1 - 行列式 - 矩阵 的运算
1 - 行列式 - 矩阵 的运算
文章目录
- 1 - 行列式 - 矩阵 的运算
- (一)转置、求逆、伴随矩阵
- 1)基本运算
- 2)关键公式
- 3)可逆、正交、对称矩阵的判断
- 4)分块矩阵逆矩阵
- 5)矩阵乘法的“交换律”
- (二)行列式的计算
- 1)分块矩阵行列式
- 2)按某一 行/列 展开
- 3)副对角线行列式
- 4)范德蒙德行列式
- 5)利用特征值
- (三)行列式、矩阵 初等变换
- 1)注意事项
- 2)符号说明
- 3)等价矩阵和等价标准型
- 4)初等变换求逆矩阵
- (四)矩阵的秩
- 1)初等变换不改变矩阵的秩
- 2)跟秩相关的几个式子
- 1. 由定义可得
- 2. 其它
- (五)常见处理方法
- 1)求行列式
- 1. 所有 行/列 加到某一 行/列
- 2. 加边法
- 3. 转化为矩阵相乘
- 4. 构建递推式
- 2)求矩阵的 n 次方
- 1. 拆分矩阵
- 2. 数学归纳法
- 3. 行列向量相乘
- ① 可以转化为行列向量相乘的条件
- ② 行列向量相乘得到的矩阵的推论
- 4. 利用相似
- (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
- 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
- 2)同解方程组
- 3)过渡矩阵
- 1. 基变换公式
- 2. 坐标变换公式
- (七)补充的技巧性解题方法
- 1)利用 秩 的 “夹逼”
- 例1
- 例2
- 2)基础解系等价的充要条件
- 3)AB=O 用来找解向量
(一)转置、求逆、伴随矩阵
1)基本运算
转置(T) | 求逆(-1) | 伴随矩阵(*) |
---|---|---|
(AT)T=A(A^T)^T=A(AT)T=A | (A−1)−1=A(A^{-1})^{-1}=A(A−1)−1=A | (A∗)∗=∣A∣n−2A(A^*)^*=\lvert A\rvert^{n-2}A(A∗)∗=∣A∣n−2A (可推导) |
(kA)T=kAT(kA)^T=kA^T(kA)T=kAT | (kA)−1=k−1A−1(kA)^{-1}=k^{-1}A^{-1}(kA)−1=k−1A−1 | (kA)∗=kn−1∣A∣A−1(kA)^*=k^{n-1}\lvert A\rvert A^{-1}(kA)∗=kn−1∣A∣A−1 (可推导) |
(AB)T=BTAT(AB)^T=B^TA^T(AB)T=BTAT | (AB)−1=B−1A−1(AB)^{-1}=B^{-1}A^{-1}(AB)−1=B−1A−1 | (AB)∗=B∗A∗(AB)^*=B^*A^*(AB)∗=B∗A∗ |
∣AT∣=∣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=AT+BT(A+B)^T=A^T+B^T(A+B)T=AT+BT | / | / |
(A∗)∗=∣A∣n−2A(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−2A(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
(kA)∗=kn−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:
(kA)∗=∣kA∣⋅(kA)−1=kn∣A∣k−1A−1=kn−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∗=[A11A21⋯An1A12A22⋯An2⋮⋮⋮A1nA2n⋯Ann]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−1A^*=\lvert A\rvert A^{-1}A∗=∣A∣A−1 (注意要求 AAA 可逆)
A=∣A∣(A∗)−1A=\lvert A \rvert \ (A^*)^{-1}A=∣A∣ (A∗)−1 (两边同取 -1 次方)
AA∗=∣A∣EAA^*=|A|EAA∗=∣A∣E (两边同乘 A)
∣AB∣=∣A∣⋅∣B∣\lvert AB \rvert=\lvert A \rvert \cdot \lvert B \rvert∣AB∣=∣A∣⋅∣B∣
∣kA∣=kn∣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(An×n)=nr(A_{n\times n})=nr(An×n)=n 或 定义 |
正交矩阵 | AAT=E或ATA=EAA^T=E \ 或\ A^TA=EAAT=E 或 ATA=E (即 AT=A−1A^T=A^{-1}AT=A−1) |
对称矩阵 | AT=AA^T=AAT=A |
反对称矩阵 | AT=−AA^T=-AAT=−A |
