线性代数 【基础1】

$[前四章重点秩，后两章重点特征值]$

行列式

$逆序数：大的数在小的数之前为逆序，一个排列中所有逆向总数称为逆序数$(1234顺序，无逆序)
$n阶行列式n\times n[方的]$
$行列式定义：n!项不同行不同列元素乘积的代数和$

$拉普拉斯展开式$
$\left|\begin{array}{cc}A& C\\ O& B\end{array}\right|=\left|\begin{array}{cc}A& O\\ C& B\end{array}\right|=\left|\begin{array}{cc}A& O\\ C& B\end{array}\right|=|A||B|$

$\left|\begin{array}{cc}O& A\\ B& C\end{array}\right|=\left|\begin{array}{cc}O& A\\ B& O\end{array}\right|=\left|\begin{array}{cc}C& A\\ B& O\end{array}\right|=(-1{)}^{mn}|A||B|$

$范德蒙德行列式：(补充结论:关键行一次方-x_1...x_n均不相等,则|A|\ne 0)$

$\left|\begin{array}{ccc}1& 1& 1\\ 1& a& a^2\\ 1& b& b^2\end{array}\right|=(b-a)(b-a)(a-1)[(A^T{)}^T=A行列互换，两次换回原位]$
$（代数余子式A_{ij}=(-1{)}^{行+列}余子式M_{ij}）$
$按行(或列)展开定理推论：某一行元素与另一行元素的代数余子式的乘积之和为零（伴随矩阵性质1证明矩阵乘法计算后仅对角线元素为元素乘对应余子式=|A|,其余为乘不同行之和）$

$a_{i1}{A}_{j1}+a_{i2}{A}_{j2}+...+a_{in}{A}_{jn}=\{\begin{array}{l}|A|i=j\\ 0i\ne j\end{array}$

$a_{1i}{A}_{1j}+a_{2i}{A}_{2j}+...+a_{ni}{A}_{nj}=\{\begin{array}{l}|A|i=j\\ 0i\ne j\end{array}$

$（证明A{A}^{\ast }=|A|E）$

方阵的行列式公式

$矩阵A仅n阶矩阵(方阵)才有|A|$

$|kA|=k^n|A|$
$|AB|=|A||B|=|B||A|=|BA|（具体数值可以随意位置）$
$|A^{-1}|=|A{|}^{-1}$
$|A^{\ast }|=|A{|}^{n-1}$
$设A的特征值为{\lambda }_1,{\lambda }_2,{\lambda }_3,...,{\lambda }_n,则|A|=\prod _{i=1}^n{\lambda }_i(对角线乘积)$
$若A与B相似,则|A|=|B|$

$克莱姆法则-方阵且|A|\ne 0有唯一解(系数矩阵行列式D)x_1=\frac{D_1}{D},x_2=\frac{D_2}{D},...,x_n=\frac{D_n}{D}$
$经典例题：递推展开D_n相同形式（计算过程-秦九韶算法）-或者按行展开化重要行列式（上(下)三角）$

矩阵

$(默认A_{m\times n})[行列式是一个数，矩阵是一个数表]$
$矩阵乘法定义[660做题-矩阵乘法左乘行变换，右乘列变换]$
$一般情况下，AB=AC且A\ne 0\nRightarrow B=C小点：AB=O\nRightarrow A=0或B=0（二阶为例-1个1其余0）$
$$\begin{gathered} 矩阵乘法满足结合律和分配律，不满足交换律和消去律 \\ 特别的B=0,B=E,B=A^{-1},B=A^{\ast }满足交换律AB=BA,则满足完全平方公式，平方差公式 \end{gathered}$$
$$\begin{gathered} 添加满足消去律的充分条件： \\ ①若A为可逆矩阵，则AB=AC\Rightarrow B=C（两边同乘A^{-1}） \\ ②若A为列满秩矩阵，则AB=AC\Rightarrow B=C（r(A(B-C))=r(B-C)=0,B-C为零矩阵，则B=C） \\ ③若A为行满秩矩阵，则BA=CA\Rightarrow B=C \end{gathered}$$
$$\begin{gathered} 转置的性质 \\ (A+B{)}^T=A^T+B^T \\ (kA{)}^T=k{A}^T \\ (AB{)}^T=B^T{A}^T（二阶为例） \\ (A^T{)}^T=A（定义行列互换，两次还原） \\ |A^T|=|A| \end{gathered}$$

