《线性代数》期末复习知识总结-下

《线性代数》期末复习知识总结

线性相关与线性无关

核心知识点

1. 线性组合与线性表示

• 线性组合：设有 $m$ 个 $n$ 维向量 ${\alpha }_1,\cdots ,{\alpha }_m$，有 $m$ 个数 $k_1,\cdots ,k_m$，则 $k_1{\alpha }_1+\cdots +k_m{\alpha }_m$ 称为 ${\alpha }_1,\cdots ,{\alpha }_m$ 的线性组合。
• 线性表示：给定向量组 $A:{\alpha }_1,\cdots ,{\alpha }_m$ 和向量 $b$，若存在一组数 ${\lambda }_1,\cdots ,{\lambda }_m$，使得 ${\lambda }_1{\alpha }_1+\cdots +{\lambda }_m{\alpha }_m=b$，则称 $b$ 能由向量组 $A$ 线性表示。
• 判定定理：向量 $b$ 能由 $A$ 线性表示 $\iff r(A)=r(A|b)$（$A$ 为向量组构成的矩阵，$A|b$ 为增广矩阵）。

2. 线性相关与线性无关

• 线性相关：对 $n$ 维向量组 ${\alpha }_1,\cdots ,{\alpha }_s$，若存在不全为零的数 $k_1,\cdots ,k_s$，使得 $k_1{\alpha }_1+\cdots +k_s{\alpha }_s=0$，则称该向量组线性相关。
• 线性无关：若仅当 $k_1=\cdots =k_s=0$ 时，$k_1{\alpha }_1+\cdots +k_s{\alpha }_s=0$ 成立，则称该向量组线性无关。

3. 判定方法

（1）定义法

• 假设 $k_1{\alpha }_1+\cdots +k_s{\alpha }_s=0$，求解方程组，若有非零解则相关，仅有零解则无关。

（2）矩阵秩法

• 设 $A=({\alpha }_1,\cdots ,{\alpha }_s)$（列向量组），则：
  • 向量组相关 $\iff r(A)<s$。
  • 向量组无关 $\iff r(A)=s$。
• 特例：$n$ 个 $n$ 维向量组相关 $\iff |A|=0$；无关 $\iff |A|\ne 0$。

（3）性质法

• 含有零向量的向量组必相关。
• 单独的零向量相关，单独的非零向量无关。
• 成比例的两个向量必相关。
• $n+1$ 个 $n$ 维向量组必相关。
• 若 ${\alpha }_1,\cdots ,{\alpha }_s$ 无关，${\alpha }_1,\cdots ,{\alpha }_s,\beta$ 相关，则 $\beta$ 可由 ${\alpha }_1,\cdots ,{\alpha }_s$ 唯一线性表示。
• 相关组添加向量仍相关；无关组减少向量仍无关。

向量组的秩和极大线性无关组

核心知识点

1. 向量组的等价

• 线性表示：若向量组 $B:{\beta }_1,\cdots ,\beta -n$ 中每个向量都可由向量组 $A:{\alpha }_1,\cdots ,{\alpha }_m$ 线性表示，则称 $B$ 可由 $A$ 线性表示。
• 等价定义：若 $A$ 与 $B$ 互相线性表示，则称 $A$ 与 $B$ 等价，记为 $A\cong B$。
• 判定定理：$A\cong B\iff r(A)=r(B)=r(A|B)$。

2. 极大线性无关组

• 定义：设向量组 $A$ 的一个部分组 ${\alpha }_{i1},\cdots ,{\alpha }_{ir}$ 满足：
  • 线性无关。
  • 向量组 $A$ 中任意 $r+1$ 个向量（若存在）都线性相关，则称该部分组为 $A$ 的极大线性无关组。
• 性质：
  • 向量组与它的极大线性无关组等价。
  • 同一向量组的极大线性无关组所含向量个数相同。
• 求法：将向量组构成矩阵，作行初等变换化为行阶梯形，主元所在列对应的原向量即为极大线性无关组。

