线性代数笔记

方阵的行列式

满足以下运算规律：

1.$|A^T|=|A|$
2.$|\lambda A|={\lambda }^n|A|$
3.#######$|AB|=|A||B|=|BA|$######
4.$|AB|=0$则$|A|=0$或$|B|=0$

矩阵的秩

定义

k阶子式定义：
A是一个$m\times n$阶矩阵，取它的k行与k列（k指的是个数，k大于等于且不超过m，n的大小），位于这些行列交叉处的$k^2$个元素，不改变它们在A中的位置次序而得到k阶行列式，称为矩阵A的k阶子式

例子：
$$A=\left[\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 9\end{array}\right]\text{\hspace{1em}(1)}$$
取第1，2行和1，3列的交叉点上的元，组成的A的一个2阶行列式
$$\left[\begin{array}{cc}1& 3\\ 4& 6\end{array}\right]\text{\hspace{1em}(2)}$$

秩

设矩阵A中有一个不等于0的r阶子式D，而所有r+1阶子式（若存在的话）全等于0，那么称D为矩阵A的一个最高阶非零子式，数r称为矩阵A都秩，记作R(A)，并规定零矩阵的秩为0

注意

1.矩阵A的秩R(A)是A中不等于零的子式的最高阶数
2.$R(A^T)=R(A)$
3.任意矩阵A，R(A)是唯一的，但其最高阶非零子式一般是不唯一的

如何求秩

显然，当行列数较高时，按照定义求秩很繁琐
但是对于行阶梯形矩阵，它的秩就等于非零行的行数
因此，用初等变换把矩阵化为阶梯形矩阵

备注：

行阶梯形矩阵
1.A若有零行，则零行都在非零行下边
2.非零行的非零首元（自左）的列标随行标的递增而严格递增

$$A=\left[\begin{array}{ccc}1& 0& -1\\ 0& 2& 4\\ 0& 0& 3\end{array}\right]\text{\hspace{1em}(3)}$$
行最简形矩阵
行阶梯形矩阵的前提下：
1.非零首元为1
2.非零首元所在列的其余元素全为0
$$A=\left[\begin{array}{ccc}1& 0& -1\\ 0& 1& 4\\ 0& 0& 0\end{array}\right]\text{\hspace{1em}(4)}$$
标准形
对行最简形矩阵进行初等列变换
$$F={\left[\begin{array}{cc}{E}_r& O\\ O& O\end{array}\right]}_{m\times n}\text{\hspace{1em}(5)}$$
$$F=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]\text{\hspace{1em}(6)}$$
定理：矩阵的初等变换不改变矩阵的秩
证明见书

由此：求矩阵的秩，只需把矩阵用初等行变换变成行阶梯形，其非零行的行数（台阶数）就是该矩阵的秩

线性方程组解的判定定理

之前用高斯消元法或者Ax=b求A的逆矩阵方法求解过，但是无法解决方程有无解且有解时有多少个的问题
线性方程组的解无非三种可能：唯一解，无解，无穷解

1.唯一解

$\{\begin{array}{rl}2x_1+2x_2+3x_3& =1\\ x_1-x_2& =2\\ -x_1+2x_2+x_3& =-2\end{array}$

$$\tilde{A}=(A⋮b)=\left[\begin{array}{ccccc}2& 2& 3& ⋮& 1\\ 1& -1& 0& ⋮& 2\\ -1& 2& 1& ⋮& -2\end{array}\right]\text{\hspace{1em}(7)}$$
进行行初等变换后得
$$\left[\begin{array}{ccccc}1& 0& 0& ⋮& -1\\ 0& 1& 0& ⋮& -3\\ 0& 0& 1& ⋮& 3\end{array}\right]\text{\hspace{1em}(8)}$$

得

$\{\begin{array}{rl}{x}_1& =-1\\ x_2& =-3\\ x_3& =3\end{array}$

于是可得原方程有唯一解，可以看出$R(A)=R(\tilde{A})$

以此由例子类推得

线性方程组解的判定定理：
线性方程组$Ax=b$有解的充要条件是$R(A)=R(\tilde{A})$：

1.$R(A)=R(\tilde{A})<n$时，无穷多解
2.$R(A)=R(\tilde{A})=n$时，唯一解
n为未知数的个数

$Ax=b$无解的充要条件$R(A)\ne R(\tilde{A})$

推论：
1.齐次线性方程组$Ax=O$一定有零解，即一定有解，因为肯定有$R(A)=R(\tilde{A})$；
$R(A)=n$，则只有零解
$R(A)<n$，则有非零解
2.齐次线性方程组$Ax=O$中方程的个数小于未知数的个数，即m<n，则它必有非零解；
若m=n，则它有非零解的充要条件是$|A|=0$（因为$|A|=0$，即系数行列式不等于0才无解或有两个以上不同的解，克拉默法则）

n维向量与线性方程组

n维向量：($a_1,a_2,\cdots ,a_n$)，其中的一个叫做分量

行向量：$a^T\text{aT}{a}^T$=($a_1,a_2,\cdots ,a_n$)

列向量：$$a\text{a}a=\left[\begin{array}{c}{a}_1\\ a_2\\ ⋮\\ a_n\end{array}\right]$$

一般无特别说明向量均为列向量，且n维行向量和列向量总被看成是两个不同的向量

向量组：若干个同维数的列向量（行向量）所组成的集合

$R^n\text{Rn}{R}^n$:所有n维实向量构成的集合，集合$R^n\text{Rn}{R}^n$对所定义的加法和数乘构成n维实向量空间其中的向量对加法和数乘封闭

