线性代数复习笔记

∣ A ∣ = ∑ j = 1 n a i j A i j ( i = 1 , 2 , . . . , n ) = ∑ i = 1 n a i j A i j ( j = 1 , 2 , . . . , n ) ; A i j = ( − 1 ) i + j M i j . |A|=\sum_{j=1}^na_{ij}A_{ij}\ (i=1,2,...,n)=\sum_{i=1}^na_{ij}A_{ij}\ (j=1,2,...,n);\ A_ij=(-1)^{i+j}M_{ij}. ∣A∣=∑j=1naijAij (i=1,2,...,n)=∑i=1naijAij (j=1,2,...,n); Aij=(−1)i+jMij.
∑ j = 1 n a i j A k j = ∑ i = 1 n a i j A i k = 0 , i ≠ k . \sum_{j=1}^na_{ij}A_{kj}=\sum_{i=1}^na_{ij}A_{ik}=0,\ i\ne k. ∑j=1naijAkj=∑i=1naijAik=0, i=k.

副对角线: ∣ B n ∣ = ( − 1 ) n ( n − 1 ) 2 ∏ i = 1 n b i , n + 1 − i |B_n|=(-1)^\frac{n(n-1)}{2}\prod_{i=1}^nb_{i,n+1-i} ∣Bn∣=(−1)2n(n−1)∏i=1nbi,n+1−i.

范德蒙: ∣ D n ∣ = ∏ 1 ≤ j ≤ i ≤ n ( x i − x j ) |D_n|=\prod_{1\leq j\leq i\leq n}(x_i-x_j) ∣Dn∣=∏1≤j≤i≤n(xi−xj).

矩阵: n × n n\times n n×n 方阵构成有零因子非交换环; 单位元 ∣ E ∣ = 1 |E|=1 ∣E∣=1; 零因子 ∣ Z ∣ = 0 |Z|=0 ∣Z∣=0.

反对称: a i j + a j i = 0    ⟹    a i i = 0 a_{ij}+a_{ji}=0\implies a_{ii}=0 aij+aji=0⟹aii=0.

转置: a i j T = a j i a^T_{ij}=a_{ji} aijT=aji; ( A + B ) T = A T + B T (A+B)^T=A^T+B^T (A+B)T=AT+BT; ( A B ) T = B T A T (AB)^T=B^TA^T (AB)T=BTAT.

逆元: A A − 1 = A − 1 A = E    ⟺    ∣ A ∣ ≠ 0 AA^{-1}=A^{-1}A=E\iff |A|\ne 0 AA−1=A−1A=E⟺∣A∣=0; ∣ A − 1 ∣ = ∣ A ∣ − 1 |A^{-1}|=|A|^{-1} ∣A−1∣=∣A∣−1; A − 1 = ∣ A ∣ − 1 A ∗ A^{-1}=|A|^{-1}A^* A−1=∣A∣−1A∗; ( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)−1=B−1A−1.
A ∣ E → ∏ i = 1 k Q k E ∣ A − 1 A\|E\xrightarrow\[\]{\prod_{i=1}^kQ_k}E\|A\^{-1} A∣E∏i=1kQk E∣A−1.

伴随: A A ∗ = A ∗ A = ∣ A ∣ E AA^*=A^*A=|A|E AA∗=A∗A=∣A∣E; ∣ A ∗ ∣ = ∣ A ∣ n − 1 |A^*|=|A|^{n-1} ∣A∗∣=∣A∣n−1; A ∗ = ∣ A ∣ A − 1 A^*=|A|A^{-1} A∗=∣A∣A−1; ( A ∗ ) ∗ = ∣ A ∣ n − 2 A ( n ≥ 2 ) (A^*)^*=|A|^{n-2}A\ (n\geq 2) (A∗)∗=∣A∣n−2A (n≥2).

正交: A A T = A T A = E    ⟹    ∣ A ∣ = ± 1 AA^T=A^TA=E\implies |A|=\pm 1 AAT=ATA=E⟹∣A∣=±1, 行(列)向量均为单位向量并两两正交.