【注】 矩阵乘法不满足 交换律 ,所以区分 AATAA^TAAT 和 ATAA^TAATA
【注】 ATA=OorAAT=O⇒A=OA^TA=O\ or\ AA^T=O \Rightarrow A=OATA=O or AAT=O⇒A=O
4)分块矩阵逆矩阵
[AOOB]−1=[A−1OOB−1],[OABO]=[OB−1A−1O]\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
AE=EA=AAE=EA=AAE=EA=A
AAn=AnA=An+1AA^n=A^nA=A^{n+1}AAn=AnA=An+1
AA−1=A−1A=EAA^{-1}=A^{-1}A=EAA−1=A−1A=E
AA∗=A∗A=∣A∣EAA^*=A^*A=|A|EAA∗=A∗A=∣A∣E
(二)行列式的计算
1)分块矩阵行列式
∣AOOB∣=∣A∣⋅∣B∣,∣OABO∣=(−1)mn∣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=1naijAij=∑i=1naijAij\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】 Aij=(−1)i+jMijA_{ij}=(-1)^{i+j}M_{ij}Aij=(−1)i+jMij ; AijA_{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 AijA_{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⋯0a1n0⋯a2,n−10⋮⋮⋮an1⋯00∣=(−1)n(n−1)2a1na2,n−1⋯an1\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
∣11⋯1x1x2⋯xnx12x22⋯xn2⋮⋮⋮x1n−1x2n−1⋯xnn−1∣=∏1≤i<j≤n(xj−xi)\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=1nλi=∣A∣\prod_{i=1}^{n} \lambda_i=\lvert A \rvert i=1∏nλi=∣A∣
- ∣λE−A∣=0\lvert \lambda E - A \rvert = 0∣λE−A∣=0 ,解得的 λ\lambdaλ 即为特征值
- 矩阵的迹: tr(A)=∑i=1nλi=∑i=1naiitr(A)=\sum_{i=1}^{n}\lambda_i=\sum_{i=1}^{n}a_{ii}tr(A)=∑i=1nλi=∑i=1naii
- A−1A^{-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 Aξ=λξA\xi=\lambda\xiAξ=λξ 推导得到
矩阵 | AAA | k1A+k2Ek_1A+k_2Ek1A+k2E | AkA^kAk | ATA^TAT | A−1A^{-1}A−1 | A∗A^*A∗ | f(A)f(A)f(A) | P−1APP^{-1}APP−1AP |
---|---|---|---|---|---|---|---|---|
特征值 | λ\lambdaλ | k1λ+k2k_1\lambda+k_2k1λ+k2 | λk\lambda^kλk | λ\lambdaλ | λ−1\lambda^{-1}λ−1 | ∣A∣λ\frac{\lvert A\rvert}{\lambda}λ∣A∣ | f(λ)f(\lambda)f(λ) | λ\lambdaλ |
特征向量 | ξ\xiξ | ξ\xiξ | ξ\xiξ | 需要重新计算 | ξ\xiξ | ξ\xiξ | ξ\xiξ | P−1ξP^{-1}\xiP−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)=0f(A)=0f(A)=0 的等式关系,可以根据A矩阵符合的等式关系,得到 A=PBP−1A=PBP^{-1}A=PBP−1 ,此时B矩阵可以通过 f(A)=0f(A)=0f(A)=0 明确出来,然后求出 B 矩阵的特征向量,再通过 P−1ξP^{-1}\xiP−1ξ 推出 A 矩阵的特征向量
特征值的其它性质
- ξ、η\xi、\etaξ、η 都是属于 λ\lambdaλ 的特征向量,则 k1ξ+k2η,(k1、k2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\lambdaλ 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)
- λn=tr(A)−∑λi\lambda_n=tr(A)-\sum\lambda_iλn=tr(A)−∑λi (求特征值得技巧)
