2021-07-05 线性代数大学期末复习笔记-备份

代数发展历史上的两大问题:

  • image-20210703144313519
  • 前四章内容

  • 左边是线性方程组的系数矩阵,右边叫增广矩阵,为了研究方程组。

  • X是一组解,也就是研究向量。

image-20210703144828939
  • 第五章内容
  • 方阵*向量(不为0)==数*向量,几何应用为二次型。
  • 一个是特征值,一个是特征向量。

一.行列式与矩阵

一.知识点
1.行列式的本质

所有不同行不同列元素乘积的代数和。

image-20210703150347792

image-20210703151303594 image-20210703151434795
  • 注意到左边三个式子,它们的p都是123,右边比如321,逆序数为3,所以为负。

  • p1p2是列下标,不是乘数。但不论正负,行都是123。

2.行列式的展开
image-20210703154217309
  • 余子式和代数余子式。
****
  • 按行/列展开,每个数与它的Aij相乘
image-20210703155404316
  • 如果上式的代数余子式去和另一行的元素相乘,结果为0。(异乘得零定律)
image-20210703155724621
  • 列同理
3.矩阵的本质

用于展现系统信息的表格

行列式和矩阵的不同:

  • 都是类似表格,但行列式行数==列数,矩阵不一定,相等的叫方阵。

  • 行列式两边是| | ,矩阵是()

  • 一个是数,一个是表。矩阵叫运算,行列式叫计算。

image-20210703160311202
4.行列式的性质,矩阵的运算,矩阵的初等变换(防混淆)img

(1)行列式五条性质:

  1. 转置值不变,互换行和列。

  2. 互换2个行/列,行列式加负号。–推论:两个行/列相等,显然互换也是一样,则行列式为0。

  3. 数乘以行列式,等于乘进某行/列。–推论:两个行/列成比例,则行列式为0。

  4. image-20210703185214104

    加减法,等于某行/列的加减,只看这一行。满足交换律,如上图,两种分解方式。

  5. image-20210703185735225

    某行/列加上另一行/列的K倍,值不变。

(2)矩阵的运算:

  1. 矩阵加减,每个位置都要拆开。

    image-20210703185921047
  2. 数字乘以矩阵,每个位置都要乘。

    image-20210703190003255
  3. 矩阵相乘,记住这个顺序和乘的方式。先第一行稳住,乘完右边所有列,然后再轮到第二行。不满足交换律,而且交换了也不一定能计算。

    image-20210703190059399 image-20210703190402902

(3)矩阵的初等变换:

  1. 2个行/列互换

  2. 某行/列倍数变化

  3. 某行/列加上另一行/列的K倍

    image-20210703202016591

    这三种,只能用箭头或者波浪线,因为它们本来就不是数,不存在相等,长得不一样!

    建议只做行变换,不要行列混用!

5. A T \mathbf{A}^\mathrm{T} AT, |A|, A*, A − 1 \mathbf{A}^\mathrm{-1} A1的运算法则和运算律img

IMG_20210703_211759image-20210703211928929

image-20210703210023501

  • 再次强调,image-20210703224623237

  • 注意表中是K^n|A|。梳理一下,用证明加深对公式的理解。后三类记号必须是方阵才行。

  • 只有image-20210703210653404满足加法分配率,其余几个都不满足。

(1)转置:(它是针对矩阵来说的,而不是行列式!)(所以不要把T加在行列式|A|的外面!

image-20210703202736206

(2)行列式:

image-20210703203106171

(3)伴随矩阵:(代数余子式构成的矩阵)

image-20210703203815818

image-20210703203805729
  • 第一行各元素的代数余子式写到第一列

  • 注意是-3和-2!因为是代数余子式,有正负号。

  • 性质1的证明:E是单位矩阵,是一个矩阵,不是行列式哈,也不是1。

    image-20210703204222852

  • 性质2的证明:E的行列式值为1,直接省略。用到|AB|=|A|·|B|

    image-20210703204503276

6.逆矩阵

(1)定义:

image-20210703205051858

(2)两条定理:

  1. image-20210703205816492

    image-20210703210023501

    • 证明:根据A*的性质1,左右**同时除以|A|**可以得到下面的式子,也就是逆矩阵的公式:

    image-20210703205633644

  2. image-20210703210346974

    • 比定义少了一半的工作量,不再需要求AB=BA。
7.特殊的行列式与矩阵

(1)上/下(反)三角行列式:

image-20210703212256765

image-20210703212227630

(2)分块矩阵:

image-20210703212432945

  • 注意这里的A和B都是大矩阵,同时*处不全是0!不用管那里的值是多少!