3. 向量组的秩

• 定义：极大线性无关组中所含向量的个数称为向量组的秩，记为 $r({\alpha }_1,\cdots ,{\alpha }_m)$。
• 性质：
  • $r({\alpha }_1,\cdots ,{\alpha }_m)=r(A)$（$A$ 为向量组构成的矩阵）。
  • 若 $B$ 可由 $A$ 线性表示，则 $r(B)\le r(A)$。
  • 若 $A\cong B$，则 $r(A)=r(B)$。

4. 向量空间

• 定义：全体 $n$ 维向量连同向量的加法和数乘运算构成 $n$ 维向量空间，记为 ${\mathbb{R}}^n$。
• 基与维数：
  • 基：若向量空间 $W$ 中 $m$ 个向量 ${\alpha }_1,\cdots ,{\alpha }_m$ 无关，且 $\forall \beta \in W$ 都可由其线性表示，则称 ${\alpha }_1,\cdots ,{\alpha }_m$ 为 $W$ 的一个基。
  • 维数：基中所含向量的个数，记为 $\dim W=m$。
• 坐标：设 ${\alpha }_1,\cdots ,{\alpha }_m$ 为 $W$ 的基，$\beta =k_1{\alpha }_1+\cdots +k_m{\alpha }_m$，则 $(k_1,\cdots ,k_m{)}^T$ 为 $\beta$ 在该基下的坐标。
• 过渡矩阵：设 ${\alpha }_1,\cdots ,{\alpha }_n$ 与 ${\beta }_1,\cdots ,{\beta }_n$ 为 ${\mathbb{R}}^n$ 的两个基，若 $({\beta }_1,\cdots ,{\beta }_n)=({\alpha }_1,\cdots ,{\alpha }_n)C$，则 $C$ 为从 ${\alpha }_1,\cdots ,{\alpha }_n$ 到 ${\beta }_1,\cdots ,{\beta }_n$ 的过渡矩阵，且 $C$ 可逆。

线性方程组（一）

核心知识点

1. 三种形式

（1）齐次线性方程组

• 方程形式：$\{\begin{array}{l}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_n=0\\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_n=0\\ ⋮\\ a_{m1}{x}_1+a_{m2}{x}_2+\cdots +a_{mn}{x}_n=0\end{array}$
• 矩阵形式：$Ax=0$（$A$ 为 $m\times n$ 系数矩阵，$x=(x_1,\cdots ,x_n{)}^T$ 为未知数向量）。
• 向量形式：$x_1{\alpha }_1+x_2{\alpha }_2+\cdots +x_n{\alpha }_n=0$（${\alpha }_j$ 为 $A$ 的列向量）。

（2）非齐次线性方程组

• 方程形式：$\{\begin{array}{l}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_n=b_1\\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_n=b_2\\ ⋮\\ a_{m1}{x}_1+a_{m2}{x}_2+\cdots +a_{mn}{x}_n=b_m\end{array}$（$b_1,\cdots ,b_m$ 不全为0）。
• 矩阵形式：$Ax=b$（$b=(b_1,\cdots ,b_m{)}^T$ 为常数项向量）。
• 向量形式：$x_1{\alpha }_1+x_2{\alpha }_2+\cdots +x_n{\alpha }_n=b$。

2. 方程组有解定理

（1）非齐次线性方程组 $Ax=b$

• 无解 $\iff r(A)\ne r(\overline{A})$（$\overline{A}=(A|b)$ 为增广矩阵）。
• 有唯一解 $\iff r(A)=r(\overline{A})=n$（$n$ 为未知数个数）。
• 有无穷多解 $\iff r(A)=r(\overline{A})<n$。

（2）齐次线性方程组 $Ax=0$

• 必有零解。
• 有非零解 $\iff r(A)<n$。
• 仅有零解 $\iff r(A)=n$。

线性方程组（二）

核心知识点

1. 齐次方程组 $Ax=0$

（1）解的性质

• 若 $\xi$ 是解，则 $k\xi$（$k$ 为常数）也是解。
• 若 ${\xi }_1,{\xi }_2$ 是解，则 $k_1{\xi }_1+k_2{\xi }_2$（$k_1,k_2$ 为常数）也是解。
• 解集合构成向量空间，称为解空间。

