1. Determinant
逆序数与行列式计算
∣ A n × n ∣ = ∑ 1 , 2 , ⋯ , n ( − 1 ) τ ( j 1 j 2 ⋯ j n ) a 1 j 1 a 1 j 2 ⋯ a 1 j n \left| A_{n\times n} \right|=\sum_{1,2,\cdots,n}(-1)^{\tau (j_1j_2\cdots j_n)}a_{1j_1}a_{1j_2}\cdots a_{1j_n} ∣An×n∣=1,2,⋯,n∑(−1)τ(j1j2⋯jn)a1j1a1j2⋯a1jn
范德蒙行列式
∣ 1 1 ⋯ 1 x 1 x 2 ⋯ x n x 1 2 x 2 2 ⋯ x n 2 ⋮ ⋮ ⋮ x 1 n − 1 x 2 n − 1 ⋯ x n n − 1 ∣ = ∏ 1 ⩽ i < j ⩽ n ( x j − x i ) \left| \begin{array}{llll} 1 & 1 & \cdots & 1 \\ x_1 & x_2 & \cdots & x_n \\ x_1^2 & x_2^2 & \cdots & x_n^2 \\ \vdots & \vdots & & \vdots \\ x_1^{n-1} & x_2^{n-1} & \cdots & x_n^{n-1}\end{array}\right|=\prod_{1\leqslant i<j\leqslant n}(x_j-x_i) 1x1x12⋮x1n−11x2x22⋮x2n−1⋯⋯⋯⋯1xnxn2⋮xnn−1 =1⩽i<j⩽n∏(xj−xi)
爪形行列式
D n + 1 = ∣ a 0 b 1 b 2 ⋯ b n c 1 a 1 c 2 a 2 ⋮ ⋱ c n a n ∣ = ( a 0 − ∑ i = 1 n b i c i a i ) a 1 a 2 ⋯ a n ( n ⩾ 1 ) D_{n+1}=\left| \begin{array}{llll} a_0 & b_1 & b_2 & \cdots & b_n \\ c_1 & a_1 \\ c_2 & & a_2 \\ \vdots &&& \ddots\\c_n &&&&a_n\end{array}\right|=(a_0-\sum_{i=1}^n\frac{b_ic_i}{a_i})a_1a_2\cdots a_n(n \geqslant 1) Dn+1= a0c1c2⋮cnb1a1b2a2⋯⋱bnan =(a0−i=1∑naibici)a1a2⋯an(n⩾1)
三对角行列式
D n = ∣ a b c a b c a ⋱ ⋱ ⋱ b c a ∣ = a D n − 1 − b c D n − 2 ( n > 2 ) ⇓ x 2 − a x + b c = 0 D n = { x 2 n + 1 − x 1 n + 1 x 2 − x 1 , x 1 ≠ x 2 ( n + 1 ) x 1 n + 1 , x 1 = x 2 D_n=\left| \begin{array}{ccccc} a&b\\c&a&b\\&c&a&\ddots\\&&\ddots&\ddots&b\\&&&c&a\end{array}\right| =aD_{n-1}-bcD_{n-2}(n>2) \\\Downarrow\\ x^2-ax+bc=0\\ D_n=\left\{ \begin{array}{cc} \displaystyle\frac{x_2^{n+1}-x_1^{n+1}}{x_2-x_1},x_1\neq x2\\(n+1)x_1^{n+1}, x_1=x_2\end{array}\right. Dn= acbacba⋱⋱⋱cba =aDn−1−bcDn−2(n>2)⇓x2−ax+bc=0Dn=⎩ ⎨ ⎧x2−x1x2n+1−x1n+1,x1=x2(n+1)x1n+1,x1=x2
2. matrix
2.1 concepts
- 同型矩阵&相等矩阵
- 特殊矩阵
- 转置矩阵
- 单位矩阵 I 或 E I或E I或E
- 对角矩阵 主对角线以外的元素都为0,记为 d i a g ( a 1 , a 2 , ⋯ , a n ) diag(a_1,a_2,\cdots,a_n) diag(a1,a2,⋯,an)
- { 对称矩阵 ⇐ A T = A 反对称矩阵 ⇐ A T = − A \left\{ \begin{array}{ll} \textbf{对称矩阵}\Leftarrow A^T=A\\\textbf{反对称矩阵}\Leftarrow A^T=-A\end{array}\right. {对称矩阵⇐AT=A反对称矩阵⇐AT=−A
- 正交矩阵 ⇐ A A T = A T A = I \Leftarrow AA^T=A^TA=I ⇐AAT=ATA=I (各列向量为单位向量且两两正交,一定可以对角化)
- 幂等矩阵 ⇐ A 2 = A \Leftarrow A^2=A ⇐A2=A
- 伴随矩阵 ⇐ A ∗ = [ A 11 A 21 ⋯ A n 1 A 12 A 22 ⋯ A n 2 ⋮ ⋮ ⋮ A 1 n A 2 n ⋯ A n n ] \Leftarrow A^*=\left[ \begin{array}{cccc} A_{11}&A_{21}&\cdots&A_{n1}\\A_{12}&A_{22}&\cdots&A_{n2}\\\vdots&\vdots&&\vdots\\A_{1n}&A_{2n}&\cdots&A_{nn}\end{array} \right] ⇐A∗= A11A12⋮A1nA21A22⋮A2n⋯⋯⋯An1An2⋮Ann , 即每一项取代数余子式再整体转置
2.2 operations
-
加减
-
数乘
-
矩阵乘法
- A m × s B s × n A_{m\times s}B_{s\times n} Am×sBs×n
- 不一定满足交换律
满足交换律的情况
-
转置矩阵性质
- ( A B ) T = B T A T ( A 1 A 2 ⋯ A n ) T = A n T A n − 1 T ⋯ A 1 T (AB)^T=B^TA^T\\(A_1A_2\cdots A_n)^T=A_n^TA_{n-1}^T\cdots A_1^T (AB)T=BTAT(A1A2⋯An)T=AnTAn−1T⋯A1T
- ( A − 1 ) T = ( A T ) − 1 (A^{-1})^T=(A^T)^{-1} (A−1)T=(AT)−1
- ( A ∗ ) T = ( A T ) ∗ (A^{*})^T=(A^T)^{*} (A∗)T=(AT)∗
-
方阵的行列式 ∣ A ∣ o r det ( A ) |A|\; or\;\det (A) ∣A∣ordet(A)
