摘要 本文将行（列）满秩矩阵的性质与可逆矩阵（即满秩矩阵）的相关性质进行比较，归纳出行（列）满秩矩阵在解线性方程组、矩阵秩的证明及矩阵分解等方面的若干应用，使其不受方阵的正方性限制，而应用起来又与可逆矩阵相差无几。 关键词：可逆矩阵；行(列)满秩矩阵；矩阵的秩；线性方程组
Abstract This article will row (column) the nature of the full rank matrix and invertible matrix (i.e. full rank matrix) properties of comparison, induction travel (column) full rank matrix in solving linear equations, the proof of matrix rank and some applications of matrix decomposition, etc.to make it without being limited by a phalanx of tetragonality, and used up and reversible. Key words: Invertible matrix; Row (column) full rank matrix; Matrix rank; The System of linear equations.
目录 1 引言 (1) 2 预备知识 (2) 3 可逆矩阵的性质及其应用 (3) 4 行（列）满秩矩阵的性质 (5) 5 行（列）满秩矩阵的若干应用 (11) 5.1 在矩阵秩的证明中的应用 (11) 5.2 在齐次线性方程组中的应用 (12) 5.3 在非齐次线性方程组中的应用 (15) 5.4 在几类特殊矩阵分解方面的应用 (17) 参考文献 (20)
. I 矩阵秩的研究与应用 [摘要]矩阵是数学中的一个重要的基本概念，是代数学的一个主要研究对象，也是数学研究的一个重要工具。矩阵理论是线性代数的主要组成部分，也是线性方程组的理论基础。而在矩阵的理论中，矩阵的秩是一个基本概念，也是矩阵最重要的数量特征之一，它在初等变换下是一个不变量。它反映矩阵固有特性的一个重要概念。矩阵一旦确定秩也就确定了。它是高等代数课程中的一个参考指标，其定义、性质、求法、应用等相关容在高等代数中出现的极为频繁，作用较大。 本文首先介绍了矩阵秩的相关理论知识：即秩的几种不同定义，相关性质，以及矩阵秩的三种常见求法，并对三种求法做了一个简单的比较分析。后面着重介绍了矩阵秩的应用部分，主要是其在线性代数中的应用和解析几何上的应用。这里就不细说了，具体容还得从文章中来了解。[1][2][3] [关键词]：矩阵的秩，定义，性质，求法，应用，高等代数。 矩阵秩的研究与应用
. I 1 前言 矩阵在高等代数理论中极其重要并且应用广泛，它是线性代数的核心，而矩阵的秩作为研究矩阵的一个重要工具，其秩的理论研究非常重要。更重要的是将它推广到实际应用中，那么我们目前在其应用方面的研究又达到了一个什么程度呢？ 本文主要是对矩阵秩的应用方面的一个总结，让学者对其有个更清晰的认识，使后面的学者对矩阵的学习更轻松，更全面。矩阵方面的理论是非常重要的容，历年来许多学者对它都有研究，而且其中的部分理论有了很广泛的应用，例如矩阵分析法在企业战略管理、营销活动、供应链管理技术、教学效率评价、射击训练效果评价等方面都起到举足轻重的作用；不仅在本文中的线性代数和解析几何中的理论上的应用，而且在其他领域上也有更实际贴切的应用。如在控制论中，矩阵的秩可用来确定线性系统是否为可控制的，或可观的；此外，矩阵的秩在教学中还有更广泛的应用，如在测量平差中的应用。 理论指导实践，所以我着重选择了矩阵秩在理论上的应用的部分来进行探讨，其意义更加广泛且深远。在前人研究的基础上，我主要是对其进行了一个归纳总结，并简单的说了些自己的感想，希望大家能够从中有所收获。
tianpeng.72pines./ 从不同的角度看矩阵的行秩与列秩——兼论如何学好线性代数 线性代数中，有那么几个神秘又神奇的东西，总是让初学它的人琢磨不透，无法理解，其中就有矩阵的行向量和列向量的关系，为什么一个矩阵的行向量里有多少个线性无关的向量，列向量里就一定也有多少个线性无关的向量呢？或者考虑稍微简单一点的问题，一个方阵，为什么行向量线性无关或线性相关列向量就一定也线性无关或相关呢？行秩为何等于列秩？ 这本来应该是一个基本又简单的事实。但是，请回忆一下你当初初学线性代数时的容编排顺序，是怎么引入这个问题的，当时又是怎样解决这个问题的？ 传统的教材编写思路是从线性方程组开始整个线性代数话题的引入，这个过程中定义行列式和矩阵，用n 元数组引入向量，线性相关和无关等概念，讨论解存在的条件，解的结构，等等。总之，一切以方程组为核心，给人的感觉就是线性代数就是方程组的理论，一切讨论的目的都是为了解决小小的方程组问题。 在这个过程中，有一个矩阵行秩等于列秩的命题，此时学生只了解方程组理论和行列式，因此这时对这个问题的解释当然也无法离开方程组或行列式。下面简述两个典型的教材中的证明方法： 第一个证明来自志杰《高等代数与解析几何》。 