线性代数基础

一、线性方程组

1.1 线性方程组

• 线性方程：
• 线性方程组：
• 一组解、解集：
• 例子：求包含两个未知数的两个方程组成的方程组的解，等价于求两条直线的交点：一个数对（a，b）同时满足两个方程，代表这个点同时在两个方程表示的直线上，故而为两直线的交点。同理三个未知数的方程代表面，满足方程组的解集为不同面的交集。

线性方程组的解情况
线性方程组是相容的：一个或无穷个解
不相容：无解

• 解法：两个线性方程组的增广矩阵是行等价的，则它们具有相同的解集

1.2 行化简和阶梯型矩阵

• 先导元素、阶梯型矩阵（3点）和简化阶梯型矩阵（5点）：一行中最左边不为0的元素
• 解的存在性问题

定理1 ：每个矩阵等价于唯一的简化阶梯型矩阵

• 主元位置和主元列：矩阵A对应的阶梯型矩阵先导元素的位置；主元列是A的含有主元位置的列
• 行化简方法：
• 基本变量、自由变量：化简后的增广矩阵对应一个线性方程组，对应于主元列的变量为基本变量，其他变量为自由变量
  

定理2（存在与唯一性定理）：线性方程组相容（有解）的充要条件是增广矩阵的最右列不是主元列。就是说增广矩阵的阶梯型没有形状如 [0 0 0 0 b] 的行。（b≠0）
唯一性：没有自由变量时，有唯一解，有自由变量时，有无穷个解。

1.3 向量方程

• 向量和向量的代数性质

• 向量的线性组合：
  

• 若v1，v2，…，vp 是Rn中的向量，则v1，v2，…，vp 所有的线性组合组成的集合用 Span{v1，v2，…，vp}表示，称v1，v2，…，vp 生成（或张成）Rn的子集。就是说Span{v1，v2，…，vp}是所有形如 c1v1 + c2v2 + … +cpvp 的向量的集合

• 要判断向量 b 是否在Span{v1，v2，…，vp} 中，等价判断 向量方程是否有解，等价判断增广矩阵是否有解

• Span{v} 和Span{u v}的几何解释：在R2中和R3中，注意都是过原点的

1.4 矩阵方程Ax = b

• 方程 Ax = b 有解 放且仅当 b 是 A 各列的线性组合

定理4：设A是 m×n 的矩阵，下列表述等价（注意，讨论的是系数矩阵A），这是讨论对任意b 都可以写成A的各列线性组合
a、对Rm中的每个b，方程 Ax = b 有解
b、Rm 中的每个b 都是A的列的一个线性组合
c、A 的各列生成Rm（Rm中的每一个 向量b都是A的列的线性组合）
d、A 在每一行都有一个主元位置，即增广矩阵的阶梯型没有如 [ 0 0 0 1] 的行

1.5 线性方程的解集

• 齐次线性方程组：形如 Ax = 0，A 是m×n 矩阵，0是Rm中的零向量

齐次方程至少有一个解，即x = 0，称为平凡解
非平凡解（非零向量x）：当且仅当方程组至少有一个自由变量

• 参数向量形式：
• 非齐次方程组的解：

定理6：设方程 A x = b 对某个b是相容的，p为一个特解，则方程的解集是 p+ v，其中v是Ax=0的任意一个解。

1.6 应用

1.7 线性无关

• 线性无关
  
• 矩阵各列线性无关：将上述向量方程写成矩阵形式，矩阵的各列线性无关，当且仅当方程 Ax = 0 仅有平凡解
• 两个向量的集合判断线性相关：是否成倍数关系
• 多个向量的集合：当且至少有一个向量是其他的线性组合，则这个集合是线性相关的
• 若一个向量组的向量的个数超过了向量中元素的个数，则这个向量组是线性相关的。
• 若向量组中包含零向量，则他们线性相关
• 

