线性代数：线性代数（Linear Algebra）综述

矩阵 / Matrix

一个给定的矩阵 $A$，确定了从向量到另一个向量的映射。

对于行数与列数都相等的矩阵 $A$、$B$，如果 $A\mathbf{x}=B\mathbf{x}$ 对于任意的向量 $\mathbf{x}$ 都成立，则 $A=B$

元素

矩阵 $A$ 中，第 $i$ 行第 $j$ 列的值，称为 $A$ 的 $(i,j)$ 元素，或 $(i,j)$ 元。

一般用小写字母表示，如 $a$ 或 $a_{i,j}$

运算

加法 $A+B$

对应位置元素相加
$$\begin{array}{l}\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right]+\left[\begin{array}{cccc}{b}_{11}& b_{12}& \cdots & b_{1n}\\ b_{21}& b_{22}& \cdots & b_{2n}\\ ⋮& ⋮& & ⋮\\ b_{m1}& b_{m2}& \cdots & b_{mn}\end{array}\right]=\left[\begin{array}{cccc}{a}_{11}+b_{11}& a_{12}+b_{12}& \cdots & a_{1n}+b_{1n}\\ a_{21}+b_{21}& a_{22}+b_{22}& \cdots & a_{2n}+b_{2n}\\ ⋮& ⋮& & ⋮\\ a_{m1}+b_{m1}& a_{m2}+b_{m2}& \cdots & a_{mn}+b_{mn}\end{array}\right]\end{array}$$

数量乘法 $cA$

$$\lambda \begin{array}{l}\left[\begin{array}{ccc}{a}_{11}& \cdots & a_{1n}\\ ⋮& & ⋮\\ a_{m1}& \cdots & a_{mn}\end{array}\right]=\left[\begin{array}{ccc}\lambda a_{11}& \cdots & \lambda a_{1n}\\ ⋮& & ⋮\\ \lambda a_{m1}& \cdots & \lambda a_{mn}\end{array}\right]\end{array}$$

$$\begin{gathered} -A=(-1)A \\ A-B=A+(-B) \end{gathered}$$

与向量之间的运算

乘法 $A\mathbf{b}$

$$\begin{array}{l}\left[\begin{array}{ccc}{a}_{11}& \cdots & a_{1n}\\ ⋮& & ⋮\\ a_{m1}& \cdots & a_{mn}\end{array}\right]\left[\begin{array}{c}{x}_1\\ ⋮\\ x_n\end{array}\right]=\left[\begin{array}{c}{a}_{11}{x}_1+\cdots +a_{1n}{x}_n\\ ⋮\\ a_{m1}{x}_1+\cdots +a_{mn}{x}_n\end{array}\right]\end{array}$$

矩阵与向量的乘积是向量

若有 $\mathbf{x}+\mathbf{y}=\mathbf{z}$，则有
$$A\mathbf{x}+A\mathbf{y}=A\mathbf{z}$$
若有 $c\mathbf{x}=\mathbf{y}$，则有
$$c(A\mathbf{x})=A\mathbf{y}$$

与矩阵之间的运算

矩阵乘法

$${\left[\begin{array}{ccc}{b}_{11}& \cdots & b_{1m}\\ ⋮& & ⋮\\ b_{k1}& \cdots & b_{km}\end{array}\right]}_{k\times m}{\left[\begin{array}{ccc}{a}_{11}& \cdots & a_{1n}\\ ⋮& & ⋮\\ a_{m1}& \cdots & a_{mn}\end{array}\right]}_{m\times n}={\left[\begin{array}{ccc}\left(b_{11}{a}_{11}+\cdots +b_{1m}{a}_{m1}\right)& \cdots & \left(b_{11}{a}_{11}+\cdots +b_{1m}{a}_{mn}\right)\\ ⋮& & ⋮\\ \left(b_{k1}{a}_{11}+\cdots +b_{km}{a}_{m1}\right)& \cdots & \left(b_{k1}{a}_{1n}+\cdots +b_{km}{a}_{mn}\right)\end{array}\right]}_{k\times n}$$

