线性代数（基础知识点）

金鳞甲虫

于 2023-09-07 16:35:07 发布

阅读量872

点赞数 1

文章标签：线性代数

本文链接：https://blog.csdn.net/m0_63445005/article/details/132556909

版权

行列式

行列式是一个数，它是不同行不同列元素乘积的代数和。

n阶行列式的完全展开式（P218）

一个排列中，如果一个大的数排在小的数之前，就称这两个数构成一个逆序。一个数列的逆序总数称为这个排列的逆序数。如果一个排列的逆序数是偶数，则称这个排列为偶排列，否则称为奇排列。

在n阶行列式

$D = \begin{bmatrix} a_{11} & a_{12} & ... & a_{1n}\\ a_{21} & a_{22} & ... & a_{2n}\\ ... & ... & & ...\\ a_{n1} & a_{n2} & ... & a_{nn} \end{bmatrix}$

中划去 $a_{i,j}$ 所在的第i行、第j列的元素，由剩下的元素按原来的位置排法构成的一个n-1阶的行列式

$\begin{bmatrix} a_{11} & ... & a_{1,j-1} & a_{1,j+1} & ... & a_{1n}\\ ... & & ... & ... & & ...\\ a_{i-1,1} & ... & a_{i-1,j-1} & a_{i-1,j+1} & ... & a_{i-1,n}\\ a_{i+1,1} & ... & a_{i+1,j-1} & a_{i+1,j+1} & ... & a_{i+1,n}\\ ... & & ... & ... & & ...\\ a_{n1} & ... & a_{n,j-1} & a_{n,j+1} & ... & a_{nn} \end{bmatrix}$

称其为 $a_{i,j}$ 的余子式，记为 $M_{i,j}$ ；称 $(-1)^{i+j}$ $M_{i,j}$ 为 $a_{i,j}$ 的代数余子式，记为 $A_{i,j}$ ，即

$A_{i,j}$ = $(-1)^{i+j}$ $M_{i,j}$

矩阵

m $\times$ n个数排成如下 m行 n列的一个表格

$\begin{bmatrix} a_{11} & a_{12} & ... & a_{1n}\\ a_{21} & a_{22} & ... & a_{2n}\\ ... & ... & & ...\\ a_{m1} & a_{m2} & ... & a_{mn} \end{bmatrix}$

称为一个 m $\times$ n 矩阵，当 m = n 时，矩阵A 称为 n阶矩阵或叫 n阶方阵。

如果一个矩阵的所有元素都是0，即

$\begin{bmatrix} 0 & 0 & ... & 0\\ 0 & 0 & ... & 0\\ ... & ... & & ...\\ 0 & 0 & ... & 0 \end{bmatrix}$

则称这个矩阵是零矩阵，可简记为O。

两个矩阵A = $[a_{ij}]_{m\times n}$ ，B = $[b_{ij}]_{s\times t}$ ，如果 m = s，n = t，则称A与B是同型矩阵。

两个同型矩阵A = $[a_{ij}]_{m\times n}$ ，B = $[b_{ij}]_{s\times t}$ ，如果对应的元素都相等，即 $a_{ij}$ = $b_{ij}$ ( i = 1, 2, ..., m ; j = 1, 2, ... , n)，则称矩阵A与B相等，记作A = B。

n阶方阵A = $[a_{ij}]_{m\times n}$ 的元素构成的行列式

称为n阶方阵A的行列式，记作 $\left | A \right |$ 或 detA .

$\begin{bmatrix} a_{11} & a_{12} & ... & a_{1n}\\ a_{21} & a_{22} & ... & a_{2n}\\ ... & ... & & ...\\ a_{m1} & a_{m2} & ... & a_{mn} \end{bmatrix}$

常见的矩阵

设A是n阶矩阵.

（1）单位阵：主对角元素为1，其余元素为0的矩阵称为单元阵，记成 $E_{n}$ 。

（2）数量阵：数k与单位阵E的积kE称为数量阵。

（3）对角阵：非对角元素都是0的矩阵（即 $\forall$ i $\neq$ j 恒有 $a_{ij}$ = 0）称为对角阵，记成 $\Lambda$ 。 $\Lambda$ = diag $\left [ a_{1} , a_{2} , ... , a_{n} \right ]$ .

