线性代数笔记：行列式和矩阵；以及具体实战

二阶和三阶行列式

定义1.1.1

设有4个可以进行加法和乘法运算的元素$a,b,c,d$排列成两行两列，引用符号：

$$\begin{vmatrix} a & b \\ c & d \end{vmatrix}=ad-bc \tag{1.1.3}$$
并称之为二阶行列式。简记为 $D$.

解的表达

利用消元法求解二元线性方程组：

$$\begin{cases} a_{11}x_1 + a_{12}x_2 = b_1 \\ a_{12}x_2 +a_{22}x_2 = b_2 \\ \end{cases}$$
利用消元法可以得到方程组唯一的解：
$$x_1=\frac{a_{22}b_1-a_{12}b_2}{a_{11}a_{22}-a_{12}a_{21}}=\frac{D_1}{D}\\ x_2=\frac{a_{11}b_2-a_{21}b_1}{a_{11}a_{22}-a_{12}a_{21}}=\frac{D2}{D}$$
其中：
$$D = \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}= a_{11}a_{22}-a_{12}a_{21} \\ D_1 = \begin{vmatrix} b_{1} & a_{12} \\ b_{2} & a_{22} \end{vmatrix}= b_{1}a_{22}-a_{12}b_{2} \\ D_2 = \begin{vmatrix} a_{11} & b_{1} \\ a_{21} & b_{2} \end{vmatrix}= a_{11}b_{2}-a_{21}b_{2}$$
这就是二元线性方程组的克莱姆法则（cramer）。

n阶行列式的求法

$$D_n = \begin{vmatrix} a_{11} & a_{12}&...&a_{1n} \\ a_{11} & a_{12}&...&a_{1n} \\ \vdots & \vdots & ... &\vdots \\ a_{n1} & a_{12}&...&a_{nn} \\ \end{vmatrix}= a_{11} A_{11}+a_{12}A_{12}+...+a_{1n}A_{1n}$$
其中
$$A_{ij}=(-1)^{i+j}M_{ij}$$
其中 $M_{ij}$就是去掉了i行和第j列的行列式。
$$M_{ij} = \begin{vmatrix} a_{11} &...& a_{1,{j-1}}& a_{1,{j+1}}...&a_{1n} \\ a_{{i-1},1}&... & a_{{i-1},2}&...&a_{{i-1},n} \\ a_{{i+1},1}&... & a_{{i+1},2}&...&a_{{i+1},n} \\ \vdots & \vdots & ... &\vdots \\ a_{{n},1}&... & a_{{n},2}&...&a_{{n},n} \\ \end{vmatrix}$$
M有个名字，叫余子式。

练练

求解如下行列式的值。

$$D_n = \begin{vmatrix} 3 & 0&1&0 \\ 2 &0&0&5 \\ 0 &1&4&1 \\ 0 &2&3&1 \\ \end{vmatrix}$$

$$D_n = \begin{vmatrix} 3 & 0&1&0 \\ 2 &0&0&5 \\ 0 &1&4&1 \\ 0 &2&3&1 \\ \end{vmatrix}\\=3(-1)^{1+1}\begin{vmatrix} 0&0&5 \\ 1&4&1 \\ 2&3&1 \\ \end{vmatrix}+1*(-1)^{1+3} \begin{vmatrix} 2 &0&5 \\ 0 &1&1 \\ 0 &2&1 \\ \end{vmatrix}\\ =15(-1)^{1+3}\begin{vmatrix} 1&4 \\ 2&3 \\ \end{vmatrix}+2(-1)^{1+1}\begin{vmatrix} 1&1 \\ 2&1 \\ \end{vmatrix}+5(-1)^{1+3}\begin{vmatrix} 0&1 \\ 0&2 \\ \end{vmatrix} \\=-75+(-2)=-77$$

弄个程序练练

public class Hanglie {
    public static void main(String args[])
    {
        int[][]m={{3,0,1,0},
        {2,0,0,5},
        {0,1,4,1},
        {0,2,3,1}
        };
        int[][]m2={{1,2},
                {2,0}
                };
        System.out.println(hlvalue(m));
    }
    public static int hlvalue(int[][]matrix)
    {

        int sum = 0;    
        if(matrix[0].length==2)
        {
            return matrix[0][0]*matrix[1][1]-matrix[0][1]*matrix[1][0];
        }
        else
        {
        for(int j=0;j<matrix[0].length;j++)
        {


            if(matrix[0][j]==0)continue;
            //1-size，不要j列
            int modlength = matrix[0].length-1;
            int modmatrix[][]=new int[modlength][modlength];
            for(int m1=0;m1<modlength;m1++)
            {
                for(int m2=0;m2<modlength;m2++)
                {
                    modmatrix[m1][m2]=matrix[m1+1][m2>=j?m2+1:m2];
                }
            }

            for(int m1=0;m1<modlength;m1++)
            {
                for(int m2=0;m2<modlength;m2++)
                {
                    System.out.print(modmatrix[m1][m2]+",");
                }
                System.out.println();
            }
            int sign = ((j+2)%2==0?1:-1);
            System.out.println(matrix[0][j]+"===="+sign);
            sum+=matrix[0][j]*sign*hlvalue(modmatrix);
        }
        return sum;
        }//else
    }

