相似矩阵的性质及应用
矩阵相似例题
矩阵相似例题【原创版】目录1.矩阵相似的定义和性质2.矩阵相似的判定方法3.矩阵相似的应用举例正文一、矩阵相似的定义和性质矩阵相似是指两个矩阵之间存在一种特殊的关系,使得它们在某种意义上相似。
设 A 和 B 是两个 n 阶方阵,如果存在一个可逆矩阵 P,使得 P^(-1)AP=B,则称矩阵 A 与矩阵 B 是相似矩阵。
显然,相似关系具有自反性、对称性和传递性,即相似是一个等价关系。
矩阵相似的性质包括:1.相似矩阵具有相同的特征多项式,因此它们的特征值相同。
2.相似矩阵具有相同的行列式值、迹和秩。
3.相似矩阵具有相同的几何重数(每个特征值所对应的特征向量的最大个数)。
4.相似矩阵具有相同的最小多项式。
二、矩阵相似的判定方法要判断两个矩阵是否相似,可以采用以下几种方法:1.矩阵的特征值相同:如果两个矩阵的特征值相同,则它们一定是相似矩阵。
2.矩阵的行列式值相同:如果两个矩阵的行列式值相同,则它们可能是相似矩阵。
此时,需要进一步检查它们的特征多项式是否相同。
3.矩阵的秩相同:如果两个矩阵的秩相同,则它们可能是相似矩阵。
此时,需要进一步检查它们的特征值和特征向量的个数是否相同。
三、矩阵相似的应用举例矩阵相似在实际问题中有广泛的应用,下面举一个简单的例子:例:求解矩阵 A=[[2, 1], [1, 0]] 与矩阵 B=[[1, 2], [0, 1]] 是否相似,并求出相似矩阵。
解:首先计算矩阵 A 和矩阵 B 的特征值和特征向量:矩阵 A 的特征值λ1=2,λ2=0,对应的特征向量为 v1=[1, 1]^T 和v2=[1, 0]^T。
矩阵 B 的特征值λ1=1,λ2=2,对应的特征向量为 v1=[1, 1]^T 和v2=[0, 1]^T。
可以看出,矩阵 A 和矩阵 B 的特征值不同,因此它们不是相似矩阵。
相似矩阵定义
相似矩阵定义相似矩阵是线性代数中的一个重要概念,它在各个领域中都有广泛应用。
本文将从理论基础、计算方法和应用领域三个方面来介绍相似矩阵。
一、理论基础在线性代数中,相似矩阵是一个基于线性变换的概念。
给定一个线性变换T,如果存在一个非奇异矩阵P,使得P的逆矩阵存在,并且满足下式:T' = P^-1TP其中T'是一个与T相似的矩阵。
相似矩阵具有以下几个重要的性质:1. 相似矩阵具有相同的特征值。
设A和B是相似矩阵,那么它们的特征值是相同的。
2. 相似矩阵具有相同的迹。
迹是矩阵对角线上元素的和,对于相似矩阵来说,它们的迹是相等的。
3. 相似矩阵具有相同的秩。
秩是矩阵行(或列)的最大线性无关组的个数,对于相似矩阵来说,它们的秩是相等的。
二、计算方法计算相似矩阵的方法有多种,其中最常用的是使用特征值分解。
特征值分解是将矩阵A分解为特征向量和特征值的形式,即 A =VΛV^-1,其中V是特征向量矩阵,Λ是特征值矩阵。
通过特征值分解,我们可以得到相似矩阵的形式T' = V^-1TV。
另一种计算相似矩阵的方法是使用奇异值分解。
奇异值分解是将矩阵A分解为奇异值和奇异向量的形式,即A = USV^T,其中U和V 是正交矩阵,S是奇异值矩阵。
通过奇异值分解,我们可以得到相似矩阵的形式T' = U^TV。
三、应用领域相似矩阵在各个领域中都有广泛的应用。
以下是几个常见的应用领域:1. 图像处理:相似矩阵可以用于图像的压缩和降噪处理。
通过计算相似矩阵,我们可以找到一组线性变换,将图像中的冗余信息去除,从而实现图像的压缩和降噪。
2. 推荐系统:相似矩阵可以用于推荐系统中的用户相似度计算。
通过计算用户之间的相似矩阵,我们可以找到与当前用户兴趣相似的其他用户,从而为其推荐感兴趣的内容。
3. 自然语言处理:相似矩阵可以用于词向量的计算。
通过计算词语之间的相似矩阵,我们可以得到词语在语义空间中的表示,从而实现自然语言处理任务,如词义消歧和文本分类等。
矩阵的相似与对角化
矩阵的相似与对角化矩阵是线性代数中的重要概念之一,而相似性与对角化是矩阵理论中的两个关键概念。
本文将从相似性与对角化的概念入手,探讨它们的定义、性质以及在线性代数中的应用。
1. 相似矩阵的定义与性质相似矩阵是线性代数中一个重要的概念,它描述了两个矩阵具有相同的特征值,但其特征向量的基和矩阵元素可能不同。
具体来说,如果存在一个可逆矩阵P,使得矩阵A和矩阵B满足A = PBP^(-1),则可以称矩阵A和矩阵B是相似的。
相似矩阵的性质包括:1) 相似矩阵具有相同的特征值,即它们的特征多项式相同。
2) 相似矩阵的特征向量对应相同的特征值,但基可能不同。
3) 相似矩阵具有相同的迹、行列式和秩。
4) 相似矩阵具有相同的幂,即A^k与B^k相似。
2. 对角化的定义与性质对角化是线性代数中与相似性概念紧密相关的一个概念。
简而言之,对角化就是将一个矩阵通过相似变换变成对角矩阵的过程。
具体来说,如果一个n阶矩阵A相似于一个对角矩阵D,即存在一个可逆矩阵P,使得A = PDP^(-1),则称矩阵A是可对角化的。
对角化的性质包括:1) 可对角化矩阵与其特征值和特征向量有关,特征向量构成的基是将矩阵对角化的基。
2) 可对角化矩阵具有简洁的形式,对角线上的元素是矩阵的特征值,其他元素都为0。
3) 可对角化矩阵的幂可以通过对特征值的幂进行对角化得到。
3. 相似与对角化的关系和应用相似的关系为矩阵的对角化提供了有力的理论基础。
具体而言,如果一个矩阵是可对角化的,那么它就必然与一个对角矩阵相似。
换句话说,对角化是相似的一种特殊情况。
相似与对角化的关系在线性代数中有广泛的应用,例如:1) 矩阵的相似性可以简化矩阵的计算,例如求解线性方程组、计算矩阵的幂等等。
2) 对角化可以简化矩阵的求幂运算,从而方便计算高阶矩阵的幂。
3) 对角化可以帮助我们理解矩阵的性质,例如特征向量的重要性、矩阵的谱分解等。
总结:本文从相似性与对角化的定义和性质出发,对相似矩阵与对角化的关系与应用进行了讨论。
矩阵相似与合同
矩阵相似与合同引言在线性代数中,矩阵是一个重要概念,它在各个领域都有广泛的应用。
在研究矩阵时,我们经常会遇到矩阵相似和矩阵合同这两个概念。
本文将介绍矩阵相似和矩阵合同的定义、性质和应用。
矩阵相似矩阵相似是一种关系,用来描述两个矩阵之间的某种变换关系。
两个矩阵相似,意味着它们可以通过一个相似变换相互转化。
具体来说,对于给定的两个n阶矩阵A和B,如果存在一个可逆矩阵P,使得P-1AP = B,则称矩阵A和B相似。
相似关系具有以下性质:1.相似关系是一种等价关系,即自反性、对称性和传递性成立。
2.相似矩阵具有相同的特征值。
3.相似矩阵具有相同的秩、行列式、迹等性质。
矩阵相似在实际应用中具有重要意义。
例如,在线性代数中,我们经常需要对矩阵进行对角化处理,而矩阵相似关系可以帮助我们找到相似矩阵来简化计算。
矩阵合同矩阵合同是另一种矩阵之间的关系。
与矩阵相似不同,矩阵合同是通过正交变换来定义的。
对于给定的两个n阶矩阵A和B,如果存在一个正交矩阵P,使得PTAP = B,则称矩阵A和B合同。
合同关系具有以下性质:1.合同关系是一种等价关系,即自反性、对称性和传递性成立。
2.合同矩阵具有相同的正惯性指数和负惯性指数。
矩阵合同在实际应用中也具有重要意义。
例如,在数值计算中,我们经常需要将矩阵进行对称化处理,而矩阵合同关系可以帮助我们找到合同矩阵来简化计算。
相似与合同的关系矩阵相似和矩阵合同之间存在着一定的联系。
具体来说,如果两个矩阵相似,则它们一定是合同的。
这是因为如果矩阵A和B相似,即存在可逆矩阵P,使得P-1AP = B,那么我们可以取正交矩阵Q等于P-1,则有QTAQ = B,即A和B是合同的。
然而,矩阵合同并不一定意味着矩阵相似。
换句话说,合同关系是相似关系的一个子集。
这是因为矩阵相似要求相似变换是可逆的,而矩阵合同要求正交变换是可逆的。
正交矩阵是一类特殊的矩阵,其逆矩阵等于其转置矩阵,因此正交变换一定是可逆的。
矩阵相似的性质:矩阵相似例题
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?1xnnn?1a1x?a0 a1A?a0E a1B?a0E于是,f(A)?anAn?an?1An?1? f(B)?anB?an?1Bn?1kk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?1anAn?an?1An?1?因此Xf?A?X?X?a1A?a0E?X?anX?1AnX?an?1X?1An?1X? ?anBn?an?1Bn?1? ?f(B) 所以f(A)相似于f(B)。
?a1X?1AX?a0Ea1B?a0E(3)相似矩阵有相同的行列式,即A?B,trA?trB;证明设A与B相似,即存在数域P上的可逆矩阵C,使得B?C?1AC,两边取行列式?1?1AC?AC?1C?A,从而相似矩阵有相同的行列式。
矩阵相似例题
