线性代数考研笔记（二）

线性代数考研笔记（二）：矩阵

• 矩阵相关概念：

  • 方阵：行数和列数相等的矩阵；

  • 对角矩阵：除了主对角线上元素外，其他元素均为0的矩阵，记作$diag(a_1,a_2,...,a_n)$；

  • 单位矩阵：主对角线元素全为1的对角矩阵，记为$；

  • 逆矩阵：对于矩阵$A$，若存在矩阵$B$使得$AB=E$，则称$B$为$A$的逆矩阵，记作$A^{-1}$；

  • 置换矩阵：方形二进制矩阵，它在每行和每列中只有一个1，而在其他地方则为0，有性质：$P^2=E$；

• 矩阵初等变换：

  • 数乘变换 $\Rightarrow$ $E(i(k))$；

  • 消法变换 $\Rightarrow$ $E(i,j(k))$；

  • 交换变换 $\Rightarrow$ $E(i,j)$；

  • 矩阵乘法的意义：若$A\times B=C$，意味着：

    • $c_{ij}=\sum _{k=1}^n{a}_{ik}{b}_{kj}$；
    • 给$B$左乘矩阵$A$，相当于依次用$A$的第$i$个行向量的各个分量作为$B$中每个行向量的权重，加权求和（行变换）得到的$C$的第$i$个行向量；特殊地，若$A$只有一个行向量，则$C$就是$B$的各行加权求和生成的一个行向量；
    • 给$A$右乘矩阵$B$，相当于依次用$B$的第$i$个列向量的各个分量作为$A$中每个列向量的权重，加权求和（列变换）得到的$C$的第$i$个列向量；特殊地，若$B$只有一个列向量，则$C$就是$A$的各列加权求和生成的一个列向量；

• 逆矩阵相关性质：

  • 主对角矩阵的逆矩阵：$diag(a_1,a_2,...,a_n{)}^{-1}=diag(\frac{1}{a_1},\frac{1}{a_2},....\frac{1}{a_n})$；
  • 副对角矩阵的逆矩阵：$dia{g}^{\prime }(a_1,a_2,...,a_n{)}^{-1}=dia{g}^{\prime }(\frac{1}{a_n},\frac{1}{a_{n-1}},....\frac{1}{a_1})$；
  • 2x2矩阵的逆矩阵：${\left[\begin{array}{cc}A& B\\ C& D\end{array}\right]}^{-1}=\frac{1}{AD-BC}\left[\begin{array}{cc}D& -B\\ -C& A\end{array}\right]$；
  • 分块矩阵的逆矩阵：
    • 若分块矩阵：$A=\left[\begin{array}{cc}A& O\\ O& B\end{array}\right]$，则$A^{-1}=\left[\begin{array}{cc}{A}^{-1}& O\\ O& B^{-1}\end{array}\right]$；
    • 若分块矩阵：$A=\left[\begin{array}{cc}O& A\\ B& O\end{array}\right]$，则$A^{-1}=\left[\begin{array}{cc}O& B^{-1}\\ A^{-1}& O\end{array}\right]$；
  • 逆矩阵的行列式： $|A^{-1}|=\frac{1}{|A|}$；
  • 逆矩阵的运算法则：
    • $(AB{)}^{-1}=B^{-1}\times A^{-1}$；
    • $(A+B{)}^{-1}=B^{-1}\times (A^{-1}+B^{-1})\times A^{-1}$；
  • 逆矩阵的求解方法：
    • 伴随矩阵法： $A^{\ast }A=|A|E\Rightarrow A^{-1}=\frac{A^{\ast }}{|A|}$；
    • 高斯-乔丹消元法：$(A|E)\Rightarrow (E|A^{-1})$

