线性代数笔记

线性代数

第一章 行列式

性质

$\left[\begin{array}{ccc}{b}_1+c_1& c_1+a_1& a_1+b_1\\ b_2+c_2& c_2+a_2& a_2+b_2\\ b_1+c_3& c_3+a_3& a_3+b_3\end{array}\right]=2\left[\begin{array}{ccc}{a}_1& b_1& c_1\\ a_2& b_2& c_2\\ a_3& b_3& c_3\end{array}\right]$
方法①：$c1+=c2+c3$
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

$D$是$n$阶行列式，划去第$i$行、第$j$列的元素，构成的$n-1$阶行列式$M_{ij}$成为余子式，称$A_{ij}=(-1{)}^{i+j}{M}_{ij}$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
  $|D|=a_{i1}{A}_{i1}+a_{i2}{A}_{i2}+...+a_{in}{A}_{in}=\sum _{k=1}^n{a}_{ik}{A}_{ik}$
• 任意一行(列)的元素*另一行(列)的代数余子式之和为零
  $|D|=a_{i1}{A}_{j1}+a_{i2}{A}_{j2}+...+a_{in}{A}_{jn}=\sum _{k=1}^n{a}_{ik}{A}_{jk}$

拉普拉斯展开式

$|A|,|B|$是$n,m$阶行列式
$\left[\begin{array}{cc}A& \ast \\ O& B\end{array}\right]=\left[\begin{array}{cc}A& O\\ \ast & B\end{array}\right]=|A|\ast |B|$

$\left[\begin{array}{cc}B& \ast \\ O& A\end{array}\right]=\left[\begin{array}{cc}B& O\\ \ast & A\end{array}\right]=(-1{)}^{nm}|A|\ast |B|$

范德蒙式

$\left[\begin{array}{cccc}1& 1& ...& 1\\ x_1& x_2& ...& x_n\\ x_1^2& x_2^2& ...& x_n^2\\ ⋮& ⋮& & ⋮\\ x_1^{n-1}& x_2^{n-1}& ...& x_n^{n-1}\end{array}\right]=\prod _{1\le i<j\le n}(x_j-x_i)$

克拉默法则

$方程组\{\begin{array}{r}{a}_{11}{x}_1+a_{12}{x}_2+...+a_{1n}{x}_n=b_1\\ a_{21}{x}_2+a_{22}{x}_2+...+a_{2n}{x}_n=b_2\\ ....\\ a_{n1}{x}_n+a_{n2}{x}_2+...+a_{nn}{x}_n=b_n\end{array}$

$\Rightarrow$

$A=\left[\begin{array}{cccccc}{a}_{11}& a_{12}& ...& a_{1i}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2i}& ...& a_{2n}\\ ....& & & & & \\ a_{n1}& a_{n2}& ...& a_{3i}& ...& a_{nn}\end{array}\right]\Rightarrow \{\begin{array}{rl}{x}_i& =\frac{|A_i|}{|A|}\\ A_i& =\left[\begin{array}{cccccc}{a}_{11}& a_{12}& ...& b_1& ...& a_{1n}\\ a_{21}& a_{22}& ...& b_2& ...& a_{2n}\\ ....& & & & & \\ a_{n1}& a_{n2}& ...& b_n& ...& a_{nn}\end{array}\right]\end{array}$

爪形

①化成下三角

1. 通过第$2$行消$A_{12}$
2. 通过第$3$行消$A_{13}$
3. …

②化成上三角

1. 通过第$2$列消$A_{21}$
2. 通过第$3$列消$A_{31}$
3. …

第二章 矩阵

伴随矩阵

定义

由矩阵$A$的行列式$|A|$所有的代数余子式构成，形如（注意下标
$$\left[\begin{array}{cccc}{A}_{11}& A_{21}& ...& A_{n1}\\ A_{12}& A_{22}& ...& A_{n2}\\ ⋮& & & \\ A_{1n}& A_{2n}& ...& A_{nn}\end{array}\right]$$

常见公式

核心：$A^{\ast }=|A|A^{-1}$
$A{A}^{\ast }=A^{\ast }A=|A|E$
$(A^{\ast }{)}^{-1}=(A^{-1}{)}^{\ast }=\frac{A}{|A|}$
$(kA{)}^{\ast }=k^{n-1}{A}^{\ast }$
$|A^{\ast }|=||A|A^{-1}|=\frac{|A{|}^n}{|A|}=|A{|}^{n-1}$
$(A^{\ast }{)}^{\ast }=(|A|A^{-1}{)}^{\ast }=|A{|}^{n-1}\ast (A^{-1}{)}^{\ast }=|A{|}^{n-1}\ast \frac{A}{|A|}=|A{|}^{n-2}A$

