线代知识点总结

目录

一.初等行/列变换

1.计算行列式时,行列变换都可

2.求矩阵的秩时,行列变换都可

3.解线性方程组时,仅能使用初等行变换

4.判定解的情况,单纯求r(A),r(A,b)的过程行列变换都可

5.求向量组极大无关组、线性表出关系,则仅行变换

6.求向量组的秩时,行列变换都可

7.求特征值时,行列变换都可

8.求特征向量时,仅做行变换

9.求逆矩阵时,对(A,E)仅做初等行变换

总结:

 二.要牢记

三.某某子式

1.余子式

2.代数余子式

3.k阶子式

4.k阶主子式

5.顺序主子式

四.矩阵的秩

五.常用特征值与特征向量

1.矩阵的逆

2.矩阵的伴随

六.矩阵,向量组,方程组

1.怎么判断两个矩阵等价

2.怎么判断两个向量组是等价向量组

3.同解方程组

七.齐次线性方程组和非齐次线性方程组

八.对比记忆

九.相似与正交

十.合同

十一.二次型

等价,合同和相似的关系:

十二.二次型正定


本节是线代某些知识点总结,可能较零碎。

对于简单的知识点,例如“两行对应成比例,行列式为0"就不讲了。暂时不举例题,有时间会继续补充!

一.初等行/列变换

1.计算行列式时,行列变换都可

因为D=D^{T},所以不论动行/列都是等价的。

变换规则:

1.“倍乘”:行列式的某行(列)乘某个元素k。相应的,若行列式中某行(列)元素有公因子k(k≠0),则k可提到行列式外面,即:

2."互换":行列式中两行(列)互换,行列式变号。

3.“倍加”:某行(列)的k倍加到另一行(列),行列式不变。

2.求矩阵的秩时,行列变换都可

因为初等变换不改变某个矩阵非零子式的最高阶数,秩指的就是非零子式的最高阶数。

初等变换的规则:

1."倍乘":一个非零常数乘矩阵矩阵的某一行(列)。

2."互换":互换矩阵中某两行(列)的位置。

3."倍加":将矩阵的某一行(列)的k倍加到令一行(列)。

注意:

某矩阵乘元素k,是矩阵中的每个元素都成k,要与行列式区分。

也就是|kA|=k^n|A|

3.解线性方程组时,仅能使用初等行变换

因为矩阵的每一种初等行变换都对应着线性方程组的同解变换,而作列变换会改变原来的方程。

4.判定解的情况,单纯求r(A),r(A,b)的过程行列变换都可

:将r(A,b)化行阶梯求秩时,往往我们需要同时得到r(A),如果想用列变换的话,只能对A单独列变换,千万不要将b列和A的列混合运算,这样r(A)就不准了。(但r(A,b)是准的)。


但是,如果涉及到求通解或唯一解,那么就只能做行变换化行阶梯了,所以建议一开始就只做行变换。

总结:求解的过程,就只进行初等行变换化行阶梯求秩,并且顺势化为行最简型求解

 

5.求向量组极大无关组、线性表出关系,则仅行变换

因为初等行变换不改变列向量组的线性表出关系。例如下图,\beta矩阵中,\beta_{3}=\beta_{2} +\beta_{1}\alpha矩阵同样有这样的关系。

6.求向量组的秩时,行列变换都可

求向量组的秩,其实最后会转化为求矩阵的秩,原理就是"矩阵的秩=行向量组的秩=列向量组的秩",所以求向量组的秩也是行列变换都可。

但是一般求向量组的秩后面会继续求解极大无关组/线性表出关系,这时只能做行变换,所以还是建议从开头就只使用行变换。

7.求特征值时,行列变换都可

因为特征多项式本质上是行列式,求行列式时,行列都可以换。

8.求特征向量时,仅做行变换

因为求特征向量时,本质是在解线性方程组,只能进行初等行变换。

9.求逆矩阵时,对(A,E)仅做初等行变换

因为以A^{-1}左乘A得到E,以A^{-1}左乘E得到A^{-1},以A^{-1}左乘的过程就是做初等行变换的过程。

所以怎么体现A和E做了完全一样的A^{-1}所带来的初等行变换,就是将A,E横着拼在一起,此时做的初等行变换就是同步的了。

总结:

