线性代数_同济第七版

news2024/12/23 10:53:49

contents

    • 前言
    • 第1章 行列式
      • 1.1 二阶与三阶行列式
        • 1.1.1 二元线性方程组与二阶行列所式
        • 1.1.2 三阶行列式
      • 1.2 全排列和对换
        • 1.2.1 排列及其逆序数
        • 1.2.2 对换
      • 1.3 n 阶行列式的定义
      • 1.4 行列式的性质
      • 1.5 行列式按行(列)展开
        • 1.5.1 引理
        • 1.5.2 定理
        • 1.5.3 推论
      • * 几种特殊的行列式
    • 第2章 矩阵及其运算
      • 2.1 线性方程组和矩阵
        • 2.1.1 线性方程组
        • 2.1.2 矩阵的定义
      • 2.2 矩阵的运算
        • 2.2.1 矩阵的加法
        • 2.2.2 数与矩阵相乘
        • 2.2.3 矩阵与矩阵相乘 :fire:(乘法算律)
        • 2.2.4 矩阵的转置 :fire:(转置算律)
        • 2.2.5 方阵的行列式 :fire:(行列式算律)
      • 2.3 逆矩阵
        • 2.3.1 逆矩阵的定义、性质和求法 :fire:(逆算律)
        • 2.3.2 逆矩阵的初步应用
      • 2.4 克拉默法则
      • 2.5 矩阵分块法
    • 第3章 矩阵的初等变换与线性方程组
      • 3.1 矩阵的初等变换
        • 3.1.1 引入
        • 3.1.2 矩阵的初等行变换
        • 3.1.3 矩阵的等价关系
        • 3.1.4 三种形式的矩阵
      • 3.2 矩阵的秩
      • 3.3 线性方程组的解
    • 第4章 向量组的线性相关性
      • 4.1 向量组及其线性组合
        • 4.1.1 n 维向量的概念
        • 4.1.2 线性组合和线性表示
      • 4.2 向量组的线性相关性
      • 4.3 向量组的秩
        • 4.3.1 最大无关组的定义
        • 4.3.2 向量组的秩和矩阵的秩的关系
        • 4.3.3 向量组的秩的结论
      • 4.4 向量空间
        • 4.4.1 向量空间的概念
        • 4.4.2 向量空间的基与维数
      • 4.5 线性方程组的解的结构
    • 第5章 相似矩阵及二次型
      • 5.1 向量的内积、长度及正交性
        • 内积:
        • 长度:
        • 正交:
        • 正交矩阵与正交变换:
      • 5.2 方阵的特征值与特征向量
        • 5.2.1 定义
        • 5.2.2 特征值的性质
        • 5.2.3 特征向量的性质
      • 5.3 相似矩阵
        • 5.3.1 定义
        • 5.3.2 性质
        • 5.3.3 矩阵多项式
      • 5.4 对称矩阵的对角化
      • 5.5 二次型及其标准型(部分)

前言

博客起源:本博客记录了个人学习线性代数期间做的一些笔记,其中含有PPT的截图或者个人的一些见解与思考,多有不足还望包含与指出,祝各位学习愉快

参考教材:《工程数学 线性代数》同济第七版

笔记范围:1.1 至 5.5

第1章 行列式

1.1 二阶与三阶行列式

1.1.1 二元线性方程组与二阶行列所式

线性代数是为了解决多元线性方程组而诞生的

1.1.2 三阶行列式

记住对角线法则即可

1.2 全排列和对换

1.2.1 排列及其逆序数

排列:就是每个数位上数字的排序方式

逆序数:就是一个排列 t t t 中每一个数位之前比其大的数字数量之和,即
∑ i = 1 n t i \sum_{i=1}^{n}t_i i=1nti

1.2.2 对换

对换:就是排列中某两个数位之间的数字进行交换的操作

  • 定理一:一个排列中两个元素对换,排列的奇偶性改变
  • 推论:奇排列对换成标准排列的对换次数为奇数,偶排列对换成标准排列的对换次数为偶数

1.3 n 阶行列式的定义

n阶行列式的值为 n ! n! n! 个项之和,每一项的组成方式为:每行选一个元素,每列选一个元素,这些元素之积,符号为
( − 1 ) N ( r o w ) + N ( c o l ) (-1)^{N(row)+N(col)} (1)N(row)+N(col)

1.4 行列式的性质

  • 性质一:行列式与它的转置行列式相等

  • 性质二:对换行列式的两个行或者列,行列式变号

    • 推论:若行列式有两行或两列完全相同,则行列式为零
  • 性质三:行列式中若某一行(列)都乘以k,等于整个行列式的值乘以k

    • 推论一:行列式的某一行(列)中的公因子可以提出到行列式之外
    • 推论二:若行列式中有两行(列)成比例,则行列式的值为零
  • 性质四:若行列式中某一行(列)都是两数之和,则可以拆分成两个行列式之和

  • 性质五:把行列式中的某一行(列)乘以一个常数加到另一个行(列)上,行列式的值不变

技巧

  • 计算技巧:在一开始对换行或者列的时候,尽可能保证左上角是数字1
  • 所有的行(列)之和相等:先全部加到一行(列),再配凑上三角(下三角)

1.5 行列式按行(列)展开

  • 余子式: M i j M_{ij} Mij
  • 代数余子式: A i j A_{ij} Aij
  • 关系: A i j = ( − 1 ) i + j M i j A_{ij}=(-1)^{i+j}M_{ij} Aij=(1)i+jMij
1.5.1 引理