矩阵相似例题摘要:一、矩阵相似的定义与性质1.矩阵相似的定义2.矩阵相似的性质二、矩阵相似的判定方法1.秩相似2.行列式相似3.迹相似4.标准型相似三、矩阵相似的应用1.矩阵对角化2.线性变换的性质3.矩阵函数的性质四、矩阵相似的例题解析1.矩阵相似的判定例题2.矩阵相似的应用例题正文:矩阵相似是线性代数中的一个重要概念,它涉及到矩阵的性质及其应用。
本文将详细介绍矩阵相似的定义、性质、判定方法及其应用。
一、矩阵相似的定义与性质矩阵相似是指存在一个可逆矩阵P,使得矩阵A 与矩阵B 满足关系式:B = P^(-1) * A * P。
其中,A 和B 称为相似矩阵。
矩阵相似具有以下性质:1.相似矩阵具有相同的特征多项式;2.相似矩阵具有相同的行列式值;3.相似矩阵具有相同的迹;4.相似矩阵具有相同的秩。
二、矩阵相似的判定方法矩阵相似的判定方法有多种,常见的有以下四种:1.秩相似:当两个矩阵的秩相等时,它们是相似矩阵;2.行列式相似:当两个矩阵的行列式值相等时,它们是相似矩阵;3.迹相似:当两个矩阵的迹相等时,它们是相似矩阵;4.标准型相似:当两个矩阵具有相同的标准型时,它们是相似矩阵。
三、矩阵相似的应用矩阵相似在许多领域都有广泛的应用,例如:1.矩阵对角化:通过矩阵相似可以将一个矩阵对角化,从而简化矩阵的运算和求解线性方程组;2.线性变换的性质:线性变换的性质可以通过矩阵相似进行研究;3.矩阵函数的性质:矩阵函数的性质也可以通过矩阵相似进行研究。
四、矩阵相似的例题解析以下是一些关于矩阵相似的例题:1.矩阵相似的判定例题:已知矩阵A 和B,如何判定它们是否相似?2.矩阵相似的应用例题:已知矩阵A,如何通过矩阵相似将其对角化?。
矩阵相似的性质
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(1B 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,1110()n n n n f A a A a A a A a E --=+++ 1110()n n n n f B a B a B a B a E --=+++由于A 相似于B ,则kA 相似与kB ,(k 为任意正整数),即存在可逆矩阵X ,使得1k k B X A X -=,因此 ()()111110n n n n X f A X X a A a A a A a E X ----=+++1111110n n n n a X A X a X A X a X AX a E -----=++++1110n n n n a B a B a B a E --=+++()f B = 所以()f A 相似于()f B 。
相似矩阵的有关性质及其应用
相似矩阵的有关性质及其应用作 者 王国强 数学系 数学与应用数学专业 指导教师 金银来 数学系 教授摘要 若矩阵P 可逆,则矩阵P -1AP 与A 称为相似。
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Abstract: There are a lot of applications about similar matrix. For example, we candiscuss 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.Keywords: similar matrices; diagonal matrix; Jordan ’s normal form; characteristic value; characteristic vector1 相似矩阵有关定义定义1.1设A,B 是n 阶方阵,如果存在可逆阵P 使得P -1AP=B,则称矩阵A 与B 相似.定义 1.2矩阵A 相似于对角阵,则称A 可相似对角化,即存在可逆阵P 使),,(2,11n diag AP P λλλ =-,n λλ,,1 为A 的n 个特征值.2 相似矩阵有关性质a. 已知P -1AP=B,即A 相似于B,则ⅰ) |A|=|B|; ⅱ) t r (A)=t r (B); ⅲ) |A-λI |=|B-λI |.b. 若A 与B 都可对角化,则A 与B 相似的充分条件是A 与B 由相同的特征多项式.c. A 的属于同一特征值i λ的特征向量的线形组合只要不是零向量, 仍是对应i λ的特征向量.d. A 的属于不同特征值的特征向量线形无关.e. 实对称矩阵A 的特征值都是实数,属于不同特征值的特征向量正交.f. 若λ是实对称矩阵A 的r 重特征值,则A 对应特征值λ恰有r 个线性 无关的特征向量.g. 任何一个n 阶复矩阵A 都与一个Jordan 形矩阵J 相似. h. 对n 阶方阵A ,以下三条等价: ⑴A 可对角化;⑵A 有n 个特征值(重根按重数计),且∀r (>1)重特征值λ; ⑶A 有n 个线性无关的特征向量.i. 对角化的基本方法有如下两种:特征值法,特征向量法.3 相似矩阵在微分方程中的应用许多实际问题最后都归结为求解微分方程(组)的问题.因此,如何求解微分方程(组)是个很重要的问题.下面举例说明特征值和特征向量,约当标准形在其中的应用.3.1 将常系数线性微分方程组⎝⎛+++=+++=+++=.;;22112222121212121111n nn n n n n n n n u a u a u a dtduu a u a u a dt du u a u a u a dt du (3-1)写成矩阵形式为Au dtdu= (3-2)其中u=(T n u u u ),,,21 ,n n ij a A *)(=为系数矩阵,令(3-2)式的解u=x e t λ, (3-3)即 (T n u u u ),,,21 =T n t x x x e ),,,(21 λ. 将(3-3)式代入(3-2)得λx e t λ=A x e t λ=Ax e t λ,化简得X AX λ=,即(3-3)式中λ为A 的特征值,X 为λ对应的特征向量;若A 可对角化,则存在n 个线性无关的特征向量,,,,21n x x x 于是得到(3-2)式的n 个线性无关的特解.u 1=111x e t λ, u 2=22x e t λ,, u n =n t x e n λ.它们的线性组合 =u c 1111x e t λ+c222x e t λ+…+cnn t x e n λ,(3-4)(其中n c c c ,,,21 为任意常数)为(3-1)式的一般解,将(3-4)式改写成矩阵形式u=),,,(21n x x x ⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡ttt n e e e λλλ 21⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡n c c c 21, 记 c=(n c c c ,,,21 )T ,Λt e =diag (t t t n e e e λλλ,,,21 ) p=),,,(21n x x x ,则(3-1)式或(3-2)式有一般解c pe u t ∆=(3-5) 对于初值问题⎪⎩⎪⎨⎧==∆=00,u t u u dt du(3-6) 解为01u p pe u t -∆=(3-7)因为t=0代入(3-5)式得 c=01u p -. 例3.1 解线性常系数微分方程组⎪⎪⎪⎩⎪⎪⎪⎨⎧+-=+-=+=.2;54;313212211x x dt dx x x dt dx x x dt dx 已知初始值为: .2)0(,1)0(,1)0(321=-==x x x解 本题的初始值问题为⎪⎩⎪⎨⎧-===Tx x Axdt dx)2,1,1()0(0其中 110450102A ⎡⎤⎢⎥=-⎢⎥⎢⎥⎣⎦,可得A 的约当标准形,即有可逆矩阵 P =012025111⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦ ,使⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡==-3001300021J AP P . 由(3-7)式,该初值问题的解为01x P Pe X tJ -=(3-8)其中 ,!)