证明：首先，矩阵的初等行变换不改变矩阵的行秩，初等列变换不改变矩阵的列秩。这是由向量组的初等变换不改变向量组的线性相关或无关性保证的，即将某个向量乘以非零的倍数、将某个向量加到另一个向量上，都不改变向量组的线性相关或无关性。 接着证明矩阵的初等行变换不改变矩阵的列秩。 设A是m*n阶矩阵，任意从A的n个列向量中选取k个列向量a1,a2,…,ak，它们线性无关的充要条件是线性方程组a1×1+a2×2+…+akxk=0只有零解。而对矩阵A进行初等行变换不改变此方程组的解，因此不改变这k个列向量的线性相关或无关性。这说明A的列向量的秩在矩阵的初等行变换中不变。同理矩阵的初等列变换不改变矩阵的行秩。 接下来，可以把A经过初等行变换和初等列变为只有对角线上有1或0，其它位置都为0的矩阵，在这个过程中行秩和列秩都不改变，从这个矩阵中看出行秩等于列秩，因此原来的矩阵行秩也等于列秩。 第二个证明来自北大数学系几何与代数教研室前代数小组编《高等代数》 证明：考虑线性方程组AX=0，首先证明如果未知数的个数超过A的行秩，那么它有非零解。设m*n阶矩阵A的行秩为r，考虑方程组AX=0，它由m个方程n个未知数组成。从A的行向量中选取r个线性无关的行向量，重新组合成矩阵B，那么方程组AX=0和BX=0同解。这时，如果B的列数大于行数，那么方程组BX=0必有非零解，从而AX=0也有非零解。 接着证明行秩等于列秩。设m*n阶矩阵A的行秩为r，列秩为s。考虑A的任意r+1个列向量组成的矩阵C，因为C的行秩不大于r（因为C的行向量都是A的行向量的一部分分量组成的），所以CX=0有非零解，这说明这r+1个列向量线性相关。所以A的列秩最大为r，即s<=r。同理可证r<=s，因此s=r。 有了行秩等于列秩的性质，完全可以用行秩或列秩定义矩阵的秩了。编写教材的人和老师们都认为，只要能够顺利定义出矩阵的秩，这个证明就足以满足初学时的需要了，既没有必要又没有条件再将它深入地挖掘下去。 但是它仍然让我困惑，即使把书上的这个证明看得明明白白，也不理解为什么行秩等于列秩。因为向量是个几何的概念，现在这个证明中看不出一点几何上向量的影子，这两个例子都依赖于线性方程组理论，都离不开高斯消元法，都是代数上的推导。虽然从代数上推导出了这个结果，但是在几何上我依然无法接受这个结果。矩阵的行向量和列向量“从图形上”到底是什么关系？可不可以让我一下子就能看出来它们的
山西师范大学本科毕业论文(设计) 矩阵的秩及其应用 姓名杨敏娜 院系数学与计算机科学学院专业数学与应用数学 班级11510102 学号1151010240 指导教师王栋 答辩日期 成绩
矩阵的秩及其应用 内容摘要 矩阵在高等代数的研究中占有极其重要的地位，矩阵的秩更是研究矩阵的一个重要纽带。通过对矩阵的秩的分析，对判断向量组的线性相关性，求其次线性方程组的基础解系，求解非其次线性方程组等等都有一定的意义和作用。 论文第一部分介绍矩阵的概念,一般性质及秩的求法，这对之后介绍秩的应用有重要的铺垫作用。第二部分再利用这些性质及定理解决向量组和线性方程组的有关问题。第三部分研究矩阵的秩在解析几何应用中，着重用于判断空间两直线的位置关系。在与特征值间的关系主要是计算一些复杂矩阵的值。最后将矩阵的秩推广到特征值和其他与向量组有关的向量空间的应用。 本文主要对矩阵的秩相关定义定理进行总结和证明，并将其运用到一些具体事例中。 【关键词】矩阵的秩向量组线性方程组特征值解析几何
The Rank of Matrix and the Application of the Rank of Matrix Abstract The matrix plays a very important role in the research on advanced algebra. The rank of matrix is an important link of matrix. The analysis of the rank of matrix determines the linear relation of vector group. And there are certain significance and role to solve some linear equations and non linear equations. First, the article introduces the concept of matrix, general nature and method for the rank of matrix, it plays an important role for the application of the rank. Second, use the properties and theorems of vector group to solve the problem of linear equations. Third, analysis the rank of matrix in geometry application, it focuses on the judgment of space position relationship of two lines. In the characteristics of value, it mainly calculates some complex matrix. Finally, the application of the rank of matrix is extended to Eigen value and other related vectors in vector space. This paper mainly summarizes the matrix rank and its related theorem, and applies it to some specific examples. 