线性代数总结_j!＄。..。。,τ!-CSDN博客

本文链接：https://blog.csdn.net/qq_44729222/article/details/119933788

文章目录

一、行列式
二、矩阵
- 分类
- 性质
三、向量
四、特征向量与特征值
- 性质
- *线性变换的类型
五、二次型
六、应用

一、行列式

行列式的几何意义是列（行）向量所确定的区域的面积或体积. 面积或体积的正负与向量的排列顺序有关.

行列式相关的很多性质都能从面积或体积的角度理解.

$D_n=\begin{vmatrix} a_{11} & a_{12} & \ldots & a_{1n} \\ a_{21} & a_{22} & \ldots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \ldots & a_{nn} \end{vmatrix}=\sum _{j_{1}j_{2}\ldots j_{n}}\left( -1\right) ^{\tau \left( j_{1}j_{2}\cdots j_{n}\right) }a_{1j_1}a_{2j_2}\ldots a_{nj_n}$

其中 $j_1j_2\cdots j_n$ 代表 $1\cdots n$ 的一个排列 $\tau \left( j_{1}j_{2}\cdots j_{n}\right)$ 代表 $j_{1}j_{2}\cdots j_{n}$ 的逆序数.

性质

$D=D^T$ .
交换两列（行），行列式异号.

两向量位置互换，行列式所代表的体积变号.

两列（行）相同，行列式为 $0$ .

两向量重合，面积或体积为 $0$ .
某列（行） $\times k$ ，行列式变为 $k D$ .

某向量长度 $\times k$ ，面积或体积变为原来的 $k$ 倍.
$\begin{vmatrix} a_{1} & b_{1} & c_{1}+d_{1} \\ a_{2} & b_{2} & c_{2}+d_{2} \\ a_{3} & b_{3} & c_{3}+d_{3} \end{vmatrix} =\begin{vmatrix} a_{1} & b_{1} & c_{1} \\ a_{2} & b_{2} & c_{2} \\ a_{3} & b_{3} & c_{3} \end{vmatrix} +\begin{vmatrix} a_{1} & b_{1} & c_{1} \\ a_{2} & b_{2} & c_{2} \\ d_{3} & d_{3} & d_{3} \end{vmatrix}$

向量的可加性.

按行（列）公式

$\begin{aligned} D &=\sum_{k=1}^na_{ik}A_{ik}(i=1,2,\cdots,n)\\ &=\sum_{k=1}^na_{kj}A_{kj}(j=1,2,\cdots,n),\\ \end{aligned}$

其中 $A_{ij}=(-1)^{i+j}M$ 为 $a_{ij}$ 的代数余子式.

注意
$\sum_{k=1}^na_{ik}A_{jk}=\sum_{k=1}^na_{ki}A_{kj}=0(i\ne j).$

* $V a n d e r m o n d e$ 行列式

$D_n=\begin{vmatrix} 1 & 1 & \cdots & 1 \\ x_{1} & x_{2} & \cdots & x_{n} \\ \vdots & \vdots & \ddots & \vdots \\ x_{1}^{n-1} & x_{2}^{n-1} & \cdots & x_{n}^{n-1} \end{vmatrix} =\prod _{i\leq j <i\leq n}\left( x_{i}-x_{j}\right)$

将最后一行 $x_n$ 消去易得递推式 $D_n=\underset{1 \le j\lt n}{\prod}\left( x_{n}-x_{j}\right)D_{n-1},n \gt 1,D_1=1$ .

二、矩阵

矩阵 $A_{m\times n}$ 的几何意义是从 $n$ 维空间到 $m$ 维空间的线性变换，即通过换元法将 $n$ 维空间中的向量映射到 $m$ 维空间中某个向量的一种方式.

矩阵相关的很多性质都能从线性变换的角度理解.

$A_{m\times n}=\begin{pmatrix} a_{11} & a_{12} & \ldots & a_{1n} \\ a_{21} & a_{22} & \ldots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{m1} & a_{m2} & \ldots & a_{mn} \end{pmatrix}$

性质

$AB)^T=B^TA^T$ .
若 $A, B$ 为方阵，则 $∣ A B ∣ = ∣ A ∣ ∣ B ∣$ .

