中科院矩阵分析_第五章
矩阵讲义全
本课程的说明:矩阵分析理论是在线性代数的基础上推广的(数学是在已有的基础理论上模仿,推广而发展的。
要大胆猜想,小心证明!) 矩阵分析理论的组成:四部分:一、基础知识(包括书上的前三章内容)重点、难点:约当标准形与多项式矩阵,矩阵的分解等; 二、矩阵分析(第四章:矩阵函数及其应用)重点、难点:范数,矩阵幂级数,微分方程组; 三、矩阵特征值的估计(第五章)重点、难点:Gerschgorin 圆盘定理;广义逆矩阵; 四、非负矩阵(第六章)(注:不讲)重点、难点:基本不等式,素矩阵,随机矩阵等。
§1 线性空间与度量空间一、线性空间: 1.数域:Df 1:若复数的一个非空集合P 含有非零的数,且其中任意两数的和、差、积、商(除数不为0)仍在这个集合中,则称数集P 为一个数域 eg 1:Q (有理数),R (实数),C (复数),Z (整数),N (自然数)中哪些是数域?哪些不是数域? 2.线性空间— 设P 是一个数域,V 是一个非空集合,若满足:<1> 可加性—指在V 上定义了一个二元运算(加法)即:V ∈∀βα, 经过该运算总存在唯一的元素V ∈γ与之对应,称γ为α与β的和,记βαγ+= 并满足:① αββα+=+② )()(γβαγβα++=++ ③ 零元素—=有θαθααθ+∈∀∈∃Vt s V .(线性空间必含θ)。
④ αβαβθβααβ-+∈∀∈∃=记的负元素为=有对V V<2> 数积:(数乘运算)—在P 与V 之间定义了另一种运算。
即V P k ∈∈∀α,经该运算后所得结果,仍为V 中一个唯一确定的元素(存在唯一确定的元素V ∈δ与之对应),称δ为k 与α的乘积。
记为αδk =并满足:① αα=⋅1② P l k ∈∀, αα)()(kl l k = ③ P l k ∈∀, αααl k l k +=+)( ④ γβα∈∀, βαβαk k k +=+)(则称V 为数域P 上的线性空间(向量空间)记为)...(∙+P V 习惯上V 中的元素—向量, θ—零向量, 负元素—负向量结论:可以证明,线性空间中的零向量是唯一的,负元素也是唯一的,且有:θα=⋅0 θθ=⋅k αα-=⋅-)1( )(βαβα-+=-eg2:}{阶矩阵是n m A A V ⨯= P —实数域R按照矩阵的加法和数与矩阵的乘法,就构成实数域R 上的线性空间,记为:n m R ⨯同样,若V 为n 维向量,则可构成R 上的n 维向量空间n R —线性空间。
中科院矩阵分析chapt3
矩阵分析及其应用 3.1矩阵序列定义3.1设矩阵序列{A (k )},其中A(k)=( a (k )) C m n ,当k a j" a u 时,称矩阵序列{A (k)}收敛,并称矩阵 A=( a ij )为矩 阵序列{A (k)}的极限,或称{A (k)}收敛于A,记为lim A (k)A 或 A (k) Ak不收敛的矩阵序列称为发散的。
由定义,矩阵序列 A (k )发散的充要条件为存在 j 使得数列a (k)发散。
类似地,我们可以定义矩阵收敛的 Cauchy 定义 定义3.1'矩阵序列{A (k)}收敛的充要条件为 对任给>0存在N(),当k, l N()时有 ||A (k) A (l)|| <其中||.|为任意的广义矩阵范数。
sin 』)n nsin(k)如果直接按定义我们因为求不出 A (n)的极限从而从而只要I 充分大,则当m, n > l 时就有sin(k)k 2这样A (l)收敛。
定理3.1 A (k) A 的充要条件为 ||A (k) A|| 0证明:利用广义矩阵范数的等价性定理,仅对 范数可以证明。
即c 1ILA (k) A||||A (k) AII C 2 ||A (k) AII 性质 0 若 A (k)A ,则 ||A (k) II IIAII 成立。
性质 1. 设 A (k)A m n ,B (k) B m n , 则A (k)+ B(k) A+ B , ,C 性质 2. 设 A (k)A m n ,B (k )B n l ,贝UA (k)B (k)A B证明:由于矩阵范数地等价性,我们可以只讨论相容的 矩阵范数。
||A (k )B (k) A B|| || A (k) B (k) A B (k)||+||AB (k)A B|||| A (k) A|| ||B (k)||+||A||||B (k) B||例 1 A (n)k m 1k(k 1)相反,由于注意||B(k)|| ||B||,则结论可得。
矩阵分析第5章课件
第五章 向量与矩阵范数 前言
• 向量与矩阵范数是向量与矩阵的一个重要数 字特征---用它可以建立向量集或矩阵集的 拓扑结构,从而便于研究向量或矩阵序列,向 量或矩阵级数的收敛性质.因此,这一章的理 论在数值分析及其它领域中十分有用. • 本章是本课程重点内容之一.所有5节都要认 真学好.最后一节(矩阵幂级数)是研究矩阵 函数的重要工具.
