线性代数

1. 行列式 P11

1.1 行列式的性质 P15

性质 1 行列互换,其值不变,即 ∣A∣=∣AT∣|\boldsymbol{A}| = |\boldsymbol{A}^{\mathrm{T}}|

性质 2 若行列式中某行(列)元素全为零,则行列式为零.

性质 3 若行列式中某行(列)元素有公因子 k(k≠0)k(k \neq 0),则 kk 可提到行列式外面,即

∣a11a12⋯a1n⋮⋮⋮kai1kai2⋯kain⋮⋮⋮an1an2⋯ann∣=k∣a11a12⋯a1n⋮⋮⋮ai1ai2⋯ain⋮⋮⋮an1an2⋯ann∣\begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ \vdots & \vdots & & \vdots \\ ka_{i1} & ka_{i2} & \cdots & ka_{in} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix} = k \begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ \vdots & \vdots & & \vdots \\ a_{i1} & a_{i2} & \cdots & a_{in} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix}

性质 4 行列式中某行(列)元素均是两个数之和,则可拆成两个行列式之和,即

∣a11a12⋯a1n⋮⋮⋮ai1+bi1ai2+bi2⋯ain+bin⋮⋮⋮an1an2⋯ann∣=∣a11a12⋯a1n⋮⋮⋮ai1ai2⋯ain⋮⋮⋮an1an2⋯ann∣+∣a11a12⋯a1n⋮⋮⋮bi1bi2⋯bin⋮⋮⋮an1an2⋯ann∣.\begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ \vdots & \vdots & & \vdots \\ a_{i1} + b_{i1} & a_{i2} + b_{i2} & \cdots & a_{in} + b_{in} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix} = \begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ \vdots & \vdots & & \vdots \\ a_{i1} & a_{i2} & \cdots & a_{in} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix} + \begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ \vdots & \vdots & & \vdots \\ b_{i1} & b_{i2} & \cdots & b_{in} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix} .

性质 5 行列式中两行(列)互换,行列式变号.

性质 6 行列式中的两行(列)元素相等或对应成比例,则行列式为零.

性质 7 行列式中某行(列)的 kk 倍加到另一行(列),行列式不变.

1.2 行列式的展开定理 P20

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

Mij=∣a11⋯a1,j−1a1,j+1⋯a1n⋮⋮⋮⋮ai−1,1⋯ai−1,j−1ai−1,j+1⋯ai−1,nai1⋯ai,j−1ai,j+1⋯ainai+1,1⋯ai+1,j−1ai+1,j+1⋯ai+1,n⋮⋮⋮an1⋯an,j−1an,j+1⋯ann∣(n−1)×(n−1).M_{ij} = \begin{vmatrix} a_{11} & \cdots & a_{1, j-1} & a_{1, j+1} & \cdots & a_{1n} \\ \vdots & & \vdots & \vdots & & \vdots \\ a_{i-1, 1} & \cdots & a_{i-1, j-1} & a_{i-1, j+1} & \cdots & a_{i-1, n} \\ a_{i1} & \cdots & a_{i, j-1} & a_{i, j+1} & \cdots & a_{in} \\ a_{i+1, 1} & \cdots & a_{i+1, j-1} & a_{i+1, j+1} & \cdots & a_{i+1, n} \\ \vdots & & \vdots & & \vdots \\ a_{n1} & \cdots & a_{n, j-1} & a_{n, j+1} & \cdots & a_{nn} \end{vmatrix}_{(n-1) \times (n-1)}.

余子式 MijM_{ij} 乘 (−1)i+j(-1)^{i+j} 后称为 aija_{ij} 的代数余子式,记作 AijA_{ij},即

Aij=(−1)i+jMij,A_{ij} = (-1)^{i+j} M_{ij},

显然也有 Mij=(−1)i+jAijM_{ij} = (-1)^{i+j} A_{ij}.

行列式等于行列式的某行(列)元素分别乘其相应的代数余子式后再求和,即

∣A∣={ai1Ai1+ai2Ai2+⋯+ainAin=∑j=1naijAij(i=1,2,⋯ ,n),a1jA1j+a2jA2j+⋯+anjAnj=∑i=1naijAij(j=1,2,⋯ ,n).|\boldsymbol{A}| = \begin{cases} a_{i1} A_{i1} + a_{i2} A_{i2} + \cdots + a_{in} A_{in} = \sum_{j=1}^{n} a_{ij} A_{ij} \quad (i = 1, 2, \cdots, n), \\ a_{1j} A_{1j} + a_{2j} A_{2j} + \cdots + a_{nj} A_{nj} = \sum_{i=1}^{n} a_{ij} A_{ij} \quad (j = 1, 2, \cdots, n). \end{cases}

1.3 重要行列式 P22

1.3.1 主对角线行列式(上(下)三角形行列式)

∣a11a12⋯a1n0a22⋯a2n⋮⋮⋮00⋯ann∣=∣a110⋯0a21a22⋯0⋮⋮⋮an1an2⋯ann∣=∣a110⋯00a22⋯0⋮⋮⋮00⋯ann∣=∏i=1naii.\begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ 0 & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & a_{nn} \end{vmatrix} = \begin{vmatrix} a_{11} & 0 & \cdots & 0 \\ a_{21} & a_{22} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix} = \begin{vmatrix} a_{11} & 0 & \cdots & 0 \\ 0 & a_{22} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & a_{nn} \end{vmatrix} = \prod_{i=1}^{n} a_{ii} .

1.3.2 副对角线行列式

∣a11⋯a1,n−1a1na21⋯a2,n−10⋮⋮⋮an1⋯00∣=∣0⋯0a1n0⋯a2,n−1a2n⋮⋮⋮an1⋯an,n−1ann∣=∣0⋯0a1n0⋯a2,n−10⋮⋮⋮an1⋯00∣=(−1)n(n−1)2a1na2,n−1⋯an1.\begin{vmatrix} a_{11} & \cdots & a_{1, n-1} & a_{1n} \\ a_{21} & \cdots & a_{2, n-1} & 0 \\ \vdots & & \vdots & \vdots \\ a_{n1} & \cdots & 0 & 0 \end{vmatrix} = \begin{vmatrix} 0 & \cdots & 0 & a_{1n} \\ 0 & \cdots & a_{2, n-1} & a_{2n} \\ \vdots & & \vdots & \vdots \\ a_{n1} & \cdots & a_{n, n-1} & a_{nn} \end{vmatrix} = \begin{vmatrix} 0 & \cdots & 0 & a_{1n} \\ 0 & \cdots & a_{2, n-1} & 0 \\ \vdots & & \vdots & \vdots \\ a_{n1} & \cdots & 0 & 0 \end{vmatrix} = (-1)^{\frac{n(n-1)}{2}} a_{1n} a_{2, n-1} \cdots a_{n1} .

将最后 11 列和前面相邻列对换,对换 n−1n-1 次到第 11 列,再将最新的行列式的最后 11 列和相邻列对换,对换 n−2n-2 次到第 22 列,⋯\cdots,直到换成 DnD_n,共交换 (n−1)+(n−2)+⋯+1=n(n−1)2(n-1) + (n-2) + \cdots + 1 = \frac{n(n-1)}{2} 次,得到主对角行列式。

1.3.3 拉普拉斯展开式

设 A\boldsymbol{A} 为 mm 阶矩阵,B\boldsymbol{B} 为 nn 阶矩阵,则

∣AOOB∣=∣ACOB∣=∣AOCB∣=∣A∣∣B∣,\begin{vmatrix} \boldsymbol{A} & \boldsymbol{O} \\ \boldsymbol{O} & \boldsymbol{B} \end{vmatrix} = \begin{vmatrix} \boldsymbol{A} & \boldsymbol{C} \\ \boldsymbol{O} & \boldsymbol{B} \end{vmatrix} = \begin{vmatrix} \boldsymbol{A} & \boldsymbol{O} \\ \boldsymbol{C} & \boldsymbol{B} \end{vmatrix} = |\boldsymbol{A}||\boldsymbol{B}|, ∣OABO∣=∣CABO∣=∣OABC∣=(−1)mn∣A∣∣B∣.\begin{vmatrix} \boldsymbol{O} & \boldsymbol{A} \\ \boldsymbol{B} & \boldsymbol{O} \end{vmatrix} = \begin{vmatrix} \boldsymbol{C} & \boldsymbol{A} \\ \boldsymbol{B} & \boldsymbol{O} \end{vmatrix} = \begin{vmatrix} \boldsymbol{O} & \boldsymbol{A} \\ \boldsymbol{B} & \boldsymbol{C} \end{vmatrix} = (-1)^{mn} |\boldsymbol{A}||\boldsymbol{B}| .

1.3.4 范德蒙德行列式

∣11⋯1x1x2⋯xnx12x22⋯xn2⋮⋮⋮x1n−1x2n−1⋯xnn−1∣=∏1≤i<j≤n(xj−xi).\begin{vmatrix} 1 & 1 & \cdots & 1 \\ x_1 & x_2 & \cdots & x_n \\ x_1^2 & x_2^2 & \cdots & x_n^2 \\ \vdots & \vdots & & \vdots \\ x_1^{n-1} & x_2^{n-1} & \cdots & x_n^{n-1} \end{vmatrix} = \prod_{1 \le i < j \le n} (x_j - x_i) .

1.3.5 爪形行列式 P25 例1.2

∣1111120010301004∣=2×3×4∣1111121001301014001∣=24∣1−12−13−14000121001301014001∣\begin{vmatrix} 1 & 1 & 1 & 1 \\ 1 & 2 & 0 & 0 \\ 1 & 0 & 3 & 0 \\ 1 & 0 & 0 & 4 \end{vmatrix} = 2 \times 3 \times 4 \begin{vmatrix} 1 & 1 & 1 & 1 \\ \dfrac{1}{2} & 1 & 0 & 0 \\ \dfrac{1}{3} & 0 & 1 & 0 \\ \dfrac{1}{4} & 0 & 0 & 1 \end{vmatrix} = 24 \begin{vmatrix} 1 - \dfrac{1}{2} - \dfrac{1}{3} - \dfrac{1}{4} & 0 & 0 & 0 \\ \dfrac{1}{2} & 1 & 0 & 0 \\ \dfrac{1}{3} & 0 & 1 & 0 \\ \dfrac{1}{4} & 0 & 0 & 1 \end{vmatrix}

1.3.6 X 型行列式

∣ab⋱⋰abba⋰⋱ba∣2n=(a2−b2)n\begin{vmatrix} a & & & & & b \\ & ⋱ & & & ⋰ & \\ & & a & b & & \\ & & b & a & & \\ & ⋰ & & & ⋱ & \\ b & & & & & a \end{vmatrix}_{2n} = (a^2 - b^2)^n ∣a1b1⋱⋰akbkbk+1ak+1⋰⋱b2ka2k∣=∏i=1k(aia2k+1−i−bib2k+1−i)\begin{vmatrix} a_1 & & & & & b_1 \\ & ⋱ & & & ⋰ & \\ & & a_k & b_k & & \\ & & b_{k+1} & a_{k+1} & & \\ & ⋰ & & & ⋱ & \\ b_{2k} & & & & & a_{2k} \end{vmatrix} = \prod_{i=1}^{k} (a_i a_{2k+1-i} - b_i b_{2k+1-i})

1.3.7 宽对角行列式

∣abc⋱⋱⋱⋱bca∣n={(n+1)(a2)n,a2=4bc,(a+a2−4bc)n+1−(a−a2−4bc)n+12n+1a2−4bc,a2≠4bc\begin{vmatrix} a & b & & \\ c & \ddots & \ddots & \\ & \ddots & \ddots & b \\ & & c & a \end{vmatrix}_n = \begin{cases} (n + 1)\left(\dfrac{a}{2}\right)^n, & a^2 = 4bc, \\ \dfrac{\left(a + \sqrt{a^2 - 4bc}\right)^{n+1} - \left(a - \sqrt{a^2 - 4bc}\right)^{n+1}}{2^{n+1} \sqrt{a^2 - 4bc}}, & a^2 \neq 4bc \end{cases}

1.3.8 类对称行列式

∣ab⋯bc⋱⋱⋮⋮⋱⋱bc⋯ca∣n={[a+(n−1)b](a−b)n−1,b=c,b(a−c)n−c(a−b)nb−c,b≠c\begin{vmatrix} a & b & \cdots & b \\ c & \ddots & \ddots & \vdots \\ \vdots & \ddots & \ddots & b \\ c & \cdots & c & a \end{vmatrix}_n = \begin{cases} [a + (n - 1)b](a - b)^{n-1}, & b = c, \\ \dfrac{b(a - c)^n - c(a - b)^n}{b - c}, & b \neq c \end{cases}

1.4 克拉默法则 P38

(1) 对 nn 个方程 nn 个未知数(这是前提)的非齐次线性方程组

{a11x1+a12x2+⋯+a1nxn=b1,a21x1+a22x2+⋯+a2nxn=b2,⋯⋯an1x1+an2x2+⋯+annxn=bn,\begin{cases} a_{11}x_1 + a_{12}x_2 + \cdots + a_{1n}x_n = b_1, \\ a_{21}x_1 + a_{22}x_2 + \cdots + a_{2n}x_n = b_2, \\ \quad\quad\quad\quad \cdots\cdots \\ a_{n1}x_1 + a_{n2}x_2 + \cdots + a_{nn}x_n = b_n, \end{cases}

若系数行列式 D=∣a11a12⋯a1na21a22⋯a2n⋮⋮⋮an1an2⋯ann∣≠0D = \begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix} \neq 0,则方程组有唯一解,且解为

xi=DiD,i=1,2,⋯ ,n,x_i = \frac{D_i}{D}, \quad i = 1, 2, \cdots, n,

式中,DiD_i 是由常数项 b1,b2,⋯ ,bnb_1, b_2, \cdots, b_n 替换 DD 中第 ii 列元素得到的行列式.