线性变换会将区域面积放大行列式倍, 两次线性变换会依次进行放大.
若 $A$ 可逆，则 $AA^{-1}=E$ .

逆矩阵相关的很多性质都能由这一性质导出，如：
$\begin{aligned} &(A^{-1})^T=(A^T)^{-1}.\\ &|A^{-1}|=\dfrac{1}{|A|}.\\ &\vdots \end{aligned}$
$AA^*=A^*A=|A|E$ .

伴随矩阵相关的很多性质都能由这一性质导出，如：
$\begin{aligned} &A^*=|A|A^{-1}.\\ &(A^*)^{-1}=\dfrac{A}{|A|}=|A^{-1}|(A^{-1})^{-1}=(A^{-1})^{*}.\\ &(A^*)^T=(A^T)^*.\\ &(kA)^*=k^{n-1}A^* \\ &|A^*|=|A|^{n-1}.\\ &\vdots \end{aligned}$

初等变换矩阵的性质： $E_{ij}^{-1}=E_{ij},$ $E_i^{-1}(k)=E^i(\dfrac 1k),$ $E_{ij}^{-1}(k)=E_{ij}(-k).$

矩阵 $A$ 左乘初等矩阵可进行行变换，右乘初等矩阵可进行列变换.
矩阵的秩的性质

（1） $r(A)=r(A^T)=r(A^TA)$ .
（2） $r(A+B)\le r(A)+r(B)$ .
（3） $A B = O,$ 则 $r(A)+r(B)\le n$ .
（4） $\Leftrightarrow A,B$ 等价.

（5） $r(A)=n-1\Leftrightarrow r(A^*)=1$ .

三、向量

设含 $m$ 个 $n$ 维向量的向量组 $A :$ $\pmb \alpha_1,\pmb \alpha_2,\cdots,\pmb \alpha_n$ ，且 $\pmb \beta=k_1 \pmb \alpha_1+k_2\pmb \alpha_2+\cdots+k_m\pmb \alpha_m$ .

则 $\pmb\beta$ 是 $A$ 的一个线性组合， $\pmb\beta$ 可由 $A$ 线性表示.

性质

向量组 $A$ 的一个极大线性无关组可以线性表示 $A$ 中的所有向量.
若向量组 $A, B$ 可以相互线性表示，说明 $A, B$ 为等价向量组.

向量空间

$n$ 维向量空间 $\mathbb{R}^n$ ：全体 $n$ 维向量的集合. 对加法和数乘封闭.
$\mathbb{R}^n$ 的子空间 $V$ ： $\mathbb{R}^n$ 的一个对加法和数乘封闭的非空子集. 例：三维向量空间的一个平面、一条直线、一个点都属于 $\mathbb R^3$ 的子空间.
$V$ 的一个极大线性无关组可以是一个基底（basis） ， $V$ 的维数即为向量组的秩. 例：三维向量空间中的一个平面属于二维向量空间.
$V$ 中的任一向量可由一组基唯一线性表示，线性表示的系数即为这组基下的坐标. 例：平面直角坐标系中 $\pmb \alpha=a\pmb i+b\pmb j=\left( \pmb i,\pmb j\right) \begin{pmatrix} a \\ b \end{pmatrix}$ ，则 $\pmb\alpha$ 在基 $(\pmb i,\pmb j)$ 下的坐标为 $ \begin{pmatrix} a \ b \end{pmatrix}$ .
若基 $A$ 到基 $B$ 的过渡矩阵为 $P$ ，即 $B = A P$ . 某向量 $\pmb \alpha$ 在 $A$ 下的坐标为 $\pmb x$ 、在 $B$ 下的坐标为 $\pmb y$ ，则 $\pmb \alpha=A\pmb x=B\pmb y\Rightarrow \pmb x=P\pmb y$ .