一行(列)只有一个元素不为零,则 D = a i j A i j D=a_{ij}A_{ij} D=aijAij

证明:

  • 对于特殊情况,即不为零的元素在左上角,则根据上述分块矩阵,可知
    D = ( − 1 ) 1 + 1 a i j M i j = a i j A i j D=(-1)^{1+1}a_{ij}M_{ij}=a_{ij}A_{ij} D=(1)1+1aijMij=aijAij

  • 对于一般情况,即某行(列)唯一不为零的元素在任意位置,则经过 i + j − 2 i+j-2 i+j2 次对换后,就是上述特殊情况,可知
    D = ( − 1 ) i + j − 2 a i j M i j = ( − 1 ) i + j a i j M i j = a i j A i j D=(-1)^{i+j-2}a_{ij}M_{ij}=(-1)^{i+j}a_{ij}M_{ij}=a_{ij}A_{ij} D=(1)i+j2aijMij=(1)i+jaijMij=aijAij

1.5.2 定理

某行(列)(x)有多个元素不为零,则
D = ∑ i = 1 n a x i A x i D=\sum_{i=1}^n a_{xi}A_{xi} D=i=1naxiAxi
证明:就是将展开的那一行(列)通过加法原理进行拆分,然后利用上述引理的一般情况进行证明即可

1.5.3 推论

对于上述的定理,讨论代数余子式前面的系数数组 a x i ( i = 1 , 2 , ⋯   , n ) a_{xi}(i=1,2,\cdots,n) axi(i=1,2,,n)

如果系数数组不是第x行(列)的元素,而是其他行(列),那么上述Σ之和就为0

证明很简单,就是从原行列式出发,如果两行(列)元素完全一致,那么行列式显然为0

考点:

一般就是把不同行(列)的元素乘上其他行(列)的元素,然后适当配凑即可

image-20230920193358783

* 几种特殊的行列式

*.1 分块行列式

0在左下或右上就是左上角与右下角行列式之积( D = D 1 D 2 D=D_1D_2 D=D1D2),0在左上或右下就是左下角与右上角行列式之积加上符号判定

image-20230920192705683

证明:分区域转换为上三角即可

*.2 2 n 2n 2n 阶行列式

先行对换,再列对换,通过分块行列式和数学归纳法,可得答案为一个等比数列

image-20230920193526577
*.3 范德蒙德行列式⭐️
image-20230920192940206

证明:首先从最后一行开始,依次减去前一行的 x 1 x_1 x1 倍,凑出第一列一个元素不为零的情况,最后通过数学归纳法,即可求解。项数为
C n 2 C_n^2 Cn2

第2章 矩阵及其运算

2.1 线性方程组和矩阵

2.1.1 线性方程组

把线性方程组中的数据搬到了矩阵中而已

2.1.2 矩阵的定义

相较于行列式是一个,矩阵就是一个数表

  • n阶矩阵
  • 行(列)矩阵
  • 零矩阵
  • 对角矩阵: Λ = d i a g ( λ 1 , λ 2 , ⋯   , λ n ) \Lambda=diag(\lambda_1,\lambda_2,\cdots,\lambda_n) Λ=diag(λ1,λ2,,λn)
  • 单位矩阵: 即主对角线全1,其余全0
  • 线性变换: y = x 1 + x 2 . . . y = x_1 + x_2 ... y=x1+x2... 叫做x到的线性变换

2.2 矩阵的运算

2.2.1 矩阵的加法

按元素一个一个加

2.2.2 数与矩阵相乘

按元素一个一个乘

2.2.3 矩阵与矩阵相乘 🔥(乘法算律)
  1. 基本规则: A B = C AB=C AB=C c i j c_{ij} cij 就是A的第i行与B的第j列元素依次相乘求和
  2. 没有交换律: A B AB AB 称为A左乘B,交换成立的前提是A和B两个方阵左乘和右乘相等才可以
  3. 有结合律
  4. 有分配率
  5. 单位矩阵:主对角线上元素全为1,其余全为0
  6. 纯量矩阵:主对角线上元素全为 λ \lambda λ ,其余全为0
  7. 幂运算:当A、B两个方阵可交换时,有幂运算规律(因为有结合律)
  8. 算律
image-20230927200440429
2.2.4 矩阵的转置 🔥(转置算律)

类似于沿着主对角线翻转,其实就是每一个元素的行列号交换一下位置

  1. 算律

    image-20230927200631513

    (4)证明:左边的 c i j c_{ij} cij 其实应该是 A B AB AB c j i c_{ji} cji ,对应 A A A 的第 j j j 行与 B B B 的第 i i i 列,那么反过来对于ij就是B转置的第i行与A转置的第j列

  2. 对称矩阵:对于一个方阵A,如果 A = A T A = A^T A=AT 则称A为对称阵

  3. 应用举例

    image-20231013154124164
2.2.5 方阵的行列式 🔥(行列式算律)
  1. 算律

    image-20231013154307875
  2. 伴随矩阵
    A A ∗ = A ∗ A = ∣ A ∣ E AA^* = A^*A = \left | A \right |E AA=AA=AE
    image-20231013154434881

