线性代数知识清单
一 行列式
概念
余子式和代数余子式
记代数余子式为 ( − 1 ) m + n M i j (-1)^{m+n} M_{ij} (−1)m+nMij,则有余子式 M i j M_{ij} Mij
常用行列式相关公式
-
$|\textbf{ A}^T | = |\textbf{A}| $
-
∣ k A ∣ = k n ∣ A ∣ |k \textbf{A}| = k^n |\textbf{A}| ∣kA∣=kn∣A∣
-
A , B \textbf{A},\textbf{B} A,B 均为 n n n 阶, ∣ AB ∣ = ∣ A ∣ ∣ B ∣ |\textbf{AB}| = |\textbf{A}||\textbf{B}| ∣AB∣=∣A∣∣B∣
-
∣ A − 1 ∣ = 1 ∣ A ∣ |\textbf{A}^{-1}|= \frac 1{|\textbf{A}|} ∣A−1∣=∣A∣1
-
伴随矩阵相关
∣ A ∗ ∣ = ∣ A ∣ n − 1 |\textbf{A}^*| =|\textbf{A}|^{n-1} ∣A∗∣=∣A∣n−1
A A ∗ = A ∗ A = ∣ A ∣ E \textbf{A}\textbf{A}^* = \textbf{A}^* \textbf{A} = |\textbf{A}| \textbf{E} AA∗=A∗A=∣A∣E
-
矩阵行列式与特征值
∣ A ∣ = ∏ λ i |\textbf{A}| = \prod {\lambda _i} ∣A∣=∏λi
特殊的行列式
-
上下三角行列式
∣ c 1 c 2 … c n ∣ = ∏ i = 0 n c i \begin{vmatrix} c_1 & & & & \\ & c_2 & & \\ & & & …&\\ & & & & c_n \end{vmatrix} = \prod\limits_{i = 0}^n c_i ∣∣∣∣∣∣∣∣c1c2…cn∣∣∣∣∣∣∣∣=i=0∏nci
-
副对角线的 n 阶行列式
∣ c n c n − 1 … c 1 ∣ = ( − 1 ) m + n ∏ i = 1 n c i \left| \begin{array}{cccc} & & & &c_n \\ & & & c_{n-1} & \\ & & … & \\ c_1 & & & \end{array} \right| = (-1)^{m+n}\prod_{i = 1}^n c_i ∣∣∣∣∣∣∣∣c1…cn−1cn∣∣∣∣∣∣∣∣=(−1)m+ni=1∏nci
-
两个特殊的拉普拉斯矩阵
∗ * ∗ 表示任意矩阵
其特征为一个 0 0 0 行列式分布在对角线上
A , B A,B A,B 分别为 m , n m,n m,n 阶的矩阵(行列式)
-
若 0 0 0 行列式在副对角线上
∣ A ∗ O B ∣ = ∣ A O ∗ B ∣ = ∣ A ∣ ⋅ ∣ B ∣ \begin{vmatrix}\textbf A & * \\ O & B\end{vmatrix} = \begin{vmatrix}A & O\\ * & B\end{vmatrix} =|A| \cdot|B| ∣∣∣∣AO∗B∣∣∣∣=∣∣∣∣A∗OB∣∣∣∣=∣A∣⋅∣B∣
-
若 0 0 0 行列式在副对角线上
∣ ∗ A B O ∣ = ∣ O A B ∗ ∣ = ( − 1 ) m n ∣ A ∣ ⋅ ∣ B ∣ \begin{vmatrix}* & A \\ B & O\end{vmatrix} = \begin{vmatrix}O & A \\ B & *\end{vmatrix} = (-1)^{mn}|A|\cdot|B| ∣∣∣∣∗BAO∣∣∣∣=∣∣∣∣OBA∗∣∣∣∣=(−1)mn∣A∣⋅∣B∣
-
-
范德蒙行列式
若行列式的形式满足第一行全为1,第 n n n 行各元素是第二行对应元素的 n − 1 n-1 n−1 次幂,则有
KaTeX parse error: Expected group after '_' at position 183: …matrix} = \prod_̲\limits{1\leq i…
以三阶行列式为例:∣ 1 1 1 x 1 x 2 x 3 x 1 2 x 2 2 x 3 2 ∣ = ( x 2 − x 1 ) ( x 3 − x 1 ) ( x 3 − x 2 ) \begin{vmatrix}1 & 1 & 1\\x_1 & x_2 & x_3 \\ x^2_1 & x_2^2 & x_3^2\end{vmatrix} = (x_2-x_1)(x_3-x_1)(x_3-x_2) ∣∣∣∣∣∣1x1x121x2x221x3x32∣∣∣∣∣∣=(x2−x1)(x3−x1)(x3−x2)
二 矩阵
常用公式
矩阵的转置
∣ A T ∣ = ∣ A ∣ |\textbf A^T| = |\textbf A| ∣AT∣=∣A∣
( A + B ) T = A T + B T (\textbf{A} +\textbf{B})^{T} = \textbf{A}^T + \textbf{B}^T (A+B)T=AT+BT
( k A ) T = k A T (k\textbf A)^T = k \textbf A^T (kA)T=kAT
( AB ) T = B T A T (\textbf{AB})^T=\textbf B^T\textbf A^T (AB)T=BTAT