Holder不等式与Minkowski不等式
• 下面两个不等式对本章的理论推导十分有用 • Holder不等式:对任意给定p>1和q=p/(p-1) (>1,即(1/p)+(1/q)=1)及任意ak,bk0成立 k=1nakbk (k=1nakp)1/p(k=1nbkp)1/p. (C-S不等式为其(p=2时)特例) • Minkowski不等式:对任意给定p1成立 (k=1n|ak+bk|p)1/p (k=1n|ak|p)1/p+(k=1n|bk|p)1/p
ACmn 定义 ‖A‖= maxi,k|aik| 则‖A‖显然是向量范数(向量的无穷大范数),但它 不是矩阵范数,反例如下:
1 1 1 1 1 2 A 1 1 , B 0 1 , AB 1 2
x第五章矩阵分析及其应用
2021/3/6
1
虽然在微积分开端时期贝克莱将无穷小称 为“上帝的幽灵”,进而导致“第二次数 学危机”,直到柯西的“极限论”和戴德 金等的“实数理论”的出现危机才算彻底 解决。但微积分在近代社会的巨大作用我 们早已深有体会,将微积分中的极限、导 数、积分、级数等分析思想和方法应用于 矩阵的研究,自然就在情理之中。
|| x ||2
| x1 |2 | x2 |2
| xn |2
定义的|| ||2 是 F n上的向量范数,称为2-范数或 l2
范数,也称为 Euclid 范数。
2021/3/6
10
例 7 对任意 x
|| x ||p
( x1, x2 , , xn )T
1/ p n
| xi |p , p
i1
C n ,由
从而有
A UΛU H U Λ ΛU H BBH
此时
|| x ||A xH Ax xH BH Bx (Bx)H Bx || Bx ||2
因此对任意 y C n , || x y ||A || B( x y) ||2
2021/3/6
|| Bx ||2 || By ||2 || x ||A || y ||A
2021/3/6
24
例 14 (模式识别中的模式分类问题) 模式分类的问题指的是根据已知类型属性的观测样本
的模式向量 s1, , sM ,判断未知类型属性的模式 向量 x 归属于哪一类模式。其基本思想是根据 x 与 模式样本向量 si 的相似度大小作出判断。
最简单的方法是用两向量之间的距离来表示相似度, 距离越小,相似度越大。最典型的是Euclidean距离
22
一般地,由于 A 是Hermite正定矩阵,从而存在
《矩阵分析》(第3版)史荣昌,魏丰.第五章课后习题答案
第五章 范数、序列、级数(详解)5-1 解:需要验证给出的公式满足矩阵范数的四个性质。
非负性与齐次性容易验证,先证三角不等式。
若()m nij b C⨯=∈B ,则()11111111mnij iji j mnij iji j mnmnij iji j i j a b a b a b ========+=+≤+=+=+∑∑∑∑∑∑∑∑A B A B最后证矩阵乘法的相容性。
若()m nij a C⨯=∈A ,()m n ij b C ⨯=∈B ,则11111111111111()()()()pmnik kji j k pmnik kji j k ppmnik kji j k k p pm n ik kj i k j k a b a b a b a b ===============≤⎡⎤≤⎢⎥⎣⎦==∑∑∑∑∑∑∑∑∑∑∑∑∑∑AB AB因此所给计算公式的确是矩阵范数。
5-2 解:因为1122222111(),()m nnij i Fi j i a x x =====∑∑∑A根据H lder ö不等式 22211221112222111()()()()m nij ji j mn n ij j i j j m nnij j FFi j j a x a x a x =========⎡⎤≤⎢⎥⎣⎦==∑∑∑∑∑∑∑∑Ax Ax于是22xF≤A Ax5-3 解:取(1,0,,0)T =α ,设12(,,,)T n x x x =x ,则1222*1()nHi i x ====∑x x αx范数是矩阵理论的一个重要概念,在许多方面有广泛应用。
5-4 解:1(1)01k k ⎡⎤=⎢⎥⎣⎦A ,故lim kk →∞A 发散。
(2)A 的特征值12==0.91λλ<,故k A 收敛,且lim 0k k →∞=A 。
1100(3)00.90.9000.9k kk k k -⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦A 由于lim 0.90kk →∞=,1lim 0.90k k -→∞=故kA 收敛,且100lim 000000k k →∞⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦A(4)由于10.91=<A ,k A 收敛,且lim 0k k →∞=A5-5 解:由于111()()()0234λλλλ-=---=E A ,所以A 有三个不同特征值123111,,234λλλ===。
第五章矩阵分析
一般地,对于任何不小于1的正数 p , 向量
x x1, x2 ,, xn T 的函数
1
x
p
n i1
xi
p p
也构成向量范数,称为向量的P-范数。
由 p 范数的存在,可知向量的范数有无穷多种,而且,向量的范数并不
仅限于 p 范数.在验证向量的范数定义中,三角不等式的过程中常涉及到两 个著名的不等式,即: 1、Hölder 不等式 设正实数 p, q 满足 1 1 1, 则对任意的 x, y Cn , 有
有了谱半径的概念,可以对矩阵范数作如下的初步估计.
定理 6 设 A C nn ,则对 C nn 上的任一矩阵范数 ,皆有
( A) A
证 设 是 A 的特征值, x 为 A 的属于特征值 的特征向量,故 x 0 ,所 以 x 0 .另设 是 Cn 上与矩阵范数 相容的向量范数,由 Ax x ,应有
则有正实数 C1,C2 , 使对一切矩阵 A 恒有
C1
A
A
C2
A
第二节 向量与矩阵序列的收敛性
定义5:设有向量序列xk : xk x1(k) , x2(k) ,, xn(k) T ,
如果对i 1,2,, n ,
数列
x(k) i
均收敛且有lim k
xi( k
)
xi
则说向量序列xk 收敛,如记 x (x1, x2,...,xn)T ,
k
xi(k
)
xi
i 1,2,...,n
lim
k
xi(k )
xi
0,
i 1,2,...,n
lim
k
max
1in
xi(k
)
xi
中科院矩阵分析课件.doc
矩阵分析及其应用3.1矩阵序列定义3.1设矩阵序列{应)},其中A«)=(#))£Cms,当k—oo, 佝时,称矩阵序列{A00}收敛,并称矩阵A=(佝)为矩阵序列{A00}的极限,或称{A00}收敛于A,记为lim A a)= A或A,k)-> A ks不收敛的矩阵序列称为发散的。
由定义,矩阵序列A(k)发散的充要条件为存在ij使得数列站发散。
类似地,我们可以定义矩阵收敛的Cauchy定义定义31矩阵序列{A00}收敛的充要条件为对任给£>0存在N(E),当k,l> N(E)时有IIA(k)-A(/)ll < £其中11.11为任意的广义矩阵范数。
例 1 A(n)e~nsin(-)n y,sin(R) k=l K 7如果直接按定义我们因为求不出A㈤的极限从而很难应用定义3.1证明收敛。