初等变换: 对换( E i j E_{ij} Eij); 倍乘( E i ( k ) , k ≠ 0 E_i(k),\ k\ne 0 Ei(k), k=0); 倍加( E i j ( K ) E_{ij}(K) Eij(K)); 左乘为行变换, 右乘为列变换.
∣ E i j A ∣ = ∣ A E i j ∣ = − ∣ A ∣ |E_{ij}A|=|AE_{ij}|=-|A| ∣EijA∣=∣AEij∣=−∣A∣; ∣ E i ( k ) A ∣ = ∣ A E i ( k ) ∣ = k ∣ A ∣ |E_i(k)A|=|AE_i(k)|=k|A| ∣Ei(k)A∣=∣AEi(k)∣=k∣A∣; ∣ k A ∣ = k n ∣ A ∣ |kA|=k^n|A| ∣kA∣=kn∣A∣; ∣ E i j ( k ) A ∣ = ∣ A E i j ( k ) ∣ = ∣ A ∣ |E_{ij}(k)A|=|AE_{ij}(k)|=|A| ∣Eij(k)A∣=∣AEij(k)∣=∣A∣.

等价: A ≅ B    ⟺    ∃ ∣ P ∣ , ∣ Q ∣ ≠ 0 A\cong B\iff\exists |P|,|Q|\ne 0 A≅B⟺∃∣P∣,∣Q∣=0 s.t. P A Q = B PAQ=B PAQ=B.

秩: 非零子式最大阶数; 极大线性无关组中向量个数.
r ( A ) = 0    ⟺    A = O r(A)=0\iff A=O r(A)=0⟺A=O.
r ( A ) = 1    ⟺    A ≠ O r(A)=1\iff A\ne O r(A)=1⟺A=O 且任意两行(列)成比例.
r ( A A T ) = r ( A T A ) = r ( A ) r(AA^T)=r(A^TA)=r(A) r(AAT)=r(ATA)=r(A).
r ( A n ) < n    ⟺    ∣ A n ∣ = 0    ⟺    r(A_n)<n\iff|A_n|=0\iff r(An)<n⟺∣An∣=0⟺ 不可逆    ⟺    \iff ⟺ 有零特征值.
r ( A n ) = n    ⟺    ∣ A n ∣ ≠ 0    ⟺    r(A_n)=n\iff|A_n|\ne 0\iff r(An)=n⟺∣An∣=0⟺ 可逆    ⟺    \iff ⟺ 无零特征值.
r ( A ± B ) ≤ r ( A ) + r ( B ) r(A\pm B)\leq r(A)+r(B) r(A±B)≤r(A)+r(B); r ( A B ) ≤ min ⁡ { r ( A ) , r ( B ) } r(AB)\leq\min\{r(A),r(B)\} r(AB)≤min{r(A),r(B)}; max ⁡ { r ( A ) , r ( B ) } ≤ r ( A ∣ B ) ≤ r ( A ) + r ( B ) \max\{r(A),r(B)\}\leq r(A|B)\leq r(A)+r(B) max{r(A),r(B)}≤r(A∣B)≤r(A)+r(B).
r ( A m × n ) = n    ⟹    r ( A B ) = r ( B ) r(A_{m\times n})=n\implies r(AB)=r(B) r(Am×n)=n⟹r(AB)=r(B).
r ( C n × s ) = n    ⟹    r ( B C ) = r ( B ) r(C_{n\times s})=n\implies r(BC)=r(B) r(Cn×s)=n⟹r(BC)=r(B).
A ≅ B    ⟹    r ( A ) = r ( B ) A\cong B\implies r(A)=r(B) A≅B⟹r(A)=r(B).
A m × n B n × s = O    ⟹    r ( A ) + r ( B ) ≤ n A_{m\times n}B_{n\times s}=O\implies r(A)+r(B)\leq n Am×nBn×s=O⟹r(A)+r(B)≤n.
r ( A ∗ ) = { n , r ( A ) = n 1 , r ( A ) = n − 1 0 , r ( A ) < n − 1 r(A^*)=\begin{cases}n, & r(A)=n \\ 1, & r(A)=n-1 \\ 0, & r(A)<n-1\end{cases} r(A∗)=⎩ ⎨ ⎧n,1,0,r(A)=nr(A)=n−1r(A)<n−1.
α , β ≠ 0 \bm{\alpha},\bm{\beta}\ne\bm{0} α,β=0 为等维列向量    ⟹    r ( α β T ) = 1 \implies r(\bm{\alpha}\bm{\beta}^T)=1 ⟹r(αβT)=1.