伴随矩阵
A A ∗ = A ∗ A = ∣ A ∣ E \textbf A \textbf A^* = \textbf A^*\textbf A = |\textbf A|\textbf E AA∗=A∗A=∣A∣E
( A ∗ ) − 1 = ( A − 1 ) ∗ = 1 ∣ A ∣ A (\textbf A^*)^{-1} = (\textbf A ^{-1})^* = \frac{1}{|\textbf A|} \textbf A (A∗)−1=(A−1)∗=∣A∣1A
( k A ) ∗ = k n − 1 A ∗ (k \textbf A)^* = k^{n-1}\textbf A^{*} (kA)∗=kn−1A∗
( A ∗ ) T = ( A T ) ∗ (\textbf A^*)^T = (\textbf A^T)^* (A∗)T=(AT)∗
∣ A ∗ ∣ = ∣ A ∣ n − 1 |\textbf A^*| = |\textbf A|^{n-1} ∣A∗∣=∣A∣n−1
( A ∗ ) ∗ = ∣ A ∣ n − 2 A (\textbf A^*)^* = |\textbf A|^{n-2}\textbf A (A∗)∗=∣A∣n−2A
逆矩阵
二阶(可逆)矩阵的逆:主对角线元素互换、副对角线元素变号
[
a
b
c
d
]
−
1
=
[
d
−
b
−
c
a
]
\begin{bmatrix}a & b \\ c & d\end{bmatrix} ^{-1} = \begin{bmatrix}d & -b \\ -c & a\end{bmatrix}
[acbd]−1=[d−c−ba]
(
k
A
)
−
1
=
1
k
A
−
1
(k \textbf A)^{-1} = \frac 1k \textbf A^{-1}
(kA)−1=k1A−1
( AB ) − 1 = B − 1 A − 1 (\textbf{AB})^{-1}=\textbf B^{-1}\textbf A^{-1} (AB)−1=B−1A−1
( A T ) − 1 = ( A − 1 ) T (\textbf A^T)^{-1 } = (\textbf A^{-1})^T (AT)−1=(A−1)T
∣ A − 1 ∣ = 1 ∣ A ∣ = ∣ A ∣ − 1 |\textbf A^{-1}| = \frac 1 {|\textbf A|} = |\bf A|^{-1} ∣A−1∣=∣A∣1=∣A∣−1
初等矩阵
左乘初等矩阵:矩阵等价初等矩阵的行变换
右乘初等矩阵:矩阵等价初等矩阵的列变换
分块矩阵计算
[ A B C D ] T = [ A T B T C T D T ] \begin{bmatrix}\textbf A & \textbf B \\ \textbf C & \textbf D\end{bmatrix}^T = \begin{bmatrix}\textbf A^T & \textbf B^T \\ \textbf C^T & \textbf D^T\end{bmatrix} [ACBD]T=[ATCTBTDT]
[ B O O C ] − 1 = [ B − 1 O O C − 1 ] \begin{bmatrix}\textbf B & \textbf O \\ \textbf O & \textbf C\end{bmatrix} ^{-1} = \begin{bmatrix}\textbf B^{-1} & \textbf O \\ \textbf O & \textbf C^{-1}\end{bmatrix} [BOOC]−1=[B−1OOC−1]
[ O B C O ] − 1 = [ O C − 1 B − 1 O ] \begin{bmatrix}\textbf O & \textbf B \\ \textbf C & \textbf O\end{bmatrix} ^{-1} = \begin{bmatrix}\textbf O & \textbf C^{-1} \\ \textbf B^{-1} & \textbf O\end{bmatrix} [OCBO]−1=[OB−1C−1O]
矩阵的秩
r ( A ) = r ( A T ) r(\textbf A) = r(\textbf A^T) r(A)=r(AT)
r ( A T A ) = r ( A ) r(\textbf A^T\textbf A) = r(\textbf A) r(ATA)=r(A)
-
k ≠ 0 k \neq 0 k=0
r ( k A ) = r ( A ) r(k\textbf A) = r(\textbf A) r(kA)=r(A)
r ( A + B ) ≤ r ( A ) + r ( B ) r(\textbf A+ \textbf B) \leq r(\textbf A) + r(\textbf B) r(A+B)≤r(A)+r(B)
-
若 A \bf A A 可逆
r ( AB ) = r ( BA ) = r ( B ) r(\textbf{AB}) =r(\textbf{BA}) = r(\textbf B) r(AB)=r(BA)=r(B)
-
分块矩阵
$r(\begin{bmatrix}\textbf A & \textbf O\\textbf O & \textbf B\end{bmatrix}) = r(\textbf A) + r(\textbf B) $