2.3 逆矩阵

2.3.1 逆矩阵的定义、性质和求法 🔥(逆算律)
  1. 定义:如果对于矩阵A,有 A B = B A = E AB = BA = E AB=BA=E ,则称B为A的逆矩阵
  2. 如果矩阵A可逆,则A的逆矩阵是唯一的
  3. 如果矩阵A可逆,则 ∣ A ∣ ≠ 0 |A| \ne 0 A=0
  4. ∣ A ∣ ≠ 0 |A| \ne 0 A=0 ,则矩阵A可逆,且 A − 1 = 1 ∣ A ∣ A ∗ A^{-1} = \frac{1}{|A|}A^* A1=A1A
  5. 奇异矩阵: ∣ A ∣ = 0 |A| = 0 A=0 ,非奇异矩阵: ∣ A ∣ ≠ 0 |A| \ne 0 A=0
  6. A B = E AB=E AB=E (或 B A = E BA = E BA=E),则A可逆且 B = A − 1 B = A^{-1} B=A1

算律:

image-20231226233254694
2.3.2 逆矩阵的初步应用
  1. 求逆矩阵
    已知矩阵 A , B , C ,且 A X B = C ,求矩阵 X 已知矩阵A,B,C,且AXB=C,求矩阵X 已知矩阵ABC,且AXB=C,求矩阵X
    只需要将矩阵X左乘A右乘B即可

  2. 矩阵多项式

    • 定义:

      image-20231021155745119
    • 计算技巧一

      image-20231021155904932
    • 计算技巧二:对角阵幂运算

      image-20231021155947814
    • 计算技巧三:对角矩阵多项式转化为数的多项式计算

      image-20231021160018932

2.4 克拉默法则

  • 解决问题的场景:

    解决未知数数量和方程个数相等,且系数行列式不为零的线性方程组。

    是求解一般线性方程组的一个特殊场景。

  • 结论:

    如果线性方程组

    image-20231021162423180

    的系数矩阵A的行列式不为零,即

    image-20231021162450292

    则方程组有唯一解

    image-20231021162512127

    其中 A j ( j = 1 , 2 , . . . , n ) A_j(j=1,2,...,n) Aj(j=1,2,...,n) 是把系数矩阵A中第 j j j 列的元素用方程组右端的常数项代替后所得到的n阶矩阵,即

    image-20231021162710174
  • 证明:

    第一步:方程组转化为矩阵方程

    image-20231021162913234

    第二步:应用逆矩阵消元

    image-20231021162928918

    第三步:应用行列式的性质计算

    image-20231021162940241

2.5 矩阵分块法

个人感觉就是一种向量化的更高级的思维,对于一个向量,进行全新向量的拆解,从而实现拆分计算。以下是5个拆分规则,重点关注第5点,即分块对角矩阵以及最后的按行按列分块的两个应用

  1. 拆分规则

    首先需要知道的是,在对矩阵进行分块计算的时候,前提有两个:一个是两个矩阵一开始的规格要相同,另一个是两个矩阵分块之后的规格也要相同

    • 按位加

      image-20231021171335434

      image-20231021171359581
    • 按位数乘

      image-20231021171433798

      image-20231021171451511
    • 矩阵乘法

      image-20231021171524198

      image-20231021171548611

      其中

      image-20231021171606419
    • 按位转置

      image-20231021171643394

      image-20231021171701572
    • 对角分块矩阵

      image-20231021171744452

      其中 A 1 , A 2 , . . . , A s A_1,A_2,...,A_s A1,A2,...,As 都是方阵,则称 A A A 为对角分块矩阵

      运算性质:

      1. 幂运算就是主对角线相应元素的幂运算

        image-20231021172102979
      2. 矩阵行列式运算性质

        image-20231021172132310
      3. 矩阵的逆就是主对角线的块按位取逆

        image-20231021172215986
  2. 按行按列分块的应用

    • A T A = O A^T A=O ATA=O 的充要条件是 A = O A=O A=O
    • 线性方程组的三种表示方式:
      1. 就是类似于一开始的矩阵数表的表示方式
      2. 将系数表示为一个矩阵,将未知数表示成一个矩阵,将常数项也表示成一个矩阵
      3. 同上,只是未知数保持不变,即 x 1 a 1 + x 2 a 2 + ⋯ + x n a 3 = b x_1 \bm{a_1} + x_2 \bm{a_2} + \cdots + x_n \bm{a_3} = \bm{b} x1a1+x2a2++xna3=b
    • 线性方程组的解的两种表示方式:
      1. 一一表示
      2. 列向量表示
  3. 两个好题

    • 分块的整体运算思想+矩阵提取公因子

      image-20231021174011922
    • 逆矩阵的按定义的求法,即配凑求出逆矩阵(常规计算法是利用了伴随矩阵的计算思想)

      image-20231021174034125

第3章 矩阵的初等变换与线性方程组

3.1 矩阵的初等变换

3.1.1 引入

矩阵的变换 → \to 矩阵增广矩阵的行变换 → \to 行最简形矩阵

3.1.2 矩阵的初等行变换
  1. r i ↔ r j r_i \leftrightarrow r_j rirj
  2. r i ← r i × k   ( k ≠ 0 ) r_i \leftarrow r_i \times k\ (k \neq 0) riri×k (k=0)
  3. r i ← r i + k r j r_i \leftarrow r_i + kr_j riri+krj
  • 将行变为列,就是矩阵的初等列变换
  • 初等行变换与初等列变化统称初等变换
  • 三种变换都是可逆的
3.1.3 矩阵的等价关系
  • A A A 经过有限次初等行变换变成矩阵 B B B,就称 A A A B B B 行等价,记作 A ∼ r B A \stackrel{r}{\sim} B ArB
  • A A A 经过有限次初等列变换变成矩阵 B B B,就称 A A A B B B 列等价,记作 A ∼ c B A \stackrel{c}{\sim} B AcB
  • A A A 经过有限次初等变换变成矩阵 B B B,就称 A A A B B B 等价,记作 A ∼ B A \sim B AB
  1. 反身性: A ∼ A A \sim A AA
  2. 对称性: 若  A ∼ B ,则  B ∼ A 若\ A \sim B,则\ B \sim A  AB,则 BA
  3. 传递性: 若  A ∼ B , B ∼ C ,则  A ∼ C 若\ A \sim B,B \sim C,则\ A \sim C  ABBC,则 AC
3.1.4 三种形式的矩阵
  1. 行阶梯型矩阵

