目录
线性代数
第一章 行列式
性质
[
b
1
+
c
1
c
1
+
a
1
a
1
+
b
1
b
2
+
c
2
c
2
+
a
2
a
2
+
b
2
b
1
+
c
3
c
3
+
a
3
a
3
+
b
3
]
=
2
[
a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3
]
\left[ \begin{matrix} b_1 +c_1& c_1+a_1&a_1+b_1 \\ b_2 +c_2& c_2+a_2&a_2+b_2 \\ b_1 +c_3& c_3+a_3&a_3+b_3 \\ \end{matrix} \right] = 2\left[ \begin{matrix} a_1& b_1&c_1 \\ a_2& b_2&c_2 \\ a_3& b_3&c_3 \\ \end{matrix} \right]
b1+c1b2+c2b1+c3c1+a1c2+a2c3+a3a1+b1a2+b2a3+b3
=2
a1a2a3b1b2b3c1c2c3
方法①:
c
1
+
=
c
2
+
c
3
c1+=c2+c3
c1+=c2+c3
方法②:完全展开,会得到八项,其中六项可以抵消
展开
余子式和代数余子式
D D D是 n n n阶行列式,划去第 i i i行、第 j j j列的元素,构成的 n − 1 n-1 n−1阶行列式 M i j M_{ij} Mij成为余子式,称 A i j = ( − 1 ) i + j M i j A_{ij}=(-1)^{i+j}M_{ij} Aij=(−1)i+jMij为代数余子式。
- 任意一行(列)的元素*代数余子式之和等于行列式
∣ D ∣ = a i 1 A i 1 + a i 2 A i 2 + . . . + a i n A i n = ∑ k = 1 n a i k A i k \displaystyle |D|=a_{i1}A_{i1}+a_{i2}A_{i2}+...+a_{in}A_{in}=\sum_{k=1}^n a_{ik}A_{ik} ∣D∣=ai1Ai1+ai2Ai2+...+ainAin=k=1∑naikAik - 任意一行(列)的元素*另一行(列)的代数余子式之和为零
∣ D ∣ = a i 1 A j 1 + a i 2 A j 2 + . . . + a i n A j n = ∑ k = 1 n a i k A j k \displaystyle |D|=a_{i1}A_{j1}+a_{i2}A_{j2}+...+a_{in}A_{jn}=\sum_{k=1}^n a_{ik}A_{jk} ∣D∣=ai1Aj1+ai2Aj2+...+ainAjn=k=1∑naikAjk
拉普拉斯展开式
∣
A
∣
,
∣
B
∣
|A|,|B|
∣A∣,∣B∣是
n
,
m
n,m
n,m阶行列式
[
A
∗
O
B
]
=
[
A
O
∗
B
]
=
∣
A
∣
∗
∣
B
∣
\left[ \begin{matrix} A&* \\ O& B \\ \end{matrix} \right] =\left[ \begin{matrix} A&O \\ *& B \\ \end{matrix} \right] =|A|*|B|
[AO∗B]=[A∗OB]=∣A∣∗∣B∣
[ B ∗ O A ] = [ B O ∗ A ] = ( − 1 ) n m ∣ A ∣ ∗ ∣ B ∣ \left[ \begin{matrix} B&* \\ O& A \\ \end{matrix} \right] =\left[ \begin{matrix} B&O \\ *& A \\ \end{matrix} \right] =(-1)^{nm}|A|*|B| [BO∗A]=[B∗OA]=(−1)nm∣A∣∗∣B∣
范德蒙式