- ∣ k A ∣ = k n ∣ A ∣ |kA|=k^n|A| ∣kA∣=kn∣A∣
- ∣ A n × n B n × n ∣ = ∣ A ∣ ∣ B ∣ |A_{n\times n}B_{n\times n}|=|A||B| ∣An×nBn×n∣=∣A∣∣B∣
2.3 inverse matrix
- A − 1 = A ∗ ∣ A ∣ \displaystyle{A^{-1}=\frac{A^*}{|A|}} A−1=∣A∣A∗
- ( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)−1=B−1A−1
- A ∗ = ∣ A ∣ A − 1 A^*=|A|A^{-1} A∗=∣A∣A−1
- A A ∗ = A ∗ A = ∣ A ∣ E AA^*=A^*A=|A|E AA∗=A∗A=∣A∣E
2.4 adjoint matrix
- ∣ A ∗ ∣ = ∣ A ∣ n − 1 |A^*|=|A|^{n-1} ∣A∗∣=∣A∣n−1
- ( k A ) ∗ = k n − 1 A ∗ (kA)^*=k^{n-1}A^* (kA)∗=kn−1A∗
- ( A T ) ∗ = ( A ∗ ) T (A^T)^*=(A^*)^T (AT)∗=(A∗)T
- ( A ∗ ) ∗ = ∣ A ∣ n − 2 A (A^*)^*=|A|^{n-2}A (A∗)∗=∣A∣n−2A
- ( A ∗ ) − 1 = ( ∣ A ∣ A − 1 ) − 1 = A ∣ A ∣ (A^*)^{-1}=(|A|A^{-1})^{-1}=\displaystyle \frac{A}{|A|} (A∗)−1=(∣A∣A−1)−1=∣A∣A
- ( A B ) ∗ = B ∗ A ∗ (AB)^*=B^*A^* (AB)∗=B∗A∗
2.5 elementary matrix
R i j R i ( k ) R i + j ( k ) C i j C i ( k ) C i + j ( k ) R_{ij}\quad R_{i(k)}\quad R_{i+j(k)}\\ C_{ij}\quad C_{i(k)}\quad C_{i+j(k)} RijRi(k)Ri+j(k)CijCi(k)Ci+j(k)
2.6 rank of matrix
- r ( A ) = r ( A T ) = r ( A A T ) r(A)=r(A^T)=r(AA^T) r(A)=r(AT)=r(AAT)
- r ( A ± B ) ⩽ r ( A ) + r ( B ) r(A\pm B)\leqslant r(A)+r(B) r(A±B)⩽r(A)+r(B)
- r ( A ) + r ( B ) − n ⩽ r ( A B ) ⩽ m i n { r ( A ) , r ( B ) } r(A)+r(B)-n\leqslant r(AB)\leqslant min\{r(A),\;r(B)\} r(A)+r(B)−n⩽r(AB)⩽min{r(A),r(B)}
- r ( A ∗ ) = { n , r ( A ) = n , 1 , r ( A ) = n − 1 ( n ⩾ 2 ) , 0 , r ( A ) < n − 1 ( n ⩾ 2 ) . {r(A^*)=\left\{ \begin{array}{ll} n,\;r(A)=n,\\1,\;r(A)=n-1(n\geqslant2),\\0,\;r(A)<n-1(n\geqslant2).\end{array} \right.} r(A∗)=⎩ ⎨ ⎧n,r(A)=n,1,r(A)=n−1(n⩾2),0,r(A)<n−1(n⩾2).
- r [ A B ] ⩽ r ( A ) + r ( B ) r [ A O O B ] = r ( A ) + r ( B ) r\left[ \begin{array}{ll} A\\B\end{array}\right]\leqslant r(A)+r(B)\qquad r\left[ \begin{array}{ll} A&O\\O&B\end{array}\right]= r(A)+r(B) r[AB]⩽r(A)+r(B)r[AOOB]=r(A)+r(B)
3 vector
3.1 concept & opetations
concepts
[ a 1 , a 2 , ⋯ , a n ] T ⇒ n 维列向量 [ a 1 , a 2 , ⋯ , a n ] ⇒ n 维行向量 ∣ a ∣ = a 1 2 + a 2 2 + ⋯ + a n 2 [a_1,\ a_2, \cdots,a_n]^T\Rightarrow n维列向量\\ [a_1,\ a_2, \cdots,a_n]\Rightarrow n维行向量 \\ |a|=\sqrt{a_1^2+a_2^2+\cdots+a_n^2} [a1, a2,⋯,an]T⇒n维列向量[a1, a2,⋯,an]⇒n维行向量∣a∣=a12+a22+⋯+an2
operations
-
加减法(略)
-
内积
-
α β = ( α , β ) = a 1 b 1 + a 2 b 2 + ⋯ + a n b n \alpha \beta =(\bold\alpha, \bold\beta)=a_1b_1 +a_2b_2+\cdots+a_nb_n αβ=(α,β)=a1b1+a2b2+⋯+anbn
-
若 ( α , β ) = 0 (\alpha, \beta)=0 (α,β)=0 ,则两向量
正交
-
α β = β α = α T β = α β T \alpha\beta=\beta\alpha=\alpha^T\beta=\alpha\beta^T αβ=βα=αTβ=αβT
-
3.2 向量组的线性相关性和线性表示
线性相关的定义