    image-20231028112516340
  2. 行最简形矩阵

    image-20231028112539020
  3. 标准形

    image-20231028112726679 image-20231028112702780

性质1:矩阵初等变换的性质

  • A m × n A_{m\times n} Am×n 施行一次初等行变换,相当于在 A A A 的左边乘以相应的 m m m 阶初等矩阵

  • A m × n A_{m\times n} Am×n 施行一次初等列变换,相当于在 A A A 的右边乘以相应的 n n n 阶初等矩阵

image-20231028114217720

其中:

E m ( i , j ) E_m(i,j) Em(i,j) 表示:交换初等矩阵的第 i i i 行与第 j j j

E m ( i ( k ) ) E_m(i(k)) Em(i(k)) 表示:将初等矩阵的第 i i i 行乘以 k k k

E m ( i j ( k ) ) E_m(ij(k)) Em(ij(k)) 表示:将初等矩阵的第 i i i 行加上第 j j j 行的 k k k

性质2:

image-20231102163134078

定理1:

image-20231102163243381
  • 对于(1),计算 P P P 的方法:有配凑的味道 - 计算变换矩阵
image-20231102163540003

推论:

image-20231102163257748
  • 于是证明一个方阵 A A A可逆就又多了一个策略,即将 A A A 经过有限次的初等行变换之后变成了单位阵。

  • 对于(1),当 A A A 为可逆方阵时:计算 P P P 的方法:此时计算出来的 P P P 就是 A − 1 A^{-1} A1 - 证明可逆 + 计算逆矩阵

image-20231102163706516

解方程

已知矩阵 A , B A,B A,B,且 A X = B AX=B AX=B,现在需要求解 X X X 矩阵。

思路:首先需要证明 A A A 可逆,然后需要计算 A − 1 B A^{-1}B A1B,那么采用本节的知识:如果 A ∼ r E A \stackrel{r}{\sim} E ArE,则 A A A 可逆,即 P A = E PA=E PA=E,还需要求 A − 1 B A^{-1}B A1B。可以发现,此时的 P = A − 1 P = A^{-1} P=A1,那么答案就是 P B PB PB,于是我们只需要将 A , B A,B A,B 同时进行 P P P 初等变换即可。

最终的目标就是将拼接后的矩阵转化为行最简形矩阵,左边是一个单位矩阵即可。

计算方程数量和未知数数量一致的线性方程组

思路同上方解方程的思路 A x = b Ax=b Ax=b,只不过 A A A 就是系数矩阵, b b b 就是常数矩阵, x x x 就是解方程

四种解这种线性方程组的策略:

  1. 消元
  2. 克拉默法则
  3. A − 1 b A^{-1}b A1b
  4. 线性变换

3.2 矩阵的秩

定义:矩阵的非零子式的最高阶数,记作 R ( A ) R(A) R(A)

性质:

  1. 0 ≤ R ( A m × n ) ≤ min ⁡ { m , n } 0 \le R(A_{m\times n}) \le \min \{m, n\} 0R(Am×n)min{m,n}

  2. R ( A T ) = R ( A ) R(A^T)=R(A) R(AT)=R(A)

  3. A ∼ B A \sim B AB,则 R ( A ) = R ( B ) R(A)=R(B) R(A)=R(B)

  4. P , Q P,Q P,Q 可逆,则 R ( P A Q ) = R ( A ) R(PAQ)=R(A) R(PAQ)=R(A)

  5. 性质:image-20231108224218756

  6. A m × n A_{m\times n} Am×n 的秩为 r r r,则 A A A 一定可以转化为
    [ E r O O O ] \begin{bmatrix} E_r & O \\ O & O \end{bmatrix} [ErOOO]

3.3 线性方程组的解

概括:利用矩阵的初等变换矩阵的秩求解一般的线性方程组的问题

对于 A x = b Ax=b Ax=b 的线性方程组:

  1. 无解的充要条件: R ( A ) < R ( A , b ) R(A)<R(A,b) R(A)<R(A,b)
  2. 有唯一解的充要条件: R ( A ) = R ( A , b ) = n R(A)=R(A,b)=n R(A)=R(A,b)=n
  3. 有无限多解的充要条件: R ( A ) = R ( A , b ) < n R(A)=R(A,b)<n R(A)=R(A,b)<n

求解齐次线性方程组:

  • 化简为行最简 or 行阶梯

求解非齐次线性方程组:

  • 化简为行最简 or 行阶梯

第4章 向量组的线性相关性

4.1 向量组及其线性组合

4.1.1 n 维向量的概念
  • n > 3 n>3 n>3 的向量没有直观的几何形象

  • 所谓向量组,就是由同维度的列(行)向量所组成的集合

  • 向量组与矩阵的关系

    image-20231122195648569
4.1.2 线性组合和线性表示
  1. 定义:

    • 线性组合:image-20231122195848433
    • 线性表示:image-20231122195909024
  2. 判定:

    转化为方程组有解问题,从而转化为求解矩阵的秩的问题5

    • 判定向量 b b b 能否被向量组 A A A 线性表示:image-20231122200148341
    • 判定向量组 B B B 能否被向量组 A A A 线性表示:image-20231122201003536
      • 推论:
        image-20231122202652437
    • 判定向量组 B B B向量组 A A A 等价:image-20231122201122856

