考研必备数学公式大全（数学二）（线性代数篇）

由于公式太多，汇总成一篇容易打不开，所以分三篇。整篇链接：https://blog.csdn.net/zhaohongfei_358/article/details/106039576

章节	链接
基础回顾篇	https://blog.csdn.net/zhaohongfei_358/article/details/119929920
高等数学篇	https://blog.csdn.net/zhaohongfei_358/article/details/119929988
线性代数篇	https://blog.csdn.net/zhaohongfei_358/article/details/119930063

线性代数

行列式

$$\begin{array}{rl}& |A|=|A^T|\\ & \\ & |kA|=k^n|A|\\ & \\ & |AB|=|A||B|\\ & \\ & A_{ij}=(-1{)}^{i+j}{M}_{ij}\\ & \end{array}$$

几个重要的行列式

$$\begin{array}{rl}& \left|\begin{array}{cccc}{a}_{11}& 0& \dots & 0\\ 0& a_{22}& \dots & 0\\ ⋮& ⋮& & ⋮\\ 0& 0& \dots & a_{nn}\end{array}\right|=\left|\begin{array}{cccc}{a}_{11}& 0& \dots & 0\\ a_{21}& a_{22}& \dots & 0\\ ⋮& ⋮& & ⋮\\ a_{n1}& a_{n2}& \dots & a_{nn}\end{array}\right|=\left|\begin{array}{cccc}{a}_{11}& a_{12}& \dots & a_{1n}\\ 0& a_{22}& \dots & a_{2n}\\ ⋮& ⋮& & ⋮\\ 0& 0& \dots & a_{nn}\end{array}\right|=\prod _{i=1}^n{a}_{ii}\\ & \\ & \\ & \left|\begin{array}{cccc}0& \dots & 0& a_{1n}\\ 0& \dots & a_{2,n-1}& 0\\ ⋮& & ⋮& ⋮\\ a_{n1}& \dots & 0& 0\end{array}\right|=\left|\begin{array}{cccc}0& \dots & 0& a_{1n}\\ 0& \dots & a_{2,n-1}& \\ ⋮& & & \\ a_{n1}& & & \end{array}\right|=\left|\begin{array}{cccc}& & & a_{1n}\\ & & a_{2,n-1}& 0\\ & & ⋮& ⋮\\ a_{n1}& \dots & 0& 0\end{array}\right|=(-1{)}^{\frac{n(n-1)}{2}}{a}_{1n}{a}_{2,n-1}\dots a_{n1}\\ & \\ & \\ & \left|\begin{array}{cccc}1& 1& \cdots & 1\\ x_1& x_2& \cdots & x_n\\ x_1^2& x_2^2& \cdots & x_n^2\\ ⋮& ⋮& & ⋮\\ x_1^{n-1}& x_2^{n-1}& \cdots & x_n^{n-1}\end{array}\right|=\prod _{1\le i<j\le n}(x_j-x_i)\\ & \\ & \\ & \left|\begin{array}{ccccc}a& b& b& \cdots & b\\ b& a& b& \cdots & b\\ b& b& a& \cdots & b\\ ⋮& ⋮& ⋮& & ⋮\\ b& b& b& \cdots & a\end{array}\right|=[a+(n-1)b](a-b{)}^{n-1}\\ & \\ & \\ & \left|\begin{array}{cc}A& O\\ O& B\end{array}\right|=\left|\begin{array}{cc}A& C\\ O& B\end{array}\right|=\left|\begin{array}{cc}A& O\\ C& B\end{array}\right|=|A||B|\\ & \\ & \\ & \left|\begin{array}{cc}O& A_{n\times n}\\ B_{m\times m}& O\end{array}\right|=\left|\begin{array}{cc}O& A\\ B& C\end{array}\right|=\left|\begin{array}{cc}C& A\\ B& O\end{array}\right|=(-1{)}^{mn}|A||B|\end{array}$$