（4）上（下）三角阵：当 i > j (i < j)时，有 $a_{ij}$ = 0 的矩阵称为上（下）三角阵。

（5）对称阵：满足 $A^{T}$ = A， $a_{ij}$ = $a_{ji}$ 的矩阵称为对称阵。

（6）反对称阵：满足 $A^{T}$ = - A，即 $a_{ij}$ = - $a_{ji}$ ， $a_{ii}$ = 0的矩阵称为反对称阵。

（7）伴随矩阵：由矩阵A的行列式 $\left | A \right |$ 所有的代数余子式所构成的形如

$\begin{bmatrix} A_{11} & A_{12} & ... & A_{1n}\\ A_{21} & A_{22} & ... & A_{2n}\\ ... & ... & & ...\\ A_{m1} & A_{m2} & ... & A_{mn} \end{bmatrix}$

的矩阵称为矩阵A的伴随矩阵，记为A*.

例如， $A = \begin{bmatrix} 2 & 1 & 2\\ -1 & 0 & 3\\ 1 & -2 & 1 \end{bmatrix}$ ，则计算代数余子式，得

$A_{11} = \begin{vmatrix} 0 & 3\\ -2 & 1 \end{vmatrix} = 6$ ， $A_{12} = -\begin{vmatrix} -1 & 3\\ 1 & 1 \end{vmatrix} = 4$ ， $A_{13} = \begin{vmatrix} -1 & 0\\ 1 & -2 \end{vmatrix} = 2$ ， $A_{21} = -\begin{vmatrix} 1 & 2\\ -2 & 1 \end{vmatrix} = -5$ ， $A_{22} = \begin{vmatrix} 2 & 2\\ 1 & 1 \end{vmatrix} = 0$ ， $A_{23} = -\begin{vmatrix} 2 & 1\\ 1 & -2 \end{vmatrix} = 5$ ， $A_{31} = \begin{vmatrix} 1 & 2\\ 0 & 3 \end{vmatrix} = 3$ ， $A_{32} = -\begin{vmatrix} 2 & 2\\ -1 & 3 \end{vmatrix} = -8$ ， $A_{33} = \begin{vmatrix} 2 & 1\\ -1 & 0 \end{vmatrix} = 1$ ，

按定义 $A^{*} = \begin{vmatrix} 6 & -5 & 3\\ 4 & 0 & -8\\ 2 & 5 & -1\end{vmatrix}$

（8）可逆矩阵：设 A 是 n阶矩阵，如果存在 n阶矩阵 B 使得

AB = BA = E (单位矩阵)

成立，则称A是可逆矩阵或非奇异矩阵，B是A的逆矩阵，记成 $A^{-1} = B$ .

（其中，若 A 可逆，则 A 的逆矩阵唯一。且 A 可逆 $\Leftrightarrow$ $\left | A \right |\neq 0$ .）

n阶矩阵A可逆的充分必要条件

（1）存在 n阶矩阵 B，使 AB = E（或 BA = E）。

（2） $\left | A \right |\neq 0$ ，或秩 r(A) = n,或 A 的列（行）向量线性无关。

（3）齐次方程组 Ax = 0 只有零解。

（4） $\forall b$ ，非齐次线性方程组 Ax = b 总有唯一解。

（5）矩阵 A 的特征值全不为0.

