数值线性代数答案.doc
最全线性代数习题及参考答案
第一章：一、填空题：1、若a a D ij n ==||，则=-=||ij a D ；解：a a a a a D aa a a a D n nnn nnnn nn )1(11111111-=----=∴==2、设321,,x x x 是方程03=++q px x 的三个根，则行列式132213321x x x x x x x x x = ； 解：方程023=+++d cx bx ax 的三个根与系数之间的关系为：a d x x x a c x x x x x x ab x x x ///321133221321-==++-=++所以方程03=++q px x 的三个根与系数之间的关系为：q x x x p x x x x x x x x x -==++=++3211332213210033)(3321221321333231132213321=--++-=-++=x x x q x x x p x x x x x x x x x x x x x x x3、行列式1000000019980001997002001000= ；解：原式按第1999行展开：原式=!19981998199721)1(0001998001997002001000219981999-=⨯⨯⨯-=+++4、四阶行列式4433221100000a b a b b a b a = ； 解：原式按第一行展开：原式=))(()()(000004141323243243214324321433221433221b b a a b b a a b b b b a a b a b b a a a a b a b b a b a a b b a a --=---=-5、设四阶行列式cdb a a cbda dbcd c ba D =4，则44342414A A A A +++= ；解：44342414A A A A +++是D 4第4列的代数余子式，44342414A A A A +++=0111111111111==d a c d d c c a bd b a c bdd b c c ba6、在五阶行列式中3524415312a a a a a 的符号为 ；解：n 阶行列式可写成∑-=n np p p ta a aD 2211)1(，其中t 为p 1p 2…p n 的逆序数所以五阶行列式中3524415312a a a a a 的符号为5341352412a a a a a 的符号，为1)1()1(5)3,1,5,4,2(-=-=-t7、在函数xx x xxx f 21112)(---=中3x 的系数是 ； 解：根据行列式结构，可知3x 须由a 11=2x ，a 33=x 和第二行的一个元素构成，但此时第三个元素只能取a 22（行、列数均不可重复），所以此式为3332211)3,2,1(2)1(x a a a t -=-，系数为-2。
线性代数课后习题答案全习题详解
线性代数课后习题答案全习题详解在学习线性代数的过程中，课后习题是巩固知识、检验理解程度的重要环节。
然而，对于许多同学来说，完成这些习题并得到正确答案并非易事。
为了帮助大家更好地掌握线性代数，本文将对课后习题进行全面且详细的解答。
线性代数作为一门数学学科，其主要研究对象包括向量、矩阵、线性方程组等。
这些概念相互关联，构成了一个复杂而又有序的知识体系。
通过课后习题的练习，我们能够更深入地理解这些概念，提高运用线性代数方法解决实际问题的能力。
首先，来看一道关于矩阵运算的习题。
假设我们有两个矩阵 A 和 B，A ＝ 1 2; 3 4，B ＝ 5 6; 7 8，求它们的和 A ＋ B。
解题步骤如下：矩阵的加法是对应元素相加，所以 A ＋ B ＝ 1 ＋ 5 2 ＋ 6; 3 ＋ 7 4 ＋ 8 ＝ 6 8; 10 12接下来，考虑一道关于向量线性相关性的问题。
已知向量组 a1 ＝ 1 2 3，a2 ＝ 2 4 6，a3 ＝ 3 6 9，判断它们是否线性相关。
要判断向量组的线性相关性，我们可以通过构建线性方程组来求解。
设存在一组实数 k1，k2，k3，使得 k1a1 ＋ k2a2 ＋ k3a3 ＝ 0。
将向量代入可得：k11 2 3 ＋ k22 4 6 ＋ k33 6 9 ＝ 0 0 0即：1k1 ＋ 2k2 ＋ 3k3 2k1 ＋ 4k2 ＋ 6k3 3k1 ＋ 6k2 ＋ 9k3 ＝ 0 0 0可以得到方程组：k1 ＋ 2k2 ＋ 3k3 ＝ 02k1 ＋ 4k2 ＋ 6k3 ＝ 03k1 ＋ 6k2 ＋ 9k3 ＝ 0通过观察可以发现，第二个方程是第一个方程的两倍，第三个方程是第一个方程的三倍。
这意味着方程之间存在线性关系，存在无穷多组解，所以向量组 a1，a2，a3 线性相关。
再看一道求解线性方程组的习题。
方程组为：x ＋ 2y z ＝ 12x y ＋ 3z ＝ 23x ＋ y ＋ 2z ＝ 3我们可以使用高斯消元法来求解。
（完整版）数值线性代数答案
（完整版）数值线性代数答案习题1１．求下三⾓阵的逆矩阵的详细算法。
[解] 设下三⾓矩阵L的逆矩阵为T我们可以使⽤待定法，求出矩阵T的各列向量。
为此我们将T按列分块如下：注意到我们只需运⽤算法1·1·1，逐⼀求解⽅程便可求得[注意]考虑到内存空间的节省，我们可以置结果矩阵T的初始状态为单位矩阵。
这样，我们便得到如下具体的算法：算法（求解下三⾓矩阵L的逆矩阵T，前代法）３．证明：如果是⼀个Gauss变换，则也是⼀个Gauss变换。
[解]按Gauss变换矩阵的定义，易知矩阵是Gauss变换。
下⾯我们只需证明它是Gauss 变换的逆矩阵。
事实上注意到，则显然有从⽽有４．确定⼀个Gauss变换L，使[解] ⽐较⽐较向量和可以发现Gauss变换L应具有功能：使向量的第⼆⾏加上第⼀⾏的2倍；使向量的第三⾏加上第⼀⾏的2倍。
于是Gauss变换如下５．证明：如果有三⾓分解，并且是⾮奇异的，那么定理1·1·2中的L和U都是唯⼀的。
[证明]设，其中都是单位下三⾓阵，都是上三⾓阵。
因为A⾮奇异的，于是注意到，单位下三⾓阵的逆仍是单位下三⾓阵，两个单位下三⾓阵的乘积仍是单位下三⾓阵；上三⾓阵的逆仍是上三⾓阵，两个上三⾓阵的乘积仍是上三⾓阵。
因此，上述等将是⼀个单位下三⾓阵与⼀个上三⾓阵相等，故此，它们都必是单位矩阵。
即，从⽽即A的LU分解是唯⼀的。
17．证明定理1·3·1中的下三⾓阵L是唯⼀的。
[证明] 因A是正定对称矩阵，故其各阶主⼦式均⾮零，因此A⾮奇异。
为证明L的唯⼀性，不妨设有和使那么注意到：和是下三⾓阵，和为上三⾓阵，故它们的逆矩阵也分别是下三⾓阵和上三⾓阵。
因此，只能是对⾓阵，即从⽽于是得知19．若是A的Cholesky分解，试证L的i阶顺序主⼦阵正好是A的i阶顺序主⼦阵的Cholesky因⼦。
[证明] 将A和L作如下分块其中：为矩阵A和L的i阶顺序主⼦阵。
《线性代数》课后习题答案
《线性代数》课后习题答案第一章行列式习题1.11. 证明：（1）首先证明)3(Q 是数域。
因为)3(Q Q ?，所以)3(Q 中至少含有两个复数。
任给两个复数)3(3,32211Q b a b a ∈++，我们有3)()3()3)(3(3)()()3()3(3)()()3()3(21212121221121212211212122 11b a a b b b a a b a b a b b a a b a b a b b a a b a b a +++=++-+-=+-++++=+++。
因为Q 是数域，所以有理数的和、差、积仍然为有理数，所以)3(3)()3()3)(3()3(3)()()3()3()3(3)()()3()3(2121212122112121221 121212211Q b a a b b b a a b a b a Q b b a a b a b a Q b b a a b a b a ∈+++=++∈-+-=+-+∈+++=+++。
如果0322≠+b a ，则必有22,b a 不同时为零，从而0322≠-b a 。
又因为有理数的和、差、积、商仍为有理数，所以)3(33)(3)3()3)(3()3)(3(332222212122222121222222112211Q b a b a a b b a b b a a b a b a b a b a b a b a ∈--+--=-+-+=++。
综上所述，我们有)3(Q 是数域。
（2）类似可证明)(p Q 是数域，这儿p 是一个素数。
（3）下面证明：若q p ,为互异素数，则)()(q Q p Q ?。
（反证法）如果)()(q Qp Q ?，则q b a p Q b a +=?∈?,，从而有q ab qb a p p 2)()(222++==。
由于上式左端是有理数，而q 是无理数，所以必有02=q ab 。
所以有0=a 或0=b 。
线性代数高等数学教材答案
线性代数高等数学教材答案在此，我提供给您一份《线性代数高等数学教材》的答案。
第一章线性方程组与矩阵1.1 线性方程组的解集与线性方程组的解集的性质1.1.1 线性方程组的解集与解集的表示1.1.2 线性方程组的解集的性质1.2 线性方程组的增广矩阵与梯度消元法1.2.1 线性方程组的增广矩阵1.2.2 梯度消元法与梯度消元法的步骤1.3 初等变换与线性方程组的解集1.3.1 初等变换的定义与举例1.3.2 初等变换与线性方程组解集的关系第二章行列式2.1 二阶行列式与二阶行列式的性质2.1.1 二阶行列式的定义2.1.2 二阶行列式的性质2.2 三阶行列式与三阶行列式的性质2.2.1 三阶行列式的定义2.2.2 三阶行列式的性质2.3 行列式的性质与行列式的计算2.3.1 行列式的性质2.3.2 行列式的计算方法第三章矩阵的运算与矩阵方程3.1 矩阵的运算3.1.1 矩阵的加法与数量乘法3.1.2 矩阵的乘法与乘法的性质3.2 矩阵方程3.2.1 矩阵方程的定义与举例3.2.2 矩阵方程的解与解的存在性3.3 矩阵的逆与矩阵方程的求解3.3.1 矩阵的逆的定义与判定3.3.2 矩阵方程的求解方法第四章特征值与特征向量4.1 特征值与特征向量的定义与性质4.1.1 特征值与特征向量的定义4.1.2 特征值与特征向量的性质4.2 对角化与相似矩阵4.2.1 对角化的定义与条件4.2.2 相似矩阵的性质与判定4.3 幂法与特征子空间4.3.1 幂法与幂法的步骤4.3.2 特征子空间的定义与举例第五章向量空间与线性变换5.1 向量空间的定义与性质5.1.1 向量空间的定义与示例5.1.2 向量空间的性质与判定5.2 线性相关与线性无关5.2.1 线性相关与线性无关的定义5.2.2 线性相关与线性无关的判定方法5.3 线性变换与线性变换的性质5.3.1 线性变换的定义与示例5.3.2 线性变换的性质与运算以上是《线性代数高等数学教材》的答案，希望对您的学习有所帮助。
数值线性代数第二版徐树方高立张平文上机习题第三章实
- 1 -第三章上机习题用你所熟悉的的计算机语言编制利用QR 分解求解线性方程组和线性最小二乘问题的通用子程序，并用你编制的子程序完成下面的计算任务：（1）求解第一章上机习题中的三个线性方程组，并将所得的计算结果与前面的结果相比较，说明各方法的优劣； （2）求一个二次多项式+bt+cy=at 2，使得在残向量的2范数下最小的意义下拟合表3.2中的数据；（3）在房产估价的线性模型111122110x a x a x a x y ++++=中，1121,,,a a a 分别表示税、浴室数目、占地面积、车库数目、房屋数目、居室数目、房龄、建筑类型、户型及壁炉数目，y 代表房屋价格。
现根据表3.3和表3.4给出的28组数据，求出模型中参数的最小二乘结果。
（表3.3和表3.4见课本P99-100）解 分析：（1）计算一个Householder 变换H ： 由于TTvv I wwI H β-=-=2，则计算一个Householder 变换H 等价于计算相应的v 、β。