[ 1 1 . . . 1 x 1 x 2 . . . x n x 1 2 x 2 2 . . . x n 2 ⋮ ⋮ ⋮ x 1 n − 1 x 2 n − 1 . . . x n n − 1 ] = ∏ 1 ≤ i < j ≤ n ( x j − x i ) \left[ \begin{matrix} 1 & 1 & ...&1 \\ x_1 & x_2 &...& x_n\\ x_1^2 & x_2^2 &...& x_n^2\\ \vdots&\vdots&& \vdots \\ x_1^{n-1} & x_2^{n-1} &...& x_n^{n-1} \\ \end{matrix} \right] =\displaystyle \prod_{1\leq i<j\leq n}(x_j-x_i) 1x1x12⋮x1n−11x2x22⋮x2n−1............1xnxn2⋮xnn−1 =1≤i<j≤n∏(xj−xi)
克拉默法则
方程组 { a 11 x 1 + a 12 x 2 + . . . + a 1 n x n = b 1 a 21 x 2 + a 22 x 2 + . . . + a 2 n x n = b 2 . . . . a n 1 x n + a n 2 x 2 + . . . + a n n x n = b n 方程组\left\{\begin{aligned} a_{11}x_1+a_{12}x_2+...+a_{1n}x_n=b_1\\ a_{21}x_2+a_{22}x_2+...+a_{2n}x_n=b_2\\ ....\\ a_{n1}x_n+a_{n2}x_2+...+a_{nn}x_n=b_n\\ \end{aligned}\right. 方程组⎩ ⎨ ⎧a11x1+a12x2+...+a1nxn=b1a21x2+a22x2+...+a2nxn=b2....an1xn+an2x2+...+annxn=bn
⇒ \Rightarrow ⇒
A = [ a 11 a 12 . . . a 1 i . . . a 1 n a 21 a 22 . . . a 2 i . . . a 2 n . . . . a n 1 a n 2 . . . a 3 i . . . a n n ] ⇒ { x i = ∣ A i ∣ ∣ A ∣ A i = [ a 11 a 12 . . . b 1 . . . a 1 n a 21 a 22 . . . b 2 . . . a 2 n . . . . a n 1 a n 2 . . . b n . . . a n n ] A= \left [\begin{matrix} a_{11} & a_{12} & ... &a_{1i} &... & a_{1n}\\ a_{21} & a_{22} & ... &a_{2i} &... & a_{2n}\\ ....\\ a_{n1} & a_{n2} & ... &a_{3i} &... & a_{nn}\\ \end{matrix}\right] \Rightarrow \left\{\begin{aligned} x_i&=\cfrac{|A_i|}{|A|}\\ A_i&=\left [\begin{matrix} a_{11} & a_{12} & ... &b_{1} &... & a_{1n}\\ a_{21} & a_{22} & ... &b_{2} &... & a_{2n}\\ ....\\ a_{n1} & a_{n2} & ... &b_{n} &... & a_{nn}\\ \end{matrix}\right] \\ \end{aligned}\right. A= a11a21....an1a12a22an2.........a1ia2ia3i.........a1na2nann ⇒⎩ ⎨ ⎧xiAi=∣A∣∣Ai∣= a11a21....an1a12a22an2.........b1b2bn.........a1na2nann
爪形
①化成下三角
- 通过第 2 2 2行消 A 12 A_{12} A12
- 通过第 3 3 3行消 A 13 A_{13} A13
- …
②化成上三角
- 通过第 2 2 2列消 A 21 A_{21} A21
- 通过第 3 3 3列消 A 31 A_{31} A31
- …
第二章 矩阵
伴随矩阵
定义
由矩阵
A
A
A的行列式
∣
A
∣
|A|
∣A∣所有的代数余子式构成,形如(注意下标
[
A
11
A
21
.
.
.
A
n
1
A
12
A
22
.
.
.
A
n
2
⋮
A
1
n
A
2
n
.
.
.