r ( A ∗ ) = { n r ( A ) = n 1 r ( A ) = n − 1 0 r ( A ) < n − 1 r(\bold A^*) = \begin{cases}n \ \ \ \ r(\bold A) = n\\1\ \ \ \ r(\bold A) = n-1\\0 \ \ \ \ r(\bold A) < n-1 \end{cases} r(A∗)=⎩⎪⎨⎪⎧n r(A)=n1 r(A)=n−10 r(A)<n−1
特殊矩阵的 n n n 次幂
-
r ( A ) = 1 r(\bold A)=1 r(A)=1
A n = l n − 1 A \bold A^n = l^{n-1}\bold A An=ln−1A
l l l 是 A \textbf A A 的迹
-
相似矩阵 A ∼ B \bold A \sim \bold B A∼B
P − 1 A n P = B n \bold P^{-1} \bold A^n \bold P = \bold B^n P−1AnP=Bn
-
对角矩阵的 n n n 次幂
[ c 1 c 2 … c k ] n = [ c 1 n c 2 n … c k n ] \left[ \begin{array}{cccc} c_1 & & & & \\ & c_2 & & \\ & & & …&\\ & & & & c_k \end{array} \right]^n = \left[ \begin{array}{cccc} c_1^n & & & & \\ & c_2^n & & \\ & & & …&\\ & & & & c_k^n \end{array} \right] ⎣⎢⎢⎡c1c2…ck⎦⎥⎥⎤n=⎣⎢⎢⎡c1nc2n…ckn⎦⎥⎥⎤
初等矩阵的逆矩阵
-
两行交换的初等矩阵
A = A − 1 \textbf A = \textbf A^{-1} A=A−1,即矩阵不变
-
k × k \times k×某行的初等矩阵
该行取倒数
例: A = [ 1 0 0 0 2 0 0 0 1 ] \textbf A = \begin{bmatrix}1 & 0 & 0 \\ 0 & 2 &0 \\ 0 & 0 & 1\end{bmatrix} A=⎣⎡100020001⎦⎤,则 $\textbf A^{-1} =\begin{bmatrix}1 & 0 & 0 \ 0 & \frac 12 &0 \ 0 & 0 & 1\end{bmatrix} $
-
某行 + k × +k\times +k× 另一行的初等矩阵
倍加的部分取相反数,其余部分不变
例: A = [ 1 0 0 0 1 − 2 0 0 1 ] \textbf A = \begin{bmatrix}1 & 0 & 0 \\ 0 & 1 &-2 \\ 0 & 0 & 1\end{bmatrix} A=⎣⎡1000100−21⎦⎤,则 $\textbf A^{-1} = \begin{bmatrix}1 & 0 & 0 \ 0 & 1 &2 \ 0 & 0 & 1\end{bmatrix} $
三 向量
(列)向量相乘
有 n n n 维列向量 α , β \alpha,\beta α,β,有结论
α β T , β α T , α α T , β β T , ( A α ) ( A α ) T , ( B β ) ( B β ) T \alpha\beta^T,\beta\alpha^T,\alpha\alpha^T,\beta\beta^T,(\textbf A\alpha)(\textbf A \alpha)^T,(\textbf B\beta)(\textbf B \beta)^T αβT,βαT,ααT,ββT,(Aα)(Aα)T,(Bβ)(Bβ)T 都是矩阵,有 r = 1 r = 1 r=1
特别的,对于 α α T , β β T , ( A α ) ( A α ) T , ( B β ) ( B β ) T \alpha\alpha^T,\beta\beta^T,(\textbf A\alpha)(\textbf A \alpha)^T,(\textbf B\beta)(\textbf B \beta)^T ααT,ββT,(Aα)(Aα)T,(Bβ)(Bβ)T,他们都是对称矩阵
对于 α T β , β T α , α T α , β T β , ( A α ) T ( A α ) , ( B β ) T ( B β ) \alpha^T\beta,\beta^T\alpha,\alpha^T\alpha,\beta^T\beta,(\textbf A\alpha)^T(\textbf A \alpha),(\textbf B\beta)^T(\textbf B \beta) αTβ,βTα,αTα,βTβ,(Aα)T(Aα),(Bβ)T(Bβ) 他们都是 ≥ 0 \geq0 ≥0 的数
且 α T α , β T β , ( A α ) T ( A α ) , ( B β ) T ( B β ) \alpha^T\alpha,\beta^T\beta,(\textbf A\alpha)^T(\textbf A \alpha),(\textbf B\beta)^T(\textbf B \beta) αTα,βTβ,(Aα)T(Aα),(Bβ)T(Bβ) 一一对应 α α T , β β T , ( A α ) ( A α ) T , ( B β ) ( B β ) T \alpha\alpha^T,\beta\beta^T,(\textbf A\alpha)(\textbf A \alpha)^T,(\textbf B\beta)(\textbf B \beta)^T ααT,ββT,(Aα)(Aα)T,(Bβ)(Bβ)T 的迹
