线性代数基本概念

爸爸的快乐你想像不到

已于 2023-07-29 13:44:33 修改

阅读量258

点赞数

分类专栏：学习文章标签：线性代数

于 2023-07-29 13:44:25 首次发布

本文链接：https://blog.csdn.net/pumbkin/article/details/131969879

版权

学习专栏收录该内容

4 篇文章 0 订阅

订阅专栏

文章介绍了线性代数中的基本概念，包括行列式的定义及其与向量线性无关的关系，逆序数的概念，矩阵的秩、正交矩阵、迹、逆矩阵和伴随矩阵的定义，以及初等变换和向量组的相关知识。还涉及了线性方程组的齐次和非齐次解，特征值和特征向量，以及相似矩阵和二次型的基础内容。

摘要由CSDN通过智能技术生成

行列式

定义1：向量

一行一个向量，行列式可看成这几个向量构成的图形的面积，如果这个面积不为0，那么这几个向量就是线性无关；如果为0，就说明至少两个向量同向（0°或180°），则这几个向量线性相关。

定义2：逆序数

$\begin{vmatrix} a_{11} &a_{12} &... &a_{1n} \\ a_{21} &a_{22} &... &a_{2n} \\ ... &... &... &... \\ a_{n1} &a_{n2} &... & a_{nn} \end{vmatrix} = \sum_{j_1j_2...j_n}(-1)^{\tau (j_1j_2...j_n)}a_{1j1}a_{2j2}...a_{njn}$

其中， $\tau (j_1j_2...j_n)$ 为逆序数， $j_1j_2...j_n$ 为1到n这n个数的n！个排列。

定义3：余子式和代数余子式，是一种逐渐降级的思想

矩阵

矩阵：由mxn个数构成的m行n列的矩形表格，称为mxn阶矩阵

矩阵的秩：线性无关的向量个数

正交矩阵： $A^{T}A=E\Leftrightarrow A^{T}=A^{-1}$

矩阵的迹：对角元素之和

矩阵的逆： $AA^{-1}=E$ ，A可逆等价于A的行列式≠0

伴随矩阵： $A^{*} = \begin{pmatrix} A_{11} &A_{21} &... &A_{n1} \\ A_{12} &A_{22} &... &A_{n2} \\ ... &... &... &... \\ A_{1n} &A_{2n} &... &A_{nn} \end{pmatrix}$ ， $A_{nn}$ 为代数余子式，注意脚标

矩阵的运算：

数乘	加法	乘法	幂
$\left \| kA \right \| = k^n\left \| A \right \|$	$\left \| A+B \right \|\neq \left \| A \right \|+\left \| B \right \|$	$\left \| AB \right \|=\left \| A \right \|\left \| B \right \|$	$(A^T)^{-1}=(A^{-1})^T$	$(A^T)^{T}=A$
$(kA)^T= kA^T$	$(A+B)^T=A^T+B^T$	$(AB)^T = B^TA^T$	$(A^)^{-1}=(A^{-1})^$	$(A^{-1})^{-1}=A$
$(kA)^{-1} = \frac{1}{k}A^{-1}$	$(A+B)^{-1}\neq A^{-1}+B^{-1}$	$(AB)^{-1}=B^{-1}A^{-1}$	$(A^T)^{}=(A^{})^T$	$(A^)^{}=\left \| A \right \|^{n-2}A$
$(kA)^{} = k^{n-1}A^{}$	$(A+B)^\neq A^+B^*$	$(AB)^{}=B^{}A^{*}$

矩阵求逆：

1、 $A^{-1} = \frac{A^*}{\left \lceil A \right \rceil}$

2、 $(A|E)\overset{}{\rightarrow}(E|A^{-1})$ ，A经初等变换化为E，同时E变为 $A^{-1}$

初等变化：倍乘、互换和倍加

初等矩阵：由单位矩阵经过一次初等变换得到的矩阵；左乘行变换、右乘列变换

向量组

向量：n个数构成的一个有序数组

向量组：m个向量的集合

向量空间： $\xi _1,\xi _2,...\xi _n$ 是n维向量空间 $R^n$ 中线性无关的有序向量组， $\xi _n$ 为n阶向量， $\xi _1,\xi _2,...\xi _n$ 称为 $R^n$ 的一个基，基向量个数n称为向量空间 $R^n$ 的维数。

线性方程组

齐次： $A_{mxn}X=0$ ，齐次通解

非齐次： $A_{mxn}X=\beta$ ，齐次通解+非齐次特解

特征值与特征向量

$A\xi =\lambda \xi$ ， $\lambda$ 为特征值， $\xi$ 为特征向量

矩阵	$A$	$kA$	$A^k$	$f(A)$	$A^{-1}$	$A^*$	$P^{-1}AP$	$A^T$
特征值	$\lambda$	$k\lambda$	$\lambda^k$	$f(\lambda)$	$\frac{1}{\lambda}(\lambda\neq 0)$	$\frac{\left \| A \right \|}{\lambda}(\lambda\neq 0)$	$\lambda$	$\lambda$
特征向量	$\xi$	$\xi$	$\xi$	$\xi$	$\xi$	$\xi$	$P^{-1}\xi$	重新计算

相似矩阵： $P^{-1}AP=B$ ，则A相似于B，记作A~B

二次型

二次型：n元二次多项式 $f(x_1,x_2,...,x_n)=a_{11}x_1^2+2a_{12}x_1x_2+...+2a_{1n}x_1x_n+a_{22}x_2^2+...+2a_{2n}x_2x_n+...+a_{nn}x_n^2$

$f(x_1,x_2,...,x_n)=(x_1,x_2,...,x_n)\begin{pmatrix} a_{11} &a_{12} &... &a_{1n} \\ a_{21} &a_{22} &... &a_{2n} \\ ... &... &... &... \\ a_{n1} &a_{n2} &... &a_{nn} \end{pmatrix}\bigl(\begin{smallmatrix} x_1\\ x_2\\ ...\\ x_n \end{smallmatrix}\bigr)$

爸爸的快乐你想像不到

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
线性代数基本概念

定义1：向量一行一个向量，行列式可看成这几个向量构成的图形的面积，如果这个面积不为0，那么这几个向量就是线性无关；如果为0，就说明至少两个向量同向（0°或180°），则这几个向量线性相关。定义2：逆序数其中，为逆序数，为1到n这n个数的n！个排列。定义3：余子式和代数余子式，是一种逐渐降级的思想。
复制链接

扫一扫

专栏目录