考研数学 · 复习手账
线性代数
知识点 · 题型 · 解法
把《基础 30 讲》线性代数分册的七讲,按「定义与性质 → 重要结论 → 题型识别 → 标准解法」重排。 复习时先看结论速查,做题时直接翻题型,卡住再回定义。
怎么用这一页
- 目录即知识地图。左栏按讲分好组,每个题型后面标了数量;先扫一遍标题,回忆不起的就点进去。
- 颜色是分工的。蓝色是定义与知识点,橙色是题型与解法,绿色是要背下来的结论,红色是踩过的坑。
- 考前只想背结论:点右上角「精简」,例题和铺垫说明会收起,只剩结论与步骤。
- 搜索。左栏搜索框可以搜知识点名或题型名,输入 / 直接聚焦;配合下方筛选只看「题型」或「易错」。
- 手机 / 平板。平板上点左上角图标可折叠左栏,多留出正文宽度;手机上左栏是抽屉,划走即关。
一张图看完整本书
线性代数不是六块并列的知识,而是一条从「算」到「结构」的单线。
主线:所有问题都归结为矩阵的秩
结论速查这门课从头到尾只在做一件事:用矩阵描述线性关系,再用秩判断这个关系能不能实现。 这句话支撑起全书每一讲——
| 讲 | 研究对象 | 核心问题 | 判定的落点 |
|---|---|---|---|
| 第 1 讲 | 行列式 | 一个方阵是否可逆、有没有「体积」 | $|\mathbf{A}|\ne 0$ |
| 第 2 讲 | 矩阵 | 矩阵之间怎么运算、怎么求逆 | 秩与初等变换 |
| 第 3 讲 | 向量组 | 向量能不能互相表示、是否冗余 | $r(\mathbf{\alpha}_1,\dots,\mathbf{\alpha}_s)$ |
| 第 4 讲 | 线性方程组 | 有没有解、有多少解、解长什么样 | $r(\mathbf{A})$ 与 $r(\overline{\mathbf{A}})$ |
| 第 5 讲 | 特征值 | 矩阵在哪个方向只伸缩不转向 | $|\lambda\mathbf{E}-\mathbf{A}|=0$ |
| 第 6 讲 | 二次型 | 把二次齐次式化成标准形、判断正定 | 合同与惯性指数 |
- 行列式是方阵的「测度」:$|\mathbf{A}|\ne0$ 说明这个变换没把空间压扁,所以可逆。
- 秩是所有「能不能」的答案:能否表示、是否相关、有无解、多余的约束有几个,全是同一个数。
- 相似与合同是两种「换坐标」:相似保持特征值,合同保持正负惯性指数;二次型问题就是找一个好坐标把式子变短。
把三块连起来看
书里把六讲分成三大板块,这个分法决定了你的复习顺序:
行列式 + 矩阵。
解决「怎么算」,是后面所有内容的手上功夫。这里的计算不过关,后面每一步都会卡。
向量组 + 方程组。
解决「怎么判」,是考研的主战场,题目最灵活,也最容易出综合题。
特征值 + 二次型。
解决「怎么化简」,把矩阵放到最简形态,是压轴题的来源。
$|\mathbf{A}|\ \leftrightarrow\ r(\mathbf{A})\ \leftrightarrow\ \lambda$
行列式非零 ⟺ 满秩 ⟺ 没有零特征值。这三件事是同一件事。
不要按「第 1 讲到第 6 讲」平铺推。推荐两条路线: 零基础起步按 0 → 1 → 2 → 3 → 4 → 5 → 6 顺推; 已经学过一遍、正在冲刺则先抓 3、4 两讲(考得最多),再回头补 1、2 的计算熟练度,最后攻 5、6 的综合题。
必须背下来的共通结论
结论速查下面这些结论跨讲通用,做题时反复出现。不确定的时候先回这里对一遍。
关于秩
- $0\le r(\mathbf{A})\le \min(m,n)$,其中 $\mathbf{A}$ 是 $m\times n$ 矩阵。
- $r(\mathbf{A})=r(\mathbf{A}\T)=r(\mathbf{A}\T\mathbf{A})=r(\mathbf{A}\mathbf{A}\T)$。
- $r(\mathbf{A}+\mathbf{B})\le r(\mathbf{A})+r(\mathbf{B})$。
- $r(\mathbf{A}\mathbf{B})\le \min\{r(\mathbf{A}),r(\mathbf{B})\}$。
- 若 $\mathbf{A}\mathbf{B}=\mathbf{O}$,则 $r(\mathbf{A})+r(\mathbf{B})\le n$($\mathbf{A}$ 的列数)。
关于可逆
$|\mathbf{A}|\ne0$;$r(\mathbf{A})=n$;$\mathbf{A}$ 的列(行)向量组线性无关; $\mathbf{A}\mathbf{x}=\mathbf{0}$ 只有零解;$\mathbf{A}$ 的特征值全不为零; $\mathbf{A}$ 可表示为若干初等矩阵的乘积;$\mathbf{A}$ 与 $\mathbf{E}$ 等价。
三种关系不要混
| 关系 | 定义 | 保持什么 | 典型用途 |
|---|---|---|---|
| 等价 | 经初等变换可互化 | 秩 | 化简矩阵、求标准形 |
| 相似 | 存在可逆 $\mathbf{P}$ 使 $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\mathbf{B}$ | 特征值、行列式、迹、秩 | 对角化、求 $f(\mathbf{A})$ |
| 合同 | 存在可逆 $\mathbf{C}$ 使 $\mathbf{C}\T\mathbf{A}\mathbf{C}=\mathbf{B}$ | 正负惯性指数、秩 | 二次型化标准形 |
相似必合同(对实对称矩阵而言),合同不必相似;等价最弱,只管秩。 考研常在这里设陷阱:题目说「$\mathbf{A}$ 与 $\mathbf{B}$ 合同」,只能推出正负惯性指数相同,推不出特征值相同。
- $n$ 阶方阵
- $|k\mathbf{A}|=k^n|\mathbf{A}|$,$|-\mathbf{A}|=(-1)^n|\mathbf{A}|$
- 逆与伴随
- $|\mathbf{A}^{-1}|=|\mathbf{A}|^{-1}$,$|\mathbf{A}^{*}|=|\mathbf{A}|^{n-1}$,$\mathbf{A}\mathbf{A}^{*}=|\mathbf{A}|\mathbf{E}$
- 特征值之和
- $\sum_{i=1}^{n}\lambda_i=\tr(\mathbf{A})$
- 特征值之积
- $\prod_{i=1}^{n}\lambda_i=|\mathbf{A}|$
- $f(\mathbf{A})$ 的特征值
- 若 $\lambda$ 是 $\mathbf{A}$ 的特征值,则 $f(\lambda)$ 是 $f(\mathbf{A})$ 的特征值
- $\mathbf{A}^{-1}$、$\mathbf{A}^{*}$
- 特征值分别为 $\lambda^{-1}$、$|\mathbf{A}|\lambda^{-1}$
零基础课 · 线性代数入门
线性代数就三样东西:向量、矩阵、以及把向量变成向量的线性变换。
这门课在讲什么:三大板块与一条主线
知识点教材把六讲分成三大板块,这个分法其实就是复习顺序:
| 板块 | 包含 | 要解决的问题 |
|---|---|---|
| 基础板块 | 行列式、矩阵 | 手上功夫:怎么算、怎么化、怎么求逆 |
| 主题板块 | 向量组、线性方程组 | 怎么判:能不能表示、是否相关、有没有解 |
| 应用板块 | 特征值、二次型 | 怎么化简:把矩阵搬到最简单的形态 |
那么线性代数究竟是什么?一句话:它是一种代数结构。通俗地讲,向量空间是这个结构的基石,我们要在向量空间里研究向量与向量之间的关系。所以这门课从头到尾只有三个角色:
向量。拼在一起的有序数组,如 $(-1,1)$。数的个数叫维数,$(-1,1)$ 是 2 维向量。
矩阵。一张数表,既可以看作若干个向量排在一起,也可以看作一个「对应法则」。
加法、数乘(合称线性运算),以及由此导出的点积与矩阵乘法。
用线性变换把问题化简,再反解回原问题。
为什么向量值得研究?因为数据可以表达信息。假设把一个人对运动和音乐的喜好分成「不喜欢、无所谓、喜欢」三档,分别记作 $-1,0,1$,那么向量 $(-1,1)$ 就表示「不喜欢运动、喜欢音乐」,向量 $(0,1)$ 表示「对运动无所谓、喜欢音乐」。一个向量装下了两个维度的信息,这正是线性代数在数据、图像、信号处理里无处不在的原因。
矩阵中数的位置不能随便改动,否则信息的含义就变了。这一点是后面所有运算规则的根源:矩阵乘法之所以是「行乘列再相加」,而不像两个数那样直接相乘,就是为了尊重「位置代表含义」这个前提。
向量与两种基本运算:线性运算、点积
知识点向量只有两种最基本的运算。
(1) 线性运算:加法 $\alpha+\beta$ 与数乘 $k\alpha$,都是逐分量进行。例如 $\alpha=(-1,1)$,$\beta=(0,-1)$,则
$$\alpha+\beta=(-1,1)+(0,-1)=(-1,0),\qquad 2\alpha=2(-1,1)=(-2,2).$$(2) 点积运算:$(\alpha,\beta)$ 称为 $\alpha$ 与 $\beta$ 的点积,即把所有分量对应相乘再相加。仍取上面的 $\alpha,\beta$:
$$(\alpha,\beta)=(-1)\times0+1\times(-1)=-1 .$$线性运算的结果仍是向量(维数不变),点积的结果是一个数。这个区别在矩阵里会被放大:矩阵乘向量得到向量,行向量乘列向量得到一个数。判断一个式子写出来是数还是向量,看它的维数就够——这是检查算错的第一个关口。
点积还有一个几何含义:$(\alpha,\beta)=|\alpha||\beta|\cos\theta$。所以点积为零 $\iff$ 两向量垂直(正交)。第 5 讲正交对角化、第 6 讲二次型里反复出现的「正交」,根就在这里。
矩阵乘法:从「一行乘一列」长出来
知识点矩阵的乘法不用另记规则,它完全是由点积长出来的。四种情形,本质是同一条「行乘列再相加」:
| 情形 | 算式 | 结果的形状 |
|---|---|---|
| ① 一行乘一列 | $(a_1,a_2)\begin{pmatrix}b_1\\b_2\end{pmatrix}=a_1b_1+a_2b_2$ | 一个数(点积) |
| ② 一行乘多列 | $(a_1,a_2)\begin{pmatrix}b_1&c_1\\b_2&c_2\end{pmatrix}=(a_1b_1+a_2b_2,\ a_1c_1+a_2c_2)$ | 一个行向量 |
| ③ 多行乘一列 | $\begin{pmatrix}a_1&a_2\\b_1&b_2\end{pmatrix}\begin{pmatrix}c_1\\c_2\end{pmatrix}=\begin{pmatrix}a_1c_1+a_2c_2\\b_1c_1+b_2c_2\end{pmatrix}$ | 一个列向量 |
| ④ 多行乘多列 | $\begin{pmatrix}a_1&a_2\\b_1&b_2\end{pmatrix}\begin{pmatrix}c_1&d_1\\c_2&d_2\end{pmatrix}$ 的 $(i,j)$ 元 $=$ 左第 $i$ 行与右第 $j$ 列的点积 | 一个矩阵 |
于是得到一般规则:设 $\mathbf{A}=(a_{ij})_{m\times s}$,$\mathbf{B}=(b_{ij})_{s\times n}$,则 $\mathbf{C}=\mathbf{A}\mathbf{B}$ 是 $m\times n$ 矩阵,其元素为
$$c_{ij}=\sum_{k=1}^{s}a_{ik}b_{kj}\qquad(i=1,\dots,m;\ j=1,\dots,n),$$即左边的第 $i$ 行与右边的第 $j$ 列作点积。
矩阵乘法要「左列数 $=$ 右行数」才能相乘,即 $\mathbf{A}$ 的列数必须等于 $\mathbf{B}$ 的行数;结果的行数取左边、列数取右边:$(m\times s)(s\times n)=(m\times n)$。此外乘法不满足交换律,一般 $\mathbf{A}\mathbf{B}\neq\mathbf{B}\mathbf{A}$,甚至一边能乘、另一边根本乘不了。
线性变换:矩阵就是「对应法则」
知识点这一节是全讲的核心思想。把矩阵 $\mathbf{A}$ 乘在向量 $\alpha$ 上,得到一个向量 $\beta$:
$$\mathbf{A}\alpha=\beta .$$这和高数里的 $f(x)=y$ 是完全同构的一件事:$\mathbf{A}$ 是法则 $f$,$\alpha$ 是自变量,$\beta$ 是输出。区别只在于,$f$ 作用在数上,$\mathbf{A}$ 作用在向量(几何图形)上。所以线性代数就是「用线性变换这个对应法则来做运算」。
常见的线性变换(都作用在平面向量上,例如观察 $(1,1)$ 被送到哪里):
| 变换 | 矩阵 $\mathbf{A}$ | $(1,1)$ 的像 | 效果 |
|---|---|---|---|
| 关于 $x$ 轴对称 | $\begin{pmatrix}1&0\\0&-1\end{pmatrix}$ | $(1,-1)$ | 上下翻转 |
| 关于 $y$ 轴对称 | $\begin{pmatrix}-1&0\\0&1\end{pmatrix}$ | $(-1,1)$ | 左右翻转 |
| 关于原点对称 | $\begin{pmatrix}-1&0\\0&-1\end{pmatrix}$ | $(-1,-1)$ | 中心对称 |
| 关于 $y=x$ 对称 | $\begin{pmatrix}0&1\\1&0\end{pmatrix}$ | $(1,1)$ | 交换两个分量 |
| 横向拉伸 $2$ 倍 | $\begin{pmatrix}2&0\\0&1\end{pmatrix}$ | $(2,1)$ | 横向拉长 |
| 纵向压缩一半 | $\begin{pmatrix}1&0\\0&\tfrac12\end{pmatrix}$ | $(1,\tfrac12)$ | 纵向压扁 |
| 剪切 | $\begin{pmatrix}1&1\\0&1\end{pmatrix}$ | $(2,1)$ | 保持底边、上层平移 |
| 逆时针旋转 $\theta$ | $\begin{pmatrix}\cos\theta&-\sin\theta\\\sin\theta&\cos\theta\end{pmatrix}$ | $\theta=45^\circ$ 时为 $(0,\sqrt2)$ | 整体转动 |
对角矩阵 $\begin{pmatrix}\lambda_1&0\\0&\lambda_2\end{pmatrix}$ 的作用最干净:两个坐标轴方向各自按 $\lambda_1,\lambda_2$ 伸缩,互不干扰。第 5 讲「相似对角化」要做的,就是换一组坐标轴,使这个变换在新坐标下变成对角形——找一个方向,使得矩阵作用在这个方向上只伸缩不转向,那个伸缩倍数就是特征值,那个方向就是特征向量。
矩阵的两副面孔要同时握住:看作数表时,它是一个可以运算的对象;看作变换时,它是一个函数。后面所有的「求逆」「对角化」「化标准形」,实际都是在问同一个问题:能不能换一副更好用的面孔来干这件事。
为什么要求逆矩阵:从方程组说起
知识点中学解二元一次方程组用高斯消元法,大学改用线性变换法。以
$$\begin{cases}x_1+2x_2=3,\\4x_1+7x_2=10\end{cases}$$为例。把两个方程的左边写成点积形式 $1\cdot x_1+2\cdot x_2$、$4\cdot x_1+7\cdot x_2$,则方程组可改写成矩阵形式
$$\begin{pmatrix}1&2\\4&7\end{pmatrix}\begin{pmatrix}x_1\\x_2\end{pmatrix}=\begin{pmatrix}3\\10\end{pmatrix},\qquad\mathbf{A}\mathbf{x}=\beta .$$问题变成:已知矩阵 $\mathbf{A}$ 作用在 $\mathbf{x}$ 上得到 $\beta$,如何反求出 $\mathbf{x}$? 这和高数里由 $f(x)=y$ 反求 $x$ 一模一样:只要 $f$ 有反函数,就两边复合 $f^{-1}$,得 $x=f^{-1}(y)$。矩阵里对应的「反函数」就是逆矩阵 $\mathbf{A}^{-1}$,它满足
$$\mathbf{A}\mathbf{A}^{-1}=\mathbf{A}^{-1}\mathbf{A}=\mathbf{E},$$其中 $\mathbf{E}$ 是单位矩阵(主对角线全为 $1$、其余全为 $0$,相当于数里的 $1$)。于是 $\mathbf{A}\mathbf{x}=\beta$ 两边左乘 $\mathbf{A}^{-1}$,得
$$\mathbf{x}=\mathbf{A}^{-1}\beta .$$这个解法有一个前提:$\mathbf{A}$ 可逆。类比 $2x=3$ 两边乘 $2^{-1}$ 要有意义,必须 $2\neq0$;矩阵版本就是 $|\mathbf{A}|\neq0$。若 $\mathbf{A}$ 不可逆,就不能这么解,只能回高斯消元法讨论解的情况——这正是第 4 讲的主题。
用逆矩阵解法解上面的方程组。
对 $2$ 阶矩阵 $\begin{pmatrix}a&b\\c&d\end{pmatrix}$,当 $ad-bc\neq0$ 时,逆矩阵的公式是「主对角线对调、副对角线变号,再除以行列式」:
$$\begin{pmatrix}a&b\\c&d\end{pmatrix}^{-1}=\frac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix}.$$本题 $ad-bc=1\times7-2\times4=-1$,故
$$\mathbf{A}^{-1}=\frac{1}{-1}\begin{pmatrix}7&-2\\-4&1\end{pmatrix}=\begin{pmatrix}-7&2\\4&-1\end{pmatrix}.$$验算 $\mathbf{A}\mathbf{A}^{-1}=\begin{pmatrix}1&2\\4&7\end{pmatrix}\begin{pmatrix}-7&2\\4&-1\end{pmatrix}=\begin{pmatrix}1&0\\0&1\end{pmatrix}=\mathbf{E}$ ✓。于是
$$\mathbf{x}=\mathbf{A}^{-1}\beta=\begin{pmatrix}-7&2\\4&-1\end{pmatrix}\begin{pmatrix}3\\10\end{pmatrix}=\begin{pmatrix}-1\\2\end{pmatrix},$$即 $x_1=-1$,$x_2=2$。代回原方程组:$-1+4=3$ ✓,$-4+14=10$ ✓。
这个例子只有两个未知数,看不出优劣。换成三元、四元甚至成千上万个未知数时,高斯消元要一次次消元、回代,方程越多越乱;而逆矩阵解法是一次算好 $\mathbf{A}^{-1}$,之后对任意右端 $\beta$ 都只需乘一下。现代科学计算里「大型方程组」的求解正是按这个思路组织的,这也是线性代数成为各学科通用工具的原因。
到这里就建立起一个必须反复回看的对照表:
- 数
- $a\cdot a^{-1}=1$,$a\neq0$ 才有逆
- 函数
- $f^{-1}[f(x)]=x$,$f$ 一一对应才有反函数
- 矩阵
- $\mathbf{A}^{-1}\mathbf{A}=\mathbf{E}$,$|\mathbf{A}|\neq0$ 才有逆,此时 $\mathbf{x}=\mathbf{A}^{-1}\beta$
「逆矩阵怎么算」留到第 2 讲。这里只要记住一件事:求逆的价值在于反解,而反解的前提是变换没有把信息压扁——「没有压扁」的数学表述就是 $|\mathbf{A}|\neq0$,也就是第 1 讲的行列式。
行列式
把行列式看成一组向量拼出的有向体积:定义给算法,性质给化简手段,展开定理给降阶通道。
行列式的三种定义
知识点$n$阶行列式由$n$个$n$维向量$\alpha_1,\alpha_2,\cdots,\alpha_n$拼成,其值等于以这$n$个向量为邻边的$n$维图形的有向体积。二阶行列式就是两个行向量张成的平行四边形的有向面积。
$$\begin{vmatrix}a_{11}&a_{12}\\a_{21}&a_{22}\end{vmatrix}=a_{11}a_{22}-a_{12}a_{21}$$几何意义直接给出三条结论:两行成比例(两向量共线)时未构成平行四边形,面积为$0$;出现零行(向量缩回原点)时图形降维,高维测不出低维测度,值为$0$;两行互换相当于走向由逆时针变顺时针,面积变号。
行下标已经顺排,对列下标的所有$n$级排列求和,共$n!$项。每项取不同行、不同列的$n$个元素相乘,符号由列下标排列的逆序数$\tau$决定:奇排列添负号,偶排列添正号。
逆序数怎么数:从左往右,数每个数后面比它小的个数,再全部相加。例如$\tau(231546)=1+1+1=3$,$\tau(621534)=5+1+2=8$。
三阶行列式共$3!=6$项,其中$\tau(123)=0$、$\tau(231)=2$、$\tau(312)=2$三项取正,$\tau(132)=1$、$\tau(213)=1$、$\tau(321)=3$三项取负。
在$n$阶行列式中,划去元素$a_{ij}$所在的第$i$行与第$j$列,剩下的元素按原位置、原顺序组成的$n-1$阶行列式称为$a_{ij}$的余子式,记作$M_{ij}$;再乘上符号因子得代数余子式:
$$A_{ij}=(-1)^{i+j}M_{ij},\qquad M_{ij}=(-1)^{i+j}A_{ij}$$行列式等于某一行(列)元素与其对应代数余子式之积的和:按行展开与按列展开分别是
$$|\mathbf{A}|=\sum_{j=1}^{n}a_{ij}A_{ij}\qquad (i=1,2,\cdots,n)$$ $$|\mathbf{A}|=\sum_{i=1}^{n}a_{ij}A_{ij}\qquad (j=1,2,\cdots,n)$$而某一行元素乘另一行元素的代数余子式再求和,结果恒为零:
$$a_{i1}A_{k1}+a_{i2}A_{k2}+\cdots+a_{in}A_{kn}=0\quad (i\ne k)$$三种定义各有分工,做题时不要混用:
①本质定义——判断什么时候为$0$(成比例、有零行、降维),以及理解$|\mathbf{A}\T|=|\mathbf{A}|$这类性质;
②逆序数法——判断展开项的正负号、证明与定义相关的命题;
③展开定理——真正用于计算,把$n$阶降成$n$个$n-1$阶,展开原则是找$0$元素最多的行(列)。
一阶行列式$|a_{11}|=a_{11}$就是一个数,可正可负,与绝对值符号完全不同,例如$|-2|=-2$。另:$A_{ij}$与$M_{ij}$只差$(-1)^{i+j}$,符号错了整题全错,建议动手前先把符号表$+-+-$写在草稿上。
行列式的七大性质
知识点行列式的行与列地位完全等价——行上成立的性质在列上照样成立,所以七条性质只需记住一组。真正要动手的只有三种变换:互换、倍乘、倍加。
| 条件(对某行操作) | 结论 |
|---|---|
| 行列互换(转置) | $|\mathbf{A}\T|=|\mathbf{A}|$ |
| 某行元素全为零 | $|\mathbf{A}|=0$ |
| 某行有公因子$k$($k\ne 0$) | $k$可提到行列式外,即$k$只乘这一行 |
| 某行元素均为两数之和 | 拆成两个行列式之和(单行可拆) |
| 互换两行 | 行列式变号,换$n$次乘$(-1)^n$ |
| 两行元素相等或对应成比例 | $|\mathbf{A}|=0$ |
| 某行的$k$倍加到另一行 | 行列式不变(倍加) |
计算具体型行列式的全部动作可以归成一句话:用倍加把$0$造出来,用倍乘把公因子提出来,用互换把元素挪到想放的位置(记得补符号)。三条性质配合展开定理,任何数值行列式都能算。
①$|\mathbf{A}|+|\mathbf{B}|\ne |\mathbf{A}+\mathbf{B}|$,行列式没有加法分配律,这是最高频的错误;
②$|k\mathbf{A}|=k^{n}|\mathbf{A}|$,而$k|\mathbf{A}|$只是把$k$乘到某一行上,两者差$n-1$个$k$;
③单行可拆只能拆一行,且拆开后其余各行必须原样不动,$|\mathbf{A}+\mathbf{B}|$不能逐行拆成$2^n$项以外的形式;
④矩阵的$k\mathbf{A}$是每个元素乘$k$,行列式的$k|\mathbf{A}|$是某一行乘$k$,别把两个对象混为一谈。
几个重要行列式(“12+1”型)
知识点所谓“12+1”型,指主对角线、副对角线、拉普拉斯展开式共$12$个基本形,加上范德蒙德行列式。这些结果必须背熟,因为任何一个具体型行列式的终点都是它们。
主对角线(三角)行列式
右上三角与左下三角,值都等于主对角线元素之积:
$$\begin{vmatrix}a_{11}&a_{12}&\cdots&a_{1n}\\0&a_{22}&\cdots&a_{2n}\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&a_{nn}\end{vmatrix}=\prod_{i=1}^{n}a_{ii}$$ $$\begin{vmatrix}a_{11}&0&\cdots&0\\a_{21}&a_{22}&\cdots&0\\\vdots&\vdots&\ddots&\vdots\\a_{n1}&a_{n2}&\cdots&a_{nn}\end{vmatrix}=\prod_{i=1}^{n}a_{ii}$$副对角线行列式