(2) 对 nn 个方程 nn 个未知数(这是前提)的齐次线性方程组

{a11x1+a12x2+⋯+a1nxn=0,a21x1+a22x2+⋯+a2nxn=0,⋯⋯an1x1+an2x2+⋯+annxn=0,\begin{cases} a_{11}x_1 + a_{12}x_2 + \cdots + a_{1n}x_n = 0, \\ a_{21}x_1 + a_{22}x_2 + \cdots + a_{2n}x_n = 0, \\ \quad\quad\quad\quad \cdots\cdots \\ a_{n1}x_1 + a_{n2}x_2 + \cdots + a_{nn}x_n = 0, \end{cases}

若 D≠0D \neq 0,则齐次方程组只有零解;若 D=0D = 0,则齐次方程组有非零解.

2. 矩阵 P45

对称矩阵 满足条件 AT=A\boldsymbol{A}^{\mathrm{T}} = \boldsymbol{A} 的矩阵 A\boldsymbol{A} 称为对称矩阵,AT=A⇔aij=aji\boldsymbol{A}^{\mathrm{T}} = \boldsymbol{A} \Leftrightarrow a_{ij} = a_{ji}.

反对称矩阵 满足条件 AT=−A\boldsymbol{A}^{\mathrm{T}} = -\boldsymbol{A} 的矩阵 A\boldsymbol{A} 称为反对称矩阵,

AT=−A⇔{aij=−aji,i≠j,aii=0.\boldsymbol{A}^{\mathrm{T}} = -\boldsymbol{A} \Leftrightarrow \begin{cases} a_{ij} = -a_{ji}, & i \neq j, \\ a_{ii} = 0. \end{cases}

2.1 矩阵的逆 P57

2.1.1 逆矩阵的定义

(1) A,B\boldsymbol{A}, \boldsymbol{B} 是 nn 阶方阵,E\boldsymbol{E} 是 nn 阶单位矩阵,若 AB=BA=E\boldsymbol{A}\boldsymbol{B} = \boldsymbol{B}\boldsymbol{A} = \boldsymbol{E},则称 A\boldsymbol{A} 是可逆矩阵,并称 B\boldsymbol{B} 是 A\boldsymbol{A} 的逆矩阵,且逆矩阵是唯一的,记作 A−1\boldsymbol{A}^{-1}.

(2) A\boldsymbol{A} 可逆的充分必要条件是 ∣A∣≠0|\boldsymbol{A}| \neq 0.

2.1.2 逆矩阵的性质与重要公式

设 A,B\boldsymbol{A}, \boldsymbol{B} 是同阶可逆方阵,则

(1) (A−1)−1=A(\boldsymbol{A}^{-1})^{-1} = \boldsymbol{A}.

(2) 若 k≠0k \neq 0,则 (kA)−1=1kA−1(k\boldsymbol{A})^{-1} = \dfrac{1}{k}\boldsymbol{A}^{-1}.

(3) AB\boldsymbol{A}\boldsymbol{B} 也可逆,且 (AB)−1=B−1A−1(\boldsymbol{A}\boldsymbol{B})^{-1} = \boldsymbol{B}^{-1}\boldsymbol{A}^{-1}.

(4) AT\boldsymbol{A}^{\mathrm{T}} 也可逆,且 (AT)−1=(A−1)T(\boldsymbol{A}^{\mathrm{T}})^{-1} = (\boldsymbol{A}^{-1})^{\mathrm{T}}.

(5) ∣A−1∣=∣A∣−1=1∣A∣|\boldsymbol{A}^{-1}| = |\boldsymbol{A}|^{-1} = \dfrac{1}{|\boldsymbol{A}|}.

NOTE

A+B\boldsymbol{A} + \boldsymbol{B} 不一定可逆,且 (A+B)−1≠A−1+B−1(\boldsymbol{A} + \boldsymbol{B})^{-1} \neq \boldsymbol{A}^{-1} + \boldsymbol{B}^{-1}.

若 A,B\boldsymbol{A}, \boldsymbol{B} 均是可逆方阵,则

[AOOB]−1=[A−1OOB−1],[OABO]−1=[OB−1A−1O].\begin{bmatrix} \boldsymbol{A} & \boldsymbol{O} \\ \boldsymbol{O} & \boldsymbol{B} \end{bmatrix}^{-1} = \begin{bmatrix} \boldsymbol{A}^{-1} & \boldsymbol{O} \\ \boldsymbol{O} & \boldsymbol{B}^{-1} \end{bmatrix}, \quad \begin{bmatrix} \boldsymbol{O} & \boldsymbol{A} \\ \boldsymbol{B} & \boldsymbol{O} \end{bmatrix}^{-1} = \begin{bmatrix} \boldsymbol{O} & \boldsymbol{B}^{-1} \\ \boldsymbol{A}^{-1} & \boldsymbol{O} \end{bmatrix} .

2.1.3 用定义法求可逆矩阵的逆矩阵

方法一 定义法. 依定义进行求解,即求一个矩阵 B\boldsymbol{B},使 AB=E\boldsymbol{A}\boldsymbol{B} = \boldsymbol{E},则 A\boldsymbol{A} 可逆,且 A−1=B\boldsymbol{A}^{-1} = \boldsymbol{B}.

方法二 将 A\boldsymbol{A} 分解成若干个可逆矩阵的乘积. 因两个可逆矩阵的积仍是可逆矩阵,即若 A=BC\boldsymbol{A} = \boldsymbol{B}\boldsymbol{C},其中,B,C\boldsymbol{B}, \boldsymbol{C} 均可逆,则 A\boldsymbol{A} 可逆,且

A−1=(BC)−1=C−1B−1.\boldsymbol{A}^{-1} = (\boldsymbol{B}\boldsymbol{C})^{-1} = \boldsymbol{C}^{-1}\boldsymbol{B}^{-1} .

2.2 伴随矩阵 P59

2.2.1 定义

将行列式 ∣A∣|\boldsymbol{A}| 的 n2n^2 个元素的代数余子式按如下形式排成的矩阵称为 A\boldsymbol{A} 的伴随矩阵,记作 A∗\boldsymbol{A}^*,即

A∗=[A11A21⋯An1A12A22⋯An2⋮⋮⋮A1nA2n⋯Ann]\boldsymbol{A}^* = \begin{bmatrix} A_{11} & A_{21} & \cdots & A_{n1} \\ A_{12} & A_{22} & \cdots & A_{n2} \\ \vdots & \vdots & & \vdots \\ A_{1n} & A_{2n} & \cdots & A_{nn} \end{bmatrix}

2.2.2 伴随矩阵的性质与重要公式 P59

  • 对任意 nn 阶方阵 A\boldsymbol{A},都有伴随矩阵 A∗\boldsymbol{A}^*,且
    • AA∗=A∗A=∣A∣E\boldsymbol{A}\boldsymbol{A}^* = \boldsymbol{A}^*\boldsymbol{A} = |\boldsymbol{A}|\boldsymbol{E}
    • ∣A∗∣=∣A∣n−1|\boldsymbol{A}^*| = |\boldsymbol{A}|^{n-1}
    • (AT)∗=(A∗)T(\boldsymbol{A}^{\mathrm{T}})^* = (\boldsymbol{A}^*)^{\mathrm{T}}
    • (A−1)∗=(A∗)−1(\boldsymbol{A}^{-1})^* = (\boldsymbol{A}^*)^{-1}
    • (AB)∗=B∗A∗(\boldsymbol{A}\boldsymbol{B})^* = \boldsymbol{B}^*\boldsymbol{A}^*
    • (A∗)∗=∣A∣n−2A(\boldsymbol{A}^*)^* = |\boldsymbol{A}|^{n-2}\boldsymbol{A}
  • 当 ∣A∣≠0|\boldsymbol{A}| \neq 0 时,有
    • A∗=∣A∣A−1\boldsymbol{A}^* = |\boldsymbol{A}|\boldsymbol{A}^{-1}
    • A−1=1∣A∣A∗\boldsymbol{A}^{-1} = \frac{1}{|\boldsymbol{A}|}\boldsymbol{A}^*
    • A=∣A∣(A∗)−1\boldsymbol{A} = |\boldsymbol{A}|(\boldsymbol{A}^*)^{-1}
    • (kA)(kA)∗=∣kA∣E(k\boldsymbol{A})(k\boldsymbol{A})^* = |k\boldsymbol{A}|\boldsymbol{E}
    • AT(AT)∗=∣AT∣E\boldsymbol{A}^{\mathrm{T}}(\boldsymbol{A}^{\mathrm{T}})^* = |\boldsymbol{A}^{\mathrm{T}}|\boldsymbol{E}
    • A−1(A−1)∗=∣A−1∣E\boldsymbol{A}^{-1}(\boldsymbol{A}^{-1})^* = |\boldsymbol{A}^{-1}|\boldsymbol{E}
    • A∗(A∗)∗=∣A∗∣E\boldsymbol{A}^*(\boldsymbol{A}^*)^* = |\boldsymbol{A}^*|\boldsymbol{E}

2.3 初等变化和初等矩阵 P63

  • 倍乘:一个非零常数乘矩阵的某一行(列)
    • Ei(k)(k≠0)\boldsymbol{E}_i(k)(k \neq 0):单位矩阵 E\boldsymbol{E} 的第 ii 行(或第 ii 列)乘以非零常数 kk
    • E2(k)=[1000k0001]\boldsymbol{E}_2(k) = \begin{bmatrix} 1 & 0 & 0 \\ 0 & k & 0 \\ 0 & 0 & 1 \end{bmatrix}
  • 互换:互换矩阵中某两行(列)的位置
    • Eij\boldsymbol{E}_{ij}:单位矩阵 E\boldsymbol{E} 交换第 ii 行与第 jj 行(或交换第 ii 列与第 jj 列)
    • E12=[010100001]\boldsymbol{E}_{12} = \begin{bmatrix} 0 & 1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix}
  • 倍加:将矩阵的某一行(列)的 kk 倍加到另一行(列)
    • Eij(k)\boldsymbol{E}_{ij}(k):单位矩阵 E\boldsymbol{E} 的第 jj 行的 kk 倍加到第 ii 行(或第 ii 列的 kk 倍加到第 jj 列)
    • E31(k)=[100010k01]\boldsymbol{E}_{31}(k) = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ k & 0 & 1 \end{bmatrix}
  • 对 A\boldsymbol{A} 进行初等行变换,相当于在矩阵 A\boldsymbol{A} 的左边乘相应的初等矩阵
  • 对 A\boldsymbol{A} 进行初等列变换,相当于在矩阵 A\boldsymbol{A} 的右边乘相应的初等矩阵.