(3)

image-20210703214226610

  • 这个只限主对角线,实在不行把m的范围包括-1,统一记忆。
  • 注意,这内部的-1指的就是倒数!!

(4)

image-20210703215039936

image-20210703214925551

  • 主对角线和性质3很像,不过这里是分块矩阵,而且是另两部分都是0的特殊情况

image-20210703215103775

  • 注意!主对角线A和B位置没变,可是副对角线这边,A和B互换位置了!而且副对角线只支持-1!

image-20210703214831816

  • 先用性质(4),然后用性质(3)。

(5)自己补充:范德蒙行列式

形如image-20210704140024875,注意这里是从上往下的乘方,从0到n-1次方,一共n行。计算方法如下。

image-20210704140114972

  • 找到指数等于1这个第二行,它们大的减小的,乘起来便是行列式的值。
二.例题
1.普通计算

image-20210703221841333

  • 矩阵变换是可以直接变换的!那三个变换不用加系数等等,当然,那些矩阵也不相等。

  • 但是这个是行列式,在r4变成4倍的时候,就要注意前面加1/4了!

  • 主要思路,就是先用各种方法,让左上角先变成1,方便后面的变0的计算量不用很大。

  • 在变0的时候,保证始终用行变换,先让第一列除了1都是0后,再搞第二列,这时候由于第一列是0,所以放心变换第二列。

  • 一种优化:

    image-20210703222405987

2.爪型计算

image-20210703222710469

  • 这效率我去…我感觉比之前那20题的视频做的快。
  • 很显著的类爪型行列式,先都依次向第一行累加(注意它加过去不代表它变成0了!我一定得注意这个)
  • 然后提取第一行的乘数,再依次减掉第一行(即使题目变化,也可以搞分数),留出一个上三角行列式!
3.一些灵活的变换

题目:

image-20210703223848581

  • 我一开始以为用到了行列式的指数的分配性质,但没找到,不知道怎么做。
  • 即使相减,我也没有注意到减完可以约掉一些东西。而且2a还可以继续减。

做法:

image-20210703224037654

4. 行列式计算小总结

特殊的没找到办法,就按一般的做吧…

不过还是加减K倍的比较常见,哪怕一开始不容易找到规律,也可写写画画看一看。

5.有关逆矩阵的计算
  • 看到A*,基本上都是用这个式子,转换为image-20210703224829217的计算。

  • image-20210703224754614

  • image-20210703225037379

  • 这里要注意行列式当成绝对值。注意它是三阶,k^n,注意三次方!

  • A逆的行列式,就是A行列式的逆,也就是1/|A|。

6.逆矩阵问题img

(1)求逆矩阵(具体问题套不了公式,计算量太大,这里用初等行变换

  • image-20210703225706627

  • 初等行变换,添加一个E,直到左边变成E,右边就成了image-20210703225736557

  • image-20210703235402119

  • image-20210703235458039

  • 注意右边的E也要跟着进行初等变换!

(2)解矩阵方程(分离法

  • 易错点:由于AB不等于BA,所以不能把A除到右边!这点很难发现!除非是两边除以B,那样可以。

  • image-20210704120457333

    1. 分离:分类的不是提取公因子,而是把带有B的分离出来。

      image-20210704120918368

    2. 两边同时左乘逆,矩阵乘法,顺序很重要。

      image-20210704121045744

    3. A与A逆的积是E,任何矩阵乘E都是它本身

    4. B被分离出来,右边做一个分配率,得出结果。

      image-20210704121140881

    5. 最终通常会让求A的逆是多少。

(3)证明抽象方阵可逆:两个定理都能证,通常用定理二比较普遍。img

  • 预备知识:关键是会凑出一个积为E的式子。

  • 题目:(不是证A与A+2E的积是E!看清是两个问题)

image-20210704121953327

(1)证A可逆。

  • 注意!!image-20210704122048350这里,在矩阵提取公因式后,"1"实际上是用E来表示,因为矩阵是不存在和数字去加减的!