以三阶为例:
$$\begin{vmatrix}0&0&a_{13}\\0&a_{22}&0\\a_{31}&0&0\end{vmatrix}=(-1)^{3}a_{13}a_{22}a_{31}=-a_{13}a_{22}a_{31}$$一般地
$$\begin{vmatrix}0&\cdots&0&a_{1n}\\0&\cdots&a_{2,n-1}&0\\\vdots&\ddots&\vdots&\vdots\\a_{n1}&0&\cdots&0\end{vmatrix}=(-1)^{\frac{n(n-1)}{2}}a_{1n}a_{2,n-1}\cdots a_{n1}$$符号来自$\tau\bigl(n(n-1)\cdots 1\bigr)=(n-1)+(n-2)+\cdots+1=\dfrac{n(n-1)}{2}$,把副对角线上的元素挪到主对角线上要交换这么多次。
拉普拉斯展开式(分块)
设$\mathbf{A}$为$m$阶矩阵、$\mathbf{B}$为$n$阶矩阵,则主对角线分块与副对角线分块分别是
$$\begin{vmatrix}\mathbf{A}&\mathbf{O}\\\mathbf{C}&\mathbf{B}\end{vmatrix}=\begin{vmatrix}\mathbf{A}&\mathbf{C}\\\mathbf{O}&\mathbf{B}\end{vmatrix}=|\mathbf{A}||\mathbf{B}|$$ $$\begin{vmatrix}\mathbf{O}&\mathbf{A}\\\mathbf{B}&\mathbf{C}\end{vmatrix}=\begin{vmatrix}\mathbf{C}&\mathbf{A}\\\mathbf{B}&\mathbf{O}\end{vmatrix}=(-1)^{mn}|\mathbf{A}||\mathbf{B}|$$范德蒙德行列式
$$V_n=\begin{vmatrix}1&1&\cdots&1\\x_1&x_2&\cdots&x_n\\x_1^2&x_2^2&\cdots&x_n^2\\\vdots&\vdots&&\vdots\\x_1^{n-1}&x_2^{n-1}&\cdots&x_n^{n-1}\end{vmatrix}=\prod_{1\le i\lt j\le n}(x_j-x_i)$$记忆口诀:盯着第二行,后一项减前一项,所有可能的差乘起来。三阶时即$(x_2-x_1)(x_3-x_1)(x_3-x_2)$。各行元素若依次升幂,只要把行的次序数清楚,符号随排列而定。
记忆三条:三角型直接连乘主对角线;副对角线型连乘后补$(-1)^{\frac{n(n-1)}{2}}$;范德蒙德型是“后减前”的全乘积。行列式的值一旦为$0$,等价于某组向量线性相关,所以范德蒙德$V_n\ne 0$就等价于$x_1,\cdots,x_n$互不相同,这个判定在第 5 讲求特征值、第 6 讲二次型里反复出现。
①副对角线型别把$(-1)^{\frac{n(n-1)}{2}}$丢掉,四阶时它是$(-1)^6=1$,五阶时是$(-1)^{10}=1$,但$n=2,3$时分别是$-1,1$,要按公式算;
②拉普拉斯的副对角线情形符号是$(-1)^{mn}$,$m,n$是两块方阵的阶数,不是总和;
③$\begin{vmatrix}\mathbf{A}&\mathbf{O}\\\mathbf{O}&\mathbf{B}\end{vmatrix}=|\mathbf{A}||\mathbf{B}|$成立,但$\begin{vmatrix}\mathbf{A}&\mathbf{C}\\\mathbf{C}&\mathbf{B}\end{vmatrix}$一般不能直接写成$|\mathbf{A}||\mathbf{B}|$。
具体型行列式的计算
题型具体型指元素已给出数值或字母、可以直接算的行列式。全部套路只有两条:有规律的套公式,无规律的化为“12+1”型。下面三个题型覆盖了绝大多数考法。
化基本形(爪形、行和相等型)
识别特征:除第一行、第一列与主对角线外大量为$0$(爪形);或者每行(列)元素差别不大、能通过一次倍加造出共同因子。
- 先扫一遍行列式,找$0$最集中的行(列)和元素分布最规律的线。
- 爪形:用主对角线上的$a_{ii}$(斜爪)把第一行(或第一列)的元素逐个消成$0$,即$-\frac{a_{1i}}{a_{ii}}$倍加到第$1$行。
- 行和相等型:把其余各列全部加到第$1$列,提出公因子$a+(n-1)b$,再化为上三角。
- 化到三角或“12+1”型后立即停止变换,直接套公式连乘。
计算爪形行列式
$$D_4=\begin{vmatrix}1&1&1&1\\1&2&0&0\\1&0&3&0\\1&0&0&4\end{vmatrix}$$用斜爪消平爪:第$1$行的$a_{12}=1$用$a_{22}=2$消,把第$2$行的$-\frac12$倍加到第$1$行,第$1$行变为$\bigl(\frac12,0,1,1\bigr)$;接着用$a_{33}=3$消$a_{13}$,把第$3$行的$-\frac13$倍加至第$1$行,得$\bigl(\frac16,0,0,1\bigr)$;再用$a_{44}=4$消$a_{14}$,把第$4$行的$-\frac14$倍加至第$1$行,得$\bigl(-\frac1{12},0,0,0\bigr)$。此时行列式已化为下三角,值为$-\frac1{12}\times 2\times 3\times 4=-2$。
行和相等型($n$阶字母行列式)
识别特征:$n$阶行列式的每一行都由$1$个$a$和$n-1$个同样的$b$组成,因此每行元素之和相等;或者主对角线全是$a$、其余全是$b$。
- 把第$2,3,\cdots,n$列全部加到第$1$列,第$1$列的元素全变成$a+(n-1)b$。
- 把$a+(n-1)b$作为公因子提出行列式外。
- 第$1$行的$-1$倍加到其余各行,把第$1$列其余的$a$全部消成$0$,化为上三角。
- 连乘主对角线:只剩下$a-b$重复$n-1$次。
计算$n$阶行列式
$$D_n=\begin{vmatrix}a&b&\cdots&b\\b&a&\cdots&b\\\vdots&\vdots&&\vdots\\b&b&\cdots&a\end{vmatrix}$$各列加到第$1$列并提公因子,得$D_n=\bigl[a+(n-1)b\bigr]\begin{vmatrix}1&b&\cdots&b\\1&a&\cdots&b\\\vdots&\vdots&&\vdots\\1&b&\cdots&a\end{vmatrix}$;再把第$1$行的$-1$倍加到其余各行,得$D_n=\bigl[a+(n-1)b\bigr](a-b)^{n-1}$。代入$a=3,b=1,n=4$即得$6\cdot 2^3=48$。
递推法与“X”型行列式
识别特征:元素只分布在三条线上、其余全为$0$(宽对角行列式);或主、副对角线交叉成“X”型;或$D_n$与$D_{n-1}$的元素分布规律完全一致、阶数只差一阶。
- 按$0$元素最多的行(通常是第$1$行或第$n$行)展开,把$D_n$写成若干个低阶行列式的和。
- 对展开后出现的项,把其阶数记下来,找出$D_n$与$D_{n-1}$、$D_{n-2}$之间元素分布完全一致的规律。
- 整理出递推式。三对角型(主对角线全$d$、上对角线全$a$、下对角线全$-1$)的标准递推是$D_n=dD_{n-1}+aD_{n-2}$。
- 用$D_1,D_2$作初始值逐阶下推,最后把$n=1,2,3$代回所得公式与直接计算对照,符号错位在这里最容易暴露。
计算四阶行列式
$$D_4=\begin{vmatrix}1-a&a&0&0\\-1&1-a&a&0\\0&-1&1-a&a\\0&0&-1&1-a\end{vmatrix}$$这是三对角型,$d=1-a$,上对角线为$a$,下对角线为$-1$,故$D_n=(1-a)D_{n-1}+aD_{n-2}$。初始值$D_1=1-a$,$D_2=(1-a)^2+a=1-a+a^2$。于是$D_3=(1-a)(1-a+a^2)+a(1-a)=1-a+a^2-a^3$,$D_4=(1-a)(1-a+a^2-a^3)+a(1-a+a^2)=1-a+a^2-a^3+a^4$,即$D_n=1-a+a^2-\cdots+(-1)^{n}a^{n}$。
“X”型的现成结果(主、副对角线元素成对记作$a_i,b_i$,$n=2k$)为$\prod_{i=1}^{k}\bigl(a_ia_{2k+1-i}-b_ib_{2k+1-i}\bigr)$;若主对角线与副对角线各自元素相同,四阶时就是$(a^2-b^2)^2$。凡元素只落在三条线上的行列式都走递推,别硬展开。
行列式表示的函数与方程
题型元素含$x$或$\lambda$的行列式,算完之后是一个多项式,于是“行列式”与“函数”就打通了:可以求根、求导、求极限、比较次数。
含参数行列式:求多项式、求根、求$f(x+1)-f(x)$
识别特征:行列式元素里带$x$或$\lambda$,题目问“$x^2$项的系数”“$f(x)=0$的根的个数”“有二重根求参数”。
- 先算再问:不要急着看问题,先把行列式化成三角或按行展开算成一个多项式。
- 判断次数:$n$阶行列式若每行每列都恰含一个$x$的一次项,则最高次为$x^{n}$,主对角线乘积给出$x^{n}$的系数。
- 比较两个行列式时,只有某一行(列)不同才能相减;不同的那一列(行)对应元素相减,其余行原样保留。
- 得到多项式后再解方程、求导或判断重根,注意“是重根”与“由判别式等于零产生重根”要分两种情形讨论。
设$f(x)=\begin{vmatrix}1&0&x\\1&2&x^2\\1&3&x^3\end{vmatrix}$,求$f(x+1)-f(x)$。
先算$f(x)=1\cdot(2x^3-3x^2)+x\cdot(3-2)=2x^3-3x^2+x$,于是$f(x+1)-f(x)=2\bigl[(x+1)^3-x^3\bigr]-3\bigl[(x+1)^2-x^2\bigr]+1=2(3x^2+3x+1)-3(2x+1)+1=6x^2$。另一个写法是只换第$3$列再相减,两次得到同一结果,后者在元素复杂时更省力。
①$f(x+1)-f(x)$不能把两个行列式的每个元素都对应的相减——行列式的减法只允许一行(列)不同;
②不要想当然认为$n$阶含$x$行列式一定是$x$的$n$次多项式,元素里若出现$x^2$,次数可能不足$n$,例如四阶行列式也可能只算出一个二次多项式;
③求“根的个数”时,要把重根按重数计,别把$x^2=0$当成一个根。
抽象型行列式的计算
题型抽象型指行列式元素未知、只用列向量(或矩阵)符号给出,并已知另外几个抽象行列式的值。两条主线:用性质把未知拆成已知;凑成矩阵乘积用$|\mathbf{A}\mathbf{B}|=|\mathbf{A}||\mathbf{B}|$。
拆项 + 互换,把未知化成已知
识别特征:题干给出$|\alpha_1,\alpha_2,\alpha_3,\beta|$这类列向量拼成的行列式的值,要求另一个由同样的列向量线性组合拼成的行列式。
- 对所求行列式用单列可拆性质,把含和式的列拆成两个行列式之和。
- 拆出的项里若有两列相同(或成比例),直接判$0$,这是最常见的“免费”化简。
- 剩下的项用互换把列的顺序调成与已知一致,每换一次补一个负号,最后数总次数的奇偶。
- 把已知值代进去求和。
设$|\alpha_1,\alpha_2,\alpha_3,\beta|=a$,$|\beta+\gamma,\alpha_2,\alpha_3,\alpha_1|=b$,求$|\alpha_2+\alpha_3,\alpha_1,\alpha_3,\gamma|$。
由单列可拆,目标$=|\alpha_2,\alpha_1,\alpha_3,\gamma|+|\alpha_3,\alpha_1,\alpha_3,\gamma|$,第二项第$1$、$3$列同为$\alpha_3$,故为$0$。再由已知第二式拆项:$b=|\beta,\alpha_2,\alpha_3,\alpha_1|+|\gamma,\alpha_2,\alpha_3,\alpha_1|$,而$|\beta,\alpha_2,\alpha_3,\alpha_1|=-|\alpha_1,\alpha_2,\alpha_3,\beta|=-a$,故$|\gamma,\alpha_2,\alpha_3,\alpha_1|=a+b$。最后$|\alpha_2,\alpha_1,\alpha_3,\gamma|$与$|\gamma,\alpha_2,\alpha_3,\alpha_1|$由同一组四个列向量组成、对应排列的逆序数同为奇数,两者相等,故所求为$a+b$。
凑矩阵乘积:$|\mathbf{A}\mathbf{B}|=|\mathbf{A}||\mathbf{B}|$
识别特征:给出的新矩阵是由基准向量组$\alpha_1,\alpha_2,\alpha_3$的线性组合拼成的,能写成$\mathbf{B}=\mathbf{A}\mathbf{P}$的形式,其中$\mathbf{P}$是系数矩阵。
- 确定基准矩阵$\mathbf{A}=[\alpha_1,\alpha_2,\alpha_3]$,并读出它的行列式值。
- 把目标矩阵的每一列写成$\mathbf{A}$的列向量的线性组合,把系数按列排成系数矩阵$\mathbf{P}$。
- 写出矩阵等式“目标矩阵$=\mathbf{A}\mathbf{P}$”,两边取行列式,得$|\text{目标}|=|\mathbf{A}|\cdot|\mathbf{P}|$。
- 只算数值矩阵$\mathbf{P}$的行列式,这一步纯粹是四则运算,不会再碰抽象向量。
设$\mathbf{A}=[\alpha_1,\alpha_2,\alpha_3]$,$|\mathbf{A}|=2$,$\mathbf{B}=[\alpha_1-\alpha_2+2\alpha_3,\ 2\alpha_1+3\alpha_2-5\alpha_3,\ \alpha_1+2\alpha_2-\alpha_3]$,求$|\mathbf{B}-\mathbf{A}|$。
先对应列相减:$\mathbf{B}-\mathbf{A}=[-\alpha_2+2\alpha_3,\ 2\alpha_1+2\alpha_2-5\alpha_3,\ \alpha_1+2\alpha_2-2\alpha_3]=\mathbf{A}\mathbf{P}$,其中$\mathbf{P}=\begin{pmatrix}0&2&1\\-1&2&2\\2&-5&-2\end{pmatrix}$。于是$|\mathbf{B}-\mathbf{A}|=|\mathbf{A}||\mathbf{P}|=2\times 5=10$。
抽象型的两把钥匙:拆(单行单列可拆)与换(互换补负号),配合$|\mathbf{A}\mathbf{B}|=|\mathbf{A}||\mathbf{B}|$把矩阵乘法转成数的乘法。凡是看到“新矩阵由旧矩阵的列作线性组合得到”,就往$\mathbf{A}\mathbf{P}$上想。
余子式与代数余子式的线性组合
题型基础公式只有一条:$A_{ij}=(-1)^{i+j}M_{ij}$。所有相关题目都是“看系数与哪一行的元素对得上”。
| 所求组合 | 处理动作 | 结果 |
|---|---|---|
| $a_{i1}A_{i1}+\cdots+a_{in}A_{in}$ | 系数与第$i$行元素一致(同行配) | $|\mathbf{A}|$ |
| $a_{i1}A_{k1}+\cdots+a_{in}A_{kn}$($i\ne k$) | 系数是另一行的元素(异行配) | $0$ |
| $k_1A_{i1}+\cdots+k_nA_{in}$ | $k$与第$i$行元素不一致:把$k_1,\cdots,k_n$当作新的第$i$行 | 新行列式的值 |
| $k_1M_{i1}+\cdots+k_nM_{in}$ | 先用$M_{ij}=(-1)^{i+j}A_{ij}$换成$A$的组合,注意符号 | 同上,但要带符号 |
求某行(列)余子式或代数余子式的线性组合
识别特征:题目给出一个数值行列式$|\mathbf{A}|$,要求$A_{31}+A_{32}+A_{33}+M_{34}$这类组合。
- 先把余子式全部换成代数余子式($M_{ij}=(-1)^{i+j}A_{ij}$),统一成$A$的组合,符号逐个核对。
- 观察组合系数与哪一行(列)的元素相同:完全一致就是$|\mathbf{A}|$或$0$,到此结束。
- 不一致时,把系数$k_1,k_2,\cdots,k_n$直接替换掉行列式中对应的那一行(列),得到一个全新的数值行列式。
- 算这个新行列式:换行后往往出现两行成比例或大量$0$,用倍加造$0$再展开,比原行列式更好算。
设$|\mathbf{A}|=\begin{vmatrix}2&-1&2&3\\0&1&-1&0\\2&3&4&5\\1&1&1&1\end{vmatrix}$,求$A_{31}+A_{32}+A_{33}+M_{34}$。
由$M_{34}=(-1)^{3+4}A_{34}=-A_{34}$,原式为$A_{31}+A_{32}+A_{33}-A_{34}$,系数$(1,1,1,-1)$与第$3$行$(2,3,4,5)$不同,故把第$3$行换成$(1,1,1,-1)$:$D=\begin{vmatrix}2&-1&2&3\\0&1&-1&0\\1&1&1&-1\\1&1&1&1\end{vmatrix}$。第$4$行的$-1$倍加到第$3$行,第$3$行变成$(0,0,0,-2)$,按第$3$行展开得$D=-2\times(-1)^{3+4}\begin{vmatrix}2&-1&2\\0&1&-1\\1&1&1\end{vmatrix}=-2\times(-1)\times 3=6$。
①把$M_{ij}$直接当$A_{ij}$用,忘了$(-1)^{i+j}$,这是本题最典型的失分点;
②系数与某行“看着像”就直接判$0$,必须逐项核对是否完全相等,符号相反也不行;
③替换行(列)时改错了位置,或替换后忘了其余行保持原样。
克拉默法则
知识点克拉默法则的价值不在“解方程”(计算量太大),而在于它把方程组解的唯一性和行列式是否为零绑在了一起,这是后续判断线性方程组解的结构的起点。
$n$个方程、$n$个未知数(前提:方程个数与未知数个数相等,且自由项$b_1,\cdots,b_n$不全为$0$):
$$\begin{cases}a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1\\ a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n=b_2\\ \qquad\cdots\cdots\\ a_{n1}x_1+a_{n2}x_2+\cdots+a_{nn}x_n=b_n\end{cases}$$若系数行列式$D=|\mathbf{A}|\ne 0$,则方程组有唯一解,且
$$x_i=\frac{D_i}{D}\quad (i=1,2,\cdots,n)$$其中$D_i$是把$D$的第$i$列换成常数项$b_1,b_2,\cdots,b_n$后得到的行列式。
常数项全为$0$时称齐次线性方程组。若$D\ne 0$,则只有零解;若$D=0$,则有非零解。这两个结论反过来也成立,是充要条件。
原因很直接:$D\ne 0$时$x_i=\dfrac{D_i}{D}$,而每个$D_i$的第$i$列全为$0$,故$D_i=0$,于是$x_i=0$。
看到“$n$个方程$n$个未知数”且问唯一解、非零解、求参数,第一反应就是算系数行列式:$D\ne 0$对应唯一解(齐次时只有零解),$D=0$对应无解或无穷多解(齐次时有非零解)。这条逻辑在第 4 讲解方程组时会升级成秩的判定,但结论的方向完全一致。
①$D=0$时不能断言无解,只能说无解或有无穷多解,克拉默法则在这里失效;
②必须是“方程个数$=$未知数个数”,否则系数矩阵不是方阵,根本没有$D$可算;
③求$D_i$时替换的是第$i$列,不是行。
本讲结论速查
结论速查- 三角行列式
- $\prod_{i=1}^{n}a_{ii}$,主对角线元素连乘
- 副对角线
- $(-1)^{\frac{n(n-1)}{2}}a_{1n}a_{2,n-1}\cdots a_{n1}$
- 拉普拉斯
- $\begin{vmatrix}\mathbf{A}&\mathbf{O}\\\mathbf{C}&\mathbf{B}\end{vmatrix}=|\mathbf{A}||\mathbf{B}|$;$\begin{vmatrix}\mathbf{O}&\mathbf{A}\\\mathbf{B}&\mathbf{C}\end{vmatrix}=(-1)^{mn}|\mathbf{A}||\mathbf{B}|$
- 范德蒙德
- $\prod_{1\le i\lt j\le n}(x_j-x_i)$,后减前
- 行和相等
- $\bigl[a+(n-1)b\bigr](a-b)^{n-1}$
- 爪形
- 用斜爪消竖爪,化为三角后连乘
- 行列式为 $0$
- 有零行;两行成比例;两行相同;对应向量线性相关
- $k$ 的归属
- $|k\mathbf{A}|=k^{n}|\mathbf{A}|$,$k|\mathbf{A}|$只是某一行乘$k$
- 乘积
- $|\mathbf{A}\mathbf{B}|=|\mathbf{A}||\mathbf{B}|=|\mathbf{B}||\mathbf{A}|$
- 展开定理
- 同行配得$|\mathbf{A}|$,异行配得$0$,系数不同则替换该行重算
- 克拉默
- $D\ne 0$唯一解;齐次时$D\ne 0$只有零解,$D=0$有非零解
$|\mathbf{A}|\ne 0\Leftrightarrow\mathbf{A}$可逆(第 2 讲);$|\mathbf{A}|=0\Leftrightarrow$列向量组线性相关(第 3 讲);$|\lambda\mathbf{E}-\mathbf{A}|=0$给出特征值(第 5 讲);$|\mathbf{A}|>0$与顺序主子式一起判定正定(第 6 讲)。
四阶具体型行列式求值(化三角或展开)、爪形与行和相等型、$n$阶字母行列式套公式、抽象型拆项凑已知、余子式线性组合。这些题目标清楚、步骤固定,是整份线代试卷里最不该丢分的地方。
矩阵
矩阵是表达系统信息的表格:加法数乘照搬中学规则,乘法是行乘列的内积,而逆、秩、初等变换决定了信息能否被还原。
矩阵的本质与三条基本观点
知识点由$m\times n$个数$a_{ij}$($i=1,2,\cdots,m$;$j=1,2,\cdots,n$)排成的$m$行$n$列的矩形数表称为一个$m\times n$矩阵,记作$\mathbf{A}=(a_{ij})_{m\times n}$。当$m=n$时称$\mathbf{A}$为$n$阶方阵;两个矩阵的行数与列数分别相等时称它们为同型矩阵。
$$\mathbf{A}=\begin{pmatrix}a_{11}&a_{12}&\cdots&a_{1n}\\a_{21}&a_{22}&\cdots&a_{2n}\\\vdots&\vdots&&\vdots\\a_{m1}&a_{m2}&\cdots&a_{mn}\end{pmatrix}$$矩阵的第一身份是表达系统信息。一个班级的男女人数、四个指标的四组观测值,都可以排成表格;表格的行列一旦固定,信息就完整了。矩阵本身不表示数值,只有当它作用在一个向量上时,才表现出“变换”这一层含义。
观点一:矩阵由若干行(列)向量拼成
一个矩阵既可以按行切开,看作一组行向量;也可以按列切开,看作一组列向量。此后遇到矩阵乘向量、矩阵乘矩阵,都不要忘了这个视角。
$$\mathbf{A}=\begin{pmatrix}1&2&3\\6&7&9\\2&4&6\end{pmatrix}=\begin{pmatrix}\alpha_1\T\\\alpha_2\T\\\alpha_3\T\end{pmatrix}=\bigl(\beta_1,\beta_2,\beta_3\bigr)$$其中$\alpha_1=(1,6,2)\T,\alpha_2=(2,7,4)\T,\alpha_3=(3,9,6)\T$是三个列向量,$\beta_1=(1,2,3)\T,\beta_2=(6,7,9)\T,\beta_3=(2,4,6)\T$是三个行向量。同一个表格,两种切法。
观点二:矩阵之间可能存在线性关系,这关系就是秩
上例的行向量$[1,2,3]$与$[2,4,6]$成比例(平行),而$[6,7,9]$与它们都不成比例,所以这个矩阵的秩为$2$。判断矩阵的本质,看的就是“最多有多少个互不平行的行向量”。
观点三:转置后再相乘,能读出向量的长度与夹角
把列向量拼成的矩阵$\mathbf{A}=(\alpha_1,\alpha_2,\cdots,\alpha_n)$左乘它的转置,每个元素都是内积:
$$\mathbf{A}\T\mathbf{A}=\begin{pmatrix}(\alpha_1,\alpha_1)&(\alpha_1,\alpha_2)&\cdots&(\alpha_1,\alpha_n)\\(\alpha_2,\alpha_1)&(\alpha_2,\alpha_2)&\cdots&(\alpha_2,\alpha_n)\\\vdots&\vdots&&\vdots\\(\alpha_n,\alpha_1)&(\alpha_n,\alpha_2)&\cdots&(\alpha_n,\alpha_n)\end{pmatrix}$$主对角线给出各向量的模长的平方,非对角线元素$(\alpha_i,\alpha_j)=|\alpha_i||\alpha_j|\cos\theta$给出夹角信息。把模长除掉,剩下的就是余弦相似度矩阵。