$对称矩阵A^T=A与反对称矩阵A^T=-A(任意n阶矩阵均可分解为对称矩阵与反对称矩阵)$

$逆的定义：设A为n阶矩阵,若存在B为n阶矩阵，使得AB=E或BA=E,则称A可逆，B为A的逆矩阵，记作B=A^{-1}$

$$\begin{gathered} 逆的性质： \\ (KA{)}^{-1}=\frac{1}{k}{A}^{-1}(k\ne 0) \\ (AB{)}^{-1}=B^{-1}{A}^{-1}（定义AB(B^{-1}{A}^{-1})=E） \\ |A^{-1}|=\frac{1}{|A|}（定义|A^{-1}|\cdot |A{|}^{-1}=|A^{-1}A{|}^{-1}=E^{-1}=E,故|A{|}^{-1}=\frac{1}{|A|}=|A^{-1}|） \\ (A^T{)}^{-1}=(A^{-1}{)}^T（用转置性质与逆的定义：A^T(A^{-1}{)}^T=(A^{-1}A{)}^T=E,故(A^T{)}^{-1}=(A^{-1}{)}^T） \\ (A^{-1}{)}^{-1}=A（定义证明：A^{-1}A=E，故(A^{-1}{)}^{-1}=A） \end{gathered}$$

---

矩阵的逆

$$\begin{gathered} 可逆的充要条件(n阶矩阵可逆) \\ \iff |A|\ne 0（第一章行列式|A^{-1}|=\frac{1}{|A|},分母|A|\ne 0） \\ \iff r(A)=n（满秩） \\ \iff A的行(或列)向量组线性无关 \\ \iff 齐次线性方程组Ax=0只有零解 \\ \iff 非齐次线性方程组Ax=b有唯一解x=A^{-1}b \\ \iff A的特征值均不为零(即|A|={\lambda }_1...{\lambda }_n\ne 0) \end{gathered}$$

$$\begin{gathered} 逆的求法： \\ ①逆的定义：AB=E或BA=E \\ ②初等变换法：(A|E)\to (E|A^{-1}) \\ ③伴随矩阵法：A^{-1}=\frac{A^{\ast }}{|A|} \\ ④分块矩阵法：{\left[\begin{array}{cc}A& O\\ O& B\end{array}\right]}^{-1}=\left[\begin{array}{cc}{A}^{-1}& O\\ O& B^{-1}\end{array}\right]，{\left[\begin{array}{cc}O& A\\ B& O\end{array}\right]}^{-1}=\left[\begin{array}{cc}O& B^{-1}\\ A^{-1}& O\end{array}\right] \end{gathered}$$

---

矩阵的秩

$$\begin{gathered} 秩的定义： \\ 若矩阵A有个r阶子式非零,所有的r+1阶子式(需存在)均为零,则称r为A的秩，记作r(A),并规定零矩阵的秩为零 \end{gathered}$$
$$\begin{gathered} 评注： \\ (1)若矩阵有个r阶自身非零,则r(A)⩾r \\ (2)若矩阵A所有的r+1阶子式均为零,则r(A)<r+1 \\ (3)A\ne O\iff r(A)⩾1 \end{gathered}$$
$$\begin{gathered} 满秩的定义：设A为m\times n阶矩阵,若r(A)=m,则称A为行满秩矩阵，若r(A)=n则称A为列满秩矩阵， \\ A为n阶矩阵，若r(A)=n,则称A为满秩矩阵 \end{gathered}$$

