浅谈矩阵特征值的应用
摘要:矩阵特征值在很多领域都有广泛应用, 本文主要研究了其中两方面的应用:第一是通过Fibonacci数列通项和常染色体遗传问题建模研究特征值在建模中的应用,第二是通过特征值在一阶线性微分方程组的求解问题研究特征值在微分方程中应用.
关键字:Fibonacci数列,特征值,特征向量,特征多项式.
Abstract:The theory of matrix eigenvalue has a wide range of applications in many fields. This paper will mainly probe into the applications of two of them. The first one is the application of eigenvalue in model by building the model of formula of term of the Fibonacci Fibonacci sequence and autosomal inheritance. The second one is the application of eigenvalue in differential equation by solving the problem of first-order linear differential equations.
Key words:fibonacci sequence,eigenvalue ,eigenvector ,characteristic polynomial
目录
1 引言 (4)
2 矩阵特征值的相关概念 (4)
3 矩阵特征值的应用 (4)
3.1 矩阵特征值在建模中的应用 (4)
3.1.1 Fibonacci数列通项 (4)
3.1.2 常染色体遗传问题 (6)
3.2 矩阵特征值在一阶线性常系数方程组中的应用 (9)
3.2.1 矩阵A特征根均为单根的情形 (9)
3.2.2 矩阵A特征根有重根的情形 (12)
结论 (14)
参考文献 (15)
致谢 (16)
1 引言
矩阵特征值是高等数学的重要内容,在很多领域都有广泛应用,尤其在科学研究与工程设计的计算工程之中,灵活运用矩阵特征值能够使很多复杂问题简化.单纯的求解矩阵特征值是一件比较容易的事,但将特征值应用到其它领域就并非那么简单,也正因为此激发了本作者对矩阵特征值应用的兴趣.本文作者将简单介绍矩阵特征值在线性法建模和微分方程中的应用,通过一些实例让大家体会特征值在建模与微分方程求解中所起的作用.
2 矩阵特征值的相关概念
定义1设ψ是数域P 上线性空间V 的一个线性变换,如果对于数域P 中一数
0λ,存在一个非零向量ξ,使得
ξλψξ0=.
那么0λ称为ψ的一个特征值,而ξ称为ψ的属于特征值0λ的一个特征向量。
定义2 设A 是数域P 上一n 级矩阵,λ是一个数,矩阵A E -λ的行列式
A E -λ=
nn
n n n n a a a a a a a a a ---------λλλ
2
1
2222111211
称为A 的特征多项式,其中矩阵A 的特征多项式的根称为A 的特征值.
3 矩阵特征值的应用
3.1 矩阵特征值在建模中的应用
在数学模型的建立过程中可能伴随着比较复杂的高次计算,而矩阵的高次计算会给我们带来很多麻烦,但我们可利用矩阵特征值及其特征值向量可将较复杂的矩阵化为简单的对角阵,从而简化计算.
3.1.1 Fibonacci 数列通项
在1202年,斐波那契在一本书中提出一个问题:如果一对兔子出生一个月后开始繁殖,每个月生出一对后代,现有一对新生兔子,假定兔子只繁殖,没有死亡,
问第K 月月初会有多少兔子?
以”对”为单位,每月兔子组队数构成一个数列,这便是著名的Fibonacci 数
列{}k F ,,,5,3,2,1,0:k F ,函数数列满足条件
00=F ,11=F ,k k k F F F +=++12. ()1.1.3
试求出通项k F .
解 由Fibonacci 数列满足()1.1.3式可设?
??=+=++++1112k k k
k k F F F F F . (*)
令A =????
??0111,k α=???? ??+k k F F 1,0α=???? ??01F F =???
?
??01,则(*)可写成矩阵形式 1+k α=k A α () 3,2,1=k .
()2.1.3
由()2.1.3式递归可得
k α=0αk A () 3,2,1=k .
()3.1.3
于是求k F 的问题归结为求k α即求k A 的问题.由
A E -λ=
λ
λ111---=12
--λλ
得A 的特征值
1λ=
251+,2λ=2
51-. ()4.1.3 对应于21,λλ的特征向量分别为:
1X =???? ??11λ,2X =???
?
??12λ.
设P =???
?
?
?11
21
λλ,则1
-P =????
?
?---1221111λλλλ.
于是
k
A =P ???? ?
?k k
210
0λλ1
-P
=
?
??
?
??-----++++k k k
k k k k k 122121
11212112112
11
λλλλλλλλλλλλλλ. 所以
???? ??+k k F F 1=k α=k A ???
? ??01 =
2
11
λλ-??
?
? ??--++k k k k 211211λλλλ. ()5.1.3
将()4.1.3式代入()5.1.3式得:
k F =???
?
???????? ??--???? ??+k
k 25125151 .
()6.1.3
3.1.2 常染色体遗传问题
在常染色体遗传中,后代是在每个亲体的基因对中各继承一个基因,形成自己的基因对,基因对也称基因型,如果所考察的遗传特征是由两个基因A 和a 控制的,那么就可能有三种可能的基因对,分别称之为AA ,Aa 与aa .当一个亲体的基因型为Aa ,另一个亲体的基因型也是Aa 时,注意到后代均可以从Aa 中等可能地得到基因A 和a ,于是运用概率中”对于互斥事件,概率具有可加性”以及”对于独立事件,概率具有可乘性”知
()AA P 后代基因型为=2121?=41,
()2
1
21212121=?+?=Aa P 后代基因型为,
()4
1
2121=?=aa P 后代基因型为.
一般地,经过简单的概率运算,可以求得如表1所示的双亲基因型的结合及其后代后代基因型的概率分布表.
现有一种植物基因型为AA ,Aa ,aa ,研究人员采用aa 型植物与每种基因型
植物相结合的方案,培育植物后代,求经过若干年后,这种植物任一代的三种基因型AA ,Aa ,aa 的概率分布.
解 记n a ,n b ,n c 分别表示第n 代的植物中基因型为AA ,Aa ,aa 的植物所占的百分率,且记()n x 为第n 代植物的基因分布:
()n x =()T
n n n c b a ,,, ,,2,1,0 =n
这里
()()T
c b a x 0000,,=
表示植物基因型的初始分布(即培育开始时的分布),满足1000=++c b a ; 若以上述百分率来估计概率,则运用全概率公式: 对于AA 型,有0000111=?+?+?=---n n n n c b a a ,
对于Aa 型,有1111121
0211-----+=?+?+?=n n n n n n b a c b a b , +∈N n ,
对于aa 型,有111112
1
1210-----+=?++?=n n n n n n c b c b a c .
显然
111---++=++n n n n n n c b a c b a .
所以
1000=++=++c b a c b a n n n .
将所得到的关系式联立,有
?????
???
??
?+=+==--n
n n n n n n c b c b a b a 21
2101
1. 于是若记
?????????? ?