$S c h m i d t$ 正交化

施密特正交化的思想很简单：从前往后遍历向量 $\pmb\alpha$ ，将 $\pmb\alpha_i$ 在所有已得到的 $\pmb\beta$ 方向上的分量减掉，即可得到 $\pmb\beta_i$ .

对于线性无关向量组 $\pmb \alpha_1,\pmb \alpha_2,\cdots,\pmb \alpha_n$ .

令 $\pmb\beta_1=\pmb\alpha_1$ ， $\pmb \beta_i=\pmb \alpha_i-\underset{j=1}{\overset{i-1}{\sum}} \dfrac{\pmb\alpha_i^T\pmb\beta_j}{\pmb\beta_j^T\pmb \beta_j}\pmb\beta_j, \ \ j=2,3,\cdots,n$ .

则 $\pmb \beta_1,\pmb \beta_2,\cdots,\pmb \beta_n$ 两两正交.

四、特征向量与特征值

特征向量的几何意义是线性变换过程中方向保持不变的向量. 整个坐标的变换都是依靠特征向量方向上的伸缩变换实现的，而特征向量伸缩的程度正是由特征值衡量的.

$A\pmb x=\lambda \pmb x$ ，其中 $\pmb x$ 为 $n$ 维列向量，显然 $A$ 只可能是一个 $n\times n$ 的线性变换.

根据几何意义，满足上式的 $\pmb x$ 即为特征向量， $\lambda$ 为其特征值.

计算：令 $|A-\lambda E|=0$ 可解出所有特征值，将所求特征值分别代会 $A\pmb x=\lambda \pmb x$ 即可得到特征向量.

尽管优先计算的是特征值，但特征向量才是线性变换的最佳主角.

性质

（1）设 $A=(a_{ij})_{n\times n}$ 的特征值为 $\lambda_1,\lambda_2,\cdots,\lambda_n$ ，则

$\underset{i}{\sum} \lambda_i=\underset{i}{\sum} a_{ii}$ .
$\underset{i}{\prod}\lambda_i=|A|$ .

（2） $A\sim B \Leftrightarrow \exists P,P^{-1}AP=B$ .

（3） $n$ 维矩阵 $A$ 可相似对角化的充要条件是 $A$ 有 $n$ 个线性无关的特征向量.

（4）实对称矩阵一定可相似对角化. 且存在正交矩阵 $Q$ 使 $Q^TAQ=\Lambda$ .

（5）若 $A\sim B$ ，则 $A, B$ 具有相同特征值，由此不难推出其它性质.

$∣ A ∣ = ∣ B ∣$ .
$|A-\lambda E|=|B-\lambda E|$ .
$r (A) = r (B)$ .

*线性变换的类型

以 $2\times 2$ 的变换矩阵为例

剪切矩阵 $\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$ .

有一个特征向量 $\begin{pmatrix} 1 \\ 0 \end{pmatrix}$ ，其特征值为 $1$ . 整个坐标平面变得倾斜，但 $x$ 轴方向长度均不变.
初等矩阵 $\begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}$ .

有两个线性无关的特征向量 $\begin{pmatrix} -1 \\ 1 \end{pmatrix},\begin{pmatrix} 1 \\ 1 \end{pmatrix}$ ，分别对应特征值 $- 1, 1$ . 表现为整个坐标平面绕直线 $y = x$ 进行翻转.
旋转矩阵 $\begin{pmatrix} \cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{pmatrix}$ .

没有实特征向量，也没有实特征值. 表现为坐标轴的旋转.

五、二次型

$n$ 元二次函数
$\begin{aligned} f(x_1,x_2,\cdots,x_n) &=\sum_{i=1}^n\sum_{j=1}^na_{ij}x_ix_j,\ (a_{ij}=a_{ji})\\ &=\pmb x^TA\pmb x. \end{aligned}$
其中 $\pmb x=\begin{pmatrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \end{pmatrix}$ , $A=\begin{pmatrix} a_{11} & a_{12} & \ldots & a_{1n} \\ a_{21} & a_{22} & \ldots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \ldots & a_{nn} \end{pmatrix}$ 且 $A^T=A$ .