其中)/(2,||||12v v e x x v T=-=β。
在实际计算中，为避免出现两个相近的数出现的情形，当01>x 时，令212221||||)(-x x x x v n +++=；为便于储存，将v 规格化为1/v v v =，相应的，β变为)/(221v v v T=β为防止溢出现象，用∞||||/x x 代替 （2）QR 分解：利用Householder 变换逐步将n m A n m ≥⨯,转化为上三角矩阵A H HH n n 11-=Λ，则有⎥⎦⎤⎢⎣⎡=0R Q A ，其中n H H H Q 21=，:),:1(n R Λ=。
在实际计算中，从n j :1=，若m j <，依次计算)),:((j m j A x =对应的)1()1()~(+-⨯+-k m k m j H即对应的j v ，j β，将)1:2(+-j m v j 储存到),:1(j m j A +，j β储存到)(j d ，迭代结束后再次计算Q ，有⎥⎥⎦⎤⎢⎢⎣⎡=-~001j j j H I H，n H H H Q 21=（m n =时1-21n H H H Q =）（3）求解线性方程组b Ax =或最小二乘问题的步骤为 i 计算A 的QR 分解；ii 计算b Q c T 11=，其中):1(:,1n Q Q = iii 利用回代法求解上三角方程组1c Rx =（4）对第一章第一个线性方程组，由于R 的结果最后一行为零，故使用前代法时不计最后一行，而用运行结果计算84x 。
高等工程数学第二章习题及答案
第2章 线性代数方程组数值解法 研究n 阶线性方程组Ax b =的数值解法.()ij A a =是n n⨯矩阵且非奇异，12(,,,)Tn x x x x = ,12(,,,)Tn b b b b =两类数值方法：(1) 直接法：通过有限次的算术运算，若计算过程中没有舍入误差，可以求出精确解的方法.Ax b Gx d == 等价变换G 通常是对角矩阵、三角矩阵或者是一些结构简单的矩阵的乘积.(2) 迭代法：用某种极限过程去逐次逼近方程组的解的方法.(1)()i i Ax b x Bx k x Bx k +==+−−−−−→=+ 等价变换建立迭代格式，0,1,i =一、向量范数与矩阵范数 1. 向量范数【定义】 若对nK 上任一向量x ，对应一个非负实数x ，对任意,nx y R ∈及K α∈，满足如下条件(向量范数三公理) (1) 非负性：0x ≥，且0x =的充要条件是0x =；(2)齐次性：x xαα=；(3)三角不等式：x y x y+≤+.则称x为向量x的范数.常用的向量范数： (1) 1—范数11nii x x ==∑(2) 2—范数12221()ni i x x ==∑(3) ∞—范数1max ii nxx ∞≤≤=(4) 一般的p —范数11()pnpi pi xx ==∑2. 矩阵范数【定义】 若n nK ⨯上任一矩阵()ij n n A a ⨯=，对应一个非负实数A ，对任意的,n nA B K ⨯∈和K α∈，满足如下条件(矩阵范数公理)：(1) 非负性：0A ≥，且0A =的充要条件是0A =；(2)齐次性：A Aαα=；(3)三角不等式：A B A B +≤+；(4)乘法不等式：AB A B≤.则称A为矩阵A的范数.矩阵范数与向量范数是相容的：Ax A x≤向量范数产生的从属范数或算子范数：10max maxx x AxA Ax x=≠==常见从属范数：(1) 1—范数111max ||nij j ni A a ≤≤==∑(2) ∞—范数11max ||nij i nj A a ∞≤≤==∑(3) 2—范数2A =谱半径1()max ||H i i n A A ρλ≤≤=，iλ为H A A 的特征值.H A 为A 的共轭转置. 注：矩阵A 的谱半径不超过A 的任一范数，即()A A ρ≤范数等价性定理：,s t x x为n R 上向量的任意两种范数，则存在常数12,0c c >，使得12,ns t s c x x c x x R ≤≤ ∀∈.注：矩阵范数有同样的结论. 【定理2.1】是任一向量范数，向量序列()k x 收敛于向量*x 的充要条件是()*0,k x x k -→ →∞二、 Gauss 消去法 1．顺序Gauss 消去法 将方程Ax b =写成如下形式11112211,121122222,11122,1n n n n n n n n nn n n n a x a x a x a a x a x a x a a x a x a x a ++++++=⎧⎪+++=⎪⎨⎪⎪+++=⎩其中记,1,1,2,,.i n i a b i n +==消元过程：第一次消元：设110a ≠，由第2,3,,n 个方程减去第一个方程乘以1111/(2,3,,)i i m a a i n == ，则将方程组中第一个未知数1x消去，得到同解方程11112211,1(1)(1)(1)22222,1(1)(1)(1)22,1n n n n n n n nn n n n a x a x a x a a x a x a a x a x a ++++++=⎧⎪ ++=⎪⎨⎪⎪ ++=⎩其中， (1)11,2,3,,;2,3,,,1ijij i j a a m a i n j n n =-==+ . 1111/i i m a a =，2,3,,i n = .第二次消元：设(1)220a ≠，.由第2,3,,n 个方程减去方程组中的第2个方程乘以(1)(1)2222/(3,4,,)i i m a a i n == ，则将方程组第2个未知数2x 消去，得到同解方程11112213311,1(1)(1)(1)(1)2222322,1(2)(2)(2)33333,1(2)(2)(2)33,1n n n n n n n n n nnn n n n a x a x a x a x a a x a a x a a x a x a a x a x a ++++++++=⎧⎪ +++=⎪⎪ ++=⎨⎪⎪⎪ ++=⎩其中(2)(1)(1)22, 3,4,,; 3,4,,,1ij ij i j a a m a i n j n n =-==+ . (1)(1)2222/i i m a a =，3,4,,i n = .经过1n -次消元后，原方程组变成等价方程组11112213311,1(1)(1)(1)(1)2222322,1(2)(2)(2)33333,1(1)(1),1n n n n n n n n n n n nn n n n a x a x a x a x a a x a a x a a x a x a a x a +++--+++++=⎧⎪ +++=⎪⎪ ++=⎨⎪⎪⎪ =⎩其中()(1)(1), 1,2,,k k k ij ij ik ij a a m a i k k n --=-=++ ， 1,2,,,1j k k n n =+++ .(1)(1)/k k ik ik kkm a a --=，1,2,,i k k n =++ ；1,2,,1k n =- .回代过程：(1)(1),1(1)(1)(1),1,,1/[]/,1,2,,2,1.n n n n n m n i i i ii n i j j i j j i x a a x a a x a i n n --+---+=+⎧=⎪⎨=-=--⎪⎩∑计算量：按常规把乘除法的计算次数合在一起作为Gauss 消去法总的计算量，而略去加减法的计算次数. 在消去过程中，对固定的消去次数(1,2,,1)k k n =- ，有：除法(1)(1),,/,1,1,,k k ik i k k k m a a i k k n --= =++ 共计n k -次；乘法(1),,1,2,,;1,2,,,1k ik k j m a i k k n j k k n n - =++ =+++ 共计()(1)n k n k --+次.因此，消去过程总的计算量为1311[()(1)]3n k M n k n k n k n-==--++-≈∑ 回代过程的乘除法计算次数为21()2n n +.与消去法计算量相比可以略去不计.所以， Gauss 消去法总的计算量大约为313n .2. Gauss-Jordan 消去法Gauss-Jordan 消去法是Gauss 消去法的一种变形.此方法的第一次消元过程同Gauss 消去法一样，得到(1)(1)(1)(1)11112213311,1(1)(1)(1)(1)22223322,1(1)(1)(1)(1)32233333,1(1)(1)(1)(1)2233,1,,,,n n n n n n n n n nn nn n n n a x a x a x a x a a x a x a x a a x a x a x a a x a x a x a ++++⎧++++=⎪ +++=⎪ +++=⎨ +++= ⎪⎪⎪⎪⎩其中，(1)11,2,,,1jj a a j n n ==+ . 第二次消元：设(1)220a ≠，由第1,3,4,,n 个方程减去第2个方程乘以(1)(1)2222/(1,3,4,,)i i m a a i n == ,则得到同解方程组(2)(2)(2)11113311,1(1)(2)(2)(2)22223322,1(2)(2)(2)33333,1(2)(2)33,1,,,n n n n n n n n n nnn n n n a x a x a x a a x a x a x a a x a x a a x a x a +++++ +++= +++= ++= ++= (2),⎧⎪⎪⎪⎨⎪⎪⎪⎩继续类似的过程，在第k 次消元时，设(1)k kk a -，将第i 个方程减去第k 个方程乘以(1)(1)/k k ik ik kk m a a --=，这里1,3,4,1,1,,i k k n =-+ .经过1n -次消元，得到(2)1111,1(1)(2)2222,1(2)(2)33,1,,,n n n n n a x a a x a a x a +++⎧ =⎪ =⎪⎪ ⎨⎪⎪⎪ =⎩其中()(1)(1),1,2,,1,1,,k k k ij ij ik kj a a m a i k k n --=-=-+ ；1,2,,,1; 1,2,,1j n n k n =+=- .此时，求解回代过程为(1)(1),1/,1,2,,n i i i n iix a a i n --+= = 经统计，总的计算量约为312M n ≈次乘除法. 从表面上看Gauss-Jordan 消去法似乎比Gauss 消去法好，但从计算量上看Gauss －Jordan 消去法明显比Gauss消去法的计算量要大，这说明用Gauss-Jordan 消去法解线性方程组并不可取.但用此方法求矩阵的逆却很方便. 3．列选主元Gauss 消去法在介绍Gauss 消去法时，始终假设(1)0k kk a -≠，称(1)k kka -为主元.若(1)0k kka -=，显然消去过程无法进行.实际上，既使(1)0k kka -≠，但(1)k kka -很小时，用它作除数对实际计算结果也是很不利的.称这样的(1)k kka -为小主元.【例2.2】设计算机可保证10位有效数字，用消元法解方程1112120.3100.7,0.9,x x x x -⎧⨯+=⎪⎨ +=⎪⎩【解】经过第一次消元：第2个方程减去第1个方程乘以212111/m a a =得1112(1)(1)222230.3100.7x x a x a -⎧⨯+=⎪⎨ =⎪⎩其中(1)1222222111/0.333333333310a a a a =-=-⨯，(1)123323211113(/)0.233333333310a a a a a =-⋅=-⨯于是解得(1)(1)223221/0.7000000000,0.0000000000,x a a x ⎧==⎪⎨=⎪⎩而真解为120.2,0.7x x = =注：造成结果失真的主要因素是主元素11a太小，而且在消元过程中作了分母，为避免这个情况发生，应在消元之前，作行交换.