- Ax=0⇒Ax=0xAx=0 \Rightarrow Ax=0xAx=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
- E2(k)E_2(k)E2(k) :单位矩阵 EEE 的第2 行/列 乘 k 倍
- E12E_{12}E12 :单位矩阵 EEE 的第1、2 行/列 互换
- E12(k)E_{12}(k)E12(k) :单位矩阵 EEE 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 [Ei(k)]−1=Ei(k−1)[E_i(k)]^{-1}=E_i(k^{-1})[Ei(k)]−1=Ei(k−1) Eij−1=EijE_{ij}^{-1}=E_{ij}Eij−1=Eij [Eij(k)]−1=Eij(−k)[E_{ij}(k)]^{-1}=E_{ij}(-k)[Eij(k)]−1=Eij(−k) [Ei(k)]∗=kEi(k−1)[E_{i}(k)]^*=kE_{i}(k^{-1})[Ei(k)]∗=kEi(k−1) Eij∗=−EijE_{ij}^*=-E_{ij}Eij∗=−Eij [Eij(k)]∗=Eij(−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 Am×n,Bm×nA_{m\times n},B_{m\times n}Am×n,Bm×n ,若存在可逆矩阵 Pm×m,Qn×nP_{m\times m},Q_{n\times n}Pm×m,Qn×n 使得 PAQ=BPAQ=BPAQ=B ,则称 A,BA,BA,B 是等价矩阵,记作 A≅BA \cong BA≅B
若 r(A)=rr(A)=rr(A)=r ,则下面的右侧矩阵是 AAA 的等价标准型;等价标准型唯一
PAQ=[ErOOO]PAQ= \begin{bmatrix} E_r & O \\ O & O \\ \end{bmatrix} PAQ=[ErOOO]
可以通过对 单位矩阵 EEE 的一系列 初等行变换 得到 PPP ,PAPAPA 是按照由 EEE 到 PPP 的初等行变换步骤,对 AAA 做初等 行 变换
可以通过对 单位矩阵 EEE 的一系列 初等列变换 得到 QQQ ,AQAQAQ 是按照由 EEE 到 QQQ 的初等列变换步骤,对 AAA 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]
[AE]初等列变换→[EA−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(PA)=r(AQ)=r(PAQ)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)≤min{m,n}0\leq r(A)\leq min\{m,n\}0≤r(A)≤min{m,n}
r(kA)=r(A)(k≠0)r(kA)=r(A)(k\neq0)r(kA)=r(A)(k=0)
2. 其它
r(AB)≤min{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(AB)=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)
AB=O⇒r(A)+r(B)≤nAB=O \Rightarrow r(A) + r(B) \leq nAB=O⇒r(A)+r(B)≤n
r(A∗)={n,r(A)=n1,r(A)=n−10,r(A)<n−1(此处为An×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
∣xa1a2⋯ana1xa2⋯ana1a2x⋯an⋮⋮⋮⋱⋮a1a2a3⋯x∣=(x+∑i=1nai)∣1a1a2⋯an1xa2⋯an1a2x⋯an⋮⋮⋮⋱⋮1a2a3⋯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
∣a1−ba2⋯ana1a2−b⋯an⋮⋮⋱⋮a1a2⋯an−b∣=∣1a1a2⋯an0a1−ba2⋯an0a1a2−b⋯an⋮⋮⋮⋱⋮0a1a2⋯an−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=∣1a1a2⋯an−1−b0⋯0−10−b⋯0⋮⋮⋮⋱⋮−100⋯−b∣=∣1−∑i=1naiba1⋯an0−b⋯0⋮⋮⋮00⋯−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 ∣a1−an,a2−a1,⋯,an−an−1∣\lvert a_1-a_n,a_2-a_1,\cdots,a_{n}-a_{n-1} \rvert∣a1−an,a2−a1,⋯,an−an−1∣
