《线性代数》常用公式定理总结

文章目录

  • [1 行列式](#1 行列式)
    • [1.1 克拉默法则](#1.1 克拉默法则)
    • [1.2 基本性质](#1.2 基本性质)
    • [1.3 余子式 M i j M_{ij} Mij](#1.3 余子式 M i j M_{ij} Mij)
    • [1.4 代数余子式 A i j = ( − 1 ) i + j ⋅ M i j A_{ij} = (-1)^{i+j} \cdot M_{ij} Aij=(−1)i+j⋅Mij](#1.4 代数余子式 A i j = ( − 1 ) i + j ⋅ M i j A_{ij} = (-1)^{i+j} \cdot M_{ij} Aij=(−1)i+j⋅Mij)
    • [1.5 具体型行列式计算(化为基本型)](#1.5 具体型行列式计算(化为基本型))
      • [1.5.1 主对角线行列式:主对角元素相乘](#1.5.1 主对角线行列式:主对角元素相乘)
      • [1.5.2 副对角线行列式:副对角元素相乘并判断正负号](#1.5.2 副对角线行列式:副对角元素相乘并判断正负号)
      • [1.5.3 拉普拉斯展开式](#1.5.3 拉普拉斯展开式)
      • [1.5.4 范德蒙德行列式:只看第二行,右减左,全都减,减完乘起来](#1.5.4 范德蒙德行列式:只看第二行,右减左,全都减,减完乘起来)
      • [1.5.5 加边法:没有明显的公共规律,自己补一个公共规律](#1.5.5 加边法:没有明显的公共规律,自己补一个公共规律)
      • [1.5.6 递推法(适用于计算异爪型行列式):高阶→低阶](#1.5.6 递推法(适用于计算异爪型行列式):高阶→低阶)
      • [1.5.7 数学归纳法(适用于证明题):低阶→高阶](#1.5.7 数学归纳法(适用于证明题):低阶→高阶)
      • [1.5.8 一些处理手段](#1.5.8 一些处理手段)
    • [1.6 抽象型行列式的计算: a i j a_{ij} aij未给出](#1.6 抽象型行列式的计算: a i j a_{ij} aij未给出)
      • [1.6.1 用行列式性质](#1.6.1 用行列式性质)
      • [1.6.2 用矩阵知识](#1.6.2 用矩阵知识)
      • [1.6.3 用相似理论](#1.6.3 用相似理论)
  • [2 矩阵](#2 矩阵)
    • [2.1 转置、逆、伴随的一些关系式](#2.1 转置、逆、伴随的一些关系式)
    • [2.2 求 A n A^n An](#2.2 求 A n A^n An)
      • [2.2.1 A为方阵,且r(A)=1](#2.2.1 A为方阵,且r(A)=1)
      • [2.2.2 试算 A 2 A^2 A2(或 A 3 A^3 A3),找规律【归纳法→探索、研究精神!】](#2.2.2 试算 A 2 A^2 A2(或 A 3 A^3 A3),找规律【归纳法→探索、研究精神!】)
      • [2.2.3 A=B+C用二项展开式](#2.2.3 A=B+C用二项展开式)
      • [2.2.4 用相似理论](#2.2.4 用相似理论)
    • [2.3 矩阵的伴随](#2.3 矩阵的伴随)
    • [2.4 矩阵的逆](#2.4 矩阵的逆)
    • [2.5 矩阵的转置](#2.5 矩阵的转置)
    • [2.6 初等矩阵(左行右列)](#2.6 初等矩阵(左行右列))
    • [2.7 分块矩阵](#2.7 分块矩阵)
    • [2.8 矩阵方程(含未知矩阵X)](#2.8 矩阵方程(含未知矩阵X))
    • [2.9 矩阵方程求解](#2.9 矩阵方程求解)
    • [2.10 秩](#2.10 秩)
    • [2.11 行向量组等价(两方程组同解问题)](#2.11 行向量组等价(两方程组同解问题))
    • [2.12 维数与向量的关系](#2.12 维数与向量的关系)
  • [3 齐次线性方程组](#3 齐次线性方程组)
  • [4 非齐次线性方程组](#4 非齐次线性方程组)
  • [5 公共解问题](#5 公共解问题)
  • [6 同解问题](#6 同解问题)
  • [7 抽象型方程组](#7 抽象型方程组)
    • [7.1 矩阵A各行元素之和均为0](#7.1 矩阵A各行元素之和均为0)
    • [7.2 方程组解的个数与秩的关系](#7.2 方程组解的个数与秩的关系)
    • [7.3 选择题常考](#7.3 选择题常考)
    • [7.4 证线性无关](#7.4 证线性无关)
    • [7.5 证线性相关](#7.5 证线性相关)
    • [7.6 线性方程组的几何意义](#7.6 线性方程组的几何意义)
    • [7.7 线性表出](#7.7 线性表出)
  • [8 向量空间](#8 向量空间)
    • [8.1 向量空间中的坐标](#8.1 向量空间中的坐标)
    • [8.2 过渡矩阵](#8.2 过渡矩阵)
    • [8.3 坐标变换](#8.3 坐标变换)
  • [9 特征值特征向量](#9 特征值特征向量)
    • [9.1 施密特正交化](#9.1 施密特正交化)
    • [9.2 用特征值和特征向量求A](#9.2 用特征值和特征向量求A)
  • [10 相似](#10 相似)
    • [10.1 相似的五个性质](#10.1 相似的五个性质)
    • [10.2 相似的结论](#10.2 相似的结论)
    • [10.3 相似对角化](#10.3 相似对角化)
  • [11 实对称矩阵(必能相似对角化)](#11 实对称矩阵(必能相似对角化))
  • [12 正交矩阵](#12 正交矩阵)
  • [13 二次型](#13 二次型)
    • [13.1 惯性定理](#13.1 惯性定理)
    • [13.2 配方法](#13.2 配方法)
    • [13.3 正交变换法](#13.3 正交变换法)
      • [13.3.1 常规计算](#13.3.1 常规计算)
      • [13.3.2 反求参数,A或(f)](#13.3.2 反求参数,A或(f))
      • [13.3.3 最值问题](#13.3.3 最值问题)
      • [13.3.4 几何应用](#13.3.4 几何应用)
  • [14 合同](#14 合同)
    • [14.1 实对称矩阵的合同](#14.1 实对称矩阵的合同)
  • [15 正定二次型(正定矩阵)](#15 正定二次型(正定矩阵))
  • [16 反对称矩阵](#16 反对称矩阵)