(2)证A+2E可逆。

  • 不好推的这种,考察待定系数法

  • image-20210704130728524

  • 这种设法直接记住,把常数用b代替,移项到跟原式的样子image-20210704130823948差不多的式子。

  • 然后依次对应,列出一个方程组求解。

  • image-20210704130901711

  • 求解完以后,转化成(A+2E)和一个数相乘为E,得出结果。

image-20210704131046028

二.向量组与线性方程组(最精彩,最难)

一.知识点
1.向量组
  • 向量的四则运算等等,以前学过,和数的差别不大。
  • 同维度的向量,维度指有几个坐标,比如 ( 1 , 9 , 2 , 3 ) T \mathbf{(1,9,2,3)}^\mathrm{T} (1,92,3)T是四维向量。

image-20210704132121710

基本上都是列向量,因为出题会节约版面,注意转置

img通常考法,把向量的转置符号竖过来,拼成一个矩阵。

image-20210704132421613

称作A矩阵的列向量,注意这都是矩阵!转置是针对矩阵来说的,所以向量拼起来也是矩阵。

2.向量组的线性表示与线性相关img

(1)向量由向量组线性表示:区分(4),这里没有要求不全为零。

image-20210704135100605

  • 个人理解:n维向量组,一个向量在n维空间,能由其他向量表示出来,就叫能够线性表示。

延伸:注意前面这里是单箭头!!!区分后面

比方说 α 1 {\alpha_1} α1 = 0 {0} 0的情况。或者 β \beta β α 1 \alpha_1 α1共线,三个向量共面,但 β \beta β不能被另外两个向量表示。

image-20210704142510414

(2)向量组由向量组线性表示

image-20210704135317179

  • 也就是向量组的每个向量,都能被另一个向量组(不是说 α 1 {\alpha_1} α1只能用 β 1 {\beta_1} β1一个来表示)线性表示

(3)向量组与向量组等价

image-20210704135600972

  • 也就是两个向量组能相互线性表示对方。

(4)向量组线性相关:要求不全为0,反之叫线性无关。

  1. image-20210704140258187

    • 我的理解,就是向量0能被这个向量组线性表示,但是要求系数不全为0。(全是0讨论这个就没意义了)

    • 一维向量也有线性相关,此时有

    image-20210704140851178

    • 显然 a = 0 {a} = {0} a=0 才行,但也代表了一种可能。
  2. image-20210704141205499

    • 都是设一个 X N ≠ 0 X_N \neq 0 XN=0 ,然后强行求出其他的系数。
  3. image-20210704141848379

    • 注意这里变成了双箭头!!(根据逆否命题真值不变!显然它们同时取反是可以互推的)

    • 区分一个向量和向量组共线的情况!这里三个 α \alpha α 线性相关,仅仅是共面。

    • 因为它相当于把其中一个 α \alpha α移项,然后就变成了一个 α \alpha α由另外两个 α \alpha α表示的情况,转化成了一个向量和二维向量组线性相关。

  4. 两个推论:
    image-20210704154747031

    • 0 {0} 0 x x x让它不为0,其余的 x x x都为0,即可。

    • 这两个成比例向量显然有办法相加为 0 {0} 0 ,然后其余的 x x x 0 0 0,即可。

image-20210704155019335

  • α 1 {\alpha_1} α1 α 2 {\alpha_2} α2无关,代表不共线。三个 α {\alpha} α相关,代表共面,所以 α 3 {\alpha_3} α3可以被另外两个线性表示。
  1. image-20210704155507780

    • 实质是 2 o 2^o 2o ,因为两个向量相关,代表他们共线,所以成比例,所以向量组 A A A( α 1 {\alpha_1} α1, α 2 {\alpha_2} α2,KaTeX parse error: Expected 'EOF', got '}' at position 11: \{\alpha_3}̲) 线性相关。
  2. image-20210704160324342