线性相关的判断
有向量组 [ α 1 , α 2 , … … α n ] = A [\alpha_1,\alpha_2,……\alpha_n] = \bf A [α1,α2,……αn]=A
相关、无关的定义
当且仅当 k 1 = k 2 = k 3 = … … = k n = 0 k_1 = k_2 = k_3 =…… = k_n = 0 k1=k2=k3=……=kn=0 时,才有 k 1 α ⃗ 1 + k 2 α ⃗ 2 + … … + k n α ⃗ n = 0 k_1\vec \alpha_1 + k_2 \vec \alpha_2 +……+k_n\vec \alpha_n = 0 k1α1+k2α2+……+knαn=0 ,则向量组线性无关
线性表出
线性表出的基本定义
向量 β \boldsymbol{\beta} β 能由向量组 ( α 1 , α 2 , α 3 ) (\boldsymbol{\alpha}_1, \boldsymbol {\alpha }_2, \boldsymbol{\alpha }_3) (α1,α2,α3) 线性表出,其中 α \boldsymbol {\alpha } α 都是列向量
即存在不全为
0
0
0 的系数
k
1
,
k
2
,
k
3
k_1,k_2,k_3
k1,k2,k3,使得
k
1
α
1
+
k
2
α
2
+
k
3
α
3
=
β
k_1 \boldsymbol{\alpha}_1+ k_2 \boldsymbol{\alpha}_2+ k_3 \boldsymbol{\alpha}_3 = \boldsymbol{\beta}
k1α1+k2α2+k3α3=β
能否线性表出
写作矩阵乘法,即方程组
(
α
1
,
α
2
,
…
,
α
s
)
⋅
[
k
1
k
2
…
k
s
]
=
β
(\boldsymbol{\alpha}_1, \boldsymbol {\alpha }_2, …,\boldsymbol{\alpha }_s) \cdot \begin{bmatrix}k_1 \\ k_2 \\ …\\k_s\end{bmatrix} = \boldsymbol{\beta}
(α1,α2,…,αs)⋅⎣⎢⎢⎡k1k2…ks⎦⎥⎥⎤=β
可转化为增广矩阵
[
α
1
α
2
…
α
s
β
]
\left[ \begin{array}{cccc:c} \boldsymbol{\alpha}_1& \boldsymbol {\alpha }_2& …&\boldsymbol{\alpha }_s & \boldsymbol{\beta} \end{array} \right]
[α1α2…αsβ]
即对应方程否有解、有唯一解或无穷多解的问题
抑或线性表出时秩的关系
r
(
α
1
,
α
2
,
…
…
,
α
s
)
=
r
(
α
1
,
α
2
,
…
,
α
s
,
β
)
r(\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2,……,\boldsymbol{\alpha}_s) = r(\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,…,\boldsymbol{\alpha}_s,\boldsymbol{\beta})
r(α1,α2,……,αs)=r(α1,α2,…,αs,β)
向量组的线性表出
秩的问题
向量组 A \Alpha A 可以由向量组 B \Beta B 线性表出 $\rightarrow $ r ( A ) ≤ r ( B ) r(\Alpha) \leq r(\Beta) r(A)≤r(B)
向量组 B \Beta B 不能由向量组 A \Alpha A 线性表出 → r ( A ) < r ( B ) \to r(\Alpha) < r(\Beta) →r(A)<r(B)
方程组解的问题
向量组
(
β
1
,
β
2
,
…
,
β
s
)
(\boldsymbol{\beta}_1 ,\boldsymbol{\beta}_2,…,\boldsymbol{\beta}_s)
(β1,β2,…,βs) 能由向量组
(
α
1
,
α
2
,
…
,
α
s
)
(\boldsymbol{\alpha}_1, \boldsymbol {\alpha }_2,…, \boldsymbol{\alpha }_s)
(α1,α2,…,αs) 线性表出,其中
α
i
,
i
∈
(
1
,
s
)
\boldsymbol {\alpha_i },i\in(1,s)
αi,i∈(1,s) 都是列向量
(
α
1
,
α
2
,
…
,
α
s
)
⋅
[
k
11
k
12
…
k
1
s
k
21
k
22
…
k
2
s
…
…
…
…
k
s
1
k
s
2
…
k
s
s
]
=
(
β
1
,
β
2
,
…
,
β
s
)