1 行列式

1.1 克拉默法则

1.2 基本性质

  1. 交换性质:

    行列式的行列互换,行列式的值不变。

  2. 对角矩阵的行列式:

    对于对角矩阵(或更一般的上三角矩阵或下三角矩阵),行列式等于对角线上元素的乘积。 ∣ a 11 0 ⋯ 0 0 a 22 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ a n n ∣ = a 11 a 22 ⋯ a n n \begin{vmatrix} a_{11} & 0 & \cdots & 0 \\ 0 & a_{22} & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & a_{nn} \end{vmatrix}= a_{11} a_{22} \cdots a_{nn} a110⋮00a22⋮0⋯⋯⋱⋯00⋮ann =a11a22⋯ann

  3. 矩阵乘积的行列式:

    两个矩阵相乘的行列式等于它们行列式的乘积。

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

  4. 行列互换的行列式:

    交换矩阵的两行(或两列),行列式取相反数。

    det ⁡ ( A ) = − det ⁡ ( B ) \det(A) = -\det(B) det(A)=−det(B)

  5. 相同行(或列)的行列式:

    如果矩阵的两行(或两列)相同,则该行列式为零。

  6. 比例行(或列)的行列式:

    如果矩阵的两行(或两列)成比例,则该行列式为零。

  7. 加法性质:

    如果矩阵的某一行(或某一列)是两行(或两列)的和,则行列式等于这两行(或两列)分别替换的行列式之和。

  8. 行列式的行数与列数:

    行列式仅对方阵(行数等于列数的矩阵)定义。

  9. 行列式与矩阵的转置:

    矩阵的行列式等于其转置矩阵的行列式。

    det ⁡ ( A ) = det ⁡ ( A T ) \det(A) = \det(A^T) det(A)=det(AT)

  10. 单位矩阵的行列式:

    单位矩阵的行列式为1。

    det ⁡ ( E ) = 1 \det(E) = 1 det(E)=1

  11. 矩阵的行(或列)倍加法不变性:

    对矩阵的某一行(或列)进行倍加(即将该行(或列)加上另一行(或列)的某个倍数)操作,行列式不变。

  12. 矩阵的数乘:

    如果将矩阵的某一行(或某一列)乘以一个数 c c c,那么行列式等于原行列式乘以 c c c。

    det ⁡ ( c A ) = c n det ⁡ ( A ) \det(cA) = c^n \det(A) det(cA)=cndet(A)

1.3 余子式 M i j M_{ij} Mij

余子式是从一个 n × n n \times n n×n矩阵中,删除某一行和某一列后得到的 ( n − 1 ) × ( n − 1 ) (n-1) \times (n-1) (n−1)×(n−1)矩阵的行列式。

定义:

对于一个矩阵 A A A的元素 a i j a_{ij} aij,其对应的余子式 M i j M_{ij} Mij是指从矩阵 A A A中删除第 i i i行和第 j j j列后得到的子矩阵的行列式。

1.4 代数余子式 A i j = ( − 1 ) i + j ⋅ M i j A_{ij} = (-1)^{i+j} \cdot M_{ij} Aij=(−1)i+j⋅Mij

代数余子式是余子式的带符号版本,用于行列式的展开。具体来说,代数余子式 A i j A_{ij} Aij定义为:

A i j = ( − 1 ) i + j ⋅ M i j A_{ij} = (-1)^{i+j} \cdot M_{ij} Aij=(−1)i+j⋅Mij
∣ A ∣ = ∑ j = 1 n a i j A i j = ∑ i = 1 n a i j A i j |A|=\sum_{j=1}^na_{ij}A_{ij}=\sum_{i=1}^na_{ij}A_{ij} ∣A∣=j=1∑naijAij=i=1∑naijAij

注意:代数余子式 A i j A_{ij} Aij就是伴随矩阵 A ∗ A^* A∗的矩阵系数
A ∗ = ( A 11 A 21 ⋯ A n 1 A 12 A 22 ⋯ A n 2 ⋮ ⋮ ⋱ ⋮ A 1 n A 2 n ⋯ A n n ) T A^* = \begin{pmatrix} A_{11} & A_{21} & \cdots & A_{n1} \\ A_{12} & A_{22} & \cdots & A_{n2} \\ \vdots & \vdots & \ddots & \vdots \\ A_{1n} & A_{2n} & \cdots & A_{nn} \end{pmatrix}^T A∗= A11A12⋮A1nA21A22⋮A2n⋯⋯⋱⋯An1An2⋮Ann T


1.5 具体型行列式计算(化为基本型)

1.5.1 主对角线行列式:主对角元素相乘

1.5.2 副对角线行列式:副对角元素相乘并判断正负号


1.5.3 拉普拉斯展开式

1.5.4 范德蒙德行列式:只看第二行,右减左,全都减,减完乘起来

1.5.5 加边法:没有明显的公共规律,自己补一个公共规律

1.5.6 递推法(适用于计算异爪型行列式):高阶→低阶

建立两阶或三阶之间的关系,且每阶的元素分布规律必须相同

1.5.7 数学归纳法(适用于证明题):低阶→高阶

  • 第一数学归纳法(验证1个):验证 n = 1 n=1 n=1时成立,再假设 n = k ( k ≥ 2 ) n=k(k≥2) n=k(k≥2)时成立,最后证明 n = k + 1 n=k+1 n=k+1时成立,由此推出对任意 n n n成立
  • 第二数学归纳法(验证2个):验证 n = 1 , n = 2 n=1,n=2 n=1,n=2时成立,再假设 n < k n<k n<k时成立,最后证明 n = k n=k n=k时成立,由此推出对任意 n n n成立