秩

一个矩阵的秩是其非零子式的最高阶数，一个向量组的秩则是其最大无关组所含的向量个数。

例如：对于下面的矩阵 A 求秩 r(A)

$A = \begin{bmatrix} 1 & 2 & -1\\ 2 & 3 & 5\\ 3 & 6 & -3 \end{bmatrix}$

计算过程：

$\begin{bmatrix} 1 & 2 & -1\\ 2 & 3 & 5\\ 3 & 6 & -3 \end{bmatrix}\rightarrow \begin{bmatrix} 1 & 2 & -1\\ 0 & -1 & 7\\ 0 & 0 & 0 \end{bmatrix}\rightarrow \begin{bmatrix} 1 & 0 & 13\\ 0 & 1 & -7\\ 0 & 0 & 0 \end{bmatrix}$

初等变换与初等矩阵的概念

\\初等变换

设 A 是 $m\times n$ 矩阵，

（1）用某个非零常数 $k(k\neq 0)$ 乘 A 的某行（列）的每个元素；

（2）互换 A 的某两行（列）的位置；

（3）将 A 的某行（列）元素的 k 倍加到另一行（列）。

称为矩阵的三种初等行（列）变换，且分别称为初等倍乘、互换、倍加行（列）变换，统称初等变换。

\\初等矩阵

由单位矩阵经过一次初等变换得到的矩阵称为初等矩阵，它们分别是

（1）倍乘初等矩阵，记 E( i( k)) .

$E(2(k))=\begin{bmatrix} 1 & 0 & 0\\ 0 & k & 0\\ 0 & 0 & 1 \end{bmatrix}$

E( 2( k))表示由单位阵 E 的第二行（或第二行）乘 $k(k\neq 0)$ 倍得到的矩阵。

（2）互换初等矩阵，记 E(i , j).

$E(1,2)=\begin{bmatrix} 0 & 1 & 0\\ 1 & 0 & 0\\ 0 & 0 & 1 \end{bmatrix}$

E(1 , 2)表示由单位阵 E 的第一、二行（或一、二列）互换得到的矩阵。

（3）倍加初等矩阵，记E(i j (k)).

$E(13(k))=\begin{bmatrix} 1 & 0 & 0\\ 0 & 1 & 0\\ k & 0 & 1 \end{bmatrix}$

E(1 3 (k))表示由单位阵 E 的第一行的 k 倍加到第三行得到的矩阵。

\\等价矩阵

矩阵 A 经过有限次初等变换变成矩阵 B ，则称 A 与 B 等价，记成 $A\cong B$ .若 $A\cong \begin{bmatrix} E_{r} & O\\ O & O \end{bmatrix}$ ，则后者称为 A 的等价标准形。（ A 的等价标准形是与 A 等价的所有矩阵中的最简矩阵）。

行阶梯矩阵、行最简矩阵

\\行阶梯矩阵

（1）如果矩阵中有零行（即这一行元素全是0），则零行在矩阵的底部。

（2）每个非零行的主元（即该行最左边的第1个非零元），它们的列指标随着行指标的递增而严格增大。

例 $\begin{bmatrix} 2 & 1 & 3\\ 0 & 0 & 0\\ 0 & 0 & 5 \end{bmatrix}$ ， $\begin{bmatrix} 1 & 3 & -2\\ 0 & 1 & 4\\ 0 & 2 & 5 \end{bmatrix}$ 都不是行阶梯矩阵。

例 $\begin{bmatrix} 1 & 2 & 0 & 3\\ 0 & 1 & -1 & 5\\ 0 & 0 & 0 & 6 \end{bmatrix}$ ， $\begin{bmatrix} 3 & 0 & 1 & -4\\ 0 & 0 & 2 & 7\\ 0 & 0 & 0 & 0 \end{bmatrix}$ 是行阶梯矩阵。

\\行最简矩阵

一个行阶梯矩阵，如果还满足：

非零行的主元都是1，且主元所在的列的其他元素都是0，则称其为行最简矩阵。

例 $\begin{bmatrix} 1 & 0 & 3 & 1\\ 0 & 1 & 1 & 0\\ 0 & 0 & 0 & 1 \end{bmatrix}$ ， $\begin{bmatrix} 1 & 1 & 2 & 0\\ 0 & 1 & 3 & 0\\ 0 & 0 & 0 & 1 \end{bmatrix}$ ， $\begin{bmatrix} 1 & -1 & 0 & 0\\ 0 & 2 & 1 & 0\\ 0 & 0 & 0 & 1 \end{bmatrix}$ 都不是行最简矩阵。