【Key Words】rank of matrix vector group linear equations characteristic value Analytic geometry
关于矩阵秩的证明 -----09数应鄢丽萍 中文摘要 在高等代数中,矩阵的秩是一个重要的概念。它是矩阵的一个数量特征，而且在初等变换下保持不变。关于矩阵秩的问题,通常转化为矩阵是否可逆,线性方程组的解的情况等来解决。 所谓矩阵的行秩就是指矩阵的行向量组的秩，矩阵的列秩就是矩阵的列向量组的秩，由于矩阵的行秩与列秩相等，故统称为矩阵的秩。向量组的秩就是向量组中极大线性无关组所含向量的个数。 关键词：初等变换向量组的秩极大线性无关组
约定用E 表示单位向量，A T 表示矩阵A 的转置，r(A)表示矩阵A 的秩。在涉及矩阵的秩时，以下几个简单的性质： （1） r(A)=r(A T ); （2） r(kA)=? ??=≠0 00 )(k k A r （3） 设A,B 分别为n ×m 与m ×s 矩阵，则 r(AB)≤min{r(A),r(B),n,m,s} (4) r(A)=n,当且仅当A ≠0 (5) r ???? ??B O O A =r(A)+r(B)≤r ??? ? ??B O C A (6) r(A-B)≤r(A)+r(B) 矩阵可以进行加法，数乘，乘法等运算，运算后的新矩阵的秩与原矩阵的秩有一定关系。
定理1：设A,B 为n ×n 阶矩阵，则r(A+B)≤r(A)+r(B) 证: 由初等变换可得 ???? ??B O O A →???? ??B A O A →???? ??+B B A O A 即???? ??E E O E ???? ??B O O A ???? ??E E O E =??? ? ??+B B A O A 由性质5可得 r ???? ??B O O A =r ??? ? ??+B B A O A 则有r(A)+r(B)≥r(A+B) 定理2（sylverster 公式）设A 为s ×n 阶矩阵，B 为n ×m 阶矩阵，则有r(A)+r(B)-n ≤r(AB) 证：由初等变换可得 ???? ??O A B E n →? ??? ??-AB O B E n →???? ??-AB O O E n 即? ??? ??-s n E A O E ??? ? ??O A B E n ? ??? ? ?-m n E O B E ＝???? ??-AB O O E n 则r ???? ??O A B E n =r ??? ? ??-AB O O E n 即r(A)+r(B)-n ≤r(AB)
百度文库-让每个人平等地提升自我 3 矩阵秩的研究与应用 [摘要]矩阵是数学中的一个重要的基本概念，是代数学的一个主要研究对象，也是数学研究的一个重要工具。矩阵理论是线性代数的主要组成部分，也是线性方程组的理论基础。而在矩阵的理论中，矩阵的秩是一个基本概念，也是矩阵最重要的数量特征之一，它在初等变换下是一个不变量。它反映矩阵固有特性的一个重要概念。矩阵一旦确定秩也就确定了。它是高等代数课程中的一个参考指标，其定义、性质、求法、应用等相关内容在高等代数中出现的极为频繁，作用较大。 本文首先介绍了矩阵秩的相关理论知识：即秩的几种不同定义，相关性质，以及矩阵秩的三种常见求法，并对三种求法做了一个简单的比较分析。后面着重介绍了矩阵秩的应用部分，主要是其在线性代数中的应用和解析几何上的应用。这里就不细说了，具体内容还得从文章中来了解。[1][2][3] [关键词]：矩阵的秩，定义，性质，求法，应用，高等代数。
百度文库-让每个人平等地提升自我 4 矩阵秩的研究与应用 1 前言 矩阵在高等代数理论中极其重要并且应用广泛，它是线性代数的核心，而矩阵的秩作为研究矩阵的一个重要工具，其秩的理论研究非常重要。更重要的是将它推广到实际应用中，那么我们目前在其应用方面的研究又达到了一个什么程度呢？ 本文主要是对矩阵秩的应用方面的一个总结，让学者对其有个更清晰的认识，使后面的学者对矩阵的学习更轻松，更全面。矩阵方面的理论是非常重要的内容，历年来许多学者对它都有研究，而且其中的部分理论有了很广泛的应用，例如矩阵分析法在企业战略管理、营销活动、供应链管理技术、教学效率评价、射击训练效果评价等方面都起到举足轻重的作用；不仅在本文中的线性代数和解析几何中的理论上的应用，而且在其他领域上也有更实际贴切的应用。如在控制论中，矩阵的秩可用来确定线性系统是否为可控制的，或可观的；此外，矩阵的秩在教学中还有更广泛的应用，如在测量平差中的应用。 理论指导实践，所以我着重选择了矩阵秩在理论上的应用的部分来进行探讨，其意义更加广泛且深远。在前人研究的基础上，我主要是对其进行了一个归纳总结，并简单的说了些自己的感想，希望大家能够从中有所收获。