【定义】 若 (1)(1)||max ||k k k r k ik k i na a --≤≤=，则称(1)||k k r k a - 为列主元素. k r 行为主元素行，这时可将第 k r行与第k 行进行交换，使(1)||k k r k a - 位于交换后的等价方程组的 (1)k kk a - 位置，然后再施实消去法，这种方法称为列选主元Gauss 消去法或部分主元Gauss 消去法.【例2.3】 应用列选主元Gauss 消去法解上述方程. 【解】 因为2111a a >，所以先交换第1行与第2行，得1211120.9,0.3100.7,x x x x -⎧+=⎪⎨⨯+=⎪⎩ 然后再应用Gauss 消去法，得到消元后的方程组为1220.9,0.7.x x x ⎧+=⎨=⎩回代求解，可以得到正确的结果.即120.2,0.7x x = =.三、三角分解法 设方程组Ax b =的系数矩阵A 的顺序主子式不为零.即1112121222110,1,2,,.kk k k k kka a a a a a k n a a a ∆=≠=在Gauss 消去法中，第一次消元时，相当于用单位下三角阵211131111010010n m L m m -⎡⎤⎢⎥- ⎢⎥⎢⎥=- ⎢⎥ ⎢⎥⎢⎥- ⎢⎥⎣⎦ ，左乘方程组Ax b =，得11A x b =，其中11121(1)(1)122211(1)200n n n nn a a a a a A L a a -(1)⎡⎤⎢⎥ ⎢⎥==⎢⎥ ⎢⎥⎢⎥ ⎣⎦ ，1(1)(1)111,11,1,1(,,,)Tn n n n b L b a a a -+++== .第二次消元时，相当于用单位下三角阵1232210101001n L m m - ⎡⎤⎢⎥ ⎢⎥⎢⎥= - ⎢⎥⎢⎥⎢⎥ - ⎢⎥⎣⎦0 ，左乘方程组11A x b =，得22A x b =其中11121(1)(1)22211(2)(2)221333(2)(2)300000n n n n nn a a a a a A L L A a a a a --⎡⎤ ⎢⎥ ⎢⎥⎢⎥== ⎢⎥⎢⎥ ⎢⎥ ⎢⎥⎣⎦ ，11(1)(2)(2)2211,12,13,1,1(,,,,).Tn n n n n b L L b a a a a --++++==经过1n -次消元，最后得到等价方程组11n n A x b --=其中11121(1)222111111221(1)n n n n n n nn a a a a a A L L L L A a (1)--------⎡⎤⎢⎥ ⎢⎥==⎢⎥⎢⎥⎢⎥ ⎣⎦1111(1)(1)112221,12,1,1(,,,)n Tn n n n n n n b L L L L b a a a --------+++==注意到1n A -是一个上三角阵，记111111221n n n U A L L L L A -------==则121()n A L L L U LU -==其中，121n L L L L -= . 不难验证21313212_1111n n nn m L m m m m m ⎡⎤⎢⎥ ⎢⎥⎢⎥= ⎢⎥ ⎢⎥⎢⎥ 1 ⎢⎥⎣⎦是单位下三角阵.于是解线性方程组Ax b =，就转化为解方程 LUx b =，若令Ux y =就得到一个与 Ax b =等价的方程组Ly b Ux y =⎧⎨=⎩【定理2.2】 若 A 为 n 阶方阵，且 A 的所有顺序主子式0k ∆≠，1,2,,k n = .则存在唯一的一个单位下三角矩阵 L 和一个上三角矩阵 U ，使A LU =.在上述过程中，若不假设A 的顺序主子式都不为零，只假设A 非奇异，那么Gauss 消去法将不可避免要应用两行对换的初等变换.第一次消元，将第1行与第1r 行交换，相当于将方程组Ax b =左乘矩阵11r P ：1111r r P Ax P b=经第一次消元得11111111r r L P Ax L P b--=即系数矩阵为11111r A L P A-=，其中110111r P ⎡⎢ ⎢ 1= 1 0 1 ⎣0 0 ⎤⎥⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎦1 列 1r列 类似地，经1n -次消元，有121111111,22,11n n n n n r n n r r A L P L P L P A----------= .如果预先知道每一个(1,2,,1)iir P i n =- ，则在消元之前就全部作交换，得 1211,2,1,n n n r n r r A P P P A PA----== ，其中，1211,2,1,n n n r n r r P P P P ----= .即原方程变为PAx Pb =然后再消元，相当于对PA 做三角分解PA LU =由以上讨论，可得结论 【定理2.3】 若A 非奇异，则一定存在排列矩阵 P ，使得 PA 被分解为一个单位下三角阵和一个上三角1 行1行r阵的乘积，即PA LU =成立.这时，原方程组Ax b = 等价于 PAx Pb =，即等价于求解LUx Pb =令Ux y =则Ly Pb =实际求解时，先解方程组Ly Pb =,再根据 y 求解 Ux y =,即得原方程组Ax b =的解. 这种求解方法称为三角分解法.常用三角分解方法有以下几种. 1．Doolittle 分解方法 假设系数矩阵A 不需要进行行交换，且三角分解是唯一的. 记21121110n n l L l l ⎡⎤⎢⎥ ⎢⎥=⎢⎥ ⎢⎥ ⎢⎥⎣⎦ , 11121222n n nn u u u u u U u ⎡⎤⎢⎥ ⎢⎥=⎢⎥ ⎢⎥ 0 ⎣⎦ 于是有1112111121222212222112111110n n n n n n n n nn a a a u u u u u a a a l l l a a a ⎡⎤ ⎡⎤⎢⎥⎢⎥ ⎢⎥⎢⎥=⎢⎥⎢⎥ ⎢⎥⎢⎥ ⎢⎥⎢⎥ ⎣⎦⎣⎦ nn u ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥0 ⎣⎦从前面讨论A 的LU 分解过程可看出,L 、U 的元素都是用有关的(1)k ij a -来表示的，而它们的计算较麻烦.现在给出直接从系数矩阵A ，通过比较等式的两边逐步把L 和U 构造出来的方法，而不必利用Gauss 消去法的中间结果(1)k ij a -.计算步骤： (1) 由L 阵的第1行分别乘U 阵的各列，先算出U 阵的第1行元素 11,1,2,,j j u a j n = = .然后，由L 阵的各行分别去乘U 阵的第1列，算出L 阵的第1列元素1111/,2,3,,i i l a a i n = = .(2)现假设已经算出U 阵的前1r -行元素，L 阵的前1r -列元素，下面来算U 阵的第r 行元素，L 阵的第r 列元素.由L 阵的第r 行分别乘U 阵的第j 列(,1,,)j r r n =+ ，得11r ij rk kj rjk a l u u -==+∑所以，得U 阵的第r 行元素11,,1,,r rj rj rk kj k u a l u j r r n-==- =+∑ .再由L 阵的第i 行(1,2,,)i r r n =++ 分别去乘U 阵的第r 列,得11r ir ik kr ir rrk a l u l u -==+∑,所以，得L 阵的第r 列元素11[]/,1,2,,.r ir ir ik kr rr k l a l u u i r r n -==- =++∑取1,2,,r n = 逐步计算，就可完成三角分解A LU =；(3)解与Ax b = 等价的方程组Ly b Ux y =⎧⎨=⎩逐次用向前代入过程先解Ly b = 得1111,2,3,,.i i i ij j j y b y b l y i n -==⎧⎪⎨=- =⎪⎩∑然后再用逐次向后回代过程解Ux y =得1/,()/,1,2,,2,1.n n nn n i i ij j ii j i x y u x y u x u i n n =+=⎧⎪⎨=- =--⎪⎩∑2．Crout 分解方法仍假设系数矩阵A 不需要进行行交换，且三角分解是唯一的.即ˆA L=ˆU .与Doolittle 分解方法的区别在111212122211n n n n nn a a a a a a a a a ⎡⎤ ⎢⎥ ⎢⎥=⎢⎥ ⎢⎥⎢⎥ ⎣⎦ 1122ˆˆl l ⎡⎤ 0⎢⎥ ⎢⎥⎢⎥ ⎢⎥⎢⎥⎣⎦ 122ˆ1ˆ10n u u ⎡⎤⎢⎥ ⎢⎥⎢⎥ ⎢⎥ 1 ⎣⎦ 比较两边，则可推导出与Doolittle 分解方法类似的公式，不过Crout 分解方法是先算ˆL 的第r 列，然后再算ˆU的第r 行.3．Cholesky 分解方法若 A 为对称正定矩阵，则有 ˆT U L =，即11()()TT T A LDL LD LD LL ===其中L 为下三角阵. 进一步展开为1121111211112122221222221212n n n n n n nn n n nn a a a l l l l a a a l l l l l l l a a a ⎡⎤⎡⎤ ⎢⎥⎢⎥ 0 ⎢⎥⎢⎥=⎢⎥⎢⎥ ⎢⎥⎢⎥ ⎢⎥ ⎢⎥⎣⎦⎣⎦ 0nn l ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥ ⎣⎦ 比较两边对应元素，容易得到12121()r rr rr rk k l a l -==-∑ ，11()/r ir ir ik rk rrk l a l l l -==-∑ 1,2,,;1,2,,.r n i r r n ==++Cholesky 分解的优点：不用选主元. 由21rrr rk k a l ==∑ 可以看出||1,2,,.rk l k r ≤=这表明中间量rk l得以控制，因此不会产生由中间量放大使计算不稳定的现象. Cholesky 分解的缺点：需要作开方运算. 改进的Cholesky 分解： 改为使用分解T A LDL =即11121121121221222121111n n n n n n n n nn a a a d l l l d a a a l l d a a a ⎡⎤ 1 ⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥ 1 1 ⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥ ⎢⎥⎢⎥⎢⎥ ⎢⎥ ⎣⎦⎣⎦⎣⎦ 2n l ⎡⎤⎢⎥ ⎢⎥⎢⎥ ⎢⎥ 1⎣⎦其中21ˆl 1ˆn l 2ˆn l ˆnn l 1ˆn u12111()/r r rr rk k k r ir ir ik k rk rk d a l d l a l d l d-=-=⎧=-⎪⎪⎨⎪=-⎪⎩∑∑，1,2,,;1,2,,.r n i r r n ==++Cholesky 分解方法或平方根法：应用Cholesky 分解可将Ax b =分解为两个三角形方程组T Ly b L x y ⎧= ⎪⎨= ⎪⎩分别可解得111111/,()/.i i i ik k ii k y b l y b l y l i n -=⎧=⎪⎨=-, =2,3,,⎪⎩∑和1/,()/1,.n n nn n i i ki k ii k i x y l x y l x l i n n =+⎧=⎪⎨=-, =--2,,2,1⎪⎩∑改进的Cholesky 分解方法或改进的平方根法：应用改进的Cholesky 分解，将方程组Ax b =分解为下面两个方程组1,,T Ly b L x D y -= ⎧⎨= ⎩同理可解得1111,,2,3,,.i i i ik k k y b y b l y i n ==⎧=⎪⎨=- =⎪⎩∑和1/,/,1,2,,2,1.n n n n i i i ki k k i x y d x y d l x i n n =+⎧=⎪⎨=- =--⎪⎩∑ 4．