相反,由于t^< t^<v 1/m从而只要/充分大,则当m, n > /时就有nz sin(A)这样A")收定理3.1 A(k)->A的充要条件为HA'10-AII T O证明:利用广义矩阵范数的等价性定理,仅对co范数可以证明。
即ci IIA(k) -AIL < IIA(k) -All< c2 IIA(k) -AIL性质 1.设A(k,—> A mxn, B,k,—> B mxn>则a- A(k)+P • B(k) -> a- A+P B, V a,PeC性质2.设A(k)—> A mxn, B,k)—> B nx/,则A(k)由如一A B证明:由于矩阵范数地等价性,我们E以只讨论相容的矩阵范数。
IIA(k).B(k)-A-BII < II A(k) -B(k) -A-B(k)ll+IIAB(k)- A-BII<IIA(k)-AII-IIB(k)ll+IIAIMIB(k)-BII注意IIB(k)||_||BII,则结论可得。
中科院学习课件 矩阵分析与应用 6lineartransform
Li Bao bin | UCAS
3 / 34
Linear Transformations | Introduction
If V is the space of all continuous functions from R into R, then the x mapping defined by T(f ) = 0 f (t)dt is a linear operator on V because
Li Bao bin | UCAS
11 / 34
Linear Transformations | Introduction
For T ∈ L(U , V ) and L ∈ L(V , W ), the composition of L with T is defined to be the function C : U → W such that C(x) = L (T(x)). This composition denoted by C(x) = LT, is also a linear transformation because C(αx + y) = L (T(αx + y)) = L (αT(x) + T(y)) = αL (αT(x)) + L (T(y)) = αC(x) + C(y). If B, B and B are bases for U , V and W , respectively, then C must have a coordinate matrix representation with respect to (B, B ). So it’s only natural to ask how [C]BB is related to [L]B B and [T]BB : [C]BB = [L]/ 34
矩阵分析课件精品PPT
典型例题解析
例1
求矩阵A的特征值和特征向量,其中A=[[3,1],[2,2]]。
例2
已知矩阵A的特征值为λ1=2, λ2=3,对应的特征向量为 α1=[1,1]T, α2=[1,-1]T,求矩阵A。
解析
首先求出矩阵A的特征多项式为f(λ)=(λ-1)(λ-4),解得特 征值为λ1=1, λ2=4。然后分别将特征值代入(A-λI)x=0求 解对应的特征向量。
应用举例
通过克拉默法则求解二元、三元线性方程组,并验证解的正确性 。
典型例题解析
01
例题1
求解三元线性方程组,通过高斯消元 法得到增广矩阵的上三角形式,然后 回代求解未知数列向量x。
02
03
例题2
例题3
判断四元线性方程组的解的情况,通 过计算系数矩阵的行列式|A|以及替换 列向量后的矩阵行列式|Ai|,根据克 拉默法则判断方程组的解是唯一解、 无解还是无穷多解。
特殊类型矩阵介绍
01
02
03
04
方阵
行数和列数相等的矩阵称为方 阵。
零矩阵
所有元素都是零的矩阵称为零 矩阵。
对角矩阵
除主对角线外的元素全为零的 方阵称为对角矩阵。
单位矩阵
主对角线上的元素全为1,其 余元素全为0的方阵称为单位 矩阵。
矩阵性质总结
Байду номын сангаас
01
结合律
02
交换律
03 分配律
04
数乘结合律
数乘分配律
• 对于每一个特征值m,求出齐次线性方程组(A-mI)x=0的一个基础解系,则A对应于特征值m的全部特征向量(其中I是与A 同阶的单位矩阵)。
特征值和特征向量求解方法
中科院矩阵分析_第五章
第五章特征值的估计及对称矩阵的极性本章主要讨论数值代数中的三个特殊理论,即特征值的估计广义特征值问题实对称矩阵(一般是Hermite矩阵)特征值的极小极大原理,其次也涉及到一些特征值和奇异值的扰动问题,最后简要地介绍矩阵直积的一些性质及其在线性矩阵方程求解方面的应用。
这几方面的内容,在矩阵的理论研究与实际应用当中都有着相当重要的作用。
5.1特征值的估计一、特征值的界首先给出直接估计矩阵特征值模的上界的一些方法定理 5.1 设A=(a rs) R n X1,令1 , ,M= ma彷总a sr|若表示A任一特征值,则的虚部Im()满足不等式|Im( )| M n(n21)|Im( )| ||A A T||2 / 2|Im( )| ||A A T||1n /2.证明:设x+i y为对应于的A的特征向量, 则A(x+i y)=( + i)(x+i y)其中=+ i.显然x,y为实向量,且x,y为线性无关的向量。
经整理A(x,y)=(x,y)B,其中B= 从而(x,y) T A(x,y)=(x,y) T(x,y)B展开有i 1 j iTT X y X X T T y yy X (求等式两边矩阵的对角元之和,可得 (x T x+y T y)=x T Ax+y T Ay(1) 等式两边矩阵的左上角单元减去右下角单元 可得:(x T x+y T y)=x T (A A T )y1) . 记 B=A A T ,则 |x T By| ||x||2||B||2||y||2 从而 1 1 1凶|2||B||2||y||2 /((||x||2)2 +(||y|2)2)利用 ab/(a 2+b 2) 1/2 可得 | | ||B||2 /2.2) .由于 |x T By| ||B X ||I ||y|| ||B||i ||X ||I ||y||从而 | | ||B||i ||x||i ||y|| /((||X |2)2 +(||y||2)2)易证明 ||x||i ||y|| /((||X ||2)2 +(||y||2) 2)n /2.(显然,不妨假设(||X ||2)2 +(||y||2)2=1,设HyH =t=cos (),则y 必为t e 的形式(为什么?) 从而极值转化为求解如下最大值问题:max ||X ||1,满足约束(||X ||2)2=1 t 2这样有均值不等式 ||x|h i n ||X ||2= 、、n (1 t 2)1/2,从而我们需要求解t(1 t 2)1/2的最大值,设t=cos() 可得t(1 t 2)1/2的最大值为1/2.从而得证。
矩阵论第五章答案
k =0 k =0 k =0
∞
∞
N
N
N
(k )
∞
∑ PA
k =0
∞
Q = lim S ( N ) = P ( lim ∑ A ( k ) )Q = PSQ = P (∑ A ( k ) )Q
N →∞ N →∞ k =0 k =0
∞ ∞
即 ∑ PA ( k ) Q 也 收 敛 . 如 果 ∑ A ( k ) 绝 对 收 敛 , 则 ∑ A ( k ) 收 敛 . 又 由 于
1 2 1 3 1 A + A + L + An + L 2! 3! n!
