同济大学--矩阵分析课件---矩阵论§3.6-2
矩阵分析课件

1 13
3 3 3
1
2
0
1
3 3
3
1 3
2 3
1
1 3
向量 A第一组基下的坐标为
x1
7 3
,
x2
4 3
,
x3
1, 3
x4
2 3
利用坐标变换公式可以求得 A 在第二组基下的坐标为
y1 y2 y3 y4
123
3
1
3
1 3
1 3 2 3
0 0 0
1 1
13 3 1 3
x1 1
例 4 全体正的实数 R 在下面的加法与数乘的
定义下也构成线性空间:
a b : ab, a, b R
k a : ak , a, k R
例 5 R 表示实数域 R 上的全体无限序列组成的
的集合。即
R
[a1,
a2, a3,]
ai F, i 1,2,3,
在 R 中定义加法与数乘:
[a1, a2, a3,] [b1, b2, b3,] [a1 b1, a2 b2, a3 b3, ] k[a1, a2, a3,] [ka1, ka2, ka3,] 则 R 为实数域 R上的一个线性空间。
i a1i1 a2i2 anin
a1i
1,2,
,
n
a2i
,
i 1, 2,
,n
ani
将上式矩阵化可以得到下面的关系式:
a11 a12
a1n
1, 2,
,
n
1
,2
,n
a21
a22
a2
n
an1 a2
ann
称 n 阶方阵
记为P
矩阵论课本2

第三章 矩阵分解把矩阵分解为形式比较简单或具有某种特性的一些矩阵的乘积,在矩阵理论的研究与应用中,都是十分重要的。
因为这些分解式的特殊形式一方面能明显地反映出原矩阵的某些数值特征,如矩阵的秩、行列式、特征值及奇异值等,另一方面分解的方法与过程往往提供了某些有效的数值计算方法和理论分析根据。
本章将分别介绍矩阵的五种分解:三角分解、QR 分解、满秩分解、谱分解和奇异值分解,并简单介绍了矩阵的正则性。
§3.1 矩阵的三角分解三角矩阵的计算,如求行列式、求逆矩阵、求解线性方程组等,都是很方便的,因此首先研究是否可将矩阵分解成一些三角矩阵的乘积。
定义3.1.1 设n n A C ⨯∈,如果存在下三角矩阵n n L C ⨯∈和上三角矩阵n n R C ⨯∈,使得A LR =,则称A 可以作三角分解。
定理 3.1.1 设n n n A C ⨯∈,则A 可以作三角分解的充分必要条件是0k ∆≠(1,2,,1)k n =-,其中det k k A ∆=为A 的k 阶顺序主子式,而k A 为A 的k 阶顺序主子阵。
证明:必要性。
已知A 可以作三角分解,即A LR =,其中()ij n nL l ⨯=(0,)ij l i j =<,()ij n nR r ⨯=(0,)ij r i j =>。
将A ,L 和R 进行分块,得12122122212222kkkA A L O R R A A L L O R ⎛⎫⎛⎫⎛⎫= ⎪ ⎪⎪⎝⎭⎝⎭⎝⎭, 这里k A ,k L 和k R 分别是A ,L 和R 的k 阶顺序主子阵,且k L 和k R 分别是上三角矩阵和下三角矩阵。
由矩阵的分块乘法运算,得k k k A L R = (1,2,,)k n =,由于1111det det det 0nn nn A L R l l r r ==≠,所以1111det det det 0(1,2,1)k k k kkk kk A L R l l r r k n ∆===≠=-充分性。
矩阵分析课件

抽象出线性运算的本质,在任意研究对象的集 合上定义具有线性运算的代数结构。
定义1.1(P .1)
要点:
• 集合V 与数域F • 向量的加法和数乘向量运算 • 运算的性质刻画
常见的线性空间
F n={X=(x1,x2,…,xn)T:x F} 运算:向量加法和数乘向量 F mn = {A=[aij]mn:a ijF}; 运算:矩阵的加法和数乘矩阵 i 1 R mn ;C mn 。 ix a i aiR} Pn [x]={p(x)= :
0
1
]
5 向量的长度 定义: || || = ( , ) 性质: || k || =k || || ;
Cauchy 不等式:
, [Vn(F);(,)], | (,) | || || || || 。 || +|| || || +|| ||
如果
W1=L{1,2,…, m },
W2=L{1,2,…, k},
则 W1+W2=L{1,2,…,m,1,2,…, k }
3 、维数公式
子空间的包含关系: W1 W1 W2 W1 W2 Vn ( F ) W2
dimW1W2 dim Wi dimW1+W2 dimVn(F)。
子空间的“和”为“直和”的充要–条件 : 定理1· 8 设 W=W1+W2,则下列各条等价: ( 1) W=W1W2 ( 2) X W,X=X 1+X2的表 是惟一的 ( 3) W中零向量的表示是惟一的 ( 4) dim W =dimW1+dimW2
例1 P12 eg18 例2 设在Rn×n中,子空间 W 1={A AT =A } , W2={B BT= –B }, 证明Rn×n=W1W2。 例3 子空间W的“直和补子空间”
同济大学--矩阵分析课件---矩阵论§3.5

⎛ n ⎞ T (α + β ) = T ⎜ ∑ ( k i + l i ) α i ⎟ ⎝ i =1 n ⎠ n n = ∑ ( ki + li )β i = ∑ ki β i + ∑ li β i = T (α ) + T ( β ) ,
i =1 i =1 i =1
⎛ n ⎞ ⎛ n ⎞ T ( λα ) = T ⎜ λ ∑ kiα i ⎟ = T ⎜ ∑ λ kiα i ⎟ ⎝ i =1 ⎠ ⎝ i =1 ⎠ n = ∑ λ k i β i = λ T (α ) .
11
⎡ kTT −1 (α ) ⎤ = T −1 ⎡ kT T −1 (α ) ⎤ T ( kα ) = T ⎣ ⎦ ⎣ ⎦ −1 ⎡T kT −1 (α ) ⎤ = T −1T kT −1 (α ) =T ⎣ ⎦ = kT −1 (α ) .
−1 −1
(
) (
( )(
)
)
注:当T 可逆时,可以定义T 的负整数幂,即 ∀n ∈ Z + , n −n −1 定义 T = T .
§3.5
线性变换(线性映射)
定义: 若在数域F 的线性空间V上,有一种规则T,使得 ' V中任意向量α 对应于V中唯一向量α T (α ) , 规则T 称为V 的变换, ' 称为α的像,α 称为 α ' 的原像. α
T : V ⎯⎯ V →
α
α = T (α )
'
如果变换T 又满足下面条件: ∀α , β ∈V 和 k ∈ F 有
α = T (α ) = Aα ∈ R
'
n
⇒ T是线性变换,由方阵A所确定的线性变换也
通常用A表示.
《矩阵论》课件 共39页PPT资料

n
x 1
xi ;
i1
1
x
2
n i1
xi
2 2
;
x
max
1 i n
xi
;
1
x
n p i 1
xi
p p ,
p1
x , x , x , x ( p 1)都是 C n上的向量范数。
1
2
p
引6理 .1.1 如 果p实 1,q数 1且111,则 对 pq
向 量 范,数1,,n为V的 一 组,V基中 任 一 向量
n
可唯一地表示为xii, x(x1,, xn)T Pn. i1
则 是x1,, xn的连续函. 数
定义6.1.2 设 , 是n维线性V空 上间 定义的 ab
种 向 量,范 如数 果 存 在 两 无个关与的 正 常
其中p 实 1,q 数 1且 111. pq
定理6.1.2(Minkowski不等式)
设 x ( x 1 , ,x n ) T ,y ( y 1 , ,y n ) T C n ,则
1
1
1
i n1xiyi p p i n1xi p p i n1yi p p
定理6.1.5 设V是 数 域 P上 的n维 线 性 空,间 1,,n 为V的 一 组,基 则V中 任 一 向可 量唯 一 地 表 示
n
xii , x (x1,, xn)T Pn.又 设 是Pn上 的
i1
向 量 范,数 令 v
x,
则 是V上的向量范. 数 v
定理6.1.6 设 是数域 P上n维线性空V上 间的任一
同济大学--矩阵分析课件---矩阵论§1.1

= −2.