例 $\begin{bmatrix} 1 & 0 & -1 & 0\\ 0 & 1 & 2 & 0\\ 0 & 0 & 0 & 1 \end{bmatrix}$ ， $\begin{bmatrix} 1 & 0 & 0 & 2\\ 0 & 0 & 1 & 3\\ 0 & 0 & 0 & 0 \end{bmatrix}$ 是行最简矩阵。

分块矩阵的概念

将矩阵用若干纵线和横线分成许多小块，每一小块称为原矩阵的子矩阵（或子块），吧子块看成原矩阵的一个元素，则原矩阵叫分块矩阵。

由于不同的需要，同一个矩阵可以用不同的方法分块，构成不同的分块矩阵。

方阵的行列式（抽象n阶方阵行列式公式）

（1）若A是n阶矩阵， $A^{T}$ 是A的转置矩阵，则 $\left | A^{T} \right |=\left | A \right |$ ；

（2）若A是n阶矩阵，则 $\left | kA \right |=k^{n}\left | A \right |$ ；

（3）（行列式乘法公式）若A、B都是n阶矩阵，则 $\left | AB \right |=\left | A \right |\left | B \right |$ ；特别地 $\left | A^{2} \right |=\left | A \right |^{2}$ 。

（4）若A是n阶矩阵， $A^{*}$ 是A的伴随矩阵，则 $\left | A^{*} \right |=\left | A \right |^{n-1}$ ；

（5）若A是n阶矩阵可逆矩阵， $A^{-1}$ 是A的逆矩阵，则 $\left | A^{-1} \right |=\left | A \right |^{-1}$ ；

（6）设A是m阶矩阵，B是n阶矩阵

$\begin{vmatrix} A & O\\ C & B \end{vmatrix}=\begin{vmatrix} A & D\\ O & B \end{vmatrix}=\left | A \right |\cdot \left | B \right |$ ; $\begin{vmatrix} O & A\\ B & C \end{vmatrix}=\begin{vmatrix} D & A\\ B & O \end{vmatrix}=(-1)^{mm}\left | A \right |\cdot \left | B \right |$

向量

向量的概念、向量组的概念

n个数 $a_{1},a_{2},...,a_{n}$ 所组成的有序数组

$\alpha =\left ( a_{1}, a_{2},...,a_{n}\right )^{T}$ 或 $\alpha =\left ( a_{1},a_{2},..,a_{n} \right )$

叫做n维向量，其中 $a_{1},a_{2},...,a_{n}$ 叫做向量 $\alpha$ 的分量（或坐标），前一个表示式称为列向量，后者称为行向量。

若干个同维数的行向量（或同维数的列向量）所组成的集合叫做向量组。

$a_{1},a_{2},...,a_{r}$ 及 $a_{1},a_{2},...,a_{r},...,a_{s}$ （其中 $s\geq r$ ），称 $a_{1},a_{2},...,a_{r}$ 是 $a_{1},a_{2},...,a_{r},...,a_{s}$ 的部分组， $a_{1},a_{2},...,a_{s}$ 是整体组。

向量组

$a_{1}=\left [ a_{11},a_{21},...,a_{r1} \right ]^{T}$ ， $a_{2}=\left [ a_{12},a_{22},...,a_{r2} \right ]^{T}$ ，… ， $a_{m}=\left [ a_{1m},a_{2m},...,a_{rm} \right ]^{T}$

及

$\tilde{\alpha }_{1}=\left [ a_{11},a_{21},...,a_{r1},...,a_{s1} \right ]^{T}$ ， $\tilde{\alpha }_{2}=\left [ a_{12},a_{22},...,a_{r2},...,a_{s2} \right ]^{T}$ ，… ， $\tilde{\alpha }_{m}=\left [ a_{1m},a_{2m},...,a_{rm},...,a_{sm} \right ]^{T}$