矩阵

$$\begin{array}{rl}& (A^T{)}^T=A\\ & \\ & (kA{)}^T=k{A}^T\\ & \\ & (A+B{)}^T=A^T+B^T\\ & \\ & (AB{)}^T=B^T{A}^T\\ & \\ & A{A}^{\ast }=A^{\ast }A=|A|E\\ & \\ & |A^{\ast }|=|A{|}^{n-1}\\ & \\ & A^{-1}=\frac{1}{|A|}{A}^{\ast }\\ & \\ & A=|A|(A^{\ast }{)}^{-1}\\ & \\ & (A^{-1}{)}^{-1}=A\\ & \\ & (kA{)}^{-1}=k^{-1}{A}^{-1}\\ & \\ & (AB{)}^{-1}=B^{-1}{A}^{-1}\\ & \\ & (A^T{)}^{-1}=(A^{-1}{)}^T\\ & \\ & (A^T{)}^{\ast }=(A^{\ast }{)}^T\\ & \\ & (A^{-1}{)}^{\ast }=(A^{\ast }{)}^{-1}\\ & \\ & (AB{)}^{\ast }=B^{\ast }{A}^{\ast }\\ & \\ & (A^{\ast }{)}^{\ast }=|A{|}^{n-2}A\\ & \\ & |A^{-1}|=|A{|}^{-1}\\ & \\ & [A|E]\stackrel{初等行变换}{\to }[E|A^{-1}]\\ & \\ & [A|B]\stackrel{初等行变换}{\to }[E|A^{-1}B]\\ & \end{array}$$

分块矩阵

$$\begin{array}{r}{\left[\begin{array}{cc}A& O\\ O& B\end{array}\right]}^n=\left[\begin{array}{cc}{A}^n& O\\ O& B^n\end{array}\right]\end{array}$$

正交矩阵

$$\begin{array}{rl}& A是正交矩阵\\ & \\ ⟺& A^T=A^{-1}\\ & \\ ⟺& A^{T}A=A{A}^T=E\\ & \\ ⟺& A的行（列）向量组是标准正交向量组\\ & \\ ⟹& |A|=\pm 1\\ & \\ ⟹& \lambda =\pm 1\\ & \end{array}$$

施密特正交化

$$\begin{array}{rl}& {\beta }_1={\alpha }_1\\ & \\ & {\beta }_2={\alpha }_2-\frac{({\alpha }_2,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1\\ & \\ & {\beta }_3={\alpha }_3-\frac{({\alpha }_3,{\beta }_2)}{({\beta }_2,{\beta }_2)}{\beta }_2-\frac{({\alpha }_3,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1\\ & \\ & \cdots \cdots \\ & \\ & {\beta }_n={\alpha }_n-\frac{({\alpha }_n,{\beta }_{n-1})}{({\beta }_{n-1},{\beta }_{n-1})}{\beta }_{n-1}-\frac{({\alpha }_n,{\beta }_{n-2})}{({\beta }_{n-2},{\beta }_{n-2})}{\beta }_{n-2}-\cdots -\frac{({\alpha }_n,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1\\ & \\ & \\ & {\eta }_1=\frac{{\beta }_1}{||{\beta }_1||},{\eta }_2=\frac{{\beta }_2}{||{\beta }_2||},\cdots ,{\eta }_n=\frac{{\beta }_n}{||{\beta }_n||}\\ & \\ & \\ 其中：& (\alpha ,\beta )={\alpha }^T\beta ={\beta }^T\alpha =\sum _{i=1}^n{a}_i{b}_i\\ & \\ & (\alpha ,\alpha )=a_1^2+a_2^2+\cdots +a_n^2=\sum _{i=1}^n{a}_i^2\\ & \\ & ||\beta ||=\sqrt{(\beta ,\beta )}=\sqrt{b_1^2+b_2^2+\cdots +b_n^2}\end{array}$$