}

python

import numpy as np
matrix =[[3,0,1,0],[2,0,0,5],[0,1,4,1],[0,2,3,1]]
print(matrix)
det = np.linalg.det(matrix)
print(det)

输出：

[[3, 0, 1, 0], [2, 0, 0, 5], [0, 1, 4, 1], [0, 2, 3, 1]]
-77.0

依赖numpy包。下面会介绍矩阵的一些基础。

逆矩阵

如果$A$是$n$阶方阵，如果存在矩阵$B$，使得$AB=E$，那么$B$就是$A$的逆矩阵。

问：A有没有逆矩阵呢？
答：存在逆矩阵的充分必要条件是$|A|\neq 0$, 也称A为满秩矩阵，为非奇异矩阵； 否则$|A|=0$, 则A为奇异矩阵，或降秩矩阵。
继续上例子：

matrix =[[3,0,1,0],[2,0,0,5],[0,1,4,1],[0,2,3,1]]
m = np.mat(matrix)
invm = np.linalg.inv(m)
invm=[[ 0.32467532  0.01298701 -0.12987013  0.06493506]
 [ 0.02597403 -0.03896104 -0.61038961  0.80519481]
 [ 0.02597403 -0.03896104  0.38961039 -0.19480519]
 [-0.12987013  0.19480519  0.05194805 -0.02597403]]

我们来验证一下：

prin(invm*matrix)
[[  1.00000000e+00   0.00000000e+00   0.00000000e+00   0.00000000e+00]
 [  0.00000000e+00   1.00000000e+00  -5.55111512e-17   2.77555756e-17]
 [  0.00000000e+00   0.00000000e+00   1.00000000e+00   1.04083409e-17]
 [  0.00000000e+00   0.00000000e+00  -2.08166817e-17   1.00000000e+00]] 

求解线性方程组

求解线性方程组$AX=B$

A = np.mat("1 -2 1;0 2 -8;-4 5 9")
B = np.array([0,8,-9])
X = np.linalg.solve(A,B)
print(X)
print(np.dot(A,X))
>>
[ 29.  16.   3.]
[[ 0.  8. -9.]]

特征值和特征向量

如果$A\xi = \lambda\xi$，其中$\lambda$是标量，$\xi$是向量；$A$为方阵, 那么称非零向量$\xi$为矩阵A的对应于特征值$\lambda$的特征向量。

a = np.matrix("3 -2;1 0")
lambda0 = np.linalg.eigvals(a)
print(lambda0) #存在两个特征值，也就对应两个特征向量
lamda,vec = np.linalg.eig(a)
# 验证
print(lamda,vec)
print(np.dot(a,vec[:,0]))# av 
print(lamda[0]*vec[:,0]) # lv

print(np.dot(a,vec[:,1]))
print(lamda[1]*vec[:,1])

貌似svd有点复杂。后续再更。

合同矩阵

设A,B是两个n阶方阵，若存在可逆矩阵C，使得
$C^TAC = B$
则称方阵A与B合同，记作$A\approx B$ 。

正定矩阵

　判定定理1：对称阵A为正定的充分必要条件是：A的特征值全为正。
　判定定理2：对称阵A为正定的充分必要条件是：A的各阶顺序主子式都为正。 　
　判定定理3：任意阵A为正定的充分必要条件是：A合同于单位阵。
　即：对任意非零列向量，$x^T*A*x>0$则A是正定矩阵。A必须是对称的（前提条件）。

怎么判定呢？

import numpy as np
def is_pos_def(x):
 eigvals =  np.linalg.eigvals(x)
 print eigvals
 return np.all(eigvals > 0)
if __name__ == "__main__":
    R = [
        [1, 2, 3, 4],
        [2, 0, 0, 1],
        [3, 0, 0, 5],
        [4, 1, 5, 4]
    ]  ##(5,4,), k=2
    print is_pos_def(R)
    C = np.linalg.cholesky(R2)