A
n
n
]
\left [\begin{matrix} A_{11} & A_{21} & ... & A_{n1}\\ A_{12} & A_{22} & ... & A_{n2}\\ \vdots\\ A_{1n} & A_{2n} & ... & A_{nn}\\ \end{matrix}\right]
A11A12⋮A1nA21A22A2n.........An1An2Ann
常见公式
核心:
A
∗
=
∣
A
∣
A
−
1
A^*=|A|A^{-1}
A∗=∣A∣A−1
A
A
∗
=
A
∗
A
=
∣
A
∣
E
AA^*=A^*A=|A|E
AA∗=A∗A=∣A∣E
(
A
∗
)
−
1
=
(
A
−
1
)
∗
=
A
∣
A
∣
(A^*)^{-1}=(A^{-1})^*=\cfrac A{|A|}
(A∗)−1=(A−1)∗=∣A∣A
(
k
A
)
∗
=
k
n
−
1
A
∗
(kA)^*=k^{n-1}A^*
(kA)∗=kn−1A∗
∣
A
∗
∣
=
∣
∣
A
∣
A
−
1
∣
=
∣
A
∣
n
∣
A
∣
=
∣
A
∣
n
−
1
|A^*|=||A|A^{-1}|=\cfrac{|A|^{n}}{|A|}=|A|^{n-1}
∣A∗∣=∣∣A∣A−1∣=∣A∣∣A∣n=∣A∣n−1
(
A
∗
)
∗
=
(
∣
A
∣
A
−
1
)
∗
=
∣
A
∣
n
−
1
∗
(
A
−
1
)
∗
=
∣
A
∣
n
−
1
∗
A
∣
A
∣
=
∣
A
∣
n
−
2
A
(A^*)^*=(|A|A^{-1})^*=|A|^{n-1}*(A^{-1})^*=|A|^{n-1}*\cfrac A{|A|}=|A|^{n-2}A
(A∗)∗=(∣A∣A−1)∗=∣A∣n−1∗(A−1)∗=∣A∣n−1∗∣A∣A=∣A∣n−2A
可逆矩阵
A
∗
A
−
1
=
A
−
1
∗
A
=
E
A*A^{-1}=A^{-1}*A=E
A∗A−1=A−1∗A=E
A
A
A可逆
⇔
\Leftrightarrow
⇔
∣
A
∣
≠
0
|A| \neq 0
∣A∣=0
常见公式
∣
A
−
1
∣
=
1
∣
A
∣
|A^{-1}|=\cfrac 1{|A|}
∣A−1∣=∣A∣1
(
k
A
)
−
1
=
A
−
1
k
(kA)^{-1}=\cfrac {A^{-1}}k
(kA)−1=kA−1
(
A
B
)
−
1
=
B
−
1
A
−
1
(AB)^{-1}=B^{-1}A^{-1}
(AB)−1=B−1A−1
(
A
B
C
.
.
.
Z
)
−
1
=
(
B
C
.
.
.
Z
)
−
1
A
−
1
=
(
C
.
.
.
Z
)
−
1
B
−
1
A
−
1
=
Z
−
1
.
.
.
C
−
1
B
−
1
A
−
1
(ABC...Z)^{-1}=(BC...Z)^{-1}A^{-1}=(C...Z)^{-1}B^{-1}A^{-1}=Z^{-1}...C^{-1}B^{-1}A^{-1}
(ABC...Z)−1=(BC...Z)−1A−1=(C...Z)−1B−1A−1=Z−1...C−1B−1A−1
(
A
+
B
)
−
1
≠
A
−
1
+
B
−
1
(A+B)^{-1} \neq A^{-1}+B^{-1}
(A+B)−1=A−1+B−1
解法
- A − 1 = A ∗ ∣ A ∣ A^{-1}=\cfrac {A^*}{|A|} A−1=∣A∣A∗
- 初等变换 ( A ∣ E ) → ( E ∣ A − 1 ) (A | E) \rightarrow (E|A^{-1}) (A∣E)→(E∣A−1)
- 分块