其中 $s\geq r$ ，则称 $\tilde{\alpha }_{1},\tilde{\alpha }_{2},...,\tilde{\alpha }_{m}$ 为向量组 $\alpha _{1},\alpha _{2},...,\alpha _{m}$ 的延伸组（或称 $\alpha _{1},\alpha _{2},...,\alpha _{m}$ 是 $\tilde{\alpha }_{1},\tilde{\alpha }_{2},...,\tilde{\alpha }_{m}$ 的缩短组）。

线性表出、线性相关

m 个 n 维向量 $\alpha _{1},\alpha _{2},...,\alpha _{m}$ 及 m 个数 $k_{1},k_{2},...,k_{m}$ ，则向量

$k_{1}\alpha _{1}+k_{2}\alpha _{2}+\cdots +k_{m}\alpha _{m}$

称为向量 $\alpha _{1},\alpha _{2},...,\alpha _{m}$ 的一个线性组合， $k_{1},k_{2},...,k_{m}$ 称为这个线性组合的系数。

若 $\beta$ 能表示成 $\alpha _{1},\alpha _{2},...,\alpha _{m}$ 的线性组合，即

$\beta =k_{1}\alpha _{1}+k_{2}\alpha _{2}+\cdots +k_{m}\alpha _{m}$

则称 $\beta$ 能由 $\alpha _{1},\alpha _{2},...,\alpha _{m}$ 线性表出。

对 m 个 n 维向量 $\alpha _{1},\alpha _{2},...,\alpha _{m}$ ，若存在不全为零的数 $k_{1},k_{2},...,k_{m}$ ，使得

$k_{1}\alpha _{1}+k_{2}\alpha _{2}+\cdots +k_{m}\alpha _{m}=0$

成立，则称向量组 $\alpha _{1},\alpha _{2},...,\alpha _{m}$ 线性相关，否则称它们线性无关。

向量组的秩、矩阵的秩

\\向量组的秩

向量组 $\alpha _{i_{1}},\alpha _{i_{2}},...,\alpha _{i_{r}}$ ( $1\leq i_{r}\leq s$ )是向量组 $\alpha _{1},\alpha _{2},...,\alpha _{s}$ 的部分组，满足条件

（1） $\alpha _{i_{1}},\alpha _{i_{2}},...,\alpha _{i_{r}}$ 线性无关；

（2） $\alpha _{i_{1}},\alpha _{i_{2}},...,\alpha _{i_{r}}$ 中加入任一向量 $\alpha _{i}$ ( $1\leq i\leq s$ )，则向量组 $\alpha _{i_{1}},\alpha _{i_{2}},...,\alpha _{i_{r}},\alpha _{i}$ 线性相关。则称向量组 $\alpha _{i_{1}},\alpha _{i_{2}},...,\alpha _{i_{r}}$ 的极大线性无关组。

向量组的极大线性无关组的向量个数称为向量组的秩，记为 $r\left ( a_{1},a_{2},...,a_{s} \right )$ 。

设向量组 $\left ( I \right )\alpha _{1},\alpha _{2},...,\alpha _{s}$ ； $\left ( II \right )\beta _{1},\beta _{2},...,\beta _{t}$

若 ( I ) 中的每个向量 $\alpha _{i}$ ，i = 1 , 2 , ... , s，均可由 ( II ) 线性表出，则称 ( I ) 可由 ( II ) 线性表出；若向量组 ( I ) 、( II ) 可以相互表出，则称向量组 ( I ) 、( II ) 是等价向量组，记成 ( I ) $\cong$ ( II ) 。

\\矩阵的秩

在 $m\times n$ 矩阵 A 中，任取 k 行与 k 列 ( $k\leq m$ ， $k\leq n$ )，位于这些行与列的交叉点上的 $k^2$ 个元素按其在原来矩阵 A 中的次序可构成一个 k 阶行列式，称其为矩阵 A 的一个 k 阶子式。

设 A 是 $m\times n$ 矩阵，若 A 中存在 r 阶子式不等于零， r 阶以上子式均等于零，则称矩阵 A 的秩为 r ，记成 r(A) ，零矩阵的秩规定为0.