(\boldsymbol{\alpha}_1, \boldsymbol {\alpha }_2,…, \boldsymbol{\alpha }_s) \cdot \begin{bmatrix}k_{11} & k_{12} &… & k_{1s}\\ k_{21} & k_{22} &…& k_{2s}\\… &… &… &… \\ k_{s1} & k_{s2} & … &k _ {ss}\end{bmatrix} = (\boldsymbol{\beta}_1,\boldsymbol{\beta}_2,…,\boldsymbol{\beta}_s)
(α1,α2,…,αs)⋅⎣⎢⎢⎡k11k21…ks1k12k22…ks2…………k1sk2s…kss⎦⎥⎥⎤=(β1,β2,…,βs)
可转化为线性方程组
[
(
α
1
α
2
…
α
s
β
1
β
2
…
β
s
]
\left[ \begin{array}{cccc:cccc} ({\alpha}_1& \boldsymbol {\alpha }_2&… &{\alpha }_s & {\beta}_1 &{\beta}_2 &…& {\beta }_s \end{array} \right]
[(α1α2…αsβ1β2…βs]
中的每一个线性方程
[
α
1
α
2
…
α
s
β
i
]
\left[ \begin{array}{cccc:c} \boldsymbol{\alpha}_1& \boldsymbol {\alpha }_2& …&\boldsymbol{\alpha }_s & \boldsymbol{\beta_i} \end{array} \right]
[α1α2…αsβi]
是否有解、有唯一解或无穷多解的问题
向量组等价
向量组 α 1 , α 2 , … … α s \alpha_1,\alpha_2,……\alpha_s α1,α2,……αs 和向量组 β 1 , β 2 , … … β n \beta_1,\beta_2,……\beta_n β1,β2,……βn 等价 $\iff r(\alpha_1,\alpha_2,……\alpha_s) = r(\beta_1,\beta_2,……\beta_n) $
正交矩阵与正交化
正交化
相似矩阵必定可以通过正交矩阵相似对角化
施密特正交化
将三个线性无关的向量 α ⃗ 1 , α ⃗ 2 , α ⃗ 3 \vec \alpha_1,\vec \alpha_2,\vec \alpha_3 α1,α2,α3 化为两两垂直、长度为 1 1 1 的向量
β ⃗ 1 = α ⃗ 1 \vec\beta_1 = \vec \alpha_1 β1=α1
β ⃗ 2 = α ⃗ 2 − ( α ⃗ 2 , β ⃗ 1 ) ( β ⃗ 1 , β ⃗ 1 ) β ⃗ 1 \vec \beta_2 = \vec \alpha_2 - \frac{(\vec \alpha_2,\vec \beta_1)}{(\vec\beta_1,\vec \beta_1)}\vec \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 \vec \beta_3 = \vec \alpha_3-\frac{(\vec \alpha_3,\vec \beta_1)}{(\vec \beta_1,\vec \beta_1)}\vec \beta_1 - \frac{(\vec \alpha_3,\vec \beta_2)}{(\vec \beta_2,\vec \beta_2)}\vec \beta_2 β3=α3−(β1,β1)(α3,β1)β1−(β2,β2)(α3,β2)β2
正交矩阵
AA T = A T A = E \textbf {AA}^T = \textbf {A}^T\textbf A = \textbf E AAT=ATA=E
A T = A − 1 \textbf A ^T = \textbf A^{-1} AT=A−1
$|\textbf A| =\pm1 $
四 线性方程组
n n n 阶矩阵通解的个数
若方程组 A x = 0 \textbf A x = \textbf 0 Ax=0 有解,则 A \textbf A A 有 n − r n-r n−r 个线性无关的解
基础解系的取得
约束变量(非自由变量)的确定:遮住剩余部分,自由变量应能构成一个初等矩阵
注意特殊情况:此发使用的前提是,去掉含有的单位矩阵后得到的新矩阵,行列式不为 0 0 0,特殊情况如下所示
有系数矩阵 [ 2 1 2 0 0 0 0 0 0 ] \begin{bmatrix}2 & 1 & 2 \\0 & 0 & 0 \\0 & 0 & 0\end{bmatrix} ⎣⎡200100200⎦⎤,其中 1 1 1 对应的列是约束变量
不能将 α 2 = ( 1 , 0 , 0 ) \boldsymbol{\alpha_2} = (1,0,0) α2=(1,0,0) 作为 E \bold E E 处理,因为 ∣ 2 2 0 0 ∣ = 0 \begin{vmatrix}2 & 2 \\0 & 0\end{vmatrix} = 0 ∣∣∣∣2020∣∣∣∣=0
对于 r ( A ) = 1 r(\textbf A) = 1 r(A)=1 的矩阵要注意这一点
非齐次线性方程组
非齐次线性方程组解的个数的判定
对于
A
x
=
b
\textbf A x = \textbf b
Ax=b,其中
A
\textbf A
A 是
m
×
n
m \times n
m×n 阶的系数矩阵
{
r