[ B O O C ] − 1 = [ B − 1 O O C − 1 ] ; [ O B C O ] − 1 = [ O C − 1 B − 1 O ] \left[ \begin{matrix} B & O \\ O & C \\ \end{matrix} \right]^{-1} = \left[ \begin{matrix} B^{-1} & O \\ O & C^{-1} \\ \end{matrix} \right]; \left[ \begin{matrix} O & B \\ C & O \\ \end{matrix} \right]^{-1} = \left[ \begin{matrix} O & C^{-1} \\ B^{-1} & O \\ \end{matrix} \right] [BOOC]−1=[B−1OOC−1];[OCBO]−1=[OB−1C−1O]
初等变换,初等矩阵
由单位阵经过一次变换得到的矩阵是初等矩阵
定义
- 倍乘初等矩阵
E
(
i
(
k
)
)
E(i(k))
E(i(k))
E E E的第 i i i行(列)乘 k k k倍 - 互换初等矩阵
E
(
i
,
j
)
E(i,j)
E(i,j)
E E E的第 i i i行(列)和第 j j j行(列)交换 - 倍加初等矩阵
E
(
i
j
(
k
)
)
E(ij(k))
E(ij(k))
E E E的第 i i i行 + = += +=第 j j j行的 k k k倍
( E E E的第 j j j列 + = += +=第 i i i列的 k k k倍)
性质
- P A ( A P ) PA(AP) PA(AP)相当于对 A A A进行相应的初等行(列)变换
- E ( i ( k ) ) − 1 = E ( i ( 1 k ) ) ; E ( i , j ) − 1 = E ( i , j ) ; E ( i j ( k ) ) − 1 = E ( i j ( − k ) ) E(i(k))^{-1}=E(i(\cfrac{1}k{}));E(i,j)^{-1}=E(i,j);E(ij(k))^{-1}=E(ij(-k)) E(i(k))−1=E(i(k1));E(i,j)−1=E(i,j);E(ij(k))−1=E(ij(−k))
第三章向量
a ⃗ \vec{a} a表示n维向量
线性相关
a
⃗
1
,
a
⃗
2
,
.
.
.
,
a
⃗
m
\vec{a}_1,\vec{a}_2,...,\vec{a}_m
a1,a2,...,am线性相关,则至少一个向量可以由其他向量表示出来:
a
⃗
x
=
k
1
a
⃗
1
+
k
2
a
⃗
2
+
.
.
.
+
k
x
−
1
a
⃗
x
−
1
+
k
x
+
1
a
⃗
x
+
1
+
.
.
.
+
k
m
a
⃗
m
\vec{a}_x=k_1\vec{a}_1+k_2\vec{a}_2+...+k_{x-1}\vec{a}_{x-1}+k_{x+1}\vec{a}_{x+1}+...+k_m\vec{a}_m
ax=k1a1+k2a2+...+kx−1ax−1+kx+1ax+1+...+kmam即,存在不全为0的
k
1
,
k
2
,
.
.
.
,
k
m
k_1,k_2,...,k_m
k1,k2,...,km使得
k
1
a
⃗
1
+
k
2
a
⃗
2
+
.
.
.
+
k
m
a
⃗
m
=
0
⃗
k_1\vec{a}_1+k_2\vec{a}_2+... +k_m\vec{a}_m=\vec{0}
k1a1+k2a2+...+kmam=0
- 任何 n + 1 n+1 n+1个 n n n维向量必然线性相关
- 其
n
∗
m
n*m
n∗m矩阵,化简后,存在行全为
0
0
0
m=n时,其行列式等于0
向量组和矩阵的秩
向量组
向量组的极大线性无关组的向量个数称为向量组的秩
矩阵
r
(
A
+
B
)
≤
r
(
A
)
+
r
(
B
)
r(A+B) \leq r(A)+r(B)
r(A+B)≤r(A)+r(B)
r
(
A
B
)
≤
min
(
r
(
A
)
,
r
(
B
)
)
r(AB)\leq \min(r(A),r(B))
r(AB)≤min(r(A),r(B))
max
(
r
(
A
)
,
r
(
B
)
)
≤
r
(
A
,
B
)
≤
r
(
A
)
+
