秩为1矩阵?有什么性质?
北京埃德思远电气技术咨询有限公司
2023-07-25 广告
2023-07-25 广告
当r(A)=n时,|A|≠0,所以|A*|≠0,所以r(A*)=n;当r(A)=n-1时,|A|=0,但是矩阵A中至少存在一个n-1阶子 式不为0【秩的定义】,所以r(A*)大于等于1【 A*的定义 】 ; ; ;设A是n阶矩阵,若r(...
点击进入详情页
本回答由北京埃德思远电气技术咨询有限公司提供
展开全部
设A是秩为1的n阶方阵, 则
1. A可表示为αβ^T, 其中α,β为n维列向量
2. A^k = (α^Tβ)^(k-1)A
3. tr(A)=α^Tβ
4. A的特征值为 α^Tβ,0,0,...,0
注: α^Tβ=β^Tα
1. A可表示为αβ^T, 其中α,β为n维列向量
2. A^k = (α^Tβ)^(k-1)A
3. tr(A)=α^Tβ
4. A的特征值为 α^Tβ,0,0,...,0
注: α^Tβ=β^Tα
本回答被网友采纳
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
在考研数学线性代数中,秩为1的矩阵具有特殊意义,往年常考察其相关知识点。
其一是秩为 1 矩阵的特征值,特征值的计算是一个基本考点,其计算方法很多,包括:根据特征值的定义进行计算、由特征方程计算、利用特征值的各种性质进行计算,这些方法都是求特征值的基本方法,同学们需要熟练掌握,但这些方法只是针对一般矩阵的普遍方法,而对于一些特殊矩阵,有时采用一些特殊的方法或技巧则可以更灵活、更有效地解决问题。下文将对秩为1的特殊矩阵的特征值的计算方法做些分析,并提供典型例题供大家参考。
其二是秩为1矩阵是否能相似对角化,知道结论可以秒出结果。
其三是将秩为1矩阵拆为两列向量的乘积,在很多大题中常会用到。
秩为1 的矩阵的特征值分析
若 n n n 阶矩阵 A = ( a i i ) A=\left( a_{ii} \right) A=(a
ii
) 的秩为 1,则 A A A 的特征值为
λ 1 = λ 2 = ⋯ λ n − 1 = 0 \lambda _1=\lambda _2=\cdots \lambda _{n-1}=0
λ
1
=λ
2
=⋯λ
n−1
=0
当 ∑ i = 1 n a i i ≠ 0 \sum_{i=1}^n{a_{ii}}\ne 0 ∑
i=1
n
a
ii
=0 时,0为 A A A 的 n − 1 n-1 n−1 重特征值;当 ∑ i = 1 n a i i = 0 \sum_{i=1}^n{a_{ii}}=0 ∑
i=1
n
a
ii
=0 时,0为 A A A 的 n n n 重特征值。这个结论可以用不同的方法证明(需要重点掌握)
证:法1(方程组法)
若 R ( A ) = 1 R(A)=1 R(A)=1 ,则 A x = 0 Ax=0 Ax=0 的基础解系含 n − 1 n-1 n−1 个线性无关解向量,由于 A x = 0 = 0 ⋅ x Ax=0=0 \cdot x Ax=0=0⋅x,所以这 n − 1 n-1 n−1 个线性无关的解向量都是属于特征值0的特征向量,因此0至少是 A A A 的 n − 1 n-1 n−1 重特征值。
设 λ 1 = λ 2 = ⋯ λ n − 1 = 0 \lambda _1=\lambda _2=\cdots \lambda _{n-1}=0 λ
1
=λ
2
=⋯λ
n−1
=0,则由特征值的性质 λ 1 + λ 2 + ⋯ λ n − 1 + λ n = ∑ i = 1 n a i i \lambda _1+\lambda _2+\cdots \lambda _{n-1}+\lambda _n=\sum_{i=1}^n{a_{ii}} λ
1
+λ
2
+⋯λ
n−1
+λ
n
=∑
i=1
n
a
ii
得: λ n = ∑ i = 1 n a i i \lambda _n=\sum_{i=1}^n{a_{ii}} λ
n
=∑
i=1
n
a
ii
。由此可知:
当 ∑ i = 1 n a i i ≠ 0 \sum_{i=1}^n{a_{ii}}\ne 0 ∑
i=1
n
a
ii
=0 时,0为 A A A 的 n − 1 n-1 n−1 重特征值;当 ∑ i = 1 n a i i = 0 \sum_{i=1}^n{a_{ii}}=0 ∑
i=1
n
a
ii
=0 时,0为 A A A 的 n n n 重特征值.