---

秩的性质：   ( 1 ) 设 A 为 m × n 阶矩阵 , 则 r ( A ) ⩽ m i n { n , m }   ( 2 ) r ( A + B ) ⩽ r ( A ) + r ( B )   ( 3 ) 设 A 为 m × n 阶矩阵 , B 为 n × s 阶矩阵 , 则 r ( A B ) ⩽ m i n { r ( A ) , r ( B ) }   ( 4 ) m a x { r ( A ) , r ( B ) } ⩽ r ( A ∣ B ) ⩽ r ( A ) + r ( B )   ( 5 ) r ( A ) = r ( k A )   ( k ≠ 0 )   ( 6 ) 设 A 为 m × n 阶矩阵 , P 为 m 阶可逆矩阵 , Q 为 n 阶可逆矩阵 , 则 r ( A ) = r ( P A ) = r ( A Q ) = r ( P A Q )   ( 7 ) 设 A 为 m × n 阶矩阵 , 若 r ( A ) = n , 则 r ( A B ) = r ( B ) , 若 r ( A ) = m , 则 r ( C A ) = r ( C ) [ 左行右列 − 乘满秩矩阵 ]   ( 8 ) 若 r ( A ) = r ( A T ) = r ( A T A ) = r ( A A T )   ( 9 ) 设 A 为 m × n 阶矩阵 , B 为 n × s 阶矩阵 , 满足 A B = O , 则 r ( A ) + r ( B ) ⩽ n   秩的性质：\\~\\ (1)设A为m\times n阶矩阵,则r(A)\leqslant min\{n,m\} \\~\\(2) r(A+B)\leqslant r(A)+r(B)\\~\\ (3)设A为m\times n阶矩阵,B为n\times s阶矩阵 ,则r(AB)\leqslant min\{r(A),r(B)\} \\~\\ (4) max\{r(A),r(B)\} \leqslant r(A|B) \leqslant r(A)+ r(B)\\~\\ (5)r(A)=r(kA)~(k\ne 0) \\~\\ (6) 设A为m\times n阶矩阵,P为m阶可逆矩阵,Q为n阶可逆矩阵,则r(A)=r(PA)=r(AQ)=r(PAQ) \\~\\ (7)设A为m\times n阶矩阵,若r(A)=n,则r(AB)=r(B),若r(A)=m,则r(CA)=r(C) [左行右列-乘满秩矩阵] \\~\\ (8)若r(A)=r(A^T)=r(A^TA)=r(AA^T) \\~\\(9)设A为m\times n阶矩阵,B为n\times s阶矩阵,满足AB=O,则r(A)+r(B)\leqslant n \\~ 秩的性质： (1)设A为m×n阶矩阵,则r(A)⩽min{n,m} (2)r(A+B)⩽r(A)+r(B) (3)设A为m×n阶矩阵,B为n×s阶矩阵,则r(AB)⩽min{r(A),r(B)} (4)max{r(A),r(B)}⩽r(A∣B)⩽r(A)+r(B) (5)r(A)=r(kA) (k=0) (6)设A为m×n阶矩阵,P为m阶可逆矩阵,Q为n阶可逆矩阵,则r(A)=r(PA)=r(AQ)=r(PAQ) (7)设A为m×n阶矩阵,若r(A)=n,则r(AB)=r(B),若r(A)=m,则r(CA)=r(C)[左行右列−乘满秩矩阵] (8)若r(A)=r(AT)=r(ATA)=r(AAT) (9)设A为m×n阶矩阵,B为n×s阶矩阵,满足AB=O,则r(A)+r(B)⩽n 

---

$$\begin{gathered} 秩的求法：A为数字矩阵,初等行变换为行阶梯形矩阵,r(A)等于非零行的行数 \\ A为抽象矩阵：利用秩的定义或性质 \end{gathered}$$

$例题（化简，若为行列式|A|是否为0，例如：不满秩且=n-1,则n-1阶子式\ne 0）$

---

伴随矩阵

$伴随矩阵的定义：设n阶矩阵A=(a_{ij}),由a_{ij}的代数余子式A_{ij}=(-1{)}^{行+列}{M}_{ij}构成的矩阵称为A的伴随矩阵,记作A^{\ast }[行列余子式下标行列对称互换]$

$$\begin{gathered} \left(\begin{array}{cccc}{A}_{11},& A_{21}& ...& A_{n1}\\ A_{12},& A_{22}& ...& A_{n2}\\ ⋮& & \ddots & ⋮\\ A_{1n}& A_{2n}& ...& A_{nn}\end{array}\right) \\ 称A为伴随矩阵,记作A^{\ast } \end{gathered}$$
$$\begin{gathered} 【评注】设A为\left(\begin{array}{cc}a& b\\ c& d\end{array}\right),则A^{\ast }=\left(\begin{array}{cc}{A}_{11}& A_{21}\\ A_{12}& A_{22}\end{array}\right)=\left(\begin{array}{cc}d& -b\\ -c& a\end{array}\right)【主对角互换，副对角取反】 \\ 若A可逆（方阵且|A|\ne 0）：A^{-1}=\frac{1}{|A|}{A}^{\ast }=\frac{1}{ad-bc}\left(\begin{array}{cc}d& -b\\ -c& a\end{array}\right) \end{gathered}$$