(!2)(2 +++++=n tJ tJ tJ I e ntJ(3-9)⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=-n n n n n nn C J 30033000230013000211 (3-10)将(3-10)式代入(3-9)式得⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=t t t t tJ e te e e e 333200000(3-11)再将(3-11)式及1,-P P 代入(3-8)式得⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-+----=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=t t tt t t t te t e e t e t e te e et x t x t x x 32333332321)34(2)61()31(21101202511300000111520210)()()( 例3.2 解线性微分方程组11111221221122221122..............................n n n n n n n nn n dx a x a x a x dt dx a x a x a x dtdx a x a x a xdt⎧=+++⎪⎪⎪=+++⎪⎨⎪⎪⎪=+++⎪⎩(3-12)解 令12n x x X x ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎣⎦,12n dx dt dx dX dt dt dx dt ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦,111212122212n n n n nn a a a a a a A a a a ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎣⎦则方程组(3-12)可表示成矩阵形式 dXAX dt= (3-13)假设A 可以相似对角化,即存在可逆矩阵P ,使得112(,,,)n P AP diag λλλ-=其中12,,,n λλλ为A 的全部特征值.于是令X PY=(3-14) 其中12(,,,)T n Y y y y =,将式(3-14)代入式(3-13),得()d PY APY dt= 即dYPAPY dt=(3-15)在上式两端同时左乘1P -,得112(,,)n dYP APY diag Y dtλλλ-==即111222n n n dy y dt dy y dtdy ydtλλλ⎧=⎪⎪⎪=⎪⎨⎪⎪⎪=⎪⎩ 将上式积分,得121122,,,n tt t n n y C e y C e y C e λλλ===(3-16) 其中1C ,2C ,,n C 为积分常数.将式(3-16)代入(3-15)式,可得121122n t tt n n X C Pe C P e C P e λλλ=+++其中i P 为矩阵P 的第i 列,也是A 的对应于特征值i λ的特征向量,1,2,,i n =.3.2 对于n 阶线性齐次常系数微分方程1111()()()()0n n n n n n d x t d x t dx t a a a x t dt dtdt---++++=(3-17) 可令2112321,,,,n n n dx d xd xx x x x x dt dtdt--==== 于是可得与方程(3-17)同解的方程组12231121n n n ndx x dt dx x dt dx a x a x a x dt-⎧=⎪⎪⎪=⎪⎨⎪⎪⎪=----⎪⎩(3-18)式(3-18)可写成矩阵形式dXAX dt=(3-19) 其中12(,,)T n X x x x =,12(,,,)T n dx dx dx dXdt dt dt dt=, 11010000001n n A a a a -=⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥---⎣⎦于是这类微分方程可以归纳为等价的线性微分方程组,然后再利用特征值和特征向量求解.例3.3 求解微分方程323234120d x d x dx x dt dt dt--+=(3-20)解 令21232,,x x dx d xx x dt dt===于是(3-20)式可变成等价的方程组122331231243dx x dt dx x dt dx x x x dt ⎧=⎪⎪⎪=⎨⎪⎪=-++⎪⎩即dXAX dt= 其中 123(,,)T X x x x =,312(,,)T dx dx dx dX dt dt dt dt=,010*******A ⎡⎤⎢⎥=⎢⎥⎢⎥-⎣⎦可求得A 的特征值为1233,2,2λλλ===-,对应的特征向量分别为123(1,3,9),(1,2,4),(1,2,4)T T T X X X ===-于是由上例知,312112233t tt X C C C X eX e X e λλλ=++322123111322944t t t C C C e e e -⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥=++-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦从而3221123t t t C C C x x e e e -==++ 其中(1,2,3)i C i =为任意常数.4 相似矩阵在现实生活中的应用例4.1 污染与环境发展的增长模型——发展与环境已成为21世纪各国政府关注的重点,为了定量分析污染与工业发展间的关系,我们可提出以下的工业增长模型:解 设x 0是某地区目前的污染水平(以空气或河湖水质的某种污染指数为测量单位),y 0是目前的工业发展水平(以某种工业发展指数为测量单位),以5年作为一个期间,第t 个期间的污染和工业发展水平分别记为x t 和y t ,它们之间的关系是:1111322t t t t t t x x y y x y ----=+⎧⎨=+⎩t=1,2,…(4-1)记 A=⎥⎦⎤⎢⎣⎡2213 , ⎥⎦⎤⎢⎣⎡=t t t y x α , 则(4-1)的矩阵形式为 ,1-=t t A αα t=1,2,… (4-2)如果已知该地区目前(亦称为基年)的污染和工业发展水平0α=[],00Ty x 利用(4-2)就可以预测第k 个期间该地区的污染和工业发展水平k α,这是因为由(4-2)可得.,,,0021201αααααααk k A A A A ====这表明k α可通过k A 求得,为此考察A 能否对角化,计算出A 的特征多项式.()f λ=|A E -λ|=)4)(1(2213--=----λλλλ由A 有2个相异的特征值1和4知,A 能对角化,所以可用性质来计算k A . 对于11=λ,解,0)(=-X A E 可得A 属于1的一个特征向量[].211T=ξ对于,42=λ解,0)4(=-X A E 可得A 属于4的一个特征向量[].112T=ξ令[],21ξξ=P 有A=[].411-P Pdiag[],424*22414*213112113140011211411⎥⎥⎦⎤⎢⎢⎣⎡++-+-+=⎥⎦⎤⎢⎣⎡-⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡-==-k k k k k kkPPdiag A 所以 k α=⎥⎥⎦⎤⎢⎢⎣⎡+++-+-++=00000)42()4*22()41()4*21(31y x y x A kk kk kα (4-3)(4-3)就是所要的预测结果,对不同的0α值代入(4-3)即可求得k α.例如:若[]T110=α,有[]Tk kk 44=α,(实际上此时0α就是属于4的特征向量,所以[]);44400Tk kk k k A ===ααα若[],210T=α有[].42413111Tk k k +++-+-=α这些都表明,尽管工业发展水平可以达到相当高的程度,但照此模式发展,环境污染不容忽视.例 4.2 人口流动模型——假设某省城人口总数保持不变,每年有20%的农村人口流入城镇,有10%的城镇人口流入农村.试问该省城人口与农村人口的分布最终是否会趋向一个“稳定状态”?为解答这个问题,可设该省城人口总数为m,从今年开始,第k 年该省城的城镇人口和农村人口分别设为k x ,k y ,据题意有11110.90.20.10.8k k k kk k x x y y x y ----=+⎧⎨=+⎩ 即0.90.20.10.8A ⎡⎤=⎢⎥⎣⎦ k k k x y α⎡⎤=⎢⎥⎣⎦则 110()k k k k A A A A αααα--====为计算k A ,仍考察A 能否对角化.计算出A 的特征多项式0.90.2()(1)(0.7)0.10.8f E A λλλλλλ--=-==----由于A 有2个相异的特征值1和0.7知,A 能对角化,所以可用性质来计算k A . 对于11λ=解()0E A X -=可得A 属于1的一个特征向量[]121Tξ=; 对于20.7λ=解(0.7)0E A X -=可得A 属于0.7的一个特征向量[]211Tξ=-. 