https://www.doczj.com/doc/766223189.html,/ 从不同的角度看矩阵的行秩与列秩——兼论如何学好线性代数 线性代数中，有那么几个神秘又神奇的东西，总是让初学它的人琢磨不透，无法理解，其中就有矩阵的行向量和列向量的关系，为什么一个矩阵的行向量里有多少个线性无关的向量，列向量里就一定也有多少个线性无关的向量呢？或者考虑稍微简单一点的问题，一个方阵，为什么行向量线性无关或线性相关列向量就一定也线性无关或相关呢？行秩为何等于列秩？ 这本来应该是一个基本又简单的事实。但是，请回忆一下你当初初学线性代数时的内容编排顺序，是怎么引入这个问题的，当时又是怎样解决这个问题的？ 传统的教材编写思路是从线性方程组开始整个线性代数话题的引入，这个过程中定义行列式和矩阵，用n元数组引入向量，线性相关和无关等概念，讨论解存在的条件，解的结构，等等。总之，一切以方程组为核心，给人的感觉就是线性代数就是方程组的理论，一切讨论的目的都是为了解决小小的方程组问题。 在这个过程中，有一个矩阵行秩等于列秩的命题，此时学生只了解方程组理论和行列式，因此这时对这个问题的解释当然也无法离开方程组或行列式。下面简述两个典型的教材中的证明方法： 第一个证明来自陈志杰《高等代数与解析几何》。 证明：首先，矩阵的初等行变换不改变矩阵的行秩，初等列变换不改变矩阵的列秩。这是由向量组的初等变换不改变向量组的线性相关或无关性保证的，即将某个向量乘以非零的倍数、将某个向量加到另一个向量上，都不改变向量组的线性相关或无关性。 接着证明矩阵的初等行变换不改变矩阵的列秩。 设A是m*n阶矩阵，任意从A的n个列向量中选取k个列向量a1,a2,…,ak，它们线性无关的充要条件是线性方程组a1×1+a2×2+…+akxk=0只有零解。而对矩阵A进行初等行变换不改变此方程组的解，因此不改变这k 个列向量的线性相关或无关性。这说明A的列向量的秩在矩阵的初等行变换中不变。同理矩阵的初等列变换不改变矩阵的行秩。 接下来，可以把A经过初等行变换和初等列变为只有对角线上有1或0，其它位置都为0的矩阵，在这个过程中行秩和列秩都不改变，从这个矩阵中看出行秩等于列秩，因此原来的矩阵行秩也等于列秩。 第二个证明来自北大数学系几何与代数教研室前代数小组编《高等代数》 证明：考虑线性方程组AX=0，首先证明如果未知数的个数超过A的行秩，那么它有非零解。设m*n阶矩阵A的行秩为r，考虑方程组AX=0，它由m个方程n个未知数组成。从A的行向量中选取r个线性无关的行向量，重新组合成矩阵B，那么方程组AX=0和BX=0同解。这时，如果B的列数大于行数，那么方程组BX=0必有非零解，从而AX=0也有非零解。 接着证明行秩等于列秩。设m*n阶矩阵A的行秩为r，列秩为s。考虑A的任意r+1个列向量组成的矩阵C，因为C的行秩不大于r（因为C的行向量都是A的行向量的一部分分量组成的），所以CX=0有非零解，这说明这r+1个列向量线性相关。所以A的列秩最大为r，即s<=r。同理可证r<=s，因此s=r。 有了行秩等于列秩的性质，完全可以用行秩或列秩定义矩阵的秩了。编写教材的人和老师们都认为，只要能够顺利定义出矩阵的秩，这个证明就足以满足初学时的需要了，既没有必要又没有条件再将它深入地挖掘下去。 但是它仍然让我困惑，即使把书上的这个证明看得明明白白，也不理解为什么行秩等于列秩。因为向量是个几何的概念，现在这个证明中看不出一点几何上向量的影子，这两个例子都依赖于线性方程组理论，都离不开高斯消元法，都是代数上的推导。虽然从代数上推导出了这个结果，但是在几何上我依然无法接受这个结果。矩阵的行向量和列向量“从图形上”到底是什么关系？可不可以让我一下子就能看出来它们的秩是相等的？尽管经过了行列变换之后行列秩相等是显然的，但这个过程中却把原来的行列向量给变得面目全非了。 更有甚者，有些教材上竟然用矩阵的子式和行列式理论推导行秩等于列秩，由于这种证明过于复杂，这里就不列出了。 直到最近的一次偶然机会，又让我想起了这个问题。一开始，发现它和对偶空间与对偶映射有关系。记得当初学习线性代数时，直到最后才接触了一些有关对偶空间和对偶映射的知识，教材还写得十分抽象，以至于我们都囫
