[矩阵论] Unit 0. 线性代数 - 部分知识点整理

• 注: 以下内容均由个人整理, 不保证完全准确, 如有纰漏, 欢迎交流讨论
• 参考: 同济大学数学系. 工程数学线性代数(第六版)[M]. 北京: 高等教育出版社, 2014

线性相关/无关

向量 ${\alpha }_1,{\alpha }_2,...,{\alpha }_n$ 线性无关即 $k_1{\alpha }_1+k_2{\alpha }_2+...+k_n{\alpha }_n=\vec{0}$, 要求 $k_1=k_2=...=k_n=0$.
求法:

1. 构建矩阵等式 $[{\alpha }_1,{\alpha }_2,...,{\alpha }_n]\times [k_1,k_2,...,k_n{]}^T=[0,0,...,0{]}_n$
2. 对矩阵 $[{\alpha }_1,{\alpha }_2,...,{\alpha }_n]$ 进行行初等变换至最简形.
3. 若 $R(A)=n$ / $|A|\ne 0$ ➔ 向量 ${\alpha }_1,{\alpha }_2,...,{\alpha }_n$ 线性无关

非奇异矩阵

非奇异矩阵 ⟺ 行列式不为 0 矩阵 ⟺ 可逆矩阵 ⟺ 满秩矩阵

正定矩阵

正定矩阵 $M^{n\times n}$: $\forall x\in F^n,x\ne \vec{0},x^{T}Mx>0$

线性方程组的解

求解 $Ax=\vec{0}$

$$\{\begin{array}{l}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_n=0\\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_n=0\\ \dots \cdots \cdots \cdots \\ a_{m1}{x}_1+a_{m2}{x}_2+\cdots +a_{mn}{x}_n=0\end{array}$$

1. 转换为矩阵表示
   $$A\text{A}A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right],x\text{x}x=\left(\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right),Ax=\vec{0}\text{Ax=0}Ax=\vec{0}$$

2. 对 $A$ 进行行变换得到最简形矩阵 $B$:
   $$B\text{B}B=\left[\begin{array}{cccccc}1& \cdots & 0& b_{11}& \cdots & b_{1,n-r}\\ ⋮& & ⋮& ⋮& & ⋮\\ 0& \cdots & 1& b_{r1}& \cdots & b_{r,n-r}\\ 0& & & \cdots & & 0\\ ⋮& & & & & ⋮\\ 0& & & \cdots & & 0\end{array}\right]$$

3. 根据矩阵 $B$ 写解(相当于将矩阵 $B$ 再转换为方程组):
   具体方法:
   1. 列出所有等式左侧的 $x_i$:
   $$\{\begin{array}{l}{x}_1=\\ x_2=\\ \cdots =\\ x_n=\end{array}$$
   2. 根据矩阵 $B$ 的每一行写出 $x_i$ 之间的等价关系
   $$\{\begin{array}{l}{x}_1=-b_{11}{x}_{r+1}-\cdots -b_{1,n-r}{x}_n\\ \cdots \cdots \cdots \cdots \\ x_r=-b_{r1}{x}_{r+1}-\cdots -b_{r,n-r}{x}_n\\ x_{r+1}=x_{r+1}\\ \cdots \cdots \cdots \cdots \\ x_n=x_n\end{array}$$
   注: 对于矩阵 $B$ 下面的 $n-r$ 行全 0 行, 转换时等号左右两边不变即可, 即 $x_i=x_i\text{xi=xi}{x}_i=x_i$
   3. 对齐后, 以如下列向量的格式看待(可以不写出)
   KaTeX parse error: No such environment: equation at position 9: \begin{̲e̲q̲u̲a̲t̲i̲o̲n̲}̲ \begin{pmatri…
   (可以将方程组 $=$ 右边的 $x_i$ 替换成 $c_i$, 即 $x_1=-c_1{b}_{11}-c_2{b}_{12}+\cdots -c_{n-2}{b}_{1,n-r}$, 其他 $x_2,...,x_n$ 类似)

4. 求基础解系:
   结论: 3.中公式(1)中 $x_i$ 后面的 $n-r$ 个列向量即为 $n-r$ 个基础解系
   (具体方法-教材中方法, 不推荐): 令自由未知数 $x_{r+1},x_{r+2},\cdots ,x_n$ 分别取下列 $n-r$ 组数:
   $$\left(\begin{array}{c}{x}_{r+1}\\ x_{r+2}\\ ⋮\\ x_n\end{array}\right)=\left(\begin{array}{c}1\\ 0\\ ⋮\\ 0\end{array}\right)\text{or}\left(\begin{array}{c}0\\ 1\\ ⋮\\ 0\end{array}\right)\text{or}\cdots \text{or}\left(\begin{array}{c}0\\ 0\\ ⋮\\ 1\end{array}\right)$$
   (即针对 $B$ 中下面 $n-r$ 行全 0 的列取 $n-r$ 的标准正交基向量)
   得基础解系:
   $${\xi }_1=\left(\begin{array}{c}-b_{11}\\ ⋮\\ -b_{r1}\\ 1\\ 0\\ ⋮\\ 0\end{array}\right),{\xi }_2=\left(\begin{array}{c}-b_{12}\\ ⋮\\ -b_{r2}\\ 0\\ 1\\ ⋮\\ 0\end{array}\right),\cdots ,{\xi }_{n-r}=\left(\begin{array}{c}-b_{1,n-r}\\ ⋮\\ -b_{r,n-r}\\ 0\\ 0\\ ⋮\\ 1\end{array}\right)$$
   