2.3.1 初等矩阵的性质与重要公式 P64

  • 初等矩阵的转置仍是初等矩¥阵.
  • 初等矩阵都是可逆矩阵
    • [Ei(k)]−1=Ei(1k)[\boldsymbol{E}_i(k)]^{-1} = \boldsymbol{E}_i\left(\frac{1}{k}\right)
    • Eij−1=Eij\boldsymbol{E}_{ij}^{-1} = \boldsymbol{E}_{ij}
    • [Eij(k)]−1=Eij(−k)[\boldsymbol{E}_{ij}(k)]^{-1} = \boldsymbol{E}_{ij}(-k)
  • 若 A\boldsymbol{A} 是可逆矩阵,则 A\boldsymbol{A} 可以表示成有限个初等矩阵的乘积,即 A=P1P2⋯Ps\boldsymbol{A} = \boldsymbol{P}_1 \boldsymbol{P}_2 \cdots \boldsymbol{P}_s,其中 P1,P2,⋯ ,Ps\boldsymbol{P}_1, \boldsymbol{P}_2, \cdots, \boldsymbol{P}_s 是初等矩阵.

2.3.2 用初等变换求逆矩阵的方法

[A ⋮ E]→初等行变换[E ⋮ A−1][\boldsymbol{A} \ \vdots \ \boldsymbol{E}] \xrightarrow{\text{初等行变换}} [\boldsymbol{E} \ \vdots \ \boldsymbol{A}^{-1}] [A⋯E]→初等列变换[E⋯A−1].\begin{bmatrix} \boldsymbol{A} \\ \cdots \\ \boldsymbol{E} \end{bmatrix} \xrightarrow{\text{初等列变换}} \begin{bmatrix} \boldsymbol{E} \\ \cdots \\ \boldsymbol{A}^{-1} \end{bmatrix} .

2.4 行阶梯形矩阵与行最简阶梯形矩阵 P65

(1) 具有如下特征的矩阵称为行阶梯形矩阵:

① 若有零行(即元素全为零的行),则零行全都位于非零行的下方;

② 各非零行左起第一个非零元素的列指标由上至下是严格增大的.

(2) 一个行阶梯形矩阵称为行最简阶梯形矩阵,如果其非零行的第一个非零元素为 1,并且这些非零元素所在列的其他元素均为 0.

2.5 等价矩阵和矩阵的等价标准形 P70

设 A,B\boldsymbol{A}, \boldsymbol{B} 均是 m×nm \times n 矩阵,若存在可逆矩阵 Pm×m,Qn×n\boldsymbol{P}_{m \times m}, \boldsymbol{Q}_{n \times n},使得 PAQ=B\boldsymbol{P}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{B},则称 A,B\boldsymbol{A}, \boldsymbol{B} 是等价矩阵,记作 A≅B\boldsymbol{A} \cong \boldsymbol{B}.

A\boldsymbol{A} 是一个 m×nm \times n 矩阵,则 A\boldsymbol{A} 等价于形如 [ErOOO]\begin{bmatrix} \boldsymbol{E}_r & \boldsymbol{O} \\ \boldsymbol{O} & \boldsymbol{O} \end{bmatrix} 的矩阵(Er\boldsymbol{E}_r 中的 rr 恰是 r(A)r(\boldsymbol{A})),后者称为 A\boldsymbol{A} 的等价标准形. 等价标准形是唯一的,即若 r(A)=rr(\boldsymbol{A}) = r,则存在可逆矩阵 P,Q\boldsymbol{P}, \boldsymbol{Q},使得

PAQ=[ErOOO].\boldsymbol{P}\boldsymbol{A}\boldsymbol{Q} = \begin{bmatrix} \boldsymbol{E}_r & \boldsymbol{O} \\ \boldsymbol{O} & \boldsymbol{O} \end{bmatrix} .

2.6 矩阵的秩 P73

1 定义

设 AA 是 m×nm \times n 矩阵,若存在 kk 阶子式不为零,而任意 k+1k+1 阶子式(如果有的话)全为零,则 r(A)=kr(A) = k,且若 AA 为 n×nn \times n 矩阵,则

r(An×n)=n⇔∣A∣≠0⇔A可逆.r(A_{n \times n}) = n \Leftrightarrow |A| \neq 0 \Leftrightarrow A \text{可逆}.

2 求法

将 AA 用初等行变换化为行阶梯形矩阵,其非零行数便为 AA 的秩.

3 有关秩的几个重要式子

设 AA 是 m×nm \times n 矩阵,BB 是满足有关矩阵运算要求的矩阵,则

① 0≤r(A)≤min⁡{m,n}0 \le r(A) \le \min\{m, n\}(由定义);

② r(kA)=r(A)(k≠0)r(kA) = r(A) (k \neq 0)(由定义);

③ r(AB)≤min⁡{r(A),r(B)}r(AB) \le \min\{r(A), r(B)\}(见例3.9);

④ r(A+B)≤r(A)+r(B)r(A+B) \le r(A) + r(B)(见例3.10);

⑤ 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} 其中 AA 为 n(n≥2)n (n \ge 2) 阶方阵(见例3.11);

⑥ 设 AA 是 m×nm \times n 矩阵,P,QP, Q 分别是 mm 阶、nn 阶可逆矩阵,则

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

⑦ 若 Am×nBn×s=OA_{m \times n} B_{n \times s} = \boldsymbol{O},则 r(A)+r(B)⩽nr(A) + r(B) \leqslant n;

⑧ r(A)=r(AT)=r(ATA)=r(AAT)r(A) = r(A^{\text{T}}) = r(A^{\text{T}} A) = r(A A^{\text{T}}).

3. 向量组 P82

内积 设 α=[a1,a2,⋯ ,an]T\boldsymbol{\alpha} = [a_1, a_2, \cdots, a_n]^{\text{T}}, β=[b1,b2,⋯ ,bn]T\boldsymbol{\beta} = [b_1, b_2, \cdots, b_n]^{\text{T}}, 则称

(α,β)=αTβ=∑i=1naibi=a1b1+a2b2+⋯+anbn(\boldsymbol{\alpha}, \boldsymbol{\beta}) = \boldsymbol{\alpha}^{\text{T}} \boldsymbol{\beta} = \sum_{i=1}^{n} a_i b_i = a_1 b_1 + a_2 b_2 + \cdots + a_n b_n

为向量 α,β\boldsymbol{\alpha}, \boldsymbol{\beta} 的内积(或点积),记作 (α,β)(\boldsymbol{\alpha}, \boldsymbol{\beta}),即 (α,β)=αTβ(\boldsymbol{\alpha}, \boldsymbol{\beta}) = \boldsymbol{\alpha}^{\text{T}} \boldsymbol{\beta}.

3.1 正交矩阵 P86

设 AA 是 nn 阶方阵,满足 ATA=EA^{\text{T}} A = \boldsymbol{E},则称 AA 是正交矩阵.

AA 是正交矩阵 ⇔ATA=E⇔AT=A−1⇔A\Leftrightarrow A^{\text{T}} A = \boldsymbol{E} \Leftrightarrow A^{\text{T}} = A^{-1} \Leftrightarrow A 的行(列)向量组是规范正交基.

3.2 线性相关 P87

线性相关 对于 mm 个 nn 维向量 α1,α2,⋯ ,αm\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_m,若存在一组不全为零的数 k1,k2,⋯ ,kmk_1, k_2, \cdots, k_m,使得

k1α1+k2α2+⋯+kmαm=0,k_1 \boldsymbol{\alpha}_1 + k_2 \boldsymbol{\alpha}_2 + \cdots + k_m \boldsymbol{\alpha}_m = \mathbf{0},

则称向量组 α1,α2,⋯ ,αm\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_m 线性相关.

线性无关 若不存在不全为零的数 k1,k2,⋯ ,kmk_1, k_2, \cdots, k_m,使得 k1α1+k2α2+⋯+kmαm=0k_1 \boldsymbol{\alpha}_1 + k_2 \boldsymbol{\alpha}_2 + \cdots + k_m \boldsymbol{\alpha}_m = \mathbf{0} 成立,则称向量组 α1,α2,⋯ ,αm\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_m 线性无关;亦即只有当 k1=k2=⋯=km=0k_1 = k_2 = \cdots = k_m = 0 时,才有 k1α1+k2α2+⋯+kmαm=0k_1 \boldsymbol{\alpha}_1 + k_2 \boldsymbol{\alpha}_2 + \cdots + k_m \boldsymbol{\alpha}_m = \mathbf{0} 成立,则称向量组 α1,α2,⋯ ,αm\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_m 线性无关.

判别线性相关性 P88

定理 1 向量组 α1,α2,⋯ ,αn(n⩾2)\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n (n \geqslant 2) 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 n−1n-1 个向量线性表示.

定理 2 若向量组 α1,α2,⋯ ,αn\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n 线性无关,而 β,α1,α2,⋯ ,αn\boldsymbol{\beta}, \boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n 线性相关,则 β\boldsymbol{\beta} 可由 α1,α2,⋯ ,αn\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n 线性表示,且表示法唯一.

定理 3 如果向量组 β1,β2,⋯ ,βt\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t 可由向量组 α1,α2,⋯ ,αs\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_s 线性表示,且 t>st > s,则 β1,β2,⋯ ,βt\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t 线性相关(以少表多,多的相关).

定理 4 设 mm 个 nn 维向量 α1,α2,⋯ ,αm\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_m,其中

α1=[a11,a21,⋯ ,an1]T,\boldsymbol{\alpha}_1 = [a_{11}, a_{21}, \cdots, a_{n1}]^{\text{T}}, α2=[a12,a22,⋯ ,an2]T,\boldsymbol{\alpha}_2 = [a_{12}, a_{22}, \cdots, a_{n2}]^{\text{T}}, ⋯\cdots αm=[a1m,a2m,⋯ ,anm]T.\boldsymbol{\alpha}_m = [a_{1m}, a_{2m}, \cdots, a_{nm}]^{\text{T}}.

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][x1x2⋮xm]=x1α1+x2α2+⋯+xmαm=0[\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_m] \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_m \end{bmatrix} = 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([\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_m]) < m.

定理 5 向量 β\boldsymbol{\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][x1x2⋮xs]=x1α1+x2α2+⋯+xsαs=β[\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_s] \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([\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_s]) = r([\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_s, \boldsymbol{\beta}]).

定理 6 如果向量组 α1,α2,⋯ ,αm\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_m 中有一部分向量线性相关,则整个向量组也线性相关.

定理 7 如果一组 nn 维向量 α1,α2,⋯ ,αs\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\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∗\boldsymbol{\alpha}_1^*, \boldsymbol{\alpha}_2^*, \cdots, \boldsymbol{\alpha}_s^* 也是线性无关的.

3.3 极大线性无关组 P97

在向量组 α1,α2,⋯ ,αs\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_s 中,若存在部分组 αi1,αi2,⋯ ,αir\boldsymbol{\alpha}_{i_1}, \boldsymbol{\alpha}_{i_2}, \cdots, \boldsymbol{\alpha}_{i_r} 满足:

① αi1,αi2,⋯ ,αir\boldsymbol{\alpha}_{i_1}, \boldsymbol{\alpha}_{i_2}, \cdots, \boldsymbol{\alpha}_{i_r} 线性无关;

② 向量组中任一向量 αi(i=1,2,⋯ ,s)\boldsymbol{\alpha}_i (i = 1, 2, \cdots, s) 均可由 αi1,αi2,⋯ ,αir\boldsymbol{\alpha}_{i_1}, \boldsymbol{\alpha}_{i_2}, \cdots, \boldsymbol{\alpha}_{i_r} 线性表示.

则称向量组 αi1,αi2,⋯ ,αir\boldsymbol{\alpha}_{i_1}, \boldsymbol{\alpha}_{i_2}, \cdots, \boldsymbol{\alpha}_{i_r} 是原向量组的极大线性无关组.