k 1 α 1 + k 2 α 2 + ⋯ + k s α s 为向量组 α 1 , α 2 , ⋯ , α s 的线性组合 若存在一组不全为 0 的数 x 1 , x 2 , ⋯ , x s 使 x 1 α 1 + x 2 α 2 + ⋯ + x s α s = 0 , 则称向量组 α 1 , α 2 , ⋯ , α s 线性相关 ⇕ 齐次方程组 [ α 1 , α 2 , ⋯ , α s ] = [ x 1 x 2 ⋮ x s ] = 0 ( A x = 0 ) 有非零解 ⇕ r ( A ) < s k_1\alpha_1+k_2\alpha_2+\cdots+k_s\alpha_s 为向量组\alpha_1,\alpha_2,\cdots,\alpha_s的线性组合\\ 若存在一组不全为0的数x_1,x_2,\cdots,x_s使x_1\alpha_1+x_2\alpha_2+\cdots+x_s\alpha_s=0,\\ \qquad 则称向量组 \alpha_1,\alpha_2,\cdots,\alpha_s线性相关\\ \qquad \Updownarrow\\ 齐次方程组[\alpha_1,\alpha_2,\cdots,\alpha_s]=\left[ \begin{array}{cc}x_1\\x_2\\\vdots\\x_s \end{array}\right]=0(Ax=0)有非零解\\ \qquad \Updownarrow\\ r(A)<s k1α1+k2α2+⋯+ksαs为向量组α1,α2,⋯,αs的线性组合若存在一组不全为0的数x1,x2,⋯,xs使x1α1+x2α2+⋯+xsαs=0,则称向量组α1,α2,⋯,αs线性相关⇕齐次方程组[α1,α2,⋯,αs]= x1x2⋮xs =0(Ax=0)有非零解⇕r(A)<s
线性相关的判别方法
设有 s 个 m 维向量 α 1 , α 2 , ⋯ , α s , 构造矩阵 A = [ α 1 , α 2 , ⋯ , α s ] m × s 设有s个m维向量\alpha_1,\alpha_2,\cdots,\alpha_s,构造矩阵A=[\alpha_1,\alpha_2,\cdots,\alpha_s]_{m\times s} 设有s个m维向量α1,α2,⋯,αs,构造矩阵A=[α1,α2,⋯,αs]m×s
- s = m , 求行列式,满秩则无关,否则相关
- s > m , 必线性相关
- s < m , 变换为行阶梯型,求秩,若 r = s 则线性无关,否则相关
线性表示的定义
若存在一组
数
x
1
,
x
2
,
⋯
,
x
s
x_1,x_2,\cdots,x_s
x1,x2,⋯,xs,使得
β
=
x
1
α
1
+
x
2
α
2
+
⋯
+
x
s
α
s
\beta =x_1\alpha_1+x_2\alpha_2+\cdots+x_s\alpha_s
β=x1α1+x2α2+⋯+xsαs 成立,则称
β
\beta
β 可由
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs 线性表示
,或称
β
是
α
1
,
α
2
,
⋯
,
α
s
\beta 是\alpha_1,\alpha_2,\cdots,\alpha_s
β是α1,α2,⋯,αs 的线性组合
⇕ \Updownarrow ⇕
齐次方程组 [ α 1 , α 2 , ⋯ , α s ] = [ x 1 x 2 ⋮ x s ] = β ( A x = β ) 有解 齐次方程组[\alpha_1,\alpha_2,\cdots,\alpha_s]=\left[ \begin{array}{cc}x_1\\x_2\\\vdots\\x_s \end{array}\right]=\beta (Ax=\beta )有解 齐次方程组[α1,α2,⋯,αs]= x1x2⋮xs =β(Ax=β)有解
⇕ \Updownarrow ⇕
r ( A ∣ β ) = r ( A ) r(A|\beta)=r(A) r(A∣β)=r(A)
若不存在任何一组
数
x
1
,
x
2
,
⋯
,
x
s
x_1,x_2,\cdots,x_s
x1,x2,⋯,xs,使得
β
=
x
1
α
1
+
x
2
α
2
+
⋯
+
x
s
α
s
\beta =x_1\alpha_1+x_2\alpha_2+\cdots+x_s\alpha_s
β=x1α1+x2α2+⋯+xsαs ,则称
β
\beta
β 不可由
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs 线性表示
⇕ \Updownarrow ⇕
齐次方程组 [ α 1 , α 2 , ⋯ , α s ] = [ x 1 x 2 ⋮ x s ] = β ( A x = β ) 无解 齐次方程组[\alpha_1,\alpha_2,\cdots,\alpha_s]=\left[ \begin{array}{cc}x_1\\x_2\\\vdots\\x_s \end{array}\right]=\beta (Ax=\beta )无解 齐次方程组[α1,α2,⋯,αs]= x1x2⋮xs =β(Ax=β)无解
⇕ \Updownarrow ⇕
r ( A ∣ β ) = r ( A ) r(A|\beta)=r(A) r(A∣β)=r(A)
线性表示的重要结论
- 若 α 1 , α 2 , ⋯ , α s \alpha_1,\alpha_2,\cdots,\alpha_s α1,α2,⋯,αs 线性无关,但 α 1 , α 2 , ⋯ , α s , β \alpha_1,\alpha_2,\cdots,\alpha_s,\beta α1,α2,⋯,αs,β 线性相关,则 β \beta β 可由 α 1 , α 2 , ⋯ , α s \alpha_1,\alpha_2,\cdots,\alpha_s α1,α2,⋯,αs 线性表示
- 若 β 1 , β 2 , ⋯ , β s \beta _1,\beta_2 ,\cdots,\beta_s β1,β2,⋯,βs 可由 α 1 , α 2 , ⋯ , α t \alpha_1,\alpha_2,\cdots,\alpha_t α1,α2,⋯,αt 线性表示,且 s > t , 则 β 1 , β 2 , ⋯ , β s \beta _1,\beta_2 ,\cdots,\beta_s β1,β2,⋯,βs 线性相关
- 若 β 1 , β 2 , ⋯ , β s \beta _1,\beta_2 ,\cdots,\beta_s β1,β2,⋯,βs 可由 α 1 , α 2 , ⋯ , α t \alpha_1,\alpha_2,\cdots,\alpha_t α1,α2,⋯,αt 线性表示,且 β 1 , β 2 , ⋯ , β s \beta _1,\beta_2 ,\cdots,\beta_s β1,β2,⋯,βs 线性无关,则 t ≥ \geq ≥ s
3.3 极大线性无关组
定义
若 α i 1 , α i 2 , ⋯ , α i r , \alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}, αi1,αi2,⋯,αir, 满足 :
- 取自 α 1 , α 2 , ⋯ , α s \alpha_1,\alpha_2,\cdots,\alpha_s α1,α2,⋯,αs