法2(特征方程法)
若 R ( A ) = 1 R(A)=1 R(A)=1 ,则 A A A 的列向量组的秩为 1,不妨设 A A A 的第一列为 α = ( a 1 , a 2 , ⋯ , a n ) T ≠ 0 ( a 1 ≠ 0 ) \alpha=\left(a_{1}, a_{2}, \cdots, a_{n}\right)^{T} \neq 0 \quad\left(a_{1} \neq 0\right) α=(a
1
,a
2
,⋯,a
n
)
T
=0(a
1
=0),则其它列均可由 α \alpha α 线性表示,于是 A A A 可表示为:
A = ( b 1 α , b 2 α , ⋯ , b n α ) = α β T A=\left(b_{1} \alpha, b_{2} \alpha, \cdots, b_{n} \alpha\right)=\alpha \beta^{T} A=(b
1
α,b
2
α,⋯,b
n
α)=αβ
T
,其中 b 1 = 1 , β = ( b 1 , b 2 , ⋯ , b n ) T b_{1}=1, \quad \beta=\left(b_{1}, b_{2}, \cdots, b_{n}\right)^{T} b
1
=1,β=(b
1
,b
2
,⋯,b
n
)
T
∣ λ E − A ∣ = ∣ λ − a 1 b 1 − a 1 b 2 ⋯ − a 1 b n − a 2 b 1 λ − a 2 b 2 ⋯ − a 2 b n ⋮ ⋮ ⋮ − a n b 1 − a n b 2 ⋯ λ − a n b n ∣ |\lambda E-A|=\left|
λ−a1b1−a2b1⋮−anb1−a1b2λ−a2b2⋮−anb2⋯⋯⋯−a1bn−a2bn⋮λ−anbn
\right|
∣λE−A∣=
∣
∣
∣
∣
∣
∣
∣
∣
∣
λ−a
1
b
1
−a
2
b
1
⋮
−a
n
b
1
−a
1
b
2
λ−a
2
b
2
⋮
−a
n
b
2
⋯
⋯
⋯
−a
1
b
n
−a
2
b
n
⋮
λ−a
n
b
n
∣
∣
∣
∣
∣
∣
∣
∣
∣
= ∣ λ − a 1 b 1 − a 1 b 2 ⋯ − a 1 b n − a 2 a 1 λ λ ⋯ 0 ⋮ ⋮ ⋮ − a n a 1 λ 0 ⋯ λ ∣ =\left|
λ−a1b1−a2a1λ⋮−ana1λ−a1b2λ⋮0⋯⋯⋯−a1bn0⋮λ
\right|
=
∣
∣
∣
∣
∣
∣
∣
∣
∣
λ−a
1
b
1
−
a
1
a
2
λ
⋮
−
a
1
a
n
λ
−a
1
b
2
λ
⋮
0
⋯
⋯
⋯
−a
1
b
n
0
⋮
λ
∣
∣
∣
∣
∣
∣
∣
∣
∣
= λ − ∑ i = 1 n a i b i − a 1 b 2 ⋯ − a 1 b n 0 λ ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ =
λ−∑ni=1aibi0⋮0−a1b2λ⋮0⋯⋯⋯−a1bn0⋮λ
=
λ−∑
i=1
n
a
i
b
i
0
⋮
0
−a
1
b
2
λ
⋮
0
⋯
⋯
⋯
−a
1
b
n
0
⋮
λ
= λ n − 1 ( λ − ∑ i = 1 n a i b i ) =\lambda^{n-1}\left(\lambda-\sum_{i=1}^{n} a_{i} b_{i}\right)
=λ
n−1
(λ−
i=1
∑
n
a
i
b
i
)
故: λ 1 = λ 2 = ⋯ = λ n − 1 = 0 , λ n = ∑ i = 1 n a i b i \lambda_{1}=\lambda_{2}=\cdots=\lambda_{n-1}=0, \lambda_{n}=\sum_{i=1}^{n} a_{i} b_{i} λ
1
=λ
2
=⋯=λ
n−1
=0,λ
n
=∑
i=1
n
a
i
b
i
由于 A = ( a i b j ) = ( a i i ) , A=\left(a_{i} b_{j}\right)=\left(a_{i i}\right), A=(a
i
b
j
)=(a
ii