1 ⎛1 1 ⎞ = I + A + A 2 ⎜ + + L + + L⎟ n! ⎝ 2! 3! ⎠ 2 = I + A + (e − 2)A sin A = A − 1 3 1 5 1 k A + A + L + (− 1) A 2 k +1 + L (2k + 1)! 3! 5!
2024版第5章矩阵分析ppt课件
矩阵函数以及矩阵微分方程等问题时,都可以利用若尔当标准型来简化
计算。
05
二次型及其标准型
二次型定义及性质
二次型定义
对称性
线性变换下的不变性
二次型的值
二次型是n个变量的二次多项式, 其一般形式为$f(x_1, x_2, ..., x_n) = sum_{i=1}^{n}sum_{ j=1}^{n} a_{ij}x_ix_j$,其中$a_{ij}$为常 数,且$a_{ij} = a_{ ji}$。
若尔当标准型简介
01
若尔当标准型定义
对于任意一个n阶方阵A,都存在一个可逆矩阵P,使得$P^{-1}AP=J$
为若尔当标准型,其中J由若干个若尔当块组成。
02
若尔当块
一个若尔当块是一个上三角矩阵,它的对角线上的元素相等,且对角线
上方的元素或者是1,或者是0。
03
若尔当标准型的应用
若尔当标准型在矩阵分析中有着广泛的应用,例如在求解矩阵的高次幂、
矩阵性质总结
结合律 $(AB)C = A(BC)$。
数乘结合律 $(kA)(lB) = kl(AB)$。
分配律
$(A + B)C = AC + BC, C(A + B) = CA + CB$。
数乘分配律
$(k + l)A = kA + lA, k(A + B) = kA + kB$。
02
矩阵变换与等价类
求解过程
先求出矩阵A的特征值,然后将其代 入(A-λE)X=0,解出对应的特征向量。
特征值和特征向量在矩阵分析中的应用
判断矩阵是否可对角化
如果矩阵A有n个线性无关的特征向量,则A可对角化。
矩阵分析及其应用
第五章 矩阵分析及其应用知识要点:1、矩阵序列(收敛性,有界性,四则运算,收敛矩阵)2、矩阵级数(绝对收敛,幂级数,收敛半径)3、矩阵函数(定义,利用Cayley Hamilton -定理的级数求和法,利用Jordan 标准型的相似变换法,利用矩阵谱的待定系数法)4、矩阵微积分(单变量函数矩阵的微分与积分,矩阵函数的微分与积分,矩阵指数函数)5、矩阵分析的应用(常系数线性微分方程组,变系数线性微分方程组,2元信号检测,匹配滤波,梯度分析与最优化)§5.1 矩阵序列一、矩阵序列收敛的概念定义1:设有矩阵序列()(),1,2,k n nk ij A a Ck ⨯=∈= ,若当k →∞时,0k A A -→,则称矩阵序列{}k A 收敛于极限()n nij A a C ⨯=∈,记作k A A →。
不收敛的矩阵序列称为发散的。
定理1:k A A →的充要条件是()k ij ij a a →,即按元素位置收敛。
注:若以定理的结论为矩阵序列收敛的定义,则有结论:存在某矩阵范数⋅,使得k →∞时,0k A A -→。
推论1:0k A →的充要条件是()0k ij a →。
二、矩阵序列收敛的性质性质:设k A A →,k B B →,则有 1、,C αβ∀∈,k k A B A B αβαβ+→+; 2、k k A B AB →;3、11k A A --→(假设1A -存在)。
定义2:如果存在常数0M >,使得对一切k 都()k ij a M <,则称矩阵序列{}k A 有界。
定理2:收敛的矩阵序列必有界。
定理3:有界矩阵序列{}k A 必有收敛的子序列{}s k A 。
定理4:矩阵序列{}k A 有界的充分必要条件为存在常数0M >,使得k A M ≤。
三、收敛矩阵定义3:设A 为方阵、且当k →∞时有0k A →,则称A 为收敛矩阵。
定理5:0k A → (k →∞)的充要条件是A 的谱半径()1A max ρλ=<,即所有特征值的模小于1。
矩阵分析第五章
例1:矩阵A 的Frobenius范数与向量2-范数相容
(∑ ∑ ) (∑ ) A = F
m i =1
n|
j =1
aij
|2
1/ 2
,
x= 2
n|
j =1
xj
|2
1/ 2
∑ ∑ ∑ ∑ ∑ Ax 2 = 2
m i =1
a x n
j =1 ij j
2
≤
(4) 矩阵乘法相容性: ||AB|| ≤ ||A|| ||B||, ∀A, B: AB可相乘
则称实数||A||为矩阵A的范数.
∑ ∑ 例1:A =(aij)∈Cm×n, 定义 A =
m i =1
n|
j =1
aij
|
是A的范数,
是向量1-范数的推广
证明:(1)(2)(3)自然满足, 只需验证(4).