$（A^{\ast }数值型按正常展开A计算代数余子式,注意填的时候行列互换）$

---

$pr性质1[矩阵乘法后展开原则]：A{A}^{\ast }=\left(\begin{array}{cc}{a}_{11}& a_{12}\\ a_{21}& a_{22}\end{array}\right)\left(\begin{array}{cc}{A}_{11}& A_{21}\\ A_{12}& A_{22}\end{array}\right)=\left(\begin{array}{cc}{a}_{11}{A}_{11}+a_{12}{A}_{12}& a_{11}{A}_{21}+a_{12}{A}_{22}\\ a_{21}{A}_{11}+a_{22}{A}_{12}& a_{21}{A}_{21}+a_{22}{A}_{22}\end{array}\right)=\left(\begin{array}{cc}|A|& \\ & |A|\end{array}\right)=|A|\left(\begin{array}{cc}1& \\ & 1\end{array}\right)=|A|E$
$$\begin{gathered} 伴随矩阵的性质：(大部分证明用到性质(1)) \\ （A^{\ast }满足交换律） \\ (1)A{A}^{\ast }=A^{\ast }A=|A|E\frac{|A|\ne 0可逆}{}\to A^{-1}=\frac{1}{|A|}{A}^{\ast },A^{\ast }=|A|A^{-1} \\ (2)(kA{)}^{\ast }=k^{n-1}{A}^{\ast } \\ (3)(AB{)}^{\ast }=B^{\ast }{A}^{\ast } \\ (4)|A^{\ast }|=|A{|}^{n-1} \\ (5)(A^T{)}^{\ast }=(A^{\ast }{)}^T \\ (6)(A^{-1}{)}^{\ast }=(A^{\ast }{)}^{-1}=\frac{A}{|A|} \\ (7)(A^{\ast }{)}^{\ast }=|A{|}^{n-2}A \\ (8)r(A^{\ast })=\{\begin{array}{l}n,r(A)=n\\ 1,r(A)=n-1\\ 0,r(A)<n-1\end{array} \end{gathered}$$

初等变换与初等矩阵

$初等变换-左行右列$
$$\begin{gathered} (1)两行(或列)互换 \\ (2)一行(或列)互换 \\ (3)一行乘k加到另一行(或列) \end{gathered}$$
$初等矩阵定义：单位矩阵E经过一次初等变换得到的矩阵$
$$\begin{gathered} (1)E(i,j) \\ (2)E的第i行(或列)乘非零常数k得到的初等矩阵,记作E(i(k)) \\ (3)第j行乘k加到第i行(或第i列乘k加到第j列)【从后往前说行j\to i】E(ij(k)) \end{gathered}$$

$$\begin{gathered} 初等变换和初等矩阵性质： \\ (1)|E(i,j)|=-1,|E(i(k))|=k,|E(ij(k))|=1 \\ (2)E(i,j{)}^T=E(i,j),E(i(k){)}^T=E(i(k)),E_{ij}(k{)}^T=E(ji(k)) \\ (3)E(i,j{)}^{-1}=E(i,j),E(i(k){)}^{-1}=E(i(\frac{1}{k})),E(ij(k){)}^{-1}=E_{ij}(-k) \\ (4)初等行(或列)变换相当于左(或右)乘相应的初等矩阵 \\ (5)可逆矩阵可以写成有限个初等矩阵的乘积 \end{gathered}$$
$$\begin{gathered} 【初等变换和初等矩阵的应用】 \\ （1）可逆矩阵与单位矩阵等价，从而可以经过初等变换求矩阵的逆 \\ （2）初等变换不改变矩阵的秩，从而可以经过初等变换求矩阵的秩 \\ （3）初等行变换不改变向量组的线性关系，从而可以经过初等行变换求列向量组的极大线性无关组 \\ （4）初等行变换不改变线性方程组的解，从而可以经过初等行变换求线性方程组的解 \end{gathered}$$
$矩阵等价定义：矩阵A经过有限次初等变换为矩阵B，则称A与B等价,记作A\cong B$
$$\begin{gathered} 矩阵等价充要条件：设A,B为m\times n阶矩阵,A与B等价 \\ \iff 存在m阶矩阵可逆矩阵P与n阶可逆矩阵Q,使得B=PAQ \\ \iff r(A)=r(B) \end{gathered}$$

分块矩阵

$分块矩阵乘法-【题目给两个矩阵条件反射使用】-前列后行分法相同$
$$\begin{gathered} (1)将A按列分块，得 \\ AB=({\alpha }_1,{\alpha }_2,...,{\alpha }_n)\left(\begin{array}{ccccc}{b}_{11},& b_{21}& ...& b_{n1}& \\ b_{12},& b_{22}& ...& b_{n2}& \\ ⋮& & \ddots & ⋮& \\ b_{1n}& b_{2n}& ...& b_{nn}& \end{array}\right) \end{gathered}$$

$$\begin{gathered} (1)将B按列分块，得 \\ AB=A({\beta }_1,{\beta }_2,...,{\beta }_s)=(A{\beta }_1,A{\beta }_2,...,A{\beta }_s) \end{gathered}$$

$分块矩阵的转置[行列互换且内部矩阵也需转置]{\left(\begin{array}{ccc}{A}_{11}& \dots & A_{1t}\\ ⋮& & ⋮\\ A_{s1}& \dots & A_{st}\end{array}\right)}^T=\left(\begin{array}{ccc}{A}_{11}^T& \dots & A_{s1}^T\\ ⋮& & ⋮\\ A_{1t}^T& \dots & A_{st}^T\end{array}\right)$