r
(
B
)
\max(r(A),r(B)) \leq r(A,B)\leq r(A)+r(B)
max(r(A),r(B))≤r(A,B)≤r(A)+r(B)
A
可逆
:
r
(
A
B
)
=
r
(
B
A
)
=
r
(
B
)
A可逆:r(AB)=r(BA)=r(B)
A可逆:r(AB)=r(BA)=r(B)
A
:
m
∗
n
,
B
:
n
∗
s
,
A
B
=
O
⇒
r
(
A
)
+
r
(
B
)
≤
n
A:m*n,B:{n*s},AB=O \Rightarrow r(A)+r(B) \leq n
A:m∗n,B:n∗s,AB=O⇒r(A)+r(B)≤n
r
(
[
A
O
O
B
]
)
=
r
(
A
)
+
r
(
B
)
\displaystyle r(\left[ \begin{matrix} A & O \\ O & B \\ \end{matrix} \right])= r(A)+r(B)
r([AOOB])=r(A)+r(B)
A 是 n 阶矩阵伴随矩阵 A ∗ 的秩 A是n阶矩阵伴随矩阵A^*的秩 A是n阶矩阵伴随矩阵A∗的秩
- R ( A ) = n ⇒ R ( A ∗ ) = n R(A)=n \Rightarrow R(A^*)=n R(A)=n⇒R(A∗)=n
- R ( A ) = n − 1 ⇒ R ( A ∗ ) = 1 R(A)=n-1 \Rightarrow R(A^*)=1 R(A)=n−1⇒R(A∗)=1
- R ( A ) < n − 1 ⇒ R ( A ∗ ) = 0 R(A)<n-1 \Rightarrow R(A^*)=0 R(A)<n−1⇒R(A∗)=0
正交规范化
内积
( a ⃗ , b ⃗ ) = a ⃗ T b ⃗ = a ⃗ b ⃗ T = ∑ i = 1 n a i b i (\vec{a},\vec{b})=\vec{a}^T\vec{b}=\vec{a}\vec{b}^T=\displaystyle \sum^n_{i=1} a_ib_i (a,b)=aTb=abT=i=1∑naibi
施密特正交化
b
1
⃗
=
a
1
⃗
\vec{b_1}=\vec{a_1}
b1=a1
b
2
⃗
=
a
2
⃗
−
(
a
2
⃗
,
b
1
⃗
)
(
b
1
⃗
,
b
1
⃗
)
b
1
⃗
\vec{b_2}=\vec{a_2}-\cfrac{(\vec{a_2},\vec{b_1})}{(\vec{b_1},\vec{b_1})}\vec{b_1}
b2=a2−(b1,b1)(a2,b1)b1
b
3
⃗
=
a
3
⃗
−
(
a
3
⃗
,
b
1
⃗
)
(
b
1
⃗
,
b
1
⃗
)
b
1
⃗
−
(
a
3
⃗
,
b
2
⃗
)
(
b
2
⃗
,
b
2
⃗
)
b
2
⃗
\vec{b_3}=\vec{a_3}-\cfrac{(\vec{a_3},\vec{b_1})}{(\vec{b_1},\vec{b_1})}\vec{b_1}-\cfrac{(\vec{a_3},\vec{b_2})}{(\vec{b_2},\vec{b_2})}\vec{b_2}
b3=a3−(b1,b1)(a3,b1)b1−(b2,b2)(a3,b2)b2
第四章 线性方程组
齐次线性方程组
方程组
{
a
11
x
1
+
a
12
x
2
+
.
.
.
+
a
1
n
x
n
=
0
a
21
x
1
+
a
22
x
2
+
.
.
.
+
a
2
n
x
n
=
0
⋮
a
m
1
x
1
+
a
m
2
x
2
+
.
.
.
+
a
m
n
x
n
=
0
方程组\left\{\begin{aligned} a_{11}x_1+a_{12}x_2+...+a_{1n}x_n=0\\ a_{21}x_1+a_{22}x_2+...+a_{2n}x_n=0\\ \vdots\\ a_{m1}x_1+a_{m2}x_2+...+a_{mn}x_n=0\\ \end{aligned}\right.