?=1210021100
0M , 便得到第n 代基因型分布的数学模型
()()1-=n n Mx x , +∈N n .
进而有 ()()()()01122x M x M x M x n n n n ====-- , 即
()()0x M x n n =.
它表明到第n 代基因型分布可由初始分布和矩阵M 确定. 对于矩阵M ,由
()1211
2
1
00
2
1100-??? ?
?
-=--
-
-=
-λλλλλλλM E
得矩阵M 的三个特征根为
1,2
1,0321===λλλ.
从而得到特征值1,2
1
,0321==
=λλλ对应的特征向量为 ????? ??-121,????? ??-110,????
? ??100. 令?????
? ??=1000210000D ,????? ??--=111012001P ,运用初等变换计算1-P ,有
???
?
? ??--=-111012001
1
P =P . 进而有
()()()010x P PD x M x c b a n n n n n n -===????
?
?? ???
?? ??????? ??--?????
? ???
??
??????? ??--=00011101200110
00210000111012001c b a n
????????? ????????????
?
?????
??-?
?? ??-?
?? ????? ??=--00011
121121102121000c b a n n n n . 所以有(注意到1000=++c b a )
?????
???
?????? ??-??? ??-=??
? ??+??? ??==--0
010
012121121210b a c b a b a n n n n
n n n +∈N n . 评注 以上两例都是利用矩阵理论来建模,将复杂的问题转化为求矩阵A 的高次方问题,直接求矩阵的高次方比较麻烦,我们利用矩阵特征值及其特征向量将矩阵转化为对角阵再求其高次幂就会非常方便.
3.2 矩阵特征值在一阶线性常系数微分方程组中的应用
矩阵特征值在微分方程中也有广泛的应用,尤其在微分方程的求解方面有重
要的作用,接下来我们将从矩阵特征值在求解一阶线性微分方程组中的应用来研究矩阵特征值的作用.
一阶线性齐次常系数微分方程组
?
????????+++=+++=+++=n nn n n n
n
n n n y a a a dt
dy y a y a y a dt
dy
y a y a y a dt dy (212222121212121111)
. ()1.2.3
令
Y =()
T
n y y y ,...,,21,
T
n dt dy dt dy dt dy dt dY ??
? ??=,...,,2
1. A =()ij a 是方程()1.
2.3的系数矩阵,则()1.2.3写作矩阵形式为:
AY dt
dY
=. ()2.2.3 3.2.1 矩阵A 的特征根均是单根的情形
令()1.2.3的解为:
Y =X e x .
即
??????? ??n y y y 21=??????
? ??n x x x x e 21.
当矩阵A 可对角化时,由A 的n 个特征值1λ,2λ, … ,n λ及相应的n 个线性无
关的特征向量1X ,2X , … ,n X ,可求得()2.2.3的n 个线性无关的特解(即()1.2.3的基础解系)
n t t t X e X e X e n λλλ,,,2121 . ()3.2.3
它们的线性组合
Y =111X e c t λ+222X e c t λ+ … +n t n X e c n λ ()4.2.3
即为方程组()1.2.3的一般解(其中n c c c ,...,,21为任意常数).其一般解()4.2.3式写成矩阵形式为:
Y =()n X X X ,,,21 ???????
?
?t t
t n e e e λλλ 21??
??
??
? ??n c c c 21. ()5.2.3
记
P =()n X X X ,,,21 ,),...,,(21n diag λλλ=Λ=AP P 1-.
令
Λλe =??
?????
?
?t t
t
n e e e λλλ 21,C =??????
? ??n c c c 21.
则方程组()1.2.3一般解()5.2.3式可写为:
Y =P Λλe C . ()6.2.3
例1 求一阶常系数齐次线性方程组
?????--=--=2
1221141412165y y dt dy y y dt dy 的通解.
解 令
Y =???? ??21y y ,?
????
? ??=dt
dy
dt dy dt dY 21
, A =?????
?
??----4141216
5. 则方程组的矩阵形式为
AY dt
dY
=. 由特征方程
4
14
12
165+
+
=
-λλλA E =()1+λ(λ+
12
1) 得矩阵A 的特征值为1-和121-
,从而得特征值1-和121
-对应的特征向量为 1X =?
??
? ??13,2X =????
??-32. 令
P =???
?
??-3123. 由方程()1.2.3的通解表达式C P Y Λ=λ得:
Y =???? ??-3123???
?
?
?--t t e e 121???
?
??21c c . 即
????
?
????-=+=----t
t t t e c e c y e c e c y 12
12
1212
1211323 .
评注 求解一阶常系数方程组的关键在求方程组的基本解组,当方程组
()1.2.3的系数矩阵A 特征根均是单根时,其基本组的求解问题,就归结为求这些
特征根所对应的特征向量.
3.2.2 矩阵A 特征值有重根的情形
引理1[]2 设m λλλ,,,21 是矩阵A 的m 个不同的特征根,它们的重数分别为
m k k k ,,,21 .那么,对于每一个i λ,方程组()1.2.3有i k 个形如
()()()()()()x k k x x i i i i i e x P x Y e x P x Y e x P x Y λλλ===,,,2211
的线性无关解,这里向量()()j j k j x P ,,2,1 =的每一个分量为x 的次数不高于
1-i k 的多项式.取遍所有的()m i i ,,2,1 =λ就得到()1.2.3的基本解组.
如果i λ是()1.2.3的i k 重特征根,则方程组()1.2.3有i k 个形如
()()
x k k i i i e x R x R R x Y λ1110--+++=
的线性无关解,其中向量110,,,-i k R R R 由矩阵方程
()()()()()????
?
???
?=--=-=-=---01201
22110R E A R k R
E A R R E A R R E A i i i k i k i k i i i λλλλ 所确定.取遍所有的()m i i ,,2,1 =λ,则得到()1.2.3的一个基本解组. 例2 求解方程组?????????+=+=+=2
13312321
x
x dt
dx x x dt
dx
x x dt dx .
解 系数矩阵为
????
?
??=011101110A .
由矩阵特征方程()()0122
=+-λλ,得特征根为1,2321-===λλλ.21=λ对应的
解是
()???
?
?
??=11121x e x Y .
下面求132-==λλ所对应的两个线性无关解.由引理2,其解形如
()()x e x R R x Y -+=10,
并且10,R R 满足
()()?
??=+=+002
1
0R E A R R E A . 由于
()????? ??=+111111111E A ,()???
?
? ??=+3333333332E A .
那么由()002
=+R E A 可解出两个线性无关量:
????? ??-011,????
?
??-101. 将上述两个向量分别代入()10R R E A =+中,均得到1R 为零向量.于是
132-==λλ对应的两个线性无关解是:
()?
???
? ??-=-0112x
e x Y ,()????? ??-=-1013x e x Y .
所以方程组的通解为:
()???
?
?
??-+????? ??-+????? ??=--1010111113221x x x e C e C e C x Y .