解三对角方程组的追赶法若()ij n n A a ⨯=满足1||||,1,2,,.nii ij j j ia a i n =≠> =∑则称A 为严格对角占优矩阵.若A 满足1||||,1,2,,.nii ij j j ia a i n =≠≥ =∑且其中至少有一个严格不等式成立，则称A 为弱对角占优矩阵.现在考虑Ax d = 的求解，即11112222211111n n n n n n n n n b c x d a b c x d a b c x d d a b x -----⎡⎤⎡⎤⎡⎤ ⎢⎥⎢⎥⎢⎥ ⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥ = ⎢⎥⎢⎥⎢⎥ ⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦ 系数矩阵A 满足条件11||||0,||||||,,0,2,3,, 1.||||0,i i i i i n n b c b a c a c i n b a ⎧>>⎪≥+ ≠=-⎨⎪>>⎩采用Crout 分解方法11112222221111n n n n n n n b c a b c a b c a b βαβγαγα---⎡⎤ ⎡⎤⎢⎥ 1 ⎢⎥⎢⎥ ⎢⎥⎢⎥ = ⎢⎥⎢⎥ ⎢⎥ ⎢⎥ ⎢⎥⎢⎥⎣⎦ ⎣⎦ 1n β-⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥1 ⎢⎥⎢⎥ 1 ⎣⎦其中，,,i i i αβγ为待定系数.比较上式两边可得到111111,;,,2,3,,;,2,3,, 1.i i i i i i i i i b c a b i n c i n ααβγγβααβ-= == =+ == =-进而可导出1111111,2,3,,.,/,,2,3,,./(),2,3,, 1.i i i i i i ii i i i a i n b c b b i n c b i n γαβααββαβ--⎧= =⎪= =⎪⎨=- =⎪⎪=- =-⎩由此可看出，真正需要计算的是(1,2,,1)i n β=- ，而i α可由,i i b a 和1i β-产生.因此，实现了A 的Crout 分解后，求解Ax d =就等价于解方程组Ly dUx y =⎧⎨=⎩从而得到解三对角方程组的追赶法公式： (1) 计算i β的递推公式：1111/,/(),2,3,, 1.i i i i i c b c b i n ββαβ-⎧=⎪⎨=- =-⎪⎩(2) 解方程组Ly d =：11111/()/(),2,3,,.i i i i i i i y d b y d a y b a i n β--⎧=⎪⎨=-- =⎪⎩(3) 解方程组Ux y =：1,1,2,,2,1.n n i i i i x y x y x i n n β+⎧=⎪⎨=- =--⎪⎩追赶法的乘除法次数是66n -次.将计算121n βββ-→→→ 及12n y y y →→→ 的过程称之为“追”的过程，将计算方程组Ax d =的解121n n x x x x -→→→→ 的过程称之为“赶”的过程.四、迭代法 将Ax b =改写为一个等价的方程组 x Bx k =+建立迭代公式 (1)(),0,1,2,.i i x Bx k i +=+ =称矩阵B 为迭代矩阵.【定义】 如果对固定的矩阵B及向量k，对任意初始猜值向量(0)x ，迭代公式(1)()i i +()i()*lim i i x x →+∞=成立，其中*x 是一确定的向量，它不依赖于(0)x 的选取.则称此迭代公式是收敛的，否则称为发散的.如果迭代收敛，则应有**,x Bx k =+1. 收敛性()()*,0,1,2,i i x x i ε=- =为第i步迭代的误差向量.则有(1)(1)*()*()(),0,1,2,.x x B x x B i εε++=-=-==所以，容易推出()(0),0,1,2,,i i B i εε= =其中，(0)(0)*xxε=-为初始猜值的误差向量.设n nB K ⨯∈，lim 0i i B →+∞=⇔ ()1B ρ<.迭代法收敛基本定理： 下面三个命题是等价的 (1) 迭代法(1)()i i x Bx k +=+收敛；(2)()1B ρ<；(3) 至少存在一种矩阵的从属范数⋅，使1B <注：当条件()1B ρ<难以检验时，用1B 或B ∞等容易求出的范数，检验11B <或1B∞<来作为收敛的充分条件较为方便.常用迭代法如下. 2．Jacob 迭代 考察线性方程组Ax b =，设A 为非奇异的n 阶方阵，且对角线元素0ii a ≠(1,2,,)i n = .此时，可将矩阵A 写成如下形式A D L U =++,1122(,,,)nn D diag a a a = ，21313212000n n a L a a a a ⎡⎤⎢⎥ ⎢⎥⎢⎥= ⎢⎥ ⎢⎥⎢⎥ 0 ⎢⎥⎣⎦ ,12131232000n n a a a a a U ⎡⎤ ⎢⎥ ⎢⎥⎢⎥= 0 ⎢⎥ ⎢⎥⎢⎥ ⎢⎥⎣⎦ ,建立Jacobi 迭代公式(1)1()1(),i i x D L U x D b +--=-++迭代矩阵11()J B D L U I D A --=-+=-J B 的具体元素为112111122122221200n n J n n nn nn a a a a a a B a a a a a a ⎡⎤ - -⎢⎥⎢⎥⎢⎥- - ⎢⎥=⎢⎥⎢⎥ ⎢⎥⎢⎥- - 0 ⎢⎥⎣⎦ Jacobi 迭代法的分量形式如下1(1)()()111(),j n i i i jj jm m jm m m m j jj xb a x a x a -+==+=--∑∑1,2,,;0,1,2,.j n i = =3．Gauss-Seidel 迭代容易看出，在Jacobi 迭代法中，每次迭代用的是前一次迭代的全部分量()(1,2,,)i jx j n = .实际上，在计算(1)i j x +时，最新的分量(1)(1)(1)121,,,i i i j x x x +++- 已经算出，但没有被利用.事实上，如果Jacobi 迭代收敛，最新算出的分量一般都比前一次旧的分量更加逼近精确解，因此，若在求(1)i j x+时，利用刚刚计算出的新分量(1)(1)(1)121,,,i i i j x x x+++- ，对Jacobi 迭代加以修改，可得迭代公式1(1)(1)()111(),j ni i i jj jm m jm m m m j jj xb a x a x a -++==+=--∑∑1,2,,;0,1,2,.j n i = =矩阵形式(1)1()1()(),0,1,2,.i i x D L Ux D L b i +--=-++-+=1()G B D L U -=--+注：（1）两种迭代法均收敛时，Gauss-Seidt 迭代收敛速度更快一些.（2）但也有这样的方程组，对Jacobi 迭代法收敛，而对Gauss-Seidel 迭代法却是发散的. 【例2.4】 分别用Jacobi 迭代法和Gauss-Seidel 迭代法求解下面的方程组121232342,46,4 2.x x x x x x x ⎧- =⎪-+-=⎨⎪-+=⎩初始猜值取0(0,0,0)x =. 【解】 Jacobi 迭代公式为(1)()12(1)()()213(1)()321(2),41(6),0,1,2,41(2),4i i i i i i i x x x x x i x x +++⎧=+⎪⎪⎪=++=⎨⎪⎪=+⎪⎩迭代计算4次的结果如下 (1)(2)(3)(4)(0.5,1.5,0.5),(0.875,1.75,0.875),(0.938,1.938,0.938),(0.984,1.969,0.984).T T T T x x x x ====Gauss-Seidel 迭代公式为(1)()12(1)(1)()213(1)(1)321(2),41(6),0,1,2,41(2),4i i i i i i i x x x x x i x x +++++⎧=+⎪⎪⎪=++=⎨⎪⎪=+⎪⎩迭代计算4次的结果如下(1)(2)(3)(4)(0.5,1.625,0.9063),(0.9063,1.9532,0.9883),(0.9883,2.0,0.9985),(0.9985,1.999,0.9998).T T T T x x x x ====从这个例子可以看到，两种迭代法作出的向量序列(){}i x 逐步逼近方程组的精确解*(1,2,1)T x =,而且Gauss-Seidel 迭代法收敛速度较快.一般情况下，当这两种迭代法均收敛时，Gauss-Seidt 迭代收敛速度更3．超松弛迭代法为了加快迭代的收敛速度，可将Gauss-Seidel 迭代公式改写成1(1)()(1)()11(),j ni i i i jjj jm m jm m m m jjj xx b a x a x a -++===+--∑∑ 1,2,,;0,1,2,.j n i = =并记1(1)(1)()11(),j ni i i jj jm m jm m m m jjj rb a x a x a -++===--∑∑称 (1)i j r + 为 1i + 步迭代的第 j 个分量的误差向量.当迭代收敛时，显然有所有的误差向量(1)0(),1,2,,.i j r i j n +→→∞=为了获得更快的迭代公式，引入因子R ω∈，对误差向量 (1)i j r + 加以修正，得超松弛迭代法（简称SOR 方法）(1)()(1),0,1,2,.i i i j j j x x r i ω++=+ =即1(1)()(1)()1(),j ni i i i jjj jm mjm m m m jjjxx b a xa x a ω-++===+--∑∑1,2,,;0,1,2,.j n i = =适当选取因子ω，可望比Gauss-Seidel 迭代法收敛得更快.称ω为松弛因子.特别当1ω=时，SOR 方法就是Gauss-Seidel 迭代法.写成矩阵向量形式(1)1()1()[(1)](),j i x D L D U x D L b ωωωωω+--=+--++0,1,2,.i =迭代矩阵为1()[(1)].B D L D U ωωωω-=+--实际计算时，大部分是由计算经验或通过试算法来确定opt ω的近似值.所谓试算法就是从同一初始向量出发，取不同的松驰因子ω迭代相同次数(注意：迭代次数不应太少)，然后比较其相应的误差向量()()i i r b Ax =-(或()(1)i i x x --)，并取使其范数最小的松弛因子ω作为最佳松弛因子opt ω的近似值.实践证明，此方法虽然简单，但往往是行之有效的. 4．迭代收敛其它判别方法：用迭代法收敛基本定理来判断收敛性时，当n 较大时，迭代矩阵的谱半径计算比较困难，因此，人们试图建立直接利用矩阵元素的条件来判别迭代法的收敛定理. （1） 若方程组Ax b =中的系数矩阵A 是对称正定阵，则 Gauss-Seidel 迭代法收敛. 对于SOR 方法，当02ω<< 时迭代收敛（2）若A 为严格对角占优阵，则解方程组 Ax b = 的Jacobi 迭代法，Gauss －Seidel 迭代法均收敛. 对于SOR 方法，当01ω<< 时迭代收敛.【例2.5】 设线性方程组为121221,32,x x x x ⎧+=-⎪⎨+=⎪⎩建立收敛的Jacobi 迭代公式和Gauss －Seidel 迭代公式. 【解】 对方程组直接建立迭代公式，其Jacobi 迭代矩阵为0230J B -⎡⎤=⎢⎥- ⎣⎦，显见谱半径()1J B ρ=>，故Jacobi 迭代公式发散.同理Gauss －Seidel 迭代矩阵为0206G B -⎡⎤=⎢⎥ ⎣⎦，谱半径()61G B ρ=>，故Gauss －Seidel 选代公式也发散. 若交换原方程组两个方程的次序，得一等价方程组121232,21,x x x x ⎧+=⎪⎨+=-⎪⎩其系数矩阵显然对角占优，故对这一等价方程组建立的Jacobi 迭代公式，Gauss －Seidel 迭代公式皆收敛. （3）SOR 方法收敛的必要条件是 02ω<<【定理2.5】 如果A 是对称正定阵，且02ω<<，则解Ax b =的SOR 方法收敛.