二 、矩阵代数

2.1 矩阵运算（√）

• 矩阵的和 、标量乘法
• 矩阵的乘法
• 矩阵的乘幂
• 矩阵的转置：若干个矩阵的乘积的转置 等于 转置的乘积，但是顺序相反

2.2 矩阵的逆

定理4 ：矩阵可逆，当且仅当行列式 不为 0
定理5：若A是n x n可逆矩阵，则对于Rn中任意b，方程Ax = b 有唯一解 ，x = A（-1）b
定理6：乘积的逆 等于 相反顺序 逆的乘积

• 通过行变换求逆
  

2.4 分块矩阵

2.5 矩阵的因式分解

2.8 Rn的子空间

Rn的一个子空间是 Rn中的集合 H， 它具有以下三个性质：1、零向量属于H 。2、对H中的任意两个向量 u和v，u+v属于H 。3、对H中的任意向量u，数乘 cu属于H
即子空间对于加法和标量乘法是封闭的

• 例子：通过原点的平面；通过原点的直线；不过原点的不是子空间
• 
• 矩阵的列空间：矩阵A的各列的线性组合 的 集合，记作Col A

A 的列空间是所有使方程 Ax = b 有解的 向量b的集合

• 矩阵的零空间：是齐次方程 Ax = 0 的所有解的集合，记作 Nul A

2.9 维数与秩

• 坐标系：- 子空间的维数：非零子空间H的维数，用dim H表示，是H的任意一个基 的向量的 个数，零子空间的维数定义为零；
• 例子：Rn空间的维数是 n，Rn的每个基由 n个向量组成；R3中的一个经过原点的平面维数是2，一条经过原点的直线维数是1。

Nul A 的维数，是求出 Ax = 0中自由变量的个数
矩阵A的秩（rank A）定义为 A列空间的维数；A的主元列形成Col A的一个基，A的秩正好是A 的主元列的个数。
定理14（秩定理）：结合上面两条，若矩阵A由n列，则rank A + dim （Nul A）= n；
定理15（基定理）

三、行列式

3.1 行列式介绍

• 行列式的计算法则

定理2：若A为三角矩阵，则det A等于A的对角线上元素乘积

3.2 行列式性质

dingl
定理4：方阵A是可逆的，当且仅当 detA 不为0
定理
定理5：

3.3 克拉默法则、体积和线性变换

四、向量空间

4.1 向量空间 与 子空间

每个子空间都是一个向量空间，典型的为 R3空间中的一个过原点的平面，或者R3中一个过原点的直线；或者R2中一个过原点的直线；

4.2 零空间、列空间和线性变换

• 矩阵的零空间
  
  

定理2：

• 矩阵的列空间
  
  

• 线性变换的核 与 值域
  

4.3 线性无关集和基

五、特征值与特征向量

5.1 特征向量与特征值

• 定义：矩阵A 是n×n矩阵看，x为非零向量，若存在数 a 使得 Ax = ax， 则称a为A的特征值，x称为对应于 a 的特征向量。（被A变换成自身一个数量倍数的向量。
• 特征值是 使方程（A-aI）x=0 有非平凡解的值，有自由变量的值，就是特征值。
• 应该是 先求特征值，然后求特征值对应的特征向量，某个特种值对应的特种向量不唯一；是一个集合，称为矩阵A对应于特征值a的特征空间；
• 矩阵A对特征空间具有扩张作用；是指给定某个特征值后，可以确定一个特种空间，矩阵A乘上这个特征空间里的任何向量，都等于这个向量乘特征值

定理1：三角矩阵的主对角线的元素是特征值
定理2：

5.2 特征方程

• 
  

六、正交性和最小二乘

6.1 内积、长度和正交性

• 内积（点积）：u 和 v 是 Rn 中 n×1 向量，内积u转置乘v，为一标量
• 性质：交换 、数乘、分配
• 向量的长度（范数）：
• 向量间距离：
• 正交向量：两个向量的内积是0，则他们是正交的；几何上表示为u到v的距离和u到-v的距离相等；

定理2(勾股定理）

6.2 正交集

• 正交投影：
  

• 正交投影是定理5的特殊形式，将Rn中的向量分解为两个相互垂直的向量，这两个相互垂直的向量就是 一组正交基，即由两个向量组成的正交基；因为相互垂直就是正交集，正交集就是正交基