除了① 求行列式的值(求特征值本质上就是求行列式的值)和 ② 单纯求秩,行列变换都可,其余情况通通只做行变换。

 二.要牢记

先写那么多,后面有再补充:

一些推导:

对于AB ≠ BA的补充:

三.某某子式

1.余子式

在n阶行列式中,去掉元素a所在的第i行、第j列元素,由剩下的元素按原来的位置与顺序组成的n-1阶行列式称为元素a的余子式,记作M_{ij}

2.代数余子式

余子式M_{ij}(-1)^{i+j}后称为a的代数余子式,记作AA_{ij}

3.k阶子式

给定一个矩阵,任取k行,任取k 列,共k^{2}个数构成的行列式,出现在矩阵的秩中,定义如下:

设A是mxn矩阵,则若存在k阶子式不为零,而任意k+1阶子式(如果有的话)全为零,则r(A)=k,且若A为nxn矩阵,则:

4.k阶主子式

指在行列式中选k行k列,但要求行和列的下标相同。如:行为r1、r2、r3,列必须为c1、c2、c3;行为r2、r3、r5,列必须为c2、c3、c5。因此,k阶主子式不唯一。

这在矩阵相似会用到,下面会讲。

5.顺序主子式

顺序主子式是在主子式上再加限定,顺序主子式是由 1~k 行和 1~k 列所确定的子式。

例如:

1阶时:取第1行,第1列

2阶时:取第1、2行,第1、2列

3阶时:取第1、2、3行,第1、2、3列

4阶时:取第1、2、3、4行,第1、2、3、4列

实际上,主子式的主对角线元素是原 n 阶行列式的主对角线元素的一部分,且顺序相同。

所以k 阶主子式是不唯一的,而 k 阶顺序主子式是唯一的

用在判断二次型正定上,下面会讲。

四.矩阵的秩

 ① 0 <= r(A) <= min{m,n}

② r(kA)=r(A)(k ≠ 0)

③ r(AB) <= min{r(A),r(B)}

④ r(A+B) <=r(A)+r(B)

⑤ 

r(A)=n-1,r(A*)=1的证明:

进而可得出一个重要结论:

A_{m*n}B_{n*s}=0,则r(A)+r(B)<=n

⑥ 设A是m*n矩阵,P,Q分别是m阶,n阶可逆矩阵,则

r(A)=r(PA)=r(AQ)=r(PAQ)

⑦ r(A)=r(A^{T})=r(AA^{T})=r(A^{T}A)

五.常用特征值与特征向量

1.矩阵的逆

除了一般公式,矩阵的逆和伴随:

推导如下:

2.矩阵的伴随

六.矩阵,向量组,方程组

矩阵,向量组

向量组是由有限个相同维数的行向量或者列向量组成,其中向量是由n个实数组成的有序数组,是一个n*1的矩阵(n维列向量)或是一个1*n的矩阵(n维行向量)。


② 矩阵是由m*n个数排列成m行n列的数表。

一个向量组可以看作是一个矩阵的列(或行)向量集合。如果一个矩阵有n列,那么这n列就可以看作是一个由n个向量组成的向量组。反过来,一个矩阵也可以看作是由其列(或行)向量组成的向量组。

1.怎么判断两个矩阵等价

矩阵等价的前提:A与B是同型矩阵,即A,B行数,列数相同

矩阵等价的充要条件

① r(A)=r(B)

② PAQ=B,P,Q可逆

2.怎么判断两个向量组是等价向量组

向量组等价的前提:A,B矩阵同维

若r( Ⅰ )=r(\alpha_{1}, \alpha_{2}, \alpha_{3}, \alpha_{4}....)  r(Ⅱ)=r(\beta_{1}, \beta_{2}, \beta_{3}, \beta_{4}....)       