∑ (1) 若A = (α1, α2, L, αn), 则
A2 = F
α n
2
i=1 i 2 ;
∑ (2) A 2 = trace( AH A) = F
n i =1
λi
(
AH
A)
(3)
∀U
∈
U
m×m m
,
V
∈U
n×n n
,
A = UA = AH = AV = UAV
F
F
F
F
F
( ) ( ) 证明(3): UA 2 = trace (UA)H (UA) = trace AH (U HU ) A
+
b n
k =1 k
ak
+ bk
矩阵理论第五章课后习题解答
第五章课后习题解答1. 设000c c=cc c c A .讨论c 取何值时A 为收敛矩阵. 解:由于()()22c cλ=cc c c c c λλλλλ-----=+---3E A ,所以A 的特征值为12c λ=,23c λλ==-,于是=A ()2r c ,而矩阵A 收敛的充要条件是<A ()1r 即1122c -<<. 2. 若()lim k k →∞=AA ,证明()lim k k →∞=A A ,其中(),k m n ⨯∈A A C , 为m n ⨯C 中的任何一种矩阵范数,并问该命题的逆命题是否成立,为什么?证:由于()()lim lim 0k k k k →∞→∞=⇔-=AA A A ,再利用矩阵范数的三角不等式推知()()k k -≤-AA A A ,所以有()lim 0k k →∞-=A A ,即()lim k k →∞=AA .该命题的逆命题不成立,例如取⎛⎫- ⎪= ⎪ ⎪⎝⎭A ()1(1)10k k k ,⎛⎫= ⎪⎝⎭A 1010,并取矩阵范数为Frobenius范数,则有→∞→∞===A A ()lim limk k k ,但→∞A ()lim k k 不存在,所以→∞≠AA ()lim k k .3. 设()()()(),,lim lim k m n k n l k k k k ⨯⨯→∞→∞∈∈==AC B C A A,B B,证明()()lim k k k →∞=A B AB .证:→∞→∞=⇔-=A BAB A B AB ()()()()lim lim 0k k k k k k ,利用矩阵范数的性质有-=-+-A BAB A B AB AB AB ()()()()()()k k k k k k≤-+-AA B A B B ()()()()()k k k≤-+-B A A A B B ()()()()k k k由已知条件→∞→∞==AA B B ()()lim ,lim k k k k 及第2题结论知→∞-=A A ()lim 0,k k→∞-=B B ()lim 0k k ,→∞=B B ()lim k k .由此可见上面不等式的右边趋于0, 所以→∞-=A B AB ()()lim 0k k k .4. 设()()()1lim ()k n n k k k ⨯-→∞∈=AC ,A A,A 和1-A 都存在,证明()11lim()k k --→∞=A A .证:记adj A 为矩阵A 的伴随矩阵,ij A 为A 中元素ij a 的代数余子式,则()()1()adj ()det k k k -=A A A, 其中adj ⎛⎫ ⎪ ⎪= ⎪ ⎪ ⎪⎝⎭A A A A A A A A A A ()()()11211()()()()12222()()()12.k k k n k k k k n k k k nn nn易知(k)ij A 是A ()k 中元素的1n -次多项式,由多项式函数的连续性知(k)ij ij =A →∞A lim k ,故adj adj →∞=AA ()lim k k .同理d e t A ()k 是A ()k 中元素的n 次多项式,所以det det →∞=≠AA ()lim 0k k ,于是adj adj det det --→∞→∞===A A A A AA ()()11()lim ()lim k k k k k . 5. 设矩阵级数∞=∑A ()k k收敛(绝对收敛),证明()k k ∞=∑PAQ 也收敛(绝对收敛),且 ()()00k k k k ∞∞==⎛⎫= ⎪⎝⎭∑∑PA Q P A Q , 其中()k m n s m n l ⨯⨯⨯∈∈∈AC ,P C ,Q C .证:记 ()()()0()N NN k k k k ====∑∑SPA Q P A Q ,于是()()()()0lim (lim )()N k N k k N N k k k ∞∞→∞→∞======∑∑∑PAQ SP A Q P A Q可见若∞=∑A ()k k收敛,则()k k ∞=∑PAQ 也收敛.如果()k k ∞=∑A绝对收敛,则()0k k ∞=∑A 收敛.又由于≤≤PA Q PA Q A ()()()k k k c ,其中c 是与k 无关的正常数,由比较判别法知()k k ∞=∑PA Q 收敛,故()0k k ∞=∑PA Q 也绝对收敛.6. 讨论下列幂级数的敛散性:⑴ 2117113kk k ∞=⎛⎫ ⎪--⎝⎭∑; ⑵ 018216kkk k ∞=-⎛⎫⎪-⎝⎭∑. 解: (1) 设1713⎡⎤=⎢⎥--⎣⎦A可求得A 的特征值为221-==λλ,所以=A ()2r . 幂级数∑∞=121k k x k的收敛半径为1)1(lim lim 221=+==∞→+∞→k k a a r k k k k . 由=>A ()2r r 知矩阵幂级数211k k k∞=∑A 发散.(2) 设1821-⎡⎤=⎢⎥-⎣⎦B ,可求得B 的特征值为31-=λ,52=λ,所以()=B 5r .又因幂级数∑∞=06k kk x k 的收敛半径 6166lim lim 11=+==+∞→+∞→k k a a r k k k k k k ,<B ()r r ,所以矩阵幂级数06kkk k ∞=∑B 绝对收敛. 7. 计算00.10.70.30.6kk ∞=⎛⎫⎪⎝⎭∑.解:设0.10.70.30.6⎡⎤=⎢⎥⎣⎦A ,由于0.91∞=<A ,故矩阵幂级数0kk ∞=∑A 收敛,且其和为1472()393-⎡⎤-=⎢⎥⎣⎦E A . 8. 设,n n⨯∈=A B C,AB BA ,证明sin()sin cos cos sin cos()cos cos sin sin +=++=-A B A B A B,A B A B A B .证:由=AB BA ,有e e e +=A B A B,()()11sin()()()22i i i i i i e e e e e e i i +-+--+=-=-A B A B A B A B A B 1[(cos sin )(cos sin )(cos sin )(cos sin )]2i i i i i=++---A A B B A A B Bsin cos cos sin =+A B A B同理可证:cos()cos cos sin sin +=-A B A B A B .9. 设210001010⎛⎫ ⎪= ⎪ ⎪⎝⎭A ,求te A ,sin t A .解:()()()31120λλλλ-=+--=E A求得A 的特征值为11-=λ,12=λ,23=λ,于是存在可逆矩阵111310310-⎡⎤⎢⎥=-⎢⎥⎢⎥⎣⎦P ,101110336642--⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦P 使得1112--⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦P AP . 再根据矩阵函数值公式得 ()21,,t t t t e diag e e e --=A P P⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡+--++---=------t t tt t t t t t t t tt t t e e e e e e e e e e e e e e e 33330333303234661222 ()()1sin sin ,sin ,sin 2t diag t t t -=-A P P=sin 24sin 22sin 2sin 24sin 1006sin 606sin 0tt t t t t t --⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦10. 