（2）基础解系

• 定义：解空间的一个基称为基础解系，设为 ${\xi }_1,\cdots ,{\xi }_{n-r}$（$r=r(A)$），满足：
  • 线性无关。
  • 所有解都可由其线性表示。
• 个数：基础解系所含向量个数为 $n-r$。

（3）通解

• 通解公式：$x=k_1{\xi }_1+k_2{\xi }_2+\cdots +k_{n-r}{\xi }_{n-r}$（$k_1,\cdots ,k_{n-r}$ 为任意常数）。

2. 非齐次方程组 $Ax=b$

（1）解的性质

• 若 $\alpha ,\beta$ 是解，则 $\alpha -\beta$ 是对应齐次方程组 $Ax=0$ 的解。
• 若 $\alpha$ 是 $Ax=b$ 的解，$\eta$ 是 $Ax=0$ 的解，则 $\alpha +\eta$ 是 $Ax=b$ 的解。
• 若 $x_1,\cdots ,x_s$ 是 $Ax=b$ 的解，且 $k_1+\cdots +k_s=1$，则 $k_1{x}_1+\cdots +k_s{x}_s$ 也是 $Ax=b$ 的解。

（2）通解结构

• 通解公式：$x=x^{\ast }+k_1{\xi }_1+\cdots +k_{n-r}{\xi }_{n-r}$，其中 $x^{\ast }$ 是 $Ax=b$ 的一个特解，${\xi }_1,\cdots ,{\xi }_{n-r}$ 是 $Ax=0$ 的基础解系，$k_1,\cdots ,k_{n-r}$ 为任意常数。

特征值和特征向量

核心知识点

1. 特征值与特征向量

（1）概念

• 设 $A$ 是 $n$ 阶矩阵，若存在数 $\lambda$ 及非零 $n$ 维向量 $x$，使 $Ax=\lambda x$，则称 $\lambda$ 为 $A$ 的特征值，$x$ 为 $A$ 对应特征值 $\lambda$ 的特征向量。
• 几何意义：对某一方向上的非零向量只有伸缩作用。

（2）相关定义

• 特征多项式：$f(\lambda )=|A-\lambda E|=\left|\begin{array}{ccc}{a}_{11}-\lambda & \cdots & a_{1n}\\ ⋮& \ddots & ⋮\\ a_{n1}& \cdots & a_{nn}-\lambda \end{array}\right|$。
• 特征方程：$|A-\lambda E|=0$，其根即为特征值 ${\lambda }_1,\cdots ,{\lambda }_n$（可重根）。

（3）求法

1. 解特征方程 $|A-\lambda E|=0$，得所有特征值 ${\lambda }_1,\cdots ,{\lambda }_n$。
2. 对每个 ${\lambda }_i$，解方程组 $(A-{\lambda }_{i}E)x=0$，得基础解系，即为对应 ${\lambda }_i$ 的线性无关特征向量，所有非零线性组合为全部特征向量。

2. 性质

• 特征值之和：${\lambda }_1+{\lambda }_2+\cdots +{\lambda }_n=a_{11}+a_{22}+\cdots +a_{nn}=tr(A)$（$tr(A)$ 为矩阵的迹）。

• 特征值之积：${\lambda }_1{\lambda }_2\cdots {\lambda }_n=|A|$。

• 若 $\lambda$ 是 $A$ 的特征值，$x$ 是对应特征向量，则：

  • $k\lambda$ 是 $kA$ 的特征值，$x$ 是对应特征向量。
  • ${\lambda }^m$ 是 $A^m$ 的特征值，$x$ 是对应特征向量。
  • 若 $A$ 可逆，则 $\lambda \ne 0$，$\frac{1}{\lambda }$ 是 $A^{-1}$ 的特征值，$x$ 是对应特征向量；$\frac{|A|}{\lambda }$ 是 $A^{\ast }$ 的特征值，$x$ 是对应特征向量。

• 不同特征值对应的特征向量必线性无关。

• 若 ${\lambda }_0$ 是 $k$ 重特征值，则其对应的线性无关特征向量个数不超过 $k$​。

  