3.4 向量组的秩 P98

向量组 a1,a2,⋯ ,as\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_s 的极大线性无关组 ai1,ai2,⋯ ,air\boldsymbol{a}_{i_1}, \boldsymbol{a}_{i_2}, \cdots, \boldsymbol{a}_{i_r} 中所含向量的个数 rr 称为向量组的秩,记作

r(a1,a2,⋯ ,as)=r.r(\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_s) = r.

等价向量组具有相等的秩,反之未必成立.

示例 a1=[10]\boldsymbol{a}_1 = \begin{bmatrix} 1 \\ 0 \end{bmatrix}, a2=[01]\boldsymbol{a}_2 = \begin{bmatrix} 0 \\ 1 \end{bmatrix}, r(a1)=r(a2)=1r(\boldsymbol{a}_1) = r(\boldsymbol{a}_2) = 1,但 a1,a2\boldsymbol{a}_1, \boldsymbol{a}_2 线性无关,即 a1,a2\boldsymbol{a}_1, \boldsymbol{a}_2 不能相互线性表示,不能推出等价.

4 有关秩的重要定理和公式

(1) 三秩相等.

r(A)r(\boldsymbol{A})(矩阵的秩)=A= \boldsymbol{A} 的行秩(A\boldsymbol{A} 的行向量组的秩)=A= \boldsymbol{A} 的列秩(A\boldsymbol{A} 的列向量组的秩).

(2) 若 A→初等行变换B\boldsymbol{A} \xrightarrow{\text{初等行变换}} \boldsymbol{B},则

① A\boldsymbol{A} 的行向量组和 B\boldsymbol{B} 的行向量组是等价向量组;

② A\boldsymbol{A} 和 B\boldsymbol{B} 的任何相应的部分列向量组具有相同的线性相关性.

(3) 设向量组 α1,α2,⋯ ,αs\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_s 及 β1,β2,⋯ ,βt\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t. 若任一 βi(i=1,2,⋯ ,t)\boldsymbol{\beta}_i (i = 1, 2, \cdots, t) 均可由 α1,α2,⋯ ,αs\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_s 线性表示,则

r(β1,β2,⋯ ,βt)⩽r(α1,α2,⋯ ,αs).r(\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t) \leqslant r(\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_s).

3.5 等价矩阵和等价向量组 P103

A,BA, B 同型时,A≅B⇔r(A)=r(B)⇔PAQ=BA \cong B \Leftrightarrow r(A) = r(B) \Leftrightarrow PAQ = B(P,QP, Q 是可逆矩阵).

ai,βj(i=1,2,⋯ ,s;j=1,2,⋯ ,t)\boldsymbol{a}_i, \boldsymbol{\beta}_j (i = 1, 2, \cdots, s; j = 1, 2, \cdots, t) 同维,则

{a1,a2,⋯ ,as}≅{β1,β2,⋯ ,βt}\{\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_s\} \cong \{\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t\} ⇔{a1,a2,⋯ ,as} 与 {β1,β2,⋯ ,βt} 可以相互表示\Leftrightarrow \{\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_s\} \text{ 与 } \{\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t\} \text{ 可以相互表示} ⇔r(a1,a2,⋯ ,as)=r(β1,β2,⋯ ,βt),且可单方向表示,即只需知 a1,a2,⋯ ,as 与 β1,β2,⋯ ,βt\Leftrightarrow r(\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_s) = r(\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t) \text{,且可单方向表示,即只需知 } \boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_s \text{ 与 } \boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t 这两个向量组中的某一个向量组可由另一个向量组线性表示\text{这两个向量组中的某一个向量组可由另一个向量组线性表示} ⇔r(a1,a2,⋯ ,as)=r(β1,β2,⋯ ,βt)=r(a1,a2,⋯ ,as,β1,β2,⋯ ,βt)(三秩相同).\Leftrightarrow r(\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_s) = r(\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t) = r(\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_s, \boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_t) \text{(三秩相同).}

3.6 向量空间 P105

3.6.1 基本概念

若 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 是 nn 维向量空间 Rn\mathbf{R}^n 中的线性无关的有序向量组,则任一向量 α∈Rn\boldsymbol{\alpha} \in \mathbf{R}^n 均可由 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 线性表示,记为

α=a1ξ1+a2ξ2+⋯+anξn,\boldsymbol{\alpha} = a_1 \boldsymbol{\xi}_1 + a_2 \boldsymbol{\xi}_2 + \cdots + a_n \boldsymbol{\xi}_n,

称有序向量组 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 是 Rn\mathbf{R}^n 的一个基,基向量的个数 nn 称为向量空间的维数,而 [a1,a2,⋯ ,an][a_1, a_2, \cdots, a_n] ([a1,a2,⋯ ,an]T[a_1, a_2, \cdots, a_n]^{\text{T}}) 称为向量 α\boldsymbol{\alpha} 在基 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 下的坐标,或称为 α\boldsymbol{\alpha} 的坐标行(列)向量.

3.6.2 基变换、坐标变换

定理 8 若 η1,η2,⋯ ,ηn\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n 和 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 是 Rn\mathbf{R}^n 中的两个基,且有关系

[η1,η2,⋯ ,ηn]=[ξ1,ξ2,⋯ ,ξn][c11c12⋯c1nc21c22⋯c2n⋮⋮⋮cn1cn2⋯cnn]=[ξ1,ξ2,⋯ ,ξn]C,(∗)[\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n] = [\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n] \begin{bmatrix} c_{11} & c_{12} & \cdots & c_{1n} \\ c_{21} & c_{22} & \cdots & c_{2n} \\ \vdots & \vdots & & \vdots \\ c_{n1} & c_{n2} & \cdots & c_{nn} \end{bmatrix} = [\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n] \boldsymbol{C}, \quad (*)

则 (∗)(*) 式称为由基 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 到基 η1,η2,⋯ ,ηn\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n 的基变换公式,矩阵 C\boldsymbol{C} 称为由基 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 到基 η1,η2,⋯ ,ηn\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n 的过渡矩阵,C\boldsymbol{C} 的第 ii 列即是 ηi\boldsymbol{\eta}_i 在基 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 下的坐标,且过渡矩阵 C\boldsymbol{C} 是可逆矩阵.

定理 9 设 α\boldsymbol{\alpha} 在基 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 和基 η1,η2,⋯ ,ηn\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n 下的坐标分别是 x=[x1,x2,⋯ ,xn]T\boldsymbol{x} = [x_1, x_2, \cdots, x_n]^{\text{T}}, y=[y1,y2,⋯ ,yn]T\boldsymbol{y} = [y_1, y_2, \cdots, y_n]^{\text{T}},即

α=[ξ1,ξ2,⋯ ,ξn]x=[η1,η2,⋯ ,ηn]y.\boldsymbol{\alpha} = [\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n] \boldsymbol{x} = [\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n] \boldsymbol{y}.

又由基 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 到基 η1,η2,⋯ ,ηn\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n 的过渡矩阵为 C\boldsymbol{C},即

[η1,η2,⋯ ,ηn]=[ξ1,ξ2,⋯ ,ξn]C,[\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n] = [\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n] \boldsymbol{C},

则

α=[ξ1,ξ2,⋯ ,ξn]x=[η1,η2,⋯ ,ηn]y=[ξ1,ξ2,⋯ ,ξn]Cy,\boldsymbol{\alpha} = [\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n] \boldsymbol{x} = [\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n] \boldsymbol{y} = [\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n] \boldsymbol{C} \boldsymbol{y},

得

x=Cy 或 y=C−1x.(∗∗)\boldsymbol{x} = \boldsymbol{C} \boldsymbol{y} \text{ 或 } \boldsymbol{y} = \boldsymbol{C}^{-1} \boldsymbol{x}. \quad (**)

(∗∗)(**) 式称为坐标变换公式.

施密特正交化:

β1=α1,β2=α2−(α2,β1)(β1,β1)β1.\boldsymbol{\beta}_1 = \boldsymbol{\alpha}_1, \quad \boldsymbol{\beta}_2 = \boldsymbol{\alpha}_2 - \frac{(\boldsymbol{\alpha}_2, \boldsymbol{\beta}_1)}{(\boldsymbol{\beta}_1, \boldsymbol{\beta}_1)} \boldsymbol{\beta}_1.

4. 线性方程组 P114

4.1 齐次线性方程组 P116

4.1.1 有解的条件 P116

  • 当 r(A)=nr(\boldsymbol{A}) = n(a1,a2,⋯ ,an\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_n 线性无关)时,有唯一零解
  • 当 r(A)=r<nr(\boldsymbol{A}) = r < n(a1,a2,⋯ ,an\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_n 线性相关)时,有非零解(无穷多解),且有 n−rn - r 个线性无关解

4.1.2 解的性质

① 若 Aξ1=0,Aξ2=0\boldsymbol{A}\boldsymbol{\xi}_1 = \mathbf{0}, \boldsymbol{A}\boldsymbol{\xi}_2 = \mathbf{0},则 A(k1ξ1+k2ξ2)=0\boldsymbol{A}(k_1\boldsymbol{\xi}_1 + k_2\boldsymbol{\xi}_2) = \mathbf{0},其中 k1,k2k_1, k_2 是任意常数.

理解:齐次线性方程组的解向量线性组合后形成的新向量仍是该方程组的解.

② 类消去律:若 Am×n,r(A)=n,AB=AC\boldsymbol{A}_{m \times n}, r(\boldsymbol{A}) = n, \boldsymbol{A}\boldsymbol{B} = \boldsymbol{A}\boldsymbol{C},则 B=C\boldsymbol{B} = \boldsymbol{C}.

4.1.3 基础解系和解的结构 P117

(1) 基础解系:设 ξ1,ξ2,⋯ ,ξn−r\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_{n-r} 满足

充要条件{① 是方程组 Ax=0 的解;② 线性无关;③ 方程组 Ax=0 的任一解均可由 ξ1,ξ2,⋯ ,ξn−r 线性表示,\text{充要条件} \begin{cases} \text{① 是方程组 } \boldsymbol{A}\boldsymbol{x} = \mathbf{0} \text{ 的解;} \\ \text{② 线性无关;} \\ \text{③ 方程组 } \boldsymbol{A}\boldsymbol{x} = \mathbf{0} \text{ 的任一解均可由 } \boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_{n-r} \text{ 线性表示,} \end{cases}

则称 ξ1,ξ2,⋯ ,ξn−r\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_{n-r} 为 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 的基础解系.

(2) 通解:设 ξ1,ξ2,⋯ ,ξn−r\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_{n-r} 是 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 的基础解系,则 k1ξ1+k2ξ2+⋯+kn−rξn−rk_1 \boldsymbol{\xi}_1 + k_2 \boldsymbol{\xi}_2 + \cdots + k_{n-r} \boldsymbol{\xi}_{n-r} 是方程组 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 的通解,其中 k1,k2,⋯ ,kn−rk_1, k_2, \cdots, k_{n-r} 是任意常数.

4.1.4 求解方法 P117

① 将系数矩阵 A\boldsymbol{A} 作初等行变换化成行阶梯形矩阵 B\boldsymbol{B}(或行最简阶梯形矩阵 B\boldsymbol{B}),(初等行变换将方程组化为同解方程组,故 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 和 Bx=0\boldsymbol{B}\boldsymbol{x} = \mathbf{0} 同解,只需解 Bx=0\boldsymbol{B}\boldsymbol{x} = \mathbf{0} 即可.)阶梯数为 rr,并记 r(A)=rr(\boldsymbol{A}) = r,

A→初等行变换B=[c11c12⋯c1r⋯c1n0c22⋯c2r⋯c2n⋮⋮⋮⋮00⋯crr⋯crn00⋯0⋯0⋮⋮⋮⋮00⋯0⋯0]m×n,\boldsymbol{A} \xrightarrow{\text{初等行变换}} \boldsymbol{B} = \begin{bmatrix} c_{11} & c_{12} & \cdots & c_{1r} & \cdots & c_{1n} \\ 0 & c_{22} & \cdots & c_{2r} & \cdots & c_{2n} \\ \vdots & \vdots & & \vdots & & \vdots \\ 0 & 0 & \cdots & c_{rr} & \cdots & c_{rn} \\ 0 & 0 & \cdots & 0 & \cdots & 0 \\ \vdots & \vdots & & \vdots & & \vdots \\ 0 & 0 & \cdots & 0 & \cdots & 0 \end{bmatrix}_{m \times n},

其中,mm 是原方程组中方程个数,nn 是未知量个数.