设126103114--⎛⎫⎪=- ⎪ ⎪--⎝⎭A ,求,cos .t e t A A解:由 ()λλλλλ+--=-=-=-E A 331261310114得A 的特征值1λ=,解齐次线性方程组3()0-=A E x ,即2261130113x --⎛⎫⎪--= ⎪ ⎪--⎝⎭得1λ=的两个无关特征向量12(1,1,0),(2,1,1)T T αα=-=.又对2α,因非齐次方程组322()βα-=A E 相容,故可求得解2(1,0,0)T β=-.由122,,ααβ构造可逆矩阵121110010--⎛⎫ ⎪= ⎪ ⎪⎝⎭P ,1011001113--⎛⎫ ⎪= ⎪ ⎪--⎝⎭P ,使 1100011001-⎛⎫⎪= ⎪ ⎪⎝⎭P AP 为A 的Jordan 标准形.于是1001210001112260110000113000100011313t tt t t t t t t t e e t t t e P e te P e te e t t t e e t t t -⎛⎫⎛⎫-----⎛⎫⎛⎫⎛⎫ ⎪ ⎪ ⎪ ⎪ ⎪===-- ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪----+⎝⎭⎝⎭⎝⎭⎝⎭⎝⎭A1cos 002sin cos 2sin 6sin cos 0cos sin sin cos sin 3sin 00cos sin sin cos 3sin t t t tt t t t t t t t t t t t t t t t t t t t t t t -+-⎛⎫⎛⎫ ⎪ ⎪=-=+- ⎪ ⎪ ⎪ ⎪-⎝⎭⎝⎭A P P .11. 设1000110001100011⎛⎫ ⎪ ⎪= ⎪ ⎪⎝⎭A ,求ln A . 解:方法一:事实上,可证明()[()]TTf f =A A 成立. 本题中TA 为一约当标准形矩阵,由()ln()f =A A 知(1)0,(1)1,(1)1,(1)2f f f f ''''''===-=.所以(1)(1)110(1)(1)012!3!2310(1)11(1)(1)01ln()[ln()]102!2201(1)(1)11100(1)32TTT T f f f f f f f f f f '''''⎛⎫⎛⎫⎛⎫'-⎪ ⎪ ⎪⎪ ⎪ ⎪''⎪⎪ ⎪'-====-⎪⎪ ⎪⎪⎪ ⎪' ⎪⎪ ⎪- ⎪ ⎪ ⎪⎝⎭⎝⎭⎝⎭A A方法二:对A 求得P ,使得11111111-⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎣⎦P AP J ,再得到1000010001ln ln 1002111032-⎡⎤⎢⎥⎢⎥⎢⎥=⋅⋅=-⎢⎥⎢⎥⎢⎥-⎢⎥⎣⎦A P J P .12. 设()t A 和1()t -A 均为n 阶可微矩阵,证明111()()()()d t d t t t dt dt ---⎛⎫=- ⎪⎝⎭A A A A .证:对1()()t t -=A A E 两端关于t 求导数可得11()()()()0d t d t t t dt dt--⋅+⋅=A A A A . 两边左乘1()t -A 并移项即得111()()()()d t d t t t dt dt ---⎛⎫=- ⎪⎝⎭A A A A .13. 设()(),T m n f tr ⨯=∈X X X X R ,求dfd X. 解: 这是数量函数对矩阵变量的导数.设()ijm nx ⨯=X ,则()()2211m nT st Fs t f x tr =====∑∑X XX X . 又因为()21,2,,;1,2,,ij ijfx i m j n x ∂===∂ ,所以 ()22ij m n ijm ndf f x d x ⨯⨯⎛⎫∂=== ⎪ ⎪∂⎝⎭X X . 14. 设,,()m nn F ⨯∈∈=A Rx R x Ax ,求()(),dF dF d d Tx x x x . 解:设 ()ijm na ⨯=A ,12(,,,)Tn x x x =x , 由于111(),,Tn nk k mk k k k F a x a x ==⎛⎫== ⎪⎝⎭∑∑x Ax所以()1,,,T i mi i F a a x ∂=∂ ()11111,,,,,,,,.TTm n mn n dF F F a a a a d x x ⎛⎫∂∂== ⎪∂∂⎝⎭x 而 11111,,n T nm mn a a dF F Fd x x aa ⎡⎤⎛⎫∂∂⎢⎥=== ⎪⎢⎥∂∂⎝⎭⎢⎥⎣⎦Ax .15. 设(),det 0,det n n f ⨯∈≠=X R X X X .证明1(det )()T dfd -=X X X. 证:设()ijn nx ⨯=X ,记ij x 的代数余子式为ij X ,X 的伴随矩阵为adj X .将det X 按第i 行展开,得11()i i ij ij in in f =det x x x =++++X X X X X ,所以(),1,2,,ij ijfi j n x ∂==∂X ,从而有()()()()()11det (det )T T Tij n n df adj d --⨯====X X X X X X X.。
中科院陈玉福算法课件ch5ppt
i
i
m[i][j]
s[i][j]
回溯过程
void Traceback(int i, int j, int * * s) { if (i= = j) return; Traceback(i, s[i][j], s); Traceback(s[i][j]+1, j, s); cout << “Multiply A” << i << “,” << s[i][j]; cout << “and A” <<(s[i][j] +1) << “,” << j << endl; } • 以s[i][j]为元素的2维数 组却给出了加括号的全部 的信息。因为s[i][j]=k说 明,计算连乘积A[i..j]的 最佳方式应该在矩阵Ak和 Ak+1之间断开,即最优加 括号方式为 (A[i..k])(A[k+1..j])。 可以从 s[1][n]开始,逐步 深入找出分点的位置,进 而得到所有括号。
V1 9 9 7 1 2 3 3 7 3 7 4
11
V2 2 2 4
V3 6 2 9
11
V4 9 4 13 3 5
10 14
V5
6 5
7
4 2 5
s
1
t
12 16
11
8
2 5
8
10
6
16
11
矩阵连乘积问题
• 给定n个数字矩阵A1,A2,…,An,其中Ai与Ai+1是可乘的, 设Ai是pi-1×pi矩阵, i=1,2,…,n。 • 求矩阵连乘A1A2⋅⋅⋅An的加括号方法,使得所用的数乘次数最少 • 三个矩阵连乘:(A1A2)A3和A1(A2A3) ,乘法次数分别为 p0p1p2+p0p2p3和p0p1p3+p1p2p3 • 例子:p0=10, p1=100, p2=5, p3=50, 两种方法:7500 和 75000 • 最优子结构性质:(A1…Ak)(Ak+1…An) m(1,n)=m(1,k) + m(k+1,n)+p0pkpn • 目标值递推关系式
矩阵分析与应用5
Vector Spaces | Vector Spaces and Subspaces | Vector Spaces
Example 2
The real coordinate spaces R1×n = {(x1 , x2 , · · · , xn ), xi ∈ R} Rn×1 = {(x1 , x2 , · · · , xn )T , xi ∈ R}
Li Bao bin | UCAS
8 / 56
Vector Spaces | Vector Spaces and Subspaces | Subspaces
Example 7
1.The unit vectors {e1 , e2 , · · · , en } form a spanning set for Rn . 2.The finite set {1, x, x2 , · · · , xn } spans the space of all polynomials such that deg p(x) ≤ n, and the infinite set {1, x, x2 , · · · } spans the space of all polynomials.