评注 求解一阶线性常系数方程组的基本解组,当矩阵特征值有重根时,我
们用引理2来求解.
结论
矩阵特征值是高等数学的重要类容,在很多领域都有广泛应用,本文研究了其在线性代数法建模与一阶线性微分方程组中的应用.通过以上实例,我们得出矩阵特征值无论是在建模还是在微分方程中的应用,其主要作用是将矩阵对角化,进而可以对矩阵进行高次运算,从而简化计算的复杂度.同时,也正由于矩阵特征值这一特性,使其在工程设计,动力学等很多方面都得以广泛应用.
参考文献
[1]王萼芳,石生明. 高等代数(第三版)[M].北京:高等教育出版社,2005:290-298.
[2]黄启昌,史希福等.常微分方程(第二版)[M].北京:高等教育出版社,2005:138-152.
[3]王翠兰.微分方程组求解方法[J].北京:北京工业职业技术学院学报,2008,7: 18-20.
[4]韩卫华.矩阵特征值在线性微分方程中的应用[J].上海:教学与科技,1998,12(3,4): 51-53.
[5]赵静,崔鹍.矩阵特征值与特征向量的解法与应用[J].湖北武汉:科协论坛,2008,11(下): 44-45.
矩阵与行列式的关系 矩阵是一个有力的数学工具,有着广泛的应用,同时矩阵也是代数特别是线性代数的一个主要研究对象.矩阵的概念和性质都较易掌握,但是对于阶数较大的矩阵的运算则会是一个很繁琐的过程,甚至仅仅依靠矩阵的基本性质很难计算,为了更好的处理这个问题矩阵分块的思想应运而生[]1. 行列式在代数学中是一个非常重要、又应用广泛的概念.对行列式的研究重在计算,但由于行列式的计算灵活、技巧性强,尤其是计算高阶行列式往往较为困难.行列式的计算通常要根据行列式的具体特点采用相应的计算方法,有时甚至需要将几种方法交叉运用,而且一题多种解法的情况很多,好的方法能极大降低计算量,因此行列式计算方法往往灵活多变.在解决行列式的某些问题时,对于级数较高的行列式,常采用分块的方法,将行列式分成若干子块,往往可以使行列式的结构清晰,计算简化.本文在广泛阅读文献的基础上,从温习分块矩阵的定义和性质出发,给出了分块矩阵的一些重要结论并予以证明,在此基础上讨论利用分块矩阵计算行列式的方法,并与其他方法相互比较,以此说明分块矩阵在行列式计算中的优势. 1.1 矩阵的定义 有时候,我们将一个大矩阵看成是由一些小矩阵组成的,就如矩阵是由数组成的一样[]1.特别在运算中,把这些小矩阵当做数一样来处理.这就是所谓的矩阵的分块.把原矩阵分别按照横竖需要分割成若干小块,每一小块称为矩阵的一个子块或子矩阵,则原矩阵是以这些子块为元素的分块矩阵.这是处理级数较高的矩阵时常用的方法. 定义1[]2 设A 是n m ?矩阵,将A 的行分割为r 段,每段分别包含r m m m 21行,将 A 的列分割为s 段,每段包含s m m m 21列,则 ?? ? ? ? ? ? ??=rs r r s s A A A A A A A A A A 21 2222111211 , 就称为分块矩阵,其中ij A 是j i m m ?矩阵(,,,2,1r i =s j ,,2,1 =). 注:分块矩阵的每一行(列)的小矩阵有相同的行(列)数. 例如,对矩阵A 分块, = ?? ? ? ? ? ? ? ?-=21010301012102102301A ??? ? ??22211211 A A A A , 其中
第9章矩阵特征值问题的数值 方法 9.1 特征值与特征向量 9.2 Hermite矩阵特征值问题 9.3 Jacobi方法 9.4 对分法 9.5 乘幂法 9.6 反幂法 9.7 QR方法
9.1 特征值与特征向量设A是n阶矩阵,x是非零列向量. 如果有数λ存在,满足, (1) 那么,称x是矩阵A关于特征值λ的特征向量.
如果把(1)式右端写为 ,那么(1)式又可写为: x λ ()0 I A x λ-=||0 I A λ-=即1110 ()||...n n n f I A a a a λλλλλ--=-=++++记 它是关于参数λ的n 次多项式,称为矩阵A 的特 征多项式, 其中a 0=(-1)n |A |. (2)
显然,当λ是A的一个特征值时,它必然 是的根. 反之,如果λ是的根,那么齐次方程组(2)有非零解向量x,使(1)式 成立. 从而,λ是A的一个特征值. A的特征值也称为A的特征根 . ()0 fλ= ()0 fλ=
矩阵特征值和特征向量有如下主要性质: 定理9.1.1 n阶矩阵A是降秩矩阵的充分必要 条件是A有零特征值. 定理9.1.2 设矩阵A与矩阵B相似,那么它们 有相同的特征值. 定理9.1.3 n阶矩阵A与A T有相同的特征值. 定理9.1.4 设λ ≠λj是n阶矩阵A的两个互异特 i 征值,x、y分别是其相应的右特征向 量和左特征向量,那么,x T y=0 .
9.2 Hermite矩阵特征值问题?设A为n阶矩阵,其共轭转置矩阵记为A H. 如果A=A H,那么,A称为Hermite矩阵.
项目六 矩阵的特征值与特征向量 实验1 求矩阵的特征值与特征向量 实验目的 学习利用Mathematica(4.0以上版本)命令求方阵的特征值和特征向量;能利用软件计算方 阵的特征值和特征向量及求二次型的标准形. 求方阵的特征值与特征向量. 例1.1 (教材 例1.1) 求矩阵.031121201??? ?? ??--=A 的特征值与特值向量. (1) 求矩阵A 的特征值. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigenvalues[A] 则输出A 的特征值 {-1,1,1} (2) 求矩阵A 的特征向量. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigenvectors[A] 则输出 {{-3,1,0},{1,0,1},{0,0,0}} 即A 的特征向量为.101,013??? ? ? ??????? ??- (3) 利用命令Eigensystem 同时矩阵A 的所有特征值与特征向量. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigensystem[A] 则输出矩阵A 的特征值及其对应的特征向量.