（矩阵的秩）设 A 是 $m\times n$ 矩阵，若 A 中存在 r 阶子式不等于零， r 阶以上子式军等于零，则称矩阵 A 的秩为 r ，记成 r(A) ，零矩阵的之规定为0.

正交规范化、正交矩阵

\\内积

设有 n 维向量 $\alpha =\left ( a_{1},a_{2},...,a_{n} \right )^T$ ， $\beta =\left ( b_{1},b_{2},...,b_{n} \right )^T$ ，令

$\left ( \alpha ,\beta \right )=\alpha ^{T}\beta =\beta ^{T}\alpha =\sum_{i=1}^{n}a_{i}b_{i}$

则称 $\left ( \alpha ,\beta \right )$ 为向量 $\alpha$ ， $\beta$ 的内积。

设 $\left | \alpha \right |=\sqrt{\left ( \alpha ,\alpha \right )}=\sqrt{a_{1}^{2}+a_{2}^{2}+\cdots +a_{n}^{2}}$ 称为向量 $\alpha =\left ( a_{1},a_{2},...,a_{n} \right )^T$ 的模（长度）， $\left | \alpha \right |=1$ 时称 $\alpha$ 为单位向量。

两个向量 $\alpha ,\beta$ 夹角的余弦为

$cos(\widehat{\alpha ,\beta })=\frac{(\alpha ,\beta )}{\left | \alpha \right |\left | \beta \right |}$

当 $(\alpha ,\beta )=0$ 时，则 $cos(\widehat{\alpha ,\beta })=0$ ， $cos(\widehat{\alpha ,\beta })=\frac{\pi }{2}$ ，此时称向量 $\alpha ,\beta$ 正交。

\\施密特正交化

设向量组 $\alpha _{1},\alpha _{2},\alpha _{3}$ 线性无关，其标准正交化的方法如下（又称正交规范化）；

先正交化，取

$\beta _{1}=\alpha _{1}$ ，

$\beta _{2}=\alpha_{2}-\frac{(\alpha_{2} ,\beta_{1} )}{(\beta _{1}\beta _{1})}\beta _{1}$ ，

$\beta _{3}=\alpha_{3}-\frac{(\alpha_{3} ,\beta_{1} )}{(\beta _{1}\beta _{1})}\beta _{1}-\frac{(\alpha_{3} ,\beta_{2} )}{(\beta _{2}\beta _{2})}\beta _{2}$ ，

则 $\beta _1,\beta _2,\beta _3$ 是正交向量组。

再将 $\beta _1,\beta _2,\beta _3$ 单位化，取

$\eta _1=\frac{\beta _1}{\left | \beta _1 \right |},\eta _2=\frac{\beta _2}{\left | \beta _2 \right |},\eta _3=\frac{\beta _3}{\left | \beta _3 \right |}$ ，

则 $\eta _1,\eta _2,\eta _3$ 是标准正交向量组，即有 $(\eta _i,\eta _j)=\left\{\begin{matrix} 0,i\neq j\\ 1,i=j \end{matrix}\right.$ .

\\正交矩阵

设 A 为 n 阶矩阵，若 $AA^T=A^TA=E$ ，则称 A 为正交矩阵。

线性方程组

基本概念

我们称

$\left\{\begin{matrix} a_{11}x_{1}+a_{12}x_{2}+...+a_{1n}x_{n}=b_1\\ a_{21}x_{1}+a_{22}x_{2}+...+a_{2n}x_{n}=b_2\\ ...\\ a_{m1}x_{1}+a_{m2}x_{2}+...+a_{mn}x_{n}=b_m \end{matrix}\right.$ ( I )

是 n 个未知数 m 个方程的非齐次线性方程组，其中 $x_1,x_2,...,x_n$ 代表 n 个未知数，而 $b_1,b_2,...b_m$ 是不全为0的常熟。