• 分块矩阵的运算法则：

  • 若$A_{m\times n},B_{m\times n}$采用相同的分块法，可以直接将子块当作元素进行加减运算；
  • 若$A_{m\times l},B_{l\times n}$各对应位置的子块符合矩阵乘法的行列条件，则可以直接将子块当作元素进行乘法运算；
  • 若矩阵：$$A=\left[\begin{array}{cccc}{A}_{11}& A_{12}& ...& A_{1n}\\ A_{21}& A_{22}& ...& A_{2n}\\ A_{m1}& A_{m2}& ...& A_{mn}\end{array}\right]$$，则 $$A^T=\left[\begin{array}{cccc}{A}_{11}^T& A_{21}^T& ...& A_{m1}^T\\ A_{12}^T& A_{22}^T& ...& A_{m2}^T\\ A_{1n}^T& A_{2n}^T& ...& A_{mn}^T\end{array}\right]$$；
  • 若分块对角矩阵：$A=\left[\begin{array}{cc}A& O\\ O& B\end{array}\right]$，则$A^n=\left[\begin{array}{cc}{A}^n& O\\ O& B^n\end{array}\right]$；

• 方阵的特征根和特征向量：

  • 定义：使得方阵A 满足 $|A-\lambda E|=0$的λ的值，叫做A的特征根，由每个λ确定的矩阵方程：$(A-\lambda E)X=O$ 的非零解向量，叫做A的特征向量，对应的方程称为特征方程；
  • 性质：
    • n阶方阵在复数范围内有n个特征根（注意：重根按照重数计算）；
    • $\Sigma {\lambda }_i=\Sigma a_{ii}$，(等式右边称为矩阵A的迹)；
    • $\prod {\lambda }_i=|A|$；
    • 若λ是A的特征根，则f(λ) 是f(A)的特征根（$A^{-1}$有特征值${\lambda }^{-1}$），且$A$与$f(A)$的特征向量相同；
    • 若λ是A的特征根，则$A^{\ast }$有特征根$\frac{|A|}{\lambda }$，且二者有相同的特征向量；
    • 上/下三角矩阵的主对角线元素就是矩阵的特征值；
    • 不可逆矩阵A必有特征根0；
    • 矩阵不同的特征值对应的特征向量一定线性无关;
    • A的某个特征值λ的特征子空间的维数叫做λ的几何重数，同时称λ的重根数也称为代数重数 ，则任意特征值的几何重数不超过其代数重数 ；
    • 单根有唯一的特征向量，重根的线性无关的特征向量个数不超过重根数；
    • 特殊地，$\lambda =0$的几何重数一定等于代数重数，因为其特征方程$(\lambda E-A)x=0\Rightarrow Ax=0$ 的解就是齐次方程$Ax=0$的解向量的基础解系，因此几何重数为$r(x)=n-r(A)$，而已知$|\lambda E-A|$的零解就是$n-r(A)$重根，因此代数重数也为$n-r(A)$；
    • $A\times B$与$B\times A$有相同的非零特征值，且若$A\times B$的特征向量为$x$，则$B\times A$的特征向量为$Bx$；
    • 已知非零向量$\alpha ,\beta$，则$r(\beta {\alpha }^T)=1,tr(\beta {\alpha }^T)={\alpha }^T\beta ,\lambda (\beta {\alpha }^T)=tr(\beta {\alpha }^T),0,0,..$；

• 正交矩阵：

  • 定义：满足$A^T=A^{-1}$的矩阵；

  • 性质：

    • $|A|=\pm 1，\lambda (A)=\pm 1$;
    • 若$|A|=1$，则至少有一根1 ； 若$|A|=-1$，则至少有一根 -1;
    • A的行（列）向量构成标准正交向量组；
    • 若$A$是正交矩阵，则$A^{-1},A^T$也是正交矩阵；
    • 若$A,B$是正交矩阵，则$A\times B$也是正交矩阵；
    • $a_{ij}=|A|\times A_{ij}$；

  • 施密特（标准）正交化：

    设有向量组 { α 1 , α 2 , . . , α n } \{\alpha_1,\alpha_2,..,\alpha_n\} {α1​,α2​,..,αn​}，则正交化步骤如下：
    $${\beta }_1={\alpha }_1\Rightarrow {\beta }_2={\alpha }_2-\frac{({\alpha }_2,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1\Rightarrow {\beta }_k={\alpha }_k-\sum _{i=1}^{k-1}\frac{({\alpha }_k,{\beta }_i)}{({\beta }_i,{\beta }_i)}{\beta }_i$$
    则 { β 1 , β 2 , . . , β n } \{\beta_1,\beta_2,..,\beta_n\} {β1​,β2​,..,βn​}是一个正交向量组，且等价于 { α 1 , α 2 , . . , α n } \{\alpha_1,\alpha_2,..,\alpha_n\} {α1​,α2​,..,αn​}