$分块矩阵的逆：{\left(\begin{array}{cc}A& O\\ O& B\end{array}\right)}^{-1}=\left(\begin{array}{cc}{A}^{-1}& O\\ O& B^{-1}\end{array}\right),{\left(\begin{array}{cc}O& A\\ B& O\end{array}\right)}^{-1}=\left(\begin{array}{cc}O& B^{-1}\\ A^{-1}& O\end{array}\right)$
$【A_{2\times 2}^{\ast }同分块矩阵的公式类似，可以没有零，但求A^{-1}=\frac{1}{|A|}{A}^{\ast }（即别忘了系数\frac{1}{|A|}）】$

---

向量

$向量的定义：({\alpha }_1,{\alpha }_2,...,{\alpha }_n)为n维行向量，({\alpha }_1,{\alpha }_2,...,{\alpha }_n{)}^T为n维列向量$

$$\begin{gathered} 向量的内积：设\alpha =(a_1,a_2...,a_n),\beta =(b_1,b_2...,b_n) \\ 内积[\alpha ,\beta ]={\alpha }^T\beta ={\beta }^T\alpha =a_1{b}_1+a_2{b}_2+...+a_n{b}_n, \\ 若[\alpha ,\beta ]=0,则称\alpha 与\beta 正交(显然零向量与任意向量正交) \end{gathered}$$

$向量长度的定义：||\alpha ||=\sqrt{{\alpha }^T\alpha }=\sqrt{{\alpha }_1^2+{\alpha }_2^2+\cdot \cdot \cdot +{\alpha }_n^2}$

正交矩阵

$正交矩阵定义：设A为n阶矩阵,若A{A}^T=E或A^{T}A=E，则称A为正交矩阵$

$$\begin{gathered} 正交矩阵的充要条件： \\ \iff A^T=A^{-1}（定义） \\ \iff A的列(或行)向量组为单位正交的向量组（本质） \end{gathered}$$

$$\begin{gathered} 正交矩阵的性质： \\ A为n阶正交矩阵 \\ \iff |A|=\pm 1 \\ \iff 若A,B为n阶矩阵，则-A,AB,A^T,A^{-1},A^{\ast }均为正交矩阵(A^{-1}=A^T) \end{gathered}$$

---

$$\begin{gathered} 证明：A{A}^T=E,(a_1{a}_2\dots a_n{)}^T\cdot (a_1{a}_2\dots a_n)=\left(\begin{array}{ccc}{a}_1^T{a}_1& \cdots & a_1^T{a}_n\\ ⋮& & ⋮\\ a_n^T{a}_1& \cdots & a_n^T{a}_n\end{array}\right)=E \\ （将a_i^T{a}_i=1,a_i^T{a}_j=0(i\ne j),i,j=1,...,n[内积0]） \end{gathered}$$

$||a||=a^{T}a=(a_1{a}_2\dots a_n)\left(\begin{array}{c}{a}_1\\ a_2\\ ⋮\\ a_n\end{array}\right)=a_1^2+a_2^2+...+a_n^2=1（\sqrt{a_1^2+a_2^2+...+a_n^2}=1[长度1],故a_1，a_2\dots a_n为单位正交[长度1内积0]）$

正交化

$定义5.3：如果向量组{\alpha }_1,{\alpha }_2,{\alpha }_3线性无关，令$

$正交化[记公式]：$
${\beta }_1={\alpha }_1$

${\beta }_2={\alpha }_2-\frac{({\alpha }_2,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1$

${\beta }_3={\alpha }_3-\frac{({\alpha }_3,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1-\frac{({\alpha }_3,{\beta }_2)}{({\beta }_2,{\beta }_2)}{\beta }_2$

$再将其单位化：(有技巧-直接取系数平方和的根号作为||\beta ||)$

${\gamma }_1=\frac{{\beta }_1}{||{\beta }_1||},{\gamma }_2=\frac{{\beta }_2}{||{\beta }_2||},{\gamma }_3=\frac{{\beta }_3}{||{\beta }_3||}$

$从{\alpha }_1,{\alpha }_2,{\alpha }_3到{\gamma }_1,{\gamma }_2,{\gamma }_3的过程称为施密特正交化$