向量组等价的充要条件
① r(Ⅰ)=r(Ⅱ),且(Ⅰ)可由(Ⅱ)线性表出(单向表出即可)

② r(Ⅱ)=r(Ⅰ),且(Ⅱ)可由(Ⅰ)线性表出(单向表出即可)

③ r(\alpha_{1}, \alpha_{2}, \alpha_{3}, \alpha_{4}....) =r(\beta_{1}, \beta_{2}, \beta_{3}, \beta_{4}....)  =r(\alpha_{1}, \alpha_{2}, \alpha_{3}, \alpha_{4}...,\beta_{1}, \beta_{2}, \beta_{3}, \beta_{4}...),即

r(Ⅰ)=r(Ⅱ)=r(Ⅰ,Ⅱ)

④ Ⅰ和Ⅱ能够相互线性表示。

总结:
① 两个矩阵A与B等价指的是A可以通过有限次初等变换变成B。两个不同型矩阵是不可能等价

② 两个向量组等价只指的是它们能够互相线性表示,它们各自所含向量的个数可能是不一样的。

例题:

D.即使Ⅰ 和 Ⅱ 同为n维向量组,但是s与t的关系未知,也就是行数相等,列数未知,所以A,B两个矩阵可能不同型,不能等价。

B.(Ⅰ)可由(Ⅱ)表示,缺少其他条件,如果① 加上(Ⅱ)可由(Ⅰ)线性表出 或者② r(Ⅰ)=r(Ⅱ)就对了

C正确

D r(A)=r(B),只能推出两个向量组秩相同,缺少其他条件,如果加上① 加上(Ⅱ)可由(Ⅰ)线性表出 或者②加上(Ⅰ )可由(Ⅱ)线性表出或者③ r(Ⅰ)=r(Ⅱ)=r(Ⅰ,Ⅱ),就对了。

3.同解方程组

若两个方程组A_{m*n}x=0B_{s*n}x=0有完全相同的解,则称它们为同解方程组

充要条件:

①  Ax=0的解满足Bx=0,且Bx=0的解满足Ax=0(互相把解代入求出结果即可)

② r(A)=r(B),且Ax=0的解满足Bx=0(或Bx=0的解满足Ax=0)

③ r(A)=r(B)=r(\begin{bmatrix} A\\ B \end{bmatrix})(三秩相同)

例1:

例2:

七.齐次线性方程组和非齐次线性方程组

齐次线性方程组有解的条件:

① r(A)=n时,方程组有唯一零解

② r(A)=r<n时,方程组有非零解(无穷多解),且有n-r个线性无关解

齐次方程组其实就是解和系数的正交,例如,给你一个条件:

\alpha_{1}=2\alpha_{2} +\alpha_{3}---->\alpha_{1}-2\alpha_{2} -\alpha_{3}+0 \alpha_{4} =0

则(1 -2 -1 0)就是齐次方程组的基础解系

非齐次线性无关组有解的条件:

① 若r(4)≠r([A,b]),则方程组无解;
② 若r(A)=r([A,b])=n,则方程组有唯一解;
③ r(A)=r([A,b])=r<n,则方程组有无穷多解。

非齐次方程组的通解的求法:

①求Ax=0的解

② 求Ax=b的一个特解

③ 非齐次方程组的通解=齐次方程组的解+一个非齐次的特解

如果A行满秩,则r(A)=r(A|b),那么方程组一定有解。

如果A列满秩,则r(A)与r(A|b)的关系不确定:

① r(A)<r(A|b),则无解

② r(A)=r(A|b)<n,有无穷多解

③ r(A)=r(A|b)=n,有唯一解

八.对比记忆

1.

矩阵A的tr(A):tra(A)=矩阵A的迹=对角线元素之和

2.对于秩为1的n阶矩阵A或A=\alpha \beta ^{T}(或\beta ^{T}\alpha)(a,β都是n维非零列向量),其特征值为\lambda_{1} \lambda_{2} \lambda_{3} ....\lambda_{n-1}=0,\lambda _{n}=\sum_{i=1}^{n}a_{ii}=\beta^{T} \alpha(或\alpha^{T} \beta) 

3.