用数学归纳法证爪型行列式通式:

  1. n = 1 n=1 n=1
  2. n = 2 n=2 n=2
  3. 假设 n < k n<k n<k时成立
  4. 当 n = k n=k n=k时,按第一列展开得通式形式
  5. 得证

1.5.8 一些处理手段

1.6 抽象型行列式的计算: a i j a_{ij} aij未给出

1.6.1 用行列式性质

1.6.2 用矩阵知识

1.6.3 用相似理论

2 矩阵

2.1 转置、逆、伴随的一些关系式


2.2 求 A n A^n An

2.2.1 A为方阵,且r(A)=1

2.2.2 试算 A 2 A^2 A2(或 A 3 A^3 A3),找规律【归纳法→探索、研究精神!】

2.2.3 A=B+C用二项展开式

2.2.4 用相似理论

2.3 矩阵的伴随


求法

简单一点求矩阵的伴随,进而用伴随来求矩阵的逆

2.4 矩阵的逆


2.5 矩阵的转置

2.6 初等矩阵(左行右列)

2.7 分块矩阵





2.8 矩阵方程(含未知矩阵X)

2.9 矩阵方程求解

2.10 秩

矩阵的秩是其行秩和列秩的值,而行秩与列秩总是相等的。秩决定了矩阵的行向量或列向量的线性独立性,也影响了线性方程组的解的情况(如是否有解以及解的数量)



在两个向量组中,被表示的向量组的秩不大于表示它的向量组的秩。(即:两向量组中,被表示的向量组的秩不大)

2.11 行向量组等价(两方程组同解问题)

两个行向量组 等价,当且仅当它们能通过一系列初等行变换相互转换。

具体解释

  • 如果矩阵 A A A 和矩阵 B B B 的行向量组等价,这意味着可以通过对 A A A 进行有限次初等行变换,得到 B B B。反之亦然。换句话说, A A A 和 B B B 具有相同的行空间,它们的行向量可以通过相同的线性组合生成。

2.12 维数与向量的关系

  1. 维数

    • 维数 指的是向量中元素的个数。在矩阵中,维数通常指的是向量所在空间的维度。例如,一个在 R m \mathbb{R}^m Rm 空间中的向量有 m m m 个元素。
    • 对于一个线性方程组来说,维数 指的是系数矩阵的行数,也是方程的个数。
  2. 向量个数

    • 向量个数 指的是列向量的个数,通常是系数矩阵的列数,也代表方程中未知数的个数。
  3. 线性相关性

    • 如果矩阵的列数大于行数(向量个数 > 维数),则这些列向量必定线性相关。

假设有一个矩阵 A A A 为 3 × 4 3 \times 4 3×4 矩阵( 3 3 3 行, 4 4 4 列):

  • 向量的维数是 3 3 3,因为每个列向量有 3 3 3 个元素。
  • 向量的个数是 4 4 4,因为矩阵有 4 4 4 列。
  • 因为 4 > 3 4 > 3 4>3,根据线性代数定理, A A A 的列向量必定是线性相关的。