称 $f$ 为二次型， $A$ 为 $f$ 的矩阵.

若 $A$ 为对角阵，则 $f$ 为标准形.
若 $A$ 为对角阵且对角线元素仅含 $- 1, 0, 1$ ，则 $f$ 为规范形.

合同变换：经过可逆线性变换（换元） $\pmb x=C\pmb y$ 后二次型可化为 $f=\pmb y^TB\pmb y$ . 其中 $B=C^TAC$ . 称 $A, B$ 合同，记作 $A\simeq B$ .

性质

（1） $r (f) = r (A)$ .

（2） $A$ 为实对称矩阵，因此必存在正交矩阵 $Q$ ，使 $Q^TA Q=\Lambda$ 为对角矩阵. 显然 $A\sim \Lambda,A\simeq \Lambda$ , 通过正交变换 $\pmb x=Q\pmb y$ 可将 $f$ 化为标准形.

（3）惯性定理 ： $f$ 的所有标准形中正负惯性指数 $p, q$ 一定是相同的. 显然 $r (f) = p + q$ .

（4）

若 $A$ 为正定矩阵（特征值全为正），则 $\pmb x \ne 0$ 时恒有 $f(\pmb x)\gt 0$ .

正定矩阵的判别：各阶顺序主子式均为正.
若 $A$ 为负定矩阵（特征值全为负），则 $\pmb x \ne 0$ 时恒有 $f(\pmb x)\lt 0$ .

负定矩阵的判别：奇数阶顺序主子式为负，偶数阶顺序主子式为正.
若 $A$ 为不定矩阵（特征值有正有负），则 $\pmb x \ne 0$ 时 $f(\pmb x)$ 有正有负.
若 $A$ 为半正定矩阵（特征值非负），则恒有 $f(\pmb x)\ge 0$ .
若 $A$ 为半正定矩阵（特征值非正），则恒有 $f(\pmb x)\le 0$ .

*二次型的图像

由于所有二次型都可通过正交变换化为标准形，而标准形只是规范形在自由基方向上的伸缩变换，因此规范形的形状可以反映所有二次型的形状.

一元二次型

（1） $f(x)=x^2$ ， $p = 1, q = 0$ ，因此 $x\ne 0$ 时恒有 $f\gt 0$ .（正定二次型）

$f (x) = 1$ 的图像为一维坐标系中的两个点.

（2） $f(x)=-x^2$ ， $p = 0, q = 1$ ，因此 $x\ne 0$ 时恒有 $f\lt 0$ .（负定二次型）

$f (x) = - 1$ 的图像为一维坐标系中的两个点.

二元二次型

（1） $f(x,y)=x^2+y^2$ ， $p = 2, q = 0$ ，因此 $x\ne0$ 时恒有 $f\gt 0$ .（正定二次型）

$f (x, y) = 1$ 是二维坐标系中的单位圆.

（2） $f(x,y)=-x^2-y^2$ ， $p = 0, q = 2$ ，因此 $x\ne 0$ 时恒有 $f\lt 0$ .（负定二次型）

$f (x, y) = 1$ 是二维坐标系中的单位圆.

（3） $f(x,y)=x^2-y^2$ ， $p = 1, q = 1$ ，因此 $x\ne 0$ 时 $f$ 有正有负.（不定二次型）

$f (x, y)$ 的函数图形实际上是一个双曲抛物面（马鞍面）.
$f (x, y) = 1$ 是二维坐标系中焦点在 $x$ 轴上的双曲线.
$f (x, y) = 0$ 是二维坐标系中的曲线 $y=\pm x$ .
$f (x, y) = - 1$ 是二维坐标系中焦点在 $y$ 轴上的双曲线.

（4） $f(x,y)=x^2$ ， $p = 1, q = 0$ ，因此恒有 $\ge 0$ .（半正定二次型）

（5） $f(x,y)=-x^2$ ， $p = 0, q = 1$ ，因此恒有 $f\le 0$ .（半负定二次型）

三元二次型

三元二次型的函数图像无法直接描述，但是可以通过它在三维空间的投影间接感受.