例题1:

例题2:

九.相似与正交

存在n阶可逆矩阵P,使得P^{-1}AP=B,则称A相似于B,记为A~B

若A~B

① |A|=|B|

② r(A)=r(B)

③ tr(A)=tr(B)

④ \lambda _{A}=\lambda _{B}|\lambda E-A|=|\lambda E-B|

r(\lambda E-A)=r(\lambda E-B)

⑥ A,B各阶主子式之和分别相同

那么怎么判定矩阵相似呢?

① 定义法

存在n阶可逆矩阵P,使得P^{-1}AP=B

② 传递法

A~\Lambda\Lambda~B,则A~B,其中\Lambda为对角阵

这就要说到矩阵的相似对角化

矩阵可相似对角化的条件:

充要条件:

① n阶矩阵A可相似对角化↔有n个线性无关的特征向量。

② n阶矩阵A可相似对角化↔A对应于每个k重特征值都有k个线性无关的特征向量

必要条件:

③ n阶矩阵A有n个不同特征值→A可相似对角化

④ n阶矩阵为实对称矩阵→A可相似对角化

对于矩阵相似对角化的步骤:

① 求特征值

② 求特征向量

③ 正交化(如果需要的话),单位化\eta_{1} \eta_{2} \eta_{3}.... \eta_{n}

④ 令Q=[\eta_{1} \eta_{2} \eta_{3}.... \eta_{n}],则Q为正交矩阵,且Q^{-1}AQ=Q^{T}AQ=\Lambda

上面提到了实对称矩阵,实对称矩阵就是组成A的元素都是实数。对于实对称矩阵(A^T=A)要记住:

对于正交,你需要记住:
① \alpha ^{T} \beta =0,则\alpha\beta是正交向量

② 若满足A^{T}A=E,则A是正交矩阵

A^{T}A=EA^{-1}=A^{T}

例题:

矩阵相似还可得出:

① A~B,A^{k}=B^{k},f(A)=f(B)

② 若A~B,且A可逆,则A^{-1}~B^{-1},f(A^{-1})=f(B^{-1})

③ 若A~B,A^*~B^*

④ 若A~B,A^T~B^T

注: 

十.合同

设A,B为n阶矩阵,若存在可逆矩阵C,使得C^TAC=B,则称A与B合同,即A\cong B。A与B合同,就是指同一个二次型可逆线性变换下的两个不同状态的联系。

A与B合同的充要条件:正惯性性指数(p)等于负惯性指数(q)

① pA=PB,且qA=qB

② pA=PB,且r(A)=r(B)

③ qA=qB,且r(A)=r(B)

注:由于我们已经规定,对称矩阵才是二次型矩阵,所以二次型矩阵都是对称矩阵,相应的和对称矩阵合同的矩阵也是对称矩阵。

十一.二次型

关于二次型化标准型或规范型的方法:配方法,正交变化有总结如下:

所以我们可以进一步得到

等价,合同和相似的关系:

这里记录一个例题:

十二.二次型正定

二次型正定的充要条件:
n元二次型f=x^{T}Ax正定↔对任意x≠0,有x^{T}Ax>0(定义)

① ↔f的正惯性指数p=n

② ↔存在可逆矩阵D,使得A=D^{T}D

③ ↔A\cong E,A与E合同

② ③推导:

 

④↔A的特征值\lambda>0

⑤↔A的全部顺序主子式>0

二次型正定的必要条件:

a_{ii}>0,对角线元素全部大于0

② |A|>0

最好是使用充要条件① ④ ⑤判断二次型是否正定,如果非要用定义法,来看个例题:

注意上题,不能直接将f判定为正定:

因为将二次型化为标准型的过程一定要做可逆线性变换

例题:


有错欢迎评论区指正!❤️❤️❤️ 

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.mzph.cn/diannao/28201.shtml

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email:809451989@qq.com,一经查实,立即删除!