② 按列找出秩序为 rr 的子矩阵,剩余列位置的未知数设为自由变量.

③ 按基础解系定义求出 ξ1,ξ2,⋯ ,ξn−r\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_{n-r},并写出通解.

4.2 非齐次线性方程组 P122

4.2.1 有解的条件

若 r(A)≠r([A,b])r(\boldsymbol{A}) \neq r([\boldsymbol{A}, \boldsymbol{b}])(b\boldsymbol{b} 不能由 a1,a2,⋯ ,an\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_n 线性表示),则方程组 (II) 无解;

若 r(A)=r([A,b])=nr(\boldsymbol{A}) = r([\boldsymbol{A}, \boldsymbol{b}]) = n(即 a1,a2,⋯ ,an\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_n 线性无关,a1,a2,⋯ ,an,b\boldsymbol{a}_1, \boldsymbol{a}_2, \cdots, \boldsymbol{a}_n, \boldsymbol{b} 线性相关),则方程组 (II) 有唯一解;

若 r(A)=r([A,b])=r<nr(\boldsymbol{A}) = r([\boldsymbol{A}, \boldsymbol{b}]) = r < n,则方程组 (II) 有无穷多解.

4.2.2 解的性质

设 η1,η2,η\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \boldsymbol{\eta} 是非齐次线性方程组 Ax=b\boldsymbol{A}\boldsymbol{x} = \boldsymbol{b} 的解,ξ\boldsymbol{\xi} 是对应齐次线性方程组 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 的解,则:

(1) η1−η2\boldsymbol{\eta}_1 - \boldsymbol{\eta}_2 是 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 的解;

(2) kξ+ηk\boldsymbol{\xi} + \boldsymbol{\eta} 是 Ax=b\boldsymbol{A}\boldsymbol{x} = \boldsymbol{b} 的解.

4.2.3 求解方法与步骤

① 写出 Ax=b\boldsymbol{A}\boldsymbol{x} = \boldsymbol{b} 的导出方程组 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0},并求 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 的通解 k1ξ1+k2ξ2+⋯+kn−rξn−rk_1\boldsymbol{\xi}_1 + k_2\boldsymbol{\xi}_2 + \cdots + k_{n-r}\boldsymbol{\xi}_{n-r}.

② 求出 Ax=b\boldsymbol{A}\boldsymbol{x} = \boldsymbol{b} 的一个特解 η\boldsymbol{\eta}.

③ Ax=b\boldsymbol{A}\boldsymbol{x} = \boldsymbol{b} 的通解为 k1ξ1+k2ξ2+⋯+kn−rξn−r+ηk_1\boldsymbol{\xi}_1 + k_2\boldsymbol{\xi}_2 + \cdots + k_{n-r}\boldsymbol{\xi}_{n-r} + \boldsymbol{\eta},其中 k1,k2,⋯ ,kn−rk_1, k_2, \cdots, k_{n-r} 为任意常数.

4.3 同解方程组 P130

若两个方程组 Am×nx=0\boldsymbol{A}_{m \times n}\boldsymbol{x} = \mathbf{0} 和 Bs×nx=0\boldsymbol{B}_{s \times n}\boldsymbol{x} = \mathbf{0} 有完全相同的解,则称它们为同解方程组.

于是,Ax=0,Bx=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0}, \boldsymbol{B}\boldsymbol{x} = \mathbf{0} 是同解方程组

⇔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)\Leftrightarrow \boldsymbol{A}\boldsymbol{x} = \mathbf{0} \text{ 的解满足 } \boldsymbol{B}\boldsymbol{x} = \mathbf{0} \text{,且 } \boldsymbol{B}\boldsymbol{x} = \mathbf{0} \text{ 的解满足 } \boldsymbol{A}\boldsymbol{x} = \mathbf{0} \text{(互相把解代入求出结果即可)} ⇔r(A)=r(B),且 Ax=0 的解满足 Bx=0(或 Bx=0 的解满足 Ax=0)\Leftrightarrow r(\boldsymbol{A}) = r(\boldsymbol{B}) \text{,且 } \boldsymbol{A}\boldsymbol{x} = \mathbf{0} \text{ 的解满足 } \boldsymbol{B}\boldsymbol{x} = \mathbf{0} \text{(或 } \boldsymbol{B}\boldsymbol{x} = \mathbf{0} \text{ 的解满足 } \boldsymbol{A}\boldsymbol{x} = \mathbf{0}\text{)} ⇔r(A)=r(B)=r([AB])(三秩相同).\Leftrightarrow r(\boldsymbol{A}) = r(\boldsymbol{B}) = r\left(\begin{bmatrix} \boldsymbol{A} \\ \boldsymbol{B} \end{bmatrix}\right) \text{(三秩相同).}

NOTE

(1) 若 A\boldsymbol{A} 是 m×nm \times n 实矩阵,则 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 和 ATAx=0\boldsymbol{A}^{\text{T}}\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 也是同解方程组.

(2) 方程组 Ax=0\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 和 ATAx=0\boldsymbol{A}^{\text{T}}\boldsymbol{A}\boldsymbol{x} = \mathbf{0} 是同解方程组,从而有 r(A)=r(ATA)r(\boldsymbol{A}) = r(\boldsymbol{A}^{\text{T}}\boldsymbol{A}).

(3) 因 r(A)=r(AT)r(\boldsymbol{A}) = r(\boldsymbol{A}^{\text{T}}),故 r(A)=r(AT)=r(ATA)=r(AAT)r(\boldsymbol{A}) = r(\boldsymbol{A}^{\text{T}}) = r(\boldsymbol{A}^{\text{T}}\boldsymbol{A}) = r(\boldsymbol{A}\boldsymbol{A}^{\text{T}})(四秩相同).

5. 特征值与特征向量 P139

5.1 定义 P139

设 A\boldsymbol{A} 是 nn 阶矩阵,λ\lambda 是一个数,若存在 nn 维非零列向量 ξ\boldsymbol{\xi},使得

Aξ=λξ,①\boldsymbol{A}\boldsymbol{\xi} = \lambda \boldsymbol{\xi}, \quad \text{①}

则称 λ\lambda 是 A\boldsymbol{A} 的特征值,ξ\boldsymbol{\xi} 是 A\boldsymbol{A} 的对应于特征值 λ\lambda 的特征向量.

5.2 矩阵的特征值与特征向量的求法 P139

由 ① 式,得 (λE−A)ξ=0(\lambda \boldsymbol{E} - \boldsymbol{A})\boldsymbol{\xi} = \mathbf{0},

因 ξ≠0\boldsymbol{\xi} \neq \mathbf{0},故齐次方程组 (λE−A)x=0(\lambda \boldsymbol{E} - \boldsymbol{A})\boldsymbol{x} = \mathbf{0} 有非零解,于是

∣λE−A∣=∣λ−a11−a12⋯−a1n−a21λ−a22⋯−a2n⋮⋮⋮−an1−an2⋯λ−ann∣=0.②|\lambda \boldsymbol{E} - \boldsymbol{A}| = \begin{vmatrix} \lambda - a_{11} & -a_{12} & \cdots & -a_{1n} \\ -a_{21} & \lambda - a_{22} & \cdots & -a_{2n} \\ \vdots & \vdots & & \vdots \\ -a_{n1} & -a_{n2} & \cdots & \lambda - a_{nn} \end{vmatrix} = 0. \quad \text{②}

② 式称为 A\boldsymbol{A} 的特征方程,是未知量 λ\lambda 的 nn 次方程,有 nn 个根(重根按照重数计),λE−A\lambda \boldsymbol{E} - \boldsymbol{A} 称为特征矩阵,∣λE−A∣|\lambda \boldsymbol{E} - \boldsymbol{A}| 称为特征多项式.

于是,求解具体型矩阵的特征值与特征向量,一般先用特征方程 ∣λE−A∣=0|\lambda \boldsymbol{E} - \boldsymbol{A}| = 0 求出 λ\lambda,再解齐次线性方程组 (λE−A)x=0(\lambda \boldsymbol{E} - \boldsymbol{A})\boldsymbol{x} = \mathbf{0},求出特征向量.

TIP

  • f(λ)=akλk+⋯+a1λ+a0=0f(\lambda) = a_k \lambda^k + \cdots + a_1 \lambda + a_0 = 0
    • 若 a0=0a_0 = 0,则 f(0)=0f(0) = 0,所以此时 0 是 f(λ)=0f(\lambda) = 0 的根.
    • 若 ak+ak−1+⋯+a1+a0=0a_k + a_{k-1} + \cdots + a_1 + a_0 = 0,则 f(1)=0f(1) = 0,所以此时 1 是 f(λ)=0f(\lambda) = 0 的根.
    • 若 f(λ)f(\lambda) 的偶次项(包括 a0a_0)系数之和等于奇次项系数之和,则 f(−1)=0f(-1) = 0,所以此时 -1 是 f(λ)=0f(\lambda) = 0 的根.
  • f(x)=1⋅xk+ak−1xk−1+⋯+a1x+a0,ai∈Z(i=0,1,2,⋯ ,k−1)f(x) = 1 \cdot x^k + a_{k-1}x^{k-1} + \cdots + a_1 x + a_0, a_i \in \mathbb{Z} (i = 0, 1, 2, \cdots, k-1)
    • f(x)=0f(x) = 0 的有理根都是整数,且均是 a0a_0 的因子.

5.3 重要结论 P145

5.3.1 特征值的性质与重要结论 P145

(1) λ0\lambda_0 是 A\boldsymbol{A} 的特征值 ⇔∣λ0E−A∣=0\Leftrightarrow |\lambda_0\boldsymbol{E} - \boldsymbol{A}| = 0(建立方程求参数或证明行列式 ∣λ0E−A∣=0|\lambda_0\boldsymbol{E} - \boldsymbol{A}| = 0);

λ0\lambda_0 不是 A\boldsymbol{A} 的特征值 ⇔∣λ0E−A∣≠0\Leftrightarrow |\lambda_0\boldsymbol{E} - \boldsymbol{A}| \neq 0(矩阵可逆,满秩).

注 这里常见的命题方法:若 ∣aA+bE∣=0|a\boldsymbol{A} + b\boldsymbol{E}| = 0(或 aA+bEa\boldsymbol{A} + b\boldsymbol{E} 不可逆),a≠0a \neq 0,则 −ba-\frac{b}{a} 是 A\boldsymbol{A} 的特征值.

(2) 若 λ1,λ2,⋯ ,λn\lambda_1, \lambda_2, \cdots, \lambda_n 是 A\boldsymbol{A} 的 nn 个特征值,则

{∣A∣=λ1λ2⋯λn,tr(A)=λ1+λ2+⋯+λn.\begin{cases} |\boldsymbol{A}| = \lambda_1 \lambda_2 \cdots \lambda_n, \\ \text{tr}(\boldsymbol{A}) = \lambda_1 + \lambda_2 + \cdots + \lambda_n. \end{cases}

5.3.2 特征向量的性质与重要结论 P146

(1) ξ(≠0)\boldsymbol{\xi}(\neq \mathbf{0}) 是 A\boldsymbol{A} 的属于 λ0\lambda_0 的特征向量 ⇔ξ\Leftrightarrow \boldsymbol{\xi} 是 (λ0E−A)x=0(\lambda_0\boldsymbol{E} - \boldsymbol{A})\boldsymbol{x} = \mathbf{0} 的非零解.

(2) 重要结论.

① kk 重特征值 λ\lambda 至多只有 kk 个线性无关的特征向量(不用证明).

② 若 ξ1,ξ2\boldsymbol{\xi}_1, \boldsymbol{\xi}_2 是 A\boldsymbol{A} 的属于不同特征值 λ1,λ2\lambda_1, \lambda_2 的特征向量,则 ξ1,ξ2\boldsymbol{\xi}_1, \boldsymbol{\xi}_2 线性无关.