（1） $f(x,y,z)=x^2+y^2+z^2$ 是正定二次型.

$f (x, y, z) = 1$ 是半径为 $1$ 的球面.

（2） $f(x,y,z)=-x^2-y^2-z^2$ 是负定二次型.

$f (x, y, z) = - 1$ 是半径为 $1$ 的球面.

（3） $f(x,y,z)=x^2+y^2-z^2$ 是不定二次型.

$f (x, y, z) = 1$ 是绕 $z$ 轴的旋转单叶双曲面.
$f (x, y, z) = 0$ 是围绕 $z$ 轴的圆锥面.
$f (x, y, z) = - 1$ 是绕 $z$ 轴的旋转双叶双曲面.

注： $u=x^2-y^2-z^2,v=x^2-y^2$ 也是不定二次型.

（4） $f(x,y,z)=x^2+y^2$ 和 $f(x,y,z)=x^2$ 是半正定二次型.

（5） $f(x,y,z)=-x^2-y^2$ 和 $f(x,y,z)=-x^2$ 是半负定二次型.

六、应用

线性方程组

齐次

$A\pmb x=0$ 为齐次线性方程组. 其中 $A=\begin{pmatrix} a_{11} & a_{12} & \ldots & a_{1n} \\ a_{21} & a_{22} & \ldots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{m1} & a_{m2} & \ldots & a_{mn} \end{pmatrix}$ ， $\pmb x=\begin{pmatrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \end{pmatrix}$ .

方程组的几何意义可以是： $A$ 的所有行向量与 $\pmb x$ 的内积为 $0$ ，即与 $A$ 的所有行向量均垂直的向量一定是该方程组的一个解.

$A$ 的所有行向量占据的空间维度是 $r (A)$ ，因此 $\pmb x$ 只可能位于剩下的 $n - r (A)$ 维，方程组有且仅有 $n - r (A)$ 个线性无关的解向量.

求解方法：将 $A$ 化为行最简可得等价方程组，进而得到原方程组的通解.

非齐次

$A\pmb x=\pmb \beta$ 为非齐次方程组. 其中 $A=\begin{pmatrix} a_{11} & a_{12} & \ldots & a_{1n} \\ a_{21} & a_{22} & \ldots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{m1} & a_{m2} & \ldots & a_{mn} \end{pmatrix}$ ， $\pmb x=\begin{pmatrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \end{pmatrix}$ ， $\pmb \beta=\begin{pmatrix} b_{1} \\ b_{2} \\ \vdots \\ b_{n} \end{pmatrix}$ .

方程组的一个几何意义可以是： $\pmb\beta$ 可由 $A$ 的列向量线性表示.

若 $r(A)\ne r(A,\pmb\beta)$ ，方程组无解.

若 $r(A,\pmb\beta)=n$ ，方程组有且仅有唯一解.

若 $r(A,\pmb\beta)<n$ ，方程组有无穷解，有且仅有 $n - r (A) + 1$ 个线性无关的解向量.

求解方法：若 $A\pmb x=0$ 的通解为 $\pmb \xi$ ，存在特解使 $A\pmb\eta^*=\pmb\beta$ ，则 $A\pmb x=\pmb \beta$ 的通解为 $\pmb\xi+\pmb\eta^*$ .

$C r a m e r$ 法则

$\begin{cases}a_{11}x_{1}+a_{12}x_{2}+\cdots +a_{1n}x_{n}=b_1\\ a_{21}x_{1}+a_{22}x_{2}+\cdots +a_{2n}x_{n}=b_2\\ \vdots \\ a_{n1}x_{1}+a_{n2}x_{2}+\cdots +a_{nn}x_{n}=b_n\end{cases}$

令 $D=\begin{vmatrix} a_{11} & a_{12} & \ldots & a_{1n} \\ a_{21} & a_{22} & \ldots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \ldots & a_{nn} \end{vmatrix}$ , $D_i=\text{将D中的第i列}\begin{bmatrix} a_{1i} \\ a_{2i} \\ \vdots \\ a_{ni} \end{bmatrix}\text{替换为}\begin{bmatrix} b_{1} \\ b_{2} \\ \vdots \\ b_{n} \end{bmatrix}\ ,i=1,2,\cdots n$ .