(
A
)
=
r
(
A
,
b
)
=
n
唯
一
解
r
(
A
)
=
r
(
A
,
b
)
<
n
无
穷
多
解
r
(
A
)
<
r
(
A
,
b
)
无
解
\begin{cases}r(\textbf A) = r(\textbf A,\textbf b) = n\ 唯一解\\ \\r(\textbf A) =r(\textbf A,\textbf b)<n\ 无穷多解\\ \\r(\textbf A) < r(\textbf A, \textbf b)\ \ \ \ \ \ \ \ \ 无解 \end{cases}
⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧r(A)=r(A,b)=n 唯一解r(A)=r(A,b)<n 无穷多解r(A)<r(A,b) 无解
三个平面
非齐次方程组构成的增广矩阵可以用来表示多个平面间的关系(以三个为例)
有三个平面方程
{
a
1
x
+
b
1
y
+
c
1
z
=
d
1
a
2
x
+
b
2
y
+
c
2
z
=
d
2
a
3
x
+
b
3
y
+
c
3
z
=
d
3
\begin{cases}a_1x + b_1y + c_1z = d_1\\a_2x + b_2y + c_2z = d_2\\a_3x + b_3y + c_3z = d_3\end{cases}
⎩⎪⎨⎪⎧a1x+b1y+c1z=d1a2x+b2y+c2z=d2a3x+b3y+c3z=d3
可记作增广矩阵
A
‾
=
[
a
1
b
1
c
1
d
1
a
2
b
2
c
2
d
2
a
3
b
3
c
3
d
3
]
\overline{\textbf A} = \left[ \begin{array}{ccc:c} a_1 & b_1 & c_1 & d_1 \\ a_2 & b_2 & c_2 & d_2 \\ a_3 & b_3 & c_3 & d_3 \\ \end{array} \right]
A=⎣⎡a1a2a3b1b2b3c1c2c3d1d2d3⎦⎤
则有
-
关于 A \textbf A A
r ( A ) = r r(\textbf A) = r r(A)=r,则有 3 − r 3-r 3−r 个平面平行
-
关于 A ‾ \overline{\textbf A} A
r ( A ) = r ( A ‾ ) = a r(\textbf A) = r(\overline {\textbf A}) = a r(A)=r(A)=a , a a a 个方程有交线
r ( A ) < r ( A ‾ ) , r ( A ‾ ) = a r(\textbf A) < r(\overline {\textbf A}),r(\overline{\textbf A}) = a r(A)<r(A),r(A)=a, a a a 个平面没有公共交线
五 特征值与特征向量
特征值与特征向量
特征值的定义
若 n n n 阶方阵 A \bf A A 有特征值 λ \lambda λ 、特征向量 α \alpha α,则有 A α = λ α \bf {A \alpha} = \lambda \bf \alpha Aα=λα
求特征值:解特征方程 ∣ λ E − A ∣ = 0 |\lambda \textbf E - \textbf A| = 0 ∣λE−A∣=0
特征值的常用结论
-
特征值与矩阵元素
特征值之和等于主对角元素之和(矩阵的迹)
∑ i = 1 n λ i = ∑ i = 1 n a i i \sum\limits_{i = 1}^n\lambda_i = \sum\limits_{i = 1}^n a_{ii} i=1∑nλi=i=1∑naii
进一步有个推论A x = 0 \textbf Ax = \textbf 0 Ax=0 有非 0 \textbf 0 0 解 ⟺ 0 \iff 0 ⟺0 是 A \textbf A A 的一个特征值
-
特征值与矩阵对应行列式的关系
特征值之积 = = = 行列式之值
A = ∏ i = 1 n λ i \textbf A = \prod\limits_{i = 1}^n \lambda_i A=i=1∏nλi -
特殊的矩阵变换对应的特征值和特征向量
A \textbf A A k A + E k\bold A + \bold E kA+E A + k E \bold A + k\bold E A+kE A − 1 \bold {A}^{-1} A−1 A ∗ \bold A^* A∗ A n \bold A^n An P − 1 A P \bold P^{-1} \bold A \bold P P−1AP λ \lambda λ k λ + 1 k\lambda +1 kλ+1 λ + k \lambda + k λ+k 1 λ \frac 1\lambda λ1 $\frac{ \textbf A }{\lambda}$ α \alpha α α \alpha α α \boldsymbol {\alpha} α α \boldsymbol {\alpha} α α \boldsymbol \alpha α $\boldsymbol \alpha $ P − 1 α \textbf P ^{-1 }\alpha P−1α 可有进一步推论,上述 A \textbf A A 矩阵变换的前四个都能通过同一个矩阵 P \textbf P P 相似对角化
