线代部分知识点(无序)
矩阵等价与矩阵相似
等价:A经过一系列初等变换等到B,称A与B等价,也就是存在可逆阵PQ使B=PAQ,那么AB秩相等
相似:在线性代数中,相似矩阵是指存在相似关系的矩阵。设A,B为n阶矩阵,如果有n阶可逆矩阵P存在,使得
P
−
1
A
P
=
B
P^{-1}AP=B
P−1AP=B
则称矩阵A与B相似,记为A~B
相似矩阵的特点:两者的秩相等;
两者的行列式值相等;
两者拥有同样的特征值,尽管相应的特征向量一般不同;
两者拥有同样的特征多项式
行列式计算技巧
1.上三角行列式的值为主对角线数字乘积
矩阵的初等变换与行列式值的关系
第一类初等变换(换行换列)使行列式变号,第二类初等变换(某行或某列乘k倍)使行列式变k倍,第三类初等变换(某行(列)乘k倍加到另一行(列))使行列式不变。
矩阵的特征值(特征根)和特征向量
1.A必须是方阵
2.A
α
=
λ
α
\alpha=\lambda\ \alpha
α=λ α(
λ
\lambda
λ可以为0,特征向量
α
\alpha
α是非0列向量)
3.一个特征值可以对应多个特征向量,一个特征向量只能对应一个特征值
4.特征多项式:
∣
A
−
λ
E
∣
|A-\lambda E|
∣A−λE∣
特征方程:
∣
A
−
λ
E
∣
=
0
|A-\lambda E|=0
∣A−λE∣=0
5.
λ
\lambda
λ是A的特征值,
α
\alpha
α是对应的特征向量,则c
α
\alpha
α也是对应的特征向量(c
≠
0
\ne0
=0)
6.
α
1
,
α
2
\alpha_1,\alpha_2
α1,α2是
λ
\lambda
λ的特征向量,则
c
1
α
1
+
c
2
α
2
c_1\alpha_1+c_2\alpha_2
c1α1+c2α2也是特征向量。(前提是同一个特征值)
7.在解特征方程的时候若出现
(
λ
−
2
)
(
λ
−
1
)
(
λ
−
1
)
=
0
(\lambda-2)(\lambda-1)(\lambda-1)=0
(λ−2)(λ−1)(λ−1)=0,结论写成A的特征值为
λ
1
=
2
,
λ
2
=
λ
3
=
2
\lambda_1=2,\lambda_2=\lambda_3=2
λ1=2,λ2=λ3=2(重根要写出来)
8.不同特征根的特征向量是线性无关的
9.若n阶方阵A可以相似于一个n阶对角矩阵,则称A可对角化,n阶方阵A相似于对角矩阵的充要条件是A有n个线性无关的特征向量。
10.特征值为0,则行列式的值为0.
11.特征值正是使得 |λE-A|=0 的那些根(可以用来一眼看出特征值)
12.特征向量的求法:(A-
λ
E
\lambda E
λE)
α
\alpha
α=0
13.特征值的积为行列式的值
特征值的和为矩阵的迹
14.特征值和特征向量的性质
- 转置后特征值不变
- 设 λ \lambda λ是A的特征值, λ k \lambda^k λk是 A k A^k Ak的特征值
- f( λ \lambda λ)= a 0 + a 1 λ . . . + a m λ m a_0+a_1\lambda...+a_m\lambda^m a0+a1λ...+amλm是f(A)= a 0 E + a 1 A + . . . + a m A m a_0E+a_1A+...+a_mA^m a0E+a1A+...+amAm的特征值
- λ 是 可 逆 方 阵 A 的 特 征 值 \lambda是可逆方阵A的特征值 λ是可逆方阵A的特征值, 1 λ 是 A − 1 的 特 征 值 \frac{1}{\lambda}是A^{-1}的特征值 λ1是A−1的特征值
- 逆矩阵与伴随矩阵与原来的矩阵有相同的特征向量
- 矩阵和的特征值等于特征值的和
方阵的行列式
1.
∣
k
A
∣
=
k
n
∣
A
∣
|kA|=k^n|A|
∣kA∣=kn∣A∣(因为kA是用k乘A里面的所有数)
2.
