专题线性代数_.PPTVIP

* 二次型的标准形，判定是否正定 ? f 的标准形为f =-y12-y22+2y32.由于f的特征值不都大于零，故f不正定 * ? 一个粒子放在平面上的某一点（这点可作为原点）。设该粒子单位时间随机移动一步，这一步在x, y两个方向上分解的值都在－1和1之间，作一个图显示该粒子的轨迹。 随游问题 * * * * 矩阵的表示形式 1. 矩阵的集合形式 如 {{a,b},{c,d}} 2. 矩阵的常规形式 如 * 3. 矩阵形式的转换 Input[m] 矩阵m的输入形式（默认） Output[m] 矩阵m的输出形式（默认） MatrixForm[m] 矩阵m的常规形式 TableForm[m] 矩阵m的表形式 CForm[m] 矩阵m的C语言形式 FortranForm[m] 矩阵m的Fortran形式 TexForm[m] 矩阵m的Tex形式 * 向量的基本运算 k a 数k与向量a的数乘 a.b 或 Dot[a, b] 向量a和b的点积 Sqrt[Apply[plus, a^2]] 向量a的模 Cross[a, b] 向量a和b的叉积 Dot[a, Cross[ b, c]] 混合积 Dot[a, b]＝Inner[Times, a, b] 内积 Cross[a, b]＝Outer[Times, a, b] 外积 KroneckerProduct[a, b] 直积 * * 利用直积构造密度矩阵 Calculus`VectorAnalysis` 可以方便的计算梯度、散度、旋度等矢量分析 可以方便改变坐标系统 * * 矩阵的运算 Det[m] 矩阵的行列式 Inverse[m] 矩阵的逆 Transpose[m] 矩阵的转置 Tr[m] 矩阵的迹 Dimensions[m] 矩阵的维数 MatrixPower[m]矩阵的n次幂 MatrixExp[m] 矩阵的指数 MatrixRank[m] 矩阵的秩 PseudoInverse 广义逆 SingularValueList 奇异值 Norm[m, p] 范数 * * 加法 “ +” 减法 “ –” 数乘矩阵 k A或k*A 乘法 “ . ” 或 Dot[ , ] 注意：“ . ” 或 Dot[ , ]也是矩阵和矢量的乘积运算 【问题】 如何区分行向量和列向量 ? * 增加行 增加列 * * 放在运算命令最后，会给出结果的矩阵形式 * 例 求矩阵A的伴随矩阵 输入 coA=Det[A]*Inverse[A] 即可！ * 问题：如果Det[A]＝0，怎么办? 输入： yA= A + y Identity[n] coA=Det[yA]*Inverse[yA]/.y-0 使得 Det[yA]≠0 n为A的阶 * * 注：对符号矩阵，不必采用这种方法，直接计算 * NullSpace[A] 求Ax=0的基础解系 LinearSolve[A,a] 求Ax=a的特解 Inverse[A].a RowReduce[A] 将A化为最简形式 求解线性方程组 * * * * * * 对比Solve、 LinearSolve、Inverse 当方程存在唯一解时，三种方法等价 系数矩阵不是方阵即使方程有解，Inverse失效，Solve给出通解，LinearSolve给出特解 当方程无解时，Solve给出空集解， LinearSolve指出无解, Inverse失效 * RowReduce[A] 将A化为最简形，从而判定构成矩阵；A的向量组的线性相关性、求出向量组的最大无关组、向量在基下的坐标等 系数矩阵为 {{2, 3, -9}, {3, 6, -1}} * 化简后的方程与原方程等价，但更简单——RowReduce的优势所在 【问题】 对比RowReduce和NullSpace * 结论：A的最简形中非零行的个数为3，知向量组是线性无关的 * * Eigenvalues[A] 求矩阵A的特征值 Eigenvectors[A] 求矩阵A的特征向量 Eigensystem[A] 同时给出矩阵A的所有特征 值与特征向量 特征值问题的计算 * * * ? 因A的线性无关特征向量个数等于其阶数，故矩阵A相似于对角矩阵 * Mathematica基础及其应用 * 表及其操作 * 表的概念 表是由一些元素聚集成的一个整体 形式: {…,…, … } * 表可以参与数学函数运算 函数作用到表中的每一个元素上 运算后还是一个表 【问题】 %5 * %5 = ? * Range[n] 生成{1,2,…,n} Range[m,n] 生成{m,…,n}