相似矩阵
相似矩阵定义
若存在可逆矩阵 p \bf p p,使得 P − 1 AP = B \textbf {P}^{-1}\textbf A \textbf P = \textbf B P−1AP=B
则称 B \textbf B B 是 A \textbf A A 的相似矩阵,记作 A \textbf {A} A ~ B \textbf B B
证明两个矩阵相似
-
证明矩阵相似于同一个对角矩阵
即要证 $ \textbf A \sim \textbf B$,只需要证 A ∼ Λ , B ∼ Λ \textbf A \sim \Lambda,\textbf B \sim \Lambda A∼Λ,B∼Λ
-
证明 A , B \textbf A,\textbf B A,B 有相同的特征值,且相同特征值对应特征向量相同。
求可逆矩阵 P \textbf P P 的一般步骤
求可逆矩阵 P \bf P P 使得 P − 1 AP = B \textbf P^{-1}\textbf A\textbf P = \textbf B P−1AP=B
- 求出 n n n 阶矩阵的特征值 λ 1 , λ 2 , … … , λ n \lambda _1,\lambda_2,……,\lambda_n λ1,λ2,……,λn
- 求出各特征值对应的特征向量(即求解各特征值的基础解系 [ λ i E − A ] \begin{bmatrix}\lambda_i \textbf E - \textbf A\end{bmatrix} [λiE−A])
- 必定有可逆矩阵 P = ( α 1 , α 2 , … … , α n ) \textbf P = (\alpha_1,\alpha_2,……,\alpha_n) P=(α1,α2,……,αn) 使得 P − 1 AP = B \textbf P^{-1}\textbf A\textbf P = \textbf B P−1AP=B
实对称矩阵
概念
元素均为实数的矩阵 A \textbf A A,且满足 A = A T \textbf A = \textbf A^T A=AT,则称 A \textbf A A 是一个实对称矩阵
实对称矩阵的性质
-
实对称矩阵的相似性:
实对称矩阵必可用过一个正交矩阵实现相似对角化
-
实对称矩阵的特征向量:
实对称矩阵不同特征值的向量相互正交
即对于 A α i = λ i α i \textbf A \alpha_i = \lambda_i \alpha_i Aαi=λiαi, ∀ i ≠ j \forall i \neq j ∀i=j ,有 α i ⋅ α j = 0 \alpha_i \cdot\alpha_j = 0 αi⋅αj=0
求正交矩阵 P P P 使得 A ∼ Λ \textbf A \sim \Lambda A∼Λ
求 P P P:在得到 A \textbf A A 的特征向量 ( α 1 , α 2 , … … , α n ) (\alpha_1,\alpha_2,……,\alpha_n) (α1,α2,……,αn) 之后
-
特征值不同
不同特征值对应的特征向量必正交
只需对特征向量单位化
-
特征值有重根,判断是否正交
若是,只需单位化
若否,(施密特)正交化
可以得到正交矩阵
Λ
=
[
η
1
η
2
…
η
n
]
\Lambda = \begin{bmatrix}\eta_1 & & & \\& \eta_2 & \\ & & … \\ & & & \eta_n\end{bmatrix}
Λ=⎣⎢⎢⎡η1η2…ηn⎦⎥⎥⎤
六 二次型
二次型的定义
标准型和规范型
标准型:二次型矩阵中仅 a i i ≠ 0 a_{ii} \neq 0 aii=0
规范型:在标准型基础上,对于 a i i a_{ii} aii,要求其系数只能为 − 1.0.1 -1.0.1 −1.0.1
二次型矩阵一定是一个实对称矩阵,因此其具有实对称矩阵的所有性质
二次型化为标准型
配方法
将 f f f 构造为三个完全平方项之和
注意,三个平方项构成的行列式不为 0 0 0,不能直接写标准型
如 $f = (x_1 + x_2 + x_3)^2 + (2x_1 + 2x_2 + 2x_3)^2 + x_3^2 $
不能通过变换 { y 1 = x 1 + x 2 + x 3 y 2 = 2 x 1 + 2 x 2 + 2 x 3 y 3 = x 3 \begin{cases}y_1 = x_1 + x_2 + x_3\\y_2 = 2x_1 + 2x_2 + 2x_3\\y_3 = x_3\end{cases} ⎩⎪⎨⎪⎧y1=x1+x2+x3y2=2x1+2x2+2x3y3=x3 化为标准型 f = y 1 2 + y 2 2 + y 3 2 f = y^2_1 + y_2^2 + y^2_3 f=y12+y22+y32
必须拆所有括号依次重新配方
正交变换法
任意给定二次型 f = ∑ i = 1 , j = 1 n a i , j x i y j ( a i j = a j i ) f = \sum\limits_{i =1,j = 1}^na_{i,j}x_iy_j(a_{ij} = a_{ji}) f=i=1,j=1∑nai,jxiyj(aij=aji),总有正交变换 x = P y x = Py x=Py,使 f f f 化为标准型 f = λ 1 y 1 2 + λ 2 y 2 2 + … + λ n y n 2 f = \lambda_1y_1^2+\lambda _2y^2_2 +…+\lambda _n y^2_n f=λ1y12+λ2y22+…+λnyn2,其中 λ i \lambda _i λi 是 f f f 对应二次型矩阵 A \textbf A A 的特征值