方阵行列式的运算性质
(1) (2)
AT = A ;
λ A = λn A ;
(3)
AB = A B
6. 方阵的迹
定义: n 阶方阵 A 的对角元素的和称为 A 的迹, 记作 tr( A),即
tr( A) = a11 + a 22 +
方阵迹的运算性质
(1) tr( A) + tr( B ) = tr( A + B ) ;
(1) (2) (3) (4)
(AT)T = A; (A+B)T = AT + BT; (λA)T = λAT; (AB)T = BTAT;
5. 方阵的行列式
定义: 由n 阶方阵A 的元素所构成的行列式叫做 方阵A 的行列式, 记作 | A | 或 detA .
⎛ 2 3 ⎞, 则 A = 2 3 例如: A = ⎜ ⎟ 6 8 6 8⎠ ⎝
• • • • • • 基础知识和矩阵的分解 矩阵的标准形 线性空间与线性变换 内积空间 矩阵分析 矩阵的广义逆
线性代数基础知识
• 矩阵的基本运算 • 线性方程组的解的结构以及求解方法 • 矩阵的特征值与特征向量 • 实对称矩阵的基本性质
§1.1 矩阵的基本运算
定义: 由m×n个数 aij ( i =1, 2, ···, m; j =1, 2, ···, n ) 排成的 m 行 n 列的数表: a11 a12 a1 n a 21 a 22 a2n
+ a nn
( 2) tr( kA) = k tr( A) ;
( 3) tr( AB ) = tr( BA) ;
7. 共轭矩阵
定义: 当 A = (aij) 为复矩阵时, 用 a ij 表示aij 的共轭 复数, 记 A = (a ij ), 称 A 为A 的共轭矩阵. 运算性质 设A, B为复矩阵, λ为复数, 且运算都是可行的, 则:
同济大学--矩阵分析课件---矩阵论§3.6-1

−1
15
∴ BA=E, 即T是满秩的线性变换.
⇐ T (α , α , S (α 1 , α 2 ,
1 2
, α n ) = (α 1 , α 2 ,
,α n ) A
, α n ) = (α 1 , α 2 ,
,α n ) A
−1
∴ TS = ST = I. 例: 设T 是n维线性空间V 的线性变换, T 在V的一个基
§3.6 线性变换的矩阵
取V 的基 α1 , α 2 , 表示,有
, α n , V中任意向量β可由基线性
β = (α 1 , α 2 ,
⎡ k1 ⎤ ⎢k ⎥ ⎛ n ⎞ n T 的坐标 ⎢ 2 ⎥ 唯一确定, ( β ) = T ⎜ ∑ kiα i ⎟ = ∑ kiT (α i ), ⎢ ⎥ ⎝ i =1 ⎠ i =1 ⎢ ⎥ ⎢ kn ⎥ ⎣ ⎦ T由它在基上的作用 T(αi) 唯一确定,自然地得到
1
⎡ k1 ⎤ ⎢k ⎥ ⎢ 2⎥, ,α n ) 即β由它在基 α 1 , α 2 , ⎢ ⎥ ⎢ ⎥ ⎢ kn ⎥ ⎣ ⎦
,α n 下
线性变换与矩阵的联系.
定义:设 α 1 , α 2 ,
, α n是数域F上n 维线性空间V的一个基,
, T (α n ) 可由基 α 1 , α 2 ,
T (α 1 ) , T (α 2 ) ,
由线性变换的定义易知,T 是V 的线性变换. ⎡0 ⎤ ⎢ ⎥ ⎢ ⎥ T (α i ) = (α1 , α 2 , , α n ) A ⎢1 ⎥ i i = 1, 2, ⎢ ⎥ ⎢ ⎥ ⎢0 ⎥ T (α i ) = (α1 , α 2 , , α n ) Aei ⎣ ⎦ T ( α 1 , α 2 , , α n ) = ( T ( α 1 ) , T ( α 2 ) , , T (α n ) )
矩阵分析课件

的次数低。
定理 2.1.4 任意一个非零的n阶 矩阵 A
都等价于一个对角矩阵,即
A( )
d1( )
参照例 2.1.2 的方法可把二阶矩阵用初等变换化某一
个元素成常数。
1
A 0
0
1 C2C3 0
0
1 C3 C2 0
0
0
3 2 2 4 3 2
0
3 2 1
4 3 2
0
3 2 2 4 3 2
0
2 1
0
0
0
2
2 1
4 3 2
0
1
0
2
2
3
2 5
3
然后用初等变换把公因子 所在的行、列的
其余元素均化为零。
A( )
2 3
2
2
3
5
23r1
r2
0
2 5
3
(
2
10
3)
( 5)C1C2
0
0
(
2
10
3)
3
3C2 0
0 ( 2 10 3)
例 2.1.2 用初等变换把 矩阵
1 2
A( )
【证明】必要性:设 A()可逆,在式(2.1.1)
的两边求行列式得
A( ) B( ) 1
(2.1.2)
因为 A( ) 和 B( ) 都是 的多项式,所以根
据式(2.1.2)推知,A( ) 和 B( ) 都是零次多
项式,此即 A( ) 是非零的常数.