利用矩阵乘法，方程组 ( I ) 可表示为：

$\begin{bmatrix} a_{11} & a_{12} & ... & a_{1n}\\ a_{21} & a_{22} & ... & a_{2n}\\ ... & ... & ... & ...\\ a_{m1} & a_{m2} & ... & a_{mn} \end{bmatrix}\begin{bmatrix} x_1\\ x_2\\ ...\\ x_n \end{bmatrix}=\begin{bmatrix} b_1\\ b_2\\ ...\\ b_m \end{bmatrix}$

于是方程组（I）的矩阵形式：

Ax = b

称 A 为方程组（I）的系数矩阵。

对矩阵 A 按列分块，记 $A=(a_{1},a_{2},...,a_{n})$ ，则方程组（I）有向量形式

$x_{1}\alpha _{1}+x_{2}\alpha _{2}+\cdots +x_{n}\alpha _{n}=\beta$

其中 $\alpha _{j}=(\alpha _{1j},\alpha _{2j},\cdots ,\alpha _{mj})^{T}$ ， $j=1,2,\cdots ,n$ ， $\beta =(b_{1},b_{2},\cdots ,b_{m})^{T}$ .

如果 $\forall j=1,2,\cdots ,m$ 恒有 $b_{j}=0$ ，则称

$\left\{\begin{matrix} a_{11}x_{1}+a_{12}x_{2}+\cdots +a_{1n}x_{n}=0\\ a_{21}x_{1}+a_{22}x_{2}+\cdots +a_{2n}x_{n}=0\\ \cdots \\ a_{m1}x_{1}+a_{m2}x_{2}+\cdots +a_{mn}x_{n}=0 \end{matrix}\right.$ ( II )

为齐次线性方程组（也称 ( II ) 是 ( I ) 的导出组）。其矩阵形式为：

A x = 0

而齐次方程组 ( II ) 的向量形式，则是

$x_{1}\alpha _{1}+x_{2}\alpha _{2}+\cdots +x_{n}\alpha _{n}=0$

若将一组数 $c_{1},c_{2},...,c_{n}$ 分别代替方程组 ( I ) （或 ( II ) ）中的 $x_{1},x_{2},...,x_{n}$ 使 ( I )（或 ( II ) ）中 m 个等式都成立，则称 $(c_{1},c_{2},...c_{n})^{T}$ 是方程组 ( I ) （或 ( II ) ）的一个解。

解方程组就是要求出方程组的所有的解。

求方程组的解就是要对所给方程组作同解变形，而同解变形的方法：

（1）两个方程互换位置；

（2）用非零常数乘方程的两端；

（3）把某个方程组的k倍加到另一个方程上。

同解变形所对应的矩阵语言就是矩阵的初等行变换。

齐次线性方程组

对于齐次线性方程组

易见 $x_{1}=0,x_{2}=0,...,x_{n}=0$ 必满足每一个方程。故 $(0,0,...,0)^{T}$ 一定是齐次线性方程组的一个解，称其为零解，除去零解之外，如果齐次方程组还有其他的解，那些解就称为非零解。

基础解系

如果 $\eta _{1},\eta _{2},...,\eta _{t}$ 是齐次方程组 A x = 0 的解，而且满足

（1） $\eta _{1},\eta _{2},...,\eta _{t}$ 线性无关，

（2）A x = 0 的任一个解 $\eta$ 都可由 $\eta _{1},\eta _{2},...,\eta _{t}$ 线性表出，

则称 $\eta _{1},\eta _{2},...,\eta _{t}$ 是 A x = 0 的一个基础解系。

解的性质

如果 $\eta _{1},\eta _{2},...,\eta _{t}$ 是齐次方程组 A x = 0 的解，则对任意常数 $k_{1},k_{2},...,k_{t}$ ，

$k_{1}\eta _{1}+k_{2}\eta _{2}+\cdots +k_{t}\eta _{t}$

仍是该齐次方程组的解。

非齐次线性方程组

解的性质

1.设 $\xi _{1}$ ， $\xi _{2}$ 是方程组 A x = b 的两个解，则 $\xi _{1}$ ， $-\xi _{2}$ 是导出组 A x = 0 的解.