③ 若 ξ1,ξ2\boldsymbol{\xi}_1, \boldsymbol{\xi}_2 是 A\boldsymbol{A} 的属于同一特征值 λ\lambda 的特征向量,则非零向量 k1ξ1+k2ξ2k_1\boldsymbol{\xi}_1 + k_2\boldsymbol{\xi}_2 仍是 A\boldsymbol{A} 的属于特征值 λ\lambda 的特征向量.(常考其中一个系数(如 k2k_2)等于 0 的情形)

④ 若 ξ1,ξ2\boldsymbol{\xi}_1, \boldsymbol{\xi}_2 是 A\boldsymbol{A} 的属于不同特征值 λ1,λ2\lambda_1, \lambda_2 的特征向量,则当 k1≠0,k2≠0k_1 \neq 0, k_2 \neq 0 时,k1ξ1+k2ξ2k_1\boldsymbol{\xi}_1 + k_2\boldsymbol{\xi}_2 不是 A\boldsymbol{A} 的任何特征值的特征向量.(常考 k1=k2=1k_1 = k_2 = 1 的情形)

⑤ 设 λ1,λ2\lambda_1, \lambda_2 是 A\boldsymbol{A} 的两个不同的特征值,ξ\boldsymbol{\xi} 是对应于 λ1\lambda_1 的特征向量,则 ξ\boldsymbol{\xi} 不是对应于 λ2\lambda_2 的特征向量(即一个特征向量不能属于两个不同的特征值).

5.3.3 常用矩阵的特征值与特征向量 P148

矩阵AkAAkf(A)A−1A∗P−1AP特征值λkλλkf(λ)1λ∣A∣λλ对应的特征向量ξξξξξξP−1ξ\begin{array}{c|c|c|c|c|c|c|c} \hline \text{矩阵} & \boldsymbol{A} & k\boldsymbol{A} & \boldsymbol{A}^k & f(\boldsymbol{A}) & \boldsymbol{A}^{-1} & \boldsymbol{A}^* & \boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} \\ \hline \text{特征值} & \lambda & k\lambda & \lambda^k & f(\lambda) & \frac{1}{\lambda} & \frac{|\boldsymbol{A}|}{\lambda} & \lambda \\ \hline \text{对应的特征向量} & \boldsymbol{\xi} & \boldsymbol{\xi} & \boldsymbol{\xi} & \boldsymbol{\xi} & \boldsymbol{\xi} & \boldsymbol{\xi} & \boldsymbol{P}^{-1}\boldsymbol{\xi} \\ \hline \end{array}

5.4 矩阵的相似 P151

5.4.1 定义

设 A,B\boldsymbol{A}, \boldsymbol{B} 是两个 nn 阶方阵,若存在 nn 阶可逆矩阵 P\boldsymbol{P},使得 P−1AP=B\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} = \boldsymbol{B},则称 A\boldsymbol{A} 相似于 B\boldsymbol{B},记成 A∼B\boldsymbol{A} \sim \boldsymbol{B}.

注 (1) A∼A\boldsymbol{A} \sim \boldsymbol{A};(反身性)

(2) 若 A∼B\boldsymbol{A} \sim \boldsymbol{B},则 B∼A\boldsymbol{B} \sim \boldsymbol{A};(对称性)

(3) 若 A∼B,B∼C\boldsymbol{A} \sim \boldsymbol{B}, \boldsymbol{B} \sim \boldsymbol{C},则 A∼C\boldsymbol{A} \sim \boldsymbol{C}.(传递性)

5.4.2 相似矩阵的性质

若 A∼B\boldsymbol{A} \sim \boldsymbol{B},则

① ∣A∣=∣B∣|\boldsymbol{A}| = |\boldsymbol{B}|.

② r(A)=r(B)r(\boldsymbol{A}) = r(\boldsymbol{B}).

③ tr(A)=tr(B)\text{tr}(\boldsymbol{A}) = \text{tr}(\boldsymbol{B}).

④ λA=λB\lambda_{\boldsymbol{A}} = \lambda_{\boldsymbol{B}}(或 ∣λE−A∣=∣λE−B∣|\lambda \boldsymbol{E} - \boldsymbol{A}| = |\lambda \boldsymbol{E} - \boldsymbol{B}|).

⑤ r(λE−A)=r(λE−B)r(\lambda \boldsymbol{E} - \boldsymbol{A}) = r(\lambda \boldsymbol{E} - \boldsymbol{B}).

⑥ A,B\boldsymbol{A}, \boldsymbol{B} 的各阶主子式之和分别相等.

5.4.3 重要结论 P153

(1) 若 A∼B\boldsymbol{A} \sim \boldsymbol{B},则 Ak∼Bk\boldsymbol{A}^k \sim \boldsymbol{B}^k,f(A)∼f(B)f(\boldsymbol{A}) \sim f(\boldsymbol{B})(其中 f(x)f(x) 是多项式).

(2) 若 A∼B\boldsymbol{A} \sim \boldsymbol{B},且 A\boldsymbol{A} 可逆,则 A−1∼B−1\boldsymbol{A}^{-1} \sim \boldsymbol{B}^{-1},f(A−1)∼f(B−1)f(\boldsymbol{A}^{-1}) \sim f(\boldsymbol{B}^{-1})(其中 f(x)f(x) 是多项式).

(3) 若 A∼B\boldsymbol{A} \sim \boldsymbol{B},则 A∗∼B∗\boldsymbol{A}^* \sim \boldsymbol{B}^*.

(4) 若 A∼B\boldsymbol{A} \sim \boldsymbol{B},则 AT∼BT\boldsymbol{A}^{\text{T}} \sim \boldsymbol{B}^{\text{T}}.

(5) 若 A∼C,B∼D\boldsymbol{A} \sim \boldsymbol{C}, \boldsymbol{B} \sim \boldsymbol{D},则 [AOOB]∼[COOD]\begin{bmatrix} \boldsymbol{A} & \mathbf{O} \\ \mathbf{O} & \boldsymbol{B} \end{bmatrix} \sim \begin{bmatrix} \boldsymbol{C} & \mathbf{O} \\ \mathbf{O} & \boldsymbol{D} \end{bmatrix}.

5.4.4 相似的判别与证明 P153

(1) 定义法. 若存在可逆矩阵 P\boldsymbol{P},使得 P−1AP=B\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} = \boldsymbol{B},则 A∼B\boldsymbol{A} \sim \boldsymbol{B}.

(2) 传递性. 若 A∼Λ,Λ∼B\boldsymbol{A} \sim \boldsymbol{\Lambda}, \boldsymbol{\Lambda} \sim \boldsymbol{B},则 A∼B\boldsymbol{A} \sim \boldsymbol{B}.

(3) 性质. 若 A∼B\boldsymbol{A} \sim \boldsymbol{B},则 r(A)=r(B),∣A∣=∣B∣,tr(A)=tr(B),λA=λB,r(λE−A)=r(λE−B)r(\boldsymbol{A}) = r(\boldsymbol{B}), |\boldsymbol{A}| = |\boldsymbol{B}|, \text{tr}(\boldsymbol{A}) = \text{tr}(\boldsymbol{B}), \lambda_{\boldsymbol{A}} = \lambda_{\boldsymbol{B}}, r(\lambda \boldsymbol{E} - \boldsymbol{A}) = r(\lambda \boldsymbol{E} - \boldsymbol{B}),A\boldsymbol{A} 与 B\boldsymbol{B} 的各阶主子式之和分别相等.

5.5 相似对角化 P155

5.5.1 定义

设 A\boldsymbol{A} 为 nn 阶矩阵,若存在 nn 阶可逆矩阵 P\boldsymbol{P},使得 P−1AP=Λ\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} = \boldsymbol{\Lambda},其中 Λ\boldsymbol{\Lambda} 是对角矩阵,则称 A\boldsymbol{A} 可相似对角化,记 A∼Λ\boldsymbol{A} \sim \boldsymbol{\Lambda},称 Λ\boldsymbol{\Lambda} 是 A\boldsymbol{A} 的相似标准形.

5.5.2 矩阵可相似对角化的条件

由定义可知,若 A\boldsymbol{A} 可相似对角化,即 P−1AP=Λ\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} = \boldsymbol{\Lambda},其中 P\boldsymbol{P} 可逆,等式两边同时左边乘 P\boldsymbol{P},有 AP=PΛ\boldsymbol{A}\boldsymbol{P} = \boldsymbol{P}\boldsymbol{\Lambda},记

P=[ξ1,ξ2,⋯ ,ξn],Λ=[λ1λ2⋱λn],\boldsymbol{P} = [\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n], \quad \boldsymbol{\Lambda} = \begin{bmatrix} \lambda_1 & & & \\ & \lambda_2 & & \\ & & \ddots & \\ & & & \lambda_n \end{bmatrix},

则

A[ξ1,ξ2,⋯ ,ξn]=[ξ1,ξ2,⋯ ,ξn][λ1λ2⋱λn],\boldsymbol{A}[\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n] = [\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n] \begin{bmatrix} \lambda_1 & & & \\ & \lambda_2 & & \\ & & \ddots & \\ & & & \lambda_n \end{bmatrix},

即

[Aξ1,Aξ2,⋯ ,Aξn]=[λ1ξ1,λ2ξ2,⋯ ,λnξn],[\boldsymbol{A}\boldsymbol{\xi}_1, \boldsymbol{A}\boldsymbol{\xi}_2, \cdots, \boldsymbol{A}\boldsymbol{\xi}_n] = [\lambda_1\boldsymbol{\xi}_1, \lambda_2\boldsymbol{\xi}_2, \cdots, \lambda_n\boldsymbol{\xi}_n],

也即

Aξi=λiξi,i=1,2,⋯ ,n.\boldsymbol{A}\boldsymbol{\xi}_i = \lambda_i \boldsymbol{\xi}_i, \quad i = 1, 2, \cdots, n.

由 P\boldsymbol{P} 可逆,则 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 线性无关. 上述过程可逆,于是

① nn 阶矩阵 A\boldsymbol{A} 可相似对角化 ⇔A\Leftrightarrow \boldsymbol{A} 有 nn 个线性无关的特征向量.

由“三、2.(2)①”,kk 重特征值 λ\lambda 至多只有 kk 个线性无关的特征向量,得

② nn 阶矩阵 A\boldsymbol{A} 可相似对角化 ⇔A\Leftrightarrow \boldsymbol{A} 对应于每个 kik_i 重特征值都有 kik_i 个线性无关的特征向量.

由“三、2.(2)②”,对应于不同特征值的特征向量线性无关,得

③ nn 阶矩阵 A\boldsymbol{A} 有 nn 个不同特征值 ⇒A\Rightarrow \boldsymbol{A} 可相似对角化.

由下面的“六”可知:

④ nn 阶矩阵 A\boldsymbol{A} 为实对称矩阵 ⇒A\Rightarrow \boldsymbol{A} 可相似对角化.

以上 ①,② 为 A\boldsymbol{A} 可相似对角化的充要条件;③,④ 为 A\boldsymbol{A} 可相似对角化的充分条件.

5.5.3 求可逆矩阵 P\boldsymbol{P},使得 P−1AP=Λ\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} = \boldsymbol{\Lambda}

在已知 nn 阶矩阵 A\boldsymbol{A} 可相似对角化的条件下,其基本步骤如下.

① 求 A\boldsymbol{A} 的特征值 λ1,λ2,⋯ ,λn\lambda_1, \lambda_2, \cdots, \lambda_n.

② 求 A\boldsymbol{A} 的对应于特征值 λ1,λ2,⋯ ,λn\lambda_1, \lambda_2, \cdots, \lambda_n 的线性无关的特征向量 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n.

③ 令 P=[ξ1,ξ2,⋯ ,ξn]\boldsymbol{P} = [\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n],则 P−1AP=Λ=[λ1λ2⋱λn]\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} = \boldsymbol{\Lambda} = \begin{bmatrix} \lambda_1 & & & \\ & \lambda_2 & & \\ & & \ddots & \\ & & & \lambda_n \end{bmatrix}.