可逆矩阵

$A\ast A^{-1}=A^{-1}\ast A=E$
$A$可逆 $\iff$ $|A|\ne 0$

常见公式

$|A^{-1}|=\frac{1}{|A|}$
$(kA{)}^{-1}=\frac{A^{-1}}{k}$
$(AB{)}^{-1}=B^{-1}{A}^{-1}$
   $(ABC...Z{)}^{-1}=(BC...Z{)}^{-1}{A}^{-1}=(C...Z{)}^{-1}{B}^{-1}{A}^{-1}=Z^{-1}...C^{-1}{B}^{-1}{A}^{-1}$
$(A+B{)}^{-1}\ne A^{-1}+B^{-1}$

解法

• $A^{-1}=\frac{A^{\ast }}{|A|}$
• 初等变换 $(A|E)\to (E|A^{-1})$
• 分块
  $${\left[\begin{array}{cc}B& O\\ O& C\end{array}\right]}^{-1}=\left[\begin{array}{cc}{B}^{-1}& O\\ O& C^{-1}\end{array}\right];{\left[\begin{array}{cc}O& B\\ C& O\end{array}\right]}^{-1}=\left[\begin{array}{cc}O& C^{-1}\\ B^{-1}& O\end{array}\right]$$

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$E(i(k))$
  $E$的第$i$行（列）乘$k$倍
• 互换初等矩阵$E(i,j)$
  $E$的第$i$行（列）和第$j$行（列）交换
• 倍加初等矩阵$E(ij(k))$
  $E$的第$i$行$+=$第$j$行的$k$倍
  （$E$的第$j$列$+=$第$i$列的$k$倍）

性质

• $PA(AP)$相当于对$A$进行相应的初等行（列）变换
• $E(i(k){)}^{-1}=E(i(\frac{1}{k}));E(i,j{)}^{-1}=E(i,j);E(ij(k){)}^{-1}=E(ij(-k))$

第三章向量

$\vec{a}$表示n维向量

线性相关

${\vec{a}}_1,{\vec{a}}_2,...,{\vec{a}}_m$线性相关，则至少一个向量可以由其他向量表示出来:$${\vec{a}}_x=k_1{\vec{a}}_1+k_2{\vec{a}}_2+...+k_{x-1}{\vec{a}}_{x-1}+k_{x+1}{\vec{a}}_{x+1}+...+k_m{\vec{a}}_m$$即，存在不全为0的$k_1,k_2,...,k_m$使得
$$k_1{\vec{a}}_1+k_2{\vec{a}}_2+...+k_m{\vec{a}}_m=\vec{0}$$

• 任何$n+1$个$n$维向量必然线性相关
• 其$n\ast m$矩阵，化简后，存在行全为$0$

  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
$r(A+B)\le r(A)+r(B)$
$r(AB)\le \min (r(A),r(B))$
$\max (r(A),r(B))\le r(A,B)\le r(A)+r(B)$
$A可逆:r(AB)=r(BA)=r(B)$
$A:m\ast n,B:n\ast s,AB=O\Rightarrow r(A)+r(B)\le n$
$r(\left[\begin{array}{cc}A& O\\ O& B\end{array}\right])=r(A)+r(B)$

$A是n阶矩阵伴随矩阵A^{\ast }的秩$

• $R(A)=n\Rightarrow R(A^{\ast })=n$
• $R(A)=n-1\Rightarrow R(A^{\ast })=1$
• $R(A)<n-1\Rightarrow R(A^{\ast })=0$

正交规范化

内积

$(\vec{a},\vec{b})={\vec{a}}^T\vec{b}=\vec{a}{\vec{b}}^T=\sum _{i=1}^n{a}_i{b}_i$

施密特正交化

$\overrightarrow{b_1}=\overrightarrow{a_1}$
$\overrightarrow{b_2}=\overrightarrow{a_2}-\frac{(\overrightarrow{a_2},\overrightarrow{b_1})}{(\overrightarrow{b_1},\overrightarrow{b_1})}\overrightarrow{b_1}$
$\overrightarrow{b_3}=\overrightarrow{a_3}-\frac{(\overrightarrow{a_3},\overrightarrow{b_1})}{(\overrightarrow{b_1},\overrightarrow{b_1})}\overrightarrow{b_1}-\frac{(\overrightarrow{a_3},\overrightarrow{b_2})}{(\overrightarrow{b_2},\overrightarrow{b_2})}\overrightarrow{b_2}$

第四章 线性方程组

齐次线性方程组

$方程组\{\begin{array}{r}{a}_{11}{x}_1+a_{12}{x}_2+...+a_{1n}{x}_n=0\\ a_{21}{x}_1+a_{22}{x}_2+...+a_{2n}{x}_n=0\\ ⋮\\ a_{m1}{x}_1+a_{m2}{x}_2+...+a_{mn}{x}_n=0\end{array}$
如果$r(A)=r<n$,则有$n-r$个线性无关的解，即基础解系由这$n-r$个解向量构成