将矩阵 $A_{m\times n}$ 的各个元素记作 $ a_{ij} $，矩阵 $B_{n\times p}$ 的各个元素记作 $b_{ij}$，则其二者相乘得到的矩阵记作 $C_{m\times p}$，其各个元素记作 $c_{ij}$，则有
$$c_{ij}=\sum _{k=1}^n{a}_{ik}{b}_{kj}$$

$$\left[\begin{array}{ll}{a}_{11}& a_{12}\\ a_{21}& a_{22}\end{array}\right]\left[\begin{array}{ll}{b}_{11}& b_{12}\\ b_{21}& b_{22}\end{array}\right]=\left[\begin{array}{ll}{a}_{11}{b}_{11}+a_{12}{b}_{21}& a_{11}{b}_{12}+a_{12}{b}_{22}\\ a_{21}{b}_{11}+a_{22}{b}_{21}& a_{21}{b}_{12}+a_{22}{b}_{22}\end{array}\right]$$

乘方

$$AA=A^2,AAA=A^3,\cdots$$

乘方的优先级高于加、减和乘法运算
$$5A^2=5(A^2)$$

$$A{B}^2-C^3=A(B^2)-C^3$$

性质

$$A^{\alpha }{A}^{\beta }=A^{\alpha +\beta }$$

$$(A^{\alpha }{)}^{\beta }=A^{\alpha \beta }$$

$$(cA)\mathbf{x}=c(A\mathbf{x})=A(c\mathbf{x})$$

$$(A+B)\mathbf{x}=A\mathbf{x}+B\mathbf{x}$$

$$A+B=B+A$$

$$(A+B)+C=A+(B+C)$$

$$(a+b)A=aA+bA$$

$$abA=a(bA)$$

$$A\left(B+C\right)=AB+AC$$

$$(A+B)C=AC+BC$$

$$(cA)B=c(AB)=A(cB)$$

$$(A+B{)}^2=A^2+AB+BA+B^2$$

$$(A+B)(A-B)=A^2-AB+BA-B^2$$

$$(AB{)}^2=ABAB$$

$$A^0=I$$

方阵 / Square Matrix

行数与列数相同的矩阵，称为方阵。

$n$ 行 $n$ 列的方阵可称作 $n$ 阶方阵。

零矩阵

所有元素都是 $0$ 的矩阵，称为零矩阵，记作 $O$

$m$ 行 $n$ 列的零矩阵记作 $O_{m,n}$

对于任意向量 $\mathbf{x}$，都有 $O\mathbf{x}=\mathbf{o}$

零矩阵表示的是将所有的点都映到零点的映射。
KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ A + O &= O + A…

对角矩阵 / Diagonal Matrix

主对角线上元素称作对角元素。其余元素称作非对角度元素。

对角矩阵可省略非对角元素，并记作 $diag(a1,a2,a3,\cdots )$，其中 $diag$ 是 $diagonal$ 的缩写。
$$\left(\begin{array}{cccc}{a}_1& & & \\ & a_2& & \\ & & \ddots & \\ & & & a_n\end{array}\right)=\mathrm{diag}(a_1,a_2,\dots ,a_n)$$
对角矩阵乘法
$$\left(\begin{array}{cccc}{a}_1& & & \\ & a_2& & \\ & & \ddots & \\ & & & a_n\end{array}\right)\left(\begin{array}{cccc}{b}_1& & & \\ & b_2& & \\ & & \ddots & \\ & & & b_n\end{array}\right)=\left(\begin{array}{cccc}{a}_1{b}_1& & & \\ & a_2{b}_2& & \\ & & \ddots & \\ & & & a_n{b}_n\end{array}\right)$$

$${\left(\begin{array}{cccc}{a}_1& & & \\ & a_2& & \\ & & \ddots & \\ & & & a_n\end{array}\right)}^k=\left(\begin{array}{cccc}{a}_1^k& & & \\ & a_2^k& & \\ & & \ddots & \\ & & & a_n^k\end{array}\right)$$

单位矩阵 / Identity Matrix

方阵中，如果除了从左到右的主对角线方上的元素是 $1$ 以外，其余元素都是 $0$，则该矩阵称作单位矩阵。
$$AI=IA=A$$
单位矩阵是对角度矩阵的特殊形式，可记作：$I=\mathrm{diag}(1,\cdots ,1)$