∣
A
B
C
∣
=
∣
A
∣
∣
B
∣
∣
C
∣
|ABC|=|A||B||C|
∣ABC∣=∣A∣∣B∣∣C∣ (A,B,C同阶方阵)
伴随矩阵与逆矩阵
1.求伴随矩阵(任意方阵都有伴随矩阵)
- 求出所有元素的代数余子式
- 按行求的代数余子式按列放构成矩阵 A ∗ A^* A∗
2.一个方阵与其伴随矩阵的秩的关系
- 若 R ( A ) = n , R ( A ∗ ) = n R(A)=n,R(A^*)=n R(A)=n,R(A∗)=n
- 若 R ( A ) = n − 1 , R ( A ∗ ) = 1 R(A)=n-1,R(A^*)=1 R(A)=n−1,R(A∗)=1
- 若 R ( A ) < n − 1 , R ( A ∗ ) = 0 R(A)<n-1,R(A^*)=0 R(A)<n−1,R(A∗)=0(即伴随矩阵为零矩阵)
3.逆矩阵
- 对角矩阵的逆矩阵为各元素的倒数
- AB=AC,B=C的条件是A为可逆矩阵,因为左乘A的逆即可
- 逆矩阵的行列式为原矩阵的倒数
- 逆矩阵的特征值也为原矩阵的倒数
4.
A
A
∗
=
A
∗
A
=
∣
A
∣
E
AA^*=A^*A=|A|E
AA∗=A∗A=∣A∣E
当|A|
≠
0
\ne0
=0,
∣
A
∗
∣
=
∣
A
∣
n
−
1
|A^*|=|A|^{n-1}
∣A∗∣=∣A∣n−1
5.
(
A
∗
)
−
1
=
A
∣
A
∣
(A^*)^{-1}=\frac{A}{|A|}
(A∗)−1=∣A∣A
(
λ
A
)
−
1
=
1
λ
A
−
1
(\lambda A)^{-1}=\frac{1}{\lambda}A^{-1}
(λA)−1=λ1A−1
向量间的线性关系
1.零向量可被任一向量组表示,k全取0
2.含零向量的任意向量组必线性相关
3.一个零向量必相关,一个非零向量必无关
4.一个向量组中,部分线性相关则整体线性相关。整体组线性无关,则部分线性无关。
5.线性无关的向量组,其接长向量组也无关。
线性相关的向量组,其截短向量组也相关。
6.n个n维向量,D
≠
0
\ne0
=0,则线性无关。
D=0,线性相关。(都是充要条件)
7.若向量组A:
a
1
,
a
2
,
.
.
.
,
a
m
a_1,a_2,...,a_m
a1,a2,...,am线性无关,向量组B:
a
1
,
a
2
,
a
3
,
.
.
.
a
m
,
b
a_1,a_2,a_3,...a_m,b
a1,a2,a3,...am,b线性相关,则向量b必能由向量组A线性表示,且表示法唯一
8.向量B能由向量组A线性表示,则A的秩大于等于B的秩
向量组的秩(非0子式的最高阶数)
1.极大线性无关组 A 0 A_0 A0定义:
- 向量组 A 0 A_0 A0:a1,a2,…,ar 线性无关
- A中的任何向量均可由向量组 A 0 A_0 A0: a 1 , a 2 , a 3 . . . a r a_1,a_2,a_3...a_r a1,a2,a3...ar线性表示
2.极大线性无关组:
- 一个线性无关的向量组其极大线性无关组是本身
- 任何一个向量组和它的极大线性无关组等价
- 极大线性无关组中所含向量个数为矩阵的秩
3.零向量的秩为0
4.r(A)<=min(向量的个数,向量的维数)
r(AB)<=min(r(A),r(B))
max(R(A),R(B)) <=R(A,B)<=R(A)+R(B)
R
(
A
+
B
)
<
=
R
(
A
)
+
R
(
B
)
R(A+B)<=R(A)+R(B)
R(A+B)<=R(A)+R(B)
5.初等行变换不改变列向量的线性关系
6.一个向量乘可逆矩阵,秩不变
非齐次和齐次线性方程组有解判定
1.线性方程组的向量表示形式
x
1
α
1
+
x
2
α
2
+
x
3
α
3
.