), 所以 a i i = a i b i , a_{i i}=a_{i} b_{i}, a
ii
=a
i
b
i
, 故 λ n = ∑ i = 1 n a i b i = ∑ i = 1 n a i i \lambda_{n}=\sum_{i=1}^{n} a_{i} b_{i}=\sum_{i=1}^{n} a_{i i} λ
n
=∑
i=1
n
a
i
b
i
=∑
i=1
n
a
ii
由此可知 , , , 当 ∑ i = 1 n a i i ≠ 0 \sum_{i=1}^{n} a_{i i} \neq 0 ∑
i=1
n
a
ii
=0时, 0 为 A A A 的 n − 1 n-1 n−1 重特征值 ; ; ; 当 ∑ i = 1 n a i i = 0 \sum_{i=1}^{n} a_{i i}=0 ∑
i=1
n
a
ii
=0 时 , 0 , 0 ,0 为 A A A 的 n n n 重特征值。
秩为1矩阵的其他重要结论
若 A n × n , A_{n \times n}, A
n×n
, 且 r ( A ) = 1 r(A)=1 r(A)=1
矩阵 A A A 都可以拆成两向量乘积,即 A = α β T A=\alpha \beta^{T} A=αβ
T
,其中 α \alpha α 和 β \beta β 为非零列向量
A n = α β T α β T ⋯ α β T = ( β T α ) n − 1 ⋅ A , A^{n}=\alpha \beta^{T} \alpha \beta^{T} \cdots \alpha \beta^{T}=\left(\beta^{T} \alpha\right)^{n-1} \cdot A, A
n
=αβ
T
αβ
T
⋯αβ
T
=(β
T
α)
n−1
⋅A, 令人惊喜的是 β T α = tr ( A ) = ∑ i = 1 n a n \beta^{T} \alpha=\operatorname{tr}(A)=\sum_{i=1}^{n} a_{n} β
T
α=tr(A)=∑
i=1
n
a
n
若 tr ( A ) = ∑ i = 1 n a n ≠ 0 , \operatorname{tr}(A)=\sum_{i=1}^{n} a_{n} \neq 0, tr(A)=∑
i=1
n
a
n
=0, 则矩阵 A A A 可相似对角化,否则不可相似对角化
其一是秩为 1 矩阵的特征值,特征值的计算是一个基本考点,其计算方法很多,包括:根据特征值的定义进行计算、由特征方程计算、利用特征值的各种性质进行计算,这些方法都是求特征值的基本方法,同学们需要熟练掌握,但这些方法只是针对一般矩阵的普遍方法,而对于一些特殊矩阵,有时采用一些特殊的方法或技巧则可以更灵活、更有效地解决问题。下文将对秩为1的特殊矩阵的特征值的计算方法做些分析,并提供典型例题供大家参考。
其二是秩为1矩阵是否能相似对角化,知道结论可以秒出结果。
其三是将秩为1矩阵拆为两列向量的乘积,在很多大题中常会用到。
秩为1 的矩阵的特征值分析
若 n n n 阶矩阵 A = ( a i i ) A=\left( a_{ii} \right) A=(a
ii
) 的秩为 1,则 A A A 的特征值为
λ 1 = λ 2 = ⋯ λ n − 1 = 0 \lambda _1=\lambda _2=\cdots \lambda _{n-1}=0
λ
1
=λ
2
=⋯λ
n−1
=0
当 ∑ i = 1 n a i i ≠ 0 \sum_{i=1}^n{a_{ii}}\ne 0 ∑
i=1
n
a
ii
=0 时,0为 A A A 的 n − 1 n-1 n−1 重特征值;当 ∑ i = 1 n a i i = 0 \sum_{i=1}^n{a_{ii}}=0 ∑
i=1
n
a
ii
=0 时,0为 A A A 的 n n n 重特征值。这个结论可以用不同的方法证明(需要重点掌握)
证:法1(方程组法)