对角化

核心知识点

1. 相似对角化

（1）相似的概念

• 设 $A,B$ 为 $n$ 阶矩阵，若存在可逆矩阵 $P$，使得 $P^{-1}AP=B$，则称 $A$ 与 $B$ 相似，记为 $A\sim B$。
• 若存在可逆矩阵 $P$，使得 $P^{-1}AP=\Lambda =\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right)$（对角矩阵），则称 $A$ 可相似对角化，记为 $A\sim \Lambda$。

（2）相似的性质

• 若 $A\sim B$，则 $|A|=|B|$，$tr(A)=tr(B)$，$r(A)=r(B)$。
• 若 $A\sim B$，则 $A^m\sim B^m$，$f(A)\sim f(B)$（$f$ 为多项式）。
• 若 $A\sim B$，则 $A$ 与 $B$ 有相同的特征值。

（3）对角化的条件

• 充要条件：$A$ 有 $n$ 个线性无关的特征向量。
• 充要条件：对 $A$ 的每个 $k$ 重特征值 ${\lambda }_i$，对应有 $k$ 个线性无关的特征向量（即 $r(A-{\lambda }_{i}E)=n-k$）。
• 充分条件：$A$ 有 $n$ 个不同的特征值。
• 充分条件：$A$ 为实对称矩阵。

（4）相似对角化的步骤

1. 求 $A$ 的所有特征值 ${\lambda }_1,\cdots ,{\lambda }_n$。
2. 对每个特征值 ${\lambda }_i$，求 $(A-{\lambda }_{i}E)x=0$ 的基础解系，得线性无关特征向量 ${\alpha }_1,\cdots ,{\alpha }_n$。
3. 令 $P=({\alpha }_1,\cdots ,{\alpha }_n)$，则 $P^{-1}AP=\Lambda$，其中 $\Lambda$ 的对角线元素为对应的特征值。

2. 正交相似对角化（实对称矩阵）

（1）实对称矩阵的性质

• 实对称矩阵的特征值均为实数。
• 实对称矩阵不同特征值对应的特征向量必正交。
• 实对称矩阵一定可相似对角化，且可正交对角化（存在正交矩阵 $Q$，使 $Q^{T}AQ=\Lambda$）。

（2）正交矩阵

• 定义：若 $Q^{T}Q=E$（或 $Q{Q}^T=E$），则 $Q$ 为正交矩阵，且 $Q^{-1}=Q^T$。
• 性质：正交矩阵的列（行）向量组是两两正交的单位向量组。

（3）施密特正交化

• 正交化：设 ${\alpha }_1,\cdots ,{\alpha }_s$ 线性无关，令：
  • ${\beta }_1={\alpha }_1$。
  • ${\beta }_2={\alpha }_2-\frac{[{\alpha }_2,{\beta }_1]}{[{\beta }_1,{\beta }_1]}{\beta }_1$。
  • ${\beta }_3={\alpha }_3-\frac{[{\alpha }_3,{\beta }_1]}{[{\beta }_1,{\beta }_1]}{\beta }_1-\frac{[{\alpha }_3,{\beta }_2]}{[{\beta }_2,{\beta }_2]}{\beta }_2$。
  • $⋮$
  • ${\beta }_s={\alpha }_s-{\sum }_{k=1}^{s-1}\frac{[{\alpha }_s,{\beta }_k]}{[{\beta }_k,{\beta }_k]}{\beta }_k$。
• 规范化（单位化）：${\gamma }_i=\frac{{\beta }_i}{\Vert {\beta }_i\Vert }$（$i=1,\cdots ,s$）。

（4）正交对角化步骤

1. 求 $A$ 的特征值 ${\lambda }_1,\cdots ,{\lambda }_n$。
2. 求对应特征向量 ${\alpha }_1,\cdots ,{\alpha }_n$。
3. 对重特征值对应的特征向量作施密特正交化。
4. 所有特征向量规范化，得 ${\gamma }_1,\cdots ,{\gamma }_n$。
5. 令 $Q=({\gamma }_1,\cdots ,{\gamma }_n)$，则 $Q^{T}AQ=\Lambda$。