- 线性无关
- α 1 , α 2 , ⋯ , α s \alpha_1,\alpha_2,\cdots,\alpha_s α1,α2,⋯,αs 中任何一个都可以由其线性表示
则称
α
i
1
,
α
i
2
,
⋯
,
α
i
r
\alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}
αi1,αi2,⋯,αir 是
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs 的一个极大线性无关组
对任何一个向量组而言,r 是唯一的,称为向量组
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs 的秩
求极大线性无关组的步骤
构造矩阵,作初等变换,化为行阶梯型矩阵,在每个台阶任取一列,即可得到极大线性无关组
3.4 等价向量组
定义
设有两个向量组:(1)
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs ;(2)
β
1
,
β
2
,
⋯
,
β
t
\beta _1,\beta_2 ,\cdots,\beta_t
β1,β2,⋯,βt
若(1)中每个向量都可有(2)线性表示,则称向量组(1)可由向量组(2)线性表示
若向量组(1)、(2)可互相线性表示,则称向量组(1)和向量组(2)等价,记为(1) ≅ \cong ≅(2)
即:
[
α
1
,
α
2
,
⋯
,
α
s
]
=
[
β
1
,
β
2
,
⋯
,
β
t
]
K
t
×
s
[
β
1
,
β
2
,
⋯
,
β
t
]
=
[
α
1
,
α
2
,
⋯
,
α
s
]
M
s
×
t
[\alpha_1,\alpha_2,\cdots,\alpha_s]=[\beta_1,\beta_2,\cdots,\beta_t]K_{t\times s}\\ [\beta_1,\beta_2,\cdots,\beta_t]=[\alpha_1,\alpha_2,\cdots,\alpha_s]M_{s\times t}
[α1,α2,⋯,αs]=[β1,β2,⋯,βt]Kt×s[β1,β2,⋯,βt]=[α1,α2,⋯,αs]Ms×t
等价向量组的充要条件
若(1)(2)中向量的维数相同,则它们等价的充要条件是 r ( ( 1 ) ) = r ( ( 2 ) ) = r ( ( 1 ) ∣ ( 2 ) ) r((1))=r((2))=r((1)|(2)) r((1))=r((2))=r((1)∣(2))
性质
自反性、对称性、传递性
3.5 标准正交向量组
定义
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs 为标准正交向量组
⇔
(
α
i
,
α
j
)
=
{
1
,
i
=
j
,
0
,
i
≠
j
\Leftrightarrow\;(\alpha_i,\alpha_j)=\left\{\begin{array}{ll} 1,\;i=j,\\0,\;i\neq j\end{array}\right.
⇔(αi,αj)={1,i=j,0,i=j
施密特正交化
即从一组线性无关的向量组中求出一组正交向量的方法
设
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs 为欧氏空间
R
n
\R^n
Rn 中的线性无关组,取:
β
1
=
α
1
β
2
=
α
2
−
(
α
2
,
β
1
)
(
β
1
,
β
1
)
β
1
⋮
β
k
=
α
k
−
∑
i
=
1
k
−
1
(
α
k
,
β
i
)
(
β
i
,
β
i
)
β
i
(
k
=
3
,
4
,
⋯
,
m
)
,
\beta_1=\alpha_1\\ \beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{(\beta_1,\beta_1)}\beta_1\\ \vdots\\ \beta_k=\alpha_k-\sum_{i=1}^{k-1}\frac{(\alpha_k,\beta_i)}{(\beta_i,\beta_i)}\beta_i\;\;(k=3,4,\cdots,m),
β1=α1β2=α2−(β1,β1)(α2,β1)β1⋮βk=αk−i=1∑k−1(βi,βi)(αk,βi)βi(k=3,4,⋯,m),
则
β
1
,
β
2
,
⋯
,
β
m
\beta _1,\beta_2 ,\cdots,\beta_m
β1,β2,⋯,βm 为
R
n
\R^n
Rn 中的正交向量组
3.6 向量空间
定义
设集合 V 非空,且 V
⊆
\subseteq
⊆ Rn, 若
α
+
β
∈
V
,
k
α
∈
V
\alpha+\beta\in V,k\alpha \in V
α+β∈V,kα∈V ,k为实数,则 V 为向量空间
空间的维与基数
设 V 是向量空间,若有向量组
α
1
,
α
2
,
⋯
,
α
n
⊆
V
\alpha_1,\alpha_2,\cdots,\alpha_n \subseteq V
α1,α2,⋯,αn⊆V ,且满足
①
α
1
,
α
2
,
⋯
,
α
n
\alpha_1,\alpha_2,\cdots,\alpha_n
α1,α2,⋯,αn 线性无关
②
∀
β
∈
V
,
β
\forall \beta \in V,\beta
∀β∈V,β 可由
α
1
,
α
2
,
⋯
,
α
n
\alpha_1,\alpha_2,\cdots,\alpha_n
α1,α2,⋯,αn 线性表示
则
α
1
,
α
2
,
⋯
,
α
n
\alpha_1,\alpha_2,\cdots,\alpha_n
α1,α2,⋯,αn 是向量空间 V 的基
,且 V 的维数
dim
V
=
n
\dim V=n
dimV=n
若
α
1
,
α
2
,
⋯
,
α
n
\alpha_1,\alpha_2,\cdots,\alpha_n
α1,α2,⋯,αn 为n维向量空间 V 的标准正交向量组,则它为限量空间 V 的标准正交基
空间中向量的坐标