可逆矩阵

$$\begin{array}{rl}& A可逆\\ & \\ ⟺& |A|\ne 0\\ & \\ ⟺& A的行（列）向量组线性无关\\ & \\ ⟺& Ax=0有唯一零解\\ & \\ ⟺& Ax=b有唯一解\\ & \\ ⟺& r(A)=n\\ & \\ ⟺& 特征值{\lambda }_i\ne 0\end{array}$$

等价矩阵

A , B 等 价    ⟺    A ≅ B    ⟺    P A Q = B ,       P , Q 可 逆    ⟺    r ( A ) = r ( B ) { α 1 , α 2 , ⋯   , α s } ≅ { β 1 , β 2 , ⋯   , β t }    ⟺    { α 1 , α 2 , ⋯   , α s } 与 { β 1 , β 2 , ⋯   , β t } 可 以 互 相 表 出    ⟺    r ( α 1 , α 2 , ⋯   , α s ) = r ( β 1 , β 2 , ⋯   , β t ) ， 且 可 单 方 向 表 出    ⟺    r ( α 1 , α 2 , ⋯   , α s ) = r ( β 1 , β 2 , ⋯   , β t ) = r ( α 1 , α 2 , ⋯   , α s , β 1 , β 2 , ⋯   , β t ) \begin{aligned} & A, B等价 \\\\ \iff & A \cong B \\ \\ \iff & PAQ = B , ~~~~~P,Q可逆 \\ \\ \iff & r(A) = r(B) \\\\\\ & \{\alpha_1,\alpha_2, \cdots, \alpha_s\} \cong \{\beta_1,\beta_2, \cdots, \beta_t \} \\ \\ \iff & \{\alpha_1,\alpha_2, \cdots, \alpha_s\} 与 \{\beta_1,\beta_2, \cdots, \beta_t \} 可以互相表出 \\ \\ \iff & r(\alpha_1,\alpha_2, \cdots, \alpha_s) = r(\beta_1,\beta_2, \cdots, \beta_t )，且可单方向表出 \\ \\ \iff & r(\alpha_1,\alpha_2, \cdots, \alpha_s) = r(\beta_1,\beta_2, \cdots, \beta_t ) = r(\alpha_1,\alpha_2, \cdots, \alpha_s, \beta_1,\beta_2, \cdots, \beta_t) \\ \\ \end{aligned} ⟺⟺⟺⟺⟺⟺​A,B等价A≅BPAQ=B,     P,Q可逆r(A)=r(B){α1​,α2​,⋯,αs​}≅{β1​,β2​,⋯,βt​}{α1​,α2​,⋯,αs​}与{β1​,β2​,⋯,βt​}可以互相表出r(α1​,α2​,⋯,αs​)=r(β1​,β2​,⋯,βt​)，且可单方向表出r(α1​,α2​,⋯,αs​)=r(β1​,β2​,⋯,βt​)=r(α1​,α2​,⋯,αs​,β1​,β2​,⋯,βt​)​