授课题目：第五节 矩阵的秩 教学目的：理解矩阵的秩的定义，掌握秩的求法，重点掌握线性方程组有解的充 要条件. 教学重点：掌握秩的求法和线性方程组有解的充要条件. 教学难点：线性方程组有解的充要条件. 课时安排：2学时. 授课方式：多媒体与板书结合. 教学基本内容： 2.5 矩阵的秩 1概念 定义1 在矩阵m n A ?中任取k 行k 列，位于这些行列交叉处的2 k 个元素按原次序组成的 k 阶行列式称为A 的k 阶子式.则A 中不为零的子式的最高阶数称为矩阵A 的秩，记为()R A ，并规定(0)0 R =. 注1） 若()R A r =，则A 中至少有一个r 阶子式不等于零；而若存在1r +阶子式，则所有的1r +阶子式全为0. 2）对m n A ?，有()m in (,)R A m n ≤. 3）()()T R A R A =. 4） 对于n 阶方阵A ，()R A n =的充分必要条件是0A ≠，故也称0A ≠的A 为满秩矩阵. 5) 定义1 对给定的m n ?矩阵A ，称其非零子式的最高阶数为A 的秩，记作()R A ，并规定(0)0R =.一些教科书称这样定义的秩为矩阵的行列式秩. 在第4章建立向量组秩的概念后，分别定义矩阵的行秩与列秩，届时指出矩阵秩就是其列向量组的秩或行向量组的秩. 6) 若发现A 有一k 阶非零子式，则必成立()R A k ≥. 2 计算 直接按定义去计算矩阵的秩，需要求出矩阵最高阶的非零子式，在一般情形下这决非轻而易举的事情，但对形状特殊的行阶梯形矩阵而言，这却是极为简单的. 性质1 行阶梯形矩阵的秩等于其非零行的行数. 定理1 矩阵经行初等变换后，其秩不变. 推论1 矩阵经列初等变换后，其秩不变. 推论2 设A 为m n ?矩阵，B 为m 阶满秩方阵, C 为n 阶满秩方阵，则 ()()()()r A r B A r A C r B A C ===.
矩阵的秩及其应用 摘要：本文主要介绍了矩阵的秩的概念及其应用。首先是在解线性方程组中的应用，当矩阵的秩为1时求特征值；其次是在多项式中的应用，最后是关于矩阵的秩在解析几何中的应用。对于每一点应用，本文都给出了相应的具体的实例，通过例题来加深对这部分知识的理解。 关键词：矩阵的秩； 线性方程组； 特征值； 多项式 引言： 阵矩的秩是线性代数中的一个概念，它描述了矩阵的一个数值特征。它是矩阵 的一个重要性质。在判定向量组的线性相关性，线性方程组是否有解，求矩阵的特征值，在多项式、空间几何中等多个方面都有广泛的应用。由于矩阵的秩的重要作用和地位，需要我们认真学习。 1．矩阵的秩及其求法 1.1矩阵的秩的定义 定义1.1.1[1] 矩阵A 的行（列）向量组的秩称为矩阵A 的行（列）秩。 定义1.1.2[2] 矩阵的列向量组（或行向量组）的任一极大线性无关组所含向量的个数称为矩阵的秩。 定义1.1.3[1] 设在矩阵A 中有一个不等于零的r 阶子式，且所有的1r +子式（如果存在的话）全等于零，则称矩阵A 的秩为r ，记为()r A r =或秩()A r =。零矩阵的秩规定为零。 注：由定义可以看出
(1)若A 为n m ?矩阵，则()r A m ≤，也()r A n ≤，即()min{,}r A m n = (2) ()()T r A r A = ,()()r kA r A = ,k 为非零数 1.2 矩阵的秩的求法 定义法和初等变换法是我们常用的求矩阵的秩的两种方法，下面就来比较一 下这两种方法。 方法1 按定义 例1.2.1 求矩阵A =?? ????????--413112212228 32的秩 解 按定义3解答，容易算出二阶子式 12232-0≠，而矩阵的所有三阶子式 13 1 2122832--=0，43112122232-=0，41312212 2 8 3 --=0，4 1112222 8 2 -=0 所以 ()2r A = 方法2 初等变换法 引理1.2.1[1] 初等变换不改变矩阵的秩。 例1.2.1求矩阵23822122121314A -?? ??=-?? ????的秩 解 用“→”表示对A 作初等变换，则有 A →13142122122382????-????-??→131406440966????-????-??→131406440000?? ?? -??????=B ，在矩阵B 中易 知,所有三阶子式全为零，且有一个二阶子式 1306 ≠0. 所以()2r B =, 可得
华北水利水电大学相似矩阵的性质及应用 课程名称：线性代数 专业班级： 成员组成： 联系方式： 2013年11月6 日
摘要：若矩阵P可逆,则矩阵P-1AP与A称为相似。矩阵相似的概念是为深入研 究矩阵特性而提出的，其中一部分的问题可以转化为与一个对角化矩阵相似问题进而使问题研究简化，而另一些矩阵不能与一个对角矩阵相似，那么这类问题就只能用定义或者若而当标准型来解决。相似矩阵有很多应用。例如：利用相似矩阵的性质来确定矩阵中未知元素方法的完整性；两个相似矩阵属于同一个特征值的特征向量之间的关系；矩阵相似与特征多项式的等价条件及相关结果；尤其是矩阵的标准形及其对角化问题,在高等代数和其他学科中都有极其广泛的应用。本文将讨论相似矩阵的有关性质及其应用。 关键词：相似矩阵；对角化；Jordan标准型；特征向量；特征值 英文题目：The properties and application of similar matrix Abstract:There are a lot of applications about similar matrix. Matrix for further research is the concept of similarity matrix characteristics, and that part of the problem can be converted into similar problems with a diagonalization matrix to simplify