方程组⎩
⎨
⎧a11x1+a12x2+...+a1nxn=0a21x1+a22x2+...+a2nxn=0⋮am1x1+am2x2+...+amnxn=0
如果
r
(
A
)
=
r
<
n
r(A)=r<n
r(A)=r<n,则有
n
−
r
n-r
n−r个线性无关的解,即基础解系由这
n
−
r
n-r
n−r个解向量构成
非齐次线性方程组
A
x
⃗
=
b
⃗
A\vec{x}=\vec{b}
Ax=b
有解
⇒
r
(
A
)
=
r
(
[
A
,
b
⃗
]
)
\Rightarrow r(A)=r([A,\vec{b}])
⇒r(A)=r([A,b])
第五章 特征值和特征向量
定义
A a ⃗ = λ a ⃗ & & a ⃗ ≠ 0 ⃗ A \vec{a}=\lambda \vec{a} \&\& \vec{a}\neq \vec{0} Aa=λa&&a=0 ,则 λ \lambda λ是特征值, a ⃗ \vec{a} a是特征向量
解法
解
λ
\lambda
λ
移项可得
(
λ
E
−
A
)
a
⃗
=
0
⃗
(\lambda E-A)\vec{a}=\vec{0}
(λE−A)a=0
则可得特征方程
(
λ
E
−
A
)
=
0
(\lambda E-A)=0
(λE−A)=0
解
A
A
A
组合可得
A
(
a
⃗
1
,
a
⃗
2
,
.
.
.
,
a
⃗
n
)
=
(
λ
1
a
⃗
1
,
λ
2
a
⃗
2
,
.
.
.
,
λ
n
a
⃗
n
)
A (\vec{a}_1,\vec{a}_2,...,\vec{a}_n)=(\lambda_1 \vec{a}_1,\lambda_2 \vec{a}_2,...,\lambda_n\vec{a}_n)
A(a1,a2,...,an)=(λ1a1,λ2a2,...,λnan)
则可得
A
=
(
λ
1
a
⃗
1
,
λ
2
a
⃗
2
,
.
.
.
,
λ
n
a
⃗
n
)
∗
(
a
⃗
1
,
a
⃗
2
,
.
.
.
,
a
⃗
n
)
−
1
A =(\lambda_1 \vec{a}_1,\lambda_2 \vec{a}_2,...,\lambda_n\vec{a}_n) *(\vec{a}_1,\vec{a}_2,...,\vec{a}_n)^{-1}
A=(λ1a1,λ2a2,...,λnan)∗(a1,a2,...,an)−1
性质
- ∑ λ i = ∑ a i i \displaystyle\sum \lambda_i=\sum a_{ii} ∑λi=∑aii
- ∣ A ∣ = ∏ λ i |A|=\prod \lambda_i ∣A∣=∏λi
-
A
的特征值为
(
λ
1
,
λ
2
,
.
.
.
,
λ
n
)
,
特征向量为
(
a
⃗
1
,
a
⃗
2
,
.
.
.