令[]12P ξξ=,有1[10.7]A Pdiag P -=,11(0.7)k k A Pdiag P -⎡⎤=⎣⎦1021112(0.7)22*(0.7)111112330(0.7)1(0.7)12*(0.7)k k k k k ⎡⎤+-⎡⎤⎡⎤⎡⎤==⎢⎥⎢⎥⎢⎥⎢⎥---+⎣⎦⎣⎦⎣⎦⎣⎦利用 00x y m +=,可得00000002(0.7)22*(0.7)131(0.7)12*(0.7)2(2)(0.7)13(2)(0.7)k kkk k k kk x A y m x y m x y αα⎡⎤+-⎡⎤==⎢⎥⎢⎥-+⎣⎦⎣⎦⎡⎤+-=⎢⎥--⎢⎥⎣⎦从而有000021(2)(0.7)3311(2)(0.7)33kk k k x m x y y m x y ⎧=+-⎪⎪⎨⎪=--⎪⎩数列{}{},k k x y 的极限为21lim ,lim 33k k k k x m y m →∞→∞== 这表明该省城的城镇人口与农村人口的分布会趋于一个“稳定状态”:大约有23为城镇人口,13为农村人口. 例4.3 某试验性生产线每年一月份进行熟练工与非熟练工的人数统计,然后将16熟练工支援其他生产部门,其缺额由招收的新非熟练工补齐,新老非熟练工经过培训及实践至年终考核有25成为熟练工.设第n 年一月统计的熟练工和非熟练工所占百分比分别为n x 和n y ,记成向量n n x y ⎡⎤⎢⎥⎣⎦(a)求n+1n+1x y ⎡⎤⎢⎥⎣⎦与n n x y ⎡⎤⎢⎥⎣⎦的关系式,并写成矩阵形式n+1n+1x y ⎡⎤⎢⎥⎣⎦=A n n x y ⎡⎤⎢⎥⎣⎦;(b)验证14=1η⎛⎫ ⎪⎝⎭,2-1=1η⎛⎫⎪⎝⎭,是A 的两个线性无关的特征向量,并求出相应的特征值;(c)当111x 2=y 12⎡⎤⎢⎥⎡⎤⎢⎥⎢⎥⎣⎦⎢⎥⎢⎥⎣⎦时,求n+1n+1x y ⎡⎤⎢⎥⎣⎦. 【思路】本题的关键在于读懂题意,写出n+1x 与n+1y ,用n x ,n y 来表达的关系式:第n 年初熟练工与非熟练工所占百分比为n x 和n y ,第n+1年初的熟练工所占的百分比n+1x 由两部分构成。
矩阵相似矩阵
矩阵矩阵的运算例:设,A B 为n 阶方阵,且22, A A BB==,2()A B A B+=+,证A BO=注意:不可222()2A B A A B BA B A B O+=++=+⇒=证:222()A B A A B B A B A A B B A B A B+=+++=+++=+,A B B A O∴+= ①,用A 左、右乘上式得:22, A B A B A A B A B A O A B A B A A B A B A O+=+=+=+=两式相减得A B B A O -= ②, 由①②式可得:A B O =例:设J 为所有元为1的n 阶方阵,X 为n 阶方阵,证:矩阵方程XX J JX=+仅有零解。
当1n =时,由x x x =+,得0x =。
当1n>时,用J左、右乘原方程,(注意2J nJ=)得:222 JX J JX J J X J nJX J JX J O=+=⇒= 用J 左乘原方程,得2JX JX J J X nJX JX O =+=⇒= 用J 右乘原方程,得2X J X JJX J nX J X J O=+=⇒=将X JJX O==代入原方程,得X O=。
例:设,A B 为n 阶正交方阵,且1A B=-,证:0A B +=因为,A B 为n 阶正交方阵()''''''A B A A A B A E B A B B B A +=+=+=+()'BB A B B A=+=+又 ()'A B A A B A +=+,A A B B B A B A B A A B∴+=+=+=-+,所以,A B +=例:设A 为3阶正交阵,0A <,B 为3阶方阵,且4B A -=,求'E A B -'''''E A B A A A B A A B A B -=-=-=--()()()3114B A B A =---=---=例:设()ij n nAa ⨯=是行列式为1-的正交矩阵,()*ij A b =为A 的伴随矩阵,求, 1,ijij a b i j n+≤≤因为1**1A A AA-==-,又1'A A-=,所以()'**'A A A A =-⇒=-即得()'*A A O+=, 0ij ij a b ⇒+=例:05104 设A 为n (2≥n )阶可逆矩阵,交换A 的第1行与第2行得矩阵B,**,BA 分别为A,B 的伴随矩阵,则(A) 交换*A 的第1列与第2列得*B . (B) 交换*A 的第1行与第2行得*B . (C) 交换*A 的第1列与第2列得*B-.(D) 交换*A 的第1行与第2行得*B-.[ C ]【分析】 本题考查初等变换的概念与初等矩阵的性质,只需利用初等变换与初等矩阵的关系以及伴随矩阵的性质进行分析即可.【详解】 由题设,存在初等矩阵12E (交换n 阶单位矩阵的第1行与第2行所得),使得BA E =12,于是12*11212*12***12*)(E A E E A EA A EB -=⋅===-,即*12*BE A -=,可见应选(C).例: 1 1 1 1 1 1 1 11 1 1 11 1 1 1A --⎛⎫⎪--⎪= ⎪-- ⎪ ⎪--⎝⎭,求6A242624, 1664, 2561024A A A A A A A A=-==-==-例:设121P ⎛⎫ ⎪= ⎪⎪⎝⎭,()2,1,2Q =-,AP Q=,求100A 。
相似矩阵的性质及应用毕业论文
相似矩阵的性质及应用毕业论文一.相似矩阵的定义定义: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=1-X AX ,就说A 相似于B ,记做B A ~.二.相似矩阵的重要性质性质1 数域P 上的n 阶方阵的相似关系是一个等价关系.证明:1〉(反身性) 由于单位矩阵E 是可逆矩阵,且A=1-E AE ,故任何方阵A 与A 相似.2〉(对称性) 设A 与B 相似,即存在数域P 上的可逆方阵C ,使得B=1-C AC ,由此可得A=CB 1-C =11)(--C B 1-C ,显然可逆,所以B 与A 相似.3〉(传递性)设A 与B 相似,B 与C 相似,即存在数域P 上的n 阶可逆方阵P 、Q ,使B=1-P AP ,C=1-Q BQ ,则 C=BQ=1-Q 1-P APQ=1)(-PQ A (PQ ),从而A 与C 相似.〈证毕〉 性质2 相似矩阵有相同的行列式.证明:设A 与B 相似,即存在数域P 上的可逆矩阵C ,使得B=1-C AC ,两边取行列式得:|B |=|1-C AC |=|1-C ||A ||C |=|A ||1-C C |=|A |.从而相似矩阵有相同的行列式. 〈证毕〉 下面先介绍两个引理引理1:设A 是数域P 上的n ×m 矩阵,B 是数域P 上m ×s 矩阵,于是秩(AB )≤min[秩(A ),秩(B )] (1)即乘积的秩不超过各因子的秩.证明:为了证明(1),只需要证明秩(AB )≤秩(A ),同时,秩(AB )≤秩(B ).现在来分别证明这两个不等式.设A=⎪⎪⎪⎪⎪⎭⎫⎝⎛nm n n m m a a a a a a a a a 212222111211,B=⎪⎪⎪⎪⎪⎭⎫⎝⎛ms m m s s b b b b b b b b b212222111211令1B ,2B ,…,m B 表示B 的行向量,1C ,2C ,…n C ,表示AB 行向量.由计算可知,i C 的第j 个分量和m im i i B a B a B a +++ 2211的第j 个分量都等于kj mk ikb a∑=1,因而i C =m im i i B a B a B a +++ 2111 (i=1,2,…n ).即矩阵AB 的行向量组n C C C ,,,21 可经B 的行向量组线性表出.所以AB 的秩不能超过B 的秩,也即, 秩(AB )≤秩(B ).同样,令m A A A ,,21 表示A 的列向量,s D D D ,,21表示AB 的列向量,由计算可知i D =11A b i +22A b i +…+m mi A b (i=1,2,…,s ).这个式子表明,矩阵AB 的列向量可以经矩阵A 的列向量组表出,前者的秩不可能超过后者的秩,这就是说,秩(AB )≤秩(A ). <证毕>引理2:A 是一个s ×n 矩阵,如果P 是个s ×s 可逆矩阵,Q 是n ×n 可逆矩阵,那么秩(A )=秩(PA )=秩(AQ ).证明:令 B=PA,由引理1知秩(B )≤秩(A ); 但是由A=1-P B,又由秩(A )≤秩(B ),所以秩(A )=秩(B )=秩(PA ).同理可证, 秩(A )=秩(AQ ).从而, 秩(A )=秩(PA )=秩(AQ ). 〈证毕〉 性质3 相似矩阵有相同秩.证明:设A,B 相似即存在数域P 上的可逆矩阵C,使得 B=1-C AC , 由引理2可知秩(B )=秩(1-C AC )=秩(AC )=秩(A ). 〈证毕>性质4 相似矩阵或同时可逆或同时不可逆.证明:设A 与B 相似,由性质3可知B A = .