2.设 $\xi$ 是方程组 A x = b 的解， $\eta$ 是导出组 A x = 0 的解，k 是任意常数，则 $\xi +k\eta$ 是方程组 A x = b 的解。

$\overline{A}=\left [ A,b \right ]$ 称为方程组 A x = b 的增广矩阵。

特征值和特征向量

特征值、特征向量

设 A 是 n 阶矩阵，如果存在一个数 $\lambda$ 及非零的 n 维列向量 $\alpha$ ，使得

$A\alpha =\lambda \alpha$

成立，则称 $\lambda$ 是矩阵 A 的一个特征值，称非零向量 $\alpha$ 是矩阵 A 属于特征值 $\lambda$ 的一个特征向量。

由定义 $A\alpha =\lambda \alpha ,\alpha \neq 0$ ，即 $(\lambda E-A)\alpha =0,\alpha \neq 0$ 可见特征向量 $\alpha$ 是齐次方程组 $(\lambda E-A)x=0$ 的非零解。

设 $A=\left [ a_{ij} \right ]$ 为一个 n 阶矩阵，则行列式

$\left | \lambda E-A \right |=\begin{vmatrix} \lambda -a_{11} & -a_{12} & \cdots & -a_{1n}\\ -a_{21} & \lambda -a_{22} & \cdots & -a_{2n}\\ \vdots & \vdots & & \vdots\\ -a_{n1} & -a_{n2} & \cdots & \lambda -a_{nn} \end{vmatrix}$

称为矩阵 A 的特征多项式， $\left | \lambda E-A \right |=0$ 求矩阵 A 的特征方程。

求特征值，特征向量的方法：

（1）先由 $\left | \lambda E-A \right |=0$ 求矩阵 A 的特征值 $\lambda _{i}$ （共 n 个），再由 $(\lambda _{i}E-A)x=0$ 求基础解系，即矩阵 A 属于特征值 $\lambda _{i}$ 的线性无关的特征向量。

（2）用定义 $A\alpha =\lambda \alpha$ 推理分析。

相似矩阵

设 A , B 都是 n 阶矩阵，若存在可逆矩阵 P ，使得 $P^{-1}AP=B$ ，则称 B 是 A 的相似矩阵，或 A 相似于 B ，记成 $A\sim B$ 。

若 $A\sim \Lambda$ ，其中 $\Lambda$ 是对角阵，则称 A 可相似对角化。 $\Lambda$ 是 A 是相似标准形。

根据相似的定义，可知

性质（1） $A\sim A$ ，反身性。

（2）若 $A\sim B\Rightarrow B\sim A$ ，对称性

（3）若 $A\sim B,B\sim C\Rightarrow A\sim C$ ，传递性。

二次型

一、二次型及其标准形

n 个向量的一个二次齐次多项式

f ( $x_{1},x_{2},...,x_{n}$ ) = $a_{11}x_{1}^{2}+2a_{12}x_{1}x_{2}+2a_{13}x_{1}x_{3}+\cdots +2a_{1n}x_{1}x_{n}$

$+a_{22}x_{2}^{2}+2a_{23}x_{2}x_{3}+\cdots +2a_{2n}x_{2}x_{n}$

$+\cdots +a_{nn}x_{n}^{2}$ ( I )

称为 n 个变量的二次型，系数均为实数时，称为 n 元实二次型。

若令 $a_{ij}=a_{ji},i< j$ ，则 $2a_{ij}x_{i}x_{j}=a_{ij}x_{i}x_{j}+a_{ji}x_{j}x_{i}$ ，那么二次型 ( I ) 可以写成矩阵形式：

$f(x_{1},x_{2},...,x_{n})=\sum_{i=1}^{n}\sum_{j=1}^{n}a_{ij}x_{i}x_{j}=[x_{1},x_{2},...,x_{n}]\begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n}\\ a_{21} & a_{22} & \cdots & a_{2n}\\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{bmatrix}\begin{bmatrix} x_{1}\\ x_{2}\\ \vdots \\ x_{n} \end{bmatrix}=x^{T}Ax$