例1.2 求矩阵??? ?? ??=654543432A 的特征值与特征向量. 输入 A=T able[i+j,{i,3},{j,3}] MatrixForm[A] (1) 计算矩阵A 的全部(准确解)特征值, 输入 Eigenvalues[A] 则输出 {0, 426-,426+} (2) 计算矩阵A 的全部(数值解)特征值, 输入 Eigenvalues[N[A]] 则输出 {12.4807, -0.480741, -1.34831610-?} (3) 计算矩阵A 的全部(准确解)特征向量, 输入 Eigenvectors[A]//MatrixForm 则输出 1 2 1172422344220342234421172 42234 42 20342234 42 1 (4) 计算矩阵A 的全部(数值解)特征向量, 输入 Eigenvectors[N[A]]//MatrixForm 则输出 0.4303620.5665420.7027220.805060.111190.5826790.4082480.816497 0.408248 (5) 同时计算矩阵A 的全部(准确解)特征值和特征向量, 输入 OutputForm[Eigensystem[A]] 则输出所求结果 (6) 计算同时矩阵A 的零空间, 输入
分块矩阵的应用 引言 矩阵作为数学工具之一有其重要的实用价值,它常见于很多学科中,如:线性代数、线性规划、统计分析,以及组合数学等,在实际生活中,很多问题都可以借用矩阵抽象出来进行表述并进行运算,如在各循环赛中常用的赛格表格等,矩阵的概念和性质相对矩阵的运算较容易理解和掌握,对于矩阵的运算和应用,则有很多的问题值得我们去研究,其中当矩阵的行数和列数都相当大时,矩阵的计算和证明中会是很烦琐的过程,因此这时我们得有一个新的矩阵处理工具,来使这些问题得到更好的解释,矩阵分块的思想由此产生矩阵分块,就是把一个大矩阵看成是由一些小矩阵组成的?就如矩阵的元素(数)一样,特别是在运算中,把这些小矩阵当作数一样来处理.把矩阵分块运算有许多方便之处因为在分块之后,矩阵间的相互关系可以看得更清楚,在实际操作中与其他方法相比,- 般来说,不仅非常简洁,而且方法也很统一,具有较大的优越性,是在处理级数较高的矩阵时常用的方法?比如,从行列式的性质出发,可以推导出分块矩阵的若干性质,并可以利用这些性质在行列式计算和证明中的应用分块矩阵;也可以借助分块矩阵的初等变换求逆矩阵及矩阵的秩等;再如利用分块矩阵求高阶行列式,如设A、C都是n阶矩阵, A B 其中A 0,并且AC CA,则可求得AD BC ;分块矩阵也可以在求解线性 C D 方程组应用? 本文将通过对分块矩阵性质的研究,比较系统的总结讨论分块矩阵在计算和证明方面的应用,从而确认分块矩阵为处理很多代数问题带来很大的便利
1 分块矩阵的定义及相关运算性质 1.1 分块矩阵的定义 矩阵分块 , 就是把一个大矩阵看成是由一些小矩阵组成的 . 就如矩阵的元素 ( 数) 一 样,特别是在运算中 , 把这些小矩阵当作数一样来处理 . 定义1设A 是一个m n 矩阵,若用若干横线条将它分成r 块,再用若干纵线条将它 A 11 ... 分成s 块,于是有rs 块的分块矩阵,即A .... A r1 . 1.2 分块矩阵的相关运算性质 1. 2.1 加法 A A ij r s , B B ij r s , 其中 A ij , B ij 的级数相同, A B A ij B ij r s 1.2.2 数乘 kA 1.2.3 乘法 1.2.4 转置 A A ji s r 1.2.5 分块矩阵的初等变换 分块矩阵A 的下列三种变换称为初等行变换: A 1s ... ,其中 A ij 表示的是一个矩阵 . A rs 设 A a ij B mn b ij m n ,用同样的方法对 A,B 进行分块 设是任 A a ij mn A ij r s ,k 为任意数, 定义分块矩阵 A A ij r s 与 k 的数乘为 设 A a ij ,B sn n m 分块为 A A ij nm r l ,B B ij l r ,其中 A ij 是 s i n j 矩阵, B ij 是 n i m j 矩阵, 定义分块矩阵A A j rl 和B B ij l r 的乘积为 r C ij A i1 B 1j A i2 B 2j ... A il B lj , i 1,2,...t; j 1,2,3,..., l a ij s n 分块为 A sn A ij r s ,定义分块矩阵 A A ij r s 的转置为 rs
浅析分块矩阵的性质和应用 作者姓名:周甜 河南理工大学数学与信息科学学院数学与应用数学专业2007级2班 性质1:分块矩阵都是可逆的,且逆矩阵为分块初等矩阵。 性质2:分块单位矩阵经过一次分块矩阵的初等变换后所得到的矩阵仍为分块初等矩阵。 摘要:分块矩阵在高等代数中有着广泛的应用,矩阵的分块运算是矩阵运算的一种重要方法。本文主要讨论了分块矩阵的运算性质,初等变换,并举例说明和分析了分块矩阵在解决矩阵特征值计算和有关矩阵证明等问题中的应用。利用分块矩阵可以使阶数比较高,比较复杂的矩阵和抽象矩阵的特征值问题的解决变得简明而清晰。 关键词:分块矩阵行列式特征值初等变换矩阵的逆 Tentative Analysis of Properties and Applications of Block Matrices Author Name:Zhou Tian Class 2 Grade 2007 of Mathematics and Applied Mathematics of College Mathematics and Information Science of Henan Polytechnic University School Summary:Block matrices has a wide use in Advanced Algebra. Operations of block matrices play an important role in the operation of matrices. This paper mainly illustrates the operation properties and the elementary transformations of block matrices. Several examples are given in the paper to show the applications of block matrices in calculating the eigenvalues of a matrix and proving a subject in connection with matrices. It is convenient to apply block matrices to deal with questions containing matrices with high order and complex appearances and calculating the eigenvalues of abstract matrices. Keywords: block matrices determinant eigenvalues elementary transformation the inverse of a matrix
