请问知道矩阵M后怎么求初等矩阵P1,P2,P3,使得P3P2P1=M

F是m*r的列满秩矩阵,G是r*n的行满秩矩阵,证明F*G的秩=r。_百度知道
F是m*r的列满秩矩阵,G是r*n的行满秩矩阵,证明F*G的秩=r。
好像是m*n矩阵的满秩分解的逆问题,哪位砖家能给点提醒,可以想象是这样,不过我需要严格的证明,谢谢啦
不太清楚一楼的回复中对F和G的分解用的是什么方法?
提问者采纳
Q2,0,Q1;0]Q2那么FG=P1[Q1P2;0,r,总存在可逆阵P用一下相抵标准型就行了:这个不是最基本的相抵变换吗,0]Q1G=P2[I_r,n的可逆矩阵P1,r,可以用Gauss消去法实现对任何矩阵A,P2,使得F=P1[I_r,0]Q2补充。存在阶数分别为m
提问者评价
谢谢。不过用矩阵的初等变换就可以把F和G分解,都可以吧
来自团队:
其他类似问题
为您推荐:
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁设三阶矩阵A的特征值为λ1=2 λ2=-2 λ3=1 对应的特征值向量依次为P1=(0 1 1)P2=(1 1 1)P3=(1 1 0)求A_百度知道
设三阶矩阵A的特征值为λ1=2 λ2=-2 λ3=1 对应的特征值向量依次为P1=(0 1 1)P2=(1 1 1)P3=(1 1 0)求A
提问者采纳
为三个特征值不等,三个特征向量线性无关。令B =
P的逆矩阵 P-1 = -1
-1因为 P-1 A P = B 。所以矩阵可相似对角化
来自团队:
其他类似问题
为您推荐:
其他2条回答
列出一个等式
解方程就行了:
1&#47,λ3P3)
1&#47,P3)=(λ1P1根据特征向量和特征值的关系;2
1&#47,λ2P2
%MATLAB代码M=[P1,P2,P3];N=diag[λ1,λ2,λ3];A=M*N*inv(M);
用线性代数的方法来求
没明白,这样求不对吗
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁设三阶矩阵A的三个特征值为2,-2,1,对应的特征向量依次为P1(011)P2(111)P3(110),求A^5._百度知道
设三阶矩阵A的三个特征值为2,-2,1,对应的特征向量依次为P1(011)P2(111)P3(110),求A^5.
能详解下吗,好的话重赏呦~~
提问者采纳
-2.1,P^(-1)=-1.-33-64.-33-64.01.10.-32.33..-1.1.1)A=PΛP^(-1)A^5=PΛ^5P^(-1)带入求解得A^5=-32.65.-1Λ^5=diag(32.1)P^(-1)AP=Λ=diag(2,P2P=(P1,P3)^t.64
提问者评价
原来是这样,感谢!
来自团队:
其他类似问题
为您推荐:
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁如图所示,已知△P1P2P3和其内任一点P,直线P1P、P2P和P3P分别与对边交于Q1,Q2,Q3.证明:在比值中至少有一个不大于2.【考点】.【专题】证明题.【分析】在P1、P2、P3上放置质量分别为m1,m2,m3的质点,使得P恰为P1,P2,P3三点的重心,则Q1为P2、P3的重心,Q2为P1、P3的重心,Q3为P1、P2的重心,它们的质量分别为m2+m3,m1+m3,m1+m2.不妨设m1≤m2≤m3,则1+m2m3≥2,2+m3m1≤2.【解答】解:在P1、P2、P3上放置质量分别为m1,m2,m3的质点,使得P恰为P1,P2,P3三点的重心,则Q1为P2、P3的重心,Q2为P1、P3的重心,Q3为P1、P2的重心,它们的质量分别为m2+m3,m1+m3,m1+m2.∴1PPQ1=2+m3m1,2PPQ2=1+m3m2,3PPQ3=1+m2m3.则1+m2m3≥2,2+m3m1≤2.即.【点评】本题考查了三角形的重心,掌握重心的性质是解决此题的关键.声明:本试题解析著作权属菁优网所有,未经书面同意,不得复制发布。答题:bjy老师 难度:0.60真题:1组卷:5
解析质量好中差线性代数第三章第一节定理一的证明A经过有限次初等行变换变成B<=>存在有限个m阶初等矩阵P1,P2,…Pl,使Pl…P2P1=B?这个由前者推出后者是怎么推出来的?看不懂_百度作业帮
拍照搜题,秒出答案
线性代数第三章第一节定理一的证明A经过有限次初等行变换变成B<=>存在有限个m阶初等矩阵P1,P2,…Pl,使Pl…P2P1=B?这个由前者推出后者是怎么推出来的?看不懂
线性代数第三章第一节定理一的证明A经过有限次初等行变换变成B<=>存在有限个m阶初等矩阵P1,P2,…Pl,使Pl…P2P1=B?这个由前者推出后者是怎么推出来的?看不懂
对A做初等行变换等效于将相应的初等矩阵左乘A,不断做下去就变成了Pl…P2P1A,这个结果就是B,故Pl…P2P1A=B

我要回帖

更多关于 catia p1 p2 p3 的文章

 

随机推荐