$\mathbf{A}\T\mathbf{A}$一定是对称矩阵,而且不论$\mathbf{A}$是不是方阵都有意义。这条在后续判断正定、求最小二乘解时反复用到。另注意$\mathbf{A}\T\mathbf{A}$与$\mathbf{A}\mathbf{A}\T$一般不同:前者是$n$阶,后者是$m$阶。
矩阵的基本运算
知识点相等、加法、数乘:与中学代数没有区别
相等要求同型且对应元素全相等;加法要求同型,对应元素相加;数乘是数$k$乘到每一个元素上。
$$\mathbf{A}+\mathbf{B}=(a_{ij}+b_{ij})_{m\times n}$$ $$k\mathbf{A}=\mathbf{A}k=(ka_{ij})_{m\times n}$$线性运算满足交换律、结合律与分配律,$k(\mathbf{A}+\mathbf{B})=k\mathbf{A}+k\mathbf{B}$,$(k+l)\mathbf{A}=k\mathbf{A}+l\mathbf{A}$。
乘法:行乘列,做内积
$\mathbf{A}$是$m\times s$矩阵、$\mathbf{B}$是$s\times n$矩阵时($\mathbf{A}$的列数必须等于$\mathbf{B}$的行数)才能相乘,乘积为$m\times n$矩阵:
$$c_{ij}=\sum_{k=1}^{s}a_{ik}b_{kj}=a_{i1}b_{1j}+a_{i2}b_{2j}+\cdots+a_{is}b_{sj}$$记忆方式:结果的第$i$行第$j$列,是$\mathbf{A}$的第$i$行与$\mathbf{B}$的第$j$列“对应相乘再相加”。乘法满足结合律和分配律,也满足$k(\mathbf{A}\mathbf{B})=(k\mathbf{A})\mathbf{B}=\mathbf{A}(k\mathbf{B})$,但不满足交换律。
①$\mathbf{A}\mathbf{B}$有意义不代表$\mathbf{B}\mathbf{A}$有意义,即便都是方阵,一般$\mathbf{A}\mathbf{B}\ne\mathbf{B}\mathbf{A}$;
②$\mathbf{A}\mathbf{B}=\mathbf{O}$推不出$\mathbf{A}=\mathbf{O}$或$\mathbf{B}=\mathbf{O}$,例如$\mathbf{A}=\begin{pmatrix}1&0\\0&0\end{pmatrix}$、$\mathbf{B}=\begin{pmatrix}0&0\\0&1\end{pmatrix}$乘积为零矩阵而两者都非零;
③没有消去律:$\mathbf{A}\mathbf{B}=\mathbf{A}\mathbf{C}$只能推出$\mathbf{A}(\mathbf{B}-\mathbf{C})=\mathbf{O}$,未必有$\mathbf{B}=\mathbf{C}$;
④$(\mathbf{A}+\mathbf{B})^2\ne\mathbf{A}^2+2\mathbf{A}\mathbf{B}+\mathbf{B}^2$,正确展开是$\mathbf{A}^2+\mathbf{A}\mathbf{B}+\mathbf{B}\mathbf{A}+\mathbf{B}^2$。
转置:行列互换
把$m\times n$矩阵$\mathbf{A}$的行与列互换,得到$n\times m$矩阵$\mathbf{A}\T$。四条运算律中,第三条是后续几乎所有“穿脱”公式的源头:
$$(\mathbf{A}\T)\T=\mathbf{A},\qquad (k\mathbf{A})\T=k\mathbf{A}\T$$ $$(\mathbf{A}+\mathbf{B})\T=\mathbf{A}\T+\mathbf{B}\T,\qquad (\mathbf{A}\mathbf{B})\T=\mathbf{B}\T\mathbf{A}\T$$最后一条可推广为穿脱原则:$(\mathbf{A}\mathbf{B}\mathbf{C})\T=\mathbf{C}\T\mathbf{B}\T\mathbf{A}\T$,顺序全部反过来。口诀是先穿内层再穿外层,脱时先脱外层再脱内层。
矩阵乘法里唯一“照搬”不出错的部分是单位矩阵:$\mathbf{A}\mathbf{E}=\mathbf{E}\mathbf{A}=\mathbf{A}$,所以凡是含$\mathbf{E}$的式子都可以放心地像数一样移项、提取公因子。例如$f(\mathbf{A})=a_0\mathbf{E}+a_1\mathbf{A}+\cdots+a_m\mathbf{A}^m$就可以按多项式来算,因为$\mathbf{A}$与$\mathbf{E}$可交换。
方阵的幂与方阵的行列式
知识点方阵的幂
$\mathbf{A}$是$n$阶方阵,$\mathbf{A}^m=\mathbf{A}\mathbf{A}\cdots\mathbf{A}$($m$ 个 $\mathbf{A}$ 相乘),规定$\mathbf{A}^0=\mathbf{E}$。因为乘法不可交换,下面这些等式一般都不成立:
$$(\mathbf{A}+\mathbf{B})^2\ne\mathbf{A}^2+2\mathbf{A}\mathbf{B}+\mathbf{B}^2$$ $$(\mathbf{A}-\mathbf{B})^2\ne\mathbf{A}^2-2\mathbf{A}\mathbf{B}+\mathbf{B}^2$$ $$(\mathbf{A}+\mathbf{B})(\mathbf{A}-\mathbf{B})\ne\mathbf{A}^2-\mathbf{B}^2$$ $$(\mathbf{A}\mathbf{B})^m\ne\mathbf{A}^m\mathbf{B}^m$$唯一的例外是$\mathbf{A}$与$\mathbf{B}$可交换($\mathbf{A}\mathbf{B}=\mathbf{B}\mathbf{A}$)时,二项式展开才成立。特别地,$\mathbf{A}$与$\mathbf{E}$永远可交换,所以$(\mathbf{A}\pm\mathbf{E})^m$可以直接展开。
方阵的行列式
只有方阵才有行列式,记作$|\mathbf{A}|$。它与数乘、加法、乘法配合时有五条必须分清的关系:
| 式子 | 说明 |
|---|---|
| $|k\mathbf{A}|=k^{n}|\mathbf{A}|$ | $k$乘到每个元素上,共$n$行,故提$n$次 |
| $|\mathbf{A}\T|=|\mathbf{A}|$ | 转置不改变测度 |
| $|\mathbf{A}\mathbf{B}|=|\mathbf{A}||\mathbf{B}|=|\mathbf{B}||\mathbf{A}|$ | 行列式是数,可交换 |
| $|\mathbf{A}+\mathbf{B}|\ne|\mathbf{A}|+|\mathbf{B}|$ | 没有加法分配律 |
| $\mathbf{A}\ne\mathbf{O}\nRightarrow|\mathbf{A}|\ne 0$ | 非零矩阵的行列式可以是零 |
$|\mathbf{A}|+|\mathbf{B}|\ne|\mathbf{A}+\mathbf{B}|$与$k^{n}|\mathbf{A}|\ne k|\mathbf{A}|$是本讲两处最高频的失分点。前者常被用来“证明”错误的命题,后者在做$|k\mathbf{A}|$、$|2\mathbf{A}^{*}|$这类题时几乎每年都有人错。看到$|k\mathbf{A}|$先想“把$k$乘进了所有行”。
求方阵幂的三个题型
题型$\mathbf{A}^n$不能硬乘,必须先在$\mathbf{A}$的结构里找到“可复用”的东西。三条路各自对应一种识别特征。
秩为 $1$ 的方阵:$\mathbf{A}=\alpha\beta\T$
识别特征:各行(列)成比例,矩阵能拆成一个列向量乘一个行向量,且$\tr(\mathbf{A})=\beta\T\alpha=\sum a_ib_i$。
- 把矩阵拆成$\mathbf{A}=\alpha\beta\T$,其中$\alpha$是列向量、$\beta\T$是行向量。
- 利用结合律反复合并中间的数:$\mathbf{A}^n=\alpha(\beta\T\alpha)(\beta\T\alpha)\cdots(\beta\T\alpha)\beta\T$。
- 注意$\beta\T\alpha$是一个数($1\times 1$矩阵),可以提到最前面,得到$\mathbf{A}^n=(\beta\T\alpha)^{n-1}\alpha\beta\T$。
- 写成公式$\mathbf{A}^n=[\tr(\mathbf{A})]^{n-1}\mathbf{A}$,代回数值即可。
设$\mathbf{A}=\begin{pmatrix}1&2\\2&4\end{pmatrix}$,求$\mathbf{A}^{n}$。
取$\alpha=\begin{pmatrix}1\\2\end{pmatrix}$、$\beta\T=(1,2)$,则$\mathbf{A}=\alpha\beta\T$,且$\beta\T\alpha=1+4=5=\tr(\mathbf{A})$。故$\mathbf{A}^n=5^{n-1}\mathbf{A}=\begin{pmatrix}5^{n-1}&2\cdot 5^{n-1}\\2\cdot 5^{n-1}&4\cdot 5^{n-1}\end{pmatrix}$。验证$n=2$:$\mathbf{A}^2=\begin{pmatrix}5&10\\10&20\end{pmatrix}=5\mathbf{A}$,与公式一致。
拆成 $\mathbf{A}=\lambda\mathbf{E}+\mathbf{B}$,用二项式展开
识别特征:主对角线上元素相同,其余位置只有一条斜线非零(常是上三角),且这条斜线上的矩阵$\mathbf{B}$满足$\mathbf{B}^k=\mathbf{O}$(幂零)。
- 把主对角线上的数提出来,写成$\mathbf{A}=\lambda\mathbf{E}+\mathbf{B}$,其中$\mathbf{B}$只有对角线以上(或以下)非零。
- 验证$\lambda\mathbf{E}$与$\mathbf{B}$可交换,从而可以直接用二项式定理展开。
- 计算$\mathbf{B}^2,\mathbf{B}^3,\cdots$,找到第一个变成零矩阵的幂次$k$,之后所有更高次项全部消失。
- 只保留前$k$项求和,得到$\mathbf{A}^n$的封闭形式。
设$\mathbf{A}=\begin{pmatrix}1&1&0\\0&1&1\\0&0&1\end{pmatrix}$,求$\mathbf{A}^{n}$。
写$\mathbf{A}=\mathbf{E}+\mathbf{B}$,其中$\mathbf{B}=\begin{pmatrix}0&1&0\\0&0&1\\0&0&0\end{pmatrix}$。算得$\mathbf{B}^2=\begin{pmatrix}0&0&1\\0&0&0\\0&0&0\end{pmatrix}$,$\mathbf{B}^3=\mathbf{O}$。于是由二项式定理$\mathbf{A}^n=\mathbf{E}^n+n\mathbf{E}^{n-1}\mathbf{B}+\dfrac{n(n-1)}{2}\mathbf{E}^{n-2}\mathbf{B}^2=\begin{pmatrix}1&n&\frac{n(n-1)}{2}\\0&1&n\\0&0&1\end{pmatrix}$。
试算 $\mathbf{A}^2,\mathbf{A}^3$ 找周期
识别特征:$\mathbf{A}$的元素很小、很规整(常见$0,\pm 1$),看不出秩$1$或三角结构,通常出现在选择填空里。
- 老实算出$\mathbf{A}^2$,观察它是否等于$c\mathbf{E}$、$c\mathbf{A}$或$\mathbf{A}$的某个简单倍数。
- 若$\mathbf{A}^2=-k\mathbf{E}$,则$\mathbf{A}^4=k^2\mathbf{E}$,周期为$4$;若$\mathbf{A}^2=\mathbf{A}$或$\mathbf{A}^2=\mathbf{E}$,周期分别是$1$或$2$。
- 把$n$写成$n=4q+r$的形式,用$\mathbf{A}^n=(\mathbf{A}^4)^q\mathbf{A}^r$降次。
- 最后用$n=1,2$的小例子核对答案的次数与符号。
设$\mathbf{A}=\begin{pmatrix}0&-1\\1&0\end{pmatrix}$,求$\mathbf{A}^{2009}$。
$\mathbf{A}^2=\begin{pmatrix}-1&0\\0&-1\end{pmatrix}=-\mathbf{E}$,故$\mathbf{A}^4=\mathbf{E}$。由$2009=4\times 502+1$,得$\mathbf{A}^{2009}=(\mathbf{A}^4)^{502}\mathbf{A}=\mathbf{A}=\begin{pmatrix}0&-1\\1&0\end{pmatrix}$。
三条路的判断顺序:先看秩($\rr(\mathbf{A})=1$就用$\tr$公式);再看能否拆出$\lambda\mathbf{E}$且余项幂零;最后才试算找周期。$\mathbf{A}$与$\mathbf{E}$可交换是二项式展开能用的唯一理由,用之前必须确认拆出来的两部分可交换。
逆矩阵与伴随矩阵
知识点$\mathbf{A},\mathbf{B}$是$n$阶方阵,$\mathbf{E}$是$n$阶单位矩阵,若$\mathbf{A}\mathbf{B}=\mathbf{B}\mathbf{A}=\mathbf{E}$,则称$\mathbf{A}$可逆,$\mathbf{B}$是$\mathbf{A}$的逆矩阵,记作$\mathbf{A}^{-1}$,且逆矩阵唯一。
$\mathbf{A}$可逆的充分必要条件是$|\mathbf{A}|\ne 0$,此时$\mathbf{A}^{-1}$存在且满足$\mathbf{A}\mathbf{A}^{-1}=\mathbf{A}^{-1}\mathbf{A}=\mathbf{E}$。
注意前提:只有方阵才谈逆矩阵,$m\ne n$时只能谈左逆、右逆,不属于考研范围。
逆矩阵的运算律
$$\bigl(\mathbf{A}^{-1}\bigr)^{-1}=\mathbf{A},\qquad (k\mathbf{A})^{-1}=\frac1k\mathbf{A}^{-1}\ (k\ne 0)$$ $$\bigl|\mathbf{A}^{-1}\bigr|=\frac1{|\mathbf{A}|},\qquad \bigl(\mathbf{A}\T\bigr)^{-1}=\bigl(\mathbf{A}^{-1}\bigr)\T,\qquad (\mathbf{A}\mathbf{B})^{-1}=\mathbf{B}^{-1}\mathbf{A}^{-1}$$最后一条同样是“穿脱”:乘积求逆,顺序要反过来,$(\mathbf{A}\mathbf{B}\mathbf{C})^{-1}=\mathbf{C}^{-1}\mathbf{B}^{-1}\mathbf{A}^{-1}$。
$\mathbf{A},\mathbf{B}$都可逆推不出$\mathbf{A}+\mathbf{B}$可逆,且$(\mathbf{A}+\mathbf{B})^{-1}\ne\mathbf{A}^{-1}+\mathbf{B}^{-1}$;$\mathbf{A}-\mathbf{B}$同理。和与差要可逆,必须再补充条件(例如$\mathbf{A}^{-1}+\mathbf{B}^{-1}$可逆),见下面结论。
把$|\mathbf{A}|$的$n^2$个元素的代数余子式按如下方式排成矩阵,称为$\mathbf{A}$的伴随矩阵:
$$\mathbf{A}^{*}=\begin{pmatrix}A_{11}&A_{21}&\cdots&A_{n1}\\A_{12}&A_{22}&\cdots&A_{n2}\\\vdots&\vdots&&\vdots\\A_{1n}&A_{2n}&\cdots&A_{nn}\end{pmatrix}$$两个位置要点:$A_{ij}=(-1)^{i+j}M_{ij}$;$\mathbf{A}$的第$i$行元素的代数余子式写在$\mathbf{A}^{*}$的第$i$列上,转置了一次。
由此由展开定理立得核心恒等式:
$$\mathbf{A}\mathbf{A}^{*}=\mathbf{A}^{*}\mathbf{A}=|\mathbf{A}|\mathbf{E}$$伴随矩阵的公式链
| 条件 | 公式 |
|---|---|
| 任意$n$阶方阵 | $\mathbf{A}\mathbf{A}^{*}=\mathbf{A}^{*}\mathbf{A}=|\mathbf{A}|\mathbf{E}$ |
| 任意$n$阶方阵 | $|\mathbf{A}^{*}|=|\mathbf{A}|^{n-1}$ |
| $|\mathbf{A}|\ne 0$($\mathbf{A}$可逆) | $\mathbf{A}^{-1}=\dfrac{1}{|\mathbf{A}|}\mathbf{A}^{*}$,$\mathbf{A}^{*}=|\mathbf{A}|\mathbf{A}^{-1}$,$\mathbf{A}=|\mathbf{A}|\bigl(\mathbf{A}^{*}\bigr)^{-1}$ |
| 数乘 | $(k\mathbf{A})^{*}=k^{n-1}\mathbf{A}^{*}$ |
| 转置 | $(\mathbf{A}\T)^{*}=(\mathbf{A}^{*})\T$ |
| 乘积 | $(\mathbf{A}\mathbf{B})^{*}=\mathbf{B}^{*}\mathbf{A}^{*}$ |
| 逆 | $\bigl(\mathbf{A}^{-1}\bigr)^{*}=(\mathbf{A}^{*})^{-1}$ |
| 二次伴随 | $(\mathbf{A}^{*})^{*}=|\mathbf{A}|^{n-2}\mathbf{A}$,当且仅当$n=2$时$(\mathbf{A}^{*})^{*}=\mathbf{A}$ |
伴随矩阵的秩只有三种取值,第 3 讲判秩时极好用:当$\rr(\mathbf{A})=n$时$\rr(\mathbf{A}^{*})=n$;当$\rr(\mathbf{A})=n-1$时$\rr(\mathbf{A}^{*})=1$;当$\rr(\mathbf{A})\lt n-1$时$\rr(\mathbf{A}^{*})=0$。
另:若$\mathbf{A},\mathbf{B}$可逆且$\mathbf{A}^{-1}+\mathbf{B}^{-1}$可逆,则$\mathbf{A}+\mathbf{B}$可逆,因为$\mathbf{A}+\mathbf{B}=\mathbf{A}\bigl(\mathbf{A}^{-1}+\mathbf{B}^{-1}\bigr)\mathbf{B}$,于是$\bigl(\mathbf{A}+\mathbf{B}\bigr)^{-1}=\mathbf{B}^{-1}\bigl(\mathbf{A}^{-1}+\mathbf{B}^{-1}\bigr)^{-1}\mathbf{A}^{-1}$。这个“提公因子把和化成积”的动作是可逆性证明的通法。
①$(\mathbf{A}+\mathbf{B})^{*}\ne\mathbf{A}^{*}+\mathbf{B}^{*}$,$(\mathbf{A}+\mathbf{B})\T=\mathbf{A}\T+\mathbf{B}\T$却是成立的,别把两条记混;
②$(k\mathbf{A})^{*}=k^{n-1}\mathbf{A}^{*}$,指数是$n-1$不是$n$,因为$\mathbf{A}^{*}$的每个元素是$n-1$阶余子式;
③$|\mathbf{A}^{*}|=|\mathbf{A}|^{n-1}$,二阶时是$|\mathbf{A}|$,三阶时是$|\mathbf{A}|^2$。
求逆矩阵的三种典型方法
题型定义法:把和差关系凑成乘积等于 $\mathbf{E}$
识别特征:题目给出一个矩阵恒等式(如$\mathbf{A}\mathbf{B}=\mathbf{A}+\mathbf{B}$、$\mathbf{A}^2+\mathbf{A}-4\mathbf{E}=\mathbf{O}$),问某个$\mathbf{A}-k\mathbf{E}$是否可逆,或求它的逆。
- 把等式所有项移到左边,让右边只剩零矩阵。
- 在等式两边同时加上若干个$\mathbf{E}$,凑成“某两个矩阵之积$=\mathbf{E}$”。
- 提公因子时注意方向:左边的矩阵往左提,右边的矩阵往右提,绝不能交换位置。
- 由定义直接读出可逆性与逆矩阵:$(\mathbf{A}-\mathbf{E})(\mathbf{B}-\mathbf{E})=\mathbf{E}$就说明$\mathbf{A}-\mathbf{E}$可逆且$(\mathbf{A}-\mathbf{E})^{-1}=\mathbf{B}-\mathbf{E}$。
设$\mathbf{A},\mathbf{B}$均是$n$阶矩阵,且$\mathbf{A}\mathbf{B}=\mathbf{A}+\mathbf{B}$,判断下列哪个矩阵必可逆:$\mathbf{A}-\mathbf{E}$、$\mathbf{A}+\mathbf{E}$、$\mathbf{A}-2\mathbf{E}$、$\mathbf{B}+\mathbf{E}$。
由$\mathbf{A}\mathbf{B}-\mathbf{A}-\mathbf{B}=\mathbf{O}$,两边加$\mathbf{E}$得$\mathbf{A}\mathbf{B}-\mathbf{A}-\mathbf{B}+\mathbf{E}=\mathbf{E}$,即$(\mathbf{A}-\mathbf{E})(\mathbf{B}-\mathbf{E})=\mathbf{E}$。故$\mathbf{A}-\mathbf{E}$可逆,$(\mathbf{A}-\mathbf{E})^{-1}=\mathbf{B}-\mathbf{E}$,选$\mathbf{A}-\mathbf{E}$。其余选项可用反例排除,例如取$\mathbf{A}=-\mathbf{E},\mathbf{B}=\frac12\mathbf{E}$满足条件而$\mathbf{A}+\mathbf{E}=\mathbf{O}$不可逆。
伴随矩阵法:用 $\mathbf{A}^{*}$ 求逆
识别特征:题目给出低阶($2$阶或$3$阶)数值矩阵要求逆,且要求写出过程;或者题目里出现$\mathbf{A}^{*}$,需要把它转成$\mathbf{A}^{-1}$。
- 先算$|\mathbf{A}|$。若$|\mathbf{A}|=0$,$\mathbf{A}$不可逆,到此为止。
- 逐个求代数余子式$A_{ij}=(-1)^{i+j}M_{ij}$,注意符号表$+-+-$与$M_{ij}$的阶数。
- 按列排:把$A_{ij}$写在$\mathbf{A}^{*}$的第$j$行第$i$列(即整体转置),这是最常见的失分点。
- 用$\dfrac{1}{|\mathbf{A}|}$乘遍$\mathbf{A}^{*}$的每个元素,得到$\mathbf{A}^{-1}$,最后用$\mathbf{A}\mathbf{A}^{-1}=\mathbf{E}$验证。
设$\mathbf{A}=\begin{pmatrix}1&2\\3&4\end{pmatrix}$,求$\mathbf{A}^{-1}$。
$|\mathbf{A}|=1\times 4-2\times 3=-2\ne 0$,$\mathbf{A}$可逆。二阶伴随矩阵的口诀是主对调、副变号:$\mathbf{A}^{*}=\begin{pmatrix}4&-2\\-3&1\end{pmatrix}$。故$\mathbf{A}^{-1}=\dfrac{1}{-2}\begin{pmatrix}4&-2\\-3&1\end{pmatrix}=\begin{pmatrix}-2&1\\\frac32&-\frac12\end{pmatrix}$。验证:$\begin{pmatrix}1&2\\3&4\end{pmatrix}\begin{pmatrix}-2&1\\\frac32&-\frac12\end{pmatrix}=\begin{pmatrix}1&0\\0&1\end{pmatrix}$。
二阶是唯一有速算法的情形:$\begin{pmatrix}a&b\\c&d\end{pmatrix}^{-1}=\dfrac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix}$,由此还得到$(\mathbf{A}^{*})^{*}=\mathbf{A}$只在$n=2$时成立。
高阶时伴随法要算$n^2$个$n-1$阶行列式,计算量太大,实际解题应改用初等变换。但公式本身极重要:凡题目出现$\mathbf{A}^{*}$,第一反应都是换成$|\mathbf{A}|\mathbf{A}^{-1}$。
初等变换、初等矩阵与矩阵方程
题型三种初等行(列)变换:①用非零常数$k$乘某一行(列);②互换某两行(列);③把某一行(列)的$k$倍加到另一行(列)。分别称为倍乘、互换、倍加。