- 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)。
2) β r +1 ,
, β n 线性无关. kr +1 β r +1 +
+ kn β n = 0
∴ (α 1 , α 2 ,
∵α1 , α 2 , ∴ β r +1 ,
设
, α n )( kr +1 xr +1 +
+ kn xn ) = O
, α n 线性无关,xr +1 , , β n 线性无关.
若 rank ( A) = r , 则 dim KerT = n − r ; dim Im T = r .
证明: dim Ker T = n − r ; 1. ∵ rank ( A) = r , ∴ AX = O 解空间维数为n-r. 设xr+1,…, xn 为解空间的一个基,即线性方程的一个 基础解系.令 β j = (α 1 , α 2 ,
, α n ) x j , j = r + 1,
,n
,n
即β j 在基 α 1 , α 2 ,
, α n 下的坐标为 x j .
1) β j ∈ Ker T , j = r + 1,
3
T ( β j ) = T (α 1 , α 2 , , α n ) x j = (α 1 , α 2 , , α n ) Ax j = O
4
, α n ) y0
= (α 1 , α 2 ,
, α n ) Ay0
, α n 线性无关, ∴ Ay0 = O 即 y0 为 AX =O的解,从而有
∵α1 , α 2 ,
y0 =
j = r +1
∑kx
j
n
j
∴ α = (α 1 , α 2 , = (α 1 , α 2 , =
n j = r +1 j 1
3) ∀α ∈ Ker T , k ∈ F ,
有 T ( kα ) = kT (α ) = kO = O .
问:像空间和核空间的维数分别为多少?
2
定理:设 α 1 , α 2 ,
T (α 1 , α 2 ,
, α n 是n 维线性空间V的一个基,
, αБайду номын сангаасn ) = (α 1 , α 2 ,
,α n ) A
i =1
r
i =1
6
设 k1T ( β 1 ) +
T ( k1 β 1 +
+ kr T ( β r ) = 0, 则有 + kr β r ) = 0,
+ kr β r ∈ Ker T , 从而可由 β r +1 , + k r β r = k r +1 β r + 1 + + k r β r − k r +1 β r +1 − + kn β n − kn β n = 0
为V 的一个基,即 ∀α ∈V 有 α =
n
∵ β r +1 ,
∑a β ,
i =1 i i
n
β = T (α ) = ∑ aiT ( β i ) = ∑ aiT ( β i ) ∈ Im T ,
即 Im (T ) 中任意向量可由T(βi)线性表示,i=1,2,…,r. 下面只需证T(βi)线性无关即可.
7
注: dim ImT = r 等于T 的秩, 1) dim KerT 称为T 的亏, 则n维线性空间的任一线性变换的亏与秩之和恰好为n.
2) 和空间 Im T + Ker T 一般不是直和.
例:设 D 是 R 上线性空间 P[x]4 的微分线性变换 求:1) Im D和 Ker D; 2) Im D + Ker D是否是直和? 解:方法一: P[x]4 的自然基为:1, x , x 2 , x 3 . D(1) = 0, D( x ) = 1, D( x 2 ) = 2 x , D( x 3 ) = 3 x 2
, xn 线性无关,
3) ∀α ∈ Ker T , α 可由 β r +1 ,
, β n 线性表示.
⎡ y1 ⎤ ⎢y ⎥ ⎢ 2 ⎥ = (α , α , α = (α 1 , α 2 , , α n ) 1 2 ⎢ ⎥ ⎢ ⎥ ⎢ yn ⎥ ⎣ ⎦ 则 O = T (α ) = T (α 1 , α 2 , , α n ) y0
, α n ) y0
,α n )
2
∑ k (α , α
j = r +1
∑kx
j
n
j
,
,α n ) x j =
j = r +1
∑kβ
j
n
j
.