相关文章

汽车级TPSI2140QDWQRQ1隔离式固态继电器,TMUX6136PWR、TMUX1109PWR、TMUX1133PWR模拟开关与多路复用器(参数)

1、TPSI2140-Q1 是一款隔离式固态继电器&#xff0c;专为高电压汽车和工业应用而设计。 TPSI2140-Q1 与 TI 具有高可靠性的电容隔离技术和内部背对背 MOSFET 整合在一起&#xff0c;形成了一款完全集成式解决方案&#xff0c;无需次级侧电源。 该器件的初级侧仅由 9mA 的输入电…

MySQL入门学习-子查询.ALL

子查询是指在一条查询语句中嵌套另一条查询语句。 在 MySQL 中&#xff0c;子查询 ALL 表示子查询结果中的所有值都满足某个条件。 例如&#xff1a; sql SELECT * FROM table1 WHERE column1 > ALL (SELECT column2 FROM table2); 上述代码表示从表 table1 中选择所有 c…

线程介绍及其Java如何用Thread 类创建线程和操作线程方法

目录 一、进程和线程1.1 进程特征 2.2 线程特征 2.3 区别 二、利用Thread类创建线程2.1 通过创建Thread子类&#xff0c;重写run()方法2.2 通过实现Runnable接口&#xff0c;重写run()方法2.3. Callable接口 FutureTask 创建线程2.3 三种方法区别1. 通过创建Thread子类&#x…

SQL深度解析:掌握这些技巧,让你的数据库查询如虎添翼!

前言 随着大数据时代的来临&#xff0c;数据库的角色愈发重要。SQL作为使用最为广泛的数据查询语言&#xff0c;其深度解析与优化对于数据密集型应用来说至关重要。掌握高级SQL技巧不仅可以提升开发效率&#xff0c;还能显著提高数据查询的性能和灵活性。本文将探讨一些关键的S…

Android BMI程序设计

android:layout_width“match_parent” android:layout_height“wrap_content” android:gravity“left” android:text“体重&#xff08;KG&#xff09;” android:textSize“25sp” /> <EditText android:id“id/tz” android:layout_width“match_parent” …

修改SubVI的LabVIEW默认搜索路径

在启动顶级VI后&#xff0c;LabVIEW可能会遇到找不到subVI的情况。这通常是由于subVI的路径发生了变化或没有被正确配置。 LabVIEW默认搜索路径 默认情况下&#xff0c;LabVIEW会按以下顺序搜索文件位置&#xff08;*表示LabVIEW将搜索子目录&#xff09;&#xff1a; <t…

C# —— 类型转换

类型转换就是不同变量数据类型之间进行互相转换 隐式转换 : 默认是C#中安全的进行数据转换的方式 一般不会造成数据丢失 相同数据类型之间的隐式转换 有符号 long -> int ->short ->sbyte long l 1; int i 2; short s 3; sbyte sb 4; // 大范围可以装小范围的 l…

如何从印刷体的图片中把手写体部分统统去掉?--免费途径

AI图像处理技术 我是从国外某个网站上找到在线AI免费credit的处理方式的。国内的基本没有全功能试用、或者即使收费也不好用。 国内的差距主要是&#xff1a;1、对图片分辨率和大小有更多限制&#xff0c;即使收费用户也是&#xff1b;2、需要安装app之类&#xff0c;然后连线…

MongoDB使用$addToSet向数组中添加元素

学习mongodb&#xff0c;体会mongodb的每一个使用细节&#xff0c;欢迎阅读威赞的文章。这是威赞发布的第66篇mongodb技术文章&#xff0c;欢迎浏览本专栏威赞发布的其他文章。如果您认为我的文章对您有帮助或者解决您的问题&#xff0c;欢迎在文章下面点个赞&#xff0c;或者关…

python面试题5:浅拷贝和深拷贝之间有什么区别?(难度--中等)