.
.
=
β
x_1\alpha_1+x_2\alpha_2+x_3\alpha_3...=\beta
x1α1+x2α2+x3α3...=β
2.线性方程组有解判定(n是未知量的个数)(不齐次的情况,即Ax=b(b
≠
0
\ne0
=0))
r(
a
ˉ
\bar a
aˉ)=r(a)时,方程组有解,等于n有一个解
小于n有无穷多解
r(
a
ˉ
\bar a
aˉ)
≠
\ne
=r(a),无解
3.Ax=0有解判定(m为方程个数)
r(A)
≤
\le
≤min(n,m)
当m<n时,一定有无穷多解,即有非0解
4.基础解系一定是线性无关的,并且是解向量的极大线性无关组,即每一个解向量都可以由基础解系表示
正交向量
1.x,y内积为0时称为正交(或垂直)
2.若一个向量组中任意两个向量都正交,则称此向量组为正交向量组,若一个向量组中每一个向量都是单位向量,则称此向量组为正交规范向量组或标准正交向量组。
3.实矩阵是指矩阵中每个数都是实数的矩阵。
4.A
A
T
A^T
AT=E或
A
T
A
A^TA
ATA=E,则n阶实矩阵 A称为正交矩阵。A为正交矩阵的充要条件是A的行(列)向量组为正交规范向量组。
5.正交矩阵的性质
- |A| ∣ A T ∣ = 1 |A^T|=1 ∣AT∣=1,所以|A|=1或-1。
- 若n阶方阵满足 A A T = E ( 即 A − 1 = A T ) , 称 A 为 正 交 矩 阵 AA^T=E(即A^{-1}=A^T),称A为正交矩阵 AAT=E(即A−1=AT),称A为正交矩阵
其次线性方程组解的结构
1.基础解系解的个数是n-r个
2.
A
x
=
0
Ax=0
Ax=0
A=(
α
1
,
α
2
,
α
3
\alpha_1,\alpha_2,\alpha_3
α1,α2,α3)
x=
(
1
,
2
,
3
)
T
(1,2,3)^T
(1,2,3)T的实质是
α
1
+
2
α
2
+
3
α
3
=
0
\alpha_1+2\alpha_2+3\alpha_3=0
α1+2α2+3α3=0
非齐次线性方程组解的结构
1.若
α
1
,
α
2
\alpha_1,\alpha_2
α1,α2均为Ax=b的解,则
α
1
−
α
2
\alpha_1-\alpha_2
α1−α2为Ax=0的解。
2.
α
0
\alpha_0
α0是Ax=b的解,
η
\eta
η是Ax=0的解,则
α
0
+
η
\alpha_0+\eta
α0+η是Ax=b的解。
3.AX=b的通解是AX=b的特解加上AX=0的基础解系的线性组合。
分块矩阵
1.分块矩阵的转置:
- 将块看作元素求矩阵的转置
- 每个子块求转置
2.分块矩阵求行列式
H=
(
A
C
0
B
)
\begin{pmatrix} A&C\\ 0&B\\ \end{pmatrix}
(A0CB)
|H|=|A||B|
H=
(
0
A
B
C
)
\begin{pmatrix} 0&A\\ B&C\\ \end{pmatrix}
(0BAC)
∣
H
∣
=
(
−
1
)
m
n
∣
A
∣
∣
B
∣
|H|=(-1)^{mn}|A||B|
∣H∣=(−1)mn∣A∣∣B∣
(可由laplace定理证明)
3.分块矩阵求逆矩阵
(
A
0
0
B
)
−
1
\begin{pmatrix} A&0\\ 0&B\\ \end{pmatrix}^{-1}
(A00B)−1=
(
A
−
1
0
0
B
−
1
)
\begin{pmatrix} A^{-1}&0\\ 0&B^{-1}\\ \end{pmatrix}
(A−100B−1)
( 0 A B 0 ) − 1 \begin{pmatrix} 0&A\\ B&0\\ \end{pmatrix}^{-1} (0BA0)−1= ( 0 B − 1 A − 1 0 ) \begin{pmatrix} 0&B^{-1}\\ A^{-1}&0\\ \end{pmatrix} (0A−1B−10)
实对称矩阵的对角化
1.