若 R ( A ) = 1 R(A)=1 R(A)=1 ,则 A x = 0 Ax=0 Ax=0 的基础解系含 n − 1 n-1 n−1 个线性无关解向量,由于 A x = 0 = 0 ⋅ x Ax=0=0 \cdot x Ax=0=0⋅x,所以这 n − 1 n-1 n−1 个线性无关的解向量都是属于特征值0的特征向量,因此0至少是 A A A 的 n − 1 n-1 n−1 重特征值。
设 λ 1 = λ 2 = ⋯ λ n − 1 = 0 \lambda _1=\lambda _2=\cdots \lambda _{n-1}=0 λ
1
=λ
2
=⋯λ
n−1
=0,则由特征值的性质 λ 1 + λ 2 + ⋯ λ n − 1 + λ n = ∑ i = 1 n a i i \lambda _1+\lambda _2+\cdots \lambda _{n-1}+\lambda _n=\sum_{i=1}^n{a_{ii}} λ
1
+λ
2
+⋯λ
n−1
+λ
n
=∑
i=1
n
a
ii
得: λ n = ∑ i = 1 n a i i \lambda _n=\sum_{i=1}^n{a_{ii}} λ
n
=∑
i=1
n
a
ii
。由此可知:
当 ∑ i = 1 n a i i ≠ 0 \sum_{i=1}^n{a_{ii}}\ne 0 ∑
i=1
n
a
ii
=0 时,0为 A A A 的 n − 1 n-1 n−1 重特征值;当 ∑ i = 1 n a i i = 0 \sum_{i=1}^n{a_{ii}}=0 ∑
i=1
n
a
ii
=0 时,0为 A A A 的 n n n 重特征值.
法2(特征方程法)
若 R ( A ) = 1 R(A)=1 R(A)=1 ,则 A A A 的列向量组的秩为 1,不妨设 A A A 的第一列为 α = ( a 1 , a 2 , ⋯ , a n ) T ≠ 0 ( a 1 ≠ 0 ) \alpha=\left(a_{1}, a_{2}, \cdots, a_{n}\right)^{T} \neq 0 \quad\left(a_{1} \neq 0\right) α=(a
1
,a
2
,⋯,a
n
)
T
=0(a
1
=0),则其它列均可由 α \alpha α 线性表示,于是 A A A 可表示为:
A = ( b 1 α , b 2 α , ⋯ , b n α ) = α β T A=\left(b_{1} \alpha, b_{2} \alpha, \cdots, b_{n} \alpha\right)=\alpha \beta^{T} A=(b
1
α,b
2
α,⋯,b
n
α)=αβ
T
,其中 b 1 = 1 , β = ( b 1 , b 2 , ⋯ , b n ) T b_{1}=1, \quad \beta=\left(b_{1}, b_{2}, \cdots, b_{n}\right)^{T} b
1
=1,β=(b
1
,b
2
,⋯,b
n
)
T
∣ λ E − A ∣ = ∣ λ − a 1 b 1 − a 1 b 2 ⋯ − a 1 b n − a 2 b 1 λ − a 2 b 2 ⋯ − a 2 b n ⋮ ⋮ ⋮ − a n b 1 − a n b 2 ⋯ λ − a n b n ∣ |\lambda E-A|=\left|
λ−a1b1−a2b1⋮−anb1−a1b2λ−a2b2⋮−anb2⋯⋯⋯−a1bn−a2bn⋮λ−anbn
\right|
∣λE−A∣=
∣
∣
∣
∣
∣
∣
∣
∣
∣
λ−a
1
b
1
−a
2
b
1
⋮
−a
n
b
1
−a
1
b
2
λ−a
2
b
2
⋮
−a
n
b
2
⋯
⋯
⋯
−a
1
b
n
−a
2
b
n
⋮
λ−a
n
b
n
∣
∣
∣
∣
∣
∣
∣
∣
∣
= ∣ λ − a 1 b 1 − a 1 b 2 ⋯ − a 1 b n − a 2 a 1 λ λ ⋯ 0 ⋮ ⋮ ⋮ − a n a 1 λ 0 ⋯ λ ∣ =\left|
λ−a1b1−a2a1λ⋮−ana1λ−a1b2λ⋮0⋯⋯⋯−a1bn0⋮λ
\right|
=
∣
∣
∣
∣
∣
∣
∣
∣
∣
λ−a
1
b
1
−
a
1
a
2
λ
⋮
−
a
1
a
n
λ
−a
1
b
2
λ
⋮
0
⋯
⋯
⋯
−a
1
b
n
0
⋮
λ
∣
∣
∣
∣