Vector Spaces
•þ˜m
Vector Spaces
Baobin Li Email:libb@
School of Computer and Control Engineering, UCAS
Li Bao bin | Vector Spaces and Subspaces | Vector Spaces
Li Bao bin | UCAS 10 / 56
Vector Spaces | Vector Spaces and Subspaces | Subspaces
《矩阵分析》课件
行列式的计算方法
代数余子式法
01
利用代数余子式展开行列式,将行列式化为三角形或对角线形
式,从而简化计算。
递推法
02
根据行列式的性质和展开定理,利用递推关系式计算行列式的
值。
公式法
03
对于一些特殊的行列式,可以利用已知的公式直接计算其值。
如三阶行列式公式、范德蒙德公式等。
03
矩阵的秩与线性方程组
矩阵的秩
逆矩阵的求法
高斯-约当消元法是求逆矩阵的一种常用方法,通过一系列行 变换将矩阵变为单位矩阵,其伴随矩阵即为所求的逆矩阵。
行列式的定义与性质
行列式的定义
n阶方阵A的行列式记为det(A)或|A|, 是一个标量,其值是所有n阶排列的 代数和,每个排列对应一个二项式系 数。
行列式的性质
行列式具有一些重要的性质,如交换 律、结合律、分配律等。此外,行列 式的值也可以通过对角线元素、主子 式、余子式等计算得到。
04
矩阵的特征值与特征向量
特征值与特征向量的定义与性质
特征值
对于给定的矩阵A,如果存在一个标量λ和相应的非零向量v,使得A×v=λ×v成立,则称λ为矩阵A的特征值,v为 矩阵A的对应于特征值λ的特征向量。
特征向量的性质
特征向量与特征值是对应的,不同的特征值对应的特征向量是线性无关的,特征向量与特征值之间满足特定的关 系式。
高斯消元法
通过行变换将增广矩阵化为阶梯形矩 阵,从而求解线性方程组。
迭代法
通过迭代的方式逼近方程组的解,常 用的方法有雅可比迭代法和SOR方法 等。
共轭梯度法
一种用于求解大规模稀疏线性方程组 的方法,通过迭代寻找方程组的解。
最小二乘法
- 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)。
第五章 特征值的估计及对称矩阵的极性本章主要讨论数值代数中的三个特殊理论,即特征值的估计广义特征值问题实对称矩阵(一般是Hermite 矩阵)特征值的极小极大原理,其次也涉及到一些特征值和奇异值的扰动问题,最后简要地介绍矩阵直积的一些性质及其在线性矩阵方程求解方面的应用。
这几方面的内容,在矩阵的理论研究与实际应用当中都有着相当重要的作用。
5.1特征值的估计一、特征值的界首先给出直接估计矩阵特征值模的上界的一些方法定理5.1 设A=(a rs )∈R n×n ,令 M=||21max ,1sr rs n s r a a -≤≤ λ若表示A 任一特征值,则λ的虚部Im(λ)满足不等式2)1(|)Im(|-≤n n M λ |Im(λ)|≤||A -A T ||2 / 2|Im(λ)|≤||A -A T ||1⋅/2.证明:设x+i ⋅y 为对应于λ的A 的特征向量,则 A(x+i ⋅y)=(α+β⋅i)(x+i ⋅y)其中λ=α+β⋅i.显然x,y 为实向量,且x,y 为线性无关的 向量。
经整理A(x,y)=(x,y)B,其中B=⎪⎪⎭⎫ ⎝⎛-αββα。
从而(x,y)T A(x,y)=(x,y)T (x,y)B展开有⎪⎪⎭⎫ ⎝⎛Ay y Ax y Ay x Ax x T T T T =α⋅⎪⎪⎭⎫ ⎝⎛y y y x y x x x T T T T + β⋅⎪⎪⎭⎫ ⎝⎛--x y y y x x y x T T T T (求等式两边矩阵的对角元之和,可得α(x T x +y T y )=x T Ax +y T Ay (1)等式两边矩阵的左上角单元减去右下角单元可得:β(x T x +y T y )=x T (A -A T )y1).记B=A -A T ,则 |x T By|≤||x||2 ⋅||B||2⋅||y||2从而 |β|≤||x||2 ⋅||B||2⋅||y||2 /((||x ||2)2 +(||y ||2)2)利用ab /(a 2+b 2)≤1/2 可得 |β|≤||B||2 /2.2).由于|x T By|≤||Bx||1 ⋅||y||∞≤||B||1⋅||x||1 ⋅||y||∞从而 |β|≤||B||1 ⋅||x||1 ⋅||y||∞ /((||x ||2)2 +(||y ||2)2)易证明 ||x||1 ⋅||y||∞ /((||x ||2)2 +(||y ||2)2)/2.(显然,不妨假设(||x ||2)2 +(||y ||2)2=1,设||y ||∞=t =cos(α), 则y 必为t ⋅ e j 的形式(为什么?), 从而极值转化为求解如下最大值问题:max ||x||1, 满足约束(||x ||2)2=1-t 2这样有均值不等式||x||1x ||2= -t 2)1/2,从而我们需要求解t (1-t 2)1/2的最大值,设t =cos(α) 可得t (1-t 2)1/2的最大值为1/2. 从而得证。
)因此 |β|≤||B||13). 由于b ii =0, i =1,2,…,n , b ij = -b ji ,因此 |x T By|2=|11()n ij i j j i i j i bx y x y -=>⋅⋅-∑∑|2≤(2M )221||n i j j i i j i x y x y =>⎛⎫- ⎪⎝⎭∑∑(利用(a 1+a 2+…+a n )2≤ n ((a 1)2+(a 2)2+…+(a n )2)≤(2M )2 (n (n -1)/2)21||n i j j i i j i x y x y =>⎛⎫- ⎪⎝⎭∑∑≤(2M )2 (n(n -1)/2)⋅2222111(2)2n n i j i j i j j i i j x y x x y y x y ==-+∑∑=M 2 (n (n -1))⋅2⋅[ (x T x)⋅(y T y )- (x T y)2]利用[ (x T x)⋅(y T y )- (x T y)2]≤(x T x)⋅(y T y )可得|β|≤M (2n (n -1))1/2 (x T x)1/2⋅(y T y )1/2 /(x T x +y T y )≤M (2n (n -1))1/2 / 2=M (n (n -1)/2)1/24). |x T By|=|11()n ij i j j i i j i bx y x y -=>⋅⋅-∑∑|≤1/221||nij i j i b =>⎛⎫ ⎪⎝⎭∑∑1/221||n i j j ii j i x y x y =>⎛⎫- ⎪⎝⎭∑∑ 而 1/221||n i j j i i j i x y x y =>⎛⎫- ⎪⎝⎭∑∑≤(x T x)1/2⋅(y T y )1/2 由此可以有|β|≤(1/2)1/221||nij i j i b =>⎛⎫ ⎪⎝⎭∑∑ 思考题:对于(1)式,利用定理推导的类似技术,求出关于|α|的界。