the problem study, while others matrix cannot be similar to a diagonal matrix, so this kind of problem can only use a definition or if and when the standard to solve.For example, we can discuss the integrality of the method by using the properties of similar matrices to confirm unknown elements and characteristic subspaces of similar matrices belong to the same characteristic value are isomorphism. Also we may discuss the equivalent conditions for similar matrices and their characteristic polynomial and their corresponding results, especially, applications of digitalization matrices in advanced algebra theory and other subjects are probed into.In this paper I will give out some corresponding properties of similar matrices and show their appliance. Key words:similar matrices; diagonal matrix; Jordan’s normal form; characteristic value; characteristic vector
矩阵及其秩在高等代数中的应用 玲毓 师高等专科学校数学教育 摘要：在矩阵理论中,矩阵的秩是一个重要的概念。它是矩阵的一个数量特征,而且是初等变换下的不变量。矩阵的秩与矩阵是否可逆、线性方程组的解、极大无关组的情况等都有着密切的联系。通过引用了大量的实例说明了矩阵及其秩是高等代数中的一个重要的概念,希望通过本文的介绍可以让读者对矩阵及其秩有更深的了解。 关键词：矩阵；秩；变换；可逆
1 引言矩阵作为数学工具之一有其重要的实用价值,它常见于很多科学中,如：线性代数、线 性规划、统计分析、以及组合数学等,而本文主要介绍其在高等代数中的应用。高等代数是用辩证观点和严密的逻辑推理方法来体现的一门课程它常见于很多科学中, 矩阵作为数学工具之一有其重要的实用价值对其在高等代数中的应用概括为：求解一般的线性方程组,判定向量组的线性相关性,求极大无关组,化二次型为标准型,求规正交基,对称变换,正交变换的判断,欧氏空间中的积的表示。 这就使矩阵成为数学中一个极其重要而且广泛的工具.本文对矩阵的基本理论及其秩的应用进行具体阐述。 2矩阵的基本理论 定义2.1 矩阵是一简化了的表格,一般地
111212122212 n n m m mn a a a a a a ? ? ? ??? 称为n m ?矩阵,它有m 行、n 列,共n m ?个元素,其中第i 行、第j 列的元素用ij a 表 示.通常我们用大写黑体字母,,A B C 表示矩阵.为了标明矩阵的行数m 和列数n ,可用 m n A ?或() ij m n a ?表示.矩阵既然是一表,就不能像行列式那样算出一个数来. 定义2.2 所有元素均为0的矩阵,称为零矩阵,记作0. 定义2.3 如果矩阵A 的行、列数都是n ,则称A 为n 阶矩阵,或称为n 阶方阵. 定义2.4 令A 是数域F 上一个n 阶矩阵.若是存在F 上n 阶矩阵B ,使得, AB BA I == 那么A 叫作一个可逆矩阵,而B 叫作A 的逆矩阵.用1 A -来表示. 定义2.5 主对角线上元素全为1的对角矩阵,叫做单位矩阵,记为I ,即 1000100 1I ?? ? ?= ? ??? n ?1矩阵（只有一行）又称为n 维行向量；1?n 矩阵（只有一列）又称为n 维列向量.行向量、列向量统称为向量.向量通常用小写黑体字母a ,b ,x ,y 表示.向量中的元素又称为向量的分量.11?矩阵因只有一个元素,故视之为数量,即()a a =. 定义2.6 把矩阵A 的行与列互换所得到的矩阵称为矩阵A 的转置矩阵,记为T A ,即 111212122212 n n m m mn a a a a a a A a a a ?? ? ?= ? ? ?? ,11 21 11222212m m T n n mn a a a a a a A a a a ?? ? ? = ? ??? 若方阵A 满足T A A =,则称A 为对称矩阵. 定义2.7n 阶矩阵有一条从左上角到右下角的主对角线.n 阶矩阵A 的元素按原次序构成的n 阶行列式,称为矩阵A 的行列式,记作A . 定义2.8 设有n 阶方阵 111212122212 n n n n nn a a a a a a A a a a ?? ? ? = ? ??? 的行列式A 有2 n 个代数余子式ij A （j i ,=1,2,…,n ）,将它们按转置排列,得到矩阵