向量的线性相关性

矩阵的特征值与特征向量

n维向量的内积

$$a\text{a}a=\left[\begin{array}{c}{a}_1\\ a_2\\ ⋮\\ a_n\end{array}\right]，\beta \text{β}\beta =\left[\begin{array}{c}{b}_1\\ b_2\\ ⋮\\ b_n\end{array}\right]$$
$a\text{a}a$,$\beta \text{β}\beta$的内积：

$$(a\text{a}a,\beta \text{β}\beta )=\sum _{i=1}^n{a}_i{b}_i=a_1{b}_1+a_2{b}_2+\cdots +a_n{b}_n$$

也可把向量看成是列（行）矩阵：

$$(a\text{a}a,\beta \text{β}\beta )=(a_1,a_2,\cdots ,a_n)\left(\begin{array}{c}{b}_1\\ b_2\\ ⋮\\ b_n\end{array}\right)=a_1{b}_1+a_2{b}_2+\cdots +a_n{b}_n={a\text{a}a}^T\beta \text{β}\beta$$

内积性质：
(1) 对称性：$(a\text{a}a,\beta \text{β}\beta )=(\beta \text{β}\beta ,a\text{a}a)$
(2) 线形性：$(a\text{a}a+\beta \text{β}\beta ,\gamma \text{γ}\gamma )=(a\text{a}a,\gamma \text{γ}\gamma )+(\beta \text{β}\beta ,\gamma \text{γ}\gamma ),(ka\text{a}a,\beta \text{β}\beta )=k(a\text{a}a,\beta \text{β}\beta )$
(3) 正定性：$(a\text{a}a,a\text{a}a)$

n维向量的模（范数）

$||a\text{a}a||=\sqrt{(a\text{a}a,a\text{a}a)}=\sqrt{a^T\text{aT}{a}^{T}a\text{a}a}=\sqrt{a_1^2+a_2^2+\cdots +a_n^2}$

性质：
(1)正定性：$||a\text{a}a||\ge 0$,当且仅当$a\text{a}a=0时，||a\text{a}a||=0$

(2)齐次性：$||ka\text{a}a||=|k|||a\text{a}a||$

(3)三角不等式：$||a\text{a}a+\beta \text{β}\beta ||\le ||a\text{a}a||+||\beta \text{β}\beta ||$

(4)柯西-施瓦茨不等式：$(a\text{a}a,\beta \text{β}\beta {)}^2\le (a\text{a}a,a\text{a}a)(\beta \text{β}\beta ,\beta \text{β}\beta )$ 即$(a\text{a}a,\beta \text{β}\beta {)}^2\le ||a\text{a}a|{|}^2||\beta \text{β}\beta |{|}^2$

(4)证明：

n维向量的夹角

$$\widehat{(a\text{a}a,\beta \text{β}\beta )}=\theta =arccos\frac{(a\text{a}a,\beta \text{β}\beta )}{||a\text{a}a||||\beta \text{β}\beta ||},0\le \theta \le \pi$$

正交向量组与标准正交向量组

特征值与特征向量

$A\text{A}A$为n阶方阵，n维非零向量$x$,使得$$A\text{A}Ax=\lambda x$$
则称$\lambda$为方阵$A\text{A}A$的特征值，$x$为特征向量

特征方程：

$$A\text{A}Ax=\lambda x$$可写成$$(A\text{A}A-\lambda E\text{E}E)x=0$$

此方程为n个未知量的n个方程的齐次线性方程组

有非零解的充分必要条件：系数行列式$|A\text{A}A-\lambda E\text{E}E|=0(是行列式为零）$

即$$\left|\begin{array}{cccc}{a}_{11}-\lambda & a_{12}& \cdots & a_{1n}\\ a_{12}& a_{22}-\lambda & \cdots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}-\lambda \end{array}\right|=0$$

$\lambda$为未知量的一元n次方程，为方阵$A\text{A}A$的特征方程

$|A\text{A}A-\lambda E\text{E}E|$是关于$\lambda$的n次多项式，为$A\text{A}A$的特征多项式记为$f(\lambda )$

因此n阶方阵有n个特征值

特征值有一下性质：

(1)${\lambda }_1+{\lambda }_2+\cdots +{\lambda }_n=a_{11}+a_{22}+\cdots +a_{nn}$

(2)############${\lambda }_1{\lambda }_2\cdots {\lambda }_n=|A\text{A}A|$#############

解$x=p_i$是特征向量

性质：
(1)$p$是对应于特征值$\lambda$ ,$kp$也是特征向量

(2)$p_1,p_2,\cdots ,p_r$是对应$\lambda$的特征向量，则$k_1{p}_1+k_2{p}_2+\cdots +k_r{p}_r$也是对应$\lambda$的特征向量

特征子空间

方阵$A$对应于特征值$\lambda$的特征子空间
V λ = { x ∣ A x = λ x , x ∈ R n } V_{\lambda}=\lbrace x|Ax=\lambda x,x \in R^{n}\rbrace Vλ​={x∣Ax=λx,x∈Rn}

相似矩阵

设n阶矩阵$A,B$，如果存在可逆矩阵$P$，使得$P^{-1}AP=B$，
则称矩阵$A$与$B$相似，记作$A$~$B$
上述左式子称为对$A$进行相似变换

定理： 相似矩阵有相同的特征多项式，从而有相同的特征值

证明：

推论： 若n阶矩阵$A$与对角矩阵

$$\Lambda =diag({\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_n)=\left|\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right|$$

相似，则${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_n$就是$A$的n个特征值

证明：
通过该推论可以快速计算$A^k,A$的多项式

矩阵的相似对角化

$P^{-1}AP=\Lambda$，$A$可对角化

实对称矩阵

二次型

矩阵的迹

矩阵的迹和秩是完全不同的概念

矩阵的迹：

定义为n阶矩阵的对角元素之和，记为tr(A)

重要性质：tr(UV)=tr(VU)