需要注意的是,P\boldsymbol{P} 中特征向量 ξi\boldsymbol{\xi}_i 与 Λ\boldsymbol{\Lambda} 中特征值 λi\lambda_i 对应,且 P\boldsymbol{P} 没有唯一性.

5.5.4 由特征值、特征向量反求 A\boldsymbol{A}

若有可逆矩阵 P\boldsymbol{P},使得 P−1AP=Λ\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} = \boldsymbol{\Lambda},则 A=PΛP−1\boldsymbol{A} = \boldsymbol{P}\boldsymbol{\Lambda}\boldsymbol{P}^{-1},这是反求 A\boldsymbol{A} 的一个基本思路.

5.5.5 求 Ak\boldsymbol{A}^k 及 f(A)f(\boldsymbol{A})

按照 4,进一步地,当 A∼Λ=[λ1λ2⋱λn]\boldsymbol{A} \sim \boldsymbol{\Lambda} = \begin{bmatrix} \lambda_1 & & & \\ & \lambda_2 & & \\ & & \ddots & \\ & & & \lambda_n \end{bmatrix} 时,有

P−1AkP=Λk,Ak=PΛkP−1=P[λ1kλ2k⋱λnk]P−1,\boldsymbol{P}^{-1}\boldsymbol{A}^k\boldsymbol{P} = \boldsymbol{\Lambda}^k, \quad \boldsymbol{A}^k = \boldsymbol{P}\boldsymbol{\Lambda}^k\boldsymbol{P}^{-1} = \boldsymbol{P} \begin{bmatrix} \lambda_1^k & & & \\ & \lambda_2^k & & \\ & & \ddots & \\ & & & \lambda_n^k \end{bmatrix} \boldsymbol{P}^{-1}, P−1f(A)P=f(Λ),f(A)=Pf(Λ)P−1=P[f(λ1)f(λ2)⋱f(λn)]P−1.\boldsymbol{P}^{-1}f(\boldsymbol{A})\boldsymbol{P} = f(\boldsymbol{\Lambda}), \quad f(\boldsymbol{A}) = \boldsymbol{P}f(\boldsymbol{\Lambda})\boldsymbol{P}^{-1} = \boldsymbol{P} \begin{bmatrix} f(\lambda_1) & & & \\ & f(\lambda_2) & & \\ & & \ddots & \\ & & & f(\lambda_n) \end{bmatrix} \boldsymbol{P}^{-1}.

5.6 实对称矩阵的相似对角化 P164

5.6.1 实对称矩阵的性质

在第 2 讲中已经学过,若 AT=A\boldsymbol{A}^{\text{T}} = \boldsymbol{A},则 A\boldsymbol{A} 为对称矩阵,进一步,若组成 A\boldsymbol{A} 的元素都是实数,则 A\boldsymbol{A} 为实对称矩阵.

(1) A\boldsymbol{A} 是实对称矩阵,则 A\boldsymbol{A} 的特征值是实数,特征向量是实向量(不用证明).

(2) 实对称矩阵 A\boldsymbol{A} 的属于不同特征值的特征向量相互正交.

(3) 对任意的 nn 阶实对称矩阵 A\boldsymbol{A},存在 nn 阶正交矩阵 Q\boldsymbol{Q},使得

QTAQ=Q−1AQ=[λ1λ2⋱λn],\boldsymbol{Q}^{\text{T}}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{Q}^{-1}\boldsymbol{A}\boldsymbol{Q} = \begin{bmatrix} \lambda_1 & & & \\ & \lambda_2 & & \\ & & \ddots & \\ & & & \lambda_n \end{bmatrix},

这里 λi(1⩽i⩽n)\lambda_i (1 \leqslant i \leqslant n) 是 A\boldsymbol{A} 的全部特征值(不用说明).

5.6.2 实对称矩阵相似对角化的基本步骤 P165

若 A\boldsymbol{A} 为 nn 阶实对称矩阵,则其用正交矩阵 Q\boldsymbol{Q} 相似对角化的基本步骤如下.

(1) 求 A\boldsymbol{A} 的特征值 λ1,λ2,⋯ ,λn\lambda_1, \lambda_2, \cdots, \lambda_n.

(2) 求 A\boldsymbol{A} 的对应于特征值 λ1,λ2,⋯ ,λn\lambda_1, \lambda_2, \cdots, \lambda_n 的特征向量 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n.

(3) 将 ξ1,ξ2,⋯ ,ξn\boldsymbol{\xi}_1, \boldsymbol{\xi}_2, \cdots, \boldsymbol{\xi}_n 正交化(若需要的话)、单位化为 η1,η2,⋯ ,ηn\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n.

(4) 令 Q=[η1,η2,⋯ ,ηn]\boldsymbol{Q} = [\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \cdots, \boldsymbol{\eta}_n],则 Q\boldsymbol{Q} 为正交矩阵,且 Q−1AQ=QTAQ=Λ\boldsymbol{Q}^{-1}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{Q}^{\text{T}}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{\Lambda}.

NOTE

施密特正交化公式:

设 α1,α2,α3\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \boldsymbol{\alpha}_3 线性无关但不正交,令

β1=α1,β2=α2−(β1,α2)(β1,β1)β1,β3=α3−(β1,α3)(β1,β1)β1−(β2,α3)(β2,β2)β2,\boldsymbol{\beta}_1 = \boldsymbol{\alpha}_1, \quad \boldsymbol{\beta}_2 = \boldsymbol{\alpha}_2 - \frac{(\boldsymbol{\beta}_1, \boldsymbol{\alpha}_2)}{(\boldsymbol{\beta}_1, \boldsymbol{\beta}_1)}\boldsymbol{\beta}_1, \quad \boldsymbol{\beta}_3 = \boldsymbol{\alpha}_3 - \frac{(\boldsymbol{\beta}_1, \boldsymbol{\alpha}_3)}{(\boldsymbol{\beta}_1, \boldsymbol{\beta}_1)}\boldsymbol{\beta}_1 - \frac{(\boldsymbol{\beta}_2, \boldsymbol{\alpha}_3)}{(\boldsymbol{\beta}_2, \boldsymbol{\beta}_2)}\boldsymbol{\beta}_2,

则 β1,β2,β3\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \boldsymbol{\beta}_3 相互正交.

6. 二次型 P178

6.1 二次型的定义及其矩阵表达式

nn 元变量 x1,x2,⋯ ,xnx_1, x_2, \cdots, x_n 的二次齐次多项式

f(x1,x2,⋯ ,xn)=a11x12+2a12x1x2+⋯+2a1nx1xn+a22x22+⋯+2a2nx2xn+⋯+annxn2\begin{aligned} f(x_1, x_2, \cdots, x_n) &= a_{11}x_1^2 + 2a_{12}x_1x_2 + \cdots + 2a_{1n}x_1x_n \\ &\quad + a_{22}x_2^2 + \cdots + 2a_{2n}x_2x_n \\ &\quad + \cdots \\ &\quad + a_{nn}x_n^2 \end{aligned}

称为 nn 元二次型,简称二次型.


第 6 讲 二次型

考研只研究系数 aij∈R (i⩽j; i,j=1,2,⋯ ,n)a_{ij} \in \mathbf{R} \ (i \leqslant j; \ i, j = 1, 2, \cdots, n) 的情况,故称此二次型 ff 为实二次型.

因为 xixj=xjxix_ix_j = x_jx_i,若令 aij=aji (i,j=1,2,⋯ ,n)a_{ij} = a_{ji} \ (i, j = 1, 2, \cdots, n),则 2aijxixj=aijxixj+ajixjxi2a_{ij}x_ix_j = a_{ij}x_ix_j + a_{ji}x_jx_i,于是

f(x1,x2,⋯ ,xn)=a11x12+a12x1x2+⋯+a1nx1xn+a21x2x1+a22x22+⋯+a2nx2xn+⋯+an1xnx1+an2xnx2+⋯+annxn2(∗)=∑i=1n∑j=1naijxixj(∗∗)\begin{aligned} f(x_1, x_2, \cdots, x_n) &= a_{11}x_1^2 + a_{12}x_1x_2 + \cdots + a_{1n}x_1x_n + a_{21}x_2x_1 + a_{22}x_2^2 + \cdots + a_{2n}x_2x_n + \cdots + \\ &\quad a_{n1}x_nx_1 + a_{n2}x_nx_2 + \cdots + a_{nn}x_n^2 \qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad (*) \\ &= \sum_{i=1}^n \sum_{j=1}^n a_{ij}x_ix_j \qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad (**) \end{aligned}

其中 (∗)(*) 式称为完全展开式,(∗∗)(**) 式称为和式. 令

AT=A=[a11a12⋯a1na21a22⋯a2n⋮⋮⋮an1an2⋯ann],x=[x1x2⋮xn],\boldsymbol{A}^{\text{T}} = \boldsymbol{A} = \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{bmatrix}, \quad \boldsymbol{x} = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix},

则二次型可表示为

f(x)=xTAx.(∗∗∗)f(\boldsymbol{x}) = \boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x}. \qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad (***)

(∗∗∗)(***) 式称为二次型 f(x1,x2,⋯ ,xn)f(x_1, x_2, \cdots, x_n) 的矩阵表达式,实对称矩阵 A\boldsymbol{A} 称为二次型 f(x)f(\boldsymbol{x}) 的矩阵.

二次型的矩阵 A\boldsymbol{A} 是一个对称矩阵,其中 A=(aij)n×n\boldsymbol{A} = (a_{ij})_{n \times n},aij=ajia_{ij} = a_{ji},即满足 AT=A\boldsymbol{A}^{\text{T}} = \boldsymbol{A}.

6.2 合同变换,二次型的合同标准形、规范形 P180

6.2.1 线性变换的定义

对于 nn 元二次型 f(x1,x2,⋯ ,xn)f(x_1, x_2, \cdots, x_n),若令

{x1=c11y1+c12y2+⋯+c1nyn,x2=c21y1+c22y2+⋯+c2nyn,⋯⋯xn=cn1y1+cn2y2+⋯+cnnyn,(∗)\begin{cases} x_1 = c_{11}y_1 + c_{12}y_2 + \cdots + c_{1n}y_n, \\ x_2 = c_{21}y_1 + c_{22}y_2 + \cdots + c_{2n}y_n, \\ \qquad\qquad\quad \cdots\cdots \\ x_n = c_{n1}y_1 + c_{n2}y_2 + \cdots + c_{nn}y_n, \end{cases} \qquad\qquad\qquad\qquad\qquad (*)

记 x=[x1x2⋮xn]\boldsymbol{x} = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix},C=[c11c12⋯c1nc21c22⋯c2n⋮⋮⋮cn1cn2⋯cnn]\boldsymbol{C} = \begin{bmatrix} c_{11} & c_{12} & \cdots & c_{1n} \\ c_{21} & c_{22} & \cdots & c_{2n} \\ \vdots & \vdots & & \vdots \\ c_{n1} & c_{n2} & \cdots & c_{nn} \end{bmatrix},y=[y1y2⋮yn]\boldsymbol{y} = \begin{bmatrix} y_1 \\ y_2 \\ \vdots \\ y_n \end{bmatrix},则 (∗)(*) 式可写为 x=Cy,\boldsymbol{x} = \boldsymbol{C}\boldsymbol{y},

其中 (∗)(*) 式称为线性变换. 若线性变换的系数矩阵 C\boldsymbol{C} 可逆,即 ∣C∣≠0|\boldsymbol{C}| \neq 0,则称为可逆线性变换. 现给出 f(x)=xTAxf(\boldsymbol{x}) = \boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x},令 x=Cy\boldsymbol{x} = \boldsymbol{C}\boldsymbol{y},则

f(x)=(Cy)TA(Cy)=yT(CTAC)y.f(\boldsymbol{x}) = (\boldsymbol{C}\boldsymbol{y})^{\text{T}}\boldsymbol{A}(\boldsymbol{C}\boldsymbol{y}) = \boldsymbol{y}^{\text{T}}(\boldsymbol{C}^{\text{T}}\boldsymbol{A}\boldsymbol{C})\boldsymbol{y}.