α
\alpha
α的长度表示为
∣
∣
α
∣
∣
||\alpha||
∣∣α∣∣,
(
α
,
α
\alpha,\alpha
α,α)=
∥
∣
α
∣
∣
2
\||\alpha||^2
∥∣α∣∣2
2.施密特正交化
将一组线性无关的向量组
α
1
,
α
2
,
.
.
.
,
α
r
\alpha_1,\alpha_2,...,\alpha_r
α1,α2,...,αr转化为与之等价的正交向量组
β
1
,
β
2
,
.
.
.
,
β
r
\beta_1,\beta_2,...,\beta_r
β1,β2,...,βr
β
1
=
α
1
\beta_1=\alpha_1
β1=α1
β
2
=
α
2
−
(
α
2
,
β
1
)
(
β
1
,
β
1
)
β
1
\beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{(\beta_1,\beta_1)}\beta_1
β2=α2−(β1,β1)(α2,β1)β1
β
3
=
α
3
−
(
α
3
,
β
1
)
(
β
1
,
β
1
)
β
1
−
(
α
3
,
β
2
)
(
β
2
,
β
2
)
β
2
\beta_3=\alpha_3-\frac{(\alpha_3,\beta_1)}{(\beta_1,\beta_1)}\beta_1-\frac{(\alpha_3,\beta_2)}{(\beta_2,\beta_2)}\beta_2
β3=α3−(β1,β1)(α3,β1)β1−(β2,β2)(α3,β2)β2
β
r
=
α
r
−
(
α
r
,
β
1
)
(
β
1
,
β
1
)
β
1
−
(
α
r
,
β
2
)
(
β
2
,
β
2
)
β
2
−
.
.
.
−
(
α
r
,
β
r
−
1
)
(
β
r
−
1
,
β
r
−
1
)
β
r
−
1
\beta_r=\alpha_r-\frac{(\alpha_r,\beta_1)}{(\beta_1,\beta_1)}\beta_1-\frac{(\alpha_r,\beta_2)}{(\beta_2,\beta_2)}\beta_2-...-\frac{(\alpha_r,\beta_{r-1})}{(\beta_{r-1},\beta_{r-1})}\beta_{r-1}
βr=αr−(β1,β1)(αr,β1)β1−(β2,β2)(αr,β2)β2−...−(βr−1,βr−1)(αr,βr−1)βr−1
3.实对称矩阵的相似理论
-
设A为n阶实对称矩阵,则存在正交矩阵,使得 P T A P = Λ P^TAP=\Lambda PTAP=Λ( Λ 是 对 角 矩 阵 \Lambda是对角矩阵 Λ是对角矩阵)
-
n阶方阵相似于对角矩阵的充要条件是由n个线性无关的特征向量
-
实对称矩阵A的属于不同特征值的特征向量相互正交
注意事项:
1.奇异矩阵的秩不是满秩,也叫降秩矩阵,
∣
A
∣
=
0
|A|=0
∣A∣=0。非奇异矩阵为满秩矩阵,行列式不为0,|A|
≠
0
\ne0
=0。
2.矩阵乘法一般不满足交换律,满足结合律
3.初等矩阵定义:单位矩阵经过一次初等变换得到的矩阵(初等矩阵一定可逆)
4.
(
A
T
)
−
1
=
(
A
−
1
)
T
(A^T)^{-1}=(A^{-1})^{T}
(AT)−1=(A−1)T
5.矩阵左乘行变换,右乘列变换
6.反对称矩阵必有
a
i
j
=
−
a
j
i
a_{ij}=-a_{ji}
aij=−aji,所以对角线上的元素都是0
7.n阶子式的定义:在m×n矩阵A中,任取k行与k列(k≤m,k≤n),位于这些行列式交叉处的k²个元素,不zhi改变它们在A中所处的位置次序而的k阶行列式,称为矩阵A的k阶子式。