二次型

核心知识点

1. 二次型定义

（1）概念

• 含有 $n$ 个变量 $x_1,\cdots ,x_n$ 的二次齐次多项式：$f(x_1,\cdots ,x_n)={\sum }_{i=1}^n{\sum }_{j=1}^n{a}_{ij}{x}_i{x}_j$（$a_{ij}=a_{ji}$），称为 $n$ 元二次型。

（2）矩阵形式

• $f(x)=x^{T}Ax$，其中 $A=(a_{ij}{)}_{n\times n}$ 为实对称矩阵（称为二次型的矩阵），$x=(x_1,\cdots ,x_n{)}^T$。
• 注：主对角线元素 $a_{ii}$ 是平方项系数，交叉项系数 $a_{ij}(i\ne j)$ 是原交叉项系数的一半。

（3）标准形与规范形

• 标准形：只有平方项，无交叉项，即 $f={\lambda }_1{y}_1^2+{\lambda }_2{y}_2^2+\cdots +{\lambda }_n{y}_n^2$。
• 规范形：平方项系数仅为 $1,-1,0$，即 $f=y_1^2+\cdots +y_p^2-y_{p+1}^2-\cdots -y_r^2$（$r$ 为二次型的秩，$p$ 为正惯性指数，$r-p$ 为负惯性指数）。

2. 合同矩阵

• 定义：设 $A,B$ 为 $n$ 阶实对称矩阵，若存在可逆矩阵 $C$，使得 $C^{T}AC=B$，则称 $A$ 与 $B$ 合同，记为 $A\simeq B$。
• 判定定理：实对称矩阵 $A\simeq B\iff A$ 与 $B$ 有相同的正、负惯性指数。
• 关系：相似 $\Rightarrow$ 合同（实对称矩阵），合同 $\nRightarrow$ 相似。

3. 二次型标准化

（1）正交变换法

• 定理：存在正交矩阵 $Q$，使得 $x=Qy$，将二次型化为标准形 $f={\lambda }_1{y}_1^2+\cdots +{\lambda }_n{y}_n^2$，其中 ${\lambda }_1,\cdots ,{\lambda }_n$ 为 $A$ 的特征值。
• 步骤：
  1. 写出二次型矩阵 $A$。
  2. 求 $A$ 的特征值 ${\lambda }_1,\cdots ,{\lambda }_n$。
  3. 求特征向量并正交化、规范化，得 $Q$。
  4. 作正交变换 $x=Qy$，得标准形。

（2）配方法

• 含平方项：先对某变量的平方项及交叉项配方，消去该变量，重复操作直至化为标准形。
• 不含平方项：先作可逆线性变换构造平方项，再配方。

4. 惯性定理

• 二次型经任意可逆线性变换化为标准形，其正、负惯性指数不变（与变换无关）。

5. 矩阵正定性

（1）正定二次型与正定矩阵

• 定义：对任意 $x\ne 0$，总有 $x^{T}Ax>0$，则称 $f$ 为正定二次型，$A$ 为正定矩阵。
• 半正定：$x^{T}Ax\ge 0$；负定：$x^{T}Ax<0$；半负定：$x^{T}Ax\le 0$。

（2）正定的判定

• 充要条件：
  1. 正惯性指数 $p=n$。
  2. $A$ 的所有特征值均为正数。
  3. $A$ 的各阶顺序主子式均大于0。
  4. $A$ 与 $E$ 合同（存在可逆矩阵 $C$，使 $A=C^{T}C$）。
• 必要条件：$a_{ii}>0$（主对角线元素），$|A|>0$。

5. 矩阵正定性（补充延伸）

（1）各类型二次型的判定对比

（2）正定矩阵的性质

• 若$A,B$均为$n$阶正定矩阵，则：
  1. $A+B$正定（$x^T(A+B)x=x^{T}Ax+x^{T}Bx>0$，因$x^{T}Ax>0$且$x^{T}Bx>0$）；
  2. $kA$正定（$k>0$，$x^T(kA)x=k(x^{T}Ax)>0$）；
  3. $A^{-1},A^{\ast },A^k$（$k$为正整数）均正定（特征值均为正）；
  4. $C^{T}AC$正定（$C$为$n$阶可逆矩阵，因$x\ne 0\Rightarrow Cx\ne 0$，故$x^T(C^{T}AC)x=(Cx{)}^{T}A(Cx)>0$）。