若A 可逆,即0≠A ,从而0≠B 故B 可逆; 若A 不可逆,即0=A ,从而0=B ,故B 不可逆. 〈证毕〉性质5 若A 与B 相似,则n A 相似于n B .(n 为正整数)证明:由于A 与B 相似,即存在数域P 上的可逆矩阵X,使得AX X B 1-=,从而X A X AX X AX X AX X n n 1111----=•••个,即 n A 相似于n B . 〈证毕〉性质6 设A 相似于B,)(x f 为任一多项式,则)(A f 相似于)(B f . 证明:设0111)(a x a x a x a x f n n n n ++++=-- 于是Ea B a Ba B a B f E a A a A a A a A f n n nn n n n n 01110111)()(++++=++++=----由于A 相似于B,由性质5可知k A 相似于k B ,(k 为任意正整数) ,即存在可逆矩阵X,使得X A X B K k 1-=,因此)()()(01110111111011111B f Ea B a B a B a E a AX X a X A X a X A X a X E a A a A a A a X X x f X n n nn n n n n n n n n =++++=++++=++++=-----------这就是说)(A f 相似于)(B f . 〈证毕〉性质7 相似矩阵有相同的特征多项式.证明:设A 相似于B ,即存在数域P 上的可逆矩阵C ,使得AC C B 1-=, 则AE C C A E C A E CACC EC C AC C C C AC C E B E -=-=-=-=-=-=--------λλλλλλλ1111111由此可见,B 与A 有相同的特征多项式. 〈证毕〉 性质8:相似矩阵有相同的迹.证明:设A 相似于B 。
相似矩阵的性质
相似矩阵的性质相似矩阵在线性代数和矩阵论中有着重要的地位和广泛的应用。
它们具有独特的性质,为解决许多实际问题提供了强大的工具。
本文将介绍相似矩阵的定义、性质和应用,以深入了解这一重要的数学概念。
相似矩阵的定义给定两个n阶方阵A和B,如果存在一个可逆矩阵P,使得B = PAP^-1那么矩阵B就称为矩阵A的相似矩阵,而矩阵P则称为相似变换矩阵。
相似矩阵的定义表明它们有相同的特征值和特征向量,但不一定有相同的线性变换。
相似矩阵的性质相似矩阵具有以下性质:1.相似矩阵具有相同的特征值:如果A和B是相似矩阵,它们具有相同的特征值。
这可以通过相似变换的特征值的性质来证明。
由于相似变换不改变特征值,B的特征值与A的特征值相同。
2.相似矩阵具有相同的迹:矩阵的迹等于其特征值之和。
因此,如果A和B是相似矩阵,它们具有相同的迹。
迹的性质可以通过相似变换的迹的性质来证明。
由于迹等于特征值之和,B的迹与A的迹相同。
3.相似矩阵具有相同的秩:矩阵的秩是指其线性无关的行或列的最大数目。
如果A和B是相似矩阵,它们具有相同的秩。
这可以通过相似变换的秩的性质来证明。
由于秩也是特征值的性质,B的秩与A的秩相同。
4.相似矩阵具有相同的行列式:矩阵的行列式是其特征值之积。
因此,如果A和B是相似矩阵,它们具有相同的行列式。
行列式的性质可以通过相似变换的行列式的性质来证明。
由于行列式等于特征值之积,B的行列式与A 的行列式相同。
相似矩阵的应用相似矩阵在各个领域中都有着广泛的应用,例如:1.特征值计算:相似矩阵的性质使得计算矩阵的特征值变得更加简单。
通过将矩阵A化为其相似矩阵B,我们可以使用B的特征值来得到A的特征值。
2.矩阵对角化:相似矩阵的性质使得矩阵对角化成为可能。
对角化是一种特殊的相似变换,将矩阵化为对角矩阵,使得矩阵的计算更加简便。
3.线性变换:相似矩阵描述了不同线性变换之间的关系。
通过相似变换,我们可以将一个复杂的线性变换转化为一个简单的线性变换,从而简化问题的解决过程。
矩阵相似变换
矩阵相似变换矩阵相似变换是线性代数中一个重要的概念,它在很多领域中都有广泛的应用。
本文将从基本概念、相似矩阵的性质以及实际应用等方面对矩阵相似变换进行解读。
一、基本概念矩阵相似变换是指对一个矩阵进行线性变换,使得变换后的矩阵与原矩阵有相同的特征值。
具体来说,对于一个n阶矩阵A和一个可逆矩阵P,如果存在一个可逆矩阵P,使得P⁻¹AP=B,那么矩阵B与矩阵A相似。
二、相似矩阵的性质1. 相似矩阵具有相同的特征值:相似矩阵不仅特征值相同,对应的特征向量也相同。
这一性质在矩阵的谱分解、对角化等问题中有广泛的应用。
2. 相似矩阵的迹相等:矩阵的迹是指矩阵主对角线上元素的和,相似矩阵的迹相等。
这一性质在矩阵的特征值求和、矩阵的迹运算等问题中有重要的应用。
3. 相似矩阵的行列式相等:矩阵的行列式是指矩阵的特征值的乘积,相似矩阵的行列式相等。
这一性质在矩阵的特征值求积、矩阵的行列式运算等问题中有重要的应用。
三、实际应用1. 特征值分析:通过矩阵相似变换,可以将一个复杂的矩阵转化为对角矩阵,从而更方便地进行特征值分析。
这在物理、化学、生物等领域中有广泛的应用,例如求解量子力学中的能级问题。
2. 线性方程组求解:通过矩阵相似变换,可以将一个线性方程组转化为一个更简单的形式。
这在工程、经济学等领域中有广泛的应用,例如求解电路中的电流和电压分布问题。
3. 图像处理:矩阵相似变换在图像处理中起着重要的作用。
通过对图像矩阵进行相似变换,可以实现图像的旋转、缩放、平移等操作,从而达到图像处理的目的。
四、总结矩阵相似变换是线性代数中的一个重要概念,它在特征值分析、线性方程组求解、图像处理等领域中有广泛的应用。
通过矩阵相似变换,可以将复杂的问题转化为简单的形式,从而更方便地进行分析和求解。
同时,相似矩阵具有一些重要的性质,如相同的特征值、相等的迹和行列式等,这些性质在实际应用中也起到了重要的作用。
因此,熟练掌握矩阵相似变换的概念和性质,对于理解和应用线性代数具有重要意义。
平面向量的相似变换和相似矩阵
平面向量的相似变换和相似矩阵在线性代数的学习中,相似变换和相似矩阵是两个重要的概念。
在本文中,我们将探讨平面向量的相似变换以及相似矩阵的概念、性质和应用。
一、相似变换的定义与性质1. 相似变换的定义在平面向量的研究中,我们经常遇到一种特殊的线性变换,称为相似变换。
若存在非零实数 k 和一个可逆矩阵 P,对于任意平面向量 v,满足如下变换关系:v' = Pv其中,v' 表示变换后的向量,P 表示相似变换的变换矩阵,v 表示变换前的向量。
2. 相似变换的性质相似变换具有以下性质:(1)相似变换保持向量间的夹角和长度比例关系不变,即保持向量的相似性质;(2)相似变换保持向量的平行关系,即平行的向量在相似变换后仍然平行;(3)相似变换保持零向量不变,即零向量在相似变换后仍为零向量。
二、相似矩阵的定义与性质1. 相似矩阵的定义给定两个 n 阶方阵 A 和 B,如果存在一个可逆矩阵 P,使得 P^{-1}AP=B,则矩阵 B 称为矩阵 A 的相似矩阵,P 称为相似变换的变换矩阵。
2. 相似矩阵的性质相似矩阵具有以下性质:(1)相似矩阵具有相同的特征多项式和特征值;(2)相似矩阵具有相同的秩、迹、行列式和转置矩阵。
三、相似变换和相似矩阵的应用1. 矩阵的对角化相似矩阵的一个重要应用是矩阵的对角化。
对于一个 n 阶方阵 A,如果存在一个可逆矩阵 P,使得 P^{-1}AP=D,其中 D 是对角阵,那么矩阵 A 就可以被对角化。
2. 平面向量的变换在平面向量的研究中,相似变换和相似矩阵的应用非常广泛。
通过相似变换,我们可以将原来的向量进行旋转、缩放和剪切等操作,从而实现对平面向量的变换。
3. 物体的仿射变换相似变换和相似矩阵还被广泛应用于计算机图形学中的物体仿射变换。
通过相似变换,我们可以实现对图形的平移、旋转、缩放和错切等操作,从而实现对物体的变换和变形。
四、总结相似变换和相似矩阵是线性代数中非常重要的概念。
矩阵的相似和对角化的性质和应用
矩阵的相似和对角化的性质和应用矩阵的相似和对角化是线性代数中比较基础的概念,也是常常用到的重要工具。
在本文中,我将介绍矩阵相似的定义及其一些性质,探讨矩阵对角化的方法和应用。
一、矩阵相似1.1 定义设 $A$ 和 $B$ 是 $n$ 阶矩阵,若存在一个可逆矩阵 $P$,使得$B=P^{-1}AP$,则称 $B$ 与 $A$ 相似,$P$ 叫做相似变换矩阵。
1.2 性质(1)相似关系是一种等价关系。
对于任意的 $n$ 阶矩阵 $A$,有 $A\sim A$。
若 $A\sim B$,则$B\sim A$。
若 $A\sim B$,$B\sim C$,则 $A\sim C$。
(2)相似关系保持一些矩阵的特性。
若 $A$ 是一个对称矩阵,则 $B=P^{-1}AP$ 也是对称矩阵。
若$A$ 是一个正定矩阵,则 $B=P^{-1}AP$ 也是一个正定矩阵。
