线代笔记

EliorFoy Lv3

一、行列式

1.

xbbbbxbbbbxbbbbx=[x+(n1)b](xb)n1\left| \begin{matrix} x & b & b & \cdots & b \\ b & x & b & \cdots & b \\ b & b & x & \cdots & b \\ \vdots & \vdots & \vdots & & \vdots \\ b & b & b & \cdots & x \end{matrix}\right| = \left\lbrack {x + \left( {n - 1}\right) b}\right\rbrack {\left( x - b\right) }^{n - 1} .
若视 xx 为变量, bb 为常数,则行列式是 xxnn 次多项式,其根是 x1=x2==xn1=b,xn=(1n)b{x}_{1} = {x}_{2} = \cdots = {x}_{n - 1} = b,{x}_{n} = \left( {1 - n}\right) b .
aaλa\lambda - a 时, λabbbbλabbbbλabbbbλan×n=[λa+(n1)b](λab)n1{\left| \begin{matrix} \lambda - a & b & b & \cdots & b \\ b & \lambda - a & b & \cdots & b \\ b & b & \lambda - a & \cdots & b \\ \vdots & \vdots & \vdots & & \vdots \\ b & b & b & \cdots & \lambda - a \end{matrix}\right| }_{n \times n} = \left\lbrack {\lambda - a + \left( {n - 1}\right) b}\right\rbrack {\left( \lambda - a - b\right) }^{n - 1} .
若视 λ\lambda 为变量, a,ba,b 为常数,则行列式是 λ\lambdann 次多项式,其根是 λ1=λ2==λn1=a+b,λn=a(n1)b{\lambda }_{1} = {\lambda }_{2} = \cdots = {\lambda }_{n - 1} = a + b,{\lambda }_{n} = a - \left( {n - 1}\right) b .
后续可求特征值

2.

①若行列式为 “X” 型,则
a. 主副对角线上元素相同.

ab...abba...ba2n=(a2b2)n\left| \begin{matrix} a & & & & & b \\ & \ddots & & & \kern1mu \raisebox{1pt}{.} \kern2mu \raisebox{4pt}{.} \kern2mu \raisebox{7pt}{.} \kern1mu & \\ & & a & b & & \\ & & b & a & & \\ & \kern1mu \raisebox{1pt}{.} \kern2mu \raisebox{4pt}{.} \kern2mu \raisebox{7pt}{.} \kern1mu & & & \ddots & \\ b & & & & & a \end{matrix} \right|_{2n} = (a^2 - b^2)^n

b. 主副对角线上元素不同.

a1b1...akbkbk+1ak+1...b2ka2k2k=i=1k(aia2k+1ibib2k+1i).\left| \begin{matrix} {a}_{1} & & & & & {b}_{1} \\ & \ddots & & & \kern1mu \raisebox{1pt}{.} \kern2mu \raisebox{4pt}{.} \kern2mu \raisebox{7pt}{.} \kern1mu & \\ & & {a}_{k} & {b}_{k} & & \\ & & {b}_{k + 1} & {a}_{k + 1} & & \\ & \kern1mu \raisebox{1pt}{.} \kern2mu \raisebox{4pt}{.} \kern2mu \raisebox{7pt}{.} \kern1mu & & & \ddots & \\ {b}_{2k} & & & & & {a}_{2k} \end{matrix}\right|_{2k} = \mathop{\prod }\limits_{i = 1}^{k}\left( {a}_{i}{a}_{2k + 1 - i} - {b}_{i}{b}_{2k + 1 - i}\right) .

2k=4{2k} = 4 ,即 k=2k = 2 时, D4=i=12(aia5ibib5i)=(a1a4b1b4)(a2a3b2b3){D}_{4} = \mathop{\prod }\limits_{i = 1}^{2}\left( {a}_{i}{a}_{5 - i} - {b}_{i}{b}_{5 - i}\right) = \left( {a}_{1}{a}_{4} - {b}_{1}{b}_{4}\right) \left( {a}_{2}{a}_{3} - {b}_{2}{b}_{3}\right) .
以上两个公式通常用于后续矩阵的正定问题、二次型问题,而非只用于计算行列式.
②如类对称(主对角线元素相同,左下、右上各元素相同)行列式,可通过递推法、归纳法计算.

abbcabcca={[a+(n1)b](ab)n1,b=c,b(ac)nc(ab)nbc,bc.\left| \begin{matrix} a & b & \cdots & b \\ c & a & \cdots & b \\ \vdots & \vdots & & \vdots \\ c & c & \cdots & a \end{matrix}\right| = \left\{ \begin{array}{l} \left\lbrack {a + \left( {n - 1}\right) b}\right\rbrack {\left( a - b\right) }^{n - 1},b = c, \\ \frac{b{\left( a - c\right) }^{n} - c{\left( a - b\right) }^{n}}{b - c},b \neq c. \end{array}\right.