注：当(0,2)ω∈ 时，并不是对任意类型的矩阵A ，解线性方程组Ax b =的SOR 方法都是收敛的.当SOR 方法收敛时，通常希望选择一个最佳的值opt ω使SOR 方法的收敛速度最快.然而遗憾的是，目前尚无确定最佳超松弛因子opt ω的一般理论结果.实际计算时，大部分是由计算经验或通过试算法来确定opt ω的近似值.所谓试算法就是从同一初始向量出发，取不同的松驰因子ω迭代相同次数(注意：迭代次数不应太少)，然后比较其相应的误差向量()()i i r b Ax =-(或()(1)i i x x --)，并取使其范数最小的松弛因子ω作为最佳松弛因子opt ω的近似值.实践证明，此方法虽然简单，但往往是行之有效的.【例2.6】 求解线性方程组Ax b =，其中10.3000900.308980.30009100.4669110.274710.30898A - -- -0.46691 0= - -- 00.274711(5.32088,6.07624,8.80455,2.67600).T b ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥ - ⎣⎦ =-分别利用Jacobi 迭代法，Gauss －Seidel 迭代法，SOR 迭代法求解. 【解】其结果列入下表中，方程组精确解(五位有效数字)为*(8.4877,6.4275, 4.7028,4.0066).T x =-Jacobi 迭代法计算结果i()1i x()2i x ()3i x ()4i x ()2||||i r0 012.3095 1 5.3209 6.0762 －8.8046 2.6760 5.3609 27.97113.5621 －5.2324 1.90143.631820 8.4872 6.4263 －4.7035 4.0041 0.0041 218.48606.4271 －4.7050 4.0063 0.0028Gauss-Seidel 迭代法计算结果i()1i x()2i x()3i x()4i x()2||||i r0 012.3095 1 5.3209 7.6730 －5.2220 2.8855 3.6202 28.51506.1933 －5.1201 3.90040.49098 8.4832 6.4228 －4.7064 4.0043 0.0078 98.48556.4252－4.70554.00550.0038SOR 迭代法计算结果（1.16ω=）i()1i x()2i x()3i x()4i x()2||||i r0 012.3095 1 6.1722 9.1970 －5.2320 3.6492 3.6659 29.69416.1177 －4.8999 4.43351.33136 8.4842 6.4253 －4.7005 4.4047 0.0051 78.48686.4288－4.70314.00650.0016计算结果表明，若求出精确到小数点后两位的近似解，Jacobi 迭代法需要21次，Gauss －Seidel 迭代法需要9次，而SOR 迭代法(选松弛因子 1.16ω=)仅需要7次，起到加速作用.5．误差分析 【定理2.6】设 *x 是方程 Ax b = 的惟一解，v ⋅ 是某一种向量范数，若对应的迭代矩阵其范数1v B <，则迭代法(1)(),0,1,2,.i i xBx k i +=+ = 收敛，且产生向量序列(){}i x 满足()*()(1)||||||||||||1||||i i i vv vvB x x x x B --≤--()*(1)(0)||||||||||||1||||i i vv vvB x x x x B -≤--【证明】 由迭代收敛基本定理的(3)知，迭代法(1)(),0,1,2,.i i x Bx k i +=+ =收敛到方程的解*x .于是，由迭代公式立即得到(1)*()*(1)()()(1)(),().i i i i i i x x B x x x x B x x ++--=--=-为书写方便把v 范数中v 略去，有估计式(1)*()*||||||||||||,i i x x B x x +-≤⋅-(1)()()(1)||||||||||||.i i i i x x B x x +--≤⋅-再利用向量范数不等式||||||||||||x y x y -≥-于是得第一个不等式()(1)(1)()()*(1)*()*||||||||||||||||||||(1||||)||||,i i i i i i i B x x x x x x x x B x x -++ -≥-≥--- ≥--再反复递推即第二个不等式.注：（1）若事先给出误差精度ε，利用第二个不等式可得到迭代次数的估计(1)(0)(1||||)ln ln ||||||||v v v B i B x x ε⎡⎤->⎢⎥-⎣⎦ （2）在||||v B 不太接近1的情况下，由第一个不等式，可用()(1)||||i i v x x ε--<作为控制迭代终止的条件，并取 ()i x 作为方程组 Ax b = 的近似解.但是在||||v B 很接近1时，此方法并不可靠.一般可取1,2,v =∞或F .【例2.7】 用Jacobi 迭代法解方程组123123123202324,812,231530.x x x x x x x x x ⎧++=⎪++=⎨⎪-+=⎩问Jacobi 迭代是否收敛?若收敛，取(0)(0,0,0)T x =，需要迭代多少次，才能保证各分量的误差绝对值小于610-?【解】 Jacobi 迭代的分量公式为(1)()()123(1)()()213(1)()()3121(2423)201(12),0,1,2,81(3022),15i i i i i i i i i x x x x x x i x x x +++⎧=--⎪⎪⎪=-- =⎨⎪⎪=-+⎪⎩Jacobi 迭代矩阵J B 为130102011088210155J B ⎡⎤ - -⎢⎥⎢⎥⎢⎥=- -⎢⎥⎢⎥⎢⎥- ⎢⎥⎣⎦，由5251||||max ,,1208153J B ∞⎧⎫==<⎨⎬⎩⎭知，Jacobi 迭代收敛. 因设(0)(0,0,0)Tx =，用迭代公式计算一次得(1)(1)(1)12363,, 2.52x x x = = =而(1)(0)|||| 2.x x ∞-=于是有6110(1)13ln ln 13.23i -⎡⎤⋅-⎢⎥>=⎢⎥⎢⎥⎣⎦所以，要保证各分量误差绝对值小于610-，需要迭代14次.【例2.8】 用Gauss －Seidel 迭代法解例2.11中的方程组，问迭代是否收敛?若收敛，取(0)(0,0,0)Tx =，需要迭代多少次，才能保证各分量误差的绝对值小于610-?【解】 Gauss －Seidel 迭代矩阵G B 为102403601()03025524000G B D L U - - ⎡⎤⎢⎥=-+= -⎢⎥⎢⎥ 38 -3⎣⎦显然1||||14G B =<，所以迭代收敛. Gauss －Seidel 迭代分量公式为(1)()()123(1)(1)()213(1)(1)(1)3121(2423),201(12),0,1,2,81(3022),15i i i i i i i i i x x x x x x i x x x ++++++⎧=--⎪⎪⎪=-- =⎨⎪⎪=-+⎪⎩因取(0)(0,0,0)T x =，故迭代一次得(1)(1)(1)1231.2, 1.35, 2.11x x x = = =于是有(1)(0)|||| 2.11x x ∞-=，计算得6110(1)14ln ln 10.2.114i -⎡⎤⋅-⎢⎥>=⎢⎥⎢⎥⎣⎦所在，要保证各分量误差绝对值小于610-，需要迭代11次.。
线性代数课后答案(高等教育出版社)
第一章行列式1.利用对角线法则计算下列三阶行列式:(1)38114112---;解38114112---=2⨯(-4)⨯3+0⨯(-1)⨯(-1)+1⨯1⨯8 -0⨯1⨯3-2⨯(-1)⨯8-1⨯(-4)⨯(-1) =-24+8+16-4=-4.(3)222111cbacba;解222111cbacba=bc2+ca2+ab2-ac2-ba2-cb2=(a-b)(b-c)(c-a).4.计算下列各行列式:(1)71125102214214;解7112510221421411423102211021473234-----======cccc34)1(143102211014+-⨯---=143102211014--=014171721099323211=-++======cccc.(2)265232112131412-;解265232112131412-265321221341224--=====cc412321221341224--=====rr321221341214=--=====rr.(3)efcfbfdecdbdaeacab---;解efcfbfdecdbdaeacab---ecbecbecba d f---=a b c d e fa d fbc e4111111111=---=.(4)dcba111111---.解dcba111111---dcbaabarr11111121---++=====dcaab1111)1)(1(12--+--=+111123-+-++=====cdcadaabdcccdadab+-+--=+111)1)(1(23=abcd+ab+cd+ad+1.6. 证明:(1)1112222bbaababa+=(a-b)3;证明1112222b b a a b ab a +00122222221213a b a b a a b a ab a c c c c ------=====ab a b a b a ab 22)1(22213-----=+21))((ab a a b a b +--==(a -b)3 .(2)yx z x z y zy x b a bz ay by ax bx az by ax bx az bz ay bx az bz ay by ax )(33+=+++++++++;证明bzay by ax bx az by ax bx az bz ay bx az bz ay by ax +++++++++bz ay by ax x byax bx az z bx az bz ay y b bz ay by ax z by ax bx az y bx az bz ay x a +++++++++++++=bz ay y x byax x z bx az z y b y by ax z x bx az y z bz ay x a +++++++=22z y x yx z x z y b y x z x z y z y x a 33+=y x z xz y z y x b y x z x z y z y x a 33+=y x z xz y z y x b a )(33+=.8. 计算下列各行列式(Dk 为k 阶行列式):(1)aaD n 11⋅⋅⋅=, 其中对角线上元素都是a , 未写出的元素都是0;解a a a a a D n 0 0010 000 00 0000 0010 00⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅=(按第n 行展开))1()1(10 00 0000 0010 000)1(-⨯-+⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅-=n n n aa a )1()1(2 )1(-⨯-⋅⋅⋅⋅-+n n n a a ann n nn a a a+⋅⋅⋅-⋅-=--+)2)(2(1)1()1(=an -an -2=an -2(a2-1).