    再将其标准化即可：${\beta }_i\Rightarrow \frac{{\beta }_i}{|{\beta }_i|}$

• 正交向量组：

  • 定义：若向量组所有向量两两正交且不含零向量，则称其为正交向量组，特殊地，若所有向量均是单位向量，则称其为标准正交向量组，也称法正交组；
  • 性质：
    • 一对正交的向量一定线性无关，则正交向量组必定线性无关；
    • 欧几里得空间$R^n$中n个向量构成的（标准）正交向量组一定是$R^n$的一个基，称为**(标准)正交基**；
    • 若向量$\beta$可用正交向量组$\alpha$线性表示，且有表达式：$\beta =\sum k_i{a}_i$，则$k_i=\frac{(\beta ,a_i)}{(a_i,a_i)}$ ；

• 相似矩阵：

  • 定义：若存在可逆矩阵P，使得$B=P^{-1}AP$，则称矩阵A、B互为相似矩阵，记作：$A～B$，同时称P为相似变换矩阵；
  • 性质：
    • 若$A～B$，则：$|A|=|B|,f(A)～f(B),{\lambda }_A={\lambda }_B$；
    • 若$B=P^{-1}AP$,则特征向量$x_B=P^{-1}{x}_A$；

• 对角化：

  • 定义：若存在可逆矩阵P，使得$diag(a_1,a_2,...,a_n)=P^{-1}AP$，则称A能对角化， 且此时 { a 1 , a 2 , . . . , a n } \{a_1,a_2,...,a_n\} {a1​,a2​,...,an​} 即是A的n个特征根，P是A的特征列向量组构成的矩阵；

  • 可对角化的判定定理：

    定理	充分必要性
    A有n个线性无关的特征向量	充要
    A的每个k重根都有k个线性无关的特征向量	充要
    A有n个不同的特征值	充分
    A为实对称矩阵	充分
    $A=A^{-1}$	充分

• 合同矩阵：

  • 定义：若存在可逆矩阵$C$，使得$C^{T}AC=B$，则称A与B合同；特殊地，若存在可逆矩阵$C$，使得$C^{T}AC=diag(a_1,a_2,...,a_n)$，则称A能合同对角化；
  • 两个实对称矩阵合同的判定定理：
    • 充要条件：A、B有相同的正惯性系数和负惯性系数；
    • 充分条件：A、B相似；
  • 矩阵能合同对角化的充分条件：A是实对称矩阵；

• 二次型：

  • 定义：n个变量的二次多项式$f(x_1,x_2,...,x_n)$称为二次型；特殊地，若二次型只含平方项，则称其为标准型，若标准型的系数只在$1，-1，0$中取，则称其为规范型 ；

  • 性质：

    • 每一个二次型与实对称矩阵一一对应，即$f(x_1,x_2,...,x_n)=x^{T}Ax$，其中A是由二次型的系数$a_{ij}$组成的实对称矩阵；

  • 求二次型的标准型的方法：

    • 设二次型$f(x_1,x_2,...,x_n)=x^{T}Ax$，求$A$的特征根和特征向量，再将特征向量标准正交化组成正交矩阵$P$，即得到$P^{T}AP=\Lambda$；令$x=Py$，则可将二次型$f(x_1,x_2,...,x_n)$转化为标准型：
      $$f(x_1,x_2,...,x_n)=x^{T}Ax=x^T(P^T\Lambda P)x=(Px{)}^T\Lambda (Px)=y^T\Lambda y=g(y_1,y_2,...,y_n)$$

    • 拉格朗日配方法：即将平方项配完全平方公式，将二元一次项配平方差公式；

    • 合同变换法：$$\left[\begin{array}{c}A\\ E\end{array}\right]\Rightarrow \left[\begin{array}{c}diag(\lambda )\\ P\end{array}\right]$$；

      经过n次列变换，再经过相应n次行变换（称这种变换为成对初等行列变换）即可将$A$化为$diag(\lambda )$ ，生成标准型：$g(y)=y^{T}diag(\lambda )y$，而附带变换得到的$P$即为其正交变换矩阵；