③对于 nn 阶行列式,记 Δ=k24bc\Delta = {k}^{2} - {4bc} ,有

kbcbckn={(n+1)(k2)n,k2=4bc,(k+)n+1(k)n+12n+1,k24bc{\left| \begin{matrix} k & b & & \\ c & \ddots & \ddots & \\ & \ddots & \ddots & b \\ & & c & k \end{matrix}\right| }_{n} = \left\{ \begin{array}{l} \left( {n + 1}\right) \cdot {\left( \frac{k}{2}\right) }^{n},{k}^{2} = {4bc}, \\ \frac{\left( k + \sqrt{\bigtriangleup }\right) ^{n + 1} - {\left( k - \sqrt{\bigtriangleup }\right) }^{n + 1}}{2^{n + 1}\sqrt{\bigtriangleup }},{k}^{2} \neq {4bc} \end{array}\right.

3. 克拉默法则简单推导

如何理解克拉默法则? - 知乎
就是通过构造一个这个样的矩阵:
xi=det(100x1000x21010xi0101xn1000xn001)x_{i}=\operatorname* {d e t} \left( \begin{matrix} {1} & {0} & {\cdots} & {0} & {x_{1}} & {0} & {\cdots} & {\cdots} & {0} \\ {0} & {\ddots} & {\ddots} & {\vdots} & {x_{2}} & {\vdots} & {\vdots} & {\vdots} & {\vdots} \\ {\vdots} & {\ddots} & {1} & {0} & {\vdots} & {\vdots} & {\vdots} & {\vdots} & {\vdots} \\ {\vdots} & {\ddots} & {\ddots} & {1} & {\vdots} & {\vdots} & {\vdots} & {\vdots} & {\vdots} \\ {\vdots} & {\vdots} & {\vdots} & {0} & {x_{i}} & {0} & {\vdots} & {\vdots} & {\vdots} \\ {\vdots} & {\vdots} & {\vdots} & {\vdots} & {\vdots} & {1} & {\ddots} & {\vdots} & {\vdots} \\ {\vdots} & {\vdots} & {\vdots} & {\vdots} & {\vdots} & {0} & {1} & {\ddots} & {\vdots} \\ {\vdots} & {\vdots} & {\vdots} & {\vdots} & {x_{n-1}} & {\vdots} & {\ddots} & {\ddots} & {0} \\ {0} & {\cdots} & {\cdots} & {0} & {x_{n}} & {0} & {\cdots} & {0} & {1} \\ \end{matrix} \right)

二、矩阵

1.

(ABC)=CBA( A B C )^{\intercal}=C^{\intercal} B^{\intercal} A^{\intercal}

2. 二维下的旋转矩阵

M(θ)=[cosθsinθsinθcosθ]=cosθ[1001]+sinθ[0110]=exp(θ[0110])M ( \theta)=\left[ \begin{array} {c c} {\operatorname{c o s} \theta\,} & {\,-\, s i n \theta} \\ \\ {s i n \theta\,} & {\, \operatorname{c o s} \theta} \\ \end{array} \right]=\operatorname{c o s} \theta \left[ \begin{array} {c c} {1} & {0} \\ {\, 0 \,} & {1} \\ \end{array} \right]+\operatorname{s i n} \theta \left[ \begin{array} {c c} {0} & {\,-1 \,} \\ {\, 1} & {\, 0 \,} \\ \end{array} \right]=\operatorname{e x p} \left( \theta \left[ \begin{array} {c c} {0} & {\,-1 \,} \\ {\, 1} & {\, 0 \,} \\ \end{array} \right] \right)

