Элементы теории погрешностей. Матрицы. Точные и итерационные методы решения систем линейных уравнений. Нахождение собственных векторов и собственных чисел матриц, страница 2

причем:   А ∙ 1 = 1                     А = А;     А ∙ 0 = 0;      α ∙(β ∙ А) = β ∙(α ∙ А);

(α + β) ∙ А = αА + βА;                        α ∙ (А ± В) = αА ± αВ.

в) Умножение на матрицу (на скалярную матрицу) возможно в том случае, когда число элементов в строке матрицы А равно числу элементов в столбце матрицы В. (или число столбцов А равно числу строк В).

А В = С, где    сij= ai1b1j + ai2b2j + … + ainbnj.,               (2.1.3)

где размерность матрицы-результата -      Аm x nBn x k = Cm x k.

Матрица вида D = dE = называется скалярной матрицей. Очевидно, что AD = A ∙ α ∙ E = α ∙AE= α ∙ A.

Умножение матриц в большинстве случаев не обладает перестановочным свойством. А В ≠ ВА.

Если такое возможно (А В = ВА), то  А и В называются перестановочными. Например, нулевая матрица О, единичная Е и скалярная матрица перестановочны относительно любой матрицы.

Свойства умножения:

1)           (А В) ∙ С = А ∙ (В С);

2)           α ∙ (А В) = (α ∙ А) ∙ В = А ∙(α ∙ В);

3)           (А ± В) ∙ С = АС ± ВС;                               (2.1.4)

4)           С ∙ (А ± В) = СА ± СВ;

5)           det (A B) = det A det B.

Пример №1 Как должен выглядеть столбец матрицы В, чтобы в результате умножения Аm x nBn x 1 = Cm x 1.получить:

а)  первый столбец матрицы А ?    .

б) сумму третьего и четвёртого элемента каждой строки?

Ответ:      а)                          б)           .

Пример №2  Пусть  B1 x mАm x n = C1 x n . На что надо умножать А, чтобы получить последнюю строку матрицы А?

Ответ:      .

В среде "MathCad" часть матрицы можно выделить при помощи функции Submatrix (A; k; m; l; n). У этой функции первый аргумент – название матрицы, вторй  и третий – начальная и конечная строка, четвёртый и пятый – границы выделяемой части матрицы по столбцам.

г) Возведение в степень.

= А А ∙ … ∙ А – к раз.                                (2.1.5)

д) Транспонирование матриц.

Транспонированная матрица АТ – это матрица, у которой строки заменены столбцами соответствующего номера из исходной матрицы. Операция транспонирования верна не только для квадратных матриц.

А = ,      АТ = ,       ,     ВТ = .

Свойства:

1)  (АТ)Т = А;

2)  (А + В)Т = АТ + ВТ;                                                    (2.1.6)

3)  (А В)Т = ВТАТ;             

4)  det AТ = det A, если А – квадратная.

Если АТ = А, то А - называется симметрической.

2.2 Вычисление определителя матрицы.

Определителем квадратной матрицы называется число равное алгебраической сумме  n! слагаемых, каждое из которых представляет собой произведение n элементов матрицы, стоящих в разных строках и разных столбцах, взятое со знаком "+", если перестановка индексов элементов четная и "-", если нечетная. Если   det A =0, то матрица называется особенной.

Правила практического вычисления определителей (для размерности 4´4 и выше):

а)                              разложение по  строке с номером  k

det A =   j=1…n               (2.2.1)

б)               разложение по  столбцу с номером  k.

det A =   i=1…n                                 (2.2.2)

в)                              при помощи элементарных преобразований, приводящих его к треугольному виду.

Допустим  а110. Тогда все элементы первого столбца (строки) делим на а11:

         где                .     

Этот же прием применяется к  . Последовательно получим . Если на некотором шаге первый элемент окажется равен нулю, необходимо поменять местами строки.

   Например:

  

2.3  Нахождение обратной матрицы.

Теорема: Любая неособенная матрица имеет обратную.

Свойства:

1)  .                           

2)  (А В)-1 = В-1А-1                                             (2.3.1)

3)  (А-1)Т = (АТ)-1                                                                                 

   Доказательство:   

1)     Так как  А-1А = Е то  det A-1det A = det E  или  .

2)     Умножим левую часть на произведение АВ. Получим:

АВ ∙(В-1А-1) = А Е А-1 = Е,  т.е.  АВ – есть обратная матрица к     В-1А-1   или   (А В)-1 = В-1А-1.

3)   (А-1А)Т = АТ ∙ (А-1)Т,  т.е.  (АТ)-1 = (А-1)Т.

Правила практического вычисления обратной матрицы.

1)    При помощи алгебраических дополнений

.                  (2.3.2)

где  - алгебраические дополнения к элементам матрицы А.

2) При помощи метода Гаусса.

Составляется матрица: М = ( | ) и элементарными преобразованиями матрица М приводится к специальному ступенчатому виду, тогда получаем  ( | ). Эту операцию можно произвести при помощи функции rref (M).

2.4  Собственные числа матрицы и соответствующие им собственные векторы.

Пусть  Аn x n  матрица с действительными элементами, тогда матрица (А – λ Е) n x n называется характеристической матрицей для матрицы А, а  det(А – λ Е) – есть характеристический многочлен ( n – ой степени от λ ), а его корни  λі  – собственными числами матрицы А.

Каждому собственному числу соответствует собственный вектор матрицы А:  

Теорема. (Тождество Гамильтона-Келли). Всякая квадратная матрица А является корнем своего характеристического полинома.

det(А – λ Е)=0                                   (2.4.1)

В среде «MathСad» заданы следующие встроенные функции:

еigenvals (M) - возвращает вектор, элементами которого являются собственные числа матрицы М.

еigenvecs (M) – возвращает матрицу, состоящую из нормализованных собственных векторов матрицы М, соответствующих собственным числам матрицы М. Причём в n-ном столбце матрицы возвращается собственный вектор, соответствующий n-ному собственному числу, возвращаемому функциейeigenvals.

eigenvec (M,z) – возвращает нормализованный собственный вектор матрицы М, соответствующий собственному числу zматрицы М. Собственное число zможет быть комплексным.

2.5   Норма матрицы.

Норма матрицы обозначается. Это действительное число, удовлетворяющее условиям:

1)  > 0, причем  = 0 тогда и только тогда, когда А = 0.

2) (в частности, )

3) .                                                                 (2.5.1)

4) .

Норма матрицы называется канонической, если выполняются еще два свойства:

5) .                                                                                (2.5.2)

6) Из неравенства  следует

Норма матрицы согласуется с нормой вектора в данном пространстве. Итак, если для  введена норма , то для матрицы 

 .                                            (2.5.3)

Рассмотрим наиболее распространенные согласованные нормы:

Норма вектора                    Норма матрицы

(2.5.4)

                             (2.5.5)

        ,         (2.5.6)