文章目录
以清华大学林润亮老师的ppt为基础进行整理
主要用来进行知识点回顾和快速复习
1 向量及其运算
线性代数
线性代数是建立在向量的 加法
和 数乘
这两种所谓 线性运算
上的
两向量相等
两个向量相等 ⟺ \iff ⟺ 两者长度相等, 方向相同
向量运算性质
向量加法和数乘的运算性质: 交结零负一乘分分
分别是: 向量加法交换律, 向量加法结合律, 零向量, 反向量, 1 数乘向量, 两个数乘数乘向量, 两个数加数乘向量, 一个数数乘两个向量
列向量
a = ( a 1 a 2 ⋮ a n ) \boldsymbol{a}= \begin{pmatrix} a_1 \\ a_2 \\ \vdots \\ a_n \end{pmatrix} a=⎝⎜⎜⎜⎛a1a2⋮an⎠⎟⎟⎟⎞
其中 a i a_i ai 为向量 a \boldsymbol{a} a 的第 i i i 个分量
向量的线性组合
设 v 1 , ⋯ , v m \boldsymbol v_1,\cdots,\boldsymbol v_m v1,⋯,vm 为 m m m 个 n n n 维向量, 称 c 1 v 1 + ⋯ + c m v m c_1\boldsymbol v_1+\cdots +c_m\boldsymbol v_m c1v1+⋯+cmvm 为向量 v 1 , ⋯ , v m \boldsymbol v_1,\cdots,\boldsymbol v_m v1,⋯,vm 的一个线性组合
在 3 维空间中,一般,对于向量 u , v , w \boldsymbol u,\boldsymbol v,\boldsymbol w u,v,w
{非零向量 u \boldsymbol u u} 的所有线性组合是一条直线;
{不共线的 u , v \boldsymbol u,\boldsymbol v u,v} 的所有线性组合是一个平面;
{不共面的 u , v , w \boldsymbol u,\boldsymbol v,\boldsymbol w u,v,w} 的所有线性组合是整个三维空间.
向量的长度
向量 v \boldsymbol v v 的长度或模定义为 ∥ v ∥ = v ⋅ v \left\|\boldsymbol v\right \|=\sqrt{\boldsymbol v\cdot \boldsymbol v} ∥v∥=v⋅v
向量正交
若 v ⋅ w = 0 \boldsymbol v\cdot \boldsymbol w=0 v⋅w=0, 则称向量 v \boldsymbol v v 和 w \boldsymbol w w 垂直 / 正交. 记作 v ⊥ w \boldsymbol v\perp \boldsymbol w v⊥w
Cauchy-Schwarz 不等式
∣ v ⋅ w ∣ = ∥ v ∥ ∥ w ∥ |\boldsymbol v\cdot \boldsymbol w|=\left \|\boldsymbol v\right \|\left \|\boldsymbol w\right \| ∣v⋅w∣=∥v∥∥w∥, 等号成立当且仅当一个向量是另一个向量的倍数.
三角不等式
∥ v + w ∥ ≤ ∥ v ∥ + ∥ w ∥ \left\|\boldsymbol v+ \boldsymbol w\right \|\le \left\|\boldsymbol v\right\|+\left\|\boldsymbol w\right\| ∥v+w∥≤∥v∥+∥w∥, 等号成立当且仅当 v , w \boldsymbol v, \boldsymbol w v,w 之一为另一向量的非负倍数.
2 矩阵与线性方程组
对矩阵与向量乘积的理解
A x A \boldsymbol x Ax
理解1
得到 A A A 各列向量的一个线性组合;
理解2
列向量 $ \boldsymbol x$ 与 A A A 各行向量做内积
对线性方程组的理解
A x = b A \boldsymbol x=\boldsymbol b Ax=b
理解1
求 A A A 列向量的线性组合, 使之等于 b \boldsymbol b b;
理解2
求向量 x \boldsymbol x x, 使之与 A A A 的行向量内积分别为 b \boldsymbol b b 中的元素
可逆矩阵
若 A x = b A \boldsymbol x=\boldsymbol b Ax=b( n n n 个方程, n n n 个未知数) 对任意向量 b \boldsymbol b b 有唯一解, 则称方阵 A \boldsymbol A A 可逆
若 A = ( u , v , w ) A=(\boldsymbol u, \boldsymbol v, \boldsymbol w) A=(u,v,w) 可逆, 则 u , v , w \boldsymbol u, \boldsymbol v, \boldsymbol w u,v,w 的全部线性组合所得空间是整个三维空间, 这时向量 u , v , w \boldsymbol u, \boldsymbol v, \boldsymbol w u,v,w 线性无关 / 不共面, 相应 A x = b A \boldsymbol x=\boldsymbol b Ax=b 只有零解
线性方程组的行图和列图
行图
(二维) 两直线交点
列图
两列向量的线性组合
3 高斯消元法
矩阵的初等行变换
对方程组 A x = b A \boldsymbol x=\boldsymbol b Ax=b, 消元法涉及以下三种同解变形:
- 把一个方程减去另一个方程的倍数;
- 交换两个方程的位置;
- 用一个非零数乘一个方程.