4.2 向量组的线性相关性

  1. 定义:

    • 线性相关:image-20231122203108481
    • 注意:image-20231129200937221
  2. 判定:

    • 定理一:image-20231129201146611

      note: 按照定义,只需要移项 or 同除,进行构造即可

    • 定理二:image-20231129202342608

      note: 按照定义,转化为齐次线性方程组解的问题

      • 有非零解 ⇔ \Leftrightarrow 无数组解(将解方程取倍数即可), R ( A ) = R ( A , 0 ) < m R(A)=R(A,0)<m R(A)=R(A,0)<m
      • 仅有零解 ⇔ \Leftrightarrow 唯一解, R ( A ) = R ( A , 0 ) = m R(A)=R(A,0)=m R(A)=R(A,0)=m
  3. 结论:

    • 一:image-20231129212308358

      note: R ( A ) < m → R ( B ) ≤ R ( A ) + 1 < m + 1 R(A)<m \to R(B)\le R(A)+1 <m+1 R(A)<mR(B)R(A)+1<m+1

    • 二:image-20231129212327353

      note: R ( A x × m ) = m → R ( A b ) = m R(A_{x\times m})=m \to R\binom{A}{b}=m R(Ax×m)=mR(bA)=m

    • 三:image-20231129212345238

      note: R ( A ) ≤ n < m R(A)\le n <m R(A)n<m

    • 四:image-20231129214914607

      target: R ( A ) = m , R ( A , b ) < m + 1 → A x = b 有唯一解 R(A)=m,R(A,b)<m+1 \to Ax=b有唯一解 R(A)=m,R(A,b)<m+1Ax=b有唯一解

      confirm:

      • max ⁡ { R ( A ) , R ( b ) } ≤ R ( A , b ) ≤ m + 1 → m ≤ R ( A , b ) ≤ m + 1 \max \{ R(A),R(b) \} \le R(A,b) \le m+1 \to m \le R(A,b) \le m+1 max{R(A),R(b)}R(A,b)m+1mR(A,b)m+1
      • R ( A , b ) < m + 1 R(A,b)<m+1 R(A,b)<m+1
      • R ( A , b ) = m R(A,b)=m R(A,b)=m
      • 因此 R ( A ) = R ( A , b ) = m → 有唯一解 R(A)=R(A,b)=m \to 有唯一解 R(A)=R(A,b)=m有唯一解

4.3 向量组的秩

4.3.1 最大无关组的定义
  1. 定义一:image-20231129220733692

    note:

    • 最大无关组之间等价
    • 最大无关组 A 0 A_0 A0 和原向量组 A A A 等价
  2. 定义二:image-20231205201511109

4.3.2 向量组的秩和矩阵的秩的关系
image-20231205202042746
4.3.3 向量组的秩的结论
image-20231205202658101 image-20231205202712876

note:

全部可以使用矩阵的秩的性质进行证明

4.4 向量空间

4.4.1 向量空间的概念

可以从高中学到的平面向量以及空间向量入手进行理解,即平面向量就是一个二维向量空间,同理空间向量就是一个三维向量空间,那么次数就是拓展到 n 维向量空间,道理是一样的,只不过超过三维之后就没有直观的效果展示罢了。

4.4.2 向量空间的基与维数

同样可以从高中学到的向量入手,此处的基就是基底,维数就是有几个基底。所有的基之间都是线性无关的,这是显然的。然后整个向量空间中任意一个向量都可以被基线性表示,也就很显然了,此处有三个考点,分别为:

考点一:求解空间中的某向量 x 在基 A 下的坐标

其实就是求解向量 x 在基 A 的各个“轴”上的投影。我们定义列向量 λ \lambda λ 为向量 x 在基 A 下的坐标,那么就有如下的表述:
x = A   λ x = A \ \lambda x=A λ
考点二:求解过度矩阵 P

我们已知一个向量空间中的两个基分别为 A 和 B,若有矩阵 P 满足基变换公式 B = A P B = AP B=AP,我们就称 P 为从基 A 到基 B 的过渡矩阵

考点三:已知空间中的某向量 x 在基 A 下坐标为 λ \lambda λ,以及从基 A 到基 B 的过渡矩阵为 P,求解转换基为 B 之后的坐标 γ \gamma γ

image-20231229185334826

4.5 线性方程组的解的结构

本目其实就是 3.3 目的一个知识补充,具体的线性方程组求解方法与 3.3 目几乎完全一致,只不过通过解的结构将解的结构进行了划分从而看似有些不同。但是殊途同归,都是一个东西。下面介绍本目与 3.3 目不同的地方:

我们从 3.3 目可以知道,无论是齐次线性方程组还是非齐次线性方程组,求解步骤都是:将系数矩阵(非齐次就是增广矩阵)进行行等价变换,然后对得到的方程组进行相对应未知变量的赋值即可。区别在于:
非齐次线性方程组的通解 = 非齐次线性方程组的一个特解 + 齐次线性方程组的通解 非齐次线性方程组的通解=非齐次线性方程组的一个特解+齐次线性方程组的通解 非齐次线性方程组的通解=非齐次线性方程组的一个特解+齐次线性方程组的通解
解释:我们将