对角表示的映射是：沿着坐标轴伸缩。其中对角元素的值就是各轴伸缩的倍率。

转置 / Transpose

对于矩阵 $A$ ，其转置矩阵记作 $A^T$。其中，字母 $T$ 是英文 $ \text{Transpose} $ 的首字母。

记矩阵 $A$ 为
$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right]$$
则其转置矩阵为
$$A^T=\left[\begin{array}{cccc}{a}_{11}& a_{21}& \cdots & a_{m1}\\ a_{12}& a_{22}& \cdots & a_{m2}\\ ⋮& ⋮& & ⋮\\ a_{1n}& a_{2n}& \cdots & a_{mn}\end{array}\right]$$
例
$$A=\left[\begin{array}{ccc}-5& 0& -5\\ 0& -1& -1\\ 3& 6& 9\end{array}\right],A^T=\left[\begin{array}{ccc}-5& 0& 3\\ 0& -1& 6\\ -5& -1& 9\end{array}\right]$$
对于任一矩阵，恒有
$$(A^T{)}^T=A$$
对于对角矩阵 $D$，恒有
$$D^T=D$$
若 $AB$ 有定义，则有
$$(AB{)}^T=B^T{A}^T$$
同理，可推广至
$$(ABCD{)}^T=D^T{C}^T{B}^T{A}^T$$
对于方阵 $A$，若其逆矩阵 $A^{-1}$ 存在，则有
$$(A^{-1}{)}^T=(A^T{)}^{-1}$$

逆矩阵 / Inverse Matrix

设 $A$ 是一个 $n$ 阶方阵，若存在另一个 $n$ 阶方阵 $B$，使得 $AB=BA=E$ ，则称方阵 $A$ 可逆，并称方阵 $B$ 是 $A$ 的逆矩阵。

该逆矩阵可记作 $A^{-1}$，并且它是唯一的。

对于一个给定的矩阵，其逆矩阵并不一定总是存在。
$$(A^{-1}{)}^{-1}=A$$

$$\begin{gathered} (AB{)}^{-1}=B^{-1}{A}^{-1} \\ (ABCD{)}^{-1}=D^{-1}{C}^{-1}{B}^{-1}{A}^{-1} \end{gathered}$$

$${\left(A^T\right)}^{-1}={\left(A^{-1}\right)}^T$$

$$(A^k{)}^{-1}=(A^{-1}{)}^k$$

$$\mathrm{diag}{\left(a_1,\cdots ,a_n\right)}^{-1}=\mathrm{diag}\left(a_1^{-1},\cdots ,a_n^{-1}\right)$$

若二阶方阵 $A$ 可逆，则其逆矩阵为

$$A^{-1}=\frac{1}{ad-bc}\left[\begin{array}{cc}d& -b\\ -c& a\end{array}\right]$$

三角矩阵

上三角矩阵

$$A=\left[\begin{array}{ccccc}{a}_{1,1}& a_{1,2}& a_{1,3}& \dots & a_{1,n}\\ & a_{2,2}& a_{2,3}& \dots & a_{2,n}\\ & & \ddots & \ddots & ⋮\\ & & & \ddots & a_{n-1,n}\\ & & & & a_{n,n}\end{array}\right]$$

例
$$A=\left[\begin{array}{ccc}11& 22& 33\\ 0& 44& 55\\ 0& 0& 66\end{array}\right]$$

下三角矩阵

$$A=\left[\begin{array}{ccccc}{a}_{1,1}& & & & \\ a_{2,1}& a_{2,2}& & & \\ a_{3,1}& a_{3,2}& a_{3,2}& & \\ ⋮& ⋮& \ddots & \ddots & \\ a_{n,1}& a_{n,2}& \dots & a_{n,n-1}& a_{n,n}\end{array}\right]$$

例
$$A=\left[\begin{array}{ccc}11& 0& 0\\ 22& 33& 0\\ 44& 55& 66\end{array}\right]$$
同类型的三角矩阵的相乘，得到的依然是该类型的三角矩阵。