    理解:

    image-20210704160410532

    同理,根据上面的理解,可以得知:

    image-20210704160500036

  3. 向量组的等价问题:

    image-20210704160901895

    如图,如果红方 α 1 {\alpha_1} α1 α 2 {\alpha_2} α2可以线性表示 β 1 {\beta_1} β1 β 2 {\beta_2} β2,说明向量组B被线性表示了。但是, β 1 {\beta_1} β1 β 2 {\beta_2} β2共线的话,它们就不能反过来表示 α {\alpha} α ,这就是秩的由来。

3.向量组与向量的秩(必考!)

(1)***向量组***的秩与最大无关组

​ 向量组A中,1. 所有 r + 1 r+1 r+1 个向量组成的部分组若存在,一定线性相关。

​ 2. 由 r r r 个向量组成的部分组 A r A_r Ar 无关,则向量组A的秩是 r r r A r A_r Ar 为向量组A的最大线性无关组,简称最大无关组。

​ (此时A中任意向量都能用 A r A_r Ar 线性表示。)

个人理解:(挺难的)

image-20210704163557669

​ 根据上图得出秩r = 2,因为就那俩无关啊,最大无关组。其余5个相关也无所谓,又不用它们去表示3维。

A r A_r Ar 线性无关,所以它俩不共线,可以表示所有三维向量组,再往上四维就不行了。

​ 向量C能被线性无关的向量A,B表示出来,那自然它们仨共面。

​ r+1=3,上面三维向量组线性相关也就是共面。A最大3维,此时A中任意的向量能用 A r A_r Ar 表示,是充分必要条件。

​ 也就是第二种定义,A中任意向量都能用 A r A_r Ar 线性表示。

老师理解

image-20210704165028982

​ 秩,r,也就是rank,代表向量组的等级。假设这三个向量组,都是三维,秩分别是1,2,3。

​ 记牢一个定义,A中任意向量都能用 A r A_r Ar 线性表示

​ 那么(I)中所有的都能被 α 1 {\alpha_1} α1表示,显然全部共线。(虽然叫三维向量,但“空间”上是一维,r = 1)

​ 那么(II)中所有的都能被 β 1 {\beta_1} β1 β 2 {\beta_2} β2表示,显然全部共面。

​ 那么(III)…显然全部共体。

​ **也就是说,最大无关组 A r A_r Ar ,确定了向量组的N维表示。**r=R(A),区分一下。

img

向量组的秩,为最大无关组中,向量的个数。——线性无关说明维度不同,以此升维。

(2)向量组的线性相关性与行列式

​ 惊呆!找几何意义。(前提得m=n不然没法列行列式,也就是n个列向量的话,需要n维才行)

image-20210704170410544

  • 如果把画圈的两个当成向量,那么行列式就有了几何意义,具体看下图。

    image-20210704170724962

    • 注意,这个式子的我们就当a未知,我们有其他的目的,就用两个向量的模来表示。
    • 首先是行列式计算,然后用两个向量的模和夹角表示它,最终发现!这是一个平行四边形面积。
    • 如果是两个三维向量,那它就是一个体积!

image-20210704170032866

image-20210704171605076

  • 上图便是考察对面积实质的理解,相关代表共线,没有夹角,平行四边形就没有面积。考试考的就是上面两个式子。
  • 假如A是10阶矩阵且|A|≠0,那么就代表它的10个列向量构成的组线性相关。

(3)矩阵的秩与最高阶非零子式(其实看它的定义还不如看它名字去体会)