  • 齐次线性方程组记为 A x = 0 Ax=0 Ax=0,解为 η \eta η,则有 A η = 0 A \eta = 0 Aη=0
  • 非齐次线性方程组记为 A x = b Ax=b Ax=b,假如其中的一个特解为 η ∗ \eta^* η,则 A η ∗ = b A\eta^*=b Aη=b,假如此时我们又计算出了该方程组的其次线性解 η \eta η,则有 A η = 0 A\eta=0 Aη=0。那么显然有 A ( η ∗ + η ) = b A(\eta^*+\eta)=b A(η+η)=b,此时 η ∗ + η \eta^* + \eta η+η 就是该非齐次线性方程组的通解

也就是说本目对 3.3 目的线性方程组的求解给出了进一步的结构上的解释,即非齐次线性方程组的解的结构是基于本身的一个特解与齐次的通解之上的,仅此而已。当然了,本目在介绍齐次线性方程组解的结构时还引入了一个新的定理,即:
若矩阵 A m × n 的秩为 r ,则该矩阵的解空间的维度(基础解系中线性无关向量的个数)就是 n − r ,即: d i m S = n − r 若矩阵A_{m\times n}的秩为r,则该矩阵的解空间的维度(基础解系中线性无关向量的个数)就是n-r,即:\\ dimS = n-r 若矩阵Am×n的秩为r,则该矩阵的解空间的维度(基础解系中线性无关向量的个数)就是nr,即:dimS=nr
该定理可以作为一些证明秩相等的证明题的切入点。若想要证明两个$ n$ 元矩阵 A A A B B B 的秩相等,可以转化为证明两个矩阵的基础解析的维度相等,即解空间相等。证明解空间相等进一步转向证明 A x = 0 Ax=0 Ax=0 B x = 0 Bx=0 Bx=0 同解,证明同解就很简单了,就是类似于证明一个充要条件,即证明 A x = 0 → B x = 0 Ax=0 \to Bx=0 Ax=0Bx=0 以及 B x = 0 → A x = 0 Bx=0 \to Ax=0 Bx=0Ax=0

第5章 相似矩阵及二次型

5.1 向量的内积、长度及正交性

内积:

各个位置的数依次相乘

  1. 运算规律:image-20231213210321658
  2. 推导全部按照内积的定义来,肥肠煎蛋
长度:

类似于模长

性质:image-20231213210549826

n维向量与n维向量间的夹角:

image-20231213210654513
正交:

类似于两个非零向量垂直的关系,即两向量内积为0

正交向量组

  • 定义:向量组之间的任意两两向量均正交

  • 性质:正交向量组一定线性无关

标准正交基

  • 定义:是某空间向量的基+正交向量组+每一个向量都是单位向量

  • 求解方法:施密特正交化

    1. 正交化:(其实就是对基础解系的一个线性组合)

      image-20231213211434849 image-20231213211449866
    2. 单位化:

      image-20231213211514814
正交矩阵与正交变换:

正交矩阵:(方阵)

  1. 定义:满足 A T A = E  or  A A T = E A^TA=E\ \text{or} \ AA^T=E ATA=E or AAT=E 的矩阵
  2. 定理:正交矩阵的充要条件为矩阵的行(列)向量为单位向量且两两正交

正交变换:

  1. 定义:对于正交矩阵 A A A y = A x y=Ax y=Ax 称为称为正交变换
  2. 性质: ∣ ∣ y ∣ ∣ = y T y = x T A T A x = x T E x = x T x = ∣ ∣ x ∣ ∣ ||y||=\sqrt{y^Ty}=\sqrt{x^TA^TAx}=\sqrt{x^TEx}=\sqrt{x^Tx}=||x|| ∣∣y∣∣=yTy =xTATAx =xTEx =xTx =∣∣x∣∣,即线段经过正交变换之后长度保持不变

5.2 方阵的特征值与特征向量

5.2.1 定义

对于一个n阶方阵 A,存在一个复数 λ \lambda λ 和一组n阶非零向量 x 使得
A x = λ x Ax=\lambda x Ax=λx
则称 x 为特征向量, λ \lambda λ 为特征值, ∣ A − λ E ∣ |A-\lambda E| AλE 为特征多项式

5.2.2 特征值的性质

性质一

n阶矩阵 A 在复数范围内含有 n 个特征值,且

∑ i = 1 n λ i = ∑ i = 1 n a i i ∏ i = 1 n λ i = ∣ A ∣ \sum_{i=1}^{n} \lambda _i = \sum_{i=1}^{n} a_{ii} \\ \prod_{i=1}^{n} \lambda _i = \left | A \right | i=1nλi=i=1naiii=1nλi=A
性质二

λ \lambda λ 是 A 的特征值,则 ϕ ( λ ) \phi{(\lambda)} ϕ(λ) ϕ ( A ) \phi{(A)} ϕ(A) 的特征值

5.2.3 特征向量的性质

对于同一个矩阵,不同的特征值对应的特征向量之间是线性无关

5.3 相似矩阵

5.3.1 定义

对于两个 n 阶方阵 A, B 而言,若存在可逆矩阵 P 使得
P A P − 1 = B PAP^{-1}=B PAP1=B
则称 B 为 A 的相似矩阵,A 与 B 相似,也称对 A 进行相似变换,P 为相似变换矩阵