若 $D\ne 0$ ，则方程组的解为 $x_i=\dfrac{D_i}{D}\ ,i=1,2,\cdots,n$ .

克拉默法则的几何意义：

将方程组写为 $A\pmb x=\pmb \beta$ 的形式，显然 $\pmb x$ 是 $\pmb \beta$ 在基 $A=(\pmb \alpha_1,\pmb \alpha_2,\cdots,\pmb \alpha_n)$ 下的坐标.

于是 $\pmb \beta=x_1 \pmb \alpha_1+x_2\pmb \alpha_2+\cdots+x_n\pmb \alpha_n$ .

$D_i$ 代表向量 $\pmb\beta$ 与 $\pmb \alpha_i$ 以外的其余向量所围成的区域的体积.

$D$ 代表基 $A$ 的所有向量围成的区域的体积.

$\dfrac{D_i}{D}$ 为 $\pmb\beta$ 在 $\pmb \alpha_i$ 方向上的投影与 $\left\| \pmb \alpha_i\right\|$ 的比值，即 $\pmb \beta$ 在该方向上的坐标值 $x_i$ .

事实上，通过简单的计算也可以证明这一点：
$\begin{aligned} D_i &=|\pmb \alpha_1,\cdots,\pmb \alpha_{i-1},\pmb \beta,\pmb \alpha_{i+1},\cdots,\pmb \alpha_n|\\ &=|\pmb \alpha_1,\cdots,\pmb \alpha_{i-1},x_i\pmb \alpha_i,\pmb \alpha_{i+1},\cdots,\pmb \alpha_n|\\ &=x_i|\pmb \alpha_1,\cdots,\pmb \alpha_{i-1},\pmb \alpha_i,\pmb \alpha_{i+1},\cdots,\pmb \alpha_n|\\ &=x_iD. \end{aligned}$

求解 $F i b o n a c c i$ 数列的通项公式

$F i b o n a c c i$ 数列： $F_0=0,F_1=1,F_n=F_{n-1}+F_{n-2}(n\ge 2)$ .

令 $A=\begin{pmatrix} 1 & 1 \\ 1 & 0 \end{pmatrix}$ ，则
$\begin{aligned} \begin{pmatrix} F_{n+1} \\ F_{n} \end{pmatrix} &=A\begin{pmatrix} F_{n} \\ F_{n-1} \end{pmatrix} =A^{2}\begin{pmatrix} F_{n-1} \\ F_{n-2} \end{pmatrix} =\cdots =A^{n}\begin{pmatrix} F_{1} \\ F_{0} \end{pmatrix}. \end{aligned}$
利用矩阵相似对角化可求得
$A^n= \begin{pmatrix} \dfrac{\left( \dfrac{1+\sqrt{5}}{2}\right) ^{n+1} -\left( \dfrac{1-\sqrt{5}}{2}\right) ^{n+1}}{\sqrt{5}} & \dfrac{\left( \dfrac{1+\sqrt{5}}{2}\right) ^{n} -\left( \dfrac{1-\sqrt{5}}{2}\right) ^{n}}{\sqrt{5}} \\ \dfrac{\left( \dfrac{1+\sqrt{5}}{2}\right) ^{n} -\left( \dfrac{1-\sqrt{5}}{2}\right) ^{n}}{\sqrt{5}} & \dfrac{\left( \dfrac{1+\sqrt{5}}{2}\right) ^{n-1} -\left( \dfrac{1-\sqrt{5}}{2}\right) ^{n-1}}{\sqrt{5}} \\ \end{pmatrix}.$
于是 $F_n=\dfrac{1}{\sqrt{5}}\left( \dfrac{1+\sqrt{5}}{2}\right) ^{n}-\dfrac{1}{\sqrt{5}}\left( \dfrac{1-\sqrt{5}}{2}\right) ^{n}$ ， $n\in \mathrm{N}$ .