​ 矩阵A中,1. 所有r + 1阶子式若存在,全为零

​ 2.有r阶子式 D r D_r Dr 不为零

​ 这两个条件,可以推出R(A) = r, D r D_r Dr 为A的最高阶非零子式。参考秩,类比着看

image-20210704172839378

image-20210704172850608

串起来了,串起来了,用到了行列式值为0的那个几何性质。

image-20210704173251618

根本上,和秩的形式的一样的,所以:

image-20210704173323039

由于行列式转置值不变,所以对于行向量,这个意义也是一样的。

img

1.矩阵的秩为其最高阶非零子式的阶数,等于其列(行)向量组的秩。

2.矩阵的秩 = 该矩阵经初等行变换所得的行阶梯形矩阵的非零行的行数。

image-20210704173928945

注:(1)行阶梯形:1. 阶梯线下方元素全为0。

​ 2.每级阶梯仅占一行,但可占不只一列。

​ (看图,可以发现,阶梯上面不能全为0)

​ (2)行最简形:1. 首先是行阶梯形

​ 2.每级阶梯第1个元素为1

​ 3.元素所在的其他元素全为0

image-20210704174426719

​ 不代表每个阶梯块长只有1,这个不限制。

​ (矩阵的初等变换不需要变号什么的,回去重新看一下那三种!)

4.向量组的线性表示,线性相关性与秩之间的关系。
  • 下面这两个方面6条等价,根本上就是考察一个概念。
  • 线性相关代表共线/面/体…,秩代表维度。被线性表示,也代表一种共线/面/体。
  • 三个向量线性相关,显然必须共面;两个向量线性相关,显然必须共线。
  • 如果两个向量线性无关,反而说明它们不共线而是共面,因此它们可以确切表示共面的第三个向量,代表了三个向量的线性相关。
  • 反正就是画图,深入理解线性相关,线性表示,秩,就可以自己推出这些公式、

image-20210704191357436

​ 能线性表示,则在同一维度,加不加 β {\beta} β无所谓。不能线性表示,说明 β {\beta} β在另一维度,可给它升维,r+1.(这三个 α \alpha α共线也无所谓,还是加1)

  • 下图继续理解,线性表示是否唯一,看的是向量组它自己是否线性相关。显然。

(不唯一,实际上是无穷个,还是画画图比较好理解)线性相关3维都不到,能表示说明共线/面,顶多2维。

image-20210704192716184

  • 这个式子适合背过。

image-20210704192925561

  • 如果A能被B线性表示,那么联合矩阵(A,B)的秩(向量直接按列拼在一起就是联合),就等于A的秩**,这就是上式的推论**。都一个事,能线性表示说明不在另一维度,不能升维。
  • image-20210704193308060
  • 注意这是相互表示,不然可能一组的秩比另一组低,取其中一个系数是0降维表示。
5.线性方程组与向量组之间的关系
一.线性表示(非齐次线性方程组)(右边不为0)
  • 返璞归真,回归开头。

image-20210704193522570

​ 这里就相当于向量相等,要求x,y,z…对应相等!

  • 注意正因为 x x x是要求解的,而提供系数的向量是已知的。所以在线性表示式中,未知的 x x x反而是充当的是系数

image-20210704193553449

image-20210704193646393

(注意这里就是逆用矩阵相乘)

imgimg

  1. 我感觉到了,下面的几个公式必考!

    image-20210704195058659

    • 也就是 β {\beta} β能用n个向量唯一线性表示,唯一说明同维, β {\beta} β但凡低一点就被高维随意表示了。以R(A) = n。

    • 列向量 β {\beta} β的维度是m,但显然这只是坐标表示,和下面的维度(暂且称为维)是两码事。

    • 向量的m不参加讨论,不管几个坐标,对它来说也会有单纯的共线共面等。

    • 感觉向量画出来只有一个维,只有n个不同维的向量,才会有n维空间一说。

    • m=n时,能组方阵了,方阵才有行列式。然后,它们没有共线故面积不是0:

      image-20210704195255289

  2. image-20210704195427672

    n个向量线性表示,最高也就是n维空间了,不唯一说明 β {\beta} β维度更低。A联动 β {\beta} β的秩不可能高于n。

    β {\beta} β是m个坐标(虽然是1维),每个坐标都有无穷组表示方法,每一组的m行表示,其实就是Ax= β {\beta} β的一组样子。

    个人参悟:

    3个向量要是共面,那秩也就是维度是2,R(A)<n。想要无穷表示,并不一定要升维。比如2个线性无关向量,能唯一确定另一个共面向量A,如果引入第三个共面向量B,在2维就可以确定无穷个A。显然A不在其他维度,所以,加上A后,秩仍然是2。