,
a
⃗
n
)
A的特征值为(\lambda_1,\lambda_2,...,\lambda_n),特征向量为(\vec{a}_1,\vec{a}_2,...,\vec{a}_n)
A的特征值为(λ1,λ2,...,λn),特征向量为(a1,a2,...,an)
则 A − 1 的特征值为 ( 1 λ 1 , 1 λ 3 , . . . , 1 λ n ) , 特征向量为 ( a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ n ) A^{-1}的特征值为(\cfrac{1}{\lambda_1},\cfrac{1}{\lambda_3},...,\cfrac{1}{\lambda_n}),特征向量为(\vec{a}_1,\vec{a}_2,...,\vec{a}_n) A−1的特征值为(λ11,λ31,...,λn1),特征向量为(a1,a2,...,an)
相似矩阵
定义
P
A
P
−
1
=
P
−
1
A
P
=
B
PAP^{-1}=P^{-1}AP=B
PAP−1=P−1AP=B 则
A
∼
B
A \sim B
A∼B
若
A
∼
Λ
A \sim \Lambda
A∼Λ,
Λ
\Lambda
Λ是对角阵,则
A
A
A可相似对角化,
Λ
\Lambda
Λ是
A
A
A的相似标准型
A ∼ B ⇒ { 特征多项式相同,即 ∣ λ E − A ∣ = ∣ λ E − B ∣ 特征值相同 r ( A ) = r ( B ) ∣ A ∣ = ∣ B ∣ = ∏ λ i ∑ a i i = ∑ b i i = ∑ λ i A \sim B \Rightarrow \left\{\begin{aligned} &特征多项式相同,即|\lambda E-A|=|\lambda E-B|\\ &特征值相同\\ &r(A)=r(B)\\ &|A|=|B|=\prod \lambda_i\\ &\sum a_{ii}=\sum b_{ii}=\sum\lambda_i\\ \end{aligned}\right. A∼B⇒⎩ ⎨ ⎧特征多项式相同,即∣λE−A∣=∣λE−B∣特征值相同r(A)=r(B)∣A∣=∣B∣=∏λi∑aii=∑bii=∑λi
可对角化和可相似对角化
n n n阶方阵 ∣ A ∣ |A| ∣A∣可对角化的充分必要条件是 A A A有 n n n个线性无关的特征向量
n n n阶方阵 ∣ A ∣ |A| ∣A∣可相似对角化的充分必要条件是 A A A的每个特征值中,线性无关的特征向量的个数恰好等于该特征值的重数
解法
P
−
1
A
P
=
Λ
P^{-1}AP=\Lambda
P−1AP=Λ,求解
P
P
P
P
−
1
A
P
=
Λ
⇒
A
P
=
P
Λ
P^{-1}AP=\Lambda \Rightarrow AP=P\Lambda
P−1AP=Λ⇒AP=PΛ
由
A
a
⃗
=
a
⃗
∗
λ
A \vec{a}=\vec{a} *\lambda
Aa=a∗λ可知,
P
P
P由特征向量构成
- 先求出矩阵 A A A的特征值 λ 1 , λ 2 , . . . , λ n \lambda_1,\lambda_2,...,\lambda_n λ1,λ2,...,λn
- 根据特征值求出特征向量 a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ n \vec{a}_1,\vec{a}_2,...,\vec{a}_n a1,a2,...,an
- P = ( a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ n ) , P − 1 A P = Λ = [ λ 1 λ 2 ⋱ λ n ] P=(\vec{a}_1,\vec{a}_2,...,\vec{a}_n),P^{-1}AP=\Lambda=\left[ \begin{matrix} \lambda_1&& \\ & \lambda_2&& \\ & &\ddots& \\ & &&\lambda_n \\ \end{matrix} \right] P=(a1,a2,...,an),P−1AP=Λ= λ1λ2⋱λn
实对称矩阵
定义
若 A A A是 n n n阶实对称矩阵,则有正交矩阵使得 Q − 1 A Q = Q T A Q = Λ Q^{-1}AQ=Q^TAQ=\Lambda Q−1AQ=QTAQ=Λ
性质
实对称矩阵必可相似对角化
实对称矩阵的属于不同特征值对应的特征向量相互正交
解法
根据实对称矩阵用正交矩阵可相似对角化
- 求出矩阵 A A A的特征值 λ 1 , λ 2 , . . . , λ n \lambda_1,\lambda_2,...,\lambda_n λ1,λ2,...,λn
- 根据特征值求出特征向量 a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ n \vec{a}_1,\vec{a}_2,...,\vec{a}_n a1,a2,...,an
- 改造特征向量
- 特征值不同则已正交
- 特征值相同则序判断特征向量是否正交
- 不正交则需正交化处理