非齐次线性方程组

$A\vec{x}=\vec{b}$
有解 $\Rightarrow r(A)=r([A,\vec{b}])$

第五章 特征值和特征向量

定义

$A\vec{a}=\lambda \vec{a}\&\&\vec{a}\ne \vec{0}$ ,则$\lambda$是特征值，$\vec{a}$是特征向量

解法

解$\lambda$
移项可得 $(\lambda E-A)\vec{a}=\vec{0}$
则可得特征方程$(\lambda E-A)=0$

解$A$
组合可得$A({\vec{a}}_1,{\vec{a}}_2,...,{\vec{a}}_n)=({\lambda }_1{\vec{a}}_1,{\lambda }_2{\vec{a}}_2,...,{\lambda }_n{\vec{a}}_n)$
则可得$A=({\lambda }_1{\vec{a}}_1,{\lambda }_2{\vec{a}}_2,...,{\lambda }_n{\vec{a}}_n)\ast ({\vec{a}}_1,{\vec{a}}_2,...,{\vec{a}}_n{)}^{-1}$

性质

• $\sum {\lambda }_i=\sum a_{ii}$
• $|A|=\prod {\lambda }_i$
• $A的特征值为({\lambda }_1,{\lambda }_2,...,{\lambda }_n),特征向量为({\vec{a}}_1,{\vec{a}}_2,...,{\vec{a}}_n)$
  则$A^{-1}的特征值为(\frac{1}{{\lambda }_1},\frac{1}{{\lambda }_3},...,\frac{1}{{\lambda }_n}),特征向量为({\vec{a}}_1,{\vec{a}}_2,...,{\vec{a}}_n)$

相似矩阵

定义

$PA{P}^{-1}=P^{-1}AP=B$ 则$A\sim B$
若$A\sim \Lambda$, $\Lambda$是对角阵，则$A$可相似对角化，$\Lambda$是$A$的相似标准型

$A\sim B\Rightarrow \{\begin{array}{rl}& 特征多项式相同，即|\lambda E-A|=|\lambda E-B|\\ & 特征值相同\\ & r(A)=r(B)\\ & |A|=|B|=\prod {\lambda }_i\\ & \sum a_{ii}=\sum b_{ii}=\sum {\lambda }_i\end{array}$

可对角化和可相似对角化

$n$阶方阵$|A|$可对角化的充分必要条件是$A$有$n$个线性无关的特征向量

$n$阶方阵$|A|$可相似对角化的充分必要条件是$A$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

$P^{-1}AP=\Lambda$，求解$P$
$P^{-1}AP=\Lambda \Rightarrow AP=P\Lambda$
由$A\vec{a}=\vec{a}\ast \lambda$可知，$P$由特征向量构成

• 先求出矩阵$A$的特征值${\lambda }_1,{\lambda }_2,...,{\lambda }_n$
• 根据特征值求出特征向量${\vec{a}}_1,{\vec{a}}_2,...,{\vec{a}}_n$
• $P=({\vec{a}}_1,{\vec{a}}_2,...,{\vec{a}}_n),P^{-1}AP=\Lambda =\left[\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right]$

实对称矩阵

定义

若$A$是$n$阶实对称矩阵，则有正交矩阵使得$Q^{-1}AQ=Q^{T}AQ=\Lambda$

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$A$的特征值${\lambda }_1,{\lambda }_2,...,{\lambda }_n$
• 根据特征值求出特征向量${\vec{a}}_1,{\vec{a}}_2,...,{\vec{a}}_n$
• 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
• $Q=({\gamma }_1,{\gamma }_2,...,{\gamma }_n),Q^{-1}AQ=\Lambda =\left[\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right]$

第六章 二次型

标准型

$f(x_1,x_2,\dots ,x_n)=a_1{x}_1^2+a_2{x}_2^2+\cdots +a_n{x}_n^2$

规范型和正负惯性指数

$f(x_1,x_2,\dots ,x_n)=x_1^2+x_2^2+\cdots +a_p{x}_n^2-x_{p+1}^2-\cdots -x_{p+q}^2$

• 正惯性指数：$p$
• 负惯性指数：$q$

合同

$C^{T}AC=B,C可逆\iff A\simeq B$

易错点

kA

• A是行列式
  $k\left|\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ ....& & & \\ a_{n1}& a_{n2}& ...& a_{nn}\end{array}\right]=\left[\begin{array}{cccc}k{a}_{11}& k{a}_{12}& ...& k{a}_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ ....& & & \\ a_{n1}& a_{n2}& ...& a_{nn}\end{array}\right|$

• A是矩阵
  $k\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ ....& & & \\ a_{n1}& a_{n2}& ...& a_{nn}\end{array}\right]=\left[\begin{array}{cccc}k{a}_{11}& k{a}_{12}& ...& k{a}_{1n}\\ k{a}_{21}& k{a}_{22}& ...& k{a}_{2n}\\ ....& & & \\ k{a}_{n1}& k{a}_{n2}& ...& k{a}_{nn}\end{array}\right]$

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$\Rightarrow r(A)=r(B)$

• 相似
  $PA{P}^{-1}=P^{-1}AP=B$

• 合同
  $C^{T}AC=B$

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$\iff$合同与否