正交矩阵 / Orthogonal Matrix

若 $A{A}^T=E$ 或$A^{T}A=E$，则称矩阵 $A$ 为正交矩阵，即 $A^{-1}=A^T$

置换矩阵 / Permutation Matrix

置换矩阵是一个方形二进制矩阵，它在每行和每列中只有一个 $1$，而在其他地方则为 $0$。

用一个置换矩阵左乘任意矩阵，则等价于对应的行交换。例如：
$$\left(\begin{array}{ll}0& 1\\ 1& 0\end{array}\right)\left(\begin{array}{ll}a& b\\ c& d\end{array}\right)=\left(\begin{array}{ll}c& d\\ a& b\end{array}\right)$$
用一个置换矩阵右乘任意矩阵，则等价于对应的列交换。例如：
$$\left(\begin{array}{ll}a& b\\ c& d\end{array}\right)\left(\begin{array}{ll}0& 1\\ 1& 0\end{array}\right)=\left(\begin{array}{ll}b& a\\ d& c\end{array}\right)$$
以上规则可记为左行右列。

向量

$n$ 维列向量可看作是 $n\times 1$ 矩阵；$n$ 维行向量可看作是 $1\times n$ 矩阵。

• 一列数

  此时可将向量写作：$\mathbf{x}$、$\mathbf{v}$、$\mathbf{e}$

• 位置向量

• 有向线段

  此时可将向量写作：$\vec{x}$、$\vec{v}$、$\vec{e}$

零向量

$$\mathbf{o}=\begin{array}{l}\left[\begin{array}{c}0\\ ⋮\\ 0\end{array}\right]\end{array}$$

加法

如果将向量视为有向线段，则向量加法可理解为线段的连接。

$$\begin{array}{l}\left[\begin{array}{c}{x}_1\\ ⋮\\ x_n\end{array}\right]+\left[\begin{array}{c}{y}_1\\ ⋮\\ y_n\end{array}\right]=\left[\begin{array}{c}{x}_1+y_1\\ ⋮\\ x_n+y_n\end{array}\right]\end{array}$$

数量乘法

如果将向量视为有向线段，则向量加法可理解为线段的伸缩。
$$\lambda \begin{array}{l}\left[\begin{array}{c}{x}_1\\ ⋮\\ x_n\end{array}\right]=\left[\begin{array}{c}\lambda x_1\\ ⋮\\ \lambda x_n\end{array}\right]\end{array}$$

性质

$$ab\mathbf{x}=a(b\mathbf{x})$$

$$1\mathbf{x}=\mathbf{x}$$

$$\mathbf{x}+\mathbf{y}=\mathbf{x}+\mathbf{y}$$

$$\left(\mathbf{x}+\mathbf{y}\right)+\mathbf{z}=\mathbf{x}+\left(\mathbf{y}+\mathbf{z}\right)$$

$$\mathbf{x}+\mathbf{o}=\mathbf{x}$$

$$\mathbf{x}+\left(-\mathbf{x}\right)=\mathbf{o}$$

$$\mathbf{x}+\mathbf{o}=\mathbf{x}$$

$$c\left(\mathbf{x}+\mathbf{y}\right)=c\mathbf{x}+c\mathbf{y}$$

$$(a+b)\mathbf{x}=a\mathbf{x}+b\mathbf{x}$$

基底

在线形空间中，选定的作为基准的一组向量，称作基底。基底中的向量叫作基向量。

只有当前空间中的任何向量 $\vec{v}$ 都可以用向量组 $({\vec{e}}_1,\cdots ,{\vec{e}}_2)$ 唯一的表示时，该组向量才能被称为基底，此时向量可通过基底表示为：

$$\vec{v}=x_1{\vec{e}}_1+\cdots +x_n{\vec{e}}_n$$
或表述为：若任意向量 $\vec{v}$ 都可以用 ${\vec{e}}_1,\cdots ,{\vec{e}}_2$ 的线形组合来表示，且表示方法唯一，则 $({\vec{e}}_1,\cdots ,{\vec{e}}_2)$ 可称为基底。

维数

• 基向量的个数
• 坐标的分量数

内积 / Inner Product

设有向量 $A=\left[\begin{array}{c}{a}_1\\ a_2\\ ⋮\\ a_n\end{array}\right]$ 和向量 $B=\left[\begin{array}{c}{b}_1\\ b_2\\ ⋮\\ b_n\end{array}\right]$，则其内积定义为
$$A^{T}B=\left[\begin{array}{cccc}{a}_1& a_2& \cdots & a_n\end{array}\right]\left[\begin{array}{c}{b}_1\\ b_2\\ ⋮\\ b_n\end{array}\right]=a_1{b}_1+a_2{b}_2+\cdots +a_n{b}_n$$

