高等代数下

孙少辉

目录

  • 1 线性方程组
    • 1.1 知识准备、导引
    • 1.2 消元和初等行变换
    • 1.3 换元和初等列变换
    • 1.4 解的情况之判定
  • 2 矩阵初步
    • 2.1 矩阵基本运算
    • 2.2 矩阵运算法则
    • 2.3 可逆矩阵与初等矩阵
    • 2.4 分块矩阵
    • 2.5 矩阵的秩
    • 2.6 若干应用
  • 3 行列式基础
    • 3.1 低阶行列式
    • 3.2 排列的逆序数
    • 3.3 行列式的定义
    • 3.4 行列式的性质
    • 3.5 按行或列展开
    • 3.6 矩阵与行列式
  • 4 有限维空间模型
    • 4.1 列向量空间模型
    • 4.2 向量的线性关系
    • 4.3 极大线性无关组
    • 4.4 子空间的基和维数
    • 4.5 基变换与坐标变换
    • 4.6 再看齐次线性方程组
    • 4.7 线性方程组和线性簇
  • 5 多项式代数
    • 5.1 一元多项式带余除法
    • 5.2 最大公因式
    • 5.3 互素、最小公倍式
    • 5.4 不可约多项式
    • 5.5 重因式
    • 5.6 多项式函数与根
    • 5.7 有理系数多项式
    • 5.8 Eisenstein 判别法、有理根
    • 5.9 有理函数的部分分式分解
  • 6 二次型基础
    • 6.1 二次型定义
    • 6.2 二次型的标准形
    • 6.3 二次型的规范形
    • 6.4 正定二次型
  • 7 向量空间及线性映射
    • 7.1 一般向量空间的概念
    • 7.2 线性关系、基和维数
    • 7.3 线性映射、线性同构
    • 7.4 线性映射的矩阵表示
    • 7.5 特征值与特征向量
    • 7.6 进一步学习指南
  • 8 欧几里得空间
    • 8.1 内积与欧氏空间
    • 8.2 正交化方法、正交基
    • 8.3 空间的正交分解
    • 8.4 正交变换和正交阵
    • 8.5 对称变换和实对称阵
    • 8.6 酉空间、辛空间
  • 9 路往何方?
    • 9.1 代数++
    • 9.2 线性代数+拓扑=泛函分析
    • 9.3 线性代数+几何=微分几何
    • 9.4 矩阵+数学分析=矩阵分析
    • 9.5 道路千万条
特征值与特征向量

课前学习任务

斐波那契数列(Fibonacci Sequence)是意大利数学家列昂纳多·斐波那契以兔子繁殖问题为例引入的,指这样一个数列:1, 1, 2, 3, 5, 8, 13, 21, …… 若以  表示该数列的第 n 项,则可看出

类似这样的“递推关系”是很常见的. 斐波那契数列在物理、化学、生物等领域都可找到应用,为此美国数学会还出版了名为《斐波纳契数列季刊》的数学杂志,专门刊载这方面的研究成果.

一个自然而迫切的问题是如何求出斐波那契数列的通项公式. 从递推关系出发,用线性变换的视角看待它,你就会发现一种解法. 首先,全体数列形成的集合上可以自然地定义数乘和加法,成为向量空间. 若令 ,则  是数列空间上的一个线性变换. 用 表示数列空间上的恒等变换,则斐波那契数列的递推关系其实就是

要想数列  满足上式,只需令它满足  或 ,也即  或 . 容易解这样的方程,比如对 ,可得解 . 类似可知  是  的一个解. 由于  是线性变换,故以上得到的解其实属于这个变换的核空间,从而这些解的线性组合仍为  的解. 因此可设斐波那契数列的通项形如 ,再由  及  解得 . 于是斐波那契数列的通项公式为

从以上求解过程可以看出,成功的关键在于把问题转化成了求解形如  的简单方程. 这就引出了特征值和特征向量的概念: 的非零解称为特征向量,而  称为特征值. 接下来请认真观看视频,学习特征值与特征向量的精确定义及基本知识.


延伸阅读解常係數線性微分方程和遞推關係的新方法-秦九韶和亥維賽的遺產




课堂学习资料




课后学习任务

1. 我们已经看到,为计算矩阵的特征值,需要求特征多项式的根. 而高次多项式一般无法求出精确根,我们只能求它的近似值. 特别是在很多应用中,需且仅需确定特征值的大致范围,而 Gershgorin 定理就是处理这类问题的一个基本工具. 请学习掌握这个定理,并完成以下测验.

2. 你想知道 Google 搜索引擎如何对检索到的网页排序吗?其实它的主要原理与“正矩阵”的特征向量有关(也可以阅读这个英文介绍).

3. 正弦函数之和一定是周期函数吗?要讲清楚这个问题可并不简单,不过从特征值和特征向量的视角去看,就能迎刃而解了.