- Q = ( γ 1 , γ 2 , . . . , γ n ) , Q − 1 A Q = Λ = [ λ 1 λ 2 ⋱ λ n ] Q=(\gamma_1,\gamma_2,...,\gamma_n), Q^{-1}AQ=\Lambda=\left[ \begin{matrix} \lambda_1&& \\ & \lambda_2&& \\ & &\ddots& \\ & &&\lambda_n \\ \end{matrix} \right] Q=(γ1,γ2,...,γn),Q−1AQ=Λ= λ1λ2⋱λn
第六章 二次型
标准型
f ( x 1 , x 2 , … , x n ) = a 1 x 1 2 + a 2 x 2 2 + ⋯ + a n x n 2 f(x_1,x_2,\dots,x_n)=a_1x_1^2+a_2x_2^2+\dots+a_nx_n^2 f(x1,x2,…,xn)=a1x12+a2x22+⋯+anxn2
规范型和正负惯性指数
f ( x 1 , x 2 , … , x n ) = x 1 2 + x 2 2 + ⋯ + a p x n 2 − x p + 1 2 − ⋯ − x p + q 2 f(x_1,x_2,\dots,x_n)=x_1^2+x_2^2+\dots+a_px_n^2-x_{p+1}^2-\dots-x_{p+q}^2 f(x1,x2,…,xn)=x12+x22+⋯+apxn2−xp+12−⋯−xp+q2
- 正惯性指数: p p p
- 负惯性指数: q q q
合同
C T A C = B , C 可逆 ⇔ A ≃ B C^TAC=B ,C可逆\Leftrightarrow A \simeq B CTAC=B,C可逆⇔A≃B
易错点
kA
-
A是行列式
k ∣ a 11 a 12 . . . a 1 n a 21 a 22 . . . a 2 n . . . . a n 1 a n 2 . . . a n n ] = [ k a 11 k a 12 . . . k a 1 n a 21 a 22 . . . a 2 n . . . . a n 1 a n 2 . . . a n n ∣ k\left |\begin{matrix} a_{11} & a_{12} & ... & a_{1n}\\ a_{21} & a_{22} & ... & a_{2n}\\ ....\\ a_{n1} & a_{n2} & ... & a_{nn}\\ \end{matrix}\right] = \left [\begin{matrix} ka_{11} & ka_{12} & ... & ka_{1n}\\ a_{21} & a_{22} & ... & a_{2n}\\ ....\\ a_{n1} & a_{n2} & ... & a_{nn}\\ \end{matrix}\right| k a11a21....an1a12a22an2.........a1na2nann = ka11a21....an1ka12a22an2.........ka1na2nann -
A是矩阵
k [ a 11 a 12 . . . a 1 n a 21 a 22 . . . a 2 n . . . . a n 1 a n 2 . . . a n n ] = [ k a 11 k a 12 . . . k a 1 n k a 21 k a 22 . . . k a 2 n . . . . k a n 1 k a n 2 . . . k a n n ] k\left [\begin{matrix} a_{11} & a_{12} & ... & a_{1n}\\ a_{21} & a_{22} & ... & a_{2n}\\ ....\\ a_{n1} & a_{n2} & ... & a_{nn}\\ \end{matrix}\right] = \left [\begin{matrix} ka_{11} & ka_{12} & ... & ka_{1n}\\ ka_{21} & ka_{22} & ... & ka_{2n}\\ ....\\ ka_{n1} & ka_{n2} & ... & ka_{nn}\\ \end{matrix}\right] k a11a21....an1a12a22an2.........a1na2nann = ka11ka21....kan1ka12ka22kan2.........ka1nka2nkann
等价,相似,合同
-
等价
若矩阵A经过有限次的初等变换变到矩阵B,则称A与B等价 ⇒ r ( A ) = r ( B ) \Rightarrow r(A)=r(B) ⇒r(A)=r(B) -
相似
P A P − 1 = P − 1 A P = B PAP^{-1}=P^{-1}AP=B PAP−1=P−1AP=B -
合同
C T A C = B C^{T}AC=B CTAC=B
相似
⇒
\Rightarrow
⇒等价
合同
⇒
\Rightarrow
⇒等价
等价
⇒
\Rightarrow
⇒等秩
相似和合同无充要关系
对称阵的情况下,相似一定合同
判定合同:正负惯性指数完全相同
⇔
\Leftrightarrow
⇔合同与否