    3维向量,行列式的几何意义是体积。这个和秩无关,就看向量维度,因为行列式按照向量的维度确定边长。而它们3个共面,体积是0,所以行列式的值是0,不可逆。A不可逆是|A|=0的充分必要条件,这是第一章的内容。

    当然,就像刚才说的平行四边形唯一确定,在3维空间里,如果三个向量线性无关,那显然它们秩是3,也可以唯一确定一个秩为3的第四个向量,也就是第四个向量唯一。

    此时它们的R(A)=n了,加上B,秩仍然是3,毕竟3维的向量表示不出4维的向量,毕竟坐标系都是沿着3维来走的,没办法。同理,如果这三个向量怎么都表示不出第四个向量,显然第四个向量在另一个维度,而且这三个向量的维度也可能小于3。要是在另一维度,那它来了秩就加1,和原来这三个是不是共线共面都没关系。

    再就是线性相关和无关的情况。线性无关,说明两个表示不出来第3个,第3个在其他维度,故体积不为0,所以|A|不等于0。反之也是,看到|A|不为0所以线性无关,这时只有一个零解。

    因此深刻理解一件事,线性相关或者无关,都不存在无解的情况。但是线性表示是存在无解的情况的,因为即使全部取0,可还有常数项没办法解决,所以存在无解。

    这里注意一个地方,这里的是单箭头!

  3. image-20210704200144860

二.线性相关(齐次线性方程组)(右边全为0)

线性相关的表达式本身就是线性方程组,也就是向量乘积,那好办了。

不管多少行,用向量表示只需要一行,这叫封装。

相关必然有同维度,显然秩比3小,最大线性无关到不了3。

image-20210704201602391

image-20210704201716421

img

几个公式熟记于心:

(m=n是方阵,才会有行列式一说)(线性相关,面积为0,行列式|A|=0)

image-20210704201908039

有非零解,只有零解。

二.例题
1.img必考必考:求向量组的最大无关组,并表示。

image-20210704174809985

(1)把向量列出来,然后初等变换。推荐行变换。

image-20210704184029949

(2)造零,这里依旧是从左往右依次造零,其实和构造上三角行列式有点像。

​ 注意这个初等变换箭头,上面r的写法。

image-20210704184236028

(3)数一下几阶,这里是r=3,每个阶梯第一个数,就是组成最大无关组的向量。

image-20210704184402125

类比:

image-20210704184434875

这个矩阵的秩为2,其最大线性无关组为 α 1 {\alpha_1} α1, α 3 {\alpha_3} α3

(4)求行最简形,这是为了加快用最大线性无关组表示其他向量的进程

image-20210704184824749

  • 学一学化简办法,别忘了同列其他元素都需要是0才行。

  • 矩阵的初等行变换不改变它的列向量间的线性相关性和线性表示的系数。

  • (就像求解方程组,相乘作差什么的放这儿完全一样,换了个表示形式而已。所以该什么解还是什么。)

    image-20210704185105276

image-20210704185228635

  • 可以发现,化简成这样以后,其他向量怎么去表示它,一目了然。
  • (用 α 1 α 2 {\alpha_1}{\alpha_2} α1α2 α 3 {\alpha_3} α3来表示 α 4 {\alpha_4} α4 α 5 {\alpha_5} α5
2.如果让求的是最高阶非零子式

image-20210704202147801

(1)步骤

  • 不用化简到行最简形,化到阶梯矩阵,立马看一下是哪几列向量。比如上图的1,2,3.
  • 回到最初的矩阵img,在里面找行列式。由于列是1,2,3,行列式要求矩阵是方阵,所以必须行也是3。
  • 这样上图会出现4个三阶行列式,列都是前三列。然后找不为0的行列式。
  • 填上找到的行列式。**不是矩阵,更不是算出来的数!**别把验证不为时算的数不小心填上去!

(2)注意点:上面的加粗步骤。

​ 但是,这个答案“不唯一,只要找到的行列式不为0即可"。

3.含参数线性方程组的综合题

image-20210704202302391

image-20210704202703638

解出来就完了,反正要会用那些公式就行。代数余子式吗?