5.3.2 性质

若矩阵 A 与 B 相似,则 A 与 B 的特征多项式相同,则 A 与 B 的特征值也就相同,A 与 B 的行列式也就相同

5.3.3 矩阵多项式

一个矩阵 A 的多项式 ϕ ( A ) \phi{(A)} ϕ(A) 可以通过其相似矩阵 Λ \Lambda Λ 很轻松地计算出来为 P ϕ ( Λ ) P − 1 P \phi{(\Lambda)} P^{-1} (Λ)P1,即对角矩阵左乘一个可逆阵,右乘可逆阵的逆矩阵即可,而对角矩阵的幂运算就是对角元素的幂运算,故而非常方便就可以计算一个矩阵的多项式。那么计算的关键在于如何找到一个矩阵的相似矩阵?下面给出判定一个矩阵是否存在相似矩阵(可对角化)的判定定理:

n 阶方阵可对角化的充要条件为该方阵含有 n 个线性无关的特征向量

5.4 对称矩阵的对角化

本目讨论一个 n 阶方阵具备什么条件才能拥有 n 个线性无关的特征向量,从而可对角化。但是对于一般的方阵,情况过于复杂,此处只讨论 n 阶对称矩阵。即:一个 n 阶对角矩阵具备什么条件才能拥有 n 个线性无关的特征向量,从而可对角化。

答案是 n 阶对角矩阵一定是可对角化的。因为有一个定理是这样的:对于一个对称矩阵 A 而言,一定可以找到一个正交矩阵 P 使得 P − 1 A P = Λ P^{-1}AP=\Lambda P1AP=Λ,又由于正交矩阵一定是可逆矩阵,因此一定可以找到矩阵 A 的 n 个线性无关的特征向量,从而 A 一定可对角化。

对称矩阵的性质

  1. 对称矩阵的特征值均为实数
  2. 对称矩阵 A 的两个特征值 λ 1 \lambda _1 λ1 λ 2 \lambda _2 λ2 对应的两个特征向量分别为 P 1 P_1 P1 P 2 P_2 P2,若 λ 1 ≠ λ 2 \lambda_1 \ne \lambda_2 λ1=λ2,相比于一般的矩阵 P 1 P_1 P1 P 2 P_2 P2 线性无关,此时两者关系更强,即: P 1 P_1 P1 P 2 P_2 P2 正交
  3. 对称矩阵的每一个 k 重根,一定对应有 k 个线性无关的特征向量

因此本目相较于 5.3 目其实就是通过可对角化这一个概念,来告诉我们对称矩阵是一定可以求出对角矩阵的。而不用判断当前矩阵是否可对角化了。只不过在此基础之上还附加了一个小定理(也没给出证明),就是对称矩阵的相似变换矩阵一定是一个正交矩阵,那么也就复习回顾了 5.1 目中学到的正交矩阵的概念。为了求解出这个正交矩阵,我们需要在 5.3 目求解特征向量之后再加一个操作,即:对于一个 k 重根,根据上面的性质3我们知道当前的根一定有 k 个线性无关的特征向量,为了凑出最终的正交矩阵,我们需要对这 k 个线性无关的特征向量正交化。那么所有的特征值下的特征向量都正交化之后,又由性质2可知,不同的特征值下的特征向量又是正交的,于是最终的正交的相似变换矩阵也就求出来了,也就得到了对角矩阵 Λ \Lambda Λ

5.5 二次型及其标准型(部分)

本目只需要掌握到:将一个二次型转化为标准型,即可。其实就是比 5.4 目多一个将二次齐次函数的系数取出组成一个二次型的步骤。其中二次型就是一个对称矩阵。接着就是重复 5.4 目中的将对称矩阵转化为对角矩阵的过程了。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1370241.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

ULINK2仿真器安装使用之工程设置

一、 ULINK2仿真器 ULINK2是ARM公司最新推出的配套RealView MDK使用的仿真器&#xff0c;是ULink仿真器的升级版本。ULINK2不仅具有ULINK仿真器的所有功能&#xff0c;还增加了串行调试&#xff08;SWD&#xff09;支持&#xff0c;返回时钟支持和实时代理等功能。开发工程师通…

常用注解/代码解释(仅个人使用)

目录 第一章、代码解释①trim() 方法以及(Arrays.asList(str.split(reg)));②查询字典项②构建后端镜像shell命令解释 第二章、注解解释①PropertySource注解与Configurationproperties注解的区别 第三章、小知识①Linux系统中使用$符号表示变量 友情提醒: 先看文章目录&#…

强化学习求解TSP(二):Qlearning求解旅行商问题TSP(提供Python代码)

一、Qlearning简介 Q-learning是一种强化学习算法&#xff0c;用于解决基于奖励的决策问题。它是一种无模型的学习方法&#xff0c;通过与环境的交互来学习最优策略。Q-learning的核心思想是通过学习一个Q值函数来指导决策&#xff0c;该函数表示在给定状态下采取某个动作所获…

AI大模型引领未来智慧科研暨ChatGPT在地学、GIS、气象、农业、生态、环境应用

以ChatGPT、LLaMA、Gemini、DALLE、Midjourney、Stable Diffusion、星火大模型、文心一言、千问为代表AI大语言模型带来了新一波人工智能浪潮&#xff0c;可以面向科研选题、思维导图、数据清洗、统计分析、高级编程、代码调试、算法学习、论文检索、写作、翻译、润色、文献辅助…

办公文档,私人专用

一、安装Minio 1.1、创建文件夹&#xff0c;并在指定文件夹中下载minio文件 cd /opt mkdir minio cd minio touch minio.log wget https://dl.minio.io/server/minio/release/linux-amd64/minio1.2、赋予minio文件执行权限 chmod 777 minio1.3、启动minio ./minio server /…

SpiderFlow爬虫平台 前台RCE漏洞复现(CVE-2024-0195)