对单位矩阵$\mathbf{E}$作一次初等变换得到的矩阵称为初等矩阵:$\mathbf{E}_i(k)$是$\mathbf{E}$的第$i$行乘$k$;$\mathbf{E}_{ij}$是$\mathbf{E}$的第$i,j$行互换;$\mathbf{E}_{ij}(k)$是$\mathbf{E}$的第$j$行的$k$倍加到第$i$行。
核心对应关系:左乘是行变换,右乘是列变换。即$\mathbf{P}\mathbf{A}$是对$\mathbf{A}$作与$\mathbf{P}$相同的行变换,$\mathbf{A}\mathbf{P}$是作对应的列变换。初等矩阵都可逆,且逆仍是同一类型的初等矩阵。
用初等变换求逆(含分块矩阵求逆)
识别特征:三阶及以上的数值矩阵求逆;或矩阵有明显的零块结构(左上、右下为零块),适合分块求逆。
- 构造增广矩阵$[\mathbf{A}\mid\mathbf{E}]$,只作行变换(求逆时不能混用列变换)。
- 把左半部分化为单位矩阵,右半部分随之变成$\mathbf{A}^{-1}$,即$[\mathbf{A}\mid\mathbf{E}]\to[\mathbf{E}\mid\mathbf{A}^{-1}]$。
- 若矩阵有零块,改用分块公式: $$\begin{pmatrix}\mathbf{A}&\mathbf{O}\\\mathbf{O}&\mathbf{B}\end{pmatrix}^{-1}=\begin{pmatrix}\mathbf{A}^{-1}&\mathbf{O}\\\mathbf{O}&\mathbf{B}^{-1}\end{pmatrix}$$ $$\begin{pmatrix}\mathbf{O}&\mathbf{A}\\\mathbf{B}&\mathbf{O}\end{pmatrix}^{-1}=\begin{pmatrix}\mathbf{O}&\mathbf{B}^{-1}\\\mathbf{A}^{-1}&\mathbf{O}\end{pmatrix}$$
- 必须验证$\mathbf{A}\mathbf{A}^{-1}=\mathbf{E}$,数值计算的出错率极高,这一步不能省。
求$\mathbf{A}=\begin{pmatrix}1&2&3\\0&1&4\\5&6&0\end{pmatrix}$的逆矩阵。
$|\mathbf{A}|=1\times(0-24)-2\times(0-20)+3\times(0-5)=-24+40-15=1\ne 0$。对$[\mathbf{A}\mid\mathbf{E}]$作行变换化为$[\mathbf{E}\mid\mathbf{A}^{-1}]$,得$\mathbf{A}^{-1}=\begin{pmatrix}-24&18&5\\20&-15&-4\\-5&4&1\end{pmatrix}$。验证:第$1$行$(1,2,3)$乘第$1$列$(-24,20,-5)\T$得$-24+40-15=1$,乘第$2$列$(18,-15,4)\T$得$18-30+12=0$,乘第$3$列$(5,-4,1)\T$得$5-8+3=0$,其余两行同理,故结果正确。
初等矩阵与矩阵等式:读出 $\mathbf{A}\mathbf{Q}=\mathbf{C}$ 中的 $\mathbf{Q}$
识别特征:题干描述“将$\mathbf{A}$的第$i$列与第$j$列互换得到$\mathbf{B}$,再将$\mathbf{B}$的第$s$列的$k$倍加到第$t$列得到$\mathbf{C}$”,问满足$\mathbf{A}\mathbf{Q}=\mathbf{C}$的$\mathbf{Q}$。
- 逐步写出等式:每作一次列变换,就在右边乘一个对应的初等矩阵;若是行变换则乘在左边。
- 把各步串起来,例如$\mathbf{B}=\mathbf{A}\mathbf{E}_{ij}$、$\mathbf{C}=\mathbf{B}\mathbf{E}_{st}(k)$,于是$\mathbf{C}=\mathbf{A}\mathbf{E}_{ij}\mathbf{E}_{st}(k)$。
- 按乘法顺序把初等矩阵乘出来,得到$\mathbf{Q}$;顺序不能颠倒,矩阵无交换律。
- 用具体向量验证一次,例如看$\mathbf{Q}$作用在单位列向量上得到哪一列,可快速核对。
设$\mathbf{A}$是$3$阶矩阵,将$\mathbf{A}$的第$1$列与第$2$列互换得到$\mathbf{B}$,再将$\mathbf{B}$的第$2$列加到第$3$列得到$\mathbf{C}$,求满足$\mathbf{A}\mathbf{Q}=\mathbf{C}$的可逆矩阵$\mathbf{Q}$。
第一步是列互换,$\mathbf{B}=\mathbf{A}\mathbf{E}_{12}$;第二步是列倍加,$\mathbf{C}=\mathbf{B}\mathbf{E}_{23}(1)$。故$\mathbf{Q}=\mathbf{E}_{12}\mathbf{E}_{23}(1)=\begin{pmatrix}0&1&0\\1&0&0\\0&0&1\end{pmatrix}\begin{pmatrix}1&0&0\\0&1&1\\0&0&1\end{pmatrix}=\begin{pmatrix}0&1&1\\1&0&0\\0&0&1\end{pmatrix}$。
解矩阵方程
识别特征:等式中含未知矩阵$\mathbf{X}$,形如$\mathbf{A}\mathbf{X}=\mathbf{B}$、$\mathbf{X}\mathbf{A}=\mathbf{B}$或$\mathbf{A}\mathbf{X}\mathbf{B}=\mathbf{C}$。
- 先化简再代入:用移项、提公因子把方程整理成$\mathbf{A}\mathbf{X}=\mathbf{B}$、$\mathbf{X}\mathbf{A}=\mathbf{B}$或$\mathbf{A}\mathbf{X}\mathbf{B}=\mathbf{C}$这三种标准形之一。
- $\mathbf{A}\mathbf{X}=\mathbf{B}$两边左乘$\mathbf{A}^{-1}$得$\mathbf{X}=\mathbf{A}^{-1}\mathbf{B}$;$\mathbf{X}\mathbf{A}=\mathbf{B}$两边右乘$\mathbf{A}^{-1}$得$\mathbf{X}=\mathbf{B}\mathbf{A}^{-1}$。
- $\mathbf{A}\mathbf{X}\mathbf{B}=\mathbf{C}$两边先左乘$\mathbf{A}^{-1}$、再右乘$\mathbf{B}^{-1}$,得$\mathbf{X}=\mathbf{A}^{-1}\mathbf{C}\mathbf{B}^{-1}$。
- 化简到最简形式后再把数值矩阵代进去算,别一上来就乘,中间步骤会白算很多。
设$\mathbf{A}=\begin{pmatrix}1&2\\1&3\end{pmatrix}$,求满足$\mathbf{A}\mathbf{X}=\mathbf{A}+\mathbf{X}$的矩阵$\mathbf{X}$。
移项得$\mathbf{A}\mathbf{X}-\mathbf{X}=\mathbf{A}$,即$(\mathbf{A}-\mathbf{E})\mathbf{X}=\mathbf{A}$。$\mathbf{A}-\mathbf{E}=\begin{pmatrix}0&2\\1&2\end{pmatrix}$,$|\mathbf{A}-\mathbf{E}|=-2$,故$(\mathbf{A}-\mathbf{E})^{-1}=\begin{pmatrix}-1&1\\\frac12&0\end{pmatrix}$。于是$\mathbf{X}=(\mathbf{A}-\mathbf{E})^{-1}\mathbf{A}=\begin{pmatrix}-1&1\\\frac12&0\end{pmatrix}\begin{pmatrix}1&2\\1&3\end{pmatrix}=\begin{pmatrix}0&1\\\frac12&1\end{pmatrix}$。验证:$\mathbf{A}\mathbf{X}=\begin{pmatrix}1&3\\\frac32&4\end{pmatrix}$,而$\mathbf{A}+\mathbf{X}=\begin{pmatrix}1&3\\\frac32&4\end{pmatrix}$,一致。
①$\mathbf{X}\mathbf{A}=\mathbf{B}$的解是$\mathbf{B}\mathbf{A}^{-1}$而不是$\mathbf{A}^{-1}\mathbf{B}$,位置由$\mathbf{X}$站在哪一侧决定;
②求逆时混用了列变换,或把$[\mathbf{A}\mid\mathbf{E}]$错写成$\begin{pmatrix}\mathbf{A}\\\mathbf{E}\end{pmatrix}$;
③$\mathbf{E}_{ij}(k)$的$i,j$含义记反——它表示“第$j$行的$k$倍加到第$i$行”,右乘时对应“第$i$列的$k$倍加到第$j$列”。
矩阵的秩与等价标准形
知识点设$\mathbf{A}$是$m\times n$矩阵,若存在$k$阶子式不为零,而所有$k+1$阶子式(如果有的话)全为零,则$\rr(\mathbf{A})=k$。等价说法:$\mathbf{A}$中存在$k$个线性无关的行(列)向量,而任意$k+1$个都线性相关。
对$n$阶方阵,$\rr(\mathbf{A})=n\iff|\mathbf{A}|\ne 0\iff\mathbf{A}$可逆。这是“秩”与“行列式”之间唯一的桥。
求法:化行阶梯形,数非零行
用初等行变换把$\mathbf{A}$化为行阶梯形矩阵,非零行的个数就是秩。行阶梯形的特征:零行全在非零行下方,各非零行左起第一个非零元素的列指标自上而下严格增大。若再把每个首非零元化为$1$、其所在列其余元素化为$0$,就得到行最简阶梯形矩阵。
等价与等价标准形
若存在可逆矩阵$\mathbf{P}_{m\times m}$、$\mathbf{Q}_{n\times n}$使$\mathbf{P}\mathbf{A}\mathbf{Q}=\mathbf{B}$,则称$\mathbf{A}$与$\mathbf{B}$等价。任何$m\times n$矩阵$\mathbf{A}$都等价于
$$\mathbf{P}\mathbf{A}\mathbf{Q}=\begin{pmatrix}\mathbf{E}_r&\mathbf{O}\\\mathbf{O}&\mathbf{O}\end{pmatrix},\qquad r=\rr(\mathbf{A})$$称为$\mathbf{A}$的等价标准形,且标准形唯一。于是两个同型矩阵等价当且仅当它们的秩相等。
有关秩的重要不等式
- $0\le\rr(\mathbf{A})\le\min\{m,n\}$
- 且$\rr(\mathbf{A})=0\iff\mathbf{A}=\mathbf{O}$
- $\rr(k\mathbf{A})=\rr(\mathbf{A})$
- $k\ne 0$
- $\rr(\mathbf{A}\mathbf{B})\le\min\{\rr(\mathbf{A}),\rr(\mathbf{B})\}$
- 乘积的秩不会变大
- $\rr(\mathbf{A}+\mathbf{B})\le\rr(\mathbf{A})+\rr(\mathbf{B})$
- 和的秩不超过秩之和
- $\mathbf{A}_{m\times n}\mathbf{B}_{n\times s}=\mathbf{O}$
- 则$\rr(\mathbf{A})+\rr(\mathbf{B})\le n$
- $\mathbf{P},\mathbf{Q}$可逆
- $\rr(\mathbf{A})=\rr(\mathbf{P}\mathbf{A})=\rr(\mathbf{A}\mathbf{Q})=\rr(\mathbf{P}\mathbf{A}\mathbf{Q})$
- $\rr(\mathbf{A})=\rr(\mathbf{A}\T)=\rr(\mathbf{A}\T\mathbf{A})=\rr(\mathbf{A}\mathbf{A}\T)$
- 行秩等于列秩
两条最常用的不等式:$\rr(\mathbf{A}\mathbf{B})\le\min\{\rr(\mathbf{A}),\rr(\mathbf{B})\}$与$\mathbf{A}\mathbf{B}=\mathbf{O}\Rightarrow\rr(\mathbf{A})+\rr(\mathbf{B})\le n$。前者常用来“给秩封顶”,后者是判断零空间维数的入口。另注意$\mathbf{A}\mathbf{B}=\mathbf{E}_m$时必有$\rr(\mathbf{A})=\rr(\mathbf{B})=m$,这是从$m=\rr(\mathbf{E}_m)=\rr(\mathbf{A}\mathbf{B})\le\min\{\rr(\mathbf{A}),\rr(\mathbf{B})\}\le m$夹出来的。
①$\rr(\mathbf{A}+\mathbf{B})$与$\rr(\mathbf{A})+\rr(\mathbf{B})$之间只有不等号,等号不恒成立;
②已知秩求参数时,用“所有$k+1$阶子式为零”只能必要地定出参数候选值,必须回代验证秩确实等于$k$,有时会算出多个候选值而只有一个合格;
③求逆只能用行变换或只用列变换,求秩则可以行列变换混用,三者规则不同。
本讲结论速查
结论速查- 乘法条件
- $\mathbf{A}$的列数等于$\mathbf{B}$的行数,结果取“外行内列”
- 不可交换
- $\mathbf{A}\mathbf{B}\ne\mathbf{B}\mathbf{A}$;$\mathbf{A}\mathbf{B}=\mathbf{O}\nRightarrow\mathbf{A}=\mathbf{O}$或$\mathbf{B}=\mathbf{O}$
- 穿脱原则
- $(\mathbf{A}\mathbf{B})\T=\mathbf{B}\T\mathbf{A}\T$,$(\mathbf{A}\mathbf{B})^{-1}=\mathbf{B}^{-1}\mathbf{A}^{-1}$,$(\mathbf{A}\mathbf{B})^{*}=\mathbf{B}^{*}\mathbf{A}^{*}$
- 数乘行列式
- $|k\mathbf{A}|=k^{n}|\mathbf{A}|$,$|\mathbf{A}+\mathbf{B}|\ne|\mathbf{A}|+|\mathbf{B}|$
- 可逆判定
- $|\mathbf{A}|\ne 0\iff\rr(\mathbf{A})=n\iff\mathbf{A}$可逆
- 求逆公式
- $\mathbf{A}^{-1}=\dfrac{1}{|\mathbf{A}|}\mathbf{A}^{*}$;二阶用主对调副变号
- 伴随链
- $|\mathbf{A}^{*}|=|\mathbf{A}|^{n-1}$;$(k\mathbf{A})^{*}=k^{n-1}\mathbf{A}^{*}$;$(\mathbf{A}^{*})^{*}=|\mathbf{A}|^{n-2}\mathbf{A}$
- 伴随的秩
- $\rr(\mathbf{A})=n$时$\rr(\mathbf{A}^{*})=n$;$\rr(\mathbf{A})=n-1$时$\rr(\mathbf{A}^{*})=1$;$\rr(\mathbf{A})\lt n-1$时$\rr(\mathbf{A}^{*})=0$
- 初等矩阵
- 左乘行变换,右乘列变换;逆仍是同类初等矩阵
- 求逆方法
- $[\mathbf{A}\mid\mathbf{E}]\xrightarrow{\text{行变换}}[\mathbf{E}\mid\mathbf{A}^{-1}]$
- 矩阵方程
- $\mathbf{A}\mathbf{X}=\mathbf{B}\Rightarrow\mathbf{X}=\mathbf{A}^{-1}\mathbf{B}$;$\mathbf{X}\mathbf{A}=\mathbf{B}\Rightarrow\mathbf{X}=\mathbf{B}\mathbf{A}^{-1}$
- 秩不等式
- $\rr(\mathbf{A}\mathbf{B})\le\min\{\rr(\mathbf{A}),\rr(\mathbf{B})\}$;$\mathbf{A}\mathbf{B}=\mathbf{O}\Rightarrow\rr(\mathbf{A})+\rr(\mathbf{B})\le n$
- 等价
- 同型矩阵等价$\iff$秩相等$\iff\mathbf{P}\mathbf{A}\mathbf{Q}=\begin{pmatrix}\mathbf{E}_r&\mathbf{O}\\\mathbf{O}&\mathbf{O}\end{pmatrix}$
行列式是“算出一个数”,用来判定可逆与相关;矩阵是“处理一张表”,用初等变换做实际运算。两者接口只有一条:$|\mathbf{A}|\ne 0\iff\rr(\mathbf{A})=n$。
初等变换求秩与解方程组(第 3、4 讲);$\mathbf{A}^n$的三种套路直接服务于特征值(第 5 讲);$\mathbf{A}\T\mathbf{A}$与$\mathbf{P}\T\mathbf{A}\mathbf{P}$是二次型标准化(第 6 讲)的起点。
向量组
把“相关与否”翻译成“秩够不够”:向量组是行列式、矩阵、方程组三条线的交汇点。
向量与向量组:概念、内积、正交
知识点$n$ 个数组成的有序数组称为 $n$ 维向量。写成一行 $\mathbf{\alpha}=[a_1,a_2,\cdots,a_n]$ 是行向量,写成一列 $\mathbf{\alpha}=[a_1,a_2,\cdots,a_n]\T$ 是列向量,$a_i$ 称为第 $i$ 个分量。行向量可看成 $1\times n$ 矩阵,列向量可看成 $n\times 1$ 矩阵,故向量的加法、数乘与矩阵完全一致。
若干同维向量放在一起,称为向量组。把 $\mathbf{\alpha}_1,\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s$ 按列拼起来,就得到一个矩阵 $\mathbf{A}=[\mathbf{\alpha}_1,\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s]$——这是本讲所有计算的起点:向量组的问题一律转成矩阵的问题来做。
内积、模、夹角
设 $\mathbf{\alpha}=[a_1,\cdots,a_n]\T$,$\mathbf{\beta}=[b_1,\cdots,b_n]\T$,则
$$(\mathbf{\alpha},\mathbf{\beta})=\mathbf{\alpha}\T\mathbf{\beta}=\sum_{i=1}^{n}a_ib_i,\qquad \|\mathbf{\alpha}\|=\sqrt{\sum_{i=1}^{n}a_i^2},\qquad \cos\theta=\frac{(\mathbf{\alpha},\mathbf{\beta})}{\|\mathbf{\alpha}\|\,\|\mathbf{\beta}\|}.$$当 $(\mathbf{\alpha},\mathbf{\beta})=0$ 时称 $\mathbf{\alpha},\mathbf{\beta}$ 正交;当 $\|\mathbf{\alpha}\|=1$ 时称 $\mathbf{\alpha}$ 为单位向量。正交就是 2、3 维里的“垂直”在 $n$ 维的推广。
若 $\mathbf{\alpha}_1,\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s$ 两两正交且都是单位向量,即 $\mathbf{\alpha}_i\T\mathbf{\alpha}_j=\begin{cases}0,&i\neq j\\ 1,&i=j\end{cases}$,则称之为规范正交组(规范正交基)。
由任意线性无关组构造规范正交组,用施密特正交化:
$$\mathbf{\beta}_1=\mathbf{\alpha}_1,\quad \mathbf{\beta}_2=\mathbf{\alpha}_2-\frac{(\mathbf{\alpha}_2,\mathbf{\beta}_1)}{(\mathbf{\beta}_1,\mathbf{\beta}_1)}\mathbf{\beta}_1,\quad \mathbf{\beta}_3=\mathbf{\alpha}_3-\frac{(\mathbf{\alpha}_3,\mathbf{\beta}_1)}{(\mathbf{\beta}_1,\mathbf{\beta}_1)}\mathbf{\beta}_1-\frac{(\mathbf{\alpha}_3,\mathbf{\beta}_2)}{(\mathbf{\beta}_2,\mathbf{\beta}_2)}\mathbf{\beta}_2,$$再单位化 $\mathbf{e}_i=\dfrac{\mathbf{\beta}_i}{\|\mathbf{\beta}_i\|}$,得规范正交组。
设 $\mathbf{A}$ 是 $n$ 阶方阵,则 $\mathbf{A}$ 是正交矩阵 $\iff\mathbf{A}\T\mathbf{A}=\mathbf{E}\iff\mathbf{A}\T=\mathbf{A}^{-1}\iff\mathbf{A}$ 的行(列)向量组是规范正交基。
正交矩阵的几何意义是“旋转”:它保持向量长度与夹角不变。
① $(\mathbf{\alpha},\mathbf{\beta})$ 是一个数,不是向量;$\mathbf{\alpha}\T\mathbf{\beta}$ 是 $1\times1$ 矩阵,而 $\mathbf{\alpha}\mathbf{\beta}\T$ 是 $n\times n$ 矩阵,两者完全不同。
② 对方阵,$\mathbf{A}\T\mathbf{A}=\mathbf{E}$ 与 $\mathbf{A}\mathbf{A}\T=\mathbf{E}$ 等价(因为前者说明 $\mathbf{A}\T=\mathbf{A}^{-1}$)。但对非方阵,$\mathbf{A}\T\mathbf{A}$ 与 $\mathbf{A}\mathbf{A}\T$ 阶数都不同,不能混用。
线性组合与线性表示
知识点设 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_m$ 是 $m$ 个 $n$ 维向量,$k_1,\cdots,k_m$ 是数,则 $k_1\mathbf{\alpha}_1+k_2\mathbf{\alpha}_2+\cdots+k_m\mathbf{\alpha}_m$ 称为该向量组的一个线性组合。
若存在数 $k_1,\cdots,k_m$ 使 $\mathbf{\beta}=k_1\mathbf{\alpha}_1+\cdots+k_m\mathbf{\alpha}_m$,则称 $\mathbf{\beta}$ 可由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_m$ 线性表示,即 $\mathbf{\beta}$ 落在这些向量张成的空间中。
把定义写成矩阵和方程组,立刻得到本讲第一个“翻译器”。记 $\mathbf{A}=[\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s]$,则
$$\begin{aligned} \mathbf{\beta}\ \text{可由}\ \mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s\ \text{线性表示} &\iff \mathbf{A}\mathbf{x}=\mathbf{\beta}\ \text{有解}\\ &\iff r(\mathbf{A})=r([\mathbf{A}\mid\mathbf{\beta}]). \end{aligned}$$表示系数就是方程组的解。因此“能否表示”只看两个秩是否相等(系数矩阵的秩与增广矩阵的秩),“表示法是否唯一”只看 $r$ 是否等于向量个数 $s$:
- $r([\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s])\neq r([\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s,\mathbf{\beta}])$:不能表示,且 $r([\cdots,\mathbf{\beta}])=r([\cdots])+1$;
- $r=r([\cdots,\mathbf{\beta}])=s$:能表示,且表示法唯一;
- $r=r([\cdots,\mathbf{\beta}])<s$:能表示,但表示法不唯一,有无穷多种。
“$\mathbf{\beta}$ 能由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 表示”推不出“$\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 能由 $\mathbf{\beta}$ 表示”。前者比的是 $\mathbf{A}$ 与 $[\mathbf{A}\mid\mathbf{\beta}]$ 的秩,后者比的是 $[\mathbf{\beta}]$ 与 $[\mathbf{A}\mid\mathbf{\beta}]$ 的秩,方向完全不同。即使 $s=1$,也要 $\mathbf{\beta}=k\mathbf{\alpha}_1$ 中 $k\neq0$ 才能反向表示。考试常在此设陷阱。