设 α 1 , α 2 , ⋯ , α n \alpha_1,\alpha_2,\cdots,\alpha_n α1,α2,⋯,αn 是向量空间 V 的基,任取向量 ξ = [ α 1 , α 2 , ⋯ , α n ] [ x 1 x 2 ⋮ x n ] \xi = [ \alpha_1,\alpha_2,\cdots,\alpha_n ]\left[\begin{array}{cccc}x_1\\x_2\\\vdots\\x_n\end{array}\right] ξ=[α1,α2,⋯,αn] x1x2⋮xn 则 x = [ α 1 , α 2 , ⋯ , α n ] x =[\alpha_1,\alpha_2,\cdots,\alpha_n] x=[α1,α2,⋯,αn]T 是 ξ \xi ξ 在基 α 1 , α 2 , ⋯ , α n \alpha_1,\alpha_2,\cdots,\alpha_n α1,α2,⋯,αn 下的坐标向量
过渡矩阵和坐标变换
设
α
1
,
α
2
,
⋯
,
α
n
\alpha_1,\alpha_2,\cdots,\alpha_n
α1,α2,⋯,αn 和
β
1
,
β
2
,
⋯
,
β
n
\beta _1,\beta_2 ,\cdots,\beta_n
β1,β2,⋯,βn 是 n 维向量空间 V 的两组基,
若有 n 阶方阵 C 使 [
β
1
,
β
2
,
⋯
,
β
n
\beta _1,\beta_2 ,\cdots,\beta_n
β1,β2,⋯,βn ] =
[
α
1
,
α
2
,
⋯
,
α
n
]
C
[\alpha_1,\alpha_2,\cdots,\alpha_n]C
[α1,α2,⋯,αn]C ,
则 C 是由基
α
i
\alpha_i
αi 到基
β
i
\beta_i
βi 的过渡矩阵
求坐标:
α
x
=
β
y
\alpha x=\beta y
αx=βy
α
x
=
β
C
−
1
x
\alpha x=\beta C^{-1}x
αx=βC−1x
⇒
y
=
C
−
1
x
\Rightarrow y=C^{-1}x
⇒y=C−1x
4 linear equations
4.1 齐次线性方程组
向量形式: [ α 1 , α 2 , ⋯ , α n ] [ x 1 x 2 ⋮ x n ] = 0 [\alpha_1,\alpha_2,\cdots,\alpha_n]\left[\begin{array}{cccc}x_1\\x_2\\\vdots\\x_n\end{array}\right]=\bold{0} [α1,α2,⋯,αn] x1x2⋮xn =0 ,
矩阵形式: A m × n x = 0 A_{m\times n}x={0} Am×nx=0
有解的条件
- r(A)=n (向量组线性无关) 则方程组只有零解
- r(A)=r<n (向量组线性相关) 方程组有非零解,且线性无关解的个数为 n-r
特别地,若 A 为 n 阶方阵,则根据克拉默法则有:
- 齐次线性方程组 Ax=0 只有零解的充要条件为 |A|$\neq$0
- 齐次线性方程组 Ax=0 有非零解(或无数个解)的充要条件为 |A|=0
齐次线性方程组的解的性质
若 Ax1 = 0, Ax2=0, 则 A(k1x1+k2x2)=k1Ax1+k2Ax2=0
即齐次线性方程组的解的任意线性组合仍是方程组的解
齐次线性方程组的求解方法
高斯消元法
:将系数矩阵 A 做初等行变换化为行阶梯型矩阵 B ,由于初等行变换不改变方程组的解,故 Ax=0 和 Bx=0 的解相同,只需解 Bx=0
将 B 的每行第一个非零元素所在列对应的未知数视为约束变量,其余变量为自由变量,令自由变量为任意常数,并用其表示约束变量,即可得到 Ax=0 的通解
齐次线性方程组的的基础解系和通解
-
基础解系:
设 x 1 , x 2 , ⋯ , x n − r x_1,x_2,\cdots,x_{n-r} x1,x2,⋯,xn−r 是方程组 A x = 0 Ax=0 Ax=0 的解,若满足 x 1 , x 2 , ⋯ , x n − r x_1,x_2,\cdots,x_{n-r} x1,x2,⋯,xn−r 线性无关,且方程组 A x = 0 Ax=0 Ax=0 的任何一个解均可由 x 1 , x 2 , ⋯ , x n − r x_1,x_2,\cdots,x_{n-r} x1,x2,⋯,xn−r 线性表示,则称 x 1 , x 2 , ⋯ , x n − r x_1,x_2,\cdots,x_{n-r} x1,x2,⋯,xn−r 为 A x = 0 Ax=0 Ax=0 的基础解系 -
通解:
设 x 1 , x 2 , ⋯ , x n − r x_1,x_2,\cdots,x_{n-r} x1,x2,⋯,xn−r 是 A x = 0 Ax=0 Ax=0 的基础解系,则 k 1 x 1 , k 2 x 2 , ⋯ , k n − r x n − r k_1x_1,k_2x_2,\cdots,k_{n-r}x_{n-r} k1x1,k2x2,⋯,kn−rxn−r 是方程组 A x = 0 Ax=0 Ax=0 的通解,其中 k 1 , k 2 , ⋯ , k n − r k_1,k_2,\cdots,k_{n-r} k1,k2,⋯,kn−r 是任意常数(可全部取0)
齐次线性方程组的的解空间
记 S = { x ∣ A x = 0 } S=\{x|Ax=0\} S={x∣Ax=0} 表示齐次线性方程组 A x = 0 Ax=0 Ax=0 的解的全体,且具有如下性质:
- 两个解的和仍是解
- 一个解的倍数仍是解
有 n 个未知量的齐次线性方程组
A
x
=
0
Ax=0
Ax=0 的解向量集合 S 构成
R
n
\R^n
Rn 的一个子空间,称 S 为齐次线性方程组
A
x
=
0
Ax=0
Ax=0 的解空间
解空间也是向量空间的一种,也有基和维数,其维数为 A x = 0 Ax=0 Ax=0 线性无关解的个数
4.2 非齐次线性方程组
向量形式: [ α 1 , α 2 , ⋯ , α n ] [ x 1 x 2 ⋮ x n ] = b [\alpha_1,\alpha_2,\cdots,\alpha_n]\left[\begin{array}{cccc}x_1\\x_2\\\vdots\\x_n\end{array}\right]=\bold{b} [α1,α2,⋯,αn] x1x2⋮xn =b ,
矩阵形式: A m × n x = b A_{m\times n}x=\bold{b} Am×nx=b
矩阵
[
A
∣
b
]
,
[
A
,
b
]
,
A
~
[A|b],\;[A,b],\;\tilde{A}
[A∣b],[A,b],A~ 为矩阵 A 的增广矩阵
非齐次线性方程组有解的条件
- 若 r ( A ) ≠ r ( A ∣ b ) r(A)\neq r(A|b) r(A)=r(A∣b) (b 不能由 A x = 0 Ax=0 Ax=0 的解线性表示),则方程组无解