[cosϕsinϕsinϕcosϕ][ρcosθρsinθ]=[ρcos(θ+ϕ)ρsin(θ+ϕ)]\left[ \begin{array}{cc} \cos \phi & -\sin \phi \\ \sin \phi & \cos \phi \end{array} \right] \begin{bmatrix} \rho\cos\theta \\ \rho\sin\theta \end{bmatrix} = \begin{bmatrix} \rho\cos(\theta+\phi) \\ \rho\sin(\theta+\phi) \end{bmatrix}

3. 矩阵可逆的几个充要条件及其简要证明

矩阵可逆:
概念:对于 nn 阶矩阵 A\mathbf{A} ,如果有一个 nn 阶矩阵 B\mathbf{B} ,使

AB=BA=E\mathbf{A} \mathbf{B}=\mathbf{B} \mathbf{A}=\mathbf{E}

则说矩阵 A\mathbf{A} 是可逆的,并把矩阵 B\mathbf{B} 称为 A\mathbf{A} 的逆矩阵。

注意此处的可逆指的是方阵的逆,后面矩阵论中才会涉及到非方阵的广义逆矩阵或伪逆矩阵。

1. A0| \mathbf{A} | \neq0

充分性:

A A=AA=AE,{\textbf{A A}}^{*}={\textbf{A}}^{*} {\textbf{A}}=\left| {\textbf{A}} \right| {\textbf{E}} \, ,

A0| \, \textbf{A} \, | \neq0 ,故有

A 1AA=1AA A=E ,\textbf{A} \ \frac{1} {\mid \textbf{A} \mid} \textbf{A}^{\ast}=\frac{1} {\mid \textbf{A} \mid} \textbf{A}^{\ast} \ \textbf{A}=\textbf{E} \ ,

所以,按逆矩阵的定义,即知 A\boldsymbol{A} 可逆,且有

A1=1AA\boldsymbol{A}^{-1} = \frac{1}{|\boldsymbol{A}|} \boldsymbol{A}^{*}

必要性:
A\boldsymbol{A} 可逆,即有 A1{\boldsymbol{A}}^{-1} 使 AA1=E.{\boldsymbol{A A}}^{-1}={\boldsymbol{E}} .A A1=E=1\mid\boldsymbol{A} \mid\ \cdot\mid\boldsymbol{A}^{-1} \mid=\mid\boldsymbol{E} \mid=1,所以 A0.\mid A \mid\neq0 .
证毕。

2. A\mathbf{A}可表示为有限个初等矩阵相乘

充分性:
A=P1P2PlA={\boldsymbol{P}}_{1} {\boldsymbol{P}}_{2} \cdots{\boldsymbol{P}}_{l},因初等矩阵可逆,有限个可逆矩阵的乘积仍可逆
必要性:
A\boldsymbol{A} 可逆Q1Q1A=BA=Q11Qi1B=Q11Qi1E=Q11Qi1=P1Pi\Longleftrightarrow \boldsymbol{Q}_{1} \cdots\boldsymbol{Q}_{1} \boldsymbol{A}=\boldsymbol{B} \Longleftrightarrow \boldsymbol{A}=\boldsymbol{Q}_{1}^{-1} \cdots \boldsymbol{Q}_{i}^{-1} \boldsymbol{B}=\boldsymbol{Q}_{1}^{-1} \cdots \boldsymbol{Q}_{i}^{-1} \boldsymbol{E}=\boldsymbol{Q}_{1}^{-1} \cdots \boldsymbol{Q}_{i}^{-1}=\boldsymbol{P}_{1} \cdots \boldsymbol{P}_{i}

3. A\mathbf{A}等价于n阶单位矩阵

A\boldsymbol{A} 可逆\Longleftrightarrow在可逆矩阵 PP ,使 PA=EP A=E A rE.\Longleftrightarrow A \stackrel{\tiny\mathrm{\tiny~ r}} {\sim} E .

4. R(A)=nR ( \mathbf{A} )=n

R(A)=n    A0    R ( {\bf A} )=n \iff| {\bf A} | \neq0 \iff 矩阵可逆

5. A\mathbf{A}的列(行)向量组线性无关

A\mathbf{A}的列向量组线性无关    \iff对应齐次线性方程组只有零解    R(A)=n    \iff R ( {\bf A} )=n\iff 矩阵可逆

6. 齐次线性方程组Ax=0\mathbf{A x}=\mathbf{0}仅有零解

7. 非齐次线性方程组Ax=b\mathbf{A x}=\mathbf{b}有唯一解

8. 任一nn维向量可由A\mathbf{A}的列(行)向量组线性表示

9. A\mathbf{A}的特征值不为0

等价于A0| \mathbf{A} | \neq0

4. 简单分块矩阵的逆

A,BA , \, B 均是可逆方阵:

[AOOB]1=[A1OOB1],[OABO]1=[OB1A1O]{\left[ \begin{matrix} {A} & {O} \\ {O} & {B} \\ \end{matrix} \right]}^{-1}= {\left[ \begin{matrix} {A^{-1}} & {O} \\ {O} & {B^{-1}} \\ \end{matrix} \right]} , {\left[ \begin{matrix} {O} & {A} \\ {B} & {O} \\ \end{matrix} \right]}^{-1}= {\left[ \begin{matrix} {O} & {B^{-1}} \\ {A^{-1}} & {O} \\ \end{matrix} \right]}

副对角线分块矩阵的逆,可推广如下

A=[A1A2...As],\boldsymbol{A}=\left[ \begin{matrix} {} & {} & {} & {\boldsymbol{A}_{1}} \\ {} & {} & {\boldsymbol{A}_{2}} & {} \\ {} & \kern1mu \raisebox{1pt}{.} \kern2mu \raisebox{4pt}{.} \kern2mu \raisebox{7pt}{.} \kern1mu & {} & {} \\ {\boldsymbol{A}_{s}} & {} & {} & {} \\ \end{matrix} \right] ,

其中 Ai(i=1,  2,  ,  s)A_{i} ( i=1 , \; 2 , \; \cdots, \; s ) 可逆,则 AA 可逆,且

A1=[As1...A21A11].\boldsymbol{A}^{-1}=\left[ \begin{array} {c c c c} {} & {} & {} & {\boldsymbol{A}_{s}^{-1}} \\ {} & {} & \kern1mu \raisebox{1pt}{.} \kern2mu \raisebox{4pt}{.} \kern2mu \raisebox{7pt}{.} \kern1mu & {} \\ {} & {\boldsymbol{A}_{2}^{-1}} & {} & {} \\ {\boldsymbol{A}_{1}^{-1}} & {} & {} & {} \\ \end{array} \right] .

A=[A1A2As],\boldsymbol{A}=\left[ \begin{matrix} {\boldsymbol{A}_{1}} \\ {} & {\boldsymbol{A}_{2}} \\ {} & {} & {\ddots} \\ {} & {} & {} & {\boldsymbol{A}_{s}} \\ \end{matrix} \right] ,

则:

A1=[A11A21As1].\boldsymbol{A}^{-1}=\left[ \begin{matrix} {\boldsymbol{A}_{1}^{-1}} & {} & {} & {} \\ {} & {\boldsymbol{A}_{2}^{-1}} & {} & {} \\ {} & {} & {\ddots} & {} \\ {} & {} & {} & {\boldsymbol{A}_{s}^{-1}} \\ \end{matrix} \right] \, .

5. 一些伴随矩阵等式

A=AA1,A^{\ast}=\left| A \right| A^{\mathfrak{-1}} ,

A=An1,\left\vert A^{\ast} \right\vert=\left\vert A \right\vert^{n-1} ,

(A)1=(A1),( A^{\ast} )^{- 1}=( A^{- 1} )^{\ast} \, ,

(A)=(A),( A^{\ast} )^{\intercal}=( A^{\intercal} )^{\ast} ,

(A)=An2A,( A^{\ast} )^{\ast}=\left| A \right|^{n-2} A \, ,

(AB)=BA,( A B )^{\ast}=B^{\ast} A^{\ast} \, ,

(kA)=kn1A.( k A )^{\ast}=k^{n-1} A^{\ast} .