线性相关与线性无关
知识点对 $m$ 个 $n$ 维向量 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_m$,若存在不全为零的数 $k_1,\cdots,k_m$,使 $$k_1\mathbf{\alpha}_1+k_2\mathbf{\alpha}_2+\cdots+k_m\mathbf{\alpha}_m=\mathbf{0},$$ 则称该向量组线性相关;若上式成立当且仅当 $k_1=k_2=\cdots=k_m=0$,则称线性无关。
相关的含义是“有多余的”:设 $k_j\neq0$,把第 $j$ 项移到右边再除以 $-k_j$,就得到 $$\mathbf{\alpha}_j=-\frac{k_1}{k_j}\mathbf{\alpha}_1-\cdots-\frac{k_{j-1}}{k_j}\mathbf{\alpha}_{j-1}-\frac{k_{j+1}}{k_j}\mathbf{\alpha}_{j+1}-\cdots-\frac{k_m}{k_j}\mathbf{\alpha}_m,$$ 即至少有一个向量能由其余向量线性表示。反之无关就是“没有一个是多余的”,每个向量都对张成的空间有贡献。
本讲的枢纽——同一件事的四种说法。下面四条互相等价,看到其中任何一条,都应该立刻想到另外三条:
$\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_m$ 线性相关
$\iff$ 齐次方程组 $[\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_m]\mathbf{x}=\mathbf{0}$ 有非零解
$\iff r([\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_m])<m$(秩小于向量个数)
$\iff$ 至少有一个向量可由其余向量线性表示
把“相关”换成“无关”,四条同时取反:只有零解、$r=m$、任一向量都不能由其余表示。所以向量组的线性相关性、矩阵的秩、齐次方程组的解,本质是同一个问题的三种语言——这也是第 4 讲能把方程组直接搬进向量组的原因。
| 情形 | 结论 | 理由 |
|---|---|---|
| 含零向量的向量组 | 必线性相关 | $1\cdot\mathbf{0}+0\cdot\mathbf{\alpha}_1+\cdots+0\cdot\mathbf{\alpha}_s=\mathbf{0}$,系数不全为零 |
| 含两个成比例向量的向量组 | 必线性相关 | $\mathbf{\beta}=k\mathbf{\alpha}\Rightarrow k\mathbf{\alpha}-\mathbf{\beta}=\mathbf{0}$ |
| 单个向量 $\mathbf{\alpha}$ | $\mathbf{\alpha}=\mathbf{0}$ 时相关;$\mathbf{\alpha}\neq\mathbf{0}$ 时无关 | $k\mathbf{\alpha}=\mathbf{0}$ 的解:$\mathbf{\alpha}=\mathbf{0}$ 时 $k$ 任意,否则 $k=0$ |
| $n+1$ 个 $n$ 维向量 | 必线性相关 | 方程个数 $n$ < 未知数个数 $n+1$,齐次方程组必有非零解 |
| $n$ 个 $n$ 维向量拼成方阵 $\mathbf{A}$ | 相关 $\iff |\mathbf{A}|=0$;无关 $\iff |\mathbf{A}|\neq0$ | $|\mathbf{A}|\neq0\iff r(\mathbf{A})=n\iff$ 只有零解 |
“两个向量线性相关”等价于“两个向量成比例”,但三个及以上向量相关并不等于“两两成比例”。例如 $\mathbf{\alpha}_1=[1,0]\T,\mathbf{\alpha}_2=[2,0]\T,\mathbf{\alpha}_3=[0,3]\T$:$\mathbf{\alpha}_1,\mathbf{\alpha}_3$ 不成比例,但三者整体相关。判断相关必须整体看秩,不能只盯两两关系。
判别线性相关性的七大定理
结论速查这七条是本节所有证明题的“合法动作”。不必背证明,但必须背结论和它的逆否命题——考场上考逆否的频率比正命题还高。
| 定理 | 内容 | 逆否 / 等价说法 |
|---|---|---|
| 定理 1 | $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s\ (s\geq2)$ 线性相关 $\iff$ 至少有一个向量可由其余 $s-1$ 个线性表示 | 线性无关 $\iff$ 任一向量都不能由其余向量线性表示 |
| 定理 2 | $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 线性无关,而 $\mathbf{\beta},\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 线性相关,则 $\mathbf{\beta}$ 可由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 线性表示,且表示法唯一 | “无关组添一个变相关” $\Rightarrow$ 新添的那个一定能被表示且方式唯一;反过来,若某个向量能被无关组表示,则添上它后仍可保持秩不变 |
| 定理 3 | 若 $\mathbf{\beta}_1,\cdots,\mathbf{\beta}_t$ 可由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 线性表示,且 $t>s$,则 $\mathbf{\beta}_1,\cdots,\mathbf{\beta}_t$ 线性相关(以少表多,多的必相关) | 若 $\mathbf{\beta}_1,\cdots,\mathbf{\beta}_t$ 线性无关且能被 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 表示,则 $t\leq s$ |
| 定理 4 | $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_m$ 线性相关 $\iff$ 齐次方程组 $[\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_m]\mathbf{x}=\mathbf{0}$ 有非零解 $\iff r<m$ | 线性无关 $\iff$ 只有零解 $\iff r=m$ |
| 定理 5 | $\mathbf{\beta}$ 可由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 线性表示 $\iff r([\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s])=r([\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s,\mathbf{\beta}])$ | 不能表示 $\iff$ 两个秩不相等 $\iff r([\cdots,\mathbf{\beta}])=r([\cdots])+1$ |
| 定理 6 | 若向量组中有一部分向量线性相关,则整个向量组也线性相关 | 整体无关 $\Rightarrow$ 任意部分无关 |
| 定理 7 | 无关的 $n$ 维向量组,各任意添加 $m$ 个分量后仍线性无关 | 相关组各去掉相同位置的分量后仍线性相关 |
- 定理 3 口诀
- 以少表多,多的相关;以多表少,少的未必无关
- 定理 6 口诀
- 部分相关,整体必相关;整体无关,部分必无关
- 定理 7 口诀
- 原来无关,延长必无关;原来相关,缩短必相关
- 最常用
- 定理 4(转方程组)与定理 5(转两个秩),考场上 90% 的题走这两条
定理 6 的逆不成立:整体相关推不出部分相关。$\mathbf{\alpha}_1=[1,0]\T,\mathbf{\alpha}_2=[0,1]\T,\mathbf{\alpha}_3=[1,1]\T$ 整体相关,但其中任取两个都无关。同理定理 7 反向也不行——“相关组缩短仍相关”指的是去掉相同位置的分量,而不是随便删几个向量。
极大线性无关组与向量组的秩
知识点在向量组 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 中,若存在部分组 $\mathbf{\alpha}_{i_1},\cdots,\mathbf{\alpha}_{i_r}$ 满足:① 它线性无关;② 原向量组中任一向量都可由它线性表示,则称它是原向量组的极大线性无关组,其中向量个数 $r$ 称为向量组的秩,记作 $r(\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s)=r$。
通俗地说,极大无关组就是去掉所有“多余”的向量后剩下的那组“代表”,秩就是“代表”的个数,也就是这组向量独立信息的个数。
三秩相等。对任意矩阵 $\mathbf{A}$:
$$r(\mathbf{A})\ (\text{矩阵的秩})=r(\mathbf{A}\ \text{的行向量组})\ (\text{行秩})=r(\mathbf{A}\ \text{的列向量组})\ (\text{列秩}).$$这条把“矩阵的秩”和“向量组的秩”焊死在一起:算出一个,另外两个就都有了。求向量组的秩,本质就是求它拼成的矩阵的秩。
初等行变换不改变列向量组之间的线性关系。若 $\mathbf{A}\xrightarrow{\text{初等行变换}}\mathbf{B}$,则
- $\mathbf{A}$ 的行向量组与 $\mathbf{B}$ 的行向量组是等价向量组;
- $\mathbf{A}$ 与 $\mathbf{B}$ 的任何对应的部分列向量组具有相同的线性相关性(即 $\mathbf{A}$ 的第 $i_1,\cdots,i_k$ 列相关 $\iff\mathbf{B}$ 的第 $i_1,\cdots,i_k$ 列相关)。
原因是 $[\mathbf{\alpha}_{i_1},\cdots,\mathbf{\alpha}_{i_k}]\mathbf{x}=\mathbf{0}$ 与 $[\mathbf{\beta}_{i_1},\cdots,\mathbf{\beta}_{i_k}]\mathbf{x}=\mathbf{0}$ 是同解方程组。所以求极大无关组时,只能作行变换,绝不能行、列变换混用。
常用秩等式与不等式
- $r(\mathbf{A}\T)$
- $=r(\mathbf{A})$
- $\mathbf{AB}=\mathbf{0}$ 且 $\mathbf{A}$ 为 $n$ 阶
- $r(\mathbf{A})+r(\mathbf{B})\leq n$
- $r(\mathbf{AB})$
- $\leq\min\{r(\mathbf{A}),r(\mathbf{B})\}$
- $r(\mathbf{A}+\mathbf{B})$
- $\leq r([\mathbf{A},\mathbf{B}])\leq r(\mathbf{A})+r(\mathbf{B})$
- $r(\mathbf{A}^*)$ 与 $r(\mathbf{A})$($n$ 阶)
- $r(\mathbf{A})=n\Rightarrow r(\mathbf{A}^*)=n$;$r(\mathbf{A})=n-1\Rightarrow r(\mathbf{A}^*)=1$;$r(\mathbf{A})<n-1\Rightarrow r(\mathbf{A}^*)=0$
等价向量组
若向量组(Ⅰ)中每个向量都可由向量组(Ⅱ)线性表示,且(Ⅱ)中每个向量都可由(Ⅰ)线性表示,则称(Ⅰ)与(Ⅱ)是等价向量组,记作(Ⅰ)$\cong$(Ⅱ)。判别只需一个式子:
$$(\text{Ⅰ})\cong(\text{Ⅱ})\iff r(\text{Ⅰ})=r(\text{Ⅱ})=r(\text{Ⅰ},\text{Ⅱ}).$$等价矩阵与等价向量组是两回事。矩阵等价要求同型(行数、列数都相同),判别是 $r(\mathbf{A})=r(\mathbf{B})$;向量组等价要求同维,但向量个数可以不等,判别必须三秩相同。两个向量组秩相等推不出等价,例如 $\mathbf{\alpha}_1=[1,0]\T$ 与 $\mathbf{\alpha}_2=[0,1]\T$ 秩都是 1,但互不能表示。
判定线性相关性
题型具体向量组的线性相关性
识别特征:题目给出具体数字的向量组($n$ 维、个数明确),或给出“已知某向量组线性无关,问下列哪个向量组线性无关”。
- 把向量按列拼成矩阵 $\mathbf{A}=[\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_m]$。
- 对 $\mathbf{A}$ 只作初等行变换,化为行阶梯形,数出非零行数 $r$。
- 比较 $r$ 与向量个数 $m$:$r=m$ 则线性无关,$r<m$ 则线性相关。
- 若向量个数恰好等于维数($\mathbf{A}$ 为方阵),也可直接算 $|\mathbf{A}|$:$|\mathbf{A}|\neq0$ 无关,$|\mathbf{A}|=0$ 相关。
已知 $4$ 维列向量组 $\mathbf{\alpha}_1,\mathbf{\alpha}_2,\mathbf{\alpha}_3,\mathbf{\alpha}_4$ 线性无关,则下列向量组中线性无关的是( )。
(A) $\mathbf{\alpha}_1-\mathbf{\alpha}_2,\ \mathbf{\alpha}_2-\mathbf{\alpha}_3,\ \mathbf{\alpha}_3-\mathbf{\alpha}_4,\ \mathbf{\alpha}_4-\mathbf{\alpha}_1$
(B) $\mathbf{\alpha}_1+\mathbf{\alpha}_2,\ \mathbf{\alpha}_2+\mathbf{\alpha}_3,\ \mathbf{\alpha}_3+\mathbf{\alpha}_4,\ \mathbf{\alpha}_4+\mathbf{\alpha}_1$
(C) $\mathbf{\alpha}_1+\mathbf{\alpha}_2,\ \mathbf{\alpha}_2+\mathbf{\alpha}_3,\ \mathbf{\alpha}_3-\mathbf{\alpha}_4,\ \mathbf{\alpha}_4-\mathbf{\alpha}_1$
(D) $\mathbf{\alpha}_1+\mathbf{\alpha}_2,\ \mathbf{\alpha}_2+\mathbf{\alpha}_3,\ \mathbf{\alpha}_3+\mathbf{\alpha}_4,\ \mathbf{\alpha}_4-\mathbf{\alpha}_1$
新向量组可写成 $[\mathbf{\beta}_1,\mathbf{\beta}_2,\mathbf{\beta}_3,\mathbf{\beta}_4]=[\mathbf{\alpha}_1,\mathbf{\alpha}_2,\mathbf{\alpha}_3,\mathbf{\alpha}_4]\mathbf{C}$,其中 $\mathbf{C}$ 的第 $j$ 列是 $\mathbf{\beta}_j$ 用 $\mathbf{\alpha}$ 表示的系数。因 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_4$ 线性无关,故 $|\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_4|\neq0$,于是 $$|[\mathbf{\beta}_1,\cdots,\mathbf{\beta}_4]|=|\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_4|\cdot|\mathbf{C}|,$$ 问题转化为算 $|\mathbf{C}|$。对 (D), $$\mathbf{C}=\begin{pmatrix}1&0&0&-1\\ 1&1&0&0\\ 0&1&1&0\\ 0&0&1&1\end{pmatrix},\qquad |\mathbf{C}|=2\neq0,$$ 故 (D) 线性无关。而 (A)(B)(C) 都能凑出系数不全为零的零组合,例如 $$\text{(A)}:\ (\mathbf{\alpha}_1-\mathbf{\alpha}_2)+(\mathbf{\alpha}_2-\mathbf{\alpha}_3)+(\mathbf{\alpha}_3-\mathbf{\alpha}_4)+(\mathbf{\alpha}_4-\mathbf{\alpha}_1)=\mathbf{0},$$ 故均线性相关。答案 (D)。
用“凑零组合”排除选项时,系数必须不全为零才算相关;写成 $1\cdot\mathbf{\beta}_1+1\cdot\mathbf{\beta}_2+\cdots=\mathbf{0}$ 要检查是否真的全消掉了。更稳妥的做法是统一算 $|\mathbf{C}|$,一次定四个选项。
求极大线性无关组与向量组的秩
题型极大线性无关组与秩
识别特征:给出具体向量组,问“极大线性无关组是”“秩是多少”,或要求把其余向量用极大无关组表示。
- 把向量按列拼成矩阵 $\mathbf{A}$。
- 只作初等行变换,化为行阶梯形(最好化到行最简形),非零行数即 $r(\mathbf{A})$,也就是向量组的秩。
- 行阶梯形中每个非零行首个非零元所在的列称为主元列;原矩阵中与主元列同序号的向量,就构成一组极大线性无关组。
- 其余向量如何表示:在行最简形中,第 $j$ 列的数就是 $\mathbf{\alpha}_j$ 在极大无关组下的坐标,直接抄下来即可。
设 $\mathbf{\alpha}_1=[1,-1,2,4]\T$,$\mathbf{\alpha}_2=[0,3,1,2]\T$,$\mathbf{\alpha}_3=[3,0,7,14]\T$,$\mathbf{\alpha}_4=[1,-2,2,0]\T$,$\mathbf{\alpha}_5=[2,1,5,10]\T$,求该向量组的极大线性无关组与秩。
按列拼成矩阵 $\mathbf{A}=[\mathbf{\alpha}_1,\mathbf{\alpha}_2,\mathbf{\alpha}_3,\mathbf{\alpha}_4,\mathbf{\alpha}_5]$,并作初等行变换: $$\mathbf{A}=\begin{pmatrix}1&0&3&1&2\\ -1&3&0&-2&1\\ 2&1&7&2&5\\ 4&2&14&0&10\end{pmatrix} \longrightarrow\begin{pmatrix}1&0&3&0&2\\ 0&1&1&0&1\\ 0&0&0&1&0\\ 0&0&0&0&0\end{pmatrix}.$$ 非零行数为 3,故 $r(\mathbf{A})=3$。主元列是第 1、2、4 列,故 $\mathbf{\alpha}_1,\mathbf{\alpha}_2,\mathbf{\alpha}_4$ 是一组极大线性无关组。第 3、5 列给出 $$\mathbf{\alpha}_3=3\mathbf{\alpha}_1+\mathbf{\alpha}_2,\qquad \mathbf{\alpha}_5=2\mathbf{\alpha}_1+\mathbf{\alpha}_2.$$ 极大无关组一般不唯一(本题 $\mathbf{\alpha}_1,\mathbf{\alpha}_3,\mathbf{\alpha}_4$ 等也是),但秩唯一,且其余向量由极大无关组表示的方式唯一。
① 求极大无关组时只能作行变换,不能行列变换混用——列变换会改变“哪几列”的对应关系,主元列就对不上原来的向量了。
② 若把向量按行拼成矩阵,则要改用初等列变换,二者不可搭配错。稳妥起见,统一按列拼、作行变换。
③ 秩相同的向量组不代表等价,别把“极大无关组个数相同”当成“两组等价”。
线性表示与抽象推理
题型$\mathbf{\beta}$ 能否由向量组线性表示(含参数讨论)
识别特征:题目出现“$\mathbf{\beta}$ 能否由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 线性表示”“$a,b$ 取何值时能(不能)表示”“写出表示式”。这是考研的高频题型,本质是解含参数的线性方程组。
- 写出增广矩阵 $[\mathbf{A}\mid\mathbf{\beta}]=[\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s\mid\mathbf{\beta}]$。
- 只作初等行变换,化为行阶梯形;参数放在最后处理,先做不含参数的主元消元。
- 比较 $r(\mathbf{A})$ 与 $r([\mathbf{A}\mid\mathbf{\beta}])$:不相等 $\Rightarrow$ 不能表示;相等 $\Rightarrow$ 能表示。
- 能表示时再看 $r$ 与 $s$:$r=s$ 表示法唯一,直接回代求出系数;$r<s$ 表示法不唯一,写出带任意常数的表示式。
已知 $\mathbf{\alpha}_1=[1,4,0,2]\T$,$\mathbf{\alpha}_2=[2,7,1,3]\T$,$\mathbf{\alpha}_3=[0,1,-1,a]\T$,$\mathbf{\beta}=[3,10,b,4]\T$。问 $a,b$ 取何值时:(1) $\mathbf{\beta}$ 不能由 $\mathbf{\alpha}_1,\mathbf{\alpha}_2,\mathbf{\alpha}_3$ 线性表示?(2) 能表示?并写出表示式。
对增广矩阵作初等行变换:
$$[\mathbf{A}\mid\mathbf{\beta}]=\begin{pmatrix}1&2&0&3\\ 4&7&1&10\\ 0&1&-1&b\\ 2&3&a&4\end{pmatrix}\longrightarrow\begin{pmatrix}1&2&0&3\\ 0&-1&1&-2\\ 0&0&a-1&0\\ 0&0&0&b-2\end{pmatrix}.$$
(1) 当 $b\neq2$ 时,$r(\mathbf{A})\neq r([\mathbf{A}\mid\mathbf{\beta}])$,方程组无解,$\mathbf{\beta}$ 不能表示(此时 $r([\mathbf{A}\mid\mathbf{\beta}])=r(\mathbf{A})+1$)。
(2) 当 $b=2$ 且 $a\neq1$ 时,$r(\mathbf{A})=r([\mathbf{A}\mid\mathbf{\beta}])=3$,解唯一:
$$\mathbf{x}=[-1,2,0]\T,\qquad \mathbf{\beta}=-\mathbf{\alpha}_1+2\mathbf{\alpha}_2.$$
当 $b=2$ 且 $a=1$ 时,$r(\mathbf{A})=r([\mathbf{A}\mid\mathbf{\beta}])=2<3$,解不唯一:
$$\mathbf{x}=k[-2,1,1]\T+[-1,2,0]\T,$$
即 $\mathbf{\beta}=-(2k+1)\mathbf{\alpha}_1+(k+2)\mathbf{\alpha}_2+k\mathbf{\alpha}_3$,$k$ 为任意常数。
抽象型:相关与无关的逻辑推理
识别特征:不给具体数字,只给“某组线性相关 / 另一组线性无关”,问某个向量能否被表示,或判断四个选项的正误。这类题考的是定理 1、2、6 的运用。
- 先明确已知里哪一组无关——无关组是最强的信息,可随时“取部分仍无关”(定理 6 逆否)。
- 再明确哪一组相关——相关必然给出一个不全为零的线性组合等于零。设出 $k_1\mathbf{\alpha}_1+\cdots+k_s\mathbf{\alpha}_s=\mathbf{0}$。
- 关键动作:论证相关组合里某个系数必不为零。常用反证——若该系数为零,则剩下的子组相关,与已知的无关矛盾。
- 把这个非零系数解出来,就得到“某向量可由其余表示”。要证不能表示时,改用反证法:设能表示,代入后导出与已知无关矛盾。
设向量组 $\mathbf{\alpha}_1,\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s$ 线性相关,而 $\mathbf{\alpha}_2,\mathbf{\alpha}_3,\cdots,\mathbf{\alpha}_s,\mathbf{\alpha}_{s+1}$ 线性无关。问:(1) $\mathbf{\alpha}_1$ 能否由 $\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s$ 线性表示?(2) $\mathbf{\alpha}_{s+1}$ 能否由 $\mathbf{\alpha}_1,\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s$ 线性表示?