(3)相似矩阵有相同的特征值和相同的秩。
若 $A\sim B$,则 $A$ 和 $B$ 有相同的特征值。
即它们的特征多项式相同。
并且相似矩阵有相同的秩。
二、对角化2.1 定义设 $A$ 是 $n$ 阶矩阵。
若存在一个可逆矩阵 $P$,使得 $P^{-1}AP=D$,其中 $D$ 是一个对角矩阵,则称 $A$ 可对角化,$D$ 叫做 $A$ 的一个对角化矩阵,$P$ 叫做对角化矩阵。
2.2 对角化的必要条件若$A$ 可对角化,则$A$ 必须有$n$ 个线性无关的特征向量。
即存在一组线性无关的向量$\{\vec{v_1},\vec{v_2},\cdots,\vec{v_n}\}$,使得$A\vec{v_i}=\lambda_i\vec{v_i}$,其中 $\lambda_i$ 是 $A$ 的特征值。
2.3 对角化的方法(1)在求解 $A$ 的特征值 $\lambda$ 和特征向量 $\vec{v}$ 后,将特征向量按列组成矩阵 $P$,得到 $D=P^{-1}AP$。
矩阵相似性质与应用研究报告
矩阵相似的性质与应用的研究1引言矩阵相似的理论是数学分析的重要概念之一,同时也是教案中的难点之一,特别是矩阵相似与可对角化矩阵问题,在各个版本的数学类图书中,往往将这两个问题紧凑的联系在一起。
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。
由于矩阵相似的应用范围相当广泛。
本文主要是从矩阵相似定义以及各种性质的理论基础上直接引入矩阵在微分方程、自动控制理论基础等领域应用的实例并由此进行研究,也使这部分内容能够相互融合起来,更有利于学习者的掌握和应用。
2矩阵相似的定义与基本性质2.1矩阵相似的定义令I二I为非奇异矩阵,考察矩阵1^1的线性变换令线性变换的特征值为,对应的特征向量为R,即将式——1代入上式,即有 -------------- 1或 ---------- 1令一或—:,则式------------------ 1 可以写作比较― 和亠两式可知,矩阵A和一1具有相同的特征值,并且矩阵B的特征向量是矩阵的特征向量的线性变换,即二刃。
由于矩阵和—I的特征值相同,特征向量存在线性变换的关系,所以称这两个矩阵“相似”。
于是:设、都是阶方阵,若有可逆方阵,使______ I ,则称是的相似矩阵。
或者说矩阵与相似。
对进行运算—称为对进行相似变换。
可逆矩阵称为把变成的相似变换阵。
2.2矩阵相似的一些基本性质:自反性:。
对称性:三则二。
传递性:3及丄可得:二11如果阶矩阵,相似,则它们有相同的特征值。
但逆命题不成立。
相似矩阵另外的一些特性:1>相似矩阵有相同的秩。
2>相似矩阵的行列式相等。
3>相似矩阵或都可逆,或都不可逆。
当它们可逆时,它们的逆也相似。
4>y 贝y 亠,亠、•亠I 、亠I <若,均可逆)、」从而,有相同的特征值。
3相似对角矩阵的有关性质3.1矩阵可相似对角化的引入与定义设是复数域上的维线性空间,是的一个线性变换。
(完整版)5-3.4相似矩阵
证 设 Ap须1 证 1pp1T1 ,p2Ap02 2 p2 (1 2 ), A AT
1 p1T (1 p1 )T ( Ap1 )T p1T AT p1T A,
1 p1T p2 p1T Ap2 p1T (2 p2 ) 2 p1T p2
4 0 0
例1
解
设A 求004可13逆013阵,P求, 使 0正P交1阵A(P4P,为 使P对)(1角2AP阵6为?对 8角) 阵.
E-A 0
0
3 1P
1
( q13
q
2
(q43
)
)2 (2 1
)
2,
2 3 4.
1 2 的特征向量为 q1 (0,1, 1)T ;
将 q1 (0,1, 1)T 单位化,得: p1 (0,1 , 1 )T .
(1 2 ) p1T p2 0
p1T p2 0 p1与p2正交。
特征值λ 的重数k ≥ λ对应的线性无关的特征向量的个数
定理8
n – R(λE-A) 个
n 阶实对称矩阵 A 的 k 重特征值 λ 所对应的线性
无关的特征向量恰有 k 个。
R (λE-A ) = n- k
实对称矩阵A一定与对角矩阵相似
反之不真
若A 有重特征值, 不能马上断言A 是否与对角阵相似, 这时要看重根对应的特征向量. 只要 k 重特征值正好对应 k 个线性无关的特征向量即可
四、对角化的方法
例1 判断下列实矩阵能否化为对角阵?
1 2 2
2 1 2
(1) A 2 2 4 (2)A 5 3 3
2 4 2
1
为对角矩阵,
即
0
矩阵相似_精品文档
矩阵相似1. 引言矩阵相似是线性代数中一个重要的概念,它在许多领域中有广泛的应用。
矩阵相似性是指两个矩阵具有相同的特征值,相同的特征多项式和相同的秩。
2. 矩阵相似的定义设A和B是两个n阶复矩阵,如果有一个可逆矩阵P,使得P-1AP=B,则称矩阵A和B相似。
其中P-1是矩阵P的逆矩阵。
3. 矩阵相似的性质矩阵相似是一种等价关系,即具有反身性、对称性和传递性。
反身性是指任何矩阵都与它自己相似,对称性是指如果矩阵A与矩阵B 相似,则矩阵B也与矩阵A相似,传递性是指如果矩阵A与矩阵B 相似,矩阵B与矩阵C相似,则矩阵A与矩阵C相似。
4. 矩阵相似与特征值矩阵相似的一个重要性质是两个相似的矩阵具有相同的特征值。
特征值是指矩阵对应的线性方程组Ax=λx中的λ值,其中x是非零向量。
相似的矩阵具有相同的特征值的原因是它们对应的特征多项式相同。
特征多项式是指将矩阵减去λI(其中I是单位矩阵)后的行列式,它的根就是矩阵的特征值。
5. 矩阵相似与秩矩阵相似的另一个性质是两个相似的矩阵具有相同的秩。
秩是指矩阵中线性无关列的最大个数。
由于相似的矩阵具有相同的特征值,所以它们对应的特征向量的个数相同,而特征向量是线性无关的,因此两个相似的矩阵的秩也相同。
6. 矩阵相似与对角化对角化是指将一个矩阵通过相似变换变成对角矩阵的过程。
相似矩阵具有相同的特征值,因此可以通过选择适当的变换矩阵P,使得P-1AP=D,其中D是对角矩阵。
对角矩阵是一个只有主对角线上有非零元素的矩阵。
对角化可以大大简化矩阵的运算,对于一些特定的应用来说非常有用。
7. 应用领域矩阵相似在许多领域中有广泛的应用。
在物理学中,矩阵相似性是量子力学中重要的概念之一,用于描述系统的量子态之间的变换。
在图论中,矩阵相似性与图的同构性密切相关,用于研究网络结构的相似性。
在机器学习和数据挖掘中,矩阵相似性可以用于聚类分析和模式识别。
8. 结论矩阵相似性是线性代数中的一个重要概念,具有许多重要的性质和应用。
矩阵相似的研究
矩阵相似的研究矩阵相似是线性代数中的一个重要概念,它在许多领域中都有着广泛的应用。
本文将从定义、性质、判定和应用等方面对矩阵相似进行研究。
一、定义矩阵相似是指两个矩阵具有相同的特征值和相似的特征向量。
具体来说,对于两个n阶矩阵A和B,如果存在一个可逆矩阵P,使得P^{-1}AP=B,那么我们称矩阵A和B相似。
二、性质1. 矩阵相似是一种等价关系,即满足自反性、对称性和传递性。
2. 相似矩阵具有相同的特征值,但不一定具有相同的特征向量。
3. 相似矩阵具有相同的迹、秩和行列式。
三、判定给定两个矩阵A和B,判断它们是否相似有以下几种方法:1. 比较特征值和特征向量:计算两个矩阵的特征值和特征向量,如果它们完全相同,则可以判定两个矩阵相似。
2. 比较迹、秩和行列式:计算两个矩阵的迹、秩和行列式,如果它们完全相同,则可以判定两个矩阵相似。
3. 使用相似矩阵的定义:找到一个可逆矩阵P,使得P^{-1}AP=B,如果存在这样的P,则可以判定两个矩阵相似。
四、应用矩阵相似在许多领域中都有着广泛的应用,下面列举几个常见的应用:1. 特征值分解:矩阵相似可以将一个矩阵分解为特征值和特征向量的形式,这在信号处理、图像处理等领域中有着重要的应用。
2. 矩阵的对角化:矩阵相似可以将一个矩阵对角化,即将矩阵化为对角矩阵的形式,这在线性代数中有着重要的应用。
3. 矩阵的相似变换:矩阵相似可以表示一个矩阵的相似变换,这在几何变换、物理模型等领域中有着广泛的应用。
矩阵相似是线性代数中的一个重要概念,它具有许多重要的性质和应用。
通过研究矩阵相似,我们可以更好地理解和应用线性代数的知识,为解决实际问题提供了有力的工具。
希望本文对读者对矩阵相似有一定的了解,并能够进一步深入研究和应用。
矩阵相似的性质与应用的研究2
矩阵相似的性质与应用的研究2矩阵相似是一种非常有用的性质,它使得我们能够利用一些简单的矩阵来描述一些复杂的矩阵。
在这里,让我们来看一下矩阵相似的一些性质:(1)矩阵相似具有自反性,即任何矩阵都与自身相似;(2)矩阵相似具有对称性,即若A与B相似,则B与A相似;(4)矩阵相似保持行列式不变;(6)矩阵相似保持特征值不变,即若A与B相似,则它们的特征值相同;(7)矩阵相似保持特征向量不变(方向不变,大小可能变)。
矩阵相似是一种非常有用的数学工具,它在科学、工程和统计学等各个领域都有广泛的应用。