6. 有关秩的一些式子

AAm×nm\times n矩阵,BB是满足有关矩阵运算要求的矩阵,则
0r(A)min{m,n}0\leqslant r(A)\leqslant\min\{m,n\}(由定义)r(A)=0A=Or(A)=0\Leftrightarrow A=O
r(kA)=r(A)(k0)r(kA)=r(A)(k\neq0)(由定义);
r(AB)min{r(A),r(B)}r(AB)\leqslant\min\{r(A),r(B)\}
r(A+B)r(A)+r(B)r(A+B)\leqslant r(A)+r(B)
\star r(A)={n,r(A)=n,1,r(A)=n1,0,r(A)<n1,r(A^*)=\begin{cases}n,&r(A)=n,\\1,&r(A)=n-1,\\0,&r(A)<n-1,&\end{cases} 其中AAn(n2)n(n\geqslant2)阶方阵;
用到了秩-零化度定理:dim(null(A))=nrank(A)\mathrm{dim(null(A))=n-rank(A)}(该定理暂时不证明)
image-2025852712489.png
注意上述过程是等价的,也就是r(A)=nr(A)=n,r(A)=n1r(A)=1,r(A)<n1r(A)=0.r(A)=n\Leftrightarrow r(A^*)=n,r(A)=n-1\Leftrightarrow r(A^*)=1,r(A)<n-1\Leftrightarrow r(A^*)=0.
⑥设AAm×nm\times n矩阵,PPQQ分别是mmnn阶可逆矩阵,则r(A)=r(PA)=r(AQ)=r(PAQ)r(A)=r(PA)=r(AQ)=r(PAQ)
\starAm×nBn×s=0,r(A)+r(B)nA_{m\times n}B_{n\times s}=0,\text{则}r(A)+r(B)\leqslant n
r(A)=r(AT)=r(ATA)=r(AAT)r(A)=r(A^{\mathrm{T}})=r(A^{\mathrm{T}}A)=r(AA^{\mathrm{T}}).

三、向量组

image-2025865436552.png

1. 判别线性相关性的七大定理

定理 1 向量组α1,α2,,αn(n2)\alpha_1,\alpha_2,\dots,\alpha_n(n\geqslant2)线性相关的充要条件是:向量组中至少有一个向量可由其余的n1n-1个向量线性表示。
其逆否命题:向量组α1,α2,,αn(n2)\alpha_1,\alpha_2,\dots,\alpha_n(n\geqslant2)线性无关的充要条件是:任一向量都不能由其余的n1n-1个向量线性表示。
定理 2 若向量组α1,α2,,αn\alpha_1,\alpha_2,\cdots,\alpha_n线性无关而β,α1,α2,,αn\beta,\alpha_1,\alpha_2,\cdots,\alpha_n线性相关,则β\beta可由α1,α2,,αn\alpha_1,\alpha_2,\cdots,\alpha_n线性表示,且表示法唯一。
定理 3 如果向量组β1,β2,,βt\beta_1,\beta_2,\cdots,\beta_t可由向量α1,α2,,αs\alpha_1,\alpha_2,\cdots,\alpha_s线性表示,且t>st>s,则β1,β2,,βt\beta_1,\beta_2,\cdots,\beta_t线性相关(以少表多,多的相关)。
其等价命题:如果向量组β1,β2,,βt\beta_1,\beta_2,\cdots,\beta_t可由向量组α1,α2,,αs\alpha_1,\alpha_2,\cdots,\alpha_s线性表示,且β1,β2,,βt\beta_1,\beta_2,\cdots,\beta_t线性无关,则tst \leq s
定理 4mmnn维向量α1,α2,,αm{\boldsymbol{\alpha}}_{1} , \, {\boldsymbol{\alpha}}_{2} , \, \cdots, \, {\boldsymbol{\alpha}}_{m},其中:

向量组α1,α2,,αm{\boldsymbol{\alpha}}_{1} , \, {\boldsymbol{\alpha}}_{2} , \, \cdots, \, {\boldsymbol{\alpha}}_{m}线性相关\Leftrightarrow齐次线性方程组

[α1,α2,,αm][x1x2xm]=x1α1+x2α2++xmαm=0\left[ {\boldsymbol{\alpha}}_{1} , \, {\boldsymbol{\alpha}}_{2} , \, \cdots, \, {\boldsymbol{\alpha}}_{m} \right] \left\lbrack \begin{matrix} {x}_{1} \\ {x}_{2} \\ \vdots \\ {x}_{m} \end{matrix}\right\rbrack=x_{1} \boldsymbol{\alpha}_{1}+x_{2} \boldsymbol{\alpha}_{2}+\cdots+x_{m} \boldsymbol{\alpha}_{m}=\mathbf{0}