线性表出: { α i } i = 1 m \{\bm{\alpha}i\}{i=1}^m {αi}i=1m, β \bm{\beta} β, ∃ { k i } i = 1 m \exists \{k_i\}{i=1}^m ∃{ki}i=1m s.t. β = ∑ i = 1 m k i α i    ⟺    r ( α i ) i = 1 m = r ( { α i } i = 1 m ∣ β )    ⟺    ( α i ) i = 1 m x = β \bm{\beta}=\sum{i=1}^m k_i\bm{\alpha}_i\iff r(\bm{\alpha}i){i=1}^m=r(\{\bm{\alpha}i\}{i=1}^m|\beta)\iff(\bm{\alpha}i){i=1}^m\bm{x}=\bm{\beta} β=∑i=1mkiαi⟺r(αi)i=1m=r({αi}i=1m∣β)⟺(αi)i=1mx=β 有解.
r ( A ) = r ( A ∣ B ) > r ( B )    ⟹    r(A)=r(A|B)>r(B)\implies r(A)=r(A∣B)>r(B)⟹ 向量组 B B B 可由向量组 A A A 线性表出, 向量组 A A A 不可由向量组 B B B 线性表出.

向量组 A , B A,B A,B 可互相线性表出    ⟺    A ≅ B    ⟺    r ( A ) = r ( A ∣ B ) = r ( B ) \iff A\cong B\iff r(A)=r(A|B)=r(B) ⟺A≅B⟺r(A)=r(A∣B)=r(B).

线性无关: { α i } i = 1 m \{\bm{\alpha}i\}{i=1}^m {αi}i=1m, 仅当 { k i } i = 1 m = 0 \{k_i\}{i=1}^m=0 {ki}i=1m=0 时才有 ∑ i = 1 m k i α i = 0    ⟺    r ( α i ) i = 1 m = m    ⟺    ( α i ) i = 1 m x = 0 \sum{i=1}^m k_i\bm{\alpha}_i=\bm{0}\iff r(\bm{\alpha}i){i=1}^m=m\iff (\bm{\alpha}i){i=1}^m\bm{x}=\bm{0} ∑i=1mkiαi=0⟺r(αi)i=1m=m⟺(αi)i=1mx=0 仅有零解.

全体组线性无关    ⟹    \implies ⟹ 部分组线性无关.

缩短组线性无关    ⟹    \implies ⟹ 延伸组线性无关.

向量组 B t B_t Bt 线性无关, 可由向量组 A s A_s As 线性表出    ⟹    s ≥ t \implies s\geq t ⟹s≥t.

向量组 A A A 线性无关, 添加 β \bm{\beta} β 后线性相关    ⟹    β \implies\bm{\beta} ⟹β 可由向量组 A A A 线性表出且方式唯一.

v = A x = B y \bm{v}=A\bm{x}=B\bm{y} v=Ax=By.

过渡矩阵: 基 A A A 变换为基 B B B, 有 B = A P B=AP B=AP.

坐标变换: 坐标 x \bm{x} x 变换为 y \bm{y} y, 即 y = P − 1 x \bm{y}=P^{-1}\bm{x} y=P−1x.

施密特正交化: β 1 = α 1 \bm{\beta}_1=\bm{\alpha}_1 β1=α1; β i = α i − ∑ j = 1 r − 1 α i , β j β j , β j , i = 2 , 3 , . . . , r \bm{\beta}_i=\bm{\alpha}i-\sum{j=1}^{r-1}\frac{\\bm{\\alpha}_i,\\bm{\\beta}_j}{\\bm{\\beta}_j,\\bm{\\beta}_j},\ i=2,3,...,r βi=αi−∑j=1r−1βj,βjαi,βj, i=2,3,...,r.

单位化: γ i = β i ∣ ∣ β i ∣ ∣ , i = 1 , 2 , . . . , r \bm{\gamma}_i=\frac{\bm{\beta}_i}{||\bm{\beta}_i||},\ i=1,2,...,r γi=∣∣βi∣∣βi, i=1,2,...,r.