(1)对称矩阵对称矩阵是一类特殊的矩阵,它们的对角线上的元素相等,而且它们的非对角线上的元素是相同的。
对称矩阵还有一个重要的性质,就是它们的特征值是实数。
在实际应用中,对称矩阵广泛存在于物理、工程和化学等领域中,比如说能量矩阵、惯性矩阵、协方差矩阵等等。
(2)正交矩阵正交矩阵是一类非常特殊的矩阵,它的每一行和每一列都是单位向量,而且这些向量是互相垂直的。
正交矩阵也有一个非常重要的性质,就是它们的逆矩阵等于它们的转置矩阵,即A^(-1) = A^T。
在实际应用中,正交矩阵广泛存在于几何、物理、通信和图像处理等领域中。
(3)特征值分解特征值分解是一种非常重要的矩阵分解方法,它将一个方阵分解为它的特征值和特征向量的乘积。
在实际应用中,特征值分解广泛存在于信号处理、数据降维、机器学习和量子计算等领域中,比如说主成分分析(PCA)、奇异值分解(SVD)等等。
总之,矩阵相似是一种非常重要的数学工具,它使得我们能够有效地描述和处理各种复杂的矩阵。
在实际应用中,矩阵相似被广泛应用于各个领域,它为我们提供了一种强大而灵活的数学工具来解决各种实际问题。
- 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)。
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 matrixAbstract:There are a lot of applications about similar matrix. Matrix for further researchis 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引言:矩阵相似的理论是数学分析的重要概念之一,同时也是教学中的难点之一,特别是矩阵相似与可对角化矩阵问题,在各个版本的数学类图书中,往往将这两个问题紧凑的联系在一起。
由于矩阵相似的应用范围相当广泛。
本文主要是从矩阵相似定义以及各种性质的理论基础上直接引入矩阵在微分方程、自动控制理论基础等领域应用的实例并由此进行研究,也使这部分内容能够相互融合起来,更有利于学习者的掌握和应用。
1.矩阵相似的定义与基本性质1.1矩阵相似的定义设A,B 是n 阶方阵,如果存在可逆阵P 使得P -1AP=B,则称矩阵A 与B 相似. 若矩阵A 相似于对角阵,则称A 可相似对角化,即存在可逆阵P 使),,(2,11n diag AP P λλλ =-,n λλ,,1 为A 的n 个特征值.令n m C S ⨯∈为非奇异矩阵,考察矩阵n m CA ⨯∈的线性变换 ASS B 1-= 令线性变换B 的特征值为λ,对应的特征向量为y ,即 y By λ=将式AS S B 1-=代入上式,即有y ASy S λ=-1或)()(Sy Sy A λ=令Sy x =或x S y 1-=,则式)()(Sy Sy A λ=可以写作x Axλ= 比较y By λ=和x Axλ=两式可知,矩阵A 和AS S B 1-=具有相同的特征值,并且矩阵B 的特征向量y 是矩阵A 的特征向量x 的线性变换,即x S y 1-=。
由于矩阵A 和AS S B 1-=的特征值相同,特征向量存在线性变换的关系,所以称这两个矩阵“相似”。
于是:设 A 、B 都是n 阶方阵,若有可逆方阵S ,使BAS S =-1,则称B 是 A 的相似矩阵。
或者说矩阵A 与B 相似。
对A 进行运算 Ap p 1- 称为对A 进行相似变换。
可逆矩阵P 称为把A 变成B 的相似变换阵。
1.2矩阵相似的一些基本性质: 自反性:A A ~。
对称性:B A ~则A B ~。
传递性:B A ~及C B ~可得:C A ~。
如果n 阶矩阵A ,B 相似,则它们有相同的特征值。
但逆命题不成立。
相似矩阵另外的一些特性:1)相似矩阵有相同的秩。
2)相似矩阵的行列式相等。
3)相似矩阵或都可逆,或都不可逆。
当它们可逆时,它们的逆也相似。
4)B A ~则k k B A ~,N k ∈、T T B A ~、11~--B A (若A ,B 均可逆)、B E A E -=-λλ从而A ,B 有相同的特征值。
5).若A 与B 都可对角化,则A 与B 相似的充分条件是A 与B 由相同的特征多项式.6). A 的属于同一特征值i λ的特征向量的线形组合只要不是零向量, 仍是对应i λ的特征向量.7). A 的属于不同特征值的特征向量线形无关.8). 实对称矩阵A 的特征值都是实数,属于不同特征值的特征向量正交. 9). 若λ是实对称矩阵A 的r 重特征值,则A 对应特征值λ恰有r 个线性 无关的特征向量.10).任何一个n 阶复矩阵A 都与一个Jordan 形矩阵J 相似. 11).对n 阶方阵A ,以下三条等价: ⑴A 可对角化;⑵A 有n 个特征值(重根按重数计),且∀r (>1)重特征值λ; ⑶A 有n 个线性无关的特征向量.12).对角化的基本方法有如下两种:特征值法,特征向量法.1.3相似矩阵与若尔当标准形虽然非单纯矩阵不能相似于对角阵,但它能够相似于一个形式上比对角矩阵稍微复杂的若尔当标准形J 。
由于若尔当标准形的独特结构揭示了两个矩阵相似的本质关系,故在数值计算和理论推导中经常采用。
利用它不仅容易求出矩阵A 的乘幂,还可以讨论矩阵函数和矩阵级数,求解矩阵微分方程。
定义:形如111i iii i ii m m J λλλλ⨯⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦ 的方阵称为i m 阶若尔当块。
其中i λ可以是实数,也可以是复数。
定理:矩阵~A B 的充要条件是他们相应的特征矩阵I A I B λλ--。
每个n 阶复矩阵A 都与一个若尔当标准形J 相似,且这个若尔当标准形在不计其中若尔当块的排列次序时,完全有矩阵A 唯一决定。
复矩阵A 可对角化的充要条件是A 的特征矩阵的初等因子全为一次式。
2. 相似矩阵在微分方程中的应用许多实际问题最后都归结为求解微分方程(组)的问题.因此,如何求解微分方程(组)是个很重要的问题.下面举例说明特征值和特征向量,约当标准形在其中的应用.2.1 将常系数线性微分方程组⎝⎛+++=+++=+++=.;;22112222121212121111n nn n n n n n n n u a u a u a dtduu a u a u a dtdu u a u a u a dt du (2-1)写成矩阵形式Au dtdu= (2-2) 其中u=(T n u u u ),,,21 ,n n ij a A *)(=为系数矩阵,令(3-2)式的解u=x e t λ, (2-3)即 (T n u u u ),,,21 =T n t x x x e ),,,(21 λ. 将(2-3)式代入(2-2)得λx e t λ=A x e t λ=Ax e t λ,化简得X AX λ=,即(2-3)式中λ为A 的特征值,X 为λ对应的特征向量;若A 可对角化,则存在n 个线性无关的特征向量,,,,21n x x x 于是得到(2-2)式的n 个线性无关的特解.u 1=111x e t λ, u 2=22x e t λ,, u n =n t x e n λ.它们的线性组合 =u c 1111x e t λ+c222x e t λ+…+cnn t x e n λ,(2-4)(其中n c c c ,,,21 为任意常数)为(2-1)式的一般解,将(2-4)式改写成矩阵形式u=),,,(21n x x x ⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡ttt n e e e λλλ 21⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡n c c c 21, 记 c=(n c c c ,,,21 )T ,Λt e =diag (t t t n e e e λλλ,,,21 ) p=),,,(21n x x x ,则(2-1)式或(2-2)式有一般解c pe u t ∆=(2-5) 对于初值问题⎪⎩⎪⎨⎧==∆=00,u t u u dt du(2-6) 解为01u p pe u t -∆=(2-7)因为t=0代入(2-5)式得 c=01u p -.例2 解线性常系数微分方程组⎪⎪⎪⎩⎪⎪⎪⎨⎧+-=+-=+=.2;54;313212211x x dt dx x x dt dx x x dt dx 已知初始值为: .2)0(,1)0(,1)0(321=-==x x x解 本题的初始值问题为⎪⎩⎪⎨⎧-===Tx x Axdt dx)2,1,1()0(0其中 110450102A ⎡⎤⎢⎥=-⎢⎥⎢⎥⎣⎦,可得A 的约当标准形,即有可逆矩阵 P =012025111⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦ ,使⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡==-3001300021J AP P . 