相应地对增广矩阵作以下三种行变换 (即: 初等行变换):
- 把一行减去另一行的倍数;
- 交换两行;
- 用一个非零数乘一行.
增广矩阵
对线性方程组 A x = b A \boldsymbol x=\boldsymbol b Ax=b 做消元法, 即用一系列初等矩阵在左边, 去乘增广矩阵 ( A ∣ b ) (A | \boldsymbol b) (A∣b)
消去矩阵
将单位阵中某个 0 0 0 变为非零的数得到的矩阵称为消去矩阵, 消去矩阵是一类初等矩阵
置换阵
如 P 12 = ( 0 1 0 1 0 0 0 0 1 ) P_{12}=\begin{pmatrix} 0&1&0 \\ 1&0&0 \\ 0&0&1 \end{pmatrix} P12=⎝⎛010100001⎠⎞
置换阵 P P P 满足 P − 1 = P T P^{-1}=P^{T} P−1=PT
4 矩阵的运算
矩阵乘法的性质
满足结合律, 左分配律, 右分配律
矩阵的乘法一般不可交换, 消去律一般也不成立
分块矩阵
矩阵的转置
若 A T = A A^T=A AT=A 则称 A A A 是一个对称矩阵
若 A T = − A A^T=-A AT=−A 则称 A A A 是一个反对称矩阵
若 R R R 为 m × n m\times n m×n 矩阵 (实数域), 则 R R T RR^T RRT 为 m × n m\times n m×n 对称矩阵, 且其对角元均非负
5 矩阵的逆
逆矩阵
对方阵 A A A, 若存在矩阵 B B B, 满足 A B = B A = I AB=BA=I AB=BA=I, 则称 A A A 是可逆的. 称 B B B 是 A A A 的逆矩阵, 记作 A − 1 A^{-1} A−1.
可逆矩阵也称为非奇异矩阵, 不可逆矩阵也称为奇异矩阵
性质
- n n n 阶阵 A A A 可逆等价于 A A A 有 n n n 个主元
- 方阵的逆唯一
- 若 A A A 可逆, 则 A x = b A\boldsymbol x=\boldsymbol b Ax=b 有唯一解 x = A − 1 b \boldsymbol x=A^{-1}\boldsymbol b x=A−1b
- 若 A x = 0 A\boldsymbol x=\boldsymbol 0 Ax=0 有非零解, 则 A A A 不可逆
- 二阶阵 A = ( a b c d ) A=\begin{pmatrix} a&b \\ c&d \end{pmatrix} A=(acbd) 可逆等价于 a d − b c ≠ 0 ad-bc\neq0 ad−bc=0, 且 A − 1 = 1 a d − b c ( d − b − c a ) A^{-1}=\frac{1}{ad-bc}\begin{pmatrix} d&-b \\ -c&a \end{pmatrix} A−1=ad−bc1(d−c−ba)
- 对角阵可逆等价于对角元均不为 0 0 0
- ( A − 1 ) − 1 = A (A^{-1})^{-1}=A (A−1)−1=A
- ( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)−1=B−1A−1
6 LU 分解
将矩阵分解成一个下三角矩阵和一个上三角矩阵的乘积
E A = U , A = E − 1 U = L U EA=U, A=E^{-1}U=LU EA=U,A=E−1U=LU
A = E − 1 D U = L D U A=E^{-1}DU=LDU A=E−1DU=LDU 其中 L L L 和 U U U 的对角元为 1 1 1
LU 分解的存在性和唯一性
设可逆矩阵 A = ( a i j ) n × n A=(a_{ij})_{n\times n} A=(aij)n×n 的顺序主子式 A k = ( a i j ) k × k ( k = 1 , ⋯ , n ) A_k = (a_{ij})_{k\times k}(k=1,\cdots ,n) Ak=(aij)k×k(k=1,⋯,n) 均为可逆阵, 则 A A A 有 L U LU LU 分解. 若 l i i = 1 , u i i ≠ 0 ( 1 ≤ i ≤ n ) l_{ii}=1, u_{ii}\neq 0(1\le i\le n) lii=1,uii=0(1≤i≤n), 则分解唯一
设 A A A 是一个 n n n 阶可逆阵, 则存在置换阵 P P P 使得 P A = L U PA=LU PA=LU
对称矩阵的 L D L T LDL^T LDLT 分解
7 向量空间
向量子空间