• 正定矩阵：

  • 定义：设M是n阶实对称方阵，如果对任何非零向量z，都有$z^{T}Mz>0$，就称M为正定矩阵，其对应的二次型称为正定二次型；其他情况：若对任何非零向量z，都有$z^{T}Mz\ge 0$，则称M为半正定矩阵；若若对任何非零向量z，都有$z^{T}Mz<0$，则称M为负定矩阵；若对任何非零向量z，都有$z^{T}Mz\le 0$，则称M为半负定矩阵；类似可以定义其相应的二次型；

  • 性质：

    • 正定矩阵的行列式恒为正；
    • 惯性定理：对于不同的正交变换$x=Py$，$x=Qz$，标准型中正/负系数的个数保持不变，并称这个个数为二次型f的正/负惯性系数，正系数与负系数的差值叫做f的符号差；
    • 赫尔维茨定理：
      A为正定$\iff$A的各阶(顺序)主子式为正；
      A为负定$\iff$A的奇数阶顺序主子式为负，偶数阶(顺序)主子式为正；
      A为半正定 $\iff$ A的各阶(顺序)主子式非负；

  • 正定矩阵的判定定理：（以下命题的前提：A为实对称矩阵）

    性质	充分必要性
    与单位矩阵合同	充要
    A的特征值全为正	充要
    A的一切主子式为正	充要
    A的一切顺序主子式为正	充要
    存在实可逆矩阵$C$，使$A=C^{T}C$	充要
    逆矩阵为正定矩阵	充要
    $A^n$为正定矩阵	充要
    各个正定矩阵的和矩阵	充分

• 实对称矩阵：

  • 实对称矩阵的特征值全部是实数；
  • 实对称矩阵属于不同特征值的特征向量相互正交（属于同一特征值的特征向量之间一定线性无关但不一定正交，因此在求正交变换矩阵时，需要正交化）；
  • 实对称矩阵必能合同对角化，即存在正交矩阵$P$，使得$\Lambda =P^{T}AP$；

• 矩阵的秩的相关定理：

  • $r(A)=r$，意味着A存在至少一个非零r阶子式，且A的任意r+1阶子式为0，因此若$\{\begin{array}{ll}{r}_A\ge k,& |A_k|\ne 0\\ r_A<k,& |A_k|=0\end{array}$

  • $r(A)=r(A^T)=r(A^{T}A)=r(A{A}^T)$；$\Rightarrow$ $Ax=0$和$A^{T}Ax=0$是同解方程组；

  • 若A是n阶方阵，则$r(A^n)=r(A^{n+1})$；$\Rightarrow$ $A^{n}x=0$和$A^{n+1}x=0$是同解方程组；

  • 0 ≤ r ( A m × n ) ≤ m i n { m , n } 0 \le r(A_{m\times n}) \le min \{m,n\} 0≤r(Am×n​)≤min{m,n}；

  • m a x { r ( A ) , r ( B ) } ≤ r ( A ∣ B ) ≤ r ( A ) + r ( B ) max\{r(A),r(B)\} \le r(A|B) \le r(A) + r(B) max{r(A),r(B)}≤r(A∣B)≤r(A)+r(B)；$\Rightarrow$ 若$AB=C$，则$r(A|C)=r(A|AB)=r(A)$

  • $r(A+B)\le r(A)+r(B)$；

  • 分块矩阵：$r\left(\begin{array}{cc}A& O\\ O& B\end{array}\right)=r(A)+r(B)$；

  • 西尔维斯特秩不等式： r ( A ) + r ( B ) − n ≤ r ( A B ) ≤ m i n { r ( A ) , r ( B ) } r(A)+r(B)-n \le r(AB) \le min\{r(A),r(B)\} r(A)+r(B)−n≤r(AB)≤min{r(A),r(B)}；

    $\Rightarrow$ 当$AB=O$时，$r(A)+r(B)\le n$（$B\subset X,AX=O$，又$r(X)=n-r(A),r(B)\le r(X)$）；

  • 弗罗贝尼乌斯秩不等式：$r(ABC)\ge r(AB)+r(BC)-r(B)$ ；

  • 伴随矩阵的秩：$$r(A^{\ast })=\{\begin{array}{ll}n,& r(A)=n\\ 1,& r(A)=n-1\\ 0,& r(A)\le n-2\end{array}$$；

  • $r(\alpha {\beta }^T)\le 1$；