记 B=CTAC\boldsymbol{B} = \boldsymbol{C}^{\text{T}}\boldsymbol{A}\boldsymbol{C},则

f(x)=yTBy=g(y).f(\boldsymbol{x}) = \boldsymbol{y}^{\text{T}}\boldsymbol{B}\boldsymbol{y} = g(\boldsymbol{y}).

此时,二次型 f(x)=xTAxf(\boldsymbol{x}) = \boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x} 通过线性变换 x=Cy\boldsymbol{x} = \boldsymbol{C}\boldsymbol{y} 得到一个新二次型 g(y)=yTByg(\boldsymbol{y}) = \boldsymbol{y}^{\text{T}}\boldsymbol{B}\boldsymbol{y}.

6.2.2 矩阵合同的定义与性质

设 A,B\boldsymbol{A}, \boldsymbol{B} 为 nn 阶矩阵,若存在可逆矩阵 C\boldsymbol{C},使得

CTAC=B,\boldsymbol{C}^{\text{T}}\boldsymbol{A}\boldsymbol{C} = \boldsymbol{B},

则称 A\boldsymbol{A} 与 B\boldsymbol{B} 合同,记作 A≃B\boldsymbol{A} \simeq \boldsymbol{B}. 此时称其对应的二次型 f(x)f(\boldsymbol{x}) 与 g(y)g(\boldsymbol{y}) 为合同二次型.

在二次型中,A\boldsymbol{A} 与 B\boldsymbol{B} 的合同,就是指同一个二次型在可逆线性变换下的两个不同状态的联系.

合同有以下三个性质:

(1) A≃A\boldsymbol{A} \simeq \boldsymbol{A}(反身性);

(2) 若 A≃B\boldsymbol{A} \simeq \boldsymbol{B},则 B≃A\boldsymbol{B} \simeq \boldsymbol{A}(对称性);

(3) 若 A≃B\boldsymbol{A} \simeq \boldsymbol{B},且 B≃C\boldsymbol{B} \simeq \boldsymbol{C},则 A≃C\boldsymbol{A} \simeq \boldsymbol{C}(传递性).

特别需要指出的是,由矩阵合同的定义知,若 A≃B\boldsymbol{A} \simeq \boldsymbol{B},则有 r(A)=r(B)r(\boldsymbol{A}) = r(\boldsymbol{B}),因此有重要结论:可逆线性变换不会改变二次型的秩. 顺便再说一句,由于在二次型中,二次型的矩阵都是对称矩阵,因此和对称矩阵合同的矩阵也必定是对称矩阵. 这是因为若 A≃B\boldsymbol{A} \simeq \boldsymbol{B},即存在可逆矩阵 C\boldsymbol{C},使得 CTAC=B\boldsymbol{C}^{\text{T}}\boldsymbol{A}\boldsymbol{C} = \boldsymbol{B},其中 AT=A\boldsymbol{A}^{\text{T}} = \boldsymbol{A},则

BT=(CTAC)T=CTATC=CTAC=B.\boldsymbol{B}^{\text{T}} = (\boldsymbol{C}^{\text{T}}\boldsymbol{A}\boldsymbol{C})^{\text{T}} = \boldsymbol{C}^{\text{T}}\boldsymbol{A}^{\text{T}}\boldsymbol{C} = \boldsymbol{C}^{\text{T}}\boldsymbol{A}\boldsymbol{C} = \boldsymbol{B}.

6.2.3 二次型的标准形、规范形 P182

若二次型中只含有平方项,没有交叉项(即所有交叉项的系数全为零),即形如

d1x12+d2x22+⋯+dnxn2d_1 x_1^2 + d_2 x_2^2 + \cdots + d_n x_n^2

的二次型称为标准形.

若标准形中,系数 di(i=1,2,⋯ ,n)d_i (i=1, 2, \cdots, n) 的取值范围为 {1,−1,0}\{1, -1, 0\},即形如 x12+⋯+xp2−xp+12−⋯−xp+q2x_1^2 + \cdots + x_p^2 - x_{p+1}^2 - \cdots - x_{p+q}^2 的二次型称为规范形.

⋆\star 定理 1 任何二次型 f(x)=xTAxf(\boldsymbol{x}) = \boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x} 均可通过配方法(作可逆线性变换 x=Cy\boldsymbol{x} = \boldsymbol{C}\boldsymbol{y})化成标准形及规范形,用矩阵语言表述:任何实对称矩阵 A\boldsymbol{A},必存在可逆矩阵 C\boldsymbol{C},使得 CTAC=Λ\boldsymbol{C}^{\text{T}}\boldsymbol{A}\boldsymbol{C} = \boldsymbol{\Lambda},其中

Λ=[d1d2⋱dn]或Λ=[1⋱1−1⋱−10⋱0].\boldsymbol{\Lambda} = \begin{bmatrix} d_1 & & & \\ & d_2 & & \\ & & \ddots & \\ & & & d_n \end{bmatrix} \quad \text{或} \quad \boldsymbol{\Lambda} = \begin{bmatrix} 1 & & & & & & \\ & \ddots & & & & & \\ & & 1 & & & & \\ & & & -1 & & & \\ & & & & \ddots & & \\ & & & & & -1 & \\ & & & & & & 0 & \\ & & & & & & & \ddots & \\ & & & & & & & & 0 \end{bmatrix}. (标准形)(规范形)\text{(标准形)} \qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad \text{(规范形)}

⋆\star 定理 2 任何二次型 f(x)=xTAxf(\boldsymbol{x}) = \boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x} 也可以通过正交变换 x=Qy\boldsymbol{x} = \boldsymbol{Q}\boldsymbol{y} 化成标准形,用矩阵语言表述:任何实对称矩阵 A\boldsymbol{A},一定存在正交矩阵 Q\boldsymbol{Q},使得

Q−1AQ=QTAQ=Λ,\boldsymbol{Q}^{-1}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{Q}^{\text{T}}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{\Lambda},

其中

Λ=[λ1λ2⋱λn].\boldsymbol{\Lambda} = \begin{bmatrix} \lambda_1 & & & \\ & \lambda_2 & & \\ & & \ddots & \\ & & & \lambda_n \end{bmatrix}.

注 此处 Q\boldsymbol{Q} 的列向量均是 A\boldsymbol{A} 的特征向量,λi(i=1,2,⋯ ,n)\lambda_i (i=1, 2, \cdots, n) 均是 A\boldsymbol{A} 的特征值.

6.3 惯性定理 P184

无论选取什么样的可逆线性变换,将二次型化成标准形或规范形,其正项个数 pp、负项个数 qq 都是不变的,pp 称为正惯性指数,qq 称为负惯性指数.

NOTE

若二次型的秩为 rr,则 r=p+qr = p + q,可逆线性变换不改变正、负惯性指数.

两个二次型(或实对称矩阵)合同的充要条件是有相同的正、负惯性指数,或有相同的秩及正(或负)惯性指数,或有相同的正、负特征值个数.

两种方法一定要搞清楚,不要只会套公式:

f(x)=xTAx={配方法(可逆线性变换):x=Cy, C可逆.使得 f= ⁣= ⁣= ⁣= ⁣= ⁣x=CyyTΛy,其中 CTAC=Λ(使 A 合同于对角矩阵).正交变换法(可逆线性变换):x=Qy(这里的 Q 不仅可逆,还满足 Q−1=QT),使得 f= ⁣= ⁣= ⁣= ⁣= ⁣x=QyyTΛy,其中 QTAQ=Q−1AQ=Λ.f(\boldsymbol{x}) = \boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x} = \begin{cases} \text{配方法(可逆线性变换):} \boldsymbol{x} = \boldsymbol{C}\boldsymbol{y}, \ \boldsymbol{C} \text{可逆}. \\ \text{使得 } f \stackrel{\boldsymbol{x} = \boldsymbol{C}\boldsymbol{y}}{=\!=\!=\!=\!=\!} \boldsymbol{y}^{\text{T}}\boldsymbol{\Lambda}\boldsymbol{y}, \text{其中 } \boldsymbol{C}^{\text{T}}\boldsymbol{A}\boldsymbol{C} = \boldsymbol{\Lambda} \text{(使 }\boldsymbol{A}\text{ 合同于对角矩阵)}. \\ \\ \text{正交变换法(可逆线性变换):} \boldsymbol{x} = \boldsymbol{Q}\boldsymbol{y} \text{(这里的 }\boldsymbol{Q}\text{ 不仅可逆,还满足 } \boldsymbol{Q}^{-1} = \boldsymbol{Q}^{\text{T}}\text{),} \\ \text{使得 } f \stackrel{\boldsymbol{x} = \boldsymbol{Q}\boldsymbol{y}}{=\!=\!=\!=\!=\!} \boldsymbol{y}^{\text{T}}\boldsymbol{\Lambda}\boldsymbol{y}, \text{其中 } \boldsymbol{Q}^{\text{T}}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{Q}^{-1}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{\Lambda}. \end{cases}

⋆\star 二者区别:在配方法中,C\boldsymbol{C} 只满足可逆,所以 C−1\boldsymbol{C}^{-1} 不一定等于 CT\boldsymbol{C}^{\text{T}},缓和或在正交变换法中,变换手段 Q\boldsymbol{Q} 满足 Q−1=QT\boldsymbol{Q}^{-1} = \boldsymbol{Q}^{\text{T}}.

二者相同点:它们的正、负惯性指数是相同的.

6.4 正定二次型及其判别 P192

6.4.1 定义

nn 元二次型 f(x1,x2,⋯ ,xn)=xTAxf(x_1, x_2, \cdots, x_n) = \boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x}. 若对任意的 x=[x1,x2,⋯ ,xn]T≠0\boldsymbol{x} = [x_1, x_2, \cdots, x_n]^{\text{T}} \neq \boldsymbol{0},均有 xTAx>0\boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x} > 0,则称 ff 为正定二次型,称二次型的对应矩阵 A\boldsymbol{A} 为正定矩阵.

6.4.2 二次型正定的充要条件

nn 元二次型 f=xTAxf = \boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x} 正定 ⇔\Leftrightarrow 对任意 x≠0\boldsymbol{x} \neq \boldsymbol{0},有 xTAx>0\boldsymbol{x}^{\text{T}}\boldsymbol{A}\boldsymbol{x} > 0(定义)

⇔f 的正惯性指数 p=n⇔存在可逆矩阵 D,使 A=DTD⇔A≃E⇔A 的特征值 λi>0 (i=1,2,⋯ ,n)⇔A 的全部顺序主子式均大于 0.\begin{aligned} &\Leftrightarrow f \text{ 的正惯性指数 } p = n \\ &\Leftrightarrow \text{存在可逆矩阵 } \boldsymbol{D} \text{,使 } \boldsymbol{A} = \boldsymbol{D}^{\text{T}}\boldsymbol{D} \\ &\Leftrightarrow \boldsymbol{A} \simeq \boldsymbol{E} \\ &\Leftrightarrow \boldsymbol{A} \text{ 的特征值 } \lambda_i > 0 \ (i = 1, 2, \cdots, n) &\Leftrightarrow \boldsymbol{A} \text{ 的全部顺序主子式均大于 0.} \end{aligned}

注 设 A=(aij)n×n\boldsymbol{A} = (a_{ij})_{n \times n},则

∣Ak∣=∣a11a12⋯a1ka21a22⋯a2k⋮⋮⋮ak1ak2⋯akk∣|\boldsymbol{A}_k| = \begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1k} \\ a_{21} & a_{22} & \cdots & a_{2k} \\ \vdots & \vdots & & \vdots \\ a_{k1} & a_{k2} & \cdots & a_{kk} \end{vmatrix}

称为 nn 阶矩阵 A\boldsymbol{A} 的 kk 阶顺序(或左上角)主子式. 当 kk 取 1,2,⋯ ,n1, 2, \cdots, n 时,就得到 A\boldsymbol{A} 的 nn 个顺序主子式.

6.4.3 二次型正定的必要条件

(1) aii>0 (i=1,2,⋯ ,n)a_{ii} > 0 \ (i = 1, 2, \cdots, n).

(2) ∣A∣>0|\boldsymbol{A}| > 0.