∣a1−an,a2−a1,⋯,an−an−1∣=∣[a1,a2,⋯,an]⋅[1−10⋯0001−1⋯00001⋯00⋮⋮⋮⋮⋮−100⋯01]∣=∣a1,a2,⋯,an∣⋅∣1−10⋯0001−1⋯00001⋯00⋮⋮⋮⋮⋮−100⋯01∣\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
Dn=∣210⋯00121⋯00012⋯00⋮⋮⋮⋮⋮000⋯12∣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
Dn=2Dn−1+(−1)3∣110⋯00021⋯00012⋯00⋮⋮⋮⋮⋮000⋯12∣n−1=2Dn−1−Dn−2D_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
D1=2D2=∣2112∣=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=[123014001]=[100010001]+[023004000]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An=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
An=En+nEn−1B+n(n−1)2En−2B2A^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=0n=0n=0 时,递推式是否成立
- 假设 n=n−1n = n - 1n=n−1 时成立
- 证明 n=n−1n = n - 1n=n−1 成立的时候, n=nn=nn=n 时递推式成立
3. 行列向量相乘
假设有行向量 α、β\alpha、\betaα、β , A=αβTA=\alpha\beta ^TA=αβT
利用向量相乘的 结合律 ,有
An=α(βTα)(βTα)⋯(βTα)βTA^n=\alpha(\beta^T\alpha)(\beta^T\alpha)\cdots(\beta^T\alpha)\beta^T An=α(βTα)(βTα)⋯(βTα)βT
其中 βTα\beta^T\alphaβTα 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
[3−1−93]=[1−3][3−1]−−−−−−−−−−−−−−−−[3−1−93]n=[1−3](6n−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=[a1,a2,⋯,an]\alpha=[a_1,a_2,\cdots,a_n]α=[a1,a2,⋯,an] , β=[b1,b2,⋯,bn]\beta=[b_1,b_2,\cdots,b_n]β=[b1,b2,⋯,bn]
αTβ=[a1b1a1b2⋯a1bna2b1a2b2⋯a2bn⋮⋮⋮anb1anb2⋯anbn]\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
αTβ=[a1∑i=1nbia1b2⋯a1bna2∑i=1nbia2b2⋯a2bn⋮⋮⋮an∑i=1nbianb2⋯anbn]\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
αTβ=∑i=1nbi[a1a1b2⋯a1bna2a2b2⋯a2bn⋮⋮⋮ananb2⋯anbn]\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
αTβ=∑i=1nbi[a10⋯0a20⋯0⋮⋮⋮an0⋯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, rank≤1rank\leq1rank≤1
- rank≤1rank\leq1rank≤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 αβ\alpha\betaαβ均为 行向量
αTβ=[a1b1a1b2⋯a1bna2b1a2b2⋯a2bn⋮⋮⋮anb1anb2⋯anbn]\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
- αTα\alpha^T\alphaαTα 是对称矩阵
- tr(αTβ)=αβT=∑i=1nλitr(\alpha^T\beta)=\alpha\beta^T=\sum_{i=1}^{n} \lambda_itr(αTβ)=αβT=∑i=1nλi
又因为 r(αTβ)=1r(\alpha^T\beta)=1r(αTβ)=1 且 ∑i=1nλi=αβT\sum_{i=1}^{n} \lambda_i=\alpha\beta^T∑i=1nλi=αβT ,所以
- αTβ\alpha^T\betaαTβ 的特征值为 αβT\alpha\beta^TαβT 和 n-1 个 0
4. 利用相似