A x = 0 A\bm{x}=\bm{0} Ax=0 仅有零解(唯一解)    ⟺    r ( A ) = n \iff r(A)=n ⟺r(A)=n.
A x = 0 A\bm{x}=\bm{0} Ax=0 有非零解(无穷解)    ⟺    r ( A ) < n \iff r(A)<n ⟺r(A)<n.
A x = b A\bm{x}=\bm{b} Ax=b 有唯一解    ⟺    r ( A ) = r ( A ∣ b ) = n \iff r(A)=r(A|\bm{b})=n ⟺r(A)=r(A∣b)=n.
A x = b A\bm{x}=\bm{b} Ax=b 有无穷解    ⟺    r ( A ) = r ( A ∣ b ) < n \iff r(A)=r(A|\bm{b})<n ⟺r(A)=r(A∣b)<n.
A x = b A\bm{x}=\bm{b} Ax=b 无解    ⟺    r ( A ) < r ( A ∣ b ) \iff r(A)<r(A|\bm{b}) ⟺r(A)<r(A∣b), 即 r ( A ) = r ( A ∣ b ) − 1 r(A)=r(A|\bm{b})-1 r(A)=r(A∣b)−1.

基础解系: A x = 0 A\bm{x}=\bm{0} Ax=0 的 s = n − r ( A ) s=n-r(A) s=n−r(A) 个线性无关解 { ξ i } i = 1 s \{\bm{\xi}i\}{i=1}^s {ξi}i=1s; 通解 x = ∑ i = 1 s k i ξ i \bm{x}=\sum_{i=1}^sk_i\bm{\xi}_i x=∑i=1skiξi.
A x = 0 A\bm{x}=\bm{0} Ax=0 的解的线性组合也为 A x = 0 A\bm{x}=0 Ax=0 的解.
ξ \bm{\xi} ξ 为 A x = 0 A\bm{x}=0 Ax=0 的解, η {\eta} η 为 A x = b A\bm{x}=\bm{b} Ax=b 的解    ⟹    η + k ξ \implies\bm{\eta}+k\bm{\xi} ⟹η+kξ 为 A x = b A\bm{x}=\bm{b} Ax=b 的解.
A x = b A\bm{x}=\bm{b} Ax=b 的解的系数和为 0 0 0 的线性组合为 A x = 0 A\bm{x}=\bm{0} Ax=0 的解; 系数和为 1 1 1 的线性组合为 A x = b A\bm{x}=\bm{b} Ax=b 的解.

A x = 0 A\bm{x}=\bm{0} Ax=0 和 B x = 0 B\bm{x}=\bm{0} Bx=0 有非零公共解    ⟹    r ( A B ) < n \implies r{A\choose B}<n ⟹r(BA)<n.
A x = 0 A\bm{x}=\bm{0} Ax=0 的解均为 B x = 0 B\bm{x}=\bm{0} Bx=0 的解    ⟹    r ( A ) ≥ r ( B ) \implies r(A)\geq r(B) ⟹r(A)≥r(B).
A x = 0 A\bm{x}=\bm{0} Ax=0 和 B x = 0 B\bm{x}=\bm{0} Bx=0 同解    ⟹    r ( A ) = r ( B ) = r ( A B ) \implies r(A)=r(B)=r{A\choose B} ⟹r(A)=r(B)=r(BA).

A T A x = 0 A^TA\bm{x}=\bm{0} ATAx=0 和 A x = 0 A\bm{x}=\bm{0} Ax=0 同解.
A B x = 0 AB\bm{x}=\bm{0} ABx=0 和 B x = 0 B\bm{x}=\bm{0} Bx=0 同解; A A A 为列满秩.
A n n x = 0 A_n^n\bm{x}=\bm{0} Annx=0 和 A n n + 1 x = 0 A_n^{n+1}\bm{x}=\bm{0} Ann+1x=0 同解.

特征值: A α = λ α A\bm{\alpha}=\lambda\bm{\alpha} Aα=λα; ∣ A − λ E ∣ = 0 |A-\lambda E|=0 ∣A−λE∣=0.

正交矩阵特征值为 ± 1 \pm 1 ±1.
f ( A ) = 0    ⟹    f ( λ ) = 0 f(A)=0\implies f(\lambda)=0 f(A)=0⟹f(λ)=0.

特征向量: ( A − λ E ) x = 0 (A-\lambda E)\bm{x}=0 (A−λE)x=0.
k k k 重特征值至多有 k k k 个线性无关的特征向量; 不同特征值对应的特征向量线性无关; 一个特征向量对应一个特征值; 全部线性无关的特征向量的线性组合也为该特征值的特征向量.

矩阵 特征值 特征向量
A A A λ \lambda λ α \bm{\alpha} α
A + k E A+kE A+kE λ + k \lambda+k λ+k α \bm{\alpha} α
k A kA kA k λ k\lambda kλ α \bm{\alpha} α
A k A^k Ak λ k \lambda^k λk α \bm{\alpha} α
f ( A ) f(A) f(A) f ( λ ) f(\lambda) f(λ) α \bm{\alpha} α
A − 1 A^{-1} A−1 1 λ \frac{1}{\lambda} λ1 α \bm{\alpha} α
A ∗ A^* A∗ ∣ A ∣ λ \frac{|A|}{\lambda} λ∣A∣ α \bm{\alpha} α
A T A^T AT λ \lambda λ -
P − 1 A P P^{-1}AP P−1AP λ \lambda λ P − 1 α P^{-1}\bm{\alpha} P−1α

相似: A ∼ B    ⟺    ∃ ∣ P ∣ ≠ 0 A\sim B\iff\exists|P|\ne 0 A∼B⟺∃∣P∣=0 s.t. P − 1 A P = B P^{-1}AP=B P−1AP=B.
A ∼ B    ⟹    ∣ A − λ E ∣ = ∣ B − λ E ∣    ⟹    A ≅ B A\sim B\implies |A-\lambda E|=|B-\lambda E|\implies A\cong B A∼B⟹∣A−λE∣=∣B−λE∣⟹A≅B, t r ( A ) = t r ( B ) {\rm tr}(A)={\rm tr}(B) tr(A)=tr(B), ∣ A ∣ = ∣ B ∣ |A|=|B| ∣A∣=∣B∣, 各阶主子式之和分别相等.
A n ∼ Λ    ⟺    A A_n\sim\Lambda\iff A An∼Λ⟺A 有 n n n 个线性无关的特征向量, 此时 P = ( α i ) i = 1 n P=(\bm{\alpha}i){i=1}^n P=(αi)i=1n, Λ = P − 1 A P    ⟺    A \Lambda=P^{-1}AP\iff A Λ=P−1AP⟺A 的 k k k 重特征根恰有 k k k 个线性无关的特征向量, 即 r ( A − λ E ) = n − k r(A-\lambda E)=n-k r(A−λE)=n−k.
A n A_n An 有 n n n 个不同的特征值    ⟹    A ∼ Λ \implies A\sim\Lambda ⟹A∼Λ.
( A − λ 1 E ) ( A − λ 2 E ) = O , λ 1 ≠ λ 2    ⟹    A ∼ Λ (A-\lambda_1 E)(A-\lambda_2 E)=O,\ \lambda_1\ne\lambda_2\implies A\sim\Lambda (A−λ1E)(A−λ2E)=O, λ1=λ2⟹A∼Λ.

A = P − 1 Λ P    ⟹    A k = P − 1 Λ k P A=P^{-1}\Lambda P\implies A^k=P^{-1}\Lambda^k P A=P−1ΛP⟹Ak=P−1ΛkP.
A = ( λ E + B )    ⟹    A k = ∑ i = 1 k ( k i ) λ i B k − i A=(\lambda E+B)\implies A^k=\sum_{i=1}^k{k\choose i}\lambda^iB^{k-i} A=(λE+B)⟹Ak=∑i=1k(ik)λiBk−i; B j = O B^j=O Bj=O, j ≪ k j\ll k j≪k.
A = α β T    ⟹    A k = c k − 1 A A=\bm{\alpha}\bm{\beta}^T\implies A^k=c^{k-1}A A=αβT⟹Ak=ck−1A, c = β T α c=\bm{\beta}^T\bm{\alpha} c=βTα.
λ n = ∣ λ E − A ∣ Q ( λ ) + R ( λ )    ⟹    A n = R ( A ) \lambda^n=|\lambda E-A|Q(\lambda)+R(\lambda)\implies A^n=R(A) λn=∣λE−A∣Q(λ)+R(λ)⟹An=R(A).

A A A 为实对称矩阵: a i j = a j i ∈ R a_{ij}=a_{ji}\in\mathbb{R} aij=aji∈R;

特征值均为实数;

不同特征值的特征向量正交;
∃ \exists ∃ 正交矩阵 Q Q Q s.t. Q − 1 A Q = Q T A Q = Λ Q^{-1}AQ=Q^TAQ=\Lambda Q−1AQ=QTAQ=Λ, 即可正交相似对角化;
B B B 也为实对称矩阵, A ∼ B    ⟹    { λ A } = { λ B } A\sim B\implies \{\lambda_A\}=\{\lambda_B\} A∼B⟹{λA}={λB}.

二次型: ∑ i = 1 n ∑ j = 1 n a i j x i x j = x T A x \sum_{i=1}^n\sum_{j=1}^na_{ij}x_ix_j=\bm{x}^TA\bm{x} ∑i=1n∑j=1naijxixj=xTAx; A A A 为实对称矩阵.

标准形: 只含平方项.

规范形: 只含平方项, 系数只能为 0 , 1 , − 1 0,1,-1 0,1,−1.

正交变换: x = Q y \bm{x}=Q\bm{y} x=Qy, 即 Q T A Q = Λ Q^TAQ=\Lambda QTAQ=Λ; 正交矩阵 Q = ( γ i = 1 n ) Q=(\bm{\gamma}_{i=1}^n) Q=(γi=1n) 为 A A A 特征向量的正交单位化.

配方换元: x = C y \bm{x}=C\bm{y} x=Cy, C C C 为可逆矩阵.

惯性定理: 标准形正负系数个数(正负惯性指数)分别等于正负特征值个数, 数量和为矩阵秩.

合同: A ≃ B    ⟺    ∃ ∣ C ∣ ≠ 0 A\simeq B\iff\exists |C|\ne 0 A≃B⟺∃∣C∣=0 s.t. B = C T A C    ⟺    A , B B=C^TAC\iff A,B B=CTAC⟺A,B 的正负惯性指数分别相等.

正定: ∀ x ≠ O \forall \bm{x}\ne O ∀x=O s.t. x T A x > 0 \bm{x}^TA\bm{x}>0 xTAx>0.
A n A_n An 正定    ⟺    \iff ⟺ 正惯性指数为 n    ⟺    n\iff n⟺ 标准形平方项系数全为正    ⟺    \iff ⟺ 特征值均大于 0    ⟺    0\iff 0⟺ 各阶顺序主子式均大于 0    ⟺    ∃ ∣ P ∣ ≠ 0 0\iff\exists |P|\ne 0 0⟺∃∣P∣=0 s.t. A = P T P A=P^TP A=PTP, 即 A ≃ E    ⟹    a i i > 0 , i = 1 , 2 , . . . , n A\simeq E\implies a_ii>0,\ i=1,2,...,n A≃E⟹aii>0, i=1,2,...,n, ∣ A ∣ > 0 |A|>0 ∣A∣>0.

相关推荐
Li_RuiQi11 小时前
DAgger方法演进_独立学习笔记
笔记·学习·计算机视觉
Li_RuiQi16 小时前
DAgger与交互式模仿学习_ACT学习笔记
笔记·学习
He BianGu16 小时前
【笔记】C# 中BindingFlags的详细作用
笔记·c#
AI视觉网奇16 小时前
turtle 入门教程笔记
笔记
跨知易知识产权16 小时前
美国专利确权是什么,和专利诉讼有什么不一样?
笔记
杨逢昌工厂6S管理17 小时前
126-杨逢昌6S三环体系:越做越乱的现场熵增机理与基准化治理——一线现场诊断笔记
经验分享·笔记·职场和发展·学习方法
悟道书生17 小时前
若依 RBAC 权限控制学习笔记
java·网络·笔记·sql·学习·vue
陈哈哈111117 小时前
折腾了半天,总算把 Vim 9.2 装明白了
笔记
陈哈哈111117 小时前
折腾了半天,总算把 OpenGL 的开发环境给装明白了
笔记
深圳老胡18 小时前
STM32F103 硬件 SPI 与软件 IO 模拟 SPI 最高速度差异详解
笔记·stm32·单片机·代码规范·1024程序员节