设 V V V 是 R n \mathbb R^n Rn 的非空子集, 且 V V V 关于向量加法和数乘运算封闭 ( ∀ α , β ∈ V , ∀ c 1 , c 2 ∈ R ⟹ c 1 α + c 2 β ∈ V \forall \alpha ,\beta\in V,\forall c_1,c_2\in \mathbb R \Longrightarrow c_1\alpha+c_2\beta\in V ∀α,β∈V,∀c1,c2∈R⟹c1α+c2β∈V), 则称 V V V 是 R n \mathbb R^n Rn 的一个向量子空间
推广的向量空间的定义
在由称为“向量”的元素构成的非空集合 V V V 中, 若定义了加法和数乘运算, 且对任意向量 a , b , c \boldsymbol{a}, \boldsymbol{b}, \boldsymbol{c} a,b,c 及数域 F \mathbb{F} F, k , l ∈ F k,l\in \mathbb{F} k,l∈F 满足以下八条性质:
- a + b = b + a \boldsymbol a + \boldsymbol b=\boldsymbol b + \boldsymbol a a+b=b+a
- a + ( b + c ) = ( a + b ) + c \boldsymbol a + (\boldsymbol b+\boldsymbol c)=(\boldsymbol a + \boldsymbol b)+\boldsymbol c a+(b+c)=(a+b)+c
- 存在零向量 0 , a + 0 = a \boldsymbol 0,\ \boldsymbol a+\boldsymbol 0=\boldsymbol a 0, a+0=a
- 对任意向量 a \boldsymbol a a, 存在唯一相反向量 − a -\boldsymbol a −a, 使得 a + ( − a ) = 0 \boldsymbol a+(-\boldsymbol a)=\boldsymbol 0 a+(−a)=0
- 1 ⋅ a = a 1\cdot \boldsymbol a=\boldsymbol a 1⋅a=a
- ( k l ) a = k ( l a ) (kl)\boldsymbol a=k(l\boldsymbol a) (kl)a=k(la)
- k ( a + b ) = k a + k b k(\boldsymbol a+\boldsymbol b)=k\boldsymbol a+k\boldsymbol b k(a+b)=ka+kb
- ( k + l ) a = k a + l a (k+l)\boldsymbol a=k\boldsymbol a+l\boldsymbol a (k+l)a=ka+la
则称 V V V 为定义在数域 F \mathbb{F} F 上的向量空间
列空间
A A A 的列向量所有线性组合构成的空间称为 A A A 的列空间, 记作 C ( A ) C(A) C(A)
C ( A ) = { c 1 α 1 + c 2 α 2 + ⋯ + c n α n ∣ c i ∈ R } = { y ∈ R m ∣ y = A x , x ∈ R n } C(A)=\{c_1 \boldsymbol \alpha_1+ c_2 \boldsymbol \alpha_2+\cdots+ c_n \boldsymbol \alpha_n | c_i\in \mathbb R\}=\{\boldsymbol y\in\mathbb R^m | \boldsymbol y=A \boldsymbol x,\boldsymbol x\in \mathbb R^n\} C(A)={
c1α1+c2α2+⋯+cnαn∣ci∈R}={
y∈Rm∣y=Ax,x∈Rn}
A x = b A \boldsymbol x=\boldsymbol b Ax=b 有解 ⟺ b ∈ C ( A ) \iff \boldsymbol b\in C(A) ⟺b∈C(A)
求列空间: 将矩阵化为阶梯形, 阶梯形中主元所在的的列 / 原矩阵中主元所在的列的线性组合就是列空间
零空间
N ( A ) = { x ∣ A x = 0 } ⊂ R n N(A)=\{\boldsymbol x | A \boldsymbol x= \boldsymbol 0\}\subset \mathbb R^n N(A)={ x∣Ax=0}⊂Rn
求零空间: 将矩阵化为阶梯形 / 简化行阶梯形 (RREF), 将主元所在的列对应解 x \boldsymbol x x 位置的数字标记为 1, 通过 A x = 0 A \boldsymbol x=\boldsymbol 0 Ax=0 确定 x \boldsymbol x x