- 若 r ( A ) = r ( A ∣ b ) = n r(A)=r(A|b)=n r(A)=r(A∣b)=n ( α 1 , α 2 , ⋯ , α n \alpha_1,\alpha_2,\cdots,\alpha_n α1,α2,⋯,αn 线性无关, α 1 , α 2 , ⋯ , α n , b \alpha_1,\alpha_2,\cdots,\alpha_n,b α1,α2,⋯,αn,b 线性相关),则方程组有唯一解
- 若 r ( A ) = r ( A ∣ b ) = r < n r(A)=r(A|b)=r<n r(A)=r(A∣b)=r<n 则方程组有无穷个解
非齐次线性方程组解的性质
设 ξ 1 , ξ 2 , ξ \xi_1,\xi_2,\xi ξ1,ξ2,ξ 为非齐次线性方程组 A x = b Ax=b Ax=b 的解, x 0 x_0 x0 为齐次线性方程组 A x = 0 Ax=0 Ax=0 的解,则
- ξ 1 − ξ 2 \xi_1-\xi_2 ξ1−ξ2 是 A x = 0 Ax=0 Ax=0 的解
- k x 0 + ξ kx_0+\xi kx0+ξ 是 A x = 0 Ax=0 Ax=0 的解(k为任意常数)
非齐次线性方程组的求解方法和通解结构
将增广矩阵 [ A ∣ b ] [A|b] [A∣b] 做初等行变换化为行阶梯型矩阵,求出对应齐次线性方程组 A x = 0 Ax=0 Ax=0 的通解,再加上一个 A x = b Ax=b Ax=b 的特解即非齐次线性方程组 A x = b Ax=b Ax=b 的通解
4.3 方程组解的理论延伸
-
若两个方程组 A m × n x = 0 A_{m\times n}x=0 Am×nx=0 和 B s × n x = 0 B_{s\times n}x=0 Bs×nx=0 有完全相同的解,则称为
同解方程组
⇔ \Leftrightarrow ⇔ A m × n x = 0 A_{m\times n}x=0 Am×nx=0 的解满足 B s × n x = 0 B_{s\times n}x=0 Bs×nx=0 且 B s × n x = 0 B_{s\times n}x=0 Bs×nx=0 的解满足 A m × n x = 0 A_{m\times n}x=0 Am×nx=0
⇔ r ( A ) = r ( B ) \Leftrightarrow\;r(A)=r(B) ⇔r(A)=r(B) ,且 A m × n x = 0 A_{m\times n}x=0 Am×nx=0 的解满足 B s × n x = 0 B_{s\times n}x=0 Bs×nx=0
⇔ r ( A ) = r ( B ) = r ( A B ) \Leftrightarrow\;r(A)=r(B)=r\left(\begin{array}{cc}A\\B\end{array}\right) ⇔r(A)=r(B)=r(AB) -
设 A 是 m × n m\times n m×n 矩阵,B 是 n × s n\times s n×s 型矩阵,若 AB = 0,则 B 的列向量组是方程组 A m × n x = 0 A_{m\times n}x=0 Am×nx=0 的一组解
5 similar matrix & quadratic form
5.1 eigenvector & eigenvalue
concepts
设 n 阶方阵 A 满足以下条件:存在数
λ
\lambda
λ(可为复数)和非零 n 维列向量
x
x
x 使
A
x
=
λ
x
Ax=λx
Ax=λx 成立,则称 λ 是方阵 A 的特征值
,
x
x
x 为方阵 A 对应特征值 λ 的特征向量
求法
由
A
x
=
λ
x
Ax=λx
Ax=λx 可得
(
λ
E
−
A
)
x
=
0
(\lambda E-A)x=0
(λE−A)x=0, 因为该齐次方程组有非零解
x
x
x,即
r
(
λ
E
−
A
)
<
n
r(\lambda E-A)<n
r(λE−A)<n,所以
det
(
λ
E
−
A
)
=
0
\det (\lambda E-A)=0
det(λE−A)=0,记
f
(
λ
)
=
∣
λ
E
−
A
∣
f(\lambda)=|\lambda E-A|
f(λ)=∣λE−A∣,则
f
(
λ
)
f(\lambda)
f(λ) 为 A 的特征多项式
,它是关于 λ 的 n 次多项式
特征值就是 f ( λ ) = 0 f(\lambda)=0 f(λ)=0 的根,因此,n 阶方阵 A 在复数域上一共有 n 个特征值:$\lambda_1,\lambda_2,\cdots,\lambda_i $
再求特征值
λ
i
\lambda_i
λi 对应的特征向量
x
i
x_i
xi :由
A
x
=
λ
i
x
Ax=\lambda_ix
Ax=λix 可知
(
λ
i
E
−
A
)
x
=
0
(\lambda_iE-A)x=0
(λiE−A)x=0 ,求出该齐次线性方程组的非零解即为特征向量
x
i
x_i
xi . 由齐次线性方程组有解的条件可知,方程组
(
λ
i
E
−
A
)
x
=
0
(\lambda_iE-A)x=0
(λiE−A)x=0 有
n
−
r
(
λ
i
E
−
A
)
n-r(\lambda_iE-A)
n−r(λiE−A) 个线性无关的非零解,记
k
i
=
n
−
r
(
λ
i
E
−
A
)
k_i=n-r(\lambda_iE-A)
ki=n−r(λiE−A),则
k
i
k_i
ki 表示特征值
λ
i
\lambda_i
λi 对应的线性无关的特征向量的个数,并称
k
i
k_i
ki 为特征值
λ
i
\lambda_i
λi 的几何重数
性质
- ∣ A ∣ = ∏ i = 1 n λ i ⇒ A 的行列式等于所有特征值的积 \displaystyle|A|=\prod_{i=1}^n\lambda_i\;\;\Rightarrow A的行列式等于所有特征值的积 ∣A∣=i=1∏nλi⇒A的行列式等于所有特征值的积
- t r ( A ) = ∑ i = 1 n a i i = ∑ i = 1 n λ i ⇒ A 的迹等于所有特征值的和 \displaystyle\bold{tr}(A)=\sum_{i=1}^na_{ii}=\sum_{i=1}^n\lambda_i\;\;\Rightarrow A的迹等于所有特征值的和 tr(A)=i=1∑naii=i=1∑nλi⇒A的迹等于所有特征值的和
- 任何一个特征值对应的特征向量都是无穷个
- 不同特征值对应的特征向量线性无关
- 若 A 有 t 个相同的特征值 λ ,则称 λ 为 A 的应该 t 重特征值,并称 t 为特征值 λ 的
代数重数
.