3 齐次线性方程组


4 非齐次线性方程组


5 公共解问题

6 同解问题

  • 行向量组等价是两个方程组同解的充要条件。如果两个线性方程组的增广矩阵的行向量组是等价的(即通过初等行变换可以互相转换),那么这两个方程组一定有相同的解集。这是因为初等行变换不会改变线性方程组的解。
  • 如果矩阵 A A A 和 B B B 行等价,则存在一个可逆矩阵 P P P 使得 P A = B PA = B PA=B 。这表明可以通过对 A A A 进行初等行变换得到 B B B,而这些初等行变换可以表示为一个可逆矩阵 P P P 作用在 A A A 上。
  • 一个行向量代表一个方程,行向量组的一次初等行变换相当于对方程组做了一次同解变形。由于初等行变换不会改变线性方程组的解集,所以两个增广矩阵行向量组等价,意味着它们对应的方程组有相同的解。
  • 列向量的关系则与方程组是否有解密切相关。
  • 若两个方程组互为线性组合,则两个方程组等价。等价的两个方程组一定同解,但同解的两个方程组不一定等价。


7 抽象型方程组

7.1 矩阵A各行元素之和均为0

7.2 方程组解的个数与秩的关系

7.3 选择题常考

7.4 证线性无关



7.5 证线性相关

要证线性相关,那么只需要证得有一个系数不为0就能使等式成立即可。

7.6 线性方程组的几何意义


有解情况 \mathbf{有解情况} 有解情况

几何意义 代数表达
三平面相交于一点(唯一解) r ( A ) = r ( A ‾ ) = 3 r(A)=r(\overline{A})=3 r(A)=r(A)=3法向量两两正交
三平面相交于一条线 r ( A ) = r ( A ‾ ) = 2 r(A)=r(\overline{A})=2 r(A)=r(A)=2且 β 1 , β 2 , β 3 β_1,β_2,β_3 β1,β2,β3两两线性无关(任何两面都不重合)
两平面重合,第三平面与之相交 r ( A ) = r ( A ‾ ) = 2 r(A)=r(\overline{A})=2 r(A)=r(A)=2且 β 1 , β 2 , β 3 β_1,β_2,β_3 β1,β2,β3中有两个向量线性相关(存在两个面重合)
三平面重合 r ( A ) = r ( A ‾ ) = 1 r(A)=r(\overline{A})=1 r(A)=r(A)=1

如果三个平面的法向量两两正交,那么对应的线性方程组有唯一解;若此时引入第四个平面,当且仅当第四个平面与前三个平面相交于同一个点时,方程组有唯一解,除此之外无解。

无解情况 \mathbf{无解情况} 无解情况

几何意义 代数表达
三平面两两 相交 \mathbf{相交} 相交,且交线相互平行 r ( A ) = 2 , r ( A ‾ ) = 3 r(A)=2,r(\overline{A})=3 r(A)=2,r(A)=3且 n 1 , n 2 , n 3 n_1,n_2,n_3 n1,n2,n3两两线性无关(任何两个面都不相交)
两平面平行,第三张平面与它们 相交 \mathbf{相交} 相交 r ( A ) = 2 , r ( A ‾ ) = 3 r(A)=2,r(\overline{A})=3 r(A)=2,r(A)=3且 n 1 , n 2 , n 3 n_1,n_2,n_3 n1,n2,n3中有两个向量线性相关(存在两个面平行但不重合)
三张平面相互平行但不重合 r ( A ) = 1 , r ( A ‾ ) = 2 r(A)=1,r(\overline{A})=2 r(A)=1,r(A)=2且 β 1 , β 2 , β 3 β_1,β_2,β_3 β1,β2,β3两两线性无关(任何两个面都不重合)
两张平面重合,第三张平面与它们平行但不重合 r ( A ) = 1 , r ( A ‾ ) = 2 r(A)=1,r(\overline{A})=2 r(A)=1,r(A)=2且 β 1 , β 2 , β 3 β_1,β_2,β_3 β1,β2,β3中有两个向量线性相关(存在两个面重合)