由 1), 2), 3) 可知 β r +1 ,
5
, β n 为KerT 的一个基,
即 dim Ker T = n − r .
2) dim ImT = r
, β n 为 KerT ⊂ V 的一个基,由基的扩充 β 定理,必存在V中向量 β 1 , , β r 使 β 1 , , β r, r +1 , , β n
3) ∀α ∈ Im T , k ∈ F , ∃α ′ ∈V , 使 T (α ′ ) = α kα = kT (α ′ ) = T ( kα ′ ) ∈ Im T .
2. KerT 为V 的子空间:
1) T ( O ) = O , ∴ O∈KerT, KerT为V的非空子集.
2) ∀α , β ∈ Ker T , 有 T ( α + β ) = T (α ) + T ( β ) = O + O = O ∴ α + β ∈ Ker T .
= (1, x , x 2 , x 3 ) Aei 2 3 = D(1, x , x , x )ei ∈ Im D, 下证 βi 线性无关. 设 k 2 β 2 + k 3 β 3 + k4 β 4 = 0
∵ 1, x , x 2 , x 3 为基 又 ∵ α 2 ,α 3 ,α 4 线性无关
A = (α1 , α 2 , α 3 , α 4 ), rank ( A) = 3
∴ k1 β 1 + k1 β 1 + k1 β 1 +
, βn
线性表示.
∵ β1 ,
, β n 为V 的基
∴ ki = 0, i = 1, 2,
n, 即T ( β i ) , i = 1, 2,
, r 线性无关.
推论:设T 是有限维线性空间V 的线性变换,则
dim Ker T + dim Im T = dim V
定义: 设T 是线性空间V 的线性变换,分别定义T 的核 KerT 与T 的像ImT
Ker T = {α ∈V T (α ) = 0} , Im T = {β ∈V ∃α ∈V 使T (α ) = β } .
性质: KerT 和ImT 均是V 的子空间,从而分别称为 T的核空间和像空间. 证明:1. ImT 为V 的子空间;
i = 2, 3, 4
(1, x , x 2 , x 3 ) ( k2α 2 + k3α 3 + k4α 4 ) = 0
∴ k2α 2 + k3α 3 + k4α 4 = 0 ∴ k 2 = k 3 = k4 = 0
∴ β 2 ,β 3 , β 4 线性无关 ∴ Im D = β 2 ,β 3 , β 4 ∵ Im D ⊆ P[ x ]3 , 且 dim Im D = 3 = dim P[ x ]3 , ∴ Im D = P[ x ] . 3
9
方法二: Im D ⊆ P[ x ]3 ,
又∀f ( x ) = b0 + b1 x + b2 x 2 ∈ P[ x ]3 ,
b1 2 b2 3 ⎞ ⎛ = D ⎜ b0 x + x + x ⎟ ∈ Im D , 2 3 ⎝ ⎠
10
∴ Im D = P[ x ]3 . 下面求 Ker D . 设 C ∈ R且C ≠ 0, D ( C ) = 0 ∴ C ∈ Ker D , 但 dim Ker D = 1 ∴ Ker D = C = R 2) 设 C ∈ R且C ≠ 0, C ∈ Ker D , 又C ∈ P[ x ]3 = Im D ∴不是直和. ∴ Im D ∩ Ker D ≠ {O} ,
D ( f ) = f ′( x)
8
⎡0 ⎢0 D(1, x , x 2 , x 3 ) = 1, x , x 2 , x 3 ⎢ ⎢0 ⎢ ⎣0
(
)
1 0 0 0
0 2 0 0
0⎤ ⎥ 0⎥ 3⎥ ⎥ 0⎦
dim Ker D = 1, dim Im D = 3. 由定理可知: β i = (1, x , x 2 , x 3 )α i , i = 2, 3, 4
1
α + β = T (α ′ ) + T ( β ′ ) = T (α ′ + β ′ ) ∈ Im T .
1) T ( O ) = O ∈ Im T ∴ Im T 是非空子集. 2) ∀α , β ∈ Im T , ∃α ′, β ′ ∈V 使 T (α ′ ) = α,T ( β ′ ) = β .