由(2-7)式,该初值问题的解为01x P Pe X tJ -=(2-8)其中 ,!)(!2)(2 +++++=n tJ tJ tJ I e ntJ(2-9)⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=-n n n n n nn C J 30033000230013000211 (2-10)将(2-10)式代入(2-9)式得⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=t t t t tJ e te ee e 333200000 (2-11)再将(2-11)式及1,-P P 代入(2-8)式得⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-+----=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=t t tt t t t te t e e t e t e te e et x t x t x x 32333332321)34(2)61()31(21101202511300000111520210)()()( 2.2 对于n 阶线性齐次常系数微分方程1111()()()()0n n n n n n d x t d x t dx t a a a x t dt dtdt---++++=(2-12) 可令2112321,,,,n n n dx d xd xx x x x x dt dtdt--==== 于是可得与方程(2-12)同解的方程组12231121n n n ndx x dt dx x dt dx a x a x a x dt-⎧=⎪⎪⎪=⎪⎨⎪⎪⎪=----⎪⎩(2-13)式(2-13)可写成矩阵形式dXAX dt=(2-14) 其中12(,,)T n X x x x =,12(,,,)T n dx dx dx dXdt dt dt dt=, 11010000001n n A a a a -=⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥---⎣⎦于是这类微分方程可以归纳为等价的线性微分方程组,然后再利用特征值和特征向量求解.例2.求解微分方程323234120d x d x dxx dt dt dt--+=(2-15)解 令21232,,x x dx d xx x dt dt===于是(2-15)式可变成等价的方程组122331231243dx x dt dx x dt dx x x x dt ⎧=⎪⎪⎪=⎨⎪⎪=-++⎪⎩即dXAX dt= 其中 123(,,)T X x x x =,312(,,)T dx dx dx dX dt dt dt dt=,010*******A ⎡⎤⎢⎥=⎢⎥⎢⎥-⎣⎦可求得A 的特征值为1233,2,2λλλ===-,对应的特征向量分别为123(1,3,9),(1,2,4),(1,2,4)T T T X X X ===-于是由上例知,312112233t tt X C C C X eX e X e λλλ=++322123111322944t t t C C C e e e -⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥=++-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦从而3221123t t t C C C x x e e e -==++ 其中(1,2,3)i C i =为任意常数.3 相似矩阵在现实生活中的应用例3.污染与环境发展的增长模型——发展与环境已成为21世纪各国政府关注的重点,为了定量分析污染与工业发展间的关系,我们可提出以下的工业增长模型:解 设x 0是某地区目前的污染水平(以空气或河湖水质的某种污染指数为测量单位),y 0是目前的工业发展水平(以某种工业发展指数为测量单位),以5年作为一个期间,第t 个期间的污染和工业发展水平分别记为x t 和y t ,它们之间的关系是:1111322t t t t t t x x y y x y ----=+⎧⎨=+⎩t=1,2,…(3-1)记 A=⎥⎦⎤⎢⎣⎡2213 , ⎥⎦⎤⎢⎣⎡=t t t y x α , 则(3-1)的矩阵形式为 ,1-=t t A αα t=1,2,… (3-2)如果已知该地区目前(亦称为基年)的污染和工业发展水平0α=[],00Ty x 利用(3-2)就可以预测第k 个期间该地区的污染和工业发展水平k α,这是因为由(3-2)可得.,,,0021201αααααααk k A A A A ====这表明k α可通过k A 求得,为此考察A 能否对角化,计算出A 的特征多项式.()f λ=|A E -λ|=)4)(1(2213--=----λλλλ由A 有2个相异的特征值1和4知,A 能对角化,所以可用性质来计算k A . 对于11=λ,解,0)(=-X A E 可得A 属于1的一个特征向量[].211T=ξ对于,42=λ解,0)4(=-X A E 可得A 属于4的一个特征向量[].112T=ξ令[],21ξξ=P 有A=[].411-P Pdiag[],424*22414*213112113140011211411⎥⎥⎦⎤⎢⎢⎣⎡++-+-+=⎥⎦⎤⎢⎣⎡-⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡-==-k k k k k kkPPdiag A 所以 kα=⎥⎥⎦⎤⎢⎢⎣⎡+++-+-++=00000)42()4*22()41()4*21(31y x y x A kk kk kα (3-3)就是所要的预测结果,对不同的0α值代入(4-3)即可求得k α.例如:若[]T110=α,有[]Tk kk 44=α,(实际上此时0α就是属于4的特征向量,所以[]);44400Tk kk k k A ===ααα若[],210T=α有[].42413111Tk k k +++-+-=α这些都表明,尽管工业发展水平可以达到相当高的程度,但照此模式发展,环境污染不容忽视.例 4. 人口流动模型——假设某省城人口总数保持不变,每年有20%的农村人口流入城镇,有10%的城镇人口流入农村.试问该省城人口与农村人口的分布最终是否会趋向一个“稳定状态”?为解答这个问题,可设该省城人口总数为m,从今年开始,第k 年该省城的城镇人口和农村人口分别设为k x ,k y ,据题意有11110.90.20.10.8k k k kk k x x y y x y ----=+⎧⎨=+⎩ 即0.90.20.10.8A ⎡⎤=⎢⎥⎣⎦ k k k x y α⎡⎤=⎢⎥⎣⎦则 110()k k k k A A A A αααα--====为计算k A ,仍考察A 能否对角化.计算出A 的特征多项式0.90.2()(1)(0.7)0.10.8f E A λλλλλλ--=-==----由于A 有2个相异的特征值1和0.7知,A 能对角化,所以可用性质来计算k A . 对于11λ=解()0E A X -=可得A 属于1的一个特征向量[]121Tξ=; 对于20.7λ=解(0.7)0E A X -=可得A 属于0.7的一个特征向量[]211Tξ=-. 令[]12P ξξ=,有1[10.7]A Pdiag P -=,11(0.7)k k A Pdiag P -⎡⎤=⎣⎦1021112(0.7)22*(0.7)111112330(0.7)1(0.7)12*(0.7)k k k k k ⎡⎤+-⎡⎤⎡⎤⎡⎤==⎢⎥⎢⎥⎢⎥⎢⎥---+⎣⎦⎣⎦⎣⎦⎣⎦利用 00x y m +=,可得00000002(0.7)22*(0.7)131(0.7)12*(0.7)2(2)(0.7)13(2)(0.7)k kkk k k kk x A y m x y m x y αα⎡⎤+-⎡⎤==⎢⎥⎢⎥-+⎣⎦⎣⎦⎡⎤+-=⎢⎥--⎢⎥⎣⎦从而有000021(2)(0.7)3311(2)(0.7)33k k kk x m x y y m x y ⎧=+-⎪⎪⎨⎪=--⎪⎩数列{}{},k k x y 的极限为21lim ,lim 33k k k k x m y m →∞→∞== 这表明该省城的城镇人口与农村人口的分布会趋于一个“稳定状态”:大约有23为城镇人口,13为农村人口.4.矩阵相似在代数方面的应用.例5.某实验性生产线每年一月份进行熟练工与非熟练工的人数统计,然后将61熟练工支援其他生产部门,其缺额由招收新的非熟练工补齐。