矩阵的分块及应用 武夷学院毕业设计(论文) 矩阵的分块及应用院系:专业:姓名:学号: 指导教师:职称:完成日期:数学与计算机系计算机科学与技术陈航20073011014 魏耀华教授年月日武夷学院教务处制摘要矩阵分块,就是把一个大矩阵按照一定规则分成小矩阵,它是矩阵运算的一种常用技巧与方法。分块矩阵的理论不但在工程技术和实际生产中有着广泛的应用,而且在线性代数中求矩阵乘积、行列式的值、逆矩阵、矩阵的秩和矩阵的特征根的过程中也起到重要作用。分块矩阵的初等变换则是处理分块矩阵有关问题的重要工具,它在线性代数中有非常广泛的应用。讨论了分块矩阵的概念、分块矩阵的运算、分块矩阵的性质以及分块矩阵的广义初等矩
阵,归纳并提出了分块矩阵的一些应用,这些应用主要涉及到矩阵的秩,逆矩阵,行列式以及矩阵正定和半正定等方面。通过引用了大量的实例说明了对矩阵进行适当分块可以使高等代数中的许多计算与证明问题迎刃而解。关键词: 分块矩阵;初等变换;计算;逆矩阵;证明。I Abstract Partitioned matrices mean dividing a big matrix into the small matrices according to the certain rule. It is a common technique and method in matrix operation. The theories of partitioned matrices have not only a wide range of applications in engineering and production, but also play an important role to the process for seeking matrix product and the value of determinant and inverse matrix and rank of matrix and the characteristic in linear algebra. Elementary transformation of partitioned matrices is an important tool to deal with the partition matrix. Also, it is
第十二讲 矩阵特征值估计 特征值计算较困难,希望找到简便的特征值界限或分布范围的估计方法。 一、 特征值界的估计 定理1. 设n n A R ?∈,λ为A 的任意特征值,则有 () Im M λ≤其中,ij ji 1i ,j n a a M m a x 2 ≤≤-= 证明:设x 为A 的属于特征值λ的单位特征向量,即A x x =λ, H x x 1=, 则 H x A x λ= → ( ) () H H H H H x A x x A x x A x λ== = () ()()H H H T 2jIm x A A x x A A x λ-λ=λ=-=- 将x 写成[] T 12n x ,,,=ξξξ ()()n n H T i ij ji j i 1 j 1 x A A x a a ==-=ξ-ξ∑∑ () ()()n n i ij ji j i 1j 1 n n i ij ji j i 1 j 1 2I m a a a a ====λ= ξ-ξ≤ ξ-ξ∑∑ ∑∑ n ' i j ij ji i ,j 1 a a == ξξ-∑ ('∑表示不含i =j ) n ' i j i ,j 1 2M =≤ξξ∑ () 2 n 2 2 ' i j i ,j 1 I m M =? ?λ≤ξξ ? ? ? ∑
() n 2 2 ' i j i ,j 1M n n 1=≤-ξξ∑ () n 2 2 2 ' i j i ,j 1M n n 1==-ξξ∑ n n n n n 2 2 2 2 4 2 4 ' i j i j i i i i ,j 1 i ,j 1 i 1 i 1 i 1 =====ξξ= ξξ- ξ≤ ξ- ξ∑ ∑ ∑ ∑ ∑ ( )n 2 2 i i i 11== ξ-ξ∑ 不妨写为: ( ) ( ) ( )n 2 222 2 2 1 1 2 2 i i i 3 111==ξ-ξ +ξ -ξ + ξ -ξ∑ ( )( )( )2 2 2 2 2 2 n 11 22 2 2 i i i 3 1112 2 =????ξ +-ξξ +-ξ ? ? ≤++ ξ-ξ ? ? ? ???? ? ∑ 12 ≤ 取等号的条件为2 2 1 2 12 ξ=ξ= ,但 2 x 1 =,所以其它2 i ξ= ∴ () Im M λ≤定理2. 设n n A R ?∈,λ为A 的任意特征值,则有 n λ≤ρ ()R e n λ≤τ () I m n s λ≤ 其中,ij 1i,j n m a x a ≤≤ρ =,ij ji 1i,j n m a x a a ≤≤τ =+,ij ji 1i,j n s m a x a a ≤≤=- 二、 盖尔圆法 定义:设() n n ij n n A a C ??= ∈,由方程 n ii i ij j 1 i j z a R a =≠-≤= ∑ 所确定的圆称 为A 的第i 个盖尔圆,i R 称为盖尔圆的半径。
求矩阵特征值算法及程序简介 1.幂法 1、幂法规范化算法 (1)输入矩阵A、初始向量( 0),误差eps; (2) k 1; (3)计算V(k)A(k 1); (4)m k max(V(k)) ,m k1max( V ( k 1)); (5) (k)V(k)/m k; (6)如果m k m k 1eps,则显示特征值1和对应的特征向量x(1) ),终止; (7)k k 1, 转(3) 注:如上算法中的符号max(V )表示取向量V 中绝对值最大的分量。本算法使用了数据规范化处理技术以防止计算过程中出现益出错误。 2、规范化幂法程序 Clear[a,u,x]; a=Input[" 系数矩阵A="]; u=Input[" 初始迭代向量u(0)="]; n=Length[u]; eps=Input[" 误差精度eps ="]; nmax=Input[" 迭代允许最大次数nmax="]; fmax[x_]:=Module[{m=0,m1,m2}, Do[m1=Abs[x[[k]]]; If[m1>m,m2=x[[k]];m=m1], {k,1,Length[x]}]; m2] v=a.u; m0=fmax[u]; m1=fmax[v]; t=Abs[m1-m0]//N; k=0; While[t>eps&&k 浅谈分块矩阵的性质及应用 摘要:本文主要谈及分快矩阵的思想在线性代数的证明。解线性方程组,矩阵得知 逆及矩阵的逆,和初等变换中的应用。 关键词:分块矩阵;线性方程组;矩阵的秩及矩阵的逆;初等变换 On the nature of block matrix and its application Abstract: this thesis uses the blocking matrix method into proving and applying the linear algebra, tries to solve the linear equations, and the proof of other relative matrix rank and elementary matrix. Key word s: Block matrix; Linear algebra; rank of matrix; elementary matrix.