补充：矩阵的等价、相似、合同关系对比

补充：向量空间的基与坐标变换（细化）

（1）基的判定

• $n$维向量空间${\mathbb{R}}^n$中，$n$个向量${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$是基的充要条件：
  1. 线性无关；
  2. 任意$\beta \in {\mathbb{R}}^n$可由${\alpha }_1,\cdots ,{\alpha }_n$线性表示（等价于$r({\alpha }_1,\cdots ,{\alpha }_n)=n$）。

（2）坐标变换公式

设${\mathbb{R}}^n$的两个基：

• 旧基：${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n$，过渡矩阵$C$（满足$({\beta }_1,{\beta }_2,\cdots ,{\beta }_n)=({\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n)C$）；
• 新基：${\beta }_1,{\beta }_2,\cdots ,{\beta }_n$。

若向量$\gamma$在旧基下坐标为$X=(x_1,x_2,\cdots ,x_n{)}^T$，在新基下坐标为$Y=(y_1,y_2,\cdots ,y_n{)}^T$，则：

• 坐标变换公式：$X=CY$ 或 $Y=C^{-1}X$（因$\gamma =({\alpha }_1,\cdots ,{\alpha }_n)X=({\beta }_1,\cdots ,{\beta }_n)Y=({\alpha }_1,\cdots ,{\alpha }_n)CY$，故$X=CY$）。

（3）过渡矩阵的求法

1. 构造矩阵$A=({\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n)$，$B=({\beta }_1,{\beta }_2,\cdots ,{\beta }_n)$；
2. 作增广矩阵$(A|B)$，通过初等行变换化为$(E|C)$，则$C=A^{-1}B$即为从旧基到新基的过渡矩阵。

补充：线性方程组解的结构（应用注意事项）

（1）齐次方程组$Ax=0$基础解系的选取技巧

• 对系数矩阵$A$作初等行变换化为行最简形，设自由变量为$x_{r+1},x_{r+2},\cdots ,x_n$（$r=r(A)$）；
• 令自由变量取“单位坐标向量”（如$x_{r+1}=1,x_{r+2}=\cdots =x_n=0$；$x_{r+1}=0,x_{r+2}=1,x_{r+3}=\cdots =x_n=0$；$\cdots$；$x_{r+1}=\cdots =x_{n-1}=0,x_n=1$），代入行最简形方程，解得基础解系${\xi }_1,{\xi }_2,\cdots ,{\xi }_{n-r}$，确保线性无关。

（2）非齐次方程组$Ax=b$特解的选取技巧

• 优先令自由变量为$0$，代入行最简形方程求解非自由变量，得到特解$x^{\ast }$（计算简便，减少误差）；
• 例：若行最简形为$\left(\begin{array}{ccccc}1& 0& 2& -1& 3\\ 0& 1& -1& 2& -2\\ 0& 0& 0& 0& 0\end{array}\right)$（对应方程$x_1+2x_3-x_4=3$，$x_2-x_3+2x_4=-2$），令自由变量$x_3=0,x_4=0$，得$x_1=3,x_2=-2$，特解$x^{\ast }=(3,-2,0,0{)}^T$。

（3）解的存在性与参数的关系

• 含参数的线性方程组（如$A(\lambda )x=b$），需通过讨论参数$\lambda$的取值，分析$r(A(\lambda ))$与$r(\overline{A}(\lambda ))$的关系，确定无解、唯一解、无穷多解的参数范围：
  1. 无解：$r(A(\lambda ))<r(\overline{A}(\lambda ))$；
  2. 唯一解：$r(A(\lambda ))=r(\overline{A}(\lambda ))=n$（$n$为未知数个数）；
  3. 无穷多解：$r(A(\lambda ))=r(\overline{A}(\lambda ))<n$。