外积 / Outter Product

设有向量 $A=\left[\begin{array}{c}{a}_1\\ a_2\\ ⋮\\ a_n\end{array}\right]$ 和向量 $B=\left[\begin{array}{c}{b}_1\\ b_2\\ ⋮\\ b_n\end{array}\right]$，则其外积定义为
$$A{B}^T=\left[\begin{array}{c}{a}_1\\ a_2\\ ⋮\\ a_n\end{array}\right]\left[\begin{array}{cccc}{b}_1& b_2& \cdots & b_n\end{array}\right]=\left[\begin{array}{cccc}{a}_1{b}_1& a_1{b}_2& \cdots & a_1{b}_n\\ a_2{b}_1& a_2{b}_2& \cdots & a_2{b}_n\\ ⋮& ⋮& & ⋮\\ a_n{b}_1& a_n{b}_2& \cdots & a_n{b}_n\end{array}\right]$$

范数 / norm

使用符号 $ L^p $ 表示，定义如下
$${||x||}_p={\left(\sum _i{|x_i|}^p\right)}^{\frac{1}{p}}$$
特别的，当 $ p = 1 $ 时，即 $ L^1 $，有
$${||x||}_1=\sum _i|x_i|=|x_1|+|x_2|+\cdots +|x_n|$$
特别的，当 $p=2$ 时，即 $L^2$，有
$${||x||}_2={\left(\sum _i{|x_i|}^2\right)}^{\frac{1}{2}}=\sqrt{x_1^2+x_2^2+\cdots +x_n^2}$$
该范数亦称欧几里得范数

分块矩阵

定义

$$A=\left[\begin{array}{ccccccc}3& 1& 4& 1& 5& 9& 2\\ 6& 5& 3& 5& 8& 9& 7\\ 9& 3& 2& 3& 8& 4& 6\\ 2& 6& 4& 3& 3& 8& 3\\ 2& 7& 9& 5& 0& 2& 8\end{array}\right]=\left[\begin{array}{lll}{A}_{11}& A_{12}& A_{13}\\ A_{21}& A_{22}& A_{23}\end{array}\right]$$

加法

$$\left[\begin{array}{ccc}{A}_{11}& \cdots & A_{1n}\\ ⋮& & ⋮\\ A_{m1}& \cdots & A_{mn}\end{array}\right]+\left[\begin{array}{ccc}{B}_{11}& \cdots & B_{1n}\\ ⋮& & ⋮\\ B_{m1}& \cdots & B_{mn}\end{array}\right]=\left[\begin{array}{ccc}{A}_{11}+B_{11}& \cdots & A_{1n}+B_{1n}\\ ⋮& & ⋮\\ A_{m1}+B_{m1}& \cdots & A_{mn}+B_{mn}\end{array}\right]$$

数量乘法

$$c\left[\begin{array}{ccc}{A}_{11}& \cdots & A_{1n}\\ ⋮& & ⋮\\ A_{m1}& \cdots & A_{mn}\end{array}\right]=\left[\begin{array}{ccc}c{A}_{11}& \cdots & c{A}_{1n}\\ ⋮& & ⋮\\ c{A}_{m1}& \cdots & c{A}_{mn}\end{array}\right]$$

乘法

$$\begin{array}{l}\left[\begin{array}{ccc}{B}_{11}& \cdots & B_{1m}\\ ⋮& & ⋮\\ B_{k1}& \cdots & B_{km}\end{array}\right]\left[\begin{array}{ccc}{A}_{11}& \cdots & A_{1n}\\ ⋮& & ⋮\\ A_{m1}& \cdots & A_{mn}\end{array}\right]=\left[\begin{array}{ccc}\left(B_{11}{A}_{11}+\cdots +B_{1m}{A}_{m1}\right)& \cdots & \left(B_{11}{A}_{1n}+\cdots +B_{1m}{A}_{mn}\right)\\ ⋮& ⋮& \\ \left(B_{k1}{A}_{11}+\cdots +B_{km}{A}_{m1}\right)& \cdots & \left(B_{k1}{A}_{1n}+\cdots +B_{km}{A}_{mn}\right)\end{array}\right]\end{array}$$

分块矩阵与向量

列向量

$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1m}\\ ⋮& ⋮& & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nm}\end{array}\right]=\left[a_1,a_2,\cdots ,a_m\right]$$