4.思考什么是线性相关,这道题和上一道题一样

image-20210704202735541

如果维数不等于向量个数,那就用秩来做,因为没法直接列行列式计算。

5.解齐次线性方程组

image-20210704203026311

解方程组,需要化成行最简形!

  1. 如果只是判断解的情况,只需要化到阶梯矩阵就行了,判断秩的情况,注意这里的是4不是3,记住了就行了。

image-20210704203613511

  1. 正式计算(这里第二行的1和0,可以看出阶梯是不管“内部”是不是0的)

image-20210704204039092

根据阶梯,1,3用2,4表示。上面叫独立方程。

image-20210704204422137

  • 上面这个叫通解。两个独立方程在上上面,两个自由变量2,4。(他们任意取值,所以无数个解)

  • 这一步就是字面意思,这里的x依然代表向量,比方说, x 2 x_2 x2= x 2 x_2 x2*1+ x 4 x_4 x4*0,也就是 k 1 k_1 k1*1+ k 2 k_2 k2*0,注意哈,这里 k 1 k_1 k1就是 x 2 x_2 x2,因为剩下两个变量也能用它们表示(式子已求出),它们自己表示自己更是方便,所以有了上式,只是竖着写怪怪的。

image-20210704204900647

  • 上面叫基础解系。

注:1. 齐次线性方程组基础解系中向量的个数为n-r(A).

​ (如上,被拿来表示的只有1和3,立在台阶左边相当于未知数,其余2和4的则是向量)

​ n为未知数个数

​ 2. 齐次线性方程组基础解系或通解一定不唯一,有无穷多种。

​ 非齐次可能唯一可能不唯一。

image-20210704205432853

​ 这个自由变量完全可以移项换过来,所以这只是手段。

image-20210704205455508

​ 发现了没,这俩通解不一样。

​ 而且对于1001,2002,3003,4004…无数种都可以,所以叫解系。

​ 下面3个式子同时满足才行,也是用来检查自己结果对不对。

image-20210704205720998

6.解非齐次线性方程组

image-20210704205814239

(1)列出增广矩阵,初等变换化成行最简形。

image-20210704210052342

  • 如果这里在问解的情况,到这里直接列出秩,来判断。

  • 如果要求解,要继续往下化。

image-20210704210335592

前面步骤都一样,区别在通解,但是思路上是一样的。

(如果把通解里的常数项删掉,就变成了对应齐次线性方程组的通解)

  • 非齐次线性方程组没有基础解系这种说法,但非齐次解也是无穷多。

image-20210704210727764

  • 检查方法:

    前面红框内的部分,完全按照齐次线性方程组的办法来查,后面的常数项,代入到方程组里面去查。

7.要转化为线性方程组的问题
  • 注意这个题目求证里漏掉一个 α 4 {\alpha_4} α4
    image-20210704210955673

等价:

image-20210704211417353

证明上图有解,并求解。

image-20210704211606550

注意这里不是要求出基础解系,而是要把解系代入到通解,求出 β \beta β 的表达式。

注意常数项不是以常数形式加在通解后面,而是融进了系数。

8.含有未知数,讨论线性方程组解的情况

image-20210704212528727

对比例题10,用行列式解这个不合适。

行列式等于0,对应无穷多解和无解,但其他情况不清楚。不如直接用秩。

非齐次适合用秩,齐次且方程个数等于未知数个数(即向量个数等于向量维数)才用行列式。

image-20210704212734679

解法:先增广矩阵,变成阶梯型(第一步显然是让左上角变成1)

image-20210704212842658

image-20210704213041570

问题的核心:

不要先去算,看一下下面的讨论,会影响秩的值。

所以叫,讨论解的情况。

image-20210704213251012

特别麻烦,起码在化简矩阵的时候,计算量比较大的。

考察对必考概念的理解。

9.线性无关这种抽象题证明

image-20210704220226866

image-20210704220853842

  • 方法一:定义法

    线性无关,说明两个表示不出来第三个,说明第三个在三维,体积不为0,所以|A|不等于0。反之也是,看到|A|不为0,所以线性无关,这种时候也不是没有解,但只有一个零解。

