Linear Algebra note

一 向量组线性关系与秩

1

证明一组向量组线性无关时，新学到的办法如下：

反证法，要证线性无关，就假设这个向量组线性相关。
然后关键是如何利用向量相关推出矛盾。其中一种实用的办法是：

设${\alpha }_1,{\alpha }_2,{\alpha }_3...{\alpha }_s$线性相关，则存在不全为0的$c_i$使得$$c_1{\alpha }_1+c_2\alpha +...+c_s{\alpha }_s=0$$
那么接下来可以从两个角度来看

1. 我们可以找到第一个不为0的$c_l$，从而得到$$c_l{\alpha }_l+...+c_s{\alpha }_s=0$$
2. 我们可以找到最后一个不为零的$c_l$，从而得到$$c_1{\alpha }_1+...+c_l{\alpha }_l=0$$

具体选择哪个由结合题目，原则是利用矩阵作用法，用矩阵$A$左右乘以上述两个等式，就能直接消掉一些项，或者相减后能够消去一些项。

2 作用法

证明向量组线性无关时，如果题目出现

1. 类似 $A{\alpha }_i={\alpha }_{i+1}$
2. 向量正交，如任意${\alpha }_i$与任意${\beta }_j$正交

3 正交构造对角

如果 $A$ 的各个列向量相互正交（不一定要规范化），那么
$$A^{T}A=\Lambda$$

二 特征向量与特征值，对角化

1 秩为1的实对称阵与特征值、特征向量的关系

$i)$ 与特征值的关系

如果 $r(A_n)=1$ ,那么 $A=\alpha {\beta }^T$，即
$$A=\left[\begin{array}{cc}& \\ & \\ & \end{array}\right]\left[\begin{array}{cccc}& & & \end{array}\right]$$
则$A_n$的特征值为 $n-1$ 个 $0$ , $1$ 个 $tr(A)$。

$ii)$与特征向量的关系

• $A=\alpha {\beta }^T$，则$\alpha$为$A$的特征向量
  证：$A\alpha =\alpha {\beta }^T\alpha =({\beta }^T\alpha )\alpha$，$\lambda ={\beta }^T\alpha$
• 若已知$\alpha$是$A$特征值$\lambda$下的特征向量
  则可设$A=c\alpha {\alpha }^T$，且$c=\frac{\lambda }{(\alpha ,\alpha )}$，$r(A)=1$

PS

含未知数的行列式化简，可以先把一行化到只剩一个数，然后展开。

2 求特征值的简便方法

求一个矩阵的特征值，可以先把它分解成两个矩阵，其中一个可以是秩为1的矩阵，另一个可以是数量阵。

e.g.
$$A=\left[\begin{array}{ccc}-1& 2& 2\\ 2& -1& -2\\ 2& -2& -1\end{array}\right]=\left[\begin{array}{ccc}-2& 2& 2\\ 2& -2& -2\\ 2& -2& -2\end{array}\right]+E$$
显然
$$\left[\begin{array}{ccc}-2& 2& 2\\ 2& -2& -2\\ 2& -2& -2\end{array}\right]的秩为1，从而特征值为0，0，tr()=-6$$

3 代数重数和几何重数

代数重数$⩾$几何重数$⩾$1
证：$r(\lambda E-A)⩽n-1$
所以几何重数$=n-r(\lambda E-A)⩾1$

4

若 $A_n$ 可对角化，则 $\Lambda$ 对角线上必定是 $n$ 个特征值。

5 相似阵相同 $\lambda$ 下的特征向量关系

若 $A$ 与 $B$ 相似，则它们有相同的特征值，
且相同特征值下的特征向量有如下关系：
已知$$P^{-1}AP=B$$$$AX=\lambda X$$
则$$B(P^{-1}X)=\lambda (P^{-1}X)$$

6 已知特征值或特征向量求 $A$

$i)$ 矩阵 $A$ 和一个特征向量 $\xi$，其中一个含有参数，另一个全知，求 $\lambda$ 和参数 （P109）

用 $A\xi =\lambda \xi$ 列方程求解。

$ii)$ 已知全部特征值 ${\lambda }_i$ 和对应的特征向量 ${\alpha }_i$，求矩阵 $A$

解：设 $A$ 为 3 阶，$P=({\alpha }_1{\alpha }_2{\alpha }_3)$
$$AP=P\left(\begin{array}{ccc}{\lambda }_1& & \\ & {\lambda }_2& \\ & & {\lambda }_3\end{array}\right)$$
然后先转置，解矩阵方程。

$iii)$ 见第一大点

$iv)$ 也可以特征值之和、特征值之积列等式

 
 

证明零空间 $N(A_{m\times n})$ 的维度为 $n-r$

思路

找到零空间的一组基，然后随便举出一个解，然后发现这个解可以被那组基线性表出。

具体操作

已知
$$AX=0，R(A)=r$$
首先我们可进行消元，由 $A_{m\times n}$ 得到 $A_{r\times n}$

通过移项，我们可以得到
$$\left(\begin{array}{ccc}{a}_{11}& \cdots & a_{1n}\\ ⋮& & ⋮\\ a_{r1}& \cdots & a_{rn}\end{array}\right)\left(\begin{array}{c}{x}_1\\ ⋮\\ x_r\end{array}\right)=\left(\begin{array}{ccc}{a}_{1r+1}& \cdots & a_{1n}\\ ⋮& & ⋮\\ a_{rn+1}& \cdots & a_{rn}\end{array}\right)\left(\begin{array}{c}{x}_{r+1}\\ ⋮\\ x_n\end{array}\right)$$
我们写成
$$