前言: 矩阵得分快是处理问题的一重要方法,把一个告诫矩阵分成若干个地界矩阵,在运算中把低阶矩阵当作数一样处理,这样高阶矩阵就化作低阶矩阵,长能使我们迅速接近问题的本质,从而达到解决问题的目的,使解题更简洁,思路更开阔,因此本文主要谈及分块矩阵再求行列式的值,解线性方程组,求矩阵的秩及逆等方面的应用。 1.预备知识: 分块矩阵的定义:将分块矩阵A用若干条纵线和横线分成许多个小矩阵,每一个小矩阵称为 A的子块,一子块为元素的形式上的矩阵成为分块矩阵。 分块矩阵的运算: 1.2.1分块矩阵的加法: 设分块矩阵 A 与 B 的行数相同,列数相同,采用相同的得分块法,有 A=1111n m mn A A A A ?? ? ? ???K M O M L ,1111n m mn B B B B B ?? ?= ? ??? K M O M L 其中ij A 与ij B 的行数相同,列数相同,那么A+B=111111111n n m m n mn A B A B A B A B ++?? ? ? ?++?? K M O M L 1.2.2分块矩阵与数的乘法: A=1111n m mn A A A A ?? ? ? ???K M O M L ,1111n m mn A A A A A λλλλλ?? ? = ? ??? K M O M L 1.2.3设A 为m l ?矩阵,B 为l n ?矩阵,分块成 1111111 1 t r s st t tr A A B B A B A A B B ???? ? ?== ? ? ? ????? K K M O M M O M L L 其中1i A ,2i A ……,it A 的列数分别等于1j B ,2j B ……,tj B 的行数,那么 1111 r s sr C C AB C C ?? ? = ? ??? K M O M L ,其中1 t ij ik ik k C A B ==∑(i=1……s ;j=1,……,r) 1.2.4设1111 t s st A A A A A ?? ? = ? ???K M O M L ,则1111T T t T T T s st A A A A A ?? ?= ? ?? ? K M O M L 2. 分块矩阵的性质及应用: 分块矩阵的性质: 设A 为n 阶矩阵,若A 的分块矩阵只有在对角线上有非零子块,其余子块都为零矩阵,且在对角线上的子块都是方阵,即 第三部分 矩阵特征值的估计 引言: 矩阵特征值的计算与估计在理论上和实际应用中都是很重要的,但要精确计算特征值并非总是可能的,即使在某些特殊情况下有可能,可是付出的代价也是很大的。幸好在许多应用中并不需要精确计算矩阵的特征值,而只需有一个粗略的估计就够了。比如:在线性系统理论中,通过估计系统矩阵A 的特征值是否有负实部,便可判定系统的稳定性;当研究一个迭代法的收敛性时便要判断迭代矩阵的特征值是否都落在单位圆内;在差分方程的稳定性理论以及自动控制理论中都需要估计矩阵的特征值是否在复平面上的某一确定的区域中。 §1. 特征值的界的估计 引理1. n 阶复矩阵A ,酉相似于一个上(或下)三角矩阵,且三角矩阵的对角线元素是A 的特征值。即存在一个酉矩阵U 和三角矩阵T ,使T AU U T = 引理2. 设n n n n ij C a A ??∈=)(,则∑∑====n i n j F ij H A a AA tr 11 2 2 )( Proof :设n n ij H b AA B ?==)(则 ∑∑===++==n j j n n n j j j a a a a a a a a a b 1 2 11112121 11111111 ∑∑====n j j n j j j a a a b 1 2 21 2222 ∑∑====n j ij n j ij ij ii a a a b 12 1 ∑∑∑======n i n j ij n i ii H a b B tr AA tr 11 2 1 )()( 引理3. A 为正规矩阵?A 酉相似于对角矩阵。 (注:正规矩阵:A A A A H H ?=?)即存在酉矩阵U 使 ),,,(21n H diag AU U λλλ = Th 1.设A 为n 阶矩阵,n λλλ,,,21 为其特征值,则: ?=≤∑∑∑===n i n i n j F ij i A a 1 11 2 2 2 λA 为正规矩阵,等号成立。 Proof:由引理1.存在酉阵U ,使T AU U H =(三角阵)——① 对①两边取共轭转置:U A U AU U T H H H H H ==)(——② ①?②得 H H H H T T U A U AU U ?=?)()( H H H T T U AA U ?=?(为酉阵) )()()(H H H H T T tr AA tr U AA U tr ?==? 即∑∑∑∑∑∑=======≥=n i n j n i n i i ii ij n i n j ij t t a 11 1 1 2 2 2 11 2 λ 设n n C A ?∈,令2 ,2H H A A C A A B -=+=, 则A =B +C : 其中B 为Hermit 阵(即H B B =)实 C 为反Hermit 阵(即H C C -=)虚 1引言 在数学名词中,矩阵(英文名Matrix )是用来表示统计数据等方面的各种有关联的数据.这个定义很好的解释了Matrix 代码是制造世界的数学逻辑基础.数学上,矩阵就是方程组的系数及常数所构成的方阵.把它用在解线性方程组上既方便,又直观.例如对于方程组 我们可以构成一个矩阵 因为这些数字是有规则的排列在一起,形状像矩形,所以数学家们称之为矩阵,通过矩阵的变化,就可以得出方程组的解来.数学上,一个*m n 矩阵乃一个m 行n 列的矩形阵列.矩阵由数组成,或更一般的,由某环中元素组成. 矩阵作为数学工具之一有其重要的实用价值,它常用于很多学科中.如:线性代数、线性规划、统计分析,以及组合数学等.在实际生活中有许多问题都可以借用矩阵抽象出来进行表述并进行运算,如在各循环赛中常用的赛况表格等,矩阵的概念和性质相对矩阵的运算较容易理解和掌握,对于矩阵的运算和应用,则有很多的问题值得我们去研究,其中当矩阵的行数和列数都相当大时,矩阵的计算的证明中则会是一个很繁琐的过程,因此这时我们得有一个新的矩阵处理工具,来使这些问题得到更好的解决,矩阵分块的思想由此产生,对级数较高矩阵的处理是矩阵的相关内容中重要的一部分,分块矩阵形象的揭示了一个复杂或是特殊矩阵的内部本质结构.本文即是通过查阅相关文献和学习相关知识后总结并探讨分块矩阵在各方面的应用,以计算和证明两大方面为主. 在已有的相关文件中,分块矩阵的一些应用如下: (1)从行列式的性质出发,推导出分块矩阵的若干性质,并举例说明这些性质在行列式计算和证明中的应用. (2)分块矩阵在线性代数中是一个基本工具,研究许多问题都需要它.借助分块矩阵的初等变换可以发现分块矩阵在计算行列式、求逆矩阵及矩阵秩方面的应用. 如:设A B M C D ??=???? 是一个四分块n 阶矩阵,其中A 、B 、C 、D 分别是,r r ?(),r n r ?-(),n r r -?()n r -?()n r -阶矩阵,若A 可逆,可证M =AD - 1CA B -,另若D 可逆,则可证得1M D BD C -=-. 第五章矩阵的特征值和特征向量 来源:线性代数精品课程组作者:线性代数精品课程组 1.教学目的和要求: (1) 理解矩阵的特征值和特征向量的概念及性质,会求矩阵的特征值和特征向量. (2) 了解相似矩阵的概念、性质及矩阵可相似对角化的充分必要条件,会将矩阵化为相似对 角矩阵. (3) 了解实对称矩阵的特征值和特征向量的性质. 2.教学重点: (1) 会求矩阵的特征值与特征向量. (2) 会将矩阵化为相似对角矩阵. 