0x01 产品简介 SpiderFlow是新一代爬虫平台,以图形化方式定义爬虫流程,以流程图的方式定义爬虫,不写代码即可完成爬虫,是一个高度灵活可配置的爬虫平台。 0x02 漏洞概述 SpiderFlow爬虫平台src/main/java/org/spiderflow/controller/FunctionController.java文件的Functi…

三、POD详解

目录 一、Pod创建过程&#xff1a; 二、Pod的终止 三、pod配置详解 四、查看每种资源的可配置项 五、Pod状态 六、Pod调度 七、Pod探针 1、Pod 探针的检测方式&#xff1a; 一、Pod创建过程&#xff1a; 用户提交创建pod请求API Server处理用户请求&#xff0c;存储Pod…

【心得】SSRF攻击面利用个人笔记

SSRF的利用面 目录 1 任意文件读取 前提是知道要读取的文件名 2 探测内网资源 3 使用gopher协议扩展攻击面 4 php原生类进行ssrf 5 ssrf绕过 1 任意文件读取 前提是知道要读取的文件名 2 探测内网资源 127.0.0.1 mysql服务端监听了127.0.0.1这个地址&#xff0c;也就表示…

Linux 网络设置与基础服务

一 配置网络设置 主机名 hostname IP地址/netmask ifconfig &#xff1b; ip a 路由&#xff1a;默认网关 route -n DNS服务器 cat /etc/resolv.conf 网络连接状态 ss netstat 域名解析 ns…

前端炫酷动画特效分享(附在线预览)

分享7款非常有趣的前端特效源码 其中包含css动画特效、js原生特效、svg特效以及小游戏等 下面我会给出特效样式图或演示效果图 但你也可以点击在线预览查看源码的最终展示效果及下载源码资源 canvas鼠标粒子跟随动画 canvas鼠标粒子跟随动画 当鼠标移入背景区域时 粒子动画会…

Node.js和npm

目录 01_Node.js01.什么是 Node.js目标讲解小结 02.fs模块-读写文件目标讲解小结 03.path模块-路径处理目标讲解小结 04.案例-压缩前端html目标讲解小结 05.认识URL中的端口号目标讲解小结 06.http模块-创建Web服务目标讲解小结 07.案例-浏览时钟目标讲解小结 02_Node.js模块化…

解决vscode无法运行npm和node.js命令的问题

第一次安装npm和node.js想要在vscode中直接输入控制台命令会因为权限问题无法执行。 这里可以修改本机权限来解决。 搜索powershell并且以管理员权限运行 打开之后输入下面的命令即可 PS C:\Users\Administrator> Get-ExecutionPolicy Restricted PS C:\Users\Administra…

electron自定义窗口和右键菜单样式

前言 electron默认沿用系统UI&#xff0c;并没有提供很多接口供使用者定制样式&#xff0c;如果想要完全自定义的样式&#xff0c;目前我能想到的方案只能是通过前端自定义样式&#xff0c;然后通过进程通信来实现系统基础功能&#xff1a;最大/小化、关闭、拖动窗口等。 效果…

canvas绘制路径之 beginPath() 和 closePath()

查看专栏目录 canvas示例教程100专栏&#xff0c;提供canvas的基础知识&#xff0c;高级动画&#xff0c;相关应用扩展等信息。canvas作为html的一部分&#xff0c;是图像图标地图可视化的一个重要的基础&#xff0c;学好了canvas&#xff0c;在其他的一些应用上将会起到非常重…

权威mcc mnc 列表网址

MCC-MNC.net 链接: MCC-MNC.net 这个网站提供的mcc mnc 比下面itu文档中更全。 itu.int 2023年发布的mcc mnc分配信息&#xff1a; 链接: PDF T-SP-E.212B-2023 若想获取最新的可以参考如下截图查询&#xff1a;

linux开发板静态IP无法ping通外网

硬件平台&#xff1a;韦东山的6ull开发板 问题&#xff1a; 使用网线直连路由器&#xff0c;动态获取IP时能ping通外网&#xff1b; 改为静态IP时&#xff0c;能ping通局域网&#xff0c;但无法ping通外网。 改为静态IP&#xff1a;修改/etc/network/interfaces 测试&#…

论文阅读 Attention is all u need - transformer

文章目录 1 摘要1.1 核心 2 模型架构2.1 概览2.2 理解encoder-decoder架构2.2.1 对比seq2seq&#xff0c;RNN2.2.2 我的理解 3. Sublayer3.1 多头注意力 multi-head self-attention3.1.1 缩放点乘注意力 Scaled Dot-Product Attention3.1.2 QKV3.1.3 multi-head3.1.4 masked 3.…

EDA期末突击

。数模 1.1 进制转换 八位补码计算 1.2 化简函数 卡诺图 卡诺图另类的化简 1.3 逻辑图 看逻辑图 写表达式 列真值表&#xff0c;写出标准与或式 画逻辑图 ———————————————— 1.4 加法器 半加器 全加器 1.5 触发器 —————————————— …

(一)Spring Cloud 直击微服务作用、架构应用、hystrix降级

直击微服务作用 微服务架构: 遇到了什么问题? 将单体架构拆分成微服务架构后,如果保证多个服务(项目)正常运行? 哪个技术可以解决这个问题? 微服务技术 服务治理: 服务管理,维护服务与服务之间的关系 这个技术如何使用? netflix/网…

python 队列

队列常用方法 Python中的队列是一种数据结构&#xff0c;遵循先进先出&#xff08;FIFO&#xff09;的原则。在Python中&#xff0c;你可以使用内置模块queue提供的Queue类来实现队列数据结构。队列是一种常见的数据结构&#xff0c;用于按照特定顺序处理数据项&#xff0c;例…