(1) 能。由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 线性相关,存在不全为零的 $k_1,\cdots,k_s$ 使 $k_1\mathbf{\alpha}_1+\cdots+k_s\mathbf{\alpha}_s=\mathbf{0}$。若 $k_1=0$,则 $k_2,\cdots,k_s$ 不全为零且 $k_2\mathbf{\alpha}_2+\cdots+k_s\mathbf{\alpha}_s=\mathbf{0}$,即 $\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s$ 线性相关;由定理 6,$\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_{s+1}$ 也线性相关,与已知矛盾。故 $k_1\neq0$,于是
$$\mathbf{\alpha}_1=-\frac{k_2}{k_1}\mathbf{\alpha}_2-\cdots-\frac{k_s}{k_1}\mathbf{\alpha}_s,$$
即 $\mathbf{\alpha}_1$ 可由 $\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s$ 线性表示,且由定理 2,表示法唯一。
(2) 不能。反证。设 $\mathbf{\alpha}_{s+1}=\lambda_1\mathbf{\alpha}_1+\lambda_2\mathbf{\alpha}_2+\cdots+\lambda_s\mathbf{\alpha}_s$,把 (1) 中 $\mathbf{\alpha}_1$ 的表达式代入,得 $\mathbf{\alpha}_{s+1}$ 可由 $\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s$ 线性表示,于是 $\mathbf{\alpha}_2,\cdots,\mathbf{\alpha}_s,\mathbf{\alpha}_{s+1}$ 线性相关,与已知矛盾。
① 定理 2 的方向不能反用:“$\mathbf{\beta}$ 可由无关组表示”推不出“$\mathbf{\beta},\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_s$ 相关”以外的任何结论,更推不出“表示法唯一”之外的唯一性。
② 论证“某个系数不为零”是这类题的唯一突破口,漏掉这一步就等于没证。凡看到“相关 + 无关”同时出现,第一反应就应该是反证该系数为零。
结论速查
结论速查存在不全为零的 $k_i$ 使 $\sum k_i\mathbf{\alpha}_i=\mathbf{0}$;$\iff r<m$;$\iff$ 齐次方程组有非零解;$\iff$ 至少一个向量可由其余表示。含零向量、含成比例向量、向量个数超过维数 $\Rightarrow$ 必相关。
$\sum k_i\mathbf{\alpha}_i=\mathbf{0}$ 只有零解;$\iff r=m$;$\iff$ 齐次方程组只有零解;$\iff$ 任一向量都不能由其余表示。单个非零向量、两个不成比例的向量 $\Rightarrow$ 必无关。
- 判相关
- 按列拼矩阵,行变换求秩,$r<m$ 相关,$r=m$ 无关;方阵直接看 $|\mathbf{A}|$
- 求极大无关组
- 行变换化行阶梯,主元列对应原向量即为一组极大无关组,秩 = 非零行数
- $\mathbf{\beta}$ 能否表示
- $r(\mathbf{A})=r([\mathbf{A},\mathbf{\beta}])$ 能,否则不能;等于向量个数则唯一
- 等价向量组
- $r(\text{Ⅰ})=r(\text{Ⅱ})=r(\text{Ⅰ},\text{Ⅱ})$;秩相等只是必要条件
- 三秩相等
- $r(\mathbf{A})=$ 行秩 $=$ 列秩,向量组的秩就是矩阵的秩
- $r(\mathbf{AB})$
- $\leq\min\{r(\mathbf{A}),r(\mathbf{B})\}$;若 $\mathbf{AB}=\mathbf{0}$($\mathbf{A}$ 为 $n$ 阶)则 $r(\mathbf{A})+r(\mathbf{B})\leq n$
- 正交矩阵
- $\mathbf{A}\T\mathbf{A}=\mathbf{E}\iff\mathbf{A}\T=\mathbf{A}^{-1}\iff$ 行(列)向量组为规范正交基
把这一讲压缩成一句话:向量组的一切问题,都是“秩与个数比大小”的问题。判相关比 $r$ 与 $m$,判表示比 $r(\mathbf{A})$ 与 $r([\mathbf{A},\mathbf{\beta}])$,判等价比三个秩。下一讲方程组的解的判定($r(\mathbf{A})$ 与 $r(\overline{\mathbf{A}})$ 是否相等)就是这条主线的直接续写。
线性方程组
解的个数只由两个秩决定:$r(\mathbf{A})$ 与 $r(\overline{\mathbf{A}})$ 比一比,答案就出来了。
方程组与向量组是一回事
知识点一般的 $m$ 个方程、$n$ 个未知量的线性方程组写作
$$\begin{cases} a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1,\\ a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n=b_2,\\ \qquad\cdots\cdots\\ a_{m1}x_1+a_{m2}x_2+\cdots+a_{mn}x_n=b_m. \end{cases}$$由未知数系数组成的矩阵称为系数矩阵 $\mathbf{A}$,把常数列 $\mathbf{b}$ 添上去得到的矩阵称为增广矩阵 $\overline{\mathbf{A}}=[\mathbf{A}\mid\mathbf{b}]$。若把 $\mathbf{A}$ 按列分块,方程组就有三种等价写法:
$$\begin{aligned} \mathbf{A}\mathbf{x}=\mathbf{b} &\iff x_1\mathbf{\alpha}_1+\cdots+x_n\mathbf{\alpha}_n=\mathbf{\beta}\\ &\iff \mathbf{x}\ \text{是表示}\ \mathbf{\beta}\ \text{的组合系数}. \end{aligned}$$方程组问题就是向量组问题。$\mathbf{x}=[x_1,\cdots,x_n]\T$ 的每个分量 $x_j$,既是“$\mathbf{\beta}$ 由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n$ 线性表示时第 $j$ 个系数”,也是“第 $j$ 个未知数”。于是:
- 齐次 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的解 $\iff$ 使 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n$ 线性组合为零向量的系数;
- 非齐次 $\mathbf{A}\mathbf{x}=\mathbf{\beta}$ 的解 $\iff$$\mathbf{\beta}$ 由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n$ 线性表示的系数。
上一讲解决了“形式”,这一讲只做一件事:把这些系数具体算出来。用的工具始终是初等行变换——它不改变方程组的解,是同解变换。
$\overline{\mathbf{A}}$ 是在 $\mathbf{A}$ 右侧添一列 $\mathbf{b}$,不是添一行。写成 $\begin{pmatrix}\mathbf{A}\\ \mathbf{b}\T\end{pmatrix}$ 会改变秩,全盘皆错。判断有解必须用 $r(\mathbf{A})$ 与 $r(\overline{\mathbf{A}})$ 比,缺一不可。
齐次方程组:有解条件与解的性质
知识点齐次方程组 $\mathbf{A}_{m\times n}\mathbf{x}=\mathbf{0}$ 的向量形式是 $x_1\mathbf{\alpha}_1+\cdots+x_n\mathbf{\alpha}_n=\mathbf{0}$。它永远有零解,所以问题不是“有没有解”,而是“有没有非零解”。
设 $\mathbf{A}$ 是 $m\times n$ 矩阵,$r(\mathbf{A})=r$,则
- $r=n$(即 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n$ 线性无关)$\Rightarrow$ 只有唯一零解;
- $r<n$(即 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n$ 线性相关)$\Rightarrow$ 有非零解,且必为无穷多解,其中线性无关的解向量有 $n-r$ 个。
这里的 $n-r$ 有三个名字,指的是同一个数:自由变量的个数、基础解系所含向量的个数、(仅数学一)解空间的维数。它等于“未知数个数减去真实约束个数”。
为什么是 $n-r$:把 $\mathbf{A}$ 化成行阶梯形后,非零行有 $r$ 行,对应 $r$ 个“真约束”;每确定一个真约束就锁死一个未知数,剩下 $n-r$ 个未知数不受约束,可以自由取值——每自由一次,就得到一个线性无关的解向量。
解的性质(线性性)。若 $\mathbf{A}\mathbf{\xi}_1=\mathbf{0}$,$\mathbf{A}\mathbf{\xi}_2=\mathbf{0}$,则对任意常数 $k_1,k_2$ 有 $$\mathbf{A}(k_1\mathbf{\xi}_1+k_2\mathbf{\xi}_2)=\mathbf{0}.$$ 即齐次方程组的解的任意线性组合仍是解。所以它的全体解构成一个解空间,基础解系就是这个空间的基。
类消去律。设 $\mathbf{A}$ 是 $m\times n$ 矩阵,若 $r(\mathbf{A})=n$(列满秩),且 $\mathbf{AB}=\mathbf{AC}$,则 $\mathbf{B}=\mathbf{C}$。
证明只需一行:$\mathbf{A}(\mathbf{B}-\mathbf{C})=\mathbf{0}$。因 $r(\mathbf{A})=n$,$n-r(\mathbf{A})=0$,故 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 只有零解,于是 $\mathbf{B}-\mathbf{C}=\mathbf{0}$。
反过来,$r(\mathbf{A})<n$ 时不能消去,这正是矩阵乘法不满足消去律的根源。
① “有非零解”与“有无穷多解”在齐次情形是同一句话,但在非齐次情形完全不同,别混用。
② $r<n$ 只说明有非零解,与 $m$(方程个数)无关。方程个数多于未知数个数时也可能有非零解(多余方程是废话),$m>n$ 同样可能只有零解。
基础解系与通解结构
知识点设 $\mathbf{\xi}_1,\mathbf{\xi}_2,\cdots,\mathbf{\xi}_{n-r}$ 是齐次方程组 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的一组解,若满足:
① 它们是 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的解;② 它们线性无关;③ $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的任一解都可由它们线性表示,
则称 $\mathbf{\xi}_1,\cdots,\mathbf{\xi}_{n-r}$ 为 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的基础解系。
说人话:基础解系就是“解向量组的极大线性无关组”,是全部无穷多个解的一组“代表”。有了它,通解一句话写完:
$$\mathbf{x}=k_1\mathbf{\xi}_1+k_2\mathbf{\xi}_2+\cdots+k_{n-r}\mathbf{\xi}_{n-r},\qquad k_1,k_2,\cdots,k_{n-r}\ \text{为任意常数}.$$求基础解系的标准三步(背下来,照着做):
- 化行阶梯。对系数矩阵 $\mathbf{A}$ 只作初等行变换,化成行阶梯形(考试建议直接化到行最简形,回代更省事),数出非零行数即 $r(\mathbf{A})$。
- 定自由变量。按列找出一个秩为 $r$ 的子矩阵,主元所在的列对应非自由变量,其余列位置的未知数设为自由变量,共有 $n-r$ 个。
- 取特值凑解。令自由变量依次取“一个为 1、其余为 0”,回代求出非自由变量,每取一次得一个解向量,共得 $n-r$ 个,即为基础解系。
为什么这样取一定线性无关:自由变量位置上,这 $n-r$ 个向量构成单位矩阵($\mathbf{E}_{n-r}$),而单位矩阵列向量线性无关,故整体必线性无关;同时它们又都是解,且个数恰为 $n-r$,故构成基础解系。
① 自由变量的取值要保证这组向量不成比例,“全取 1”或“全取 0”都会导致线性相关,必须用“一个为 1、其余为 0”的方式。
② 基础解系不唯一(换一组自由变量就换一组解),但所含向量个数 $n-r$ 唯一。答题时写出任意一组正确的即可。
③ 全程只能作初等行变换。列变换会改变未知数的对应关系,做出来的“解”是错的。
求齐次方程组的通解
题型齐次方程组基础解系与通解
识别特征:给出具体的齐次方程组,要求“求通解”“求基础解系”,或给出基础解系反求参数。看到“齐次 + 求通解”,直接走三步法。
- 写出系数矩阵 $\mathbf{A}$(不写常数列),只作初等行变换化为行最简形。
- 数主元个数得 $r$,则基础解系含 $n-r$ 个向量;主元列以外的列为自由变量。
- 自由变量依次取“1 与 0”,回代求非自由变量,得到 $\mathbf{\xi}_1,\cdots,\mathbf{\xi}_{n-r}$。
- 写出 $\mathbf{x}=k_1\mathbf{\xi}_1+\cdots+k_{n-r}\mathbf{\xi}_{n-r}$,并注明 $k_i$ 为任意常数。
求齐次线性方程组 $$\begin{cases} x_1+x_2+2x_3-x_4=0,\\ 2x_1+3x_2+5x_3-2x_4=0,\\ x_1+2x_2+3x_3-x_4=0 \end{cases}$$ 的通解。
对系数矩阵作初等行变换: $$\mathbf{A}=\begin{pmatrix}1&1&2&-1\\ 2&3&5&-2\\ 1&2&3&-1\end{pmatrix} \longrightarrow\begin{pmatrix}1&1&2&-1\\ 0&1&1&0\\ 0&1&1&0\end{pmatrix} \longrightarrow\begin{pmatrix}1&0&1&-1\\ 0&1&1&0\\ 0&0&0&0\end{pmatrix}.$$ 非零行数为 $2$,故 $r(\mathbf{A})=2$,基础解系含 $n-r=4-2=2$ 个向量。主元在第 1、2 列,故 $x_1,x_2$ 为非自由变量,$x_3,x_4$ 为自由变量。由行最简形得 $$\begin{cases}x_1=-x_3+x_4,\\ x_2=-x_3.\end{cases}$$ 取 $x_3=1,x_4=0$,得 $\mathbf{\xi}_1=[-1,-1,1,0]\T$;取 $x_3=0,x_4=1$,得 $\mathbf{\xi}_2=[1,0,0,1]\T$。故通解为 $$\mathbf{x}=k_1\begin{pmatrix}-1\\-1\\1\\0\end{pmatrix}+k_2\begin{pmatrix}1\\0\\0\\1\end{pmatrix},\qquad k_1,k_2\ \text{为任意常数}.$$ 回验:两个向量代入原方程组均成立,且互不成比例,故线性无关,个数 $2=n-r$,确为基础解系。
自由变量的个数要写 $n-r(\mathbf{A})$,这里的 $n$ 是未知数个数,不是方程个数。上面这题 $m=3$、$n=4$,若误用 $m-r=1$ 就少了一个解向量。
非齐次方程组:解的判定与解的性质
知识点非齐次方程组 $\mathbf{A}_{m\times n}\mathbf{x}=\mathbf{\beta}$,其向量形式为 $x_1\mathbf{\alpha}_1+\cdots+x_n\mathbf{\alpha}_n=\mathbf{\beta}$。它不一定有解,于是判定的第一步永远是比较两个秩。
解的判定(必考,务必背成条件反射)。设 $r(\mathbf{A})=r$,$\overline{\mathbf{A}}=[\mathbf{A}\mid\mathbf{\beta}]$:
- $r(\mathbf{A})\neq r(\overline{\mathbf{A}})$:无解。此时必有 $r(\overline{\mathbf{A}})=r(\mathbf{A})+1$,即 $\mathbf{\beta}$ 不能被 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n$ 线性表示。
- $r(\mathbf{A})=r(\overline{\mathbf{A}})=n$:唯一解。即 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n$ 线性无关,而 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n,\mathbf{\beta}$ 线性相关。
- $r(\mathbf{A})=r(\overline{\mathbf{A}})=r<n$:无穷多解,且通解中含 $n-r$ 个任意常数。
口诀:先比两个秩,不等就无解;相等再看与 $n$ 的大小,等于 $n$ 唯一,小于 $n$ 无穷多。
可直接看 $|\mathbf{A}|$:$|\mathbf{A}|\neq0\Rightarrow$ 唯一解(克拉默法则适用);$|\mathbf{A}|=0\Rightarrow$ 无解或无穷多解,此时必须回到增广矩阵用秩判断。考试常先算行列式定出参数,再逐一代回排除。
$\mathbf{A}\mathbf{x}=\mathbf{0}$ 只有零解。若 $\mathbf{A}\mathbf{x}=\mathbf{\beta}$ 有解,则解必唯一。反之,“$\mathbf{A}\mathbf{x}=\mathbf{0}$ 只有零解”推不出“$\mathbf{A}\mathbf{x}=\mathbf{\beta}$ 有解”——$\mathbf{\beta}$ 可能不在列空间里。
解的性质(叠加原理)。设 $\mathbf{\eta}_1,\mathbf{\eta}_2$ 是 $\mathbf{A}\mathbf{x}=\mathbf{\beta}$ 的解,$\mathbf{\xi}$ 是 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的解,则
- $\mathbf{\eta}_1-\mathbf{\eta}_2$ 是 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的解:$\mathbf{A}(\mathbf{\eta}_1-\mathbf{\eta}_2)=\mathbf{\beta}-\mathbf{\beta}=\mathbf{0}$;
- $k\mathbf{\xi}+\mathbf{\eta}_1$ 是 $\mathbf{A}\mathbf{x}=\mathbf{\beta}$ 的解:$\mathbf{A}(k\mathbf{\xi}+\mathbf{\eta}_1)=\mathbf{0}+\mathbf{\beta}=\mathbf{\beta}$;
- 更一般地,$k_1\mathbf{\eta}_1+k_2\mathbf{\eta}_2$ 是 $\mathbf{A}\mathbf{x}=\mathbf{\beta}$ 的解 $\iff k_1+k_2=1$。
通解结构(本讲核心公式)。若 $\mathbf{A}\mathbf{x}=\mathbf{\beta}$ 有解,$\mathbf{\xi}_1,\cdots,\mathbf{\xi}_{n-r}$ 是导出组 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的基础解系,$\mathbf{\eta}^*$ 是 $\mathbf{A}\mathbf{x}=\mathbf{\beta}$ 的某一个特解,则
$$\mathbf{x}=k_1\mathbf{\xi}_1+k_2\mathbf{\xi}_2+\cdots+k_{n-r}\mathbf{\xi}_{n-r}+\mathbf{\eta}^*,\qquad k_1,\cdots,k_{n-r}\ \text{为任意常数}.$$一句话:非齐次通解 = 齐次通解 + 非齐次的一个特解。几何上就是“把解空间的基点平移到 $\mathbf{\eta}^*$”。
① 特解只要一个,取哪个都行;但求特解时令自由变量全为 0 最省事,非自由变量则由方程直接解出。
② 通解里的 $k$ 必须注明“任意常数”,且不能漏掉特解——只写齐次通解是最常见的丢分点。
③ “$\mathbf{A}\mathbf{x}=\mathbf{\beta}$ 有无穷多解” $\Rightarrow$$\mathbf{A}\mathbf{x}=\mathbf{0}$ 有非零解(因为 $r<n$),但反向不成立:齐次有非零解时非齐次可能无解。
求非齐次方程组的通解
题型非齐次方程组求解
识别特征:给出具体的非齐次方程组,要求“求通解”或“用导出组的基础解系表示通解”。这是本讲最高频的计算题。
- 写出增广矩阵 $\overline{\mathbf{A}}=[\mathbf{A}\mid\mathbf{\beta}]$,只作初等行变换化为行最简形。
- 比较 $r(\mathbf{A})$ 与 $r(\overline{\mathbf{A}})$,先确认有解(若不等,直接答“无解”)。
- 把 $\mathbf{\beta}$ 那一列暂时抹掉,对剩下的 $\mathbf{A}$ 部分按题型 1 的三步法求导出组的基础解系 $\mathbf{\xi}_1,\cdots,\mathbf{\xi}_{n-r}$。
- 求特解:令所有自由变量为 $0$,回代解出非自由变量,得 $\mathbf{\eta}^*$。
- 写出 $\mathbf{x}=k_1\mathbf{\xi}_1+\cdots+k_{n-r}\mathbf{\xi}_{n-r}+\mathbf{\eta}^*$。
求非齐次线性方程组 $$\begin{cases} x_1+x_2+x_4=1,\\ 2x_1+x_2+x_3+3x_4=4,\\ x_1+2x_2-x_3+2x_4=3 \end{cases}$$ 的通解。
对增广矩阵作初等行变换:
$$\overline{\mathbf{A}}=\begin{pmatrix}1&1&0&1&1\\ 2&1&1&3&4\\ 1&2&-1&2&3\end{pmatrix}
\longrightarrow\begin{pmatrix}1&0&1&0&-1\\ 0&1&-1&0&0\\ 0&0&0&1&2\end{pmatrix}.$$
非零行数为 $3$,故 $r(\mathbf{A})=r(\overline{\mathbf{A}})=3<n=4$,方程组有无穷多解,通解含 $n-r=1$ 个任意常数。主元在第 1、2、4 列,故 $x_3$ 为自由变量,且
$$\begin{cases}x_1=-1-x_3,\\ x_2=x_3,\\ x_4=2.\end{cases}$$
导出组基础解系:令 $x_3=1$,得 $\mathbf{\xi}_1=[-1,1,1,0]\T$。
特解:令自由变量 $x_3=0$,得 $\mathbf{\eta}^*=[-1,0,0,2]\T$。
故通解为
$$\mathbf{x}=k\begin{pmatrix}-1\\1\\1\\0\end{pmatrix}+\begin{pmatrix}-1\\0\\0\\2\end{pmatrix},\qquad k\ \text{为任意常数}.$$
回验:$k=0$ 时得特解,代入第一式 $-1+0+0+2=1$ 成立;$\mathbf{\xi}_1$ 代入导出组三个方程均得 $0$。
求基础解系时要用导出组(右端置零)的方程,但求特解时要用原方程。两者的区别就在 $\mathbf{\beta}$ 那一列取不取零,做题时把它圈出来提醒自己。
含参数方程组的解的讨论
题型带参数的方程组讨论
识别特征:方程组中出现字母参数,问“$a$ 取何值时有唯一解 / 无穷多解 / 无解”,或“已知有两个不同的解,求参数”。
- 若系数矩阵是方阵,先算行列式 $|\mathbf{A}|$。$|\mathbf{A}|\neq0$ 时唯一解(克拉默法则);$|\mathbf{A}|=0$ 解出参数的临界值。
- 对每个临界值,把参数代回增广矩阵,作初等行变换,比较 $r(\mathbf{A})$ 与 $r(\overline{\mathbf{A}})$ 定出无解还是无穷多解。
- 无穷多解时继续求基础解系与特解,写出通解。
- 若题目说“有两个不同的解”,等价于“有无穷多解”,即 $r(\mathbf{A})=r(\overline{\mathbf{A}})<n$,且 $|\mathbf{A}|=0$——两个条件一起用,先由 $|\mathbf{A}|=0$ 缩小范围,再用秩相等排除。
讨论 $\lambda$ 取何值时,方程组 $$\begin{cases}\lambda x_1+x_2+x_3=1,\\ x_1+\lambda x_2+x_3=1,\\ x_1+x_2+\lambda x_3=1\end{cases}$$ 有唯一解、无穷多解、无解,并在有解时求出解。
系数行列式 $$|\mathbf{A}|=\begin{vmatrix}\lambda&1&1\\ 1&\lambda&1\\ 1&1&\lambda\end{vmatrix}=(\lambda-1)^2(\lambda+2).$$ (1) 唯一解:$\lambda\neq1$ 且 $\lambda\neq-2$。此时由对称性可得 $$x_1=x_2=x_3=\frac{1}{\lambda+2},\qquad \text{即}\ \mathbf{x}=\frac{1}{\lambda+2}[1,1,1]\T.$$ (2) $\lambda=1$:三个方程都退化为 $x_1+x_2+x_3=1$,故 $r(\mathbf{A})=r(\overline{\mathbf{A}})=1<3$,有无穷多解, $$\mathbf{x}=k_1\begin{pmatrix}-1\\1\\0\end{pmatrix}+k_2\begin{pmatrix}-1\\0\\1\end{pmatrix}+\begin{pmatrix}1\\0\\0\end{pmatrix}.$$ (3) $\lambda=-2$:此时 $|\mathbf{A}|=0$。对增广矩阵作初等行变换: $$\overline{\mathbf{A}}=\begin{pmatrix}-2&1&1&1\\ 1&-2&1&1\\ 1&1&-2&1\end{pmatrix} \longrightarrow\begin{pmatrix}1&1&-2&1\\ 0&1&-1&0\\ 0&0&0&3\end{pmatrix},$$ 出现 $0=3$ 的矛盾行,故 $r(\mathbf{A})=2\neq r(\overline{\mathbf{A}})=3$,方程组无解。
① $|\mathbf{A}|=0$ 只说明“不是唯一解”,无解与无穷多解都落在这一支,必须再比秩,不能直接判定为无穷多解。
② 参数出现在系数里会除零,写作 $\dfrac{1}{\lambda+2}$ 时必须同时注明 $\lambda\neq-2$。
公共解与同解方程组
题型两个方程组的公共解
识别特征:同时给出两个方程组(Ⅰ)(Ⅱ),问它们的“公共解”或“同解”。公共解是同时满足两个方程组的解。
- 把两个方程组的系数矩阵(及右端项)上下摞在一起,得到联立方程组 $\begin{pmatrix}\mathbf{A}\\ \mathbf{B}\end{pmatrix}\mathbf{x}=\mathbf{0}$(非齐次则右端也摞)。
- 对这个“高矩阵”作初等行变换化为行最简形。
- 按题型 1 的三步法求它的基础解系,即为公共解。
- 若两边都给了基础解系,也可令 $k_1\mathbf{\xi}_1+\cdots+k_s\mathbf{\xi}_s=l_1\mathbf{\eta}_1+\cdots+l_t\mathbf{\eta}_t$,解出系数关系再回代。