3.教学难点:将矩阵化为相似对角矩阵. 4.教学内容: 本章将介绍矩阵的特征值、特征向量及相似矩阵等概念,在此基础上讨论矩阵的对角化问题. §1矩阵的特征值和特征向量 定义1设是一个阶方阵,是一个数,如果方程 (1) 存在非零解向量,则称为的一个特征值,相应的非零解向量称为属于特征值的特 征向量. (1)式也可写成, (2) 这是个未知数个方程的齐次线性方程组,它有非零解的充分必要条件是系数行列式 , (3) 即 上式是以为未知数的一元次方程,称为方阵的特征方程.其左端是的 次多项式,记作,称为方阵的特征多项式. == = 显然,的特征值就是特征方程的解.特征方程在复数范围内恒有解,其个数为方程的次数(重根按重数计算),因此,阶矩阵有个特征值. 设阶矩阵的特征值为由多项式的根与系数之间的关系,不难证明 (ⅰ) (ⅱ) 若为的一个特征值,则一定是方程的根, 因此又称特征根,若为 方程的重根,则称为的重特征根.方程的每一个非 零解向量都是相应于的特征向量,于是我们可以得到求矩阵的全部特征值和特征向量的方法如下: 第一步:计算的特征多项式; 第二步:求出特征方程的全部根,即为的全部特征值; 第三步:对于的每一个特征值,求出齐次线性方程组: 的一个基础解系,则的属于特征值的全部特征向量是 (其中是不全为零的任意实数). 例1 求的特征值和特征向量. 解的特征多项式为 = 分块矩阵的若干应用 摘要:本文归纳了分块矩阵的一些应用,这些应用主要涉及到用分块矩阵计算行列式,求解逆矩阵,解线性方程组以及证明矩阵秩的不等式. 关键词:分块矩阵,行列式,可逆矩阵,线性方程组,秩 Abstract: This article summarizes the number of block matrix applications mainly related to the use of block matrix determinant calculation, solving the inverse matrix, solution of linear equations, as well as proof of the inequality rank matrix. Key words: block matrix,determinant,invertible matrix,linear equations,rank 目录 1 引言 (4) 2 分块矩阵的应用 (4) 2.1 利用分块矩阵求n阶行列式 (4) 2.2 利用分块矩阵求矩阵的逆 (6) 2.3 利用分块矩阵解非齐次线性方程组 (10) 2.4 利用分块矩阵证明矩阵的秩的性质 (11) 结论 (13) 参考文献 (14) 致谢 (15) 1 引言 矩阵的分块是处理级数较高的矩阵时常用的方法.有时候,我们把一个大矩阵看成是由一些小矩阵组成的,就如矩阵是由数组成的一样.特别是在运算中,把这些小矩阵当作数一样来处理,这就是所谓矩阵的分块[]1 .分块矩阵是矩阵论中重要内容之一.在线性代数中,分块矩 阵也是一个十分重要的概念,它可以使矩阵的表示简单明了,使矩阵的运算得以简化,而且还可以利用分块矩阵解决某些行列式的计算问题.事实上,利用分块矩阵方法计算行列式,时常会使行列式的计算变得简单,并能收到意想不到的效果. 矩阵是一种新的运算对象,我们应该充分注意矩阵运算的一些特殊规律.为了研究问题的需要,适当对矩阵进行分块,把一个大矩阵看成是由一些小矩阵为元素组成的,这样可使矩阵的结构看的更清楚.运用矩阵分块的思想,可使解题更简洁,思路更开阔,在教学中有着非常广泛的应用,一些复杂的问题,经分块矩阵处理就显得非常简单.而在高等代数和线性代数教材中,这部分内容比较少,本文归纳并讨论了分块矩阵在行列式,矩阵的逆及解非齐次线性方程组等方面的一些应用. 2 分块矩阵的应用 行列式的计算是一个重要的问题,也是一个很麻烦的问题.n 级行列式一共有!n 项,计算它就需要做()!1n n -个乘法.当n 较大时,!n 是一个相当大的数字,直接从定义来计算行列式几乎是不可能的事,因此我们有必要进一步讨论解行列式的方法.利用分块矩阵的方法]2[求行列式的值是行列式求值常用的方法.但通常教材中介绍的方法,多数为计算特殊形式的行列式,本文将在教材的基础上给出另外一些行列式的分块矩阵的解法. 2.1 利用分块矩阵求n 阶行列式 各高等代数教材主要介绍了用定义,性质,展开定理计算n 阶行列式.常用的技巧有递推 法,加边法等.但有些行列式计算起来仍很麻烦,下面给出运用分块矩阵计算n 级行列式的一种方法,该方法使n 阶行列式的求值更加简便易行.本文我们主要以?22分块矩阵为例. 命题1 设n 阶行列式W 分块为A B W C D ?? = ???,则 (1) 当A 为r 阶可逆矩阵时, 1 A B W A D C A B C D -==-; 分块矩阵的应用 引言 矩阵作为数学工具之一有其重要的实用价值,它常见于很多学科中,如:线性代数、线性规划、统计分析,以及组合数学等,在实际生活中,很多问题都可以借用矩阵抽象出来进行表述并进行运算,如在各循环赛中常用的赛格表格等,矩阵的概念和性质相对矩阵的运算较容易理解和掌握,对于矩阵的运算和应用,则有很多的问题值得我们去研究,其中当矩阵的行数和列数都相当大时,矩阵的计算和证明中会是很烦琐的过程,因此这时我们得有一个新的矩阵处理工具,来使这些问题得到更好的解释,矩阵分块的思想由此产生. 矩阵分块,就是把一个大矩阵看成是由一些小矩阵组成的.就如矩阵的元素(数) 一样,特别是在运算中,把这些小矩阵当作数一样来处理.把矩阵分块运算有许多方便之处.因为在分块之后,矩阵间的相互关系可以看得更清楚,在实际操作中与其他方法相比,一般来说,不仅非常简洁,而且方法也很统一,具有较大的优越性,是在处理级数较高的矩阵时常用的方法.比如,从行列式的性质出发,可以推导出分块矩阵的若干性质,并可以利用这些性质在行列式计算和证明中的应用分块矩阵;也可以借助分块矩阵的初等变换求逆矩阵及矩阵的秩等;再如利用分块矩阵求高阶行列式,如设A 、C 都是n 阶矩阵,其中0A ≠,并且AC CA =,则可求得A B AD BC C D =-;分块矩阵也可以在求解线性 方程组应用. 本文将通过对分块矩阵性质的研究,比较系统的总结讨论分块矩阵在计算和证明方面的应用,从而确认分块矩阵为处理很多代数问题带来很大的便利. 1 分块矩阵的定义及相关运算性质 1.1分块矩阵的定义 矩阵分块,就是把一个大矩阵看成是由一些小矩阵组成的.就如矩阵的元素(数) 一样,特别是在运算中,把这些小矩阵当作数一样来处理. 定义1设A 是一个m n ?矩阵,若用若干横线条将它分成r 块,再用若干纵线条将它 分成s 块,于是有rs 块的分块矩阵,即1111...............s r rs A A A A A ???? =?????? ,其中ij A 表示的是一个矩阵. 1.2分块矩阵的相关运算性质 1. 2.1加法 设() ij m n A a ?=() ij m n B b ?=,用同样的方法对,A B 进行分块 () ij r s A A ?=,() ij r s B B ?=, 其中ij A ,ij B 的级数相同, 则 ()ij ij r s A B A B ?+=+. 1.2.2数乘 设是任() () ,ij ij m n r s A a A k ??==为任意数,定义分块矩阵() ij r s A A ?=与k 的数乘为 () ij r s kA kA ?= 1.2.3乘法 设() () ,ij ij s n n m A a B b ??