1,b2,b3线性无关, 故 x1=x2=x3=x4=x5=0 所以, 向量组a1,a2,b1,b2,b3线性无关
23
定理4.5及其两个推论, 可以让我们清楚 地了解: n阶矩阵A是否有n个线性无关的 特征向量. 从而可知它能否对角化. 在例 4.6中, 三阶方阵A只有两个线性无关的特 征向量(即x1与x2)所以它不能对角化. 而 在例4.7中的三阶方阵A, 有三个线性无关 的特征向量(即x1,x2,x3), 所以它可以对角 化, 即有 Ax1=2x1,Ax2=2x2,Ax34x3,
1
3
证明 (1) 因 为 | A | 1 2
n , 所 以 由 |A|0, 知
i0, i=1, ,n. (2) 设 Ax=x, 是 A 的特征值, 则
A Ax=A x, 即有 A x
1
1
1
x ,即 是
1
A 的特征值. (3) 因 A*=|A|A , 由(2)可知 | A |是 A*的特
m 1 m
(0, 0,
, 0)
上式左端第二个矩阵的行列式是范德蒙行 列式, 由于i各不相同, 故此行列式不等于 零, 因而此矩阵可逆. 在此等式两边, 右乘 此矩阵的逆阵, 有 (x1a1,x2a2,,xmam)=(0,0,,0), 即 xjaj=0 j=1,,m. 由于aj0, 故xj=0 所以向量组a1,a2,,am线 性无关
把上面m个等式合写成矩阵形式, 即
( x1α1 , x2α2 ,
(0, 0, m 1 m
m 1 1 m 1 2
, 0)
18
( x1α1 , x2α2 ,
1 1 1 2 , xmαm ) 1 m
1m 1 m 1 2
33
定理4.9 设12是对称阵A的两个特征值, a1,a2是分别对应于1,2的特征向量, 则 a1与a2正交.
34
证明 已知 Aa1=1a1, Aa2=2a2. T T T T 1α1 (1α1 ) ( Aα1 ) α1 A. 在上面两端右乘a2: T T T 1α1 α2 α1 Aα2 2α1 α2 , 即
16
定理4.5 方阵A的不同特征值所对应的特 征向量是线性无关的. 证明 设1,2,,m是A的m个不同的特征 值, a1,a2,,am依次是与之对应的特征向 量, 现要证明a1,a2,,am线性无关. 观察 x1a1+x2a2++xmam=0. 等式两边左乘A: A(x1a1+x2a2++xmam)=A0 即 1x1a1+2x2a2++mxmam=0.
29
例4.13 设二阶矩阵A, |A|<0, 证明: A必可 对角化. 证明 |A|=12<0. 因为复根必成对共轭出现, 故1与2不可 能是复的, 故1与2为实根, 由12<0, 知 12. 于是由推论4.6知: 二阶矩阵有二个 单根, 则必可对角化.
30
例4.14 设A是n阶方阵. =2,4,,2n是A的 n个特征值. 求|A3E|. 解 EA=(3)E(A3E). 上式表明: 是A的特征值3是A3E 的特征值. 因为A的特征值是2,4,,2n, 故 A3E的特征值是1,1,3,,(2n3). 所以 |A3E|113(2n3).
ann aii
i 1
1
n
(2) 在|EA|=(1)(2)(n)中, 令 =0代入, 得
| A | 1 2
n
2
例4.8 若A为可逆矩阵, 则
(1) A 的特征值不等于零. (2) 设 A 的特征值为, 则 A 有特征值 . (3) 设 A 的 特 征 值 为 , 则 A* 有 特 征 值 1 | A|.