显然,所有特征值的代数重数和为 n - 特征值 λ 的几何重数 k 小于等于 其代数重数 t ,即 k ⩽ t k \leqslant t k⩽t
- n 阶方阵最多有 n 个线性无关的特征向量
- 若 A 的所有特征值互异 / 每个特征值的几何重数等于代数重数,则 A 有 n 个线性无关的特征向量
特殊矩阵的特征值和特征向量
-
若 A x = λ x Ax=λx Ax=λx ,则:
A A A a A + b E aA+bE aA+bE A k A^k Ak f ( A ) f(A) f(A) A − 1 A^{-1} A−1 A ∗ A^* A∗ P − 1 A P P^{-1}AP P−1AP A T A^T AT 特征值 a λ + b a\lambda +b aλ+b λ K \lambda^K λK f ( λ ) f(\lambda) f(λ) 1 λ \frac1{\lambda} λ1 $\frac{ A }{\lambda}$ 特征向量 x x x x x x x x x x x x x x x P − 1 x P^{-1}x P−1x 无关 -
若 r ( A ) = 1 r(A)=1 r(A)=1,则 A 的一个特征值为 t r ( A ) \bold{tr}(A) tr(A),其余特征值均为 0
-
若 A 的每一行的和均为 a,则 a 一定为其特征值,且 a 对应的特征向量为 [ 1 , 1 , ⋯ , 1 ] T [1,1,\cdots,1]^T [1,1,⋯,1]T
-
若 A = [ A 1 A 2 ⋱ A s ] \small{A=\left[\begin{array}{cccc}A_1\\&A_2\\&&\ddots\\&&&A_s \end{array} \right]} A= A1A2⋱As ,其中 A i A_i Ai 均为方阵,则 A 的特征值为所有 A i A_i Ai 的特征值的并集(若为上三角或下三角也对)
-
幂等矩阵 A 2 = A A^2=A A2=A 的特征值只可能为 0 或 1
5.2 矩阵的相似对角化
矩阵相似
对于 n 阶矩阵 A,B,若存在 n 阶可逆矩阵 P 使 P − 1 A P = B P^{-1}AP=B P−1AP=B ,则称 A A A 和 B B B 相似,记为 A ∼ B A\sim B A∼B
且此时有:
- A 与 B 等价,即 r ( A ) = r ( B ) r(A)=r(B) r(A)=r(B)
- A 与 B 的特征值相同 ⇒ ∣ A ∣ = ∣ B ∣ a n d t r ( A ) = t r ( B ) \Rightarrow |A|=|B|\;and\;\bold{tr}(A)=\bold{tr}(B) ⇒∣A∣=∣B∣andtr(A)=tr(B)
- A 和 B 同一特征值对应的几何重数相等,即 r ( λ E − A ) = r ( λ E − B ) r(\lambda E-A)=r(\lambda E-B) r(λE−A)=r(λE−B)
本质:同一线性映射在不同基下的代数表达
![](https://i-blog.csdnimg.cn/blog_migrate/11f59d2fd989a8b58c063899a5227f43.webp?x-image-process=image/format,png)
相似对角化
若 A 相似于一个对角矩阵
Λ
=
[
λ
1
λ
2
⋱
λ
n
]
\small{\Lambda =\left[\begin{array}{cccc}\lambda_1\\&\lambda_2\\&&\ddots\\&&&\lambda_n\end{array}\right]}
Λ=
λ1λ2⋱λn
,则
λ
1
,
λ
2
,
⋯
,
λ
n
\lambda_1,\lambda_2,\cdots,\lambda_n
λ1,λ2,⋯,λn一定是
A
A
A 的特征值,称 A 可相似对角化
,或简称为可对角化
此时,
P
−
1
A
P
=
Λ
P^{-1}AP=\Lambda
P−1AP=Λ,且
P
=
[
x
1
,
x
2
,
⋯
,
x
n
]
P=[x_1,x_2,\cdots,x_n]
P=[x1,x2,⋯,xn],其中
x
i
x_i
xi 为特征值
λ
i
\lambda_i
λi 对应的特征向量
- r ( A ) = r ( Λ ) r(A)=r(\Lambda) r(A)=r(Λ),若 A 的特征值中存在 k 个0,且 A 可相似对角化,则 r ( A ) = n − k r(A)=n-k r(A)=n−k
- 若 A 和 B 均为对角矩阵,且特征值相同,则 A ∼ B A\sim B A∼B
矩阵 A 可相似对角化 ⟺ \Longleftrightarrow ⟺ 有 n 个线性无关的特征向量
A 可对角化要求 A 的特征值
λ
i
\lambda_i
λi 的代数重数
t
i
t_i
ti 等于几何重数
k
i
k_i
ki.
特别的,若每个特征值均互异,则一定可相似对角化
5.3 实对称矩阵的对角化
设 A 为一个实对称矩阵,则 A 的特征向量具有以下性质:
-
不同特征值对应的特征向量正交(由于特征向量不为零向量,所以一定线性无关)
-
同一特征值的代数重数一定等于几何重数
因此,实对称矩阵 A 一定可以相似对角化
正交矩阵
设 A 为 n 阶方阵,若
A
T
A
=
E
或
A
A
T
=
E
A^TA=E\;或\;AA^T=E
ATA=E或AAT=E 则称 A 为正交矩阵
显然,正交矩阵满足==
A
−
1
=
A
T
A^{-1}=A^T
A−1=AT==
|A|=1 或 -1
将 A 按列分块,即 A = [ α 1 , α 2 , ⋯ , α n ] A=[\alpha_1,\alpha_2,\cdots,\alpha_n] A=[α1,α2,⋯,αn],则 α i T α j = { 1 , i = j , 0 , i ≠ j . \alpha_i^T\alpha_j=\left\{\begin{array}{ll}1,\;i=j,\\0,\;i\neq j.\end{array}\right. αiTαj={1,i=j,0,i=j.