(2)x a a a x aa ax D n ⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅= ;解 将第一行乘(-1)分别加到其余各行, 得ax x a ax x a a x x a a a a x D n --⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅--⋅⋅⋅--⋅⋅⋅=000 0 00 0 ,再将各列都加到第一列上, 得ax ax a x aaa a n x D n -⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅-⋅⋅⋅-⋅⋅⋅-+=0000 0 000 00 )1(=[x +(n -1)a](x -a)n第二章 矩阵及其运算 1. 计算下列乘积:(5)⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛321332313232212131211321)(x x x a a a a a a a a a x x x ;解⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛321332313232212131211321)(x x x a a a a a a a a a x x x=(a11x1+a12x2+a13x3 a12x1+a22x2+a23x3 a13x1+a23x2+a33x3)⎪⎪⎭⎫⎝⎛321xx x322331132112233322222111222x x a x x a x x a x a x a x a +++++=.2. 设⎪⎪⎭⎫ ⎝⎛--=111111111A , ⎪⎪⎭⎫ ⎝⎛--=150421321B , 求3AB -2A 及A TB . 解⎪⎪⎭⎫ ⎝⎛---⎪⎪⎭⎫ ⎝⎛--⎪⎪⎭⎫ ⎝⎛--=-1111111112150421321111111111323A AB⎪⎪⎭⎫⎝⎛----=⎪⎪⎭⎫ ⎝⎛---⎪⎪⎭⎫ ⎝⎛-=2294201722213211111111120926508503,⎪⎪⎭⎫ ⎝⎛-=⎪⎪⎭⎫ ⎝⎛--⎪⎪⎭⎫ ⎝⎛--=092650850150421321111111111B A T . 3. 已知两个线性变换⎪⎩⎪⎨⎧++=++-=+=32133212311542322y y y x y y y x y y x , ⎪⎩⎪⎨⎧+-=+=+-=323312211323z z y z z y z z y ,求从z1, z2, z3到x1, x2, x3的线性变换.解 由已知⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛-=⎪⎪⎭⎫ ⎝⎛221321514232102y y y x x x ⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛--⎪⎪⎭⎫ ⎝⎛-=321310102013514232102z z z ⎪⎪⎭⎫⎝⎛⎪⎪⎭⎫ ⎝⎛----=321161109412316z z z ,所以有⎪⎩⎪⎨⎧+--=+-=++-=3213321232111610941236z z z x z z z x z z z x . 4. 设⎪⎭⎫ ⎝⎛=3121A , ⎪⎭⎫ ⎝⎛=2101B , 问: (1)AB =BA 吗?解 AB ≠BA .因为⎪⎭⎫ ⎝⎛=6443AB , ⎪⎭⎫ ⎝⎛=8321BA , 所以AB ≠BA .(3)(A +B)(A -B)=A2-B2吗? 解 (A +B)(A -B)≠A2-B2.因为⎪⎭⎫ ⎝⎛=+5222B A , ⎪⎭⎫ ⎝⎛=-1020B A ,⎪⎭⎫⎝⎛=⎪⎭⎫ ⎝⎛⎪⎭⎫ ⎝⎛=-+906010205222))((B A B A , 而 ⎪⎭⎫⎝⎛=⎪⎭⎫ ⎝⎛-⎪⎭⎫ ⎝⎛=-718243011148322B A ,故(A +B)(A -B)≠A2-B2.5. 举反列说明下列命题是错误的:(1)若A2=0, 则A =0;解 取⎪⎭⎫ ⎝⎛=0010A , 则A2=0, 但A ≠0. (2)若A2=A , 则A =0或A =E ;解 取⎪⎭⎫ ⎝⎛=0011A , 则A2=A , 但A ≠0且A ≠E . (3)若AX =AY , 且A ≠0, 则X =Y .解 取⎪⎭⎫ ⎝⎛=0001A ,⎪⎭⎫ ⎝⎛-=1111X , ⎪⎭⎫ ⎝⎛=1011Y ,则AX =AY , 且A ≠0, 但X ≠Y .7. 设⎪⎪⎭⎫⎝⎛=λλλ001001A , 求Ak .解 首先观察⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛=λλλλλλ0010010010012A ⎪⎪⎭⎫⎝⎛=222002012λλλλλ,⎪⎪⎭⎫⎝⎛=⋅=3232323003033λλλλλλA A A ,⎪⎪⎭⎫⎝⎛=⋅=43423434004064λλλλλλA A A ,⎪⎪⎭⎫⎝⎛=⋅=545345450050105λλλλλλA A A , ⋅ ⋅ ⋅ ⋅ ⋅ ⋅,⎝⎛=k A kk k k k k k k k k λλλλλλ0002)1(121----⎪⎪⎪⎭⎫ .用数学归纳法证明:当k =2时, 显然成立. 假设k 时成立，则k +1时，⎪⎪⎭⎫ ⎝⎛⎪⎪⎪⎪⎭⎫⎝⎛-=⋅=---+λλλλλλλλλ0010010002)1(1211k k k k k k k k k k k k A A A ⎪⎪⎪⎪⎭⎫ ⎝⎛+++=+-+--+11111100)1(02)1()1(k k k k k k k k k k λλλλλλ, 由数学归纳法原理知:⎪⎪⎪⎪⎭⎫⎝⎛-=---k k kk k k k k k k k A λλλλλλ0002)1(121.8. 设A , B 为n 阶矩阵，且A 为对称矩阵，证明BTAB 也是对称矩阵. 证明 因为A T =A , 所以 (BTAB)T =BT(BTA)T =BTA TB =BTAB , 从而BTAB 是对称矩阵. 11. 求下列矩阵的逆矩阵:(1)⎪⎭⎫ ⎝⎛5221; 解 ⎪⎭⎫ ⎝⎛=5221A . |A|=1, 故A -1存在. 因为⎪⎭⎫ ⎝⎛--=⎪⎭⎫ ⎝⎛=1225*22122111A A A A A , 故*||11A A A =-⎪⎭⎫⎝⎛--=1225.(3)⎪⎪⎭⎫⎝⎛---145243121; 解⎪⎪⎭⎫ ⎝⎛---=145243121A . |A|=2≠0, 故A -1存在. 因为⎪⎪⎭⎫ ⎝⎛-----=⎪⎪⎭⎫ ⎝⎛=214321613024*332313322212312111A A A A A A A A A A , 所以*||11A A A =-⎪⎪⎪⎭⎫⎝⎛-----=1716213213012.(4)⎪⎪⎪⎭⎫ ⎝⎛n a a a 0021(a1a2⋅ ⋅ ⋅an ≠0) .解 ⎪⎪⎪⎭⎫ ⎝⎛=n a a a A0021, 由对角矩阵的性质知 ⎪⎪⎪⎪⎪⎪⎭⎫⎝⎛=-n a a a A 10011211 .12. 利用逆矩阵解下列线性方程组:(1)⎪⎩⎪⎨⎧=++=++=++3532522132321321321x x x x x x x x x ;解 方程组可表示为⎪⎪⎭⎫⎝⎛=⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛321153522321321x x x , 故 ⎪⎪⎭⎫⎝⎛=⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛=⎪⎪⎭⎫ ⎝⎛-0013211535223211321x x x ,从而有 ⎪⎩⎪⎨⎧===001321x x x .19.设P -1AP =Λ, 其中⎪⎭⎫ ⎝⎛--=1141P , ⎪⎭⎫ ⎝⎛-=Λ2001, 求A11.解 由P -1AP =Λ, 得A =P ΛP -1, 所以A11= A=P Λ11P -1.|P|=3,⎪⎭⎫ ⎝⎛-=1141*P , ⎪⎭⎫ ⎝⎛--=-1141311P ,而⎪⎭⎫⎝⎛-=⎪⎭⎫⎝⎛-=Λ11111120 012001,故⎪⎪⎪⎭⎫⎝⎛--⎪⎭⎫ ⎝⎛-⎪⎭⎫ ⎝⎛--=31313431200111411111A ⎪⎭⎫ ⎝⎛--=68468327322731. 20. 设AP =P Λ, 其中⎪⎪⎭⎫⎝⎛--=111201111P , ⎪⎪⎭⎫ ⎝⎛-=Λ511, 求ϕ(A)=A8(5E -6A +A2).解 ϕ(Λ)=Λ8(5E -6Λ+Λ2)=diag(1,1,58)[diag(5,5,5)-diag(-6,6,30)+diag(1,1,25)] =diag(1,1,58)diag(12,0,0)=12diag(1,0,0). ϕ(A)=P ϕ(Λ)P -1*)(||1P P P Λ=ϕ⎪⎪⎭⎫ ⎝⎛------⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛---=1213032220000000011112011112⎪⎪⎭⎫⎝⎛=1111111114. 21. 设Ak =O (k 为正整数), 证明(E -A)-1=E +A +A2+⋅ ⋅ ⋅+Ak -1.证明 因为Ak =O , 所以E -Ak =E . 又因为 E -Ak =(E -A)(E +A +A2+⋅ ⋅ ⋅+Ak -1), 所以 (E -A)(E +A +A2+⋅ ⋅ ⋅+Ak -1)=E , 由定理2推论知(E -A)可逆, 且(E -A)-1=E +A +A2+⋅ ⋅ ⋅+Ak -1.证明 一方面, 有E =(E -A)-1(E -A). 另一方面, 由Ak =O , 有E =(E -A)+(A -A2)+A2-⋅ ⋅ ⋅-Ak -1+(Ak -1-Ak) =(E +A +A2+⋅ ⋅ ⋅+A k -1)(E -A),故 (E -A)-1(E -A)=(E +A +A2+⋅ ⋅ ⋅+Ak -1)(E -A), 两端同时右乘(E -A)-1, 就有(E -A)-1(E -A)=E +A +A2+⋅ ⋅ ⋅+Ak -1.22. 设方阵A 满足A2-A -2E =O , 证明A 及A +2E 都可逆, 并求A -1及(A +2E)-1.证明 由A2-A -2E =O 得 A2-A =2E , 即A(A -E)=2E ,或 E E A A =-⋅)(21,由定理2推论知A 可逆, 且)(211E A A -=-.由A2-A -2E =O 得A2-A -6E =-4E , 即(A +2E)(A -3E)=-4E ,或 EA E E A =-⋅+)3(41)2(由定理2推论知(A +2E)可逆, 且)3(41)2(1A E E A -=+-.证明 由A2-A -2E =O 得A2-A =2E , 两端同时取行列式得 |A2-A|=2, 即 |A||A -E|=2, 故 |A|≠0,所以A 可逆, 而A +2E =A2, |A +2E|=|A2|=|A|2≠0, 故A +2E 也可逆. 由 A2-A -2E =O ⇒A(A -E)=2E⇒A -1A(A -E)=2A -1E ⇒)(211E A A -=-,又由 A2-A -2E =O ⇒(A +2E)A -3(A +2E)=-4E ⇒ (A +2E)(A -3E)=-4 E ,所以 (A +2E)-1(A +2E)(A -3E)=-4(A +2 E)-1,)3(41)2(1A E E A -=+-.矩阵的初等变换与线性方程组1. 把下列矩阵化为行最简形矩阵:(1)⎪⎪⎭⎫ ⎝⎛--340313021201; 解 ⎪⎪⎭⎫⎝⎛--340313021201(下一步: r2+(-2)r1, r3+(-3)r1. )~⎪⎪⎭⎝--231(下一步: r2÷(-1), r3÷(-2). )~⎪⎪⎭⎫⎝⎛--131121(下一步: r3-r2. )~⎪⎪⎭⎫⎝⎛--331121(下一步: r3÷3. )~⎪⎪⎭⎫⎝⎛--131121(下一步: r2+3r3. )~⎪⎪⎭⎫⎝⎛-11121(下一步: r1+(-2)r2, r1+r3. )~⎪⎪⎭⎫⎝⎛111.