有非零解 r([α1,α2,,αm])<m\Leftrightarrow r\left( \left[ {\boldsymbol{\alpha}}_{1} , \, {\boldsymbol{\alpha}}_{2} , \, \cdots, \, {\boldsymbol{\alpha}}_{m} \right] \right) < m .
其等价命题:α1,α2,,αm{\alpha }_{1},{\alpha }_{2},\cdots ,{\alpha }_{m} 线性无关的充分必要条件是齐次线性方程组只有零解.
向量组 α1,α2,,αm{\mathbf{\alpha }}_{1},{\mathbf{\alpha }}_{2},\cdots ,{\mathbf{\alpha }}_{m} 线性无关\Leftrightarrow 只有全为 0 的 x1,x2,,xm{x}_{1},{x}_{2},\cdots ,{x}_{m} ,使 x1α1+x2α2++xmαm=0{x}_{1}{\mathbf{\alpha }}_{1} + {x}_{2}{\mathbf{\alpha }}_{2} + \cdots + {x}_{m}{\mathbf{\alpha }}_{m} = \mathbf{0} 成立
[α1,α2,,αm][x1x2xm]=0\Leftrightarrow \left[ {\boldsymbol{\alpha}}_{1} , \, {\boldsymbol{\alpha}}_{2} , \, \cdots, \, {\boldsymbol{\alpha}}_{m} \right] \left\lbrack \begin{matrix} {x}_{1} \\ {x}_{2} \\ \vdots \\ {x}_{m} \end{matrix}\right\rbrack = \mathbf{0} 只有零解
r([α1,α2,,αm])=m\Leftrightarrow r\left( \left[ {\boldsymbol{\alpha}}_{1} , \, {\boldsymbol{\alpha}}_{2} , \, \cdots, \, {\boldsymbol{\alpha}}_{m} \right] \right) = m .
定理 5 向量β\beta可由向量组α1,α2,,αs\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_s线性表示
\Leftrightarrow 非齐次线性方程组[α1,α2,,αs][x1x2xs]=x1α1+x2α2++xsαs=β\left[\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_s\right]\begin{bmatrix}x_1\\x_2\\\vdots\\x_s\end{bmatrix}=x_1\boldsymbol{\alpha}_1+x_2\boldsymbol{\alpha}_2+\cdots+x_s\boldsymbol{\alpha}_s=\boldsymbol{\beta}有解
r([α1,α2,,αs])=r([α1,α2,,αs,β]).\Leftrightarrow r([\alpha_1,\alpha_2,\cdots,\alpha_s])=r([\alpha_1,\alpha_2,\cdots,\alpha_s,\beta]).
反之则有,向量β\boldsymbol{\beta}不能由向量组α1,α2,,αs\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_s线性表示[a1,a2,,as][x1x2xs]=x1a1+x2a2++xsas=β\Leftrightarrow[\boldsymbol{a}_1,\boldsymbol{a}_2,\cdots,\boldsymbol{a}_s]\begin{bmatrix}x_1\\\\x_2\\\vdots\\x_s\end{bmatrix}=x_1\boldsymbol{a}_1+x_2\boldsymbol{a}_2+\cdots+x_s\boldsymbol{a}_s=\boldsymbol{\beta}无解
r([α1,α2,,αs])r([α1,α2,,αs,β]).r([α1,α2,,αs])+1=r([α1,α2,,αs,β])\Leftrightarrow r\left( \left\lbrack {\alpha _{1},{\alpha }_{2},\cdots ,{\alpha }_{s}}\right\rbrack \right) \neq r\left( \left\lbrack {\alpha _{1},{\alpha }_{2},\cdots ,{\alpha }_{s},\beta }\right\rbrack \right) . \Rightarrow r\left( \left\lbrack {\alpha _{1},{\alpha }_{2},\cdots ,{\alpha }_{s}}\right\rbrack \right) + 1 = r\left( \left\lbrack {\alpha _{1},{\alpha }_{2},\cdots ,{\alpha }_{s},\beta }\right\rbrack \right)
定理6 如果向量组α1,α2,,αm\alpha_1,\alpha_2,\cdots,\alpha_m中有一部分向量线性相关,则整个向量组也线性相关.
其逆否命题:如果a1,a2,,ama_1,a_2,\cdots,a_m线性无关,则其任一部分向量组都线性无关.
定理 7 如果一组nn维向量α1,α2,,αs\alpha_1,\alpha_2,\cdots,\alpha_s线性无关,那么把这些向量各任意添加mm个分量所得到的新向量(n+mn+m维)组α1,α2,,αs\alpha_1^*,\alpha_2^*,\cdots,\alpha_s^*也是线性无关的.
其逆否命题:如果α1,α2,,αs\alpha_1,\alpha_2,\cdots,\alpha_s线性相关,那么它们各去掉相同的若干个分量所得到的新向量组也是线性相关的.