1 矩阵的相似 1 定义2性质3定理（证明）4 相似矩阵与若尔当标准形 2 相似的条件 3 相似矩阵的应用（相似矩阵与特征矩阵相似矩阵与矩阵的对角化相似矩阵在微分方程中的应用【1 】） 矩阵的相似及其应用1 矩阵的相似 定义1设A,B为数域P上两个n级矩阵，如果可以找到数域P上的n级可逆矩阵X，使得B?X?1AX，就说A相似于B记作A∽B 2 相似的性质 （1）反身性A∽A；这是因为A?E?1AE. （2）对称性如果A∽B，那么B∽A；如果A∽B,那么有X，使B?X?1AX，令Y?X?1，就有A?XBX?1?Y?1BY，所以B∽A。 （3）传递性如果A∽B，B∽C，那么A∽C。已知有X,Y使B?X?1AX， C?Y?1BY。令Z?XY，就有C?Y?1X?1AXY?Z?1AZ，因此，A∽C。 3 相似矩阵的性质若A,B?Cn?n，A∽B，则（1）r(A)?r(B)；
Q是n?n可逆矩阵，引理A是一个s?n矩阵，如果P是一个s?s可逆矩阵，那么秩（A） =秩（PA）=秩（AQ） 证明设A,B相似，即存在数域P上的可逆矩阵C，使得B?C?1AC,由引理2可知，秩 ?1 （B）=秩（B?CAC）=秩（AC）=秩（A） （2）设A相似于B，f(x)是任意多项式，则f(A)相似于f(B)，即 P?1AP?B?P?1f(A)P?f(B) 证明设f(x)?anx?an?1x nn n?1
a1x?a0 a1A?a0E a1B?a0E 于是，f(A)?anAn?an?1An?1? f(B)?anB?an?1B n?1 kk 由于A相似于B，则A相似与B，（k为任意正整数），即存在可逆矩阵X,使得 Bk?X?1AkX， ?1?1 anAn?an?1An?1?因此Xf?A?X?X ?a1A?a0E?X
矩阵的秩及其应用 摘要：本文主要介绍了矩阵的秩的概念及其应用。首先是在解线性方程组中的应用，当矩阵的秩为1时求特征值；其次是在多项式中的应用，最后是关于矩阵的秩在解析几何中的应用。对于每一点应用，本文都给出了相应的具体的实例，通过例题来加深对这部分知识的理解。 关键词：矩阵的秩； 线性方程组； 特征值； 多项式 引言： 阵矩的秩是线性代数中的一个概念，它描述了矩阵的一个数值特征。它是矩阵 的一个重要性质。在判定向量组的线性相关性，线性方程组是否有解，求矩阵的特征值，在多项式、空间几何中等多个方面都有广泛的应用。由于矩阵的秩的重要作用和地位，需要我们认真学习。 1．矩阵的秩及其求法 1.1矩阵的秩的定义 定义1.1.1[1] 矩阵A 的行（列）向量组的秩称为矩阵A 的行（列）秩。 定义1.1.2[2] 矩阵的列向量组（或行向量组）的任一极大线性无关组所含向量的个数称为矩阵的秩。 定义1.1.3[1] 设在矩阵A 中有一个不等于零的r 阶子式，且所有的1r +子式（如果存在的话）全等于零，则称矩阵A 的秩为r ，记为()r A r =或秩()A r =。零矩阵的秩规定为零。 注：由定义可以看出
(1)若A 为n m ?矩阵，则()r A m ≤，也()r A n ≤，即()min{,}r A m n = (2) ()()T r A r A = ,()()r kA r A = ,k 为非零数 1.2 矩阵的秩的求法 定义法和初等变换法是我们常用的求矩阵的秩的两种方法，下面就来比较一 下这两种方法。 方法1 按定义 例1.2.1 求矩阵A =?? ????????--413112212228 32的秩 解 按定义3解答，容易算出二阶子式 12232-0≠，而矩阵的所有三阶子式 13 1 2122832--=0，43112122232-=0，41312212 2 8 3--=0，4 1112222 8 2 -=0 所以 ()2r A = 方法2 初等变换法 引理1.2.1[1] 初等变换不改变矩阵的秩。 例1.2.1求矩阵23822122121314A -?? ??=-?? ????的秩 解 用“→”表示对A 作初等变换，则有 A →13142122122382????-????-??→131406440966????-????-??→131406440000?? ?? -??????=B ，在矩阵B 中易 知,所有三阶子式全为零，且有一个二阶子式 1306 ≠0. 所以()2r B =, 可得
求矩阵的秩的步骤 方阵(行数、列数相等的矩阵)的列秩和行秩总是相等的，因此它们可以简单地称作矩阵A的秩。通常表示为r(A)，rk(A)或。 m×n矩阵的秩最大为m和n中的较小者，表示为min(m,n)。有尽可能大的秩的矩阵被称为有满秩；类似的，否则矩阵是秩不足（或称为“欠秩”）的。 设A是一组向量，定义A的极大无关组中向量的个数为A的秩。 定义1. 在m*n矩阵A中，任意决定k行和k列交叉点上的元素构成A的一个k阶子矩阵，此子矩阵的行列式，称为A的一个k阶子式。 例如，在阶梯形矩阵中，选定1，3行和3，4列，它们交叉点上的元素所组成的2阶子矩阵的行列式就是矩阵A的一个2阶子式。 定义2. A=(aij)m×n的不为零的子式的最大阶数称为矩阵A的秩，记作rA，或rankA或R(A)。 特别规定零矩阵的秩为零。