(3)⎪⎪⎪⎭⎫⎝⎛---------1243323221453334311;解⎪⎪⎪⎭⎫⎝⎛---------1243323221453334311(下一步: r2-3r1, r3-2r1, r4-3r1. )~⎪⎪⎪⎭⎫⎝⎛--------1010566388434311(下一步: r2÷(-4), r3÷(-3) , r4÷(-5). )~⎪⎪⎪⎭ ⎝---2210022********(下一步: r1-3r2, r3-r2, r4-r2. )~⎪⎪⎪⎭⎫ ⎝⎛---00000000002210032011.3. 已知两个线性变换⎪⎩⎪⎨⎧++=++-=+=32133212311542322y y y x y y y x y y x ,⎪⎩⎪⎨⎧+-=+=+-=323312211323z z y z z y z z y ,求从z1, z2, z3到x1, x2, x3的线性变换.解 由已知⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛-=⎪⎪⎭⎫ ⎝⎛221321514232102y y y x x x ⎪⎪⎭⎫⎝⎛⎪⎪⎭⎫ ⎝⎛--⎪⎪⎭⎫ ⎝⎛-=321310102013514232102z z z ⎪⎪⎭⎫⎝⎛⎪⎪⎭⎫ ⎝⎛----=321161109412316z z z , 所以有⎪⎩⎪⎨⎧+--=+-=++-=3213321232111610941236z z z x z z z x z z z x .4. 试利用矩阵的初等变换, 求下列方阵的逆矩阵:(1)⎪⎪⎭⎫ ⎝⎛323513123; 解 ⎪⎪⎭⎫ ⎝⎛100010001323513123~⎪⎪⎭⎫ ⎝⎛---101011001200410123 ~⎪⎪⎭⎫ ⎝⎛----1012002110102/102/3023~⎪⎪⎭⎫⎝⎛----2/102/11002110102/922/7003~⎪⎪⎭⎫⎝⎛----2/12/1121112/33/26/71故逆矩阵为⎪⎪⎪⎪⎭⎫⎝⎛----2121211233267.(2)⎪⎪⎪⎭⎫⎝⎛-----1212321122123.解⎪⎪⎪⎭⎫⎝⎛-----11111212321122123~⎪⎪⎪⎭⎫⎝⎛----131111225941212321~⎪⎪⎪⎭⎫⎝⎛--------214311112111212321~⎪⎪⎪⎭⎫⎝⎛-------10612431111111212321~⎪⎪⎪⎭⎫⎝⎛----------1061263111`1221111121~⎪⎪⎪⎭⎫ ⎝⎛-------106126311101042111000010*********故逆矩阵为⎪⎪⎪⎭⎫ ⎝⎛-------10612631110104211. 5. (2)设⎪⎪⎭⎫ ⎝⎛---=433312120A , ⎪⎭⎫⎝⎛-=132321B , 求X 使XA =B . 解 考虑A TXT =BT . 因为⎪⎪⎭⎫ ⎝⎛----=134313*********) ,(TTB A ⎪⎪⎭⎫⎝⎛---411007101042001 ~r , 所以⎪⎪⎭⎫⎝⎛---==-417142)(1TTTB A X , 从而⎪⎭⎫⎝⎛---==-4741121BA X . 9. 求作一个秩是4的方阵, 它的两个行向量是(1, 0, 1, 0, 0), (1, -1, 0, 0, 0).解 用已知向量容易构成一个有4个非零行的5阶下三角矩阵:⎪⎪⎪⎪⎭⎫⎝⎛-0000001000001010001100001,此矩阵的秩为4, 其第2行和第3行是已知向量.12. 设⎪⎪⎭⎫ ⎝⎛----=32321321k k k A , 问k 为何值, 可使 (1)R(A)=1; (2)R(A)=2; (3)R(A)=3.解⎪⎪⎭⎫ ⎝⎛----=32321321k k k A ⎪⎪⎭⎫⎝⎛+-----)2)(1(0011011 ~k k k k k r . (1)当k =1时, R(A)=1; (2)当k =-2且k ≠1时, R(A)=2;(3)当k ≠1且k ≠-2时, R(A)=3. P106/1.已知向量组A : a1=(0, 1, 2, 3)T , a2=(3, 0, 1, 2)T , a3=(2, 3, 0, 1)T ;B : b1=(2, 1, 1, 2)T , b2=(0, -2, 1, 1)T , b3=(4, 4, 1, 3)T , 证明B 组能由A 组线性表示, 但A 组不能由B 组线性表示.证明 由 ⎪⎪⎪⎭⎫⎝⎛-=312123111012421301402230) ,(B A ⎪⎪⎪⎭⎫ ⎝⎛-------971820751610402230421301~r⎪⎪⎪⎭⎫⎝⎛------531400251552000751610421301 ~r⎪⎪⎪⎭⎫ ⎝⎛-----000000531400751610421301~r知R(A)=R(A , B)=3, 所以B 组能由A 组线性表示. 由⎪⎪⎪⎭⎫⎝⎛-⎪⎪⎪⎭⎫ ⎝⎛---⎪⎪⎪⎭⎫ ⎝⎛-=000000110201110110220201312111421402~~r r B知R(B)=2. 因为R(B)≠R(B , A), 所以A 组不能由B 组线性表示.4. 判定下列向量组是线性相关还是线性无关: (1) (-1, 3, 1)T , (2, 1, 0)T , (1, 4, 1)T ;(2) (2, 3, 0)T , (-1, 4, 0)T , (0, 0, 2)T .解 (1)以所给向量为列向量的矩阵记为A . 因为⎪⎪⎭⎫ ⎝⎛-⎪⎪⎭⎫ ⎝⎛-⎪⎪⎭⎫ ⎝⎛-=000110121220770121101413121~~r r A , 所以R(A)=2小于向量的个数, 从而所给向量组线性相关. (2)以所给向量为列向量的矩阵记为B . 因为22200043012||≠=-=B ,所以R(B)=3等于向量的个数, 从而所给向量组线性相无关.5. 问a 取什么值时下列向量组线性相关？a1=(a , 1, 1)T , a2=(1, a , -1)T , a3=(1, -1, a)T . 解 以所给向量为列向量的矩阵记为A . 由)1)(1(111111||+-=--=a a a aa a A知, 当a =-1、0、1时, R(A)<3, 此时向量组线性相关.9.设b1=a1+a2, b2=a2+a3, b3=a3+a4, b4=a4+a1, 证明向量组b1, b2, b3, b4线性相关. 证明 由已知条件得a1=b1-a2, a2=b2-a3, a3=b3-a4, a4=b4-a1, 于是 a1 =b1-b2+a3=b1-b2+b3-a4 =b1-b2+b3-b4+a1, 从而 b1-b2+b3-b4=0,这说明向量组b1, b2, b3, b4线性相关.11.(1) 求下列向量组的秩, 并求一个最大无关组:(1)a1=(1, 2, -1, 4)T , a2=(9, 100, 10, 4)T , a3=(-2, -4, 2, -8)T ; 解 由⎪⎪⎪⎭⎫ ⎝⎛-⎪⎪⎪⎭⎫ ⎝⎛--⎪⎪⎪⎭⎫ ⎝⎛----=000000010291032001900820291844210141002291) , ,(~~321r r a a a ,知R(a1, a2, a3)=2. 因为向量a1与a2的分量不成比例, 故a1, a2线性无关, 所以a1, a2是一个最大无关组.12.利用初等行变换求下列矩阵的列向量组的一个最大无关组:(1)⎪⎪⎪⎭⎫ ⎝⎛4820322513454947513253947543173125;解 因为⎪⎪⎪⎭⎫ ⎝⎛482032251345494751325394754317312513121433~r r r r r r ---⎪⎪⎪⎭⎫ ⎝⎛531053103210431731253423~r r r r --⎪⎪⎪⎭⎫ ⎝⎛00003100321043173125,所以第1、2、3列构成一个最大无关组.(2)⎪⎪⎪⎭⎫ ⎝⎛---14011313021512012211. 解 因为⎪⎪⎪⎭⎫ ⎝⎛---141131302151201221113142~r r r r --⎪⎪⎪⎭⎫ ⎝⎛------22201512015120122112343~r r r r +↔⎪⎪⎪⎭⎫ ⎝⎛---00000222001512012211,所以第1、2、3列构成一个最大无关组.13. 设向量组(a , 3, 1)T , (2, b , 3)T , (1, 2, 1)T , (2, 3, 1)T 的秩为2, 求a , b .解 设a1=(a , 3, 1)T , a2=(2, b , 3)T , a3=(1, 2, 1)T , a4=(2, 3, 1)T . 因为⎪⎪⎭⎫ ⎝⎛----⎪⎪⎭⎫ ⎝⎛---⎪⎪⎭⎫ ⎝⎛=52001110311161101110311131********) , , ,(~~2143b a a b a b a r r a a a a ,而R(a1, a2, a3, a4)=2, 所以a =2, b =5.20.求下列齐次线性方程组的基础解系:(1)⎪⎩⎪⎨⎧=-++=-++=++-02683054202108432143214321x x x x x x x x x x x x ;解 对系数矩阵进行初等行变换, 有⎪⎪⎭⎫ ⎝⎛--⎪⎪⎭⎫ ⎝⎛---=00004/14/3100401 2683154221081~r A , 于是得⎩⎨⎧+=-=43231)4/1()4/3(4xx x x x . 取(x3, x4)T =(4, 0)T , 得(x1, x2)T =(-16, 3)T ; 取(x3, x4)T =(0, 4)T , 得(x1, x2)T =(0, 1)T .因此方程组的基础解系为ξ1=(-16, 3, 4, 0)T , ξ2=(0, 1, 0, 4)T .(2)⎪⎩⎪⎨⎧=-++=-++=+--03678024530232432143214321x x x x x x x x x x x x .解 对系数矩阵进行初等行变换, 有⎪⎪⎭⎫ ⎝⎛--⎪⎪⎭⎫ ⎝⎛----=000019/719/141019/119/201 367824531232~r A , 于是得⎩⎨⎧+-=+-=432431)19/7()19/14()19/1()19/2(xx x x x x . 取(x3, x4)T =(19, 0)T , 得(x1, x2)T =(-2, 14)T ; 取(x3, x4)T =(0, 19)T , 得(x1, x2)T =(1, 7)T . 因此方程组的基础解系为ξ1=(-2, 14, 19, 0)T , ξ2=(1, 7, 0, 19)T .26. 求下列非齐次方程组的一个解及对应的齐次线性方程组的基础解系:(1)⎪⎩⎪⎨⎧=+++=+++=+3223512254321432121x x x x x x x x x x ;解 对增广矩阵进行初等行变换, 有⎪⎪⎭⎫ ⎝⎛--⎪⎪⎭⎫ ⎝⎛=2100013011080101 322351211250011~r B .与所给方程组同解的方程为⎪⎩⎪⎨⎧=+=--=2 13 843231x x x x x .当x3=0时, 得所给方程组的一个解η=(-8, 13, 0, 2)T . 与对应的齐次方程组同解的方程为⎪⎩⎪⎨⎧==-=0 43231x x x x x .当x3=1时, 得对应的齐次方程组的基础解系ξ=(-1, 1, 1, 0)T .(2)⎪⎩⎪⎨⎧-=+++-=-++=-+-6242163511325432143214321x x x x x x x x x x x x .解 对增广矩阵进行初等行变换, 有⎪⎪⎭⎫ ⎝⎛---⎪⎪⎭⎫ ⎝⎛-----=0000022/17/11012/17/901 6124211635113251~r B . 与所给方程组同解的方程为⎩⎨⎧--=++-=2)2/1((1/7)1)2/1()7/9(432431x x x x x x .当x3=x4=0时, 得所给方程组的一个解 η=(1, -2, 0, 0)T .与对应的齐次方程组同解的方程为⎩⎨⎧-=+-=432431)2/1((1/7))2/1()7/9(x x x x x x .分别取(x3, x4)T =(1, 0)T , (0, 1)T , 得对应的齐次方程组的基础解系 ξ1=(-9, 1, 7, 0)T . ξ2=(1, -1, 0, 2)T .。