-
将二次型表示为矩阵形式
f = [ x 1 x 2 … x n ] T A [ x 1 x 2 … x n ] f =\begin{bmatrix}x_1 \\ x_2 \\…\\x_n\end{bmatrix}^T\textbf A\begin{bmatrix}x_1 \\ x_2 \\…\\x_n\end{bmatrix} f=⎣⎢⎢⎡x1x2…xn⎦⎥⎥⎤TA⎣⎢⎢⎡x1x2…xn⎦⎥⎥⎤ -
求特征值 λ i \lambda_i λi
-
求 λ i \lambda_i λi 对应的特征向量 ξ i \xi _i ξi
-
正交化、单位化 ξ i \xi_i ξi,得 C = ( η 1 , η 2 , … , η n ) \textbf C = (\eta_1,\eta_2,…,\eta_n) C=(η1,η2,…,ηn)
则有 x = C y x =\textbf Cy x=Cy
二次曲面
惯性指数
正平方项个数 p p p 记作正惯性系数
负平方项个数 q q q 记作负惯性系数
二次曲面与二次型的关系
二次型构成的方程可以唯一的表示一个曲面,其中矩阵的特征值即二次曲面的轴
此处用正负惯性系数 p . q p.q p.q 描述
-
椭球
x 2 a 2 + y 2 b 2 + z 2 c 2 = 1 p = 3 , q = 0 \frac {x^2}{a^2 }+ \frac{y^2}{b^2} + \frac {z^2}{c^2} = 1\\\\p = 3,q = 0 a2x2+b2y2+c2z2=1p=3,q=0 -
单页双曲面
x 2 a 2 + y 2 b 2 − z 2 c 2 = 1 p = 2 , q = 1 \frac {x^2}{a^2 }+ \frac{y^2}{b^2} - \frac {z^2}{c^2} = 1\\\\p = 2,q = 1 a2x2+b2y2−c2z2=1p=2,q=1 -
双叶双曲面
两个形式,区别在右侧常系数的符号
x 2 a 2 − y 2 b 2 − z 2 c 2 = 1 p = 1 , q = 2 \frac {x^2}{a^2 }- \frac{y^2}{b^2} - \frac {z^2}{c^2} = 1\\\\p = 1,q = 2 a2x2−b2y2−c2z2=1p=1,q=2x 2 a 2 + y 2 b 2 − z 2 c 2 = − 1 p = 2 , q = 1 \frac {x^2}{a^2 }+ \frac{y^2}{b^2} - \frac {z^2}{c^2} = -1\\\\p = 2,q = 1 a2x2+b2y2−c2z2=−1p=2,q=1
-
锥面
x 2 a 2 + y 2 b 2 − z 2 c 2 = 0 p = 2 , q = 1 \frac {x^2}{a^2 }+ \frac{y^2}{b^2} - \frac {z^2}{c^2} = 0\\\\p = 2,q = 1 a2x2+b2y2−c2z2=0p=2,q=1
合同
合同的定义
对于两个 n n n 阶方阵 A , B \textbf A, \textbf B A,B,有 P T AP = B \textbf P^T \textbf A \textbf P = B PTAP=B,则称 A , B \textbf A,\textbf B A,B合同,记作 A ≃ B \textbf A \simeq \textbf B A≃B
合同的充要条件
对于实对称矩阵
A
,
B
\textbf A,\textbf B
A,B
A
≃
B
⟺
二
次
型
x
T
Ax
和
二
次
型
x
T
Bx
有
相
同
的
正
负
惯
性
指
数
⟺
有
相
同
的
规
范
型
\textbf A \simeq\textbf B \iff 二次型\ \textbf x^T\textbf A \textbf x\ 和\ 二次型\ \textbf x^T\textbf B \textbf x \ 有相同的正负惯性指数\iff 有相同的规范型
A≃B⟺二次型 xTAx 和 二次型 xTBx 有相同的正负惯性指数⟺有相同的规范型
正定
正定的判定
f ( x 1 , x 2 , … … , x n ) = x T Ax f(x_1,x_2,……,x_n) = \textbf x^T\textbf A\textbf x f(x1,x2,……,xn)=xTAx 正定
-
A \textbf A A 的正惯性系数 p = n p = n p=n,即 A \textbf A A 的全部特征值 > 0 >0 >0
-
A \textbf A A的全部顺序主子式 > 0 >0 >0,即 a 11 > 0 , a_{11} > 0, a11>0, ∣ a 11 a 12 a 21 a 22 ∣ > 0 \begin{vmatrix} a_{11} & a_{12} \\a_{21} & a_{22} \end{vmatrix} > 0 ∣∣∣∣a11a21a12a22∣∣∣∣>0,……, ∣ A ∣ > 0 |\textbf {A}| > 0 ∣A∣>0 (顺序主子式全为正)