7.7 线性表出

8 向量空间


8.1 向量空间中的坐标

题型1:要求一个非零向量 b \mathbf{b} b,使得它在两个不同基 { a 1 , a 2 , a 3 } \{\mathbf{a}_1, \mathbf{a}_2, \mathbf{a}_3\} {a1,a2,a3} 和 { β 1 , β 2 , β 3 } \{\mathbf{β}_1, \mathbf{β}_2, \mathbf{β}_3\} {β1,β2,β3} 下的坐标相同。设 b \mathbf{b} b 在这两个基下的坐标为 ( x 1 , x 2 , x 3 ) (x_1, x_2, x_3) (x1,x2,x3),即:
b = x 1 a 1 + x 2 a 2 + x 3 a 3 \mathbf{b} = x_1\mathbf{a}_1 + x_2\mathbf{a}_2 + x_3\mathbf{a}_3 b=x1a1+x2a2+x3a3
b = x 1 β 1 + x 2 β 2 + x 3 β 3 \mathbf{b} = x_1\mathbf{β}_1 + x_2\mathbf{β}_2 + x_3\mathbf{β}_3 b=x1β1+x2β2+x3β3

两式相减,得到
x 1 ( a 1 − β 1 ) + x 2 ( a 2 − β 2 ) + x 3 ( a 3 − β 3 ) = 0 x_1(\mathbf{a}_1 - \mathbf{β}_1) + x_2(\mathbf{a}_2 - \mathbf{β}_2) + x_3(\mathbf{a}_3 - \mathbf{β}_3) = 0 x1(a1−β1)+x2(a2−β2)+x3(a3−β3)=0

为了满足上述等式,并且因为 b \mathbf{b} b 是非零向量,所以 x 1 , x 2 , x 3 x_1, x_2, x_3 x1,x2,x3 至少有一个不为零。这表明 a 1 − β 1 \mathbf{a}_1 - \mathbf{β}_1 a1−β1, a 2 − β 2 \mathbf{a}_2 - \mathbf{β}_2 a2−β2, a 3 − β 3 \mathbf{a}_3 - \mathbf{β}_3 a3−β3 必须是线性相关的。

解齐次方程组
( a 1 − β 1 a 2 − β 2 a 3 − β 3 ) ( x 1 x 2 x 3 ) = ( 0 0 0 ) \begin{pmatrix} \mathbf{a}_1 - \mathbf{β}_1 & \mathbf{a}_2 - \mathbf{β}_2 & \mathbf{a}_3 - \mathbf{β}_3 \end{pmatrix} \begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix}= \begin{pmatrix} 0 \\ 0 \\ 0 \end{pmatrix} (a1−β1a2−β2a3−β3) x1x2x3 = 000

得解坐标 x 1 , x 2 , x 3 x_1, x_2, x_3 x1,x2,x3,从而得到向量 b \mathbf{b} b:
b = x 1 a 1 + x 2 a 2 + x 3 a 3 \mathbf{b} = x_1\mathbf{a}_1 + x_2\mathbf{a}_2 + x_3\mathbf{a}_3 b=x1a1+x2a2+x3a3

8.2 过渡矩阵

8.3 坐标变换

9 特征值特征向量

注意:方程组可以有零解,但特征向量决不能是零向量! 注意:方程组可以有零解,但特征向量决不能是零向量! 注意:方程组可以有零解,但特征向量决不能是零向量!
A ∗ 、 A k ( k ≠ − 1 ) 的特征向量不一定是 A 的特征向量 \boldsymbol{A^*}、\boldsymbol{A^k}(k≠-1)的特征向量不一定是\boldsymbol{A}的特征向量 A∗、Ak(k=−1)的特征向量不一定是A的特征向量
A − 1 、 k A ( k ≠ 0 ) 的特征向量一定是 A 的特征向量 \boldsymbol{A^{-1}}、\boldsymbol{kA}(k≠0)的特征向量一定是\boldsymbol{A}的特征向量 A−1、kA(k=0)的特征向量一定是A的特征向量