- 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)。
习题 1１．求下三角阵的逆矩阵的详细算法。
[ 解 ]设下三角矩阵L的逆矩阵为T我们可以使用待定法，求出矩阵T 的各列向量。
为此我们将T 按列分块如下：注意到我们只需运用算法1·1·1，逐一求解方程便可求得[ 注意 ] 考虑到内存空间的节省，我们可以置结果矩阵 T 的初始状态为单位矩阵。
这样，我们便得到如下具体的算法：算法（求解下三角矩阵L 的逆矩阵 T，前代法）３．证明：如果是一个Gauss变换，则也是一个Gauss变换。
[ 解 ]按Gauss变换矩阵的定义，易知矩阵是Gauss变换。
下面我们只需证明它是Gauss 变换的逆矩阵。
事实上注意到，则显然有从而有４．确定一个 Gauss变换 L，使[ 解 ]比较比较向量和可以发现Gauss变换L应具有功能：使向量的第二行加上第一行的 2 倍；使向量的第三行加上第一行的 2 倍。
于是 Gauss变换如下５．证明：如果有三角分解，并且是非奇异的，那么定理· ·中的 L 和 U都是唯1 1 2一的。
[ 证明 ]设，其中都是单位下三角阵，都是上三角阵。
因为 A 非奇异的，于是注意到，单位下三角阵的逆仍是单位下三角阵，两个单位下三角阵的乘积仍是单位下三角阵；上三角阵的逆仍是上三角阵，两个上三角阵的乘积仍是上三角阵。
因此，上述等将是一个单位下三角阵与一个上三角阵相等，故此，它们都必是单位矩阵。
即，从而即 A 的 LU分解是唯一的。
17．证明定理 1· 3· 1 中的下三角阵 L 是唯一的。
[ 证明 ]因A是正定对称矩阵，故其各阶主子式均非零，因此A 非奇异。
为证明 L 的唯一性，不妨设有和使那么注意到：和是下三角阵，和为上三角阵，故它们的逆矩阵也分别是下三角阵和上三角阵。
因此，只能是对角阵，即从而于是得知．若是 A 的Cholesky 分解，试证 L 的 i 阶顺序主子阵正好是 A 的 i 阶顺序主子19阵的 Cholesky 因子。
[ 证明 ]将A和L作如下分块其中：为矩阵 A 和 L 的 i 阶顺序主子阵。
显然故有。
即是的Colicky分解。
23．设用平方根法证明 A 是正定的，并给出方程组的解。
[ 解 ]由Colicky分解可得其中显然， L 是非奇异矩阵。
因此，对. 于是所以是正定的。
由方程组，解得，再由方程组，解得习题 22.2证明：当且仅当和线性相关且时，才有.证明因为对任意的于是，当且仅当由等式（ E2.1）可知，当且仅当，即，对任意的，此式成立不外乎二种情形：或；或；或. 即和线性相关。
2.3证明：如果是按列分块的，那么证明因为.2.4证明：证明记，那么，根据第 3 题的结果我们有根据 Frobenius 范数定义易知，对.于是2.5设是由定义的。
证明是矩阵范数，并且举例说明不满足矩阵范数的相容性。
证明（1）证明是矩阵范数。
因为还显然满足矩阵范数定义中的前三条：正定性、齐次性、三角不等式。
下面我们证明满足“相容性”。
对任意，记，，且则，，且（2）一个不满足矩阵范数的相容性的例子。
取，，则。
于是，，从而2.6证明：在上，当且仅当是正定矩阵时，函数是一个向量范数。
证明由于 A 是正定矩阵，不妨设是 A 的特征值，是其对应的标准正交特征向量，即显然，是线性无关的。
因此，=span{ }.记，，那么，且对任意，总有使.命题的充分性是很显然的。
因为是上的向量范数，则由其正定性可知 A 必为正定矩阵。
现在我们来证明命题的必要性。
即假设是正定矩阵，则函数满足向量范数定义的三条性质：正定性。
由 A 的正定性，正定性显然成立。
齐次性。
对任意的，因为，故有.三角不等式。
对于任意给定的，有，使应用习题 2.1 的结果，得即有2.7设是上的一个向量范数，并且设.证明：若，则是上的一个向量范数。
证明当时，当且仅当是上的零向量。
再由假设是上的一个向量范数，于是可证得满足：正定性。
事实上，对任意，，而且当且仅当.齐次性。
事实上，对所有的和有，因此.三角不等式。
事实上，对所有的有，因此有2.8若且，证明.证明首先用反证法，证明的存在性。
设奇异，则有非零解，且，于是，从而.这与假设矛盾。
现在来证明命题中的不等式。
注意到：，且故有即2.9设是由向量范数诱导出的矩阵范数。
证明：若非奇异，则证明因为是向量范数诱导的矩阵范数，故=1，且对和，有于是对，有，且当时，有.（E2.2 ）现在只需证明：存在且，使即可。
根据算子范数的定义，我们不妨假设，使.再取，显然，且（E2.3 ）综合 (E2.2) 和(E2.3) 得2.12证明对任意的矩阵范数都有，并由此导出[ 证明 ]由定理2.1.6（1）可知，对任意矩阵范数都有，而，于是，从而.2.13若和都是非奇异的，证明.[ 证明 ]因为所以，根据矩阵范数的相容性可得. 习题 3１．设用正则化方法求对应的ＬＳ问题的解．［解］由定理３ .1.4 可知 ,ＬＳ问题的解就是下列正则化方程组解：即解得：２．设求对应的ＬＳ问题的全部解．［解］由定理３ .1.4 可知 ,ＬＳ问题的解就是下列正则化方程组解：经初等行变换得其同解方程组从而即,其中3. 设, 求一个 Householder 变换和一个正数使得[ 解 ]由于2范数具有正交不变性,故.于是于是, 令那么 ,可以验证满足该题的要求.4．确定和使得［解］由２范数具有正交不变性，故于是从而10．设且存在使得对每一个均极小化。
证明：[ 解 ]由矩阵奇异值分解定理知，设的秩，则存在阶正交阵和阶正交阵，使其中：是的非零特征值全体。
可以证明矩阵，且.事实上，由定理 3.1.4可知，对任一是=min. 的解。
另外，于是我们有12．利用等于证明：如果，那么[ 证明 ]令泛函如果，那么对当且充分小时，，从而由连续性有，由的任意性，则必有，即习题 41.设方程组的系数矩阵为证明：对来说， Jacobi 迭代不收敛，而G-S迭代收敛；而对来说，Jacobi迭代收敛，而 G-S 迭代不收敛。
[ 解]对于，则有从而，于是从而，，即有由定理 4.2.1 知， Jacobi 迭代法不收敛； G-S 迭代收敛。
对于，，从而进而显然，2.设满足故由定理4.2.1 ，证明对任意的知，Jacobi 迭代法收敛； G-S迭代不收敛。
，迭代格式最多迭代次就可得方程组[ 证明 ]由于，故的精确解。
的所有特征值均为零。
于是存在正交矩阵及矩阵使，注意到于是：另一方面，记：从而，，即.3.考虑线性代数方程组这里（1）为何值时，是正定的？（2）为何值时， Jacobi 迭代收敛？（3）为何值时， G-S 迭代收敛？[ 解] （1）对称矩阵正定的充分必要条件是其特征值均为正数。
而的特征多项式为于是的特征值为：欲使它们均大于零，则（ 2）由于 Jacobi 迭代矩阵为的特征多项式为其特征值为：，于是谱半径. 由定理 4.2.1 可知，Jacobi 迭代收敛当且仅当. 从而当时， Jacobi 迭代收敛。
（ 3）由于 G-S 迭代矩阵为其特征多项式为特征值为：从而故由定理 4.2.1 可知，当时，G-S 迭代收敛。
注意：（ 2）和（ 3）中的可以是复数。
5．若是严格对角占优的或不可约对角占优的，则G-S 迭代法收敛。
[ 证明 ]若是严格对角占优的或不可约对角占优的，则必有，因此非奇异。
知，现在来证明： G-S 迭代矩阵的谱半径小于也是严格对角占优或不可约对角占优的，因此，1。
假设，则由的假设而由于这说明迭代矩阵不存在模大于等于 1 的特征值。
因此，从而G-S迭代收敛。
8．若存在对称正定阵P，使为对称正定阵，试证迭代法收敛。
[ 证明 ]设是的任一特征值，是关于的特征向量，于是因都是正定阵，故，即.由的任意性得知，故迭代法收敛。
9．对 Jacobi 方法引进迭代参数，即或者称为 Jacobi 松驰法（简称 JOR方法）．证明：当的Jacobi方法收敛时，JOR方法对收敛．［证明］对于，，则Jacobi迭代矩阵和JOR迭代矩阵分别是由于 Jacobi 迭代收敛当且仅当，即Ｂ的任一特征值．现设是Jacobi迭代矩阵的一个特征值，非零向量是其对应的特征向量，则有即有进而即若是 Jacobi 迭代矩阵的一个特征值，则便是的一个特征值．当取定：，并假定，注意到即的所有特征值模小于１，从而，即JOR迭代收敛．10．证明：若是具有正对角元的实对称矩阵，则JOR方法收敛的充分必要条件是及均为正定对称矩阵．［证明］由于的对角元都是正数，故的对角元为正数，故显然，矩阵与相似，两者有相同的特征值。
同时，它与 A 有着相同的实对称性。
因此，两个矩阵的特征值都是实数。
必要性。
设JOR迭代收敛，即．那么，矩阵的特征值在区间内，于是得出的特征值位于区间内，这就是说是正定的，而它与具有相同的正定性，因此也是正定的．另外，实对称矩阵的特征值完全由的特征值所生成，所以的特征值将全部位于区间内，因此是正定的。
注意到因此矩阵也是正定的。
充分性。
一方面，因为所以与一样是正定矩阵。
即的特征值均大于0．即的特征值均小于１．另一方面，由于正定，而且所以，矩阵是正定的，即特征值全部为正数，即的特征值均大于－１．结合两方面的结果，得知：，即JOR迭代收敛．11. 证明：若系数矩阵是严格对角占优的或不可约对角占优的，且松驰因子，则 SOR收敛。
[ 证明 ]若矩阵是严格对角占优的或不可约对角占优的，则必有，因此D非奇异。
现假定某个复数，则矩阵也是严格对角占优的或不可约对角占优的。
不妨假设，且，于是就有从而因此得到于是由的严格对角占优或不可约严格对角占优可知也是严格对角占优或不可约对角占优的。
因此，是非奇异的。
而因此，不是SOR迭代矩阵的特征值。
由的任意可知，的特征值都将满足，于是，从而 SOR迭代收敛。
习题 51. 证明等式 (5.1.4)．［证明］考虑在方程组的解向量处的Taylor展式，则有，注意到：，于是上式可写为．３．试证明当最速下降法在有限步求得极小值时，最后一步迭代的下降方向必是的一个特征向量．［证明］假定在步迭代后，得到了精确解，即，从而有，记：，整理可得，即是说是Ａ的一个特征值，是其对应的特征向量．５．设对称正定的，是互相共轭正交的，即．证明是线性无关的．［证明］若有一组数满足则对一切一定有注意到，由此得出：即所有的＝０．因此，是线性无关的．习题 6５．设．求的特征值的条件数．［解］显然都是单特征值．对于来说，显然是关于的一个模１特征向量．同时，容易求得是关于的满足的左特征向量，故由特征值条件数的定义得知对于来说，解方程得到关于的特征向量当时，．再由方程可解得关于的左特征向量，令，则得出从而由特征值条件数的定义知．７．分别应用幂法于矩阵，并考察所得序列的特性．［解］我们不妨设．对于矩阵即初始向量：，迭代如下：；；一般地，，．显然．对于矩阵取初始向量：，则迭代得到；；由此我们可以看出，迭代数列：，和向量序列：均不收敛．但它们都各对应地存在两个收敛子列．即当脚标为奇数时，；当脚标为偶数时，１４．应用基本的ＱＲ迭代于矩阵，并考察所得的矩阵序列的特点，并判断该矩阵序列是否收敛？［解］用 Givens 正交变换实现ＱＲ迭代：第１步：，第２步：，．由上面的两步迭代，即已说明对该矩阵进行ＱＲ迭代，其矩阵序列由两个矩阵构成其奇数项和偶数项，因此该矩阵序列不收敛．习题 7。