由相似有 An=PΛnP−1A^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 Ax=0、Bx=0Ax=0、Bx=0Ax=0、Bx=0 的公共解,即联立方程组的解:
[AB]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
Ax=0Ax=0Ax=0 的通解为 k1ξ1+k2ξ2+⋯+kmξmk_1\xi_1+k2\xi_2+\cdots+k_m\xi_mk1ξ1+k2ξ2+⋯+kmξm , Bx=0Bx=0Bx=0 的通解为 l1η1+l2η2+⋯+lnηnl_1\eta_1+l_2\eta_2+\cdots+l_n\eta_nl1η1+l2η2+⋯+lnηn ,求公共解时,两通解应相等,即
k1ξ1+k2ξ2+⋯+kmξm=l1η1+l2η2+⋯+lnηnk_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 li、kjl_i、k_jli、kj 的关系后,得到的即为公共解
2)同解方程组
Ax=0Ax=0Ax=0 和 Bx=0Bx=0Bx=0 是同解方程组
⇔\Leftrightarrow⇔ Ax=0Ax=0Ax=0 的解满足 Bx=0Bx=0Bx=0 且 Bx=0Bx=0Bx=0 的解满足 Ax=0Ax=0Ax=0
⇔\Leftrightarrow⇔ r(A)=r(B)r(A)=r(B)r(A)=r(B) 且 Ax=0Ax=0Ax=0 的解满足 Bx=0Bx=0Bx=0 或 Bx=0Bx=0Bx=0 的解满足 Ax=0Ax=0Ax=0
⇔\Leftrightarrow⇔ r(A)=r(B)=r([AB])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 AAA 到 BBB 的变换,其中 CCC 是过渡矩阵,且 过渡矩阵是 可逆矩阵
B=ACB=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−1x或x=Cyy=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 Ax=0Ax=0Ax=0 有两个线性无关的解向量,则 r(A)≥2r(A)\geq2r(A)≥2
- 又已知 AB=OAB=OAB=O ,且 ABABAB 都是三阶矩阵,则 r(A)+r(B)≤3r(A)+r(B)\leq3r(A)+r(B)≤3
- 还已知 BBB 是非零矩阵,所以 r(B)≠0r(B)\neq0r(B)=0
综上可知 r(B)=1r(B)=1r(B)=1
例2
已知 Am×nA_{m\times n}Am×n , Bn×mB_{n\times m}Bn×m , AB=EmAB=E_mAB=Em
于是有:
- m≥r(A)≥r(AB)=mm\geq r(A)\geq r(AB)=mm≥r(A)≥r(AB)=m
- m≥r(B)≥r(AB)=mm\geq r(B)\geq r(AB)=mm≥r(B)≥r(AB)=m
所以 r(A)=r(B)=mr(A)=r(B)=mr(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
[β1,β2,⋯,βn]=[α1,α2,⋯,αn]A[\beta_1,\beta_2,\cdots,\beta_n]=[\alpha_1,\alpha_2,\cdots,\alpha_n]A[β1,β2,⋯,βn]=[α1,α2,⋯,αn]A , AAA 矩阵满秩
则基础解系 [β1,β2,⋯,βn][\beta_1,\beta_2,\cdots,\beta_n][β1,β2,⋯,βn] 、 [α1,α2,⋯,αn][\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 AB=OAB=OAB=O 参照 Ax=0Ax=0Ax=0 可知
B 矩阵的每一个列向量都是 Ax=0Ax=0Ax=0 的解向量
其中最常见的情况由关键公式推出,即
A∗=∣A∣A−1A^*=|A|A^{-1}A∗=∣A∣A−1 ,两边同时乘 A 得到 AA∗=∣A∣EAA^*=|A|EAA∗=∣A∣E 当 A 不满秩时,可以得到 AA∗=∣A∣E=OAA^*=|A|E=OAA∗=∣A∣E=O
即得到了 AA∗=OAA^*=OAA∗=O , A∗A^*A∗ 的每一个列向量都是 Ax=0Ax=0Ax=0 的解
所以一般来讲,只有 r(A)=n−1r(A)=n-1r(A)=n−1 时, 才会有 ∣A∣=0|A|=0∣A∣=0 ,而此时 r(A∗)=1r(A^*)=1r(A∗)=1 ,即只有一个解
1 - 行列式 - 矩阵 的运算相关推荐
- 参考答案:02 矩阵及其运算
本篇图文为<线性代数及其应用>这本教材对应习题册的参考答案. 本章主要介绍有关矩阵的知识,主要包括矩阵的基本运算(加法.数乘.乘法.乘幂.迹.转置),其中乘法最为重要,在计算机图形学中具有 ...