   (即针对 $B$ 中下面 $n-r$ 行全 0 的列只要取 $n-r$ 个线性无关的向量即可, 得到的解系也会不同)
   
   基础解系对应的是矩阵 $B$ 中不含有左上角 “1” 的 $n-r$ 列(带有系数 $b_{ij}$)

求解 $Ax=b$

$$\{\begin{array}{ll}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_n& =b_1\\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_n& =b_2\\ \cdots \cdots \cdots \cdots & =\dots \\ a_{m1}{x}_1+a_{m2}{x}_2+\cdots +a_{mn}{x}_n& =b_m\end{array}$$
有解性判断:

• 无解 ⟺ $R(A)<R(A,b)$
• 有唯一解 ⟺ $R(A)=R(A,b)=n$
• 有无限多解 ⟺ $R(A)=R(A,b)<n$

注: $n$ 为矩阵 $A$ 的列数, 即未知数的个数

求解步骤: 与求解 $Ax=\vec{0}$ 基本相同, 只需要在 $x_i$ 的等式右边添加上最简形矩阵 $B$ 的最后一列对应元素 $d_i$, 即:
$$B\text{B}B=\left(\begin{array}{ccccccc}1& \cdots & 0& b_{11}& \cdots & b_{1,n-r}& d_1\\ ⋮& & ⋮& ⋮& & ⋮& ⋮\\ 0& \cdots & 1& b_{r1}& \cdots & b_{r,n-r}& d_r\\ 0& & & \cdots & & 0& 0\\ ⋮& & & & & ⋮& 0\\ 0& & & \cdots & & 0& 0\end{array}\right)$$
$$\{\begin{array}{ll}{x}_1& =-b_{11}{x}_{r+1}-\cdots -b_{1,n-r}{x}_n+d_1\text{+d1}+d_1\\ \cdots & =\cdots \cdots \cdots \\ x_r& =-b_{r1}{x}_{r+1}-\cdots -b_{r,n-r}{x}_n+d_r\text{+dr}+d_r\\ x_{r+1}& =x_{r+1}\\ \cdots & =\cdots \cdots \cdots \\ x_n& =x_n\end{array}$$

矩阵对角化

把矩阵 $A$ 对角化: 对于 $n$ 阶矩阵 $A$, 通过相似变换矩阵 $P$ 使 $P^{-1}AP=\Lambda$ 为对角矩阵.

$n$ 阶矩阵 $A$ 能对角化(与对角矩阵相似) ⟺ $A$ 有 $n$ 个线性无关特征向量.

矩阵特征值

设 $A$ 是 $n$ 阶矩阵, 如果数 $\lambda$ 和 $n$ 维非零列向量 $x$ 使关系式
$$Ax=\lambda x\text{Ax=λx}Ax=\lambda x$$
成立, 那么, 这样的数 $\lambda$ 称为矩阵 $A$ 的特征值, 非零向量 $x$ 称为 $A$ 的对应于特征值 $\lambda$ 的特征向量.

矩阵秩的不等式

• 对于矩阵 $AB=\vec{0}\Rightarrow rank(A)+rank(B)\le n\text{AB=0 ⇒rank(A)+rank(B)≤n}AB=\vec{0}\Rightarrow rank(A)+rank(B)\le n$
  证明：令 $W$ 为方程 $AX=\vec{0}$ 的解空间, 则 $dimW=n-rank(A)$. 因为 $AB=\vec{0}$, 因此 $B$ 中的任意列向量 ${\beta }_i$ 都满足 ${\beta }_i\in W,i=1,2,...,n$. 因此 $rank(B)\le dimW$ 故有 $rank(A)+rank(B)\le n$.
• 三角不等式: $rank(A)+rank(B)\ge rank(A+B)\text{rank(A)+rank(B)≥rank(A+B)}rank(A)+rank(B)\ge rank(A+B)$

置换矩阵

置换矩阵 $P$: 每一行恰有一个 1, 每一列恰有一个 1, 其余为 0.
$P^{-1}=P^T$
一个矩阵乘上一个置换矩阵: 所得到的是原来矩阵的横行(置换矩阵在左)或纵列(置换矩阵在右)经过置换后得到的矩阵(左乘行变换, 右乘列变换)

叉乘公式

$$\begin{array}{rl}a\times b& =(x_1,y_1,z_1)\times (x_2,y_2,z_2)\\ & =\left|\begin{array}{ccc}i& j& k\\ x_1& y_1& z_1\\ x_2& y_2& z_2\end{array}\right|\\ & =(y_1{z}_2-y_2{z}_1)i-(x_1{z}_2-x_2{z}_1)j+(x_1{y}_2-x_2{y}_1)k\end{array}$$