∣
∣
∣
∣
∣
= λ − ∑ i = 1 n a i b i − a 1 b 2 ⋯ − a 1 b n 0 λ ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ =
λ−∑ni=1aibi0⋮0−a1b2λ⋮0⋯⋯⋯−a1bn0⋮λ
=
λ−∑
i=1
n
a
i
b
i
0
⋮
0
−a
1
b
2
λ
⋮
0
⋯
⋯
⋯
−a
1
b
n
0
⋮
λ
= λ n − 1 ( λ − ∑ i = 1 n a i b i ) =\lambda^{n-1}\left(\lambda-\sum_{i=1}^{n} a_{i} b_{i}\right)
=λ
n−1
(λ−
i=1
∑
n
a
i
b
i
)
故: λ 1 = λ 2 = ⋯ = λ n − 1 = 0 , λ n = ∑ i = 1 n a i b i \lambda_{1}=\lambda_{2}=\cdots=\lambda_{n-1}=0, \lambda_{n}=\sum_{i=1}^{n} a_{i} b_{i} λ
1
=λ
2
=⋯=λ
n−1
=0,λ
n
=∑
i=1
n
a
i
b
i
由于 A = ( a i b j ) = ( a i i ) , A=\left(a_{i} b_{j}\right)=\left(a_{i i}\right), A=(a
i
b
j
)=(a
ii
), 所以 a i i = a i b i , a_{i i}=a_{i} b_{i}, a
ii
=a
i
b
i
, 故 λ n = ∑ i = 1 n a i b i = ∑ i = 1 n a i i \lambda_{n}=\sum_{i=1}^{n} a_{i} b_{i}=\sum_{i=1}^{n} a_{i i} λ
n
=∑
i=1
n
a
i
b
i
=∑
i=1
n
a
ii
由此可知 , , , 当 ∑ i = 1 n a i i ≠ 0 \sum_{i=1}^{n} a_{i i} \neq 0 ∑
i=1
n
a
ii
=0时, 0 为 A A A 的 n − 1 n-1 n−1 重特征值 ; ; ; 当 ∑ i = 1 n a i i = 0 \sum_{i=1}^{n} a_{i i}=0 ∑
i=1
n
a
ii
=0 时 , 0 , 0 ,0 为 A A A 的 n n n 重特征值。
秩为1矩阵的其他重要结论
若 A n × n , A_{n \times n}, A
n×n
, 且 r ( A ) = 1 r(A)=1 r(A)=1
矩阵 A A A 都可以拆成两向量乘积,即 A = α β T A=\alpha \beta^{T} A=αβ
T
,其中 α \alpha α 和 β \beta β 为非零列向量
A n = α β T α β T ⋯ α β T = ( β T α ) n − 1 ⋅ A , A^{n}=\alpha \beta^{T} \alpha \beta^{T} \cdots \alpha \beta^{T}=\left(\beta^{T} \alpha\right)^{n-1} \cdot A, A
n
=αβ
T
αβ
T
⋯αβ
T
=(β
T
α)
n−1
⋅A, 令人惊喜的是 β T α = tr ( A ) = ∑ i = 1 n a n \beta^{T} \alpha=\operatorname{tr}(A)=\sum_{i=1}^{n} a_{n} β
T
α=tr(A)=∑
i=1
n
a
n
若 tr ( A ) = ∑ i = 1 n a n ≠ 0 , \operatorname{tr}(A)=\sum_{i=1}^{n} a_{n} \neq 0, tr(A)=∑
i=1
n
a
n
=0, 则矩阵 A A A 可相似对角化,否则不可相似对角化
本回答被网友采纳
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
推荐律师服务:
若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询