秩相关公式

A 是 m × n 矩 阵 ， 则 ： r ( A ) ≤ m i n { m , n } r ( A ) = r ( A T ) r ( k A ) = r ( A )    ( k ≠ 0 ) r ( A + B ) ≤ r ( A ) + r ( B ) r ( A B ) ≤ m i n { r ( A ) , r ( B ) } r ( A ) + r ( B ) − n ≤ r ( A B ) r ( A ) + r ( B ) ≤ n      （ 其 中 ， A B = O , n 是 A 的 列 数 或 B 的 行 数 ） r ( A O O B ) = r ( A ) + r ( B ) r ( A ) + r ( B ) ≤ r ( A O C B ) ≤ r ( A ) + r ( B ) + r ( C ) r ( A ) = r ( A T A ) r ( A ) = 1    ⟹    ∃ 非 零 α , β ， 使 得 A = α β T r ( α α T ) = 1 { r ( A ) = n               ⟹        r ( A ∗ ) = n r ( A ) = n − 1        ⟹        r ( A ∗ ) = 1 r ( A ) < n − 1        ⟹        r ( A ∗ ) = 0 \begin{aligned} & A是m\times n矩阵，则：\\\\ & r(A) \le min\{m,n\} \\ \\ & r(A) = r(A^T) \\ \\ & r(kA) = r(A) ~~(k\ne0)\\ \\ & r(A+B) \le r(A) + r(B) \\ \\ & r(AB) \le min\{r(A), r(B)\} \\ \\ & r(A) + r(B) -n \le r(AB) \\ \\ & r(A) + r(B) \le n ~~~~（其中，AB=O,n是A的列数或B的行数） \\\\ & r\begin{pmatrix} A & O \\ O & B \end{pmatrix} = r(A) + r(B) \\ \\ & r(A) + r(B) \le r\begin{pmatrix} A & O \\ C & B \end{pmatrix} \le r(A) + r(B) + r(C) \\\\ & r(A) = r(A^T A) \\ \\ & r(A) = 1 \implies \exists 非零 \alpha, \beta ，使得 A = \alpha\beta^T \\ \\ & r(\alpha \alpha^T) = 1 \\ \\ & \begin{cases} r(A) = n ~~~~~~~~~~ \implies ~~~ r(A^*) = n \\ r(A) = n - 1 ~~~ \implies ~~~ r(A^*) = 1 \\ r(A) < n - 1 ~~~ \implies ~~~ r(A^*) = 0 \\ \end{cases} \\\\ \end{aligned} ​A是m×n矩阵，则：r(A)≤min{m,n}r(A)=r(AT)r(kA)=r(A)  (k​=0)r(A+B)≤r(A)+r(B)r(AB)≤min{r(A),r(B)}r(A)+r(B)−n≤r(AB)r(A)+r(B)≤n    （其中，AB=O,n是A的列数或B的行数）r(AO​OB​)=r(A)+r(B)r(A)+r(B)≤r(AC​OB​)≤r(A)+r(B)+r(C)r(A)=r(ATA)r(A)=1⟹∃非零α,β，使得A=αβTr(ααT)=1⎩⎪⎨⎪⎧​r(A)=n          ⟹   r(A∗)=nr(A)=n−1   ⟹   r(A∗)=1r(A)<n−1   ⟹   r(A∗)=0​​

特征值与特征向量

$$\begin{array}{rl}& \sum _{i=1}^n{\lambda }_i=\sum _{i=1}^n{a}_{ii}\\ & \\ & \prod _{i=1}^n{\lambda }_i=|A|\\ & \end{array}$$

$$\begin{array}{cccccccc}矩阵& A& kA& A^k& f(A)& A^{-1}& A^{\ast }& A^{-1}+f(A)\\ 特征值& \lambda & k\lambda & {\lambda }^k& f(\lambda )& {\lambda }^{-1}& \frac{|A|}{\lambda }& \frac{1}{\lambda }+f(\lambda )\\ 对应的特征向量& \xi & \xi & \xi & \xi & \xi & \xi & \xi \end{array}$$

相似矩阵

$$\begin{array}{rl}& A\sim B\\ & \\ ⟺& P^{-1}AP=B\\ & \\ ⟺& \lambda E-A\sim \lambda E-B\\ & \\ ⟺& \mu E-A\cong \mu E-B（其中\mu 为任意实数，即r(\mu E-A)=r(\mu E-B)）\\ & \\ & \\ ⟹& r(A)=r(B)\\ & \\ ⟹& |A|=|B|\\ & \\ ⟹& |\lambda E-A|=|\lambda E-B|\\ & \\ ⟹& r(\lambda E-A)=r(\lambda E-B)\\ & \\ ⟹& A,B特征值相同，且相同特征值对应的线性无关的特征向量个数相同\\ & \\ ⟹& \sum a_{ii}=\sum b_{ii}\\ & \\ ⟹& A与B均可对角化，或均不可对角化\\ & \\ ⟹& A\backsimeq B（A,B合同）\\ & \\ ⟹& A^m\sim B^m\\ & \\ ⟹& A^T\sim B^T\\ & \\ ⟹& f(A)\sim f(B)\\ & \\ ⟹& A^{-1}\sim B^{-1}\\ & \\ ⟹& f(A^{-1})\sim f(B^{-1})\\ & \end{array}$$