线性表示

$线性表示的定义：设向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_n与向量\beta 若存在一组数k_1,k_2,...,k_n使得\beta =k_1{\alpha }_1+k_2{\alpha }_2+...+k_n{\alpha }_n,则称\beta 可由\alpha 线性表示$
$向量组等价：设向量组(1)与向量组(2)，向量组(1)的每个向量均可由向量组(2)线性表示，则称向量组(1)与向量组(2)等价$
$$\begin{gathered} 线性表示的充要条件 \\ 非零向量\beta 可由{\alpha }_1,{\alpha }_2,...,{\alpha }_s线性表示 \\ \iff 非齐次线性方程组({\alpha }_1,{\alpha }_2,...,{\alpha }_s)\left(\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_s\end{array}\right)=\beta 有解（即x_1{\alpha }_1+\cdots +x_2{\alpha }_2=\beta 有解，即可线性表示【联系三四章】） \\ \iff r({\alpha }_1,{\alpha }_2,...,{\alpha }_s)=r({\alpha }_1,{\alpha }_2,...,{\alpha }_s|\beta ) \end{gathered}$$

$$\begin{gathered} 向量组等价的充要条件： \\ 向量组①{\alpha }_1,{\alpha }_2,...,{\alpha }_s与向量组②{\beta }_1,{\beta }_2,...,{\beta }_s等价\iff r(①)=r(①,②)=r(②)【三秩相等】 \end{gathered}$$

$线性表示的充分条件:设向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_s线性无关,向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_s,\beta 线性相关,则\beta 可由{\alpha }_1,{\alpha }_2,...,{\alpha }_s唯一的线性表示$
$$\begin{gathered} 【线性表示的求法】： \\ 设向量\beta 可由向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_n线性表示,对({\alpha }_1,{\alpha }_2,...,{\alpha }_n|\beta )作初等行变换,化为最简行阶梯型矩阵,解得线性表示的系数 \end{gathered}$$

---

线性无关与线性相关

$$\begin{gathered} 线性无关与线性相关定义：设向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_s,若存在不全为零的数k_1,k_2,...,k_s使得k_1{\alpha }_1+k_2{\alpha }_2+...+k_s{\alpha }_s=0 \\ 则称{\alpha }_1,{\alpha }_2,...,{\alpha }_s线性相关，否则称线性无关（线性无关当且仅当k_1,k_2,...,k_s=0，使得k_1{\alpha }_1+k_2{\alpha }_2+...+k_s{\alpha }_s=0（仅有零解））(无关充分条件：|A|\ne 0\to r(A_{向量组})满秩=s) \end{gathered}$$

$$\begin{gathered} 【评注】(1)向量\alpha 线性相关\iff \alpha =0；向量组{\alpha }_1,{\alpha }_2线性相关\iff {\alpha }_1,{\alpha }_2对应分量成比例 \\ [数一](2)两个向量线性相关共线，三个向量线性相关共面 \end{gathered}$$

$线性相关的充要条件$
$$\begin{gathered} 向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_s线性相关 \\ \iff 至少有一个向量可以由其余向量组线性表示（非零解存在，不妨设k_1\ne 0,则{\alpha }_1=-\frac{1}{k_1}(k_2{\alpha }_2+...+k_s{\alpha }_s)） \\ \iff 齐次方程组\left(\begin{array}{cccc}{\alpha }_1& {\alpha }_2& \dots & {\alpha }_s\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_s\end{array}\right)=0有非零解（矩阵乘法形式，本质为方程{\alpha }_1{x}_1+{\alpha }_2{x}_2+\cdots +{\alpha }_s{x}_s=0(定义)有x_i非零解） \\ \iff r({\alpha }_1,{\alpha }_2,...,{\alpha }_s)<s(充分：|A|=0) \end{gathered}$$
$推论：n个n维向量{\alpha }_1,{\alpha }_2,...,{\alpha }_n线性相关\iff |{\alpha }_1,{\alpha }_2,...,{\alpha }_n|=0$

$$\begin{gathered} 线性相关的充分条件(单向成立\Rightarrow )（线性相关的向量组：增加向量个数或减少原向量维数仍线性相关） \\ (1)含有零向量的向量组的线性相关 \\ (2)部分相关,则整体相关 \\ (3)高维相关,则低维相关 \\ (4)设向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_s可由{\beta }_1,{\beta }_2,...,{\beta }_t线性表示,且s>t,则{\alpha }_1,{\alpha }_2,...,{\alpha }_s线性相关,即以少表多，多必相关 \end{gathered}$$

$逆否命题：设向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_s线性无关，可由向量组{\beta }_1,{\beta }_2,...,{\beta }_t线性表示，且s⩽t，[无关被表,个数不多]$