  • 方法二:用秩(没太明白)

    image-20210704221939237

    向量组线性无关的充分必要条件是这个向量组的秩等于向量个数。

    说明PAQ和A等价。

三.特征值与二次型

一.知识点
1. 特征值与特征向量的的概念

image-20210704223442641

方阵A,找一个向量 X {X} X右乘 X {X} X以后和 X {X} X平行,倍数是 λ \lambda λ,那么一个是特征值,一个是相对特征值的特征向量。

注:求A的特征值与特征向量的步骤

image-20210704223510429

  • 注意,这个A是矩阵, λ \lambda λ是数字,即使是提取公因数,也要在 λ \lambda λ后面加个 E !!

S1.解方程|A- λ \lambda λE|=0,得A的特征值 λ \lambda λ= λ 1 , λ 2 {\lambda_1},{\lambda_2} λ1,λ2,…

S2.解方程组,(A- λ 1 \lambda_1 λ1E) X {X} X=0,(A- λ 2 \lambda_2 λ2E) X {X} X=0,…,分别得对应的特征向量 X {X} X

2.特征值的性质

所有特征值的积,等于行列式的值。

所有特征值的和,等于对角线元素的和。

3.A的特征值与f(A)的特征值的关系
  • 具体应用如下:(就是把A变成另一种形式,然后看 λ \lambda λ的变化。)

image-20210704230302864

感觉和A是完全一样的,只不过是矩阵和数的关系。尤其是3和4,体会一下就知道了。

  • 结论:f(A)的特征值就是f( λ \lambda λ)。
  • 注意:第三个式子的|A|不是 λ \lambda λ的绝对值,这个数是要求出来的!(这个值等于特征值相乘)
4.对称矩阵与正交矩阵

image-20210704231436075

  • 性质(2)的推论

    image-20210704231513478

    image-20210704231716528

    • 两个向量垂直,数量积是0.
5.相似矩阵

内容:

image-20210704231821743

用法:

image-20210704231847229

(不能反推!)

证明:

image-20210704231930445

延伸:

对角矩阵或者上三角行列式的特征值,就是对角线上每个元素。

image-20210705015337773

6.实对称矩阵(全是实数的对称矩阵)

image-20210704232859986

此时对角矩阵 λ \lambda λ 的对角线上的值就是A的特征值。

image-20210704234713199

显然P的几个列向量 p 1 p_1 p1, p 2 p_2 p2,…它们都是特征向量。然后 λ \lambda λ的对角线,都是特征值。

解法:

image-20210704235158685

  • 线性无关是因为要求P是可逆的,基础解系中的特征向量一定是线性无关的。

image-20210704235604748

  • 如果出现如上的情况,那么就要 S 3 S_3 S3 S 4 S_4 S4

    image-20210704235645953

二.例题
1. 求特征值和特征向量

image-20210704223824067

(1)先求特征值

image-20210704224117122

  • 没有用上下三角或者普通展开,这里用的是把其他先化成0(不是1!),再展开,解决了不少的计算。

    注意这个结果写法,已经快忘掉是这样写了!

    image-20210704224250448

    三个根,两个相等,但要全列出来!!哪怕加一个 x 2 x_2 x2= x 3 x_3 x3

(2)求特征向量,每个特征值对应一个特征向量。也暗示结果不唯一。

​ 要分开讨论,化简成行最简式,然后求出向量来。

image-20210704224638401

  • 任何地方都要考察解方程组,一定要亲自算一算,感受一下。

  • 我突然发现,这个k是任取的,难怪有无数个解,因为这是两个式子解三个数!

image-20210704225846353

(没截完)

2.特征值相关计算

image-20210704230529998

image-20210704231125953

  • 先利用A所有特征值乘积,得到|A|,然后再求出A*+3A+2E的所有特征值,再乘起来。

网页捕获_5-7-2021_14311_www.bilibili.com

网页捕获_5-7-2021_14258_www.bilibili.com

  • 2
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值