显然rA≤min(m,n) 易得： 若A中至少有一个r阶子式不等于零，且在r 当r(A)<=n-2时，最高阶非零子式的阶数<=n-2，任何n-1阶子式均为零，而伴随阵中的各元素就是n-1阶子式再加上个正负号，所以伴随阵为0矩阵。 当r(A)<=n-1时，最高阶非零子式的阶数<=n-1，所以n-1阶子式有可能不为零，所以伴随阵有可能非零（等号成立时伴随阵必为非零）。 1 矩阵的相似 1.1 定义 1.2性质 1.3定理（证明） 1.4 相似矩阵与若尔当标准形 2 相似的条件 3 相似矩阵的应用（相似矩阵与特征矩阵 相似矩阵与矩阵的对角化 相似矩阵在微分方程中的应用 【1 】） 矩阵的相似及其应用 1.1 矩阵的相似 定义 1.1：设,A B 为数域P 上两个n 级矩阵，如果可以找到数域P 上的n 级可逆矩阵X ，使得1B X AX -=，就说A 相似于B 记作A B ∽ 1.2 相似的性质 （1）反身性A A ∽：；这是因为1A E AE -=. （2）对称性：如果A B ∽，那么B A ∽；如果A B ∽,那么有X ，使1B X AX -=，令1Y X -=，就有11A XBX Y BY --==，所以B A ∽。 （3）传递性：如果A B ∽，B C ∽，那么A C ∽。已知有,X Y 使1B X AX -=， C 1Y BY -=。令Z XY =，就有111C Y X AXY Z AZ ---==，因此，A C ∽。 1.3 相似矩阵的性质 若,n n A B C ?∈，A B ∽，则： （1）()()r A r B =； 引理：A 是一个s n ?矩阵，如果P 是一个s s ?可逆矩阵，Q 是n n ?可逆矩阵， 那么秩（A ）=秩（PA ）=秩（AQ ） 证明：设,A B 相似，即存在数域P 上的可逆矩阵C ，使得1B C AC -=,由引理2可知，秩 （B ）=秩（1 B C AC -=）=秩（AC ）=秩（A ） （2）设A 相似于B ，()f x 是任意多项式，则()f A 相似于()f B ，即 11()()P AP B P f A P f B --=?= 证明：设1110()n n n n f x a x a x a x a --=+++ 于是，1 110()n n n n f A a A a A a A a E --=+++ 1 110()n n n n f B a B a B a B a E --=++ + 由于A 相似于B ，则k A 相似与k B ，（k 为任意正整数），即存在可逆矩阵X ,使得 对矩阵的秩的有关理解及其在线性代数中的应用 摘 要：本文叙述了矩阵秩的几个等价定义，并且给出了几个相关秩的解法.通过例子来验证和探讨了矩阵秩在线性代数中的应用，这些知识对我们理解矩阵的本质,灵活运用矩阵的秩去分析相关问题有一定的意义和作用. 关键词：矩阵的秩；秩的解法；秩的应用 On the Rank of Matrix relating to the understanding Extremely in the Application of Linear Algebra Abstract : This article describes several equivalent definitions of matrix rank, and gives the solution of some rank. Through example to verify that the discussion and application of matrix in linear algebra, this knowledge to our understanding of the nature of the matrix, flexible use of matrix rank to have a certain meaning and analysis of related problems. Key words : rank of matrix; rank method; the application of rank 0 前言 矩阵的理论是线性代数的理论基础。而在矩阵的理论中，矩阵的秩是一个基本的理论概念，也是矩阵最重要的数量特征之一，他在初等变换下是一个不变量.它是反应矩阵固有特性的一个重要概念.矩阵作为线性代数的重要工具，已渗透到各章内容之中,并成为行列式、线性代数方程组、线性空间、欧氏空间和二次型的纽带,它把线性代数各章节贯串成为一个整体.而矩阵的秩几乎贯穿矩阵理论的始终，是矩阵一个重要的、本质的属性,在求方阵的逆、判断线性方程组是否有解以及有多少个解、判断向量组的线性相关性、求矩阵的特征值等方面,矩阵的秩都有着广泛的应用. 1 矩阵秩的概念 首先给出矩阵秩的几个等价定义 定义1 设s ，矩阵中不为0子式的最高阶数，即A 有r 阶子式不为0，任何1r +阶子式（如果存在的话）全为0，称r 为矩阵A 的秩。记做()R A r =. 从本质上说，矩阵的秩就是矩阵中不等于0的姿势的最高阶数。这个不为0的子矩阵相似的性质
对矩阵的秩的有关理解及其在线性代数中的应用
相关主题
文本预览