$推论：n+1个n维向量(向量维数<向量个数)线性相关(方程维数<未知数个数)$

$线性无关的充要条件$
$$\begin{gathered} 向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_s线性无关 \\ \iff 任意向量均不能由其余向量组表示 \\ \iff 齐次方程组\left(\begin{array}{cccc}{\alpha }_1& {\alpha }_2& \dots & {\alpha }_s\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_s\end{array}\right)=0只有零解（矩阵乘法形式，本质为方程{\alpha }_1{x}_1+{\alpha }_2{x}_2+\cdots +{\alpha }_s{x}_s=0(定义)仅有零解：x_i=0） \\ \iff r({\alpha }_1,{\alpha }_2,...,{\alpha }_s)=s[充分：即|A|\ne 0即可逆](线性相关r<s) \end{gathered}$$

$推论：n个n维向量{\alpha }_1,{\alpha }_2,...,{\alpha }_n线性无关\iff |{\alpha }_1,{\alpha }_2,...,{\alpha }_n|\ne 0$

$$\begin{gathered} 线性无关的充分条件（线性无关的向量组：减少向量个数或增加原向量维数仍线性无关） \\ (1)整体无关,则部分无关 \\ (2)低维无关，则高维无关 \\ (3)不含零向量的正交向量组线性无关(互相垂直不成比例) \\ (4)不同特征值的特征向量线性无关 \end{gathered}$$

$(必要：任意两个向量线性无关，(可能组合线性相关如{\alpha }_1-({\alpha }_2+{\alpha }_3)=0,即{\alpha }_1=\lambda ({\alpha }_2+{\alpha }_3)))$

极大无关组与向量组的秩

$$\begin{gathered} 极大无关组定义：设向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_s中存在r个向量{\alpha }_1,{\alpha }_2,...{\alpha }_r线性无关, \\ 再加入其余任意向量就线性相关(其余向量均可由其(极大无关组)线性表示),则称{\alpha }_1,{\alpha }_2,...{\alpha }_r为向量组{\alpha }_1,{\alpha }_2,...,{\alpha }_s的、极大无关组 \end{gathered}$$
$向量组秩的定义:极大无关组中向量的个数称为向量组的秩$
$$\begin{gathered} 【评注】：(1)极大无关组不唯一,若向量组的秩为r，则任意个线性无关的向量均为极大无关组 \\ (2)矩阵的秩等于极大无关组列向量的秩，也等于其行向量的秩 \end{gathered}$$

$极大无关组求法：化为行阶梯型矩阵，则行阶梯形矩阵中每行第一个非零元素对应的列向量构成极大线性无关组$

$【综合大题】$

---

线性方程组

解的性质与判定

$齐次线性方程组的定义$
$非齐次b_1...b_n,不全为零$
$解的定义$
$主变量与自由变量的定义：对系数矩阵A做初等变换,所得行阶梯形矩阵中每行的第一个非零元素对应的未知数称为主变量(因变量y),其余未知数称为自由变量(自变量x)$
$$\begin{gathered} 解的性质(线性组合)： \\ (1)若{\xi }_1,{\xi }_2为Ax=0的解,则k_1{\xi }_1+k_2{\xi }_2为Ax=0的解 \\ (2)若{\eta }_1,{\eta }_2为Ax=b的解,则{\eta }_1-{\eta }_2为Ax=0的解 \\ (3)若\xi 为Ax=0的解,\eta 为Ax=b的解，则\xi +\eta 为Ax=b的解 \end{gathered}$$
$$\begin{gathered} 【解的性质的推广】 \\ (1)若{\eta }_1,{\eta }_2,...,{\eta }_s为Ax=b的解，则k_1{\eta }_1+k_2{\eta }_2+...+k_s{\eta }_s为\{\begin{array}{l}Ax=0的解\iff \sum _{i=1}^s{k}_i=0(相当于b正负抵消为零)\\ Ax=b的解\iff \sum _{i=1}^s{k}_i=1(相当于留下一个b)\end{array} \\ (2)若{\eta }_1,{\eta }_2,...,{\eta }_s为Ax=b的线性无关的解,则{\eta }_1-{\eta }_2,{\eta }_3-{\eta }_1,...{\eta }_s-{\eta }_1为Ax=0的s-1个线性无关的解 \\ (变型：{\eta }_1-{\eta }_i,{\eta }_2-{\eta }_i,...,{\eta }_s-{\eta }_i或{\eta }_2-{\eta }_1,...,{\eta }_s-{\eta }_{s-1}或{\eta }_1-{\eta }_2,...,{\eta }_{s-1}-{\eta }_{s-2}都是线性无关的解) \end{gathered}$$

$$\begin{gathered} 齐次方程组解的判定： \\ {A}_{m\times n}x=0只有零解\iff r(A)=n \\ Ax=0有非零解(有自由变量,有无穷多解)\iff r(A)<n(则|A|=0) \\ 推论Ax=0有非零解的充分条件为m<n(A_{m\times n}行<列\iff 方程个数<未知数个数) \end{gathered}$$