设方程组 $$(\text{Ⅰ})\ \begin{cases}x_1+x_2-x_4=0,\\ x_2-x_3=0;\end{cases}\qquad (\text{Ⅱ})\ \begin{cases}x_1+x_3-x_4=0,\\ x_2+x_3=0.\end{cases}$$ 求(Ⅰ)与(Ⅱ)的公共解。
把两个系数矩阵摞起来作初等行变换: $$\begin{pmatrix}\mathbf{A}\\ \mathbf{B}\end{pmatrix}=\begin{pmatrix}1&1&0&-1\\ 0&1&-1&0\\ 1&0&1&-1\\ 0&1&1&0\end{pmatrix} \longrightarrow\begin{pmatrix}1&0&0&-1\\ 0&1&0&0\\ 0&0&1&0\\ 0&0&0&0\end{pmatrix}.$$ 故公共解满足 $x_1-x_4=0$,$x_2=0$,$x_3=0$,即 $$\mathbf{x}=k[1,0,0,1]\T,\qquad k\ \text{为任意常数}.$$ 回验:$[1,0,0,1]\T$ 代入(Ⅰ):$1+0-1=0$,$0-0=0$ ✓;代入(Ⅱ):$1+0-1=0$,$0+0=0$ ✓。
同解方程组。若两个方程组有完全相同的解集,则称它们同解。等价判据有三条,任取其一即可:
- $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的解都满足 $\mathbf{B}\mathbf{x}=\mathbf{0}$,且 $\mathbf{B}\mathbf{x}=\mathbf{0}$ 的解都满足 $\mathbf{A}\mathbf{x}=\mathbf{0}$;
- $r(\mathbf{A})=r(\mathbf{B})$,且 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的解满足 $\mathbf{B}\mathbf{x}=\mathbf{0}$(单方向即可);
- $r(\mathbf{A})=r(\mathbf{B})=r\begin{pmatrix}\mathbf{A}\\ \mathbf{B}\end{pmatrix}$(三秩相同)——最好用,直接算三个秩即可。
证明“同解”最常用的套路,就是证三秩相同;而证秩相等又常回到向量组:$\mathbf{B}$ 的行向量组可由 $\mathbf{A}$ 的行向量组线性表示。
① 齐次方程组必有零公共解,所以问“公共解”时实际要求的是非零公共解;若联立后只有零解,应回答“只有零解,无非零公共解”。
② $\mathbf{A}\mathbf{x}=\mathbf{0}$ 与 $\mathbf{A}\T\mathbf{A}\mathbf{x}=\mathbf{0}$ 一定同解(且 $r(\mathbf{A})=r(\mathbf{A}\T\mathbf{A})$),但 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 与 $\mathbf{A}\mathbf{A}\T\mathbf{x}=\mathbf{0}$ 不一定同解,别想当然。
结论速查
结论速查| 方程组 | 条件 | 结论 |
|---|---|---|
| 齐次 $\mathbf{A}\mathbf{x}=\mathbf{0}$ | $r(\mathbf{A})=n$ | 只有零解 |
| $r(\mathbf{A})=r<n$ | 有非零解(无穷多解),基础解系含 $n-r$ 个向量 | |
| 非齐次 $\mathbf{A}\mathbf{x}=\mathbf{\beta}$ | $r(\mathbf{A})\neq r(\overline{\mathbf{A}})$ | 无解 |
| $r(\mathbf{A})=r(\overline{\mathbf{A}})=n$ | 唯一解 | |
| $r(\mathbf{A})=r(\overline{\mathbf{A}})=r<n$ | 无穷多解,通解含 $n-r$ 个任意常数 |
- 解向量个数
- $s=n-r(\mathbf{A})$,$n$ 是未知数个数,不是方程个数
- 齐次通解
- $\mathbf{x}=k_1\mathbf{\xi}_1+\cdots+k_{n-r}\mathbf{\xi}_{n-r}$
- 非齐次通解
- $\mathbf{x}=k_1\mathbf{\xi}_1+\cdots+k_{n-r}\mathbf{\xi}_{n-r}+\mathbf{\eta}^*$(齐次通解 + 一个特解)
- 叠加原理
- 两解之差是齐次解;$k_1\mathbf{\eta}_1+k_2\mathbf{\eta}_2$ 是非齐次解 $\iff k_1+k_2=1$
- 特解怎么取
- 令全部自由变量为 $0$,回代求非自由变量,最省事
- 公共解
- 两系数矩阵上下摞起来,求联立方程组的基础解系
- 同解判据
- $r(\mathbf{A})=r(\mathbf{B})=r\begin{pmatrix}\mathbf{A}\\ \mathbf{B}\end{pmatrix}$(三秩相同)
- 类消去律
- $r(\mathbf{A})=n$ 且 $\mathbf{AB}=\mathbf{AC}\Rightarrow\mathbf{B}=\mathbf{C}$
把两讲串起来看:第 3 讲说“$\mathbf{\beta}$ 能否由 $\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n$ 表示 $\iff r(\mathbf{A})=r(\overline{\mathbf{A}})$”,第 4 讲说“能表示时,系数怎么算”——两者是同一句话的两半。而 $n-r(\mathbf{A})$ 既是基础解系的个数,也是解空间的维数,还是“$\mathbf{\alpha}_1,\cdots,\mathbf{\alpha}_n$ 中有几个是多余的”。秩,始终是全书唯一的主角。
特征值与特征向量
找「只伸缩、不转向」的方向,再把矩阵搬到对角形上去。
特征值与特征向量的定义与求法
知识点设 $\mathbf{A}$ 是 $n$ 阶矩阵,$\lambda$ 是一个数,若存在 $n$ 维非零列向量 $\xi$,使得 $$\mathbf{A}\xi=\lambda\xi ,$$ 则称 $\lambda$ 是 $\mathbf{A}$ 的特征值,$\xi$ 是 $\mathbf{A}$ 的对应于特征值 $\lambda$ 的特征向量。
这个等式的意思是:$\mathbf{A}$ 作用在 $\xi$ 上,方向没变,长度按 $\lambda$ 倍伸缩。换句话说,特征值刻画的是矩阵在某个特定方向上「只放缩、不转向」的效果,这个倍数就是 $\lambda$。本书用 $\mathbf{E}$ 表示单位矩阵(即通常记作 $\mathbf{I}$ 的那个矩阵)。
特征方程:从定义推出求法
把 $\mathbf{A}\xi=\lambda\xi$ 移项,得 $(\lambda\mathbf{E}-\mathbf{A})\xi=\mathbf{0}$。这是一个 $n$ 个未知数、$n$ 个方程的齐次线性方程组,而且题目要求 $\xi\neq\mathbf{0}$,所以它必须有非零解。齐次方程组有非零解的充要条件是系数行列式为零,于是
$$|\lambda\mathbf{E}-\mathbf{A}|=0 .$$这个方程称为 $\mathbf{A}$ 的特征方程,左端 $|\lambda\mathbf{E}-\mathbf{A}|$ 称为特征多项式,$\lambda\mathbf{E}-\mathbf{A}$ 称为特征矩阵。它是 $\lambda$ 的 $n$ 次方程,在复数范围内恰有 $n$ 个根(重根按重数计),所以 $n$ 阶矩阵有 $n$ 个特征值。求特征值时通常用 $|\lambda\mathbf{E}-\mathbf{A}|=0$,写成 $|\mathbf{A}-\lambda\mathbf{E}|=0$ 也行,两者只差 $(-1)^n$ 倍,根完全一样。
上三角矩阵、下三角矩阵、对角矩阵的特征值就是它们的主对角线元素。
求 $\lambda$ 之后,$\lambda$ 对应的全部特征向量是齐次方程组 $(\lambda\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$ 的全部非零解,其线性无关解的最大个数为 $n-\rr(\lambda\mathbf{E}-\mathbf{A})$。
求特征值与特征向量的标准流程
- 算特征多项式 $|\lambda\mathbf{E}-\mathbf{A}|$,用行列式的性质(某行加到另一行、提公因子)把它化成 $(\lambda-\lambda_1)^{k_1}(\lambda-\lambda_2)^{k_2}\cdots$ 的乘积形式,解出全部特征值。
- 对每一个特征值 $\lambda_i$,写出 $(\lambda_i\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$,用初等行变换化成阶梯形,求出基础解系 $\xi_1,\dots,\xi_{n-r_i}$,其中 $r_i=\rr(\lambda_i\mathbf{E}-\mathbf{A})$。
- 写出全部特征向量 $k_1\xi_1+\cdots+k_{n-r_i}\xi_{n-r_i}$。系数必须说明:单根时 $k\neq0$;重根时各系数不全为零。漏掉这个限制是最常见的丢分点。
特征向量按定义不能是零向量,所以写答案时 $k\neq0$ 不能省。另外,$\lambda_i$ 是 $k$ 重根时,它对应的线性无关特征向量最多 $k$ 个,但求的时候仍要把 $(\lambda_i\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$ 的全部基础解系都写出来,不能只写一个。
求 $\mathbf{A}=\begin{pmatrix}2&2&-2\\2&5&-4\\-2&-4&5\end{pmatrix}$ 的特征值与特征向量。
由特征方程
$$|\lambda\mathbf{E}-\mathbf{A}|=\begin{vmatrix}\lambda-2&-2&2\\-2&\lambda-5&4\\2&4&\lambda-5\end{vmatrix}=(\lambda-1)^2(\lambda-10)=0 ,$$得 $\lambda_1=\lambda_2=1$,$\lambda_3=10$。
当 $\lambda=1$ 时,$(\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$ 的系数矩阵三行成比例,秩为 $1$,基础解系为 $\xi_1=(-2,1,0)\T$,$\xi_2=(2,0,1)\T$,全部特征向量为 $k_1\xi_1+k_2\xi_2$($k_1,k_2$ 不全为零)。
当 $\lambda=10$ 时,$(10\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$ 的秩为 $2$,基础解系为 $\xi_3=(1,2,-2)\T$,全部特征向量为 $k_3\xi_3$($k_3\neq0$)。
上题不必硬展开行列式:注意 $\mathbf{A}-\mathbf{E}=\begin{pmatrix}1&2&-2\\2&4&-4\\-2&-4&4\end{pmatrix}=\begin{pmatrix}1\\2\\-2\end{pmatrix}(1,2,-2)$,是秩 $1$ 矩阵,其特征值为 $\tr=9$ 与 $0,0$,故 $\mathbf{A}=(\mathbf{A}-\mathbf{E})+\mathbf{E}$ 的特征值为 $10,1,1$。凡矩阵能拆成「秩 $1$ 矩阵 $+$ 单位矩阵的倍数」,都先做这一步。
- 常数项为 $0$
- 则 $\lambda=0$ 是一个根
- 系数和为零
- 各项系数相加 $=0$,则 $\lambda=1$ 是一个根
- 偶次项系数和 $=$ 奇次项系数和
- 则 $\lambda=-1$ 是一个根
- 有理根
- 整系数多项式的有理根一定是整数,且是常数项的因子,只需试常数项的因子
- 试出一个根后
- 用带余除法降为二次式,再用求根公式或十字相乘
特征值、特征向量的性质与重要结论
知识点特征值的性质
(1) $\lambda_0$ 是 $\mathbf{A}$ 的特征值 $\iff$ $|\lambda_0\mathbf{E}-\mathbf{A}|=0$;$\lambda_0$ 不是 $\mathbf{A}$ 的特征值 $\iff$ $|\lambda_0\mathbf{E}-\mathbf{A}|\neq0$,即 $\lambda_0\mathbf{E}-\mathbf{A}$ 可逆、满秩。这一条是「已知特征值反求参数」的全部依据。
(2) 设 $\lambda_1,\lambda_2,\dots,\lambda_n$ 是 $\mathbf{A}$ 的 $n$ 个特征值,则
$$\sum_{i=1}^{n}\lambda_i=\tr(\mathbf{A}),\qquad \prod_{i=1}^{n}\lambda_i=|\mathbf{A}| .$$由此立得:$\mathbf{A}$ 不可逆 $\iff$ $|\mathbf{A}|=0$ $\iff$ 至少有一个特征值为零。
(3) 更一般地,$\mathbf{A}$ 的$k$ 阶主子式之和等于任意 $k$ 个特征值乘积之和。所谓 $k$ 阶主子式,指取相同的行标与列标 $i_1<i_2<\cdots<i_k$ 所成的行列式。
| 阶数 $k$ | $\mathbf{A}$ 的 $k$ 阶主子式之和 | 等于 |
|---|---|---|
| 1 阶 | $a_{11}+a_{22}+\cdots+a_{nn}$ | $\sum_{i=1}^{n}\lambda_i$ |
| 2 阶 | $\begin{vmatrix}a_{11}&a_{12}\\a_{21}&a_{22}\end{vmatrix}+\begin{vmatrix}a_{11}&a_{13}\\a_{31}&a_{33}\end{vmatrix}+\begin{vmatrix}a_{22}&a_{23}\\a_{32}&a_{33}\end{vmatrix}$ | $\sum_{i<j}\lambda_i\lambda_j$ |
| $n$ 阶 | $|\mathbf{A}|$ | $\prod_{i=1}^{n}\lambda_i$ |
以 3 阶矩阵为例,把 $|\lambda\mathbf{E}-\mathbf{A}|$ 完全拆开,就得到特征多项式的展开式
$$|\lambda\mathbf{E}-\mathbf{A}|=\lambda^3-(a_{11}+a_{22}+a_{33})\lambda^2+(D_1+D_2+D_3)\lambda-|\mathbf{A}| ,$$其中 $D_1,D_2,D_3$ 是 $\mathbf{A}$ 的三个 $2$ 阶主子式。与 $|\lambda\mathbf{E}-\mathbf{A}|=(\lambda-\lambda_1)(\lambda-\lambda_2)(\lambda-\lambda_3)$ 逐项比较,正好得到上面表格里 $k=1,2,3$ 的三条结论。这个「比较系数」的视角要记住:特征值的一切和式、积式结论,本质都是韦达定理。
特征向量的性质
(1) $\xi$ 是 $\mathbf{A}$ 的属于 $\lambda$ 的特征向量 $\iff$ $\xi$ 是 $(\lambda\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$ 的非零解。
(2) 属于同一特征值 $\lambda$ 的特征向量的非零线性组合,仍是 $\lambda$ 的特征向量:若 $\mathbf{A}\xi_1=\lambda\xi_1$,$\mathbf{A}\xi_2=\lambda\xi_2$,则 $\mathbf{A}(k_1\xi_1+k_2\xi_2)=\lambda(k_1\xi_1+k_2\xi_2)$。所以「全部特征向量」可以写成基础解系的线性组合。
(3) 属于不同特征值的特征向量线性无关。只证两个的情形:设 $\mathbf{A}\xi_1=\lambda_1\xi_1$,$\mathbf{A}\xi_2=\lambda_2\xi_2$,$\lambda_1\neq\lambda_2$,若 $k_1\xi_1+k_2\xi_2=\mathbf{0}$,两边左乘 $\mathbf{A}$ 得 $k_1\lambda_1\xi_1+k_2\lambda_2\xi_2=\mathbf{0}$;再把这式与首式乘以 $\lambda_2$ 后相减,得 $k_1(\lambda_1-\lambda_2)\xi_1=\mathbf{0}$。因 $\lambda_1\neq\lambda_2$ 且 $\xi_1\neq\mathbf{0}$,故 $k_1=0$,代回得 $k_2=0$。
(4) 若 $\xi_1,\xi_2$ 分别属于不同的特征值 $\lambda_1,\lambda_2$,则当 $k_1\neq0$、$k_2\neq0$ 时,$k_1\xi_1+k_2\xi_2$ 不是 $\mathbf{A}$ 的任何特征值的特征向量。几何上很好理解:$\xi_1$ 被拉长 $\lambda_1$ 倍,$\xi_2$ 被拉长 $\lambda_2$ 倍,两个方向的比例不同,合向量既不在 $\xi_1$ 所在直线上,也不在 $\xi_2$ 所在直线上。
(5) 一个特征向量不能属于两个不同的特征值:特征值与特征向量是「专属配对」的。
(6) 若 $f(x)$ 是多项式,矩阵 $\mathbf{A}$ 满足 $f(\mathbf{A})=\mathbf{O}$,则 $\mathbf{A}$ 的任一特征值都满足 $f(\lambda)=0$。注意这只是特征值的约束,不是特征方程——它不能反过来定出全部特征值,也不能保证反过来成立。
「$k$ 重特征值对应 $k$ 个线性无关的特征向量」是可对角化时的结论,不是永远成立。一般情形只有上界:线性无关的特征向量个数 $=n-\rr(\lambda\mathbf{E}-\mathbf{A})\le k$。判断能否对角化,就是判断这个上界能否取到。
常用矩阵的特征值与特征向量
结论速查已知 $\mathbf{A}\xi=\lambda\xi$($\xi\neq\mathbf{0}$),下列矩阵的特征值与特征向量可以立刻写出,做题时几乎每题都要用。
| 矩阵 | $\mathbf{A}$ | $k\mathbf{A}$ | $\mathbf{A}^{k}$ | $f(\mathbf{A})$ | $\mathbf{A}^{-1}$ | $\mathbf{A}^{*}$ | $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}$ |
|---|---|---|---|---|---|---|---|
| 特征值 | $\lambda$ | $k\lambda$ | $\lambda^{k}$ | $f(\lambda)$ | $\dfrac{1}{\lambda}$ | $\dfrac{|\mathbf{A}|}{\lambda}$ | $\lambda$ |
| 对应的特征向量 | $\xi$ | $\xi$ | $\xi$ | $\xi$ | $\xi$ | $\xi$ | $\mathbf{P}^{-1}\xi$ |
表中用到分母的两列($\mathbf{A}^{-1}$、$\mathbf{A}^{*}$)要求 $\lambda\neq0$,即 $\mathbf{A}$ 可逆。$f(\mathbf{A})$ 指矩阵多项式:若 $f(x)=a_0+a_1x+\cdots+a_nx^n$,则 $f(\mathbf{A})=a_0\mathbf{E}+a_1\mathbf{A}+\cdots+a_n\mathbf{A}^{n}$。
若 $\rr(\mathbf{A})=1$,则存在非零列向量 $\alpha,\beta$ 使 $\mathbf{A}=\alpha\beta\T$(这也是 $\rr(\mathbf{A})=1$ 的充要条件)。此时
$$\mathbf{A}=\alpha\beta\T,\qquad \lambda_1=\lambda_2=\cdots=\lambda_{n-1}=0,\qquad \lambda_n=\beta\T\alpha=\tr(\mathbf{A})=\sum_{i=1}^{n}a_{ii} .$$即「$n-1$ 个零特征值 $+$ 一个迹」。0 对应的线性无关特征向量有 $n-1$ 个(即 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 的基础解系)。
于是当 $\tr(\mathbf{A})=\beta\T\alpha\neq0$ 时,$n-1$ 个零特征值恰好配上 $n-1$ 个线性无关特征向量,$\mathbf{A}$ 可相似对角化,且 $\mathbf{A}\sim\diag(\tr(\mathbf{A}),0,\dots,0)$。若 $\tr(\mathbf{A})=0$,则 $\mathbf{A}$ 的特征值全为零而 $\rr(\mathbf{A})=1$,由 $\mathbf{A}^{2}=(\beta\T\alpha)\mathbf{A}=\mathbf{O}$ 知它不可对角化(如 $\begin{pmatrix}0&1\\0&0\end{pmatrix}$)。
$\mathbf{A}\T$ 与 $\mathbf{A}$ 的特征值相同(因为 $|\lambda\mathbf{E}-\mathbf{A}\T|=|\lambda\mathbf{E}-\mathbf{A}|$),但特征向量一般不同:$(\lambda\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$ 与 $(\lambda\mathbf{E}-\mathbf{A}\T)\mathbf{x}=\mathbf{0}$ 是两个不同的方程组,必须分别求。同理,$\mathbf{A}^{*}$ 的特征向量与 $\mathbf{A}$ 相同($\mathbf{A}$ 可逆时),但 $\mathbf{A}^{-1}$ 的特征向量也与 $\mathbf{A}$ 相同——这两条只有转置是例外。
矩阵的相似:定义、性质与重要结论
知识点设 $\mathbf{A},\mathbf{B}$ 是两个 $n$ 阶方阵,若存在 $n$ 阶可逆矩阵 $\mathbf{P}$,使得 $$\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\mathbf{B},$$ 则称 $\mathbf{A}$ 相似于 $\mathbf{B}$,记作 $\mathbf{A}\sim\mathbf{B}$。
把定义和「等价」对照着看最清楚:等价是存在可逆 $\mathbf{P},\mathbf{Q}$ 使 $\mathbf{P}\mathbf{A}\mathbf{Q}=\mathbf{B}$,左右两个矩阵互不相干,只保住秩;相似则要求左右恰好互为逆矩阵,条件严格得多,因此能保住特征值这一整套信息。
相似关系满足三条基本性质:反身性 $\mathbf{A}\sim\mathbf{A}$;对称性 $\mathbf{A}\sim\mathbf{B}\Rightarrow\mathbf{B}\sim\mathbf{A}$;传递性 $\mathbf{A}\sim\mathbf{B},\ \mathbf{B}\sim\mathbf{C}\Rightarrow\mathbf{A}\sim\mathbf{C}$。传递性在考研里最常用:要证 $\mathbf{A}\sim\mathbf{B}$,只要证二者各自与同一个对角矩阵相似。
相似能推出什么(必要条件)
若 $\mathbf{A}\sim\mathbf{B}$,则
| 不变量 | 理由 |
|---|---|
| $|\mathbf{A}|=|\mathbf{B}|$ | $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\mathbf{B}$ 两边取行列式 |
| $\rr(\mathbf{A})=\rr(\mathbf{B})$ | 左乘、右乘可逆矩阵不改变秩 |
| $\tr(\mathbf{A})=\tr(\mathbf{B})$ | 特征值相同,而迹等于特征值之和 |
| $|\lambda\mathbf{E}-\mathbf{A}|=|\lambda\mathbf{E}-\mathbf{B}|$,从而特征值相同 | $|\lambda\mathbf{E}-\mathbf{B}|=|\mathbf{P}^{-1}(\lambda\mathbf{E}-\mathbf{A})\mathbf{P}|=|\lambda\mathbf{E}-\mathbf{A}|$ |
| $\rr(\lambda\mathbf{E}-\mathbf{A})=\rr(\lambda\mathbf{E}-\mathbf{B})$ | $\lambda\mathbf{E}-\mathbf{A}\sim\lambda\mathbf{E}-\mathbf{B}$,故秩相同 |
| 各阶主子式之和分别相等 | 特征值相同,由韦达定理即得 |
这六条都只是必要条件:不满足一定不相似,满足也未必相似。选择题里判「不相似」用它们排除最快,但判「相似」必须再用传递性、或验证可对角化。唯一的例外是:当 $\mathbf{A},\mathbf{B}$ 都是实对称矩阵时,$\mathbf{A}\sim\mathbf{B}\iff$ 二者特征值相同。
相似的重要结论
若 $\mathbf{A}\sim\mathbf{B}$(即存在可逆 $\mathbf{P}$ 使 $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\mathbf{B}$),则
- $\mathbf{A}^{k}\sim\mathbf{B}^{k}$,且 $f(\mathbf{A})\sim f(\mathbf{B})$;更精确地,$\mathbf{P}^{-1}f(\mathbf{A})\mathbf{P}=f(\mathbf{B})$,即相似的手段始终是同一个 $\mathbf{P}$。
- 若 $\mathbf{A}$ 可逆,则 $\mathbf{A}^{-1}\sim\mathbf{B}^{-1}$,且 $\mathbf{P}^{-1}\mathbf{A}^{-1}\mathbf{P}=\mathbf{B}^{-1}$。
- $\mathbf{A}^{*}\sim\mathbf{B}^{*}$(两边取伴随)。
- $\mathbf{A}\T\sim\mathbf{B}\T$(两边取转置,此时相似手段变成 $(\mathbf{P}\T)^{-1}$)。
- 若还已知 $\mathbf{A}\sim\mathbf{C}$、$\mathbf{B}\sim\mathbf{D}$,则 $\begin{pmatrix}\mathbf{A}&\mathbf{O}\\\mathbf{O}&\mathbf{B}\end{pmatrix}\sim\begin{pmatrix}\mathbf{C}&\mathbf{O}\\\mathbf{O}&\mathbf{D}\end{pmatrix}$(分块对角可各自处理)。
由第一条可知,形如 $a\mathbf{A}^{2}+b\mathbf{A}+c\mathbf{A}^{*}+d\mathbf{A}^{-1}$ 的矩阵多项式,相似关系自动保持,因为 $f(\mathbf{A})$ 与 $f(\mathbf{B})$ 用的是同一个相似手段。
可相似对角化的条件与步骤
知识点设 $\mathbf{A}$ 为 $n$ 阶矩阵,若存在 $n$ 阶可逆矩阵 $\mathbf{P}$,使得 $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\Lambda$,其中 $\Lambda$ 是对角矩阵,则称 $\mathbf{A}$ 可相似对角化,$\Lambda$ 称为 $\mathbf{A}$ 的相似标准形。
这个定义的来历要弄清楚。由 $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\Lambda$ 得 $\mathbf{A}\mathbf{P}=\mathbf{P}\Lambda$。把 $\mathbf{P}$ 按列分块写成 $\mathbf{P}=[\xi_1,\xi_2,\dots,\xi_n]$,$\Lambda=\diag(\lambda_1,\lambda_2,\dots,\lambda_n)$,则