文章目录 题目回答1.浅拷贝2.深拷贝 题目 浅拷贝和深拷贝之间有什么区别&#xff1f; 回答 1.浅拷贝 浅拷贝对于不可变数据&#xff0c;如字符串&#xff0c;整数&#xff0c;数组&#xff0c;往往是直接复制其的值。对于可变对象如列表&#xff0c;则是指向同一个地址。这…

C# OpenCvSharp Mat操作-创建Mat-eye

&#x1f31f; OpenCvSharp 中的 eye 函数详解 &#x1f31f; 在OpenCvSharp中&#xff0c;eye函数用于创建一个单位矩阵&#xff08;identity matrix&#xff09;&#xff0c;即对角线为1&#xff0c;其他元素为0的矩阵。这个函数有两个重载版本&#xff1a; static MatExpr…

驱动开发(四):Linux内核中断

驱动开发系列文章&#xff1a; 驱动开发&#xff08;一&#xff09;&#xff1a;驱动代码的基本框架 驱动开发&#xff08;二&#xff09;&#xff1a;创建字符设备驱动 驱动开发&#xff08;三&#xff09;&#xff1a;内核层控制硬件层 驱动开发&#xff08;四&#xf…

自然资源-测绘地信专业术语,值得收藏!

自然资源-测绘地信专业术语&#xff0c;值得收藏&#xff01; 1、1954年北京坐标系 1954年我国决定采用的国家大地坐标系&#xff0c;实质上是由原苏联普尔科沃为原点的1942年坐标系的延伸。 2、1956年黄海高程系统 根据青岛验潮站1950年一1956年的验潮资料计算确定的平均海面…

java:一个springfox swagger2的简单例子

# 示例程序 【pom.xml】 <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId><version>2.3.12.RELEASE</version> </dependency> <dependency><groupId>…

视图-什么是(VIEW)?怎么创建(CREATE VIEW)?怎么删除(DROP)?怎么用(SELECT/INSERT/UPDATE/DELETE)?

一、引言 之前对数据库的操作都是针对基本关系表&#xff0c;操作都是在数据库的全局逻辑模式上进行的&#xff0c;而在实际的数据库系统中&#xff0c;可能用户只关心或只被允许使用数据库中的某些基本关系表或基本关系表中的某些属性列&#xff0c;这些数据构成了数据库的外…

vue(v-if,v-else-if-else-show)

基本应用 例子 <!DOCTYPE html> <html lang"en"> <head> <meta charset"UTE-8"> <meta http-equiv"X-UA-Compatible" content"IEedge"><meta name"viewport" content"widthdevice-w…

实战篇(一):软体2D模拟详解

import java.util.ArrayList; import com.thomasdiewald.pixelflow.java.DwPixelFlow; import com.thomasdiewald.pixelflow.java

LabView_波形控件

波形图表 将一定数量的数据点存储在缓冲区&#xff0c;并通过这种方式存储并显示这些数据点。当缓冲区被填满后&#xff0c;波形图表将会用新的数据点覆盖缓冲区中存在时间最久的数据点。 当数据点可用时&#xff0c;波形图表将显示已有的数据点外加最新接收到的数据点 。 您可…

nodejs安装及环境配置常见报错解决

Node.js 是一个基于 Chrome V8 引擎的 JavaScript 运行时环境,它允许 JavaScript 代码在服务器端运行。Node.js 的出现极大地扩展了 JavaScript 的应用场景,使其不仅仅局限于前端开发,还能够处理服务器端逻辑、数据库操作、网络编程等任务。以下是 Node.js 的一些主要功能详…

NVIDIA Triton系列02-功能与架构简介

NVIDIA Triton系列02-功能与架构简介 B站&#xff1a;肆十二-的个人空间-肆十二-个人主页-哔哩哔哩视频 (bilibili.com) 博客&#xff1a;肆十二-CSDN博客 问答&#xff1a;(10 封私信 / 72 条消息) 肆十二 - 知乎 (zhihu.com) 前面文章介绍微软 Teams 会议系统、微信软件与腾讯…