A 为正交矩阵 ⟺ \Longleftrightarrow ⟺ A 的列(行)向量组为 R n \R^n Rn 的一组标准正交基
对于一个实对称矩阵 A,有:
P
−
1
A
P
=
Λ
=
[
λ
1
λ
2
⋱
λ
n
]
\small{P^{-1}AP=\Lambda =\left[\begin{array}{cccc}\lambda_1\\&\lambda_2\\&&\ddots\\&&&\lambda_n\end{array}\right]}
P−1AP=Λ=
λ1λ2⋱λn
将 P 矩阵列分块,
P
=
[
x
1
,
x
2
,
⋯
,
x
n
]
P=[x_1,x_2,\cdots,x_n]
P=[x1,x2,⋯,xn],则
x
i
x_i
xi 为特征值
λ
i
\lambda_i
λi 对应的特征向量
通过施密特正交化方法和标准化,对于任意实对称矩阵 A,总可以找到正交矩阵 Q 使 Q T A Q = Λ Q^TAQ=\Lambda QTAQ=Λ
5.4 二次型
定义
关于 n 个未知量
x
1
,
x
2
,
⋯
,
x
n
x_1,x_2,\cdots,x_n
x1,x2,⋯,xn 的二次多项式
f ( X ) = f ( x 1 , x 2 , ⋯ , x n ) = a 11 x 1 2 + a 12 x 1 x 2 + ⋯ + a 1 n x 1 x n + a 21 x 2 x 1 + a 22 x 2 2 + ⋯ + a 2 n x 2 x n + ⋯ a n 1 x n x 1 + a n 2 x n x 2 + ⋯ + a n n x n 2 = ∑ i = 1 n ∑ j = 1 n a i j x i x j = [ x 1 , x 2 , ⋯ , x n ] [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n ] [ x 1 x 2 ⋮ x n ] = X T A X f(X)=f(x_1,x_2,\cdots,x_n)=a_{11}x_1^2+a_{12}x_1x_2+\cdots+a_{1n}x_1x_n+\\\qquad\qquad\qquad\qquad\qquad\quad\;\;\, a_{21}x_2x_1+a_{22}x_2^2+\cdots+a_{2n}x_2x_n+\\\cdots\\\qquad\qquad\qquad\qquad\qquad\;\;\;\; a_{n1}x_nx_1+a_{n2}x_nx_2+\cdots+a_{nn}x_n^2\\=\displaystyle\sum_{i=1}^n\sum_{j=1}^na_{ij}x_ix_j=\left[x_1,x_2,\cdots,x_n\right]\left[\begin{array}{cccc}a_{11}&a_{12}&\cdots&a_{1n}\\a_{21}&a_{22}&\cdots&a_{2n}\\\vdots&\vdots&&\vdots\\a_{n1}&a_{n2}&\cdots&a_{nn}\end{array}\right]\left[\begin{array}{cccc}x_1\\x_2\\\vdots\\x_n\end{array}\right]=X^TAX f(X)=f(x1,x2,⋯,xn)=a11x12+a12x1x2+⋯+a1nx1xn+a21x2x1+a22x22+⋯+a2nx2xn+⋯an1xnx1+an2xnx2+⋯+annxn2=i=1∑nj=1∑naijxixj=[x1,x2,⋯,xn] a11a21⋮an1a12a22⋮an2⋯⋯⋯a1na2n⋮ann x1x2⋮xn =XTAX
称为一个 n 元二次型
,A 称为二次型的矩阵
一般把 A 写成一个对称矩阵,即 a i j = a j i a_{ij}=a_{ji} aij=aji ,使系数平均分配
化二次型维标准型或规范型
通过适当的变量将
f
(
X
)
f(X)
f(X) 变换为
a
1
y
1
2
+
a
2
y
2
2
+
⋯
+
a
n
y
n
2
(
a
i
为实数
)
a_1y_1^2+a_2y_2^2+\cdots+a_ny_n^2\;(a_i为实数)
a1y12+a2y22+⋯+anyn2(ai为实数) 的形式,则称这种二次型为标准形
,
若进一步变形为
z
i
2
+
⋯
+
z
p
2
−
z
p
+
1
2
−
⋯
−
z
p
+
q
2
z_i^2+\cdots+z_p^2-z_{p+1}^2-\cdots-z_{p+q}^2
zi2+⋯+zp2−zp+12−⋯−zp+q2 的形式,则称为规范形
,其中 p 是正惯性系数,q 是负惯性系数。显然,规范性是标准型的特殊情况
- 配方法
- 正交变换法
惯性定理
:实二次型
f
(
X
)
=
X
T
A
X
f(X)=X^TAX
f(X)=XTAX 经过可逆线性变换为标准形时,正负项的项数是唯一确定的,它们的和为矩阵 A 的秩,且正数项的个数为正惯性系数
,负数项的个数为负惯性系数
,正负惯性系数的差值称为符号差
5.5 矩阵的合同
若存在 n 阶可逆矩阵 P ,使得
P
T
A
P
=
B
P^TAP=B
PTAP=B,则称 A 与 B 合同
,记为
A
≃
B
A\simeq B
A≃B
合同矩阵一定等价
对于实对称矩阵,正惯性系数个数等于正特征值个数,负惯性系数等于负特征值个数,故符号差相同的同阶实对称矩阵一定合同
5.6 正定二次型和正定矩阵
定义
设 n 元实二次型
f
(
x
1
,
x
2
,
⋯
,
x
n
)
=
X
T
A
X
f(x_1,x_2,\cdots,x_n)=X^TAX
f(x1,x2,⋯,xn)=XTAX ,若对于任何非零列向量
x
∈
R
n
x\in \R^n
x∈Rn,均满足
x
T
A
x
>
0
x^TAx >0
xTAx>0 ,则称
f
(
x
1
,
x
2
,
⋯
,
x
n
)
f(x_1,x_2,\cdots,x_n)
f(x1,x2,⋯,xn) 位正定二次型
,同时称二次型矩阵 A 为正定矩阵
若
x
T
A
x
⩾
0
x^TAx\geqslant0
xTAx⩾0 ,则称 A 为半正定矩阵
必要条件
若 A 正定,则:
- a i i > 0 a_{ii}>0 aii>0
- ∣ A ∣ > 0 |A|>0 ∣A∣>0
- A T = A A^T=A AT=A
充要条件
f 正定 f正定 f正定
⇔ A 正定 \Leftrightarrow A正定 ⇔A正定
⇔ A − 1 正定 \Leftrightarrow A^{-1}正定 ⇔A−1正定
⇔ 所有特征值 λ i > 0 \Leftrightarrow 所有特征值\lambda_i>0 ⇔所有特征值λi>0
⇔ 正惯性系数 p = n \Leftrightarrow 正惯性系数\;p=n ⇔正惯性系数p=n
⇔ n 个顺序主子式均大于 0 \Leftrightarrow n个顺序主子式均大于0 ⇔n个顺序主子式均大于0
⇔ A 合同于单位矩阵 E \Leftrightarrow A合同于单位矩阵E ⇔A合同于单位矩阵E
⇔ 存在可逆矩阵 P 使得 P T A P = E \Leftrightarrow 存在可逆矩阵 P 使得P^TAP=E ⇔存在可逆矩阵P使得PTAP=E
负定矩阵
若对于任何非零列向量
x
∈
R
n
x\in \R^n
x∈Rn,均满足
x
T
A
x
<
0
x^TAx <0
xTAx<0,则对称矩阵 A 是负定矩阵
充要条件:
- 所有特征值小于0
- A 的偶数阶顺序主子式大于0,奇数阶顺序主子式小于0(正负相间)