行向量

$$B=\left[\begin{array}{ccc}{b}_{11}& \cdots & b_{1n^{\prime }}\\ b_{21}& \cdots & b_{2n^{\prime }}\\ ⋮& & ⋮\\ b_{m^{\prime }1}& \cdots & b_{m^{\prime }{n}^{\prime }}\end{array}\right]=\left[\begin{array}{c}{b}_1^T\\ b_2^T\\ ⋮\\ b_{m^{\prime }}^T\end{array}\right]$$

$$A\left[\begin{array}{c}{c}_1\\ c_2\\ ⋮\\ c_m\end{array}\right]=\left({\mathbf{a}}_1,{\mathbf{a}}_2,\cdots ,{\mathbf{a}}_m\right)\left[\begin{array}{c}{c}_1\\ c_2\\ ⋮\\ c_m\end{array}\right]=c_1{\mathbf{a}}_1+c_2{\mathbf{a}}_2+\cdots +c_m{\mathbf{a}}_m$$

$$B\mathbf{d}=\left[\begin{array}{c}{b}_1^T\\ b_2^T\\ ⋮\\ b_{m^{\prime }}^T\end{array}\right]\mathbf{d}=\left[\begin{array}{c}{b}_1^T\mathbf{d}\\ b_2^T\mathbf{d}\\ ⋮\\ b_{m^{\prime }}^T\mathbf{d}\end{array}\right]$$

矩阵乘法

$$AB=\left({\mathbf{a}}_1,{\mathbf{a}}_2,\cdots ,{\mathbf{a}}_m\right)\left(\begin{array}{c}{\mathbf{b}}_1^T\\ {\mathbf{b}}_2^T\\ ⋮\\ {\mathbf{b}}_n^T\end{array}\right)={\mathbf{a}}_1{\mathbf{b}}_1^T+{\mathbf{a}}_2{\mathbf{b}}_2^T+\cdots +{\mathbf{a}}_m{\mathbf{b}}_n^T\left(m=n\right)$$

分块对角矩阵

$$\left[\begin{array}{cccc}{A}_1& O& O& O\\ O& A_2& O& O\\ O& O& A_3& O\\ O& O& O& A_4\end{array}\right]\equiv \mathrm{diag}\left(A_1,A_2,A_3,A_4\right)$$

$${\left[\begin{array}{cccc}{A}_1& 0& 0& O\\ 0& A_2& 0& O\\ 0& 0& A_3& 0\\ 0& 0& 0& A_4\end{array}\right]}^k=\left[\begin{array}{cccc}{A}_1^k& O& O& O\\ O& A_2^k& O& O\\ 0& O& A_3^k& O\\ 0& O& O& A_4^k\end{array}\right]$$

$${\left[\begin{array}{cccc}{A}_1& 0& 0& 0\\ 0& A_2& 0& 0\\ 0& 0& A_3& 0\\ 0& 0& 0& A_4\end{array}\right]}^{-1}=\left[\begin{array}{cccc}{A}_1^{-1}& O& O& O\\ 0& A_2^{-1}& O& O\\ 0& O& A_3^{-1}& O\\ 0& O& O& A_4^{-1}\end{array}\right]$$

行列式

行列式用 $\det$ 表示，例
$$\det A=\begin{array}{l}\left|\begin{array}{ccc}{a}_{11}& \cdots & a_{1n}\\ ⋮& & ⋮\\ a_{m1}& \cdots & a_{mn}\end{array}\right|\end{array}$$

$$\det I=1$$

$$\det (AB)=(\det A)(\det B)$$

由
$$\det (A{A}^{-1})=(\det A)(\det A^{-1})=\det I=1$$
可得
$$\det A^{-1}=\frac{1}{\det A}$$
当 $\det A=0$ 时，$A^{-1}$ 不存在。
$$\det (\mathrm{diag}\left(a_1,\cdots ,a_n\right))=a_1\cdots a_n$$

$$\det \left(A^T\right)=\det A$$

$$\det \left(cA\right)=c^n\det A$$

对于上三角矩阵，其对应的行列式的值为主对角线元素之和
$$\det A=a_{11}{a}_{22}{a}_{33}$$

向量空间 / Vector Space

零向量空间 / Null Space

零向量空间是所有满足 $Ax=0$ 的向量 $x$ 所构成的向量空间。