- 线性代数:第二章 矩阵及其运算
本讲义是自己上课所用幻灯片,里面没有详细的推导过程(笔者板书推导)只以大纲的方式来展示课上的内容,以方便大家下来复习. 本章主要介绍有关矩阵的知识,主要包括矩阵的基本运算(加法.数乘.乘法.乘幂.迹. ...
- 线性代数:第二章 矩阵及其运算:逆矩阵、分块矩阵
第一节 矩阵及其运算 一.数学概念 定义1.1 由 个数 排成m行n列的数表 称为m行n列的矩阵,简称 矩阵,记作 二.原理,公式和法则 1.矩阵的加法 (1) 公式 (2) 运算律 2.数乘矩 ...
- 高等代数:4 矩阵的运算
4 矩阵的运算 4.1 矩阵的运算 1.数域K上两个矩阵称为相等,如果它们的行数相等,列数也相等,并且它们的所有元素对应相等. 2.定义1:设 A = ( a i j ) , B = ( b i j ...
- 线性代数 矩阵及其运算
文章目录 1 矩阵概念 1.1 矩阵的定义 1.2 与行列式的区别 1.3 矩阵分类 1.3.1 实矩阵与复矩阵 1.3.2 零矩阵 1.3.3 方阵 1.3.4 行矩阵与列矩阵 1.3.5 单位阵 ...
- 线性代数第二章矩阵及其运算详解
一.线性方程组和矩阵 1.概念 如图所示,该矩阵称为m行n列矩阵 若行数和列数都等于n,则该矩阵称为n阶方阵 两个矩阵的行数相等,列数也相等,就称它们为同型矩阵 若A=(aij)和B=(bij)是同型 ...
- 减法公式运算法则_矩阵的运算及其运算规则
原标题:矩阵的运算及其运算规则 今天清北学堂信息学金牌教研团队给大家汇总了一下矩阵的运算 一.矩阵的加法与减法 1.运算规则 设矩阵 则 清北学堂信息学金牌教研团队提醒,两个矩阵相加减,即它们相同位置 ...
- 线性代数 |矩阵【运算、逆、转置】
文章目录 矩阵 矩阵介绍 矩阵相等 数与矩阵相乘 矩阵的运算规律 矩阵的加法 矩阵与矩阵相乘 矩阵的转置 对称矩阵 反对称矩阵 运算规则 注意 矩阵的逆 逆矩阵的几种求法 性质以及定理 end 矩阵 ...
- matlab基本矩阵运算,MATLAB矩阵及其运算
<MATLAB矩阵及其运算>由会员分享,可在线阅读,更多相关<MATLAB矩阵及其运算(10页珍藏版)>请在人人文库网上搜索. 1.Matlab矩阵及其运算目录矩阵创建1矩阵的 ...
最新文章
- redis 代理工具Predixy安装部署
- 大数据基础设施建设需要得到重视 | 记清华大数据“应用·创新”讲座
- Linux下的各种文件阅读器
- java.lang.RuntimeException: Invalid action class configuration that references an unknown class name
- [二分图]luogu 1640 连续攻击游戏
- Docker与容器安全
- 泛微oa系统什么框架_泛微移动办公OA系统走进江苏国曜信息科技有限公司
- c语言怎么确定输出数的坐标,c语言printf实现同一位置打印输出的实例
- Java创建mysql触发器
- 存储器容量计算及相关概念
- rgb转hsi matlab,Matlab实现HSI与RGB转换 | 学步园
- D5 登录抽屉新热榜
- Netty4实战第六章:ChannelHandler
- 正在通过app store进行鉴定解决方案
- 数据结构与算法——17. 散列(哈希)与完美散列函数
- linux源码网址,可以在这里找到很多开源的驱动
- EXCEL 2016常用知识--Excel数据透视表
- 计算机操作校本培训教材,小学教师校本培训教材.doc
- firefly-rk3288j开发板 TP实验之GT9XX触摸驱动
- 北大青鸟java超市账单管理系统_北大青鸟java第二单元超市账单管理系统