$$\mathbf{A}[\xi_1,\xi_2,\dots,\xi_n]=[\xi_1,\xi_2,\dots,\xi_n]\begin{pmatrix}\lambda_1&&&\\&\lambda_2&&\\&&\ddots&\\&&&\lambda_n\end{pmatrix} =[\lambda_1\xi_1,\lambda_2\xi_2,\dots,\lambda_n\xi_n],$$比较两边的列即得 $\mathbf{A}\xi_i=\lambda_i\xi_i$($i=1,2,\dots,n$)。所以:$\mathbf{P}$ 的每一列都必须是 $\mathbf{A}$ 的特征向量,$\Lambda$ 对角线上的数是对应的特征值,而且位置必须一一对应。$\mathbf{P}$ 可逆 $\iff$ $\xi_1,\dots,\xi_n$ 线性无关,于是立刻得到判据。
① $\mathbf{A}$ 可相似对角化 $\iff$ $\mathbf{A}$ 有 $n$ 个线性无关的特征向量。
② $\mathbf{A}$ 可相似对角化 $\iff$ 对 $\mathbf{A}$ 的每个 $k$ 重特征值 $\lambda$,都有 $k$ 个线性无关的特征向量,即 $\rr(\lambda\mathbf{E}-\mathbf{A})=n-k$。
③ $\mathbf{A}$ 有 $n$ 个互不相同的特征值 $\Rightarrow$ $\mathbf{A}$ 可相似对角化(单根必给一个无关特征向量)。
④ $\mathbf{A}$ 是实对称矩阵 $\Rightarrow$ $\mathbf{A}$ 可相似对角化,而且可以用正交矩阵对角化(见 5.6)。
②是判断的唯一可操作判据:单根不用查,只查重根。$n-\rr(\lambda\mathbf{E}-\mathbf{A})$ 就是属于 $\lambda$ 的线性无关特征向量的个数,让它等于重数 $k$,等价于 $\rr(\lambda\mathbf{E}-\mathbf{A})=n-k$。这一条同时也是「已知可对角化反求参数」的方程来源。
求可逆矩阵 $\mathbf{P}$ 使 $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\Lambda$
- 求 $\mathbf{A}$ 的全部特征值 $\lambda_1,\dots,\lambda_n$。
- 对每个特征值求基础解系,得到 $n$ 个线性无关的特征向量 $\xi_1,\dots,\xi_n$(重根必须凑够重数那么多个)。
- 令 $\mathbf{P}=[\xi_1,\dots,\xi_n]$,则 $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\Lambda=\diag(\lambda_1,\dots,\lambda_n)$。$\mathbf{P}$ 的列顺序要和 $\Lambda$ 对角元的顺序一致。
反求 $\mathbf{A}$:由 $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\Lambda$ 得 $\mathbf{A}=\mathbf{P}\Lambda\mathbf{P}^{-1}$。若题目给的是 $\mathbf{A}\alpha_i=\lambda_i\alpha_i$,先把它们拼成矩阵形式 $\mathbf{A}[\alpha_1,\dots,\alpha_n]=[\alpha_1,\dots,\alpha_n]\Lambda$,再右乘可逆矩阵的逆。
求 $\mathbf{A}^{n}$ 与 $f(\mathbf{A})$:
$$\mathbf{A}^{n}=\mathbf{P}\Lambda^{n}\mathbf{P}^{-1},\qquad f(\mathbf{A})=\mathbf{P}f(\Lambda)\mathbf{P}^{-1}=\mathbf{P}\begin{pmatrix}f(\lambda_1)&&\\&\ddots&\\&&f(\lambda_n)\end{pmatrix}\mathbf{P}^{-1} .$$这是「求高次幂」的标准套路:不能对角化时基本考不出来。
$\mathbf{P}$ 不唯一(特征向量可以乘任意非零倍数、同组内可任意换基),$\Lambda$ 中特征值的次序也可随意调换,但$\mathbf{P}$ 的第 $i$ 列必须对应 $\Lambda$ 的第 $i$ 个对角元。写答案时若把 $\lambda_1$ 对应的特征向量放到第 2 列,$\Lambda$ 的第 2 个对角元就必须是 $\lambda_1$,否则整题作废。
实对称矩阵的相似对角化
知识点实对称矩阵的三条性质
(1) 实对称矩阵的特征值都是实数,特征向量可以取实向量。
(2) 实对称矩阵属于不同特征值的特征向量相互正交。证明只用一行:设 $\mathbf{A}\xi_1=\lambda_1\xi_1$,$\mathbf{A}\xi_2=\lambda_2\xi_2$,$\mathbf{A}\T=\mathbf{A}$,$\lambda_1\neq\lambda_2$,则
$$\lambda_1\xi_2\T\xi_1=(\mathbf{A}\xi_2)\T\xi_1=\xi_2\T\mathbf{A}\T\xi_1=\xi_2\T\mathbf{A}\xi_1=\lambda_2\xi_2\T\xi_1 ,$$移项得 $(\lambda_1-\lambda_2)\xi_2\T\xi_1=0$,因 $\lambda_1\neq\lambda_2$,故 $\xi_2\T\xi_1=0$,即 $\xi_1\perp\xi_2$。
注意正交比线性无关更强:正交一定线性无关,线性无关不一定正交。普通矩阵的同特征值特征向量只能保证线性无关,实对称矩阵则升级成正交——这正是它一定能用正交矩阵对角化的原因。
(3) 对任意 $n$ 阶实对称矩阵 $\mathbf{A}$,必存在 $n$ 阶正交矩阵 $\mathbf{Q}$,使得
$$\mathbf{Q}^{-1}\mathbf{A}\mathbf{Q}=\mathbf{Q}\T\mathbf{A}\mathbf{Q}=\Lambda=\diag(\lambda_1,\lambda_2,\dots,\lambda_n),$$其中 $\lambda_1,\dots,\lambda_n$ 是 $\mathbf{A}$ 的全部特征值。$\mathbf{Q}$ 由规范正交基组成,即 $\mathbf{Q}\T\mathbf{Q}=\mathbf{E}$,$\mathbf{Q}^{-1}=\mathbf{Q}\T$。
对实对称矩阵,「合同」与「相似」在取 $\mathbf{Q}$ 为正交矩阵时是同一件事:$\mathbf{Q}\T\mathbf{A}\mathbf{Q}=\mathbf{Q}^{-1}\mathbf{A}\mathbf{Q}$。所以实对称矩阵在正交变换下既保特征值,又保正负惯性指数——第 6 讲的正交变换法正是靠这条。
反过来,非实对称矩阵不可能用正交矩阵对角化:若 $\mathbf{Q}\T\mathbf{A}\mathbf{Q}=\Lambda$,则 $\mathbf{A}=\mathbf{Q}\Lambda\mathbf{Q}\T$,转置得 $\mathbf{A}\T=\mathbf{Q}\Lambda\mathbf{Q}\T=\mathbf{A}$,与 $\mathbf{A}\T\neq\mathbf{A}$ 矛盾。
用正交矩阵对角化的标准步骤
- 求 $\mathbf{A}$ 的全部特征值 $\lambda_1,\dots,\lambda_n$。
- 对每个特征值求 $(\lambda_i\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$ 的基础解系。
- 若某个特征值对应两个以上线性无关的特征向量,用施密特正交化把它们正交化;不同特征值对应的特征向量已经正交,不必处理。
- 把所得向量全部单位化,得 $\eta_1,\dots,\eta_n$。
- 令 $\mathbf{Q}=[\eta_1,\eta_2,\dots,\eta_n]$,则 $\mathbf{Q}$ 为正交矩阵,且 $\mathbf{Q}\T\mathbf{A}\mathbf{Q}=\Lambda=\diag(\lambda_1,\dots,\lambda_n)$。
施密特正交化公式($\alpha_1,\alpha_2,\alpha_3$ 线性无关但不正交):
$$\beta_1=\alpha_1,\qquad \beta_2=\alpha_2-\frac{(\beta_1,\alpha_2)}{(\beta_1,\beta_1)}\beta_1,\qquad \beta_3=\alpha_3-\frac{(\beta_1,\alpha_3)}{(\beta_1,\beta_1)}\beta_1-\frac{(\beta_2,\alpha_3)}{(\beta_2,\beta_2)}\beta_2 .$$只有同一特征值对应的线性无关特征向量才需要(也才可以)正交化。若把不同特征值对应的特征向量也拿去施密特正交化,得到的 $\beta_3$ 是 $\alpha_1,\alpha_2,\alpha_3$ 的混合,不再是任何特征值的特征向量,$[\beta_1,\beta_2,\beta_3]\T\mathbf{A}[\beta_1,\beta_2,\beta_3]$ 也就不再是对角矩阵了。
题型汇总(一):求特征值、判定相似、判定可对角化
题型求具体矩阵的特征值与特征向量
识别特征:题干给出一个 2 阶或 3 阶数值矩阵,直接问特征值、特征向量;或给出「$\lambda_0$ 是特征值」的等价说法(某矩阵不可逆、某行列式为零)反求参数。考研中矩阵若无规律基本只考 2 阶,有规律(秩 1、三角、可拆成 $k\mathbf{E}+\mathbf{B}$)才考 $n$ 阶。
- 写 $|\lambda\mathbf{E}-\mathbf{A}|$,先用行列式性质(某行加到另一行、某列加到另一列)把某行或某列化出两个零,再按该行(列)展开,提公因子化成乘积形式。
- 解特征方程得 $\lambda_1,\dots,\lambda_n$,注意重数。
- 对每个 $\lambda_i$ 解 $(\lambda_i\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$,化阶梯形求基础解系。重根时基础解系个数应为 $n-\rr(\lambda_i\mathbf{E}-\mathbf{A})$,可据此自查。
- 写出全部特征向量,系数注明「不全为零」或「$\neq0$」。
求 $\mathbf{A}=\begin{pmatrix}1&2&2\\2&1&2\\2&2&1\end{pmatrix}$ 的特征值与特征向量。
先观察结构:$\mathbf{A}=2\mathbf{J}-\mathbf{E}$,其中 $\mathbf{J}$ 是元素全为 $1$ 的矩阵,$\rr(\mathbf{J})=1$,故 $\mathbf{J}$ 的特征值为 $3,0,0$,从而 $\mathbf{A}$ 的特征值为 $2\cdot3-1=5$ 与 $2\cdot0-1=-1$(二重)。
当 $\lambda=5$ 时,解 $(5\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$ 得 $\xi_1=(1,1,1)\T$,全部特征向量为 $k_1\xi_1$($k_1\neq0$)。
当 $\lambda=-1$ 时,$\mathbf{A}+\mathbf{E}=2\mathbf{J}$ 秩为 $1$,同解方程为 $x_1+x_2+x_3=0$,基础解系 $\xi_2=(-1,1,0)\T$,$\xi_3=(-1,0,1)\T$,全部特征向量为 $k_2\xi_2+k_3\xi_3$($k_2,k_3$ 不全为零)。
判断两个矩阵是否相似、由相似反求参数
识别特征:「下列矩阵中与 $\mathbf{A}$ 相似的是()」的选择题;或「已知 $\mathbf{A}\sim\mathbf{B}$,求 $a,b$」的填空题。前者靠必要条件排除,后者靠迹与行列式建方程。
- 排除法(选择题首选):逐个比 $\rr(\mathbf{A})$、$|\mathbf{A}|$、$\tr(\mathbf{A})$、特征值。选项通常是「每项各错一个不变量」,比对一遍就只剩一个。
- 验证法:若两矩阵都能相似对角化,且对角矩阵相同(特征值及重数相同),则由传递性二者相似。验证时还要检查重根对应的 $\rr(\lambda\mathbf{E}-\mathbf{A})$ 是否相同。
- 反求参数:用 $\tr(\mathbf{A})=\tr(\mathbf{B})$ 与 $|\mathbf{A}|=|\mathbf{B}|$ 联立,一般恰好两个方程、两个未知量。
设 $\mathbf{W}=\begin{pmatrix}1&1&1\\2&2&2\\3&3&3\end{pmatrix}$,判断 $\mathbf{W}$ 与下列哪个矩阵相似:
(A) $\diag(6,0,0)$ (B) $\diag(1,2,3)$ (C) $\diag(2,2,2)$ (D) $\diag(6,3,-3)$
$\rr(\mathbf{W})=1$,故 $\mathbf{W}$ 的特征值为 $\tr(\mathbf{W})=6$ 与 $0,0$;且 $\rr(0\mathbf{E}-\mathbf{W})=\rr(\mathbf{W})=1$,属于 $0$ 的线性无关特征向量有 $3-1=2$ 个,正好等于重数,所以 $\mathbf{W}$ 可对角化,$\mathbf{W}\sim\diag(6,0,0)$,选 (A)。
排除过程:(B) 的特征值为 $1,2,3$,与 $\mathbf{W}$ 不同,排除;(C) $\tr=6$ 相同但特征值为 $2,2,2$,排除;(D) $\tr=6$ 相同、但特征值为 $6,3,-3$,不是 $6,0,0$,排除。可见「迹相同」远不足以判定相似。
判断矩阵能否相似对角化(含反求参数)
识别特征:「下列矩阵中不能相似于对角矩阵的是()」;「$\mathbf{A}$ 能否相似对角化,说明理由」;「已知 $\mathbf{A}$ 能相似于对角矩阵,求 $a$」。这是本讲出现频率最高的题型。
- 先看是否实对称——是则一定能,直接下结论。
- 再看特征值是否互不相同——是则一定能。
- 对重根 $\lambda$($k$ 重),算 $\rr(\lambda\mathbf{E}-\mathbf{A})$:若 $=n-k$,能对角化;若 $>n-k$,不能。这一步是判定的落脚点。
- 已知可对角化反求参数:令 $\rr(\lambda_i\mathbf{E}-\mathbf{A})=n-k_i$,化为「某行成比例」的条件解出参数。
设 $\mathbf{A}=\begin{pmatrix}2&a&1\\0&3&0\\3&-6&0\end{pmatrix}$ 能相似于对角矩阵,求 $a$。
$|\lambda\mathbf{E}-\mathbf{A}|=(\lambda-3)^2(\lambda+1)=0$,得 $\lambda_1=\lambda_2=3$,$\lambda_3=-1$。单根不用查,只需 $\lambda=3$ 这个二重根给出 $3-2=1$ 个线性无关特征向量,即 $\rr(3\mathbf{E}-\mathbf{A})=1$。
$$3\mathbf{E}-\mathbf{A}=\begin{pmatrix}1&-a&-1\\0&0&0\\-3&6&3\end{pmatrix},$$第二行已全为零,要秩为 $1$ 必须第一、三两行成比例:$(-3,6,3)=-3\cdot(1,-a,-1)$,比较中间分量得 $6=3a$,即 $a=2$。此时第三行恰为第一行的 $-3$ 倍,秩确为 $1$,故 $a=2$。
题型汇总(二):反求矩阵、求高次幂、正交对角化
题型由特征值特征向量反求 $\mathbf{A}$,或由对角化求 $\mathbf{A}^{n}$、$f(\mathbf{A})$
识别特征:给出 $\mathbf{A}\alpha_i=\lambda_i\alpha_i$ 的一组条件求 $\mathbf{A}$;或「$\mathbf{A}\sim\Lambda$,求 $\mathbf{A}^{100}$」「求 $f(\mathbf{A})$」。核心都是 $\mathbf{A}=\mathbf{P}\Lambda\mathbf{P}^{-1}$ 与 $\mathbf{A}^{n}=\mathbf{P}\Lambda^{n}\mathbf{P}^{-1}$。
- 把条件拼成矩阵形式 $\mathbf{A}[\alpha_1,\dots,\alpha_n]=[\alpha_1,\dots,\alpha_n]\Lambda$,其中 $\Lambda$ 的第 $i$ 个对角元是 $\alpha_i$ 对应的特征值。若条件是「$\mathbf{A}\alpha_i$ 用 $\alpha_1,\dots,\alpha_n$ 表示」,则坐标直接排成矩阵 $\mathbf{B}$,有 $\mathbf{A}[\alpha_1,\dots,\alpha_n]=[\alpha_1,\dots,\alpha_n]\mathbf{B}$。
- 验证 $\mathbf{P}=[\alpha_1,\dots,\alpha_n]$ 可逆(题目说线性无关即可)。若不可逆,说明 $\mathbf{A}$ 不是实对称矩阵且特征向量给漏了,需另找。
- $\mathbf{A}=\mathbf{P}\Lambda\mathbf{P}^{-1}$,或 $\mathbf{A}^{n}=\mathbf{P}\Lambda^{n}\mathbf{P}^{-1}$。计算时先求 $\mathbf{P}^{-1}$,再算 $\mathbf{P}\Lambda^{n}\mathbf{P}^{-1}$,比先乘 $\mathbf{P}\Lambda^{n}$ 更省力。
- 若求 $f(\mathbf{A})$,把 $\Lambda$ 换成 $f(\Lambda)=\diag(f(\lambda_1),\dots,f(\lambda_n))$ 即可;若 $f(\lambda_i)$ 全相等,则 $f(\mathbf{A})=f(\lambda)\mathbf{E}$,直接出结果。
设 $\mathbf{A}$ 是 3 阶矩阵,已知 $\mathbf{A}\eta_i=i\eta_i$($i=1,2,3$),其中 $\eta_1=(1,0,0)\T$,$\eta_2=(1,1,0)\T$,$\eta_3=(1,1,1)\T$,求 $\mathbf{A}$。
三个特征值 $1,2,3$ 互异,对应的特征向量 $\eta_1,\eta_2,\eta_3$ 线性无关,故 $\mathbf{A}\sim\Lambda=\diag(1,2,3)$,且 $\mathbf{P}=[\eta_1,\eta_2,\eta_3]=\begin{pmatrix}1&1&1\\0&1&1\\0&0&1\end{pmatrix}$,$\mathbf{P}^{-1}=\begin{pmatrix}1&-1&0\\0&1&-1\\0&0&1\end{pmatrix}$。
于是 $\mathbf{A}=\mathbf{P}\Lambda\mathbf{P}^{-1}=\begin{pmatrix}1&2&3\\0&2&3\\0&0&3\end{pmatrix}\begin{pmatrix}1&-1&0\\0&1&-1\\0&0&1\end{pmatrix}=\begin{pmatrix}1&1&1\\0&2&1\\0&0&3\end{pmatrix}$。
用正交变换(正交矩阵)化实对称矩阵为对角矩阵
识别特征:「求正交矩阵 $\mathbf{Q}$,使 $\mathbf{Q}\T\mathbf{A}\mathbf{Q}$ 为对角矩阵」;「已知 $\mathbf{Q}$ 的第 1 列为某向量,求参数 $a$ 并求 $\mathbf{Q}$」。既可能出现在第 5 讲,也可能以「用正交变换化二次型为标准形」的形式出现在第 6 讲,是同一个套路。
- 确认 $\mathbf{A}\T=\mathbf{A}$,求得全部特征值。
- 求每个特征值的基础解系。重根的那一组要做施密特正交化,不同特征值之间的向量自动正交。
- 全部单位化得 $\eta_1,\dots,\eta_n$,令 $\mathbf{Q}=[\eta_1,\dots,\eta_n]$,则 $\mathbf{Q}\T\mathbf{A}\mathbf{Q}=\diag(\lambda_1,\dots,\lambda_n)$。
- 若题目给了 $\mathbf{Q}$ 的某一列 $\mathbf{q}$,先由 $\mathbf{A}\mathbf{q}=\lambda\mathbf{q}$ 比较分量反求参数,再按上述步骤求其余列。
设 $\mathbf{A}=\begin{pmatrix}0&-1&4\\-1&3&a\\4&a&0\end{pmatrix}$,正交矩阵 $\mathbf{Q}$ 使 $\mathbf{Q}\T\mathbf{A}\mathbf{Q}$ 为对角矩阵。若 $\mathbf{Q}$ 的第 1 列为 $\dfrac{1}{\sqrt6}(1,2,1)\T$,求 $a$ 与 $\mathbf{Q}$。
$\mathbf{Q}$ 的第 1 列必是 $\mathbf{A}$ 的单位特征向量。设特征值为 $\lambda$,由 $\mathbf{A}(1,2,1)\T=\lambda(1,2,1)\T$ 得 $(2,\ 5+a,\ 4+2a)\T=(\lambda,2\lambda,\lambda)\T$,故 $\lambda=2$,$5+a=4$,$4+2a=2$,解得 $a=-1$,$\lambda=2$。
此时 $\mathbf{A}=\begin{pmatrix}0&-1&4\\-1&3&-1\\4&-1&0\end{pmatrix}$,$|\lambda\mathbf{E}-\mathbf{A}|=(\lambda-2)(\lambda-5)(\lambda+4)$,特征值为 $2,5,-4$。$\lambda=5$ 的特征向量取 $(1,-1,1)\T$;$\lambda=-4$ 的特征向量取 $(-1,0,1)\T$。三者已两两正交(实对称矩阵不同特征值必然正交),只需单位化:
$$\mathbf{Q}=\begin{pmatrix}\dfrac{1}{\sqrt6}&\dfrac{1}{\sqrt3}&-\dfrac{1}{\sqrt2}\\[6pt]\dfrac{2}{\sqrt6}&-\dfrac{1}{\sqrt3}&0\\[6pt]\dfrac{1}{\sqrt6}&\dfrac{1}{\sqrt3}&\dfrac{1}{\sqrt2}\end{pmatrix},\qquad \mathbf{Q}\T\mathbf{A}\mathbf{Q}=\diag(2,5,-4).$$结论速查
结论速查- 定义
- $\mathbf{A}\xi=\lambda\xi$,$\xi\neq\mathbf{0}$
- 求法
- $|\lambda\mathbf{E}-\mathbf{A}|=0$ 求 $\lambda$,再解 $(\lambda\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$
- 之和
- $\sum_{i=1}^{n}\lambda_i=\tr(\mathbf{A})$
- 之积
- $\prod_{i=1}^{n}\lambda_i=|\mathbf{A}|$
- $k$ 阶
- $k$ 阶主子式之和 $=$ 任意 $k$ 个特征值乘积之和
- 非零个数
- 若 $\mathbf{A}$ 可对角化,非零特征值的个数(按重数计)$=\rr(\mathbf{A})$;一般情形只能保证 $\rr(\mathbf{A})\ge$ 非零特征值个数(如 $\begin{pmatrix}0&1\\0&0\end{pmatrix}$ 秩为 $1$ 但特征值全为 $0$)
- 三角 / 对角
- 特征值就是主对角线元素
- 个数
- 属于 $\lambda$ 的线性无关特征向量有 $n-\rr(\lambda\mathbf{E}-\mathbf{A})$ 个
- 重根
- $k$ 重特征值至多 $k$ 个线性无关特征向量
- 不同特征值
- 特征向量线性无关;实对称时还相互正交
- 同特征值
- 非零线性组合仍是该特征值的特征向量
- 不同特征值的和
- $k_1\xi_1+k_2\xi_2$($k_1k_2\neq0$)不是任何特征值的特征向量
- 零向量
- 不是特征向量;但零向量是 $(\lambda\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$ 的解
- $\mathbf{A}\sim\mathbf{B}$ $\Rightarrow$ $|\mathbf{A}|$、$\rr(\mathbf{A})$、$\tr(\mathbf{A})$、特征多项式、$\rr(\lambda\mathbf{E}-\mathbf{A})$、各阶主子式之和全相同;反之不成立。
- $\mathbf{A}\sim\mathbf{B}$ $\Rightarrow$ $\mathbf{A}^{k}\sim\mathbf{B}^{k}$,$f(\mathbf{A})\sim f(\mathbf{B})$,$\mathbf{A}^{-1}\sim\mathbf{B}^{-1}$,$\mathbf{A}^{*}\sim\mathbf{B}^{*}$,$\mathbf{A}\T\sim\mathbf{B}\T$。
- $\mathbf{A}$ 可相似对角化 $\iff$ 有 $n$ 个线性无关特征向量 $\iff$ 每个 $k$ 重特征值满足 $\rr(\lambda\mathbf{E}-\mathbf{A})=n-k$。
- $n$ 个互异特征值 $\Rightarrow$ 可对角化;实对称矩阵 $\Rightarrow$ 可对角化(且可用正交矩阵)。
- $\mathbf{A}=\mathbf{P}\Lambda\mathbf{P}^{-1}$,$\mathbf{A}^{n}=\mathbf{P}\Lambda^{n}\mathbf{P}^{-1}$,$f(\mathbf{A})=\mathbf{P}f(\Lambda)\mathbf{P}^{-1}$。
- 实对称矩阵:$\mathbf{Q}\T\mathbf{A}\mathbf{Q}=\mathbf{Q}^{-1}\mathbf{A}\mathbf{Q}=\Lambda$,$\mathbf{Q}$ 的列是规范正交特征向量组。
二次型
把二次齐次式写成 $\mathbf{x}\T\mathbf{A}\mathbf{x}$,再换坐标把它压成平方和。
二次型的定义与矩阵表示
知识点$n$ 元变量 $x_1,x_2,\dots,x_n$ 的二次齐次多项式
$$f(x_1,x_2,\dots,x_n)=a_{11}x_1^2+2a_{12}x_1x_2+\cdots+2a_{1n}x_1x_n +a_{22}x_2^2+\cdots+2a_{2n}x_2x_n+\cdots+a_{nn}x_n^2$$称为 $n$ 元二次型,简称二次型。考研只研究系数 $a_{ij}\in\mathbb{R}$ 的情形,故称实二次型。
注意写法的约定:平方项 $x_i^2$ 的系数直接记作 $a_{ii}$,交叉项 $x_ix_j$ 的系数写成 $2a_{ij}$($i\neq j$),那个 $2$ 是故意提出来的。因为 $x_ix_j=x_jx_i$,可以令 $a_{ij}=a_{ji}$,于是 $2a_{ij}x_ix_j=a_{ij}x_ix_j+a_{ji}x_jx_i$,整个式子就能写成二重和
$$f(x_1,\dots,x_n)=\sum_{i=1}^{n}\sum_{j=1}^{n}a_{ij}x_ix_j ,$$把 $x_ix_j$ 的系数平均分给 $a_{ij}$ 与 $a_{ji}$ 两个位置。这样得到的矩阵天然满足 $a_{ij}=a_{ji}$,即 $\mathbf{A}\T=\mathbf{A}$。
任何二次型都可唯一地写成矩阵形式
$$f(\mathbf{x})=\mathbf{x}\T\mathbf{A}\mathbf{x},\qquad \mathbf{A}\T=\mathbf{A},$$其中 $\mathbf{A}=(a_{ij})_{n\times n}$ 称为二次型 $f$ 的矩阵,$\mathbf{A}$ 的秩称为二次型 $f$ 的秩。行向量 $\times$ 方阵 $\times$ 列向量 $=$ 一个数,所以 $f(\mathbf{x})$ 是一个标量。
为什么必须规定用对称矩阵
同一个二次型可以有多种矩阵写法。例如三元二次型 $f=x_1^2+x_2^2+x_3^2+4x_1x_2$,交叉项系数 $4$ 可以拆成「$1$ 与 $3$」,也可以拆成「$2$ 与 $2$」:写成 $\begin{pmatrix}1&1&0\\3&1&0\\0&0&1\end{pmatrix}$ 与 $\begin{pmatrix}1&2&0\\2&1&0\\0&0&1\end{pmatrix}$ 都能乘出同一个 $f$。矩阵不唯一,研究起来就无从下手。
于是立一条「规矩」:交叉项系数一律平分给 $a_{ij}$ 与 $a_{ji}$。这样矩阵必然对称,而对称矩阵的 $n^2$ 个元素被 $