$$\begin{gathered} 非齐次方程组解的判定： \\ {A}_{m\times n}x=b无解\iff r(A)<r(A|b)\iff r(A)=r(A|b)-1(极大无关组仅多b这一列-无法由其余线性表示) \\ Ax=b有唯一解\iff r(A)=r(A|b)=n \\ Ax=b有无穷多解\iff r(A)=r(A|b)<n \\ 推论（1）Ax=b有解\iff r(A)=r(A|b) \\ （2）Ax=b有解的充分条件为r(A)=m \\ 【评注】：（1）若Ax=b有唯一解,则Ax=0只有零解；若Ax=b有无穷多解，则Ax=0有非零解 \\ （2）若A为n阶矩阵，则线性方程组解的判断或求解可以用克拉默法则（行列式） \end{gathered}$$

齐次线性方程组

$基础解系的定义：设A为m\times n阶矩阵,{\xi }_1,{\xi }_2,...,{\xi }_s为线性方程组Ax=0的解,若{\xi }_1,{\xi }_2,...,{\xi }_s线性无关，且Ax=0的任意解均可由{\xi }_1,{\xi }_2,...,{\xi }_s线性表示,则称{\xi }_1,{\xi }_2,...,{\xi }_s为Ax=0的基础解系.$
$$\begin{gathered} 基础解系即Ax=0解的极大线性无关组， \\ 基础解系不唯一，但基础解系中解的个数n-r(A)(n为系数矩阵列数) \\ [未知数个数-主变量个数=自由变量的个数]唯一，任意n-r(A)个线性无关的解均为基础解系 \end{gathered}$$

$$\begin{gathered} 【基础解系的求法】 \\ （1）A为数字矩阵：对A作初等行变换，化为行最简型矩阵,自由变量分别取1,0,0\dots ;0,1,0\dots ;0,0,1\dots 解得主变量， \\ 得到基础解系(有几个自由变量就有几个基础解系)（注意Ax=b时就不用b列,b列看做0，Ax=0） \\ （2）A为抽象矩阵：先求r(A),再利用解的定义或性质凑n-r(A)个线性无关的基础解系 \end{gathered}$$

$$\begin{gathered} 齐次线性方程组的通解 \\ 设A为m\times n阶矩阵，r(A)=r,{\xi }_1,{\xi }_2,...,{\xi }_{n-r}为线性方程组Ax=0的基础解系,\eta 为非齐次线性方程组Ax=b的特解,则Ax=0的通解为k_1{\xi }_1+k_2{\xi }_2+...+k_{n-r}{\xi }_{n-r},其中k_1,k_2,...,k_{n-r}为任意常数 \end{gathered}$$

非齐次线性方程组

$$\begin{gathered} 非齐次线性方程组的通解 \\ 设A为m\times n阶矩阵,r(A)=r(A|b)<为齐次线性方程组Ax=0的基础解系，\eta 为非齐次线性方程组的特解，则Ax=b的通解为k_1{\xi }_1+k_2{\xi }_2+...+k_{n-r}{\xi }_{n-r}+\eta ,其中k_1,k_2,...,k_{n-r}为任意常数 \end{gathered}$$

$$\begin{gathered} 特解的求法: \\ （1）(A|b)为数字矩阵，对(A|b)进行初等行变换，化为行最简型矩阵,自由变量均取零，解得主变量，得到特解 \\ （2）(A|b)为抽象矩阵：利用解的定义或性质凑一个特解(如设Ax=b的线性无关的解构成的向量组的系数和为1) \end{gathered}$$

公共解

$公共解的定义：若\alpha 既为线性方程组(1)的解，又是线性方程组(2)的解，则称\alpha 为(1)与(2)的公共解$
$$\begin{gathered} 【公共解的求法】： \\ (1)已知线性方程组①与②的具体形式，则联立方程组①与②，得到公共解（方程组解的情况即为公共解的情况） \end{gathered}$$
$(2)已知线性方程组①的具体形式与线性方程组②的通解，则将方程组②的通解代入到方程组①，确定通解中的参数，得到公共解$
$(3)已知线性方程组①与②的通解，则令其相等，确定通解中的参数，得到公共解$

同解

$同解的定义：若线性方程组①的解均为线性方程组②的解，反之也成立，则称线性方程组①与②同解$
$$\begin{gathered} 同解的充要条件 \\ 设A为m\times n阶矩阵，B为l\times n阶矩阵，线性方程组Ax=0与Bx=0同解 \\ \iff A,B行向量组等价 \\ \iff r(A)=r\left(\begin{array}{c}A\\ B\end{array}\right)=r(B)[三秩相等，方程组同解] \end{gathered}$$

特征值与特征向量