==分块为()(),ij ij r l l r A A B B ??==,其中ij A 是i j s n ?矩阵,ij B 是 i j n m ?矩阵,定义分块矩阵() ij r l A A ?=和()ij l r B B ?=的乘积为 () 1122...,1,2,...;1,2,3,...,ij i j i j il lj C A B A B A B i t j l =+++==.、 1.2.4转置 设() ij s n A a ?=分块为() ij r s A A ?=,定义分块矩阵() ij r s A A ?=的转置为 () ji s r A A ?''= 1.2.5分块矩阵的初等变换 分块矩阵A 的下列三种变换称为初等行变换: 矩阵特征值的意义 数学里面的特征值和特征矩阵到底有什么用,它的物理意义在于什么?? 矩阵的特征值要想说清楚还要从线性变换入手,把一个矩阵当作一个线性变换在某一组基下的矩阵,最简单的线性变换就是数乘变换,求特征值的目的就是看看一个线性变换对一些非零向量的作用是否能够相当于一个数乘变换,特征值就是这个数乘变换的变换比,这样的一些非零向量就是特征向量,其实我们更关心的是特征向量,希望能把原先的线性空间分解成一些和特征向量相关的子空间的直和,这样我们的研究就可以分别限定在这些子空间上来进行,这和物理中在研究运动的时候将运动分解成水平方向和垂直方向的做法是一个道理! 特征值时针对方阵而言的。 两个向量只有维数相同时才能考虑相等的问题,才能有和、有差。 引入特征值与特征向量的概念 ? 引例 在一个n 输入n 输出的线性系统y=Ax 中,其中 ? 我们可发现系统A 对于某些输入x ,其输出y ? 恰巧是输入x 的 倍,即 ;对某些输入,其输出与输入就不存在这种按比例放大的关系。 ??????? ??=??????? ??=??????? ??=n n nn n n n n y y y y x x x x a a a a a a a a a A M M L L L L L L L 2121212222111211,,λx y λ= ? 例如,对系统 ,若输入 ? 则 ? ? 若输入 ,则 ? 所以,给定一个线性系统A ,到底对哪些输入,能使其输出按比例放大,放大倍数 等于多少?这显然是控制论中感兴趣的问题。 基于此给出特征值与特征向量的概念: ? 定义 设A 是一个n 阶方阵,若存在着一个数 和一个非零n 维向量x ,使得 则称 是方阵A 的特征值,非零向量x 称为A 对应于特征值 的特征向量,或简称为A 的特征向量 ???? ??=4312A ? ?? ? ??=31x x Ax y 5315155314312=???? ??=???? ??=???? ?????? ??==???? ??=52x x Ax y λ≠???? ??=???? ?????? ??==269524312λx Ax λ=λλ 项目六 矩阵的特征值与特征向量 实验1 求矩阵的特征值与特征向量 实验目的 学习利用Mathematica(4.0以上版本)命令求方阵的特征值和特征向量;能利用软件计算方 阵的特征值和特征向量及求二次型的标准形. 求方阵的特征值与特征向量. 例1.1 (教材 例1.1) 求矩阵.031121201???? ? ??--=A 的特征值与特值向量. (1) 求矩阵A 的特征值. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigenvalues[A] 则输出A 的特征值 {-1,1,1} (2) 求矩阵A 的特征向量. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigenvectors[A] 则输出 {{-3,1,0},{1,0,1},{0,0,0}} 即A 的特征向量为.101,013???? ? ??????? ??- (3) 利用命令Eigensystem 同时矩阵A 的所有特征值与特征向量. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigensystem[A] 则输出矩阵A 的特征值及其对应的特征向量. 例1.2 求矩阵???? ? ??=654543432A 的特征值与特征向量. 输入 A=Table[i+j,{i,3},{j,3}] MatrixForm[A] (1) 计算矩阵A 的全部(准确解)特征值, 输入 Eigenvalues[A] 则输出 {0, 426-,426+} (2) 计算矩阵A 的全部(数值解)特征值, 输入 Eigenvalues[N[A]] 则输出 {12.4807, -0.480741, -1.34831610-?} (3) 计算矩阵A 的全部(准确解)特征向量, 输入 Eigenvectors[A]//MatrixForm 则输出 (4) 计算矩阵A 的全部(数值解)特征向量, 输入 Eigenvectors[N[A]]//MatrixForm 则输出 (5) 同时计算矩阵A 的全部(准确解)特征值和特征向量, 输入 OutputForm[Eigensystem[A]] 则输出所求结果 (6) 计算同时矩阵A 的零空间, 输入 NullSpace[A] 则输出 {{1,-2,1}} (7) 调入程序包< 分块矩阵及其应用 【摘要】矩阵论是代数学中是一个重要的组成部分和主要的研究对象。而分块矩阵可以降低较高级数的矩阵级数,使矩阵的结构更加清晰,从而使矩阵的相关计算简化,并且可以证明一些与矩阵有关的问题。本文详细且全面论述了分块矩阵阵的概念、分块矩阵的运算和其初等变换,而且证明了矩阵的分块在高等代数中的应用,包括用分块矩阵证明矩阵秩的问题,用分块矩阵求行列式问题,用分块矩阵求逆矩阵的问题,分块矩阵相似的问题。 【关键词】:分块矩阵;矩阵的秩;逆矩阵;行列式 目录 1引言 (2) 2矩阵分块的定义和性质 (2) 2.1 矩阵分块的定义 (2) 2.2 分块矩阵的运算 (2) 2.3 分块矩阵的初等变换 (3) 2.4 n阶准对角矩阵的性质 (3) 3分块矩阵在高等代数中的应用 (4) 3.1 分块矩阵在矩阵的秩的相关证明中的应用 (4) 3.2 利用分块矩阵计算行列式 (7) 3.3 分块矩阵在求逆矩阵方面的应用 (11) 3.4 分块矩阵在解线性方程组方面的应用 (16) 4总结 (19) 参考文献 (20) 1 引言 矩阵是高等代数中的一个重要内容,也是高等数学的很多分支研究问题的工具。在学习高等代数的时候常常碰到一些很难的问题,我们要经常用到矩阵的分块去解决,它可以使矩阵的结构更简单,从而使问题的解决更简明。比如当我们处理阶数较高或具有特殊结构的矩阵时,用处理一般低阶矩阵的方法,往往比较困难,为了研究问题的方便,也为了显示出矩阵中某些部分的特性,我们常把一个大型矩阵分成若干子块,把每个子块看作一个元素,从而构成一个分块矩阵,这是处理矩阵问题的重要技巧。利用矩阵的分块,可以把高阶矩阵划分成阶数较低的“块”,然后对这些以“块”为元素的矩阵施行矩阵的运算。本文就分块矩阵的加法、乘法、转置、初等变换等运算性质,及分块矩阵在证明矩阵相关秩的问题、矩阵求逆、行列式展开计算等方面的应用作了较为深入的研究。矩阵的分块能使矩阵的一些证明和计算变的非常简洁和快速,易于理解和掌握,而且能开拓思维,提高灵活应用知识解决问题的能力。浅谈分块矩阵的性质及应用
矩阵理论3.1 特征值界的估计
分块矩阵的应用研究
矩阵的特征值和特征向量
分块矩阵的若干应用
分块矩阵的应用论文
矩阵特征值的意义
判断矩阵的最大特征值
分块矩阵及其应用