1 Star 0 Fork 0

沈拙言 / notebooks

Create your Gitee Account
Explore and code with more than 6 million developers,Free private repositories !:)
Sign up
This repository doesn't specify license. Without author's permission, this code is only for learning and cannot be used for other purposes.
Clone or download
线代.md 8.95 KB
Copy Edit Web IDE Raw Blame History
沈拙言 authored 2020-11-22 23:01 . 于11-22 23:01:01上传

线性方程组的解的判定

n元线性方程组$Ax=b$

  1. 无解的充要条件 $R(A)<R(A,b)$
  2. 有唯一解的充要条件$R(A)=R(A,b)=n$
  3. 有无穷多解的充要条件$R(A)=R(A,b)<n$
  4. 有解的充分必要条件$R(A)=R(A,b)$

n元线性方程组$Ax=0$

​ 有非零解 <=> $R(A)<n$

​ $R(A)=n$ <=>有唯一的零解

方程个数 < 未知数个数 则一定有非零解

矩阵方程$AX=B$

​ 有解的充要条件$R(A)=R(A,B)$


线性表示

向量b能由向量组A线性表示 <=> $R(A)=R(A, b)$

向量间线性关系

线性相关与无关: $α_1,α_2...α_s$是n个m维向量,若存在一组不全为0的$k_1...k_n$

​ $k_1α_1+...+k_nα_n=0$

则$α_1,α_2...α_s$是线性相关的

  1. 向量组中两向量成比例则相关

  2. 含零向量的任意向量必相关

  3. 一个零向量必相关

  4. 一个非零向量必无关

  5. $α_1,α_2...α_r$线性相关,则$α_1,α_r,α_{r+1}...α_s$线性相关

    部分组相关=>整体组相关

    整体组无关=>部分组无关

  6. 线性无关的向量组,接长向量组也无关。

    线性相关的向量组,截短向量组也相关。

  7. n个n维向量, D≠0 <=> 无关。

    ​ D=0 <=> 相关

  8. 维数n < 向量个数m,一定线性相关。

  9. 线性组合<=>方程有解

    不是线性组合<=>方程无解

  10. 线性相关<=>非零解

线性无关<=>只有零解

线性相关 线性无关

  1. $α_1...α_s$线性相关 <=> 至少一个向量可由其余向量线性表示

  2. $α_1...α_s$线性无关,且$α_1...α_s,β$线性相关,则β可由$α_1...α_s$唯一线性表示

  3. 替换定理 $α_1...α_s$线性无关,可由$β_1...β_t$线性表示,则$s≤t$

    ​ $α_1...α_s$可由$β_1...β_t$线性表示,且$s>t$,则$α_1...α_s$线性相关

    ​ m个n维向量线性相关 <=> 向量个数>向量维数

    推论:两个等价的线性无关组,含向量的个数是相同的

    首非零元所在列称为最大线性无关组

  4. 向量组A线性相关 <=> $R(A)<向量个数m\ (|A|=0)$

    向量组A线性无关 <=> $R(A) = m\ (|A|≠0)$

向量组的秩

极大无关组含向量个数 $r(α_1,α_2...α_s)$

  1. $0≤r(α_1,α_2...α_s)≤min{向量个数, 向量维数}$

定理: $α_1...α_s$可由$β_1...β_t$,则表示$r(α_1...α_s)≤r(β_1...β_s)$

​ 向量组等价,则秩相等。反之不然。

行秩与列秩

行秩=列秩=r(A)

$r(AB)≤min{r(A), r(B)}$

解的结构

  1. 齐次 $Ax=0$

    n元齐次的解集S的秩$R_S=n-r$

    $η_1$和$η_2$是$Ax=0$的解,则$η_1+η_2$也是解

    $η$是$Ax=0$的解,则$Cη$也是解

image-20201110223205286

  1. 非齐次 $Ax=b\ —>Ax=0$ 导出组

    (1). 若$α_1, α_2$是$Ax=b$的解,那么$α_1-α_2$是$Ax=0$的解

    (2). 若$α_0$是$Ax=b$的解,η是$Ax=0$的解,$α_0+η$ 是 $Ax=b$ 的解

    解的结构:

    ​ 若$α_0$是$Ax=b$的一个解,则称为特解

    ​ 若η是$Ax=0$的通解,则$η=C_1η_1+C_2η_2...+C_{n-r}η{n-r}$, 其中$η_1...η_{n-r}$是$Ax=0$的基础解系。

    ​ $α_0+C_1η_1+C_2η_2+...+C_{n-r}η_{n-r}$是$Ax=b$的全解或通解


向量空间

  1. 定义 $R^n$表示所有n维实向量而成的集合

  2. 设${α_1, α_2...α_n}包含于R^n$,且$α_1, α_2...α_n$线性无关,称$α_1, α_2...α_n$为$R^n$的一组基

  3. 向量在一组基下的坐标,过渡矩阵

    a. 设${α_1, α_2...α_n}$为$R^n$的一组基,任取$β∈R^n$,若$β=k_1α_1+...+k_nα_n$,称${k_1,...,k_n}$为向量β在基设$α_1, α_2...α_n$下的坐标

    b. 设$α_1, α_2...α_n$与$β_1...β_n$为$R^n$两组基

    $$\begin{cases}β_1=k_{11}α_1+...+k_{1n}α_n\...\β_n=k_{n1}α_1+...+k_{nn}α_n\\end{cases}$$

    $(β_1...β_n)=(α_1, α_2...α_n)$· $$\begin{pmatrix}k_{11}&\cdots&k_{n1}\\vdots&\cdots&\vdots\ k_{1n}&\cdots&k_{nn}\end{pmatrix}$$将矩阵称为Q

    称Q为由基$α_1, α_2...α_n$到基$β_1...β_n$的过渡矩阵


特征值与特征向量

$A$是$n$阶矩阵,数$λ$存在非零列向量$α$使$Aα=λα$,则$λ$为$A$的特征值,$α$为对应于$λ$的特征向量。$λ$可以为0,特征向量不能为0。

$\lambda E-A$是$A$的特征矩阵。$|\lambda E-A|$为$A$的特征多项式

$|\lambda E-A|=0$称特征方程,$\lambda$称特征值或根

1). $\lambda$是$A$的特征值,$\alpha$是$A$对应于$\lambda$的特征向量,则$C\alpha$也是$\lambda$对应的特征向量($C\neq0$)

​ 一个特征向量只对应一个特征值,一个特征值对应$n$个特征向量

2). $\alpha_1,\alpha_2$是$\lambda$的特征向量,$C_1\alpha_1+C_2\alpha_2$是$\lambda$的特征向量


特征值与特征向量的性质

(1). $A和A^T$有相同的特征值,但特征向量不一定相同

(2). n个特征值$\lambda_1...\lambda_n$

​ ①$\sum\lambda_i=\sum_{i=1}^{n}a_{ii}$ ②$\lambda_1·...·\lambda_n=|A|$

(3). 互不相同的特征值$\lambda_1...\lambda_m$对应的特征向量,则$\alpha_1...\alpha_m$线性无关

(4). $\lambda_1与\lambda_2$不相等,则其对应的特征向量$\alpha_1...\alpha_n,\eta_1...\eta_m$线性无关

(5). k重特征根对应的线性无关的特征向量的个数≤k

其他性质:

(1). $k\lambda$是$kA$的特征值 (2). $\lambda^k$是$A^k$的特征值

(3). $\frac{1}{\lambda}$是$A^-1$的特征值,$\frac{1}{\lambda}|A|$是$A^*$的特征值

例1. 2是A的特征值, $2^5+6×2^2+2+3$是$A^5+6A^2+A+3E$的特征值

例2. A为四阶方阵,$|3E+A|=0,A·A^T=2E,|A|<0$求$A^*$的一个特征值

​ -3为A的特征值, $|A·A^T|=|A||A^T|=|2E|=2^4(因为四阶)=16$

​ $|A|=-4$(因为|A|<0), $A^*的特征值=\frac{1}{\lambda}|A|=\frac{4}{3})$


相似矩阵及可对角化条件

相似:A,B为n阶方阵,存在n阶可逆矩阵P,使$P^{-1}AP=B$, 则$AB$为相似矩阵

性质:

  1. 反身性$A\sim A$

    1. 对称性 $A\sim B\rightarrow B\sim A,P^{-1}AP=B\rightarrow PBP^{-1}=A$

    2. $A\sim B$且$B\sim C\Rightarrow A\sim C$

相似矩阵$A\sim B$,则

  1. AB有相同特征值,|A|=|B|, tr(A)=tr(B)(对角线元素相加)

    1. A可逆$\Rightarrow$B可逆(不可逆也充要),且$A^{-1}\sim B^{-1}$

对角形, $P^{-1}AP=\Lambda$是矩阵与对角形相似的条件

定理:A相似于$\Lambda\Leftrightarrow A$ 有几个线性无关的线性向量

推论:若n阶矩阵A的n个特征值互不相等,则A与对角矩阵相似

​ $A\sim \Lambda\Leftrightarrow r_i$重特征根对应基础解系有$r_i$个


内积,长度和正交性

内积:两个n维向量$x=\begin{pmatrix}x_1\x_2 \ \vdots\x_n\end{pmatrix},y=\begin{pmatrix}y_1 \ y_2\\vdots\y_n\end{pmatrix}$, 令$[x,y]=x_1y_1+\cdots+x_ny_n$. $[x,y]$称为向量x与y的内积

当x与y都是列向量时,有$[x,y]=x^Ty$

内积性质

​ $[x,y]=[y,x];$

​ $[\lambda x,y]=\lambda [x,y];$

​ $[x+y,z]=[x,z]+[y,z]$

​ $|[x,y]|≤||x||·||y||$

​ 当x=0时,[x,x]=0,当x≠0时,[x,x]>0

​ 施瓦茨不等式 $[x,y]^2≤[x,x][y,y]$


向量的长度

​ 令$||x||=\sqrt{[x,y]}=\sqrt{x_1^2+x_2^2+\cdots+x_n^2}$

​ ||x||称n维向量x的长度(或范数)

性质:

​ 非负性:当x≠0时,||x||>0,当x=0时,||x||=0

​ 齐次性:$||\lambda x||=|\lambda|·||x||;||x+y||≤||x||+||y||$ 是三角


单位向量: ||x||=1

若a≠0,取$x=\frac{a}{||a||}$,则x是一个单位向量,此过程称a的单位化

夹角$\theta=\arccos\frac{[x,y]}{||x||·||y||}$。$[x,x]=0\Leftrightarrow x=0$


正交:当[x,y]=0时,称x,y正交,显然,若x=0,则x与任何向量都正交

定理:若n维向量$a_1...a_n$是一组两两正交的非零向量,则$a_1...a_n$线性无关。(即正交必线性无关,线性无关不一定正交)

设n维向量$e_1,...,e_r$是向量空间V的一个基,如果$e_1...e_r$两两正交,且都是单位向量,则称$e_1...e_r$是V的一个标准正交基

正交向量组:不含0向量的$a_1..a_s$中两两正交

标准正交向量组$\begin{cases}[a_i,a_i]=1 \ [a_i,a_j]=0\end{cases}$

施密特正交化

​ 给一组线性无关的$a_1...a_s$,求一组正交的$b_1...b_s$,使$a_1...a_s$与$b_1...b_s$等价

​ $\begin{cases}b_1=a_1\b_2=a_2-\frac{[a_2,b_1]}{[b_1,b_1]}b_1 \ b_3=a_3-\frac{[a_3,b_1]}{[b_1,b_1]}b_1-\frac{[a_3,b_2]}{[b_2,b_2]}b_2 \ \cdots\end{cases}$


正交矩阵

​ A为n阶矩阵,若$A^T·A=E$,则A为正交矩阵

​ 性质

​ 1). 若A为正交矩阵,|A|=1或-1

​ 2). 若A正交, $A^{-1}=A^T$且$A^{-1}和A^T$均为正交矩阵

​ 3). 若A和B皆为正交矩阵,则A·B也是正交矩阵

​ 4). 若A正交,$a,b$是n维列向量,则$[Aa,Ab]=[a,b]$

​ 定理:A正交$\Leftrightarrow$A的列(行)向量组是标准正交向量组

Comment ( 0 )

Sign in for post a comment

1
https://gitee.com/shenzhuoyan/notebooks.git
git@gitee.com:shenzhuoyan/notebooks.git
shenzhuoyan
notebooks
notebooks
master

Search