线性代数知识点总结

线性代数知识点总结

行列式

• 行列式和它的转置行列式相等
• 对换行列式的两行（列），行列式变号
• 如果行列式中有两行（列）相同或成比例，那么此行列式等于0
• 行列式的某一行（列）中所有的元素都乘同一数k，等于用数k乘此行列式
• 把行列式的某一行（列）的各元素乘同一数然后加到另一行（列）对应的元素上去，行列式不变
• 行列式等于它的任一行（列）的各元素与其对应的各元素与其对应的代数余子式乘积之和
• 行列式某一行（列）的元素与另一行（列）的对应元素的代数余子式乘积之和等于零

矩阵

• 由mxn个数 $a_{ij}$ 排成的m行n列的数表称为m行n列矩阵，简称mxn矩阵，为表示他是一个整体，总是加一个括弧，用大写黑体字母表示它，这mxn个数是矩阵A的元素，简称为元。

• 行数和列数都等于n的矩阵称为n阶矩阵或n阶方阵。

• 只有一行的矩阵叫行向量，只有一列的矩阵叫列向量。元素都是0的矩阵叫零矩阵。

• 对于非齐次线性方程组，有系数矩阵，未知数矩阵，常数项矩阵，增广矩阵。

• 从左上角到右下角的直线以外的元素都是0，这种矩阵叫对角矩阵，对角线上都是1，叫单位矩阵。

• 矩阵加法满足交换律和结合律

• A（mxs）、B(sxn)，矩阵A乘矩阵B的乘积为矩阵C（mxn）。

• 矩阵乘法满足结合律和分配律

• EA = AE = A （E为单位矩阵）

• $\lambda$ E 称为纯量阵

• 矩阵的幂：$A^k$，显然只有方阵的幂才有意义

• 矩阵的转置：把矩阵A的行换成同序数的列得到一个新矩阵，叫做A的转置矩阵，记作$A^T$
  性质：
  1.$(A^T{)}^T=A^T$
  2.$(A+B{)}^T$ = $A^T$ + $B^T$
  3.$(AB{)}^T$ = $B^T$ $A^T$

• 由n阶方阵A的元素所构成的行列式，称为方阵A的行列式，记作det A或 |A|

• |AB|=|BA|

• 行列式|A|的各个元素的代数余子式构成的矩阵叫A的伴随矩阵A*

• A A* = A* A= |A| E

• 对于n阶矩阵A，如果存在n阶矩阵B，sit：
  $$AB=BA=E$$

则说矩阵A是可逆的，B是A的逆矩阵。

• 若矩阵A可逆，则 |A| 不等于0.

• 若矩阵A可逆，且

• $$A^{-1}=\frac{1}{|A|}{A}^{\ast }$$
  其中A*是A的伴随矩阵。

• 当|A|=0时，A称为奇异矩阵，否则是非奇异矩阵

• $(AB{)}^{-1}=B^{-1}{A}^{-1}$

• $(A^T{)}^{-1}=(A^{-1}{)}^T$

• 设A是一个mxn矩阵，对A施行一次初等行变换，相当于在A的左边乘相应的m阶初等矩阵，对A施行一次初等列变换，相当于在A的右边乘相应的n阶初等矩阵

• 方阵可逆的充分必要条件是A能通过初等变换到E

• 如何利用行列式性质求解线性方程组？克拉默法则

矩阵的秩

定义：在mxn矩阵A中，任取k行和k列，位于这些行列交叉处的k*k个元素，不改变它们在A中所处的位置次序而得的k阶行列式，称为矩阵A的k阶子式
设在矩阵A中有一个不等于0的r阶子式D，且所有r+1阶子式也全等于0，因此把r阶非零子式称为最高阶非零子式，数r称为矩阵A的秩，记作R(A)，并规定零矩阵的秩等于0.
性质：

• $R(A^T)=R(A)$
• 可逆矩阵又称满秩矩阵，不可逆矩阵又称为降秩矩阵
• 若P、Q可逆，则R(PAQ) = R(A)
• max{R(A),R(B)} <= R(A,B) <= R(A) + R(B)
• R(A+B) <= R(A) + R(B)
• R(AB) <= min{R(A),R(B)}
• 矩阵A的秩等于它的列数，这样的矩阵称为列满秩矩阵

解线性方程组，n元线性方程组Ax = b：

• 无解的充要条件是R(A) <R(A,b)
• 有唯一解的充要条件是R(A) = R(A,b) = n
• 有无限多解的充要条件是R(A) = R(A,b) < n