相似对角化

$$\begin{array}{rl}& A\sim \Lambda \\ & \\ ⟺& A有n个线性无关的特征向量\\ & \\ ⟺& A的r_i重特征值有r_i个线性无关的特征向量\\ & \\ & \\ & \\ & A=A^T（A是实对称矩阵）\\ & \\ ⟹& A的特征值为实数，特征向量为实向量\\ & \\ ⟹& A\sim \Lambda \\ & \\ ⟹& A的属于不同特征值的特征向量相互正交\\ & \end{array}$$

矩阵合同

$$\begin{array}{rl}& A，B合同\\ & \\ ⟺& A\backsimeq B\\ & \\ ⟺& \exists 可逆矩阵C，使得C^{T}AC=B\\ & \\ ⟺& A，B正负惯性指数相同\\ & \\ & \\ ⟹& r(A)=r(B)\\ & \\ \stackrel{不能推出}{=}\nRightarrow & A，B相似\\ & \\ & \\ 合同判别法：& A,B均为实对称矩阵，A,B合同的充分必要条件是A,B的正负惯性指数相同\end{array}$$

正定二次型

$$\begin{array}{rl}& f=x^{T}Ax正定\\ & \\ ⟺& 对任意x\ne 0,x^{T}Ax>0\\ & \\ ⟺& f的正惯性指数p=n\\ & \\ ⟺& \exists 可逆阵D，使A=D^{T}D\\ & \\ ⟺& A\backsimeq E\\ & \\ ⟺& A与一正定矩阵合同\\ & \\ ⟺& \exists 可逆矩阵P，使P^{T}AP=E\\ & \\ ⟺& A的所有特征值{\lambda }_i>0\\ & \\ ⟺& A的全部顺序主子式>0\\ & \\ ⟹& a_{ii}>0\\ & \\ ⟹& |A|>0\\ & \\ ⟹& kA,A^T,A^k,A^{-1},A^{\ast },f(A)正定\\ & \\ & \\ & \left(\begin{array}{cc}A& O\\ O& B\end{array}\right)正定⟺A，B正定\end{array}$$

二次型配方法（通法）

参考资料：https://www.bilibili.com/video/BV15f4y1d7Ws

$$\begin{array}{rl}情形1：& 二次型含有平方项，即\exists a_{ii}\ne 0，不妨设a_{11}\ne 0\\ & \\ & 1.记f_1=\frac{1}{2}\frac{\partial f}{\partial x_1}\\ & \\ & 2.令f(x_1,x_2,x_3,...)=\frac{1}{a_{11}}(f_1{)}^2+g，此时g中不含x1\\ & \\ & 3.对g继续对x_2进行上述操作\\ & \\ 情形2：& 二次型不含平方项，即任意a_{ii}=0，但至少存在一个a_{1j}\ne 0，不妨设a_{12}\ne 0\\ & \\ & 1.记f_1=\frac{1}{2}\frac{\partial f}{\partial x_1},f_2=\frac{1}{2}\frac{\partial f}{\partial x_2}\\ & \\ & 2.令f(x_1,x_2,x_3,...)=\frac{1}{a_{12}}[(f_1+f_2{)}^2-(f_1-f_2{)}^2]+\varphi ，此时，\varphi 不含x_1,x_2\\ & \\ & \\ & 根据当前未配出的多项式，根据情况进行相应处理\end{array}$$