矩阵 特征值 对应特征向量
A \boldsymbol{A} A λ \boldsymbol{λ} λ α \boldsymbol{α} α
A T \boldsymbol{A^T} AT λ \boldsymbol{λ} λ 重新计算 \boldsymbol{重新计算} 重新计算
将 A 对称化得到 B = A + A T 2 \boldsymbol{将A对称化得到B=\frac{A+A^T}{2}} 将A对称化得到B=2A+AT 重新计算 \boldsymbol{重新计算} 重新计算 重新计算 \boldsymbol{重新计算} 重新计算
k A \boldsymbol{kA} kA k λ \boldsymbol{kλ} kλ α \boldsymbol{α} α
A k \boldsymbol{A^k} Ak λ k \boldsymbol{λ^k} λk α \boldsymbol{α} α
f ( A ) \boldsymbol{f(A)} f(A) f ( λ ) \boldsymbol{f(λ)} f(λ) α \boldsymbol{α} α
A − 1 \boldsymbol{A^{-1}} A−1 1 λ \boldsymbol{\frac{1}{λ}} λ1 α \boldsymbol{α} α
A ∗ \boldsymbol{A^*} A∗ ∣ A ∣ λ \boldsymbol{\frac{|A|}{λ}} λ∣A∣ α \boldsymbol{α} α
P − 1 A P = B \boldsymbol{P^{-1}AP=B} P−1AP=B λ \boldsymbol{λ} λ P − 1 α \boldsymbol{P^{-1}α} P−1α
P − 1 f ( A ) P = f ( B ) \boldsymbol{P^{-1}f(A)P=f(B)} P−1f(A)P=f(B) f ( λ ) \boldsymbol{f(λ)} f(λ) P − 1 α \boldsymbol{P^{-1}α} P−1α


9.1 施密特正交化


9.2 用特征值和特征向量求A


10 相似

10.1 相似的五个性质

10.2 相似的结论



10.3 相似对角化

11 实对称矩阵(必能相似对角化)


如果矩阵 A A A 不是实对称矩阵,则不同特征值对应的特征向量不一定相互正交。

12 正交矩阵


13 二次型


13.1 惯性定理


13.2 配方法

13.3 正交变换法

13.3.1 常规计算


13.3.2 反求参数,A或(f)

13.3.3 最值问题


13.3.4 几何应用

二次曲面 f = x T A x = 1 f=x^TAx=1 f=xTAx=1的类型

λ 1 , λ 2 , , λ 3 的符号 λ_1,λ_2,,λ_3的符号 λ1,λ2,,λ3的符号 f ( x 1 , x 2 , x 3 ) = 1 f(x_1,x_2,x_3)=1 f(x1,x2,x3)=1
3正 椭球面
2正1负 单页双曲面
1正2负 双叶双曲面 f = 0 时为锥面 f=0时为锥面 f=0时为锥面
2正1零 椭圆柱面
1正1负1零 双曲柱面

14 合同

对于任意的 n × n n \times n n×n 矩阵 A A A 和 B B B,如果存在一个可逆矩阵 C C C 使得:

C T A C = B C^TAC = B CTAC=B

则称矩阵 A A A 和 B B B 是合同矩阵,并且这个变换叫做合同变换。

变换特点

  1. 行列同步:合同变换中的行变换和列变换可同步进行。

  2. 不改变矩阵的秩:合同变换保持矩阵的秩。

  3. 二次型化简:合同变换常用于二次型的化简,使得原矩阵的结构得到简化,同时保持二次型的性质。

14.1 实对称矩阵的合同

两个实对称矩阵 A A A 和 B B B 如果是合同的,即存在一个可逆矩阵 C C C 使得 C T A C = B C^TAC = B CTAC=B,那么它们的惯性指数(正惯性指数、负惯性指数和零惯性指数的个数)必须相同。




15 正定二次型(正定矩阵)



正定矩阵:

  • 定义:正定矩阵是一个对称矩阵,并且对于任意非零向量 x \mathbf{x} x,有 x T A x > 0 \mathbf{x}^T A \mathbf{x} > 0 xTAx>0。
  • 性质:正定矩阵的特征值都是正数,通常用于优化问题,表示能量最小化等场景。能量最小化通常与目标函数的最小化相关联。比如在机器学习中的损失函数或在经济学中的成本函数,这些函数的最小值往往代表最佳解。正定矩阵在这种场景中非常重要,因为它对应的二次型函数如果是正定的,那么优化问题的目标函数就有一个唯一的最小值。这个最小值就是能量最小化的解。

二次型矩阵:

  • 定义:二次型矩阵是描述二次型函数的对称矩阵,形式为 f = x T A x f= \mathbf{x}^T A \mathbf{x} f=xTAx,其中 A A A 是对称矩阵。
  • 性质:二次型矩阵可以是正定的、半正定的、负定的或不定的,具体取决于函数 f f f 的符号情况。

两者的区别:

  • 范围不同:正定矩阵是特定类型的二次型矩阵,即二次型矩阵中的一种特殊情况。
  • 判别标准:正定矩阵要求对于所有非零向量 x \mathbf{x} x, x T A x \mathbf{x}^T A \mathbf{x} xTAx 必须大于零;而二次型矩阵可以根据其对应二次型的符号不同,具有不同的性质。

16 反对称矩阵

反对称矩阵(也称为斜对称矩阵)是一类特殊的矩阵,其定义是矩阵的转置等于其负矩阵,即对于矩阵 ( A ) 来说,反对称条件为:

A T = − A A^T = -A AT=−A

具体来说,矩阵中的元素满足:
a i j = − a j i a_{ij} = -a_{ji} aij=−aji

这意味着矩阵的对角线元素必须为零(即 a i i = 0 a_{ii} = 0 aii=0),因为 a i i = − a i i a_{ii} = -a_{ii} aii=−aii,这只有在 a i i = 0 a_{ii} = 0 aii=0 时成立。例如:一个 3 × 3 3×3 3×3 的反对称矩阵为:
A = ( 0 a 12 a 13 − a 12 0 a 23 − a 13 − a 23 0 ) A = \begin{pmatrix} 0 & a_{12} & a_{13} \\ -a_{12} & 0 & a_{23} \\ -a_{13} & -a_{23} & 0 \end{pmatrix} A= 0−a12−a13a120−a23a13a230

反对称矩阵的性质:

  1. 对角线元素为零:反对称矩阵的对角线元素必须为零。
  2. 特征值性质:反对称矩阵的特征值要么是零,要么是纯虚数(对于实数反对称矩阵)。
  3. 奇数维度的行列式为零:如果反对称矩阵的维度是奇数,那么其行列式为零。这是因为反对称矩阵在奇数维度下的非零特征值成对出现,每对特征值互为相反数,导致行列式为零。
相关推荐
爱敲代码的憨仔1 小时前
《线性代数的本质》
线性代数·算法·决策树
2402_871321951 天前
MATLAB方程组
gpt·学习·线性代数·算法·matlab
Angindem1 天前
子矩阵的和(矩阵前缀和)
线性代数·矩阵
2403_875180952 天前
短视频矩阵系统是什么?有什么功能?
线性代数·矩阵
取个名字真难呐2 天前
AB矩阵秩1乘法,列乘以行
python·线性代数·矩阵
2403_875180952 天前
短视频矩阵矩阵,矩阵号策略
线性代数·矩阵
2403_875180952 天前
短视频矩阵系统:智能批量剪辑、账号管理新纪元!
线性代数·矩阵
埃菲尔铁塔_CV算法2 天前
矩阵论在深度学习中的应用
深度学习·线性代数·矩阵
贵州晓智信息科技3 天前
行列式的理解与计算:线性代数中的核心概念
javascript·线性代数
LinKouun4 天前
Fisher矩阵和Hessian矩阵的关系:证明Fisher为负对数似然函数的Hessian的期望
线性代数·矩阵·黑塞矩阵·hessian·fisher·费雪矩阵