向量

• n个有次序的数$a_1,a_2,...,a_n$所组成的数组称为n维向量，列向量用a，b，c，d表示，行向量右上角加T
• 给定向量组A：$a_1,a_2,...,a_n$，对于任何一组实数$k_1,k_2,...,k_n$，表达式$$k_1{a}_1+k_2{a}_2+...+k_n{a}_n$$称为向量组A的一个线性组合，$k_1,k_2,...,k_n$称为线性组合的系数
• 向量b能由向量组A线性表示的充分条件是矩阵A=$(a_1,a_2,...,a_n)$的秩等于矩阵B=$(a_1,a_2,...,a_n,b)$
• 向量组B能由向量组A线性表示的充要条件是矩阵A的秩等于矩阵(A,B)的秩，即R(A) = R(A,B)
• 设向量组B能由向量组A线性表示，则R(B) <= R(A)
• 给定向量组A：$a_1,a_2,...,a_n$，如果存在不全为0的数$k_1,k_2,...,k_n$，使
  $$k_1{a}_1+k_2{a}_2+...+k_n{a}_n=0$$
  则称向量组A是线性相关的，否则称它线性无关

线性相关性质：

• 向量组线性相关的充要条件是它所构成的矩阵A=(a_1,a_2,…,a_n)的秩小于向量个数n；向量组A线性无关的充分必要条件是R(A) = n
• 若向量组$A=(a_1,a_2,...,a_n)$线性相关，则向量组$B=(a_1,a_2,...,a_n,a_{n+1})$也线性相关，反之，若B线性无关，则A线性无关
• m个n维向量组成的向量组，当维数n小于向量个数m时，一定线性相关，特别的n+1个n维向量线性相关
• 设向量组$A=(a_1,a_2,...,a_n)$线性无关，而向量组B：$(a_1,a_2,...,a_n,b)$线性无关，则向量b必能由A线性表示，且表示式唯一

向量组的秩：
定义：

• 向量组$A_0:=(a_1,a_2,...,a_r)$线性无关
• 向量组A做任何r+1个向量都线性相关，则A0是向量组A的一个最大线性无关向量组，r为向量组A的秩，记作$R_A$

定理：

• 矩阵的秩等于它的列向量组的秩，也等于它的行向量组的秩
• 向量组B能由向量组A线性表示的充要条件是$R(A)=R(a_1,a_2,...,a_n,b_1,b_2,...,b_n)$

向量空间：
定义：

• 设V为n维向量的集合，如果集合V非空，且集合V对于向量的加法即数乘两种运算封闭，那么集合V称为向量空间。
• 如果$a_1,a_2,...,a_n$线性无关，且V中任何一个向量都可由$a_1,a_2,...,a_n$线性表示，$a_1,a_2,...,a_n$称为V的一个基,n称为V的维数

向量的内积：
设有n维向量$x=(x_1,x_2,...,x_n),y=(y_1,y_2,...,y_n)$，$[x，y]=x_1{y}_2+x_2{y}_2+...+x_n{y}_n$叫做向量x与y的内积

向量的长度：
令$$||x||=\sqrt{[x,x]}=\sqrt{x_1^2+x_2^2+...+x_n^2}$$
称为n维向量x的长度，长度为1的向量称为单位向量

当[x,y]=0时，称向量x与y正交

定理：若n维向量$a_1,a_2,...,a_n$是两两正交的非零向量，则$a_1,a_2,...,a_n$线性无关

如果n阶矩阵A满足$A^{T}A=E$，那么称A为正交矩阵，若P为正交矩阵，则y=Px称为正交变换。

方阵的特征值：
设A是n阶矩阵，如果数$\lambda$和n维非零列向量x使关系式
$$Ax=\lambda x$$成立，那么这样的数$\lambda$称为矩阵A的特征值，非零向量x为A对于与$\lambda$的特征向量。$(A-\lambda E)=0$ 是特征方程组，它的解就是A的特征值

定理：设${\lambda }_1,{\lambda }_2,...,{\lambda }_n$是方阵A的n个特征值，$p_1,p_2,p_3,..,p_n$是与其对应的特征向量，如果${\lambda }_1,{\lambda }_2,...,{\lambda }_n$各不相等，则$p_1,p_2,p_3,..,p_n$线性无关。

相似矩阵：
设A、B都是n阶矩阵，若有可逆矩阵P，sit$$P^{-1}AP=B$$
则称B是A的相似矩阵。

定理：

• 若n阶矩阵A与B相似，则A与B的特征多项式相同，从而A与B的特征值相同。
• n阶矩阵A与对角矩阵相似的充分必要条件是A有n个线性无关的特征向量
• 对称矩阵的特征值为实数
• 对称矩阵的两个特征值不相等，其对应的特征向量正交

正定矩阵：
设二次型$f=x^{T}Ax$，如果对任意x不等于0，都有f（x） > 0 ,那么f为正定二次型，对称矩阵A为正定的，若都小于0，则负定

定理：

• 对称矩阵A为正定的充要条件是A的特征值全为正或各阶主子式都为正
• 对称矩阵A为负定的充要条件是奇数阶主子式为负，偶数阶主子式为正