2. r(A+B)r([A, B])r(A)+r(B)r ( {\boldsymbol{A}}+{\boldsymbol{B}} ) {\leqslant} \, r ( [ {\boldsymbol{A}} , \ {\boldsymbol{B}} ] ) {\leqslant} \, r ( {\boldsymbol{A}} )+r ( {\boldsymbol{B}} )

image-2025865018509.png
image-2025865034802.png

3. 若r(Am×n)=nr ( A_{m \times n} )=n(列满秩),则 r(Am×nBn×s)=r(Bn×s)r ( A_{m \times n} B_{n \times s} )=r ( B_{n \times s} )

秩的上界:
对任意矩阵乘积AB有r(AB)r(B)r(AB)\leq r(B)
理由:AB的行向量是B的行向量的线性组合,因此AB的行空间是B的行空间的子空间,故r(AB)r(B)r(AB)\leq r(B)
Sylvester 秩不等式:
Am×nA_{m\times n}Bn×sB_{n\times s},有:r(A)+r(B)nr(AB)r(A)+r(B)-n\leq r(AB)代入已知条件r(A)=nr(A)=n,得:n+r(B)n=r(B)r(AB)n+r(B)-n=r(B)\leq r(AB)
结合以上两个不等式r(B)r(AB)r(B)r(B)\leq r(AB)\leq r(B)
因此,r(AB)=r(B)r(AB)=r(B)

补充Sylvester(斯尔维斯特) 秩不等式的证明:
image-202586235973.png
该内容来自三个重要矩阵秩的不等式证明

四、线性方程组

向量组作为基础解系要满足的 3 个条件:{向量个数 s=nr(A);线性无关;向量是方程组的解 .\text{向量组作为基础解系要满足的 3 个条件:}\left\{\begin{array}{l}\text{向量个数 }s=n-r(A);\\\\\text{线性无关;}\\\\\text{向量是方程组的解 }.\end{array}\right.

1. 齐次方程组

①当r(A)=nr(A)=nα1,α2,,αn\alpha_1,\alpha_2,\cdots,\alpha_n线性无关)时,方程组有唯一零解;
②当r(A)<nr(A) < nα1,α2,,αn\alpha_1,\alpha_2,\cdots,\alpha_n线性相关)时,方程组有非零解(无穷多解),且有nrn-r个线性无关解.

2. 非齐次方程组

1. 有解的条件

image-202587212117.png

2. 解的性质

image-2025872155291.png

3. 同解方程组

image-2025885447424.png

五、特征值与特征向量

补充 有理根定理

有理根定理
对于一些对于一些a0,...,anZa_0,...,a_n\in\mathbb{Z},如果P(x)=anxn+an1xn1++a0P\left(x\right)=a_nx^n+a_{n-1}x^{n-1}+\cdots+a_0pqp、q互质,且pq\frac{p}{q}是多项式的根,则ppa0a_0的因子,qqana_n的因子.
举例:
3x35x2+5x23x^3-5x^2+5x-2一定在符号下面表示的数字之中1.21.3\frac{1.2}{1.3} ,8个可能的答案:{1,2,13,23}\left\{1,2,\frac{1}{3},\frac{2}{3}\right\}

1. 特征值结论

①若 λ1,λ2,,λn\lambda_{1} , \, \lambda_{2} , \, \cdots, \, \lambda_{n}A\boldsymbol{A}nn 个特征值,则

{A=λ1λ2λn,tr(A)=λ1+λ2++λn.\left\{\begin{array} {l l} {\left| {\boldsymbol{A}} \right|=\lambda_{1} \lambda_{2} \cdots\lambda_{n} \, ,} \\ {\operatorname{t r} ( {\boldsymbol{A}} )=\lambda_{1}+\lambda_{2}+\cdots+\lambda_{n} \, .} \end{array} \right.