推论 实对称矩阵的特征值都是实数。
事实上,当A 这实对称矩阵时,M =0.由定理5.1可得Im(λ)=0,即λ为实数。
引理1 设B ∈C n×n ,列向量y ∈C n 满足||y||2=1,则|y H By|∞≤m B ||||.定理5.2 设A ∈C n×n ,则A 的任一特征值λ满足|λ|≤||A||∞m∞+≤m H A A ||||21|)Re(|λ (5.1.3) ∞-≤m H A A ||||21|)Im(|λ (5.1.4) 推论: Hermite 矩阵的特征值都是实数;反Hermite 矩阵的特征值为零或纯虚数。
事实上,当A 为Hermite 矩阵时,由式(5.1.4) 知Im(λ)=0,即λ为实数;当A 为反Hermite 矩阵时,由式(5.1.3)知Re(λ)=0,即为λ为零或纯虚数。
定义.5.1设,)(n n rs Ca A ⨯∈=记∑≠==n rs s rs a A 1r ||)(R ),R (r 简写为.,,1n r =如果00|a r r 0|r R >,则称矩阵A 按行(弱)对角占优。
定义5.2 设A ∈C n×n 。
如果A T 按行严格对角占优,则称A 按列严格对角占优;如果A T 按行(弱)对角占优,则称A 按列(弱)对角占优。
对直接估计矩阵特征之乘积的模的界,再给出以下两个方法。
定理5.3 设A=(a rs )∈C n×n ,令M r =|a rr |+∑∑+=+=-=n r s nr s rs rr r rs a a m a 11|||||,| 如果A 按行严格对角占优,则∏∏∏===≤=≤n r n r nr r r r M A A m 111|)(||det |0λ (5.1.5)且当a rs =0(s>r)时,式(5.1.5)中等号成立。
证明:由于A 按对角占优, 所以det(A)≠0.考虑方程组21222211120,n n n n nn a a a A A a a a ξξ⎛⎫⎛⎫⎛⎫ ⎪ ⎪ ⎪+== ⎪ ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭⎝⎭因为A 按行对角占优, 因此A 1也按行对角占优。
从而A 1可逆。
上述线性方程组有唯一解x (1)=(ξ2, …,ξn )T .可以证明 |ξ k |=max {|ξ2|, …,|ξn |} <1,事实上,若|ξ k |=0 则显然成立。
若|ξ k |≠0, 我们有 a k 1+2n ks s s aξ=∑=0 (2 ≤ k ≤ n )则有 121n s kk k sks k ks k a a a ξξξ=≠-=+∑ (2 ≤ k ≤ n ) 如果|ξ k | ≥ 1, 则可得12||||||nkk k sk s s k a a a =≠≤+∑ (2 ≤ k ≤ n )这和A 对角占优矛盾。
因此|ξ k |=max {|ξ2|, …,|ξn |} <1成立。
利用分块矩阵的性质和x (1)的定义,我们有det(A)=det (1)110n -⎛⎫⎛⎫ ⎪ ⎪⎝⎭⎝⎭A xI = det 1112110n b a a A ⎛⎫⎪⎝⎭ 其中b 11=a 11+12n s s s aξ=∑, |ξs |<1 (s =2,…,n )从而m 1 ≤ |b 11|≤ M 1, 其余类推可得0<1n r r m=∏|det |A ≤1nr r M =≤∏定理5.4 (H adamard’s inequality )设A=(a rs )∈C n×n ,则有122111|()||det |[(||)]n n n rrs r r s A A a λ====≤∑∏∏(5.1.7) 且式(5.1.7)中等号成立的充分条件是某a s 0=0或者(a r ,a s )=0 (r ≠ s ),这里a 1,…,a n 表示A 的n 个列向量。
证明:若a 1,…,a n 线性相关,则式(5.17)显然成立。
不妨设a 1,…,a n 线性无关,则对它们进行Gram-schmidt 正交化过程得到:a 1=b 1a 2=b 2+λ21b 1…a n =b n +λn 1b 1 +λn 2b 2+…+λn , n -1b n -1其中b 1 ,b 2,…b n 为正交向量。
从而||a i ||2≥||b i ||2记B=( b 1 ,b 2,…b n ).则A=BL, 其中L 为单位下三角矩阵。
|det(A)|2=|det(B)|2=det(B T B)=|| b 1||2⋅||b 2||2…||b n ||2.≤|| a 1||2⋅||a 2||2…||a n ||2.推广的定理5.4 (H adamard’s inequality )设A=(a rs )∈C n×n ,则有2121221111|||()||det |[(||max )]||n kl rl n n n l rrs n k s r r kl l a a A A a aλ======≤-∑∑∏∏∑ 证明:由于|det(A)|2=det (A H A )=det 111(,)H a a A αα⎛⎫ ⎪⎝⎭ = det 11111(,)0H H a a A A ααα-⎛⎫- ⎪⎝⎭ 利用对于任给的β ≠0有1211||/H H H A A αααβββ-≥从而有|det(A)|2≤[(a 1,a 1)-|αH β|2/βH A 1β]det(A 1)我们可以取β =e k ,这样我们就有|det(A)|2≤[(a 1,a 1)-max k>1|(a 1,a k )|2/(a k ,a k )]det(A 1) (*) 类似推导可以得到命题的证明。