实际上以三阶为例:
image-20258132849391.png
image-2025813294610.png
image-20258131255762.png
image-20258132118508.png
image-20258133240894.png

2. 常用特征值与特征向量

image-20258133715399.png
image-20258134813239.png
image-20258134824727.png

3. 相似矩阵

相似矩阵描述的是同一个线性变换,只是在不同坐标系下的表达.
image-20258141440800.png
性质:
image-20258144433596.png
结论:
image-2025814463847.png
image-2025814472129.png
image-20258144720579.png
image-20258144849328.png
image-2025814497951.png

注意这些都不能证明相似只是必要条件

可相似对角化的条件:
image-20258153252264.png
image-2025815335887.png
image-20258153318289.png
image-20258153332957.png

4. 实对称矩阵的相似对角化

image-20258162514146.png
\qquad注意这里描述有一点问题,实对称矩阵λ1=λ2\lambda_1=\lambda_2时仍有可能ξ1\xi_1ξ2\xi_2线性相关,只不过一定存在一组大小等于代数重数的线性无关特征向量,而普通矩阵并不具备这一特征(几何重数 < 代数重数的时候不可以对角化),可以由谱定理得到。
\qquad举个不可以对角化的例子:C=(5113)C=\begin{pmatrix}5&-1\\1&3\end{pmatrix}.

为什么实对称矩阵一定可以对角化?(拓展)

image-20258162717411.png

image-20258162839209.png

六、二次型

1. 合同

合同:ABB=PAPA \simeq B \quad \text{或} \quad B = P^{\top} A P
等价:ABB=QAPA \cong B \quad \text{或} \quad B = Q A P
相似:ABB=P1APA \sim B \quad \text{或} \quad B = P^{-1} A P
image-2025817934485.png

2. 标准型与规范型定理

定理1 任何二次型 f(x)=xTAxf ( \boldsymbol{x} ) \,=\, {\boldsymbol{x}}^{\mathrm{T}} \boldsymbol{A} \boldsymbol{x} 均可通过配方法(拉格朗日配方法作可逆线性变换x=Cy\boldsymbol{x}=\boldsymbol{Cy})化成标准型及规范型,用矩阵语言描述:任何实对称矩阵A\boldsymbol{A},必存在可逆矩阵C\boldsymbol{C},使得CAC=Λ\boldsymbol{C}^{\top}\boldsymbol{AC}=\boldsymbol{\varLambda},其中:Λ=[d1d2dn]\boldsymbol{\varLambda}=\begin{bmatrix}d_1&&&\\&d_2&&\\&&\ddots&\\&&&d_n\end{bmatrix},或Λ=[111100]\boldsymbol{\varLambda}=\begin{bmatrix}1&\\&\ddots\\&&1\\&&&-1\\&&&&\ddots\\&&&&&-1\\&&&&&&0\\&&&&&&&\ddots\\&&&&&&&&0\end{bmatrix}

注:此处CC的列向量一般不是AA的特征向量,di(i=1,2,,n)d_i(i=1,2,\cdots,n)一般也不是A的特征值.

定理2 任何二次型f(x)=xTAxf(x)=x^\mathrm{T}Ax也可以通过正交变换x=Qyx=Qy化成标准形,用矩阵语言表述:任何实对称矩阵AA,一定存在正交矩阵QQ,使得Q1AQ=QTAQ=Λ\boldsymbol{Q}^{-1}A\boldsymbol{Q}=\boldsymbol{Q}^{\mathrm{T}}A\boldsymbol{Q}=\boldsymbol{\Lambda},其中A=[λ1λ2λn]A=\begin{bmatrix}\lambda_1&&&\\&\lambda_2&&\\&&\ddots&\\&&&\lambda_n\end{bmatrix}.

注:此处QQ的列向量均是AA的特征向量,λi(i=1,2,,n)\lambda_i(i=1,2,\cdots,n)均是AA的特征值.

关于合同与对称矩阵的正交变换

image-20258172446301.png

3. 正定二次型

\qquad一个矩阵是正定矩阵的前提是它是对称矩阵.
image-20258182712334.png

为什么顺序主子式大于零等价于正定?

3ec4d8c5-7e25-41d7-b202-7e1923e1e2a5.png

image-2025818273318.png
\qquadAA正定A1\Leftrightarrow A^{-1}正定

  • 标题: 线代笔记
  • 作者: EliorFoy
  • 创建于 : 2025-07-27 15:08:48
  • 更新于 : 2025-08-19 23:58:38
  • 链接: https://eliorfoy.github.io/2025/07/27/考研/数学/线代/线代笔记(Hexo发布版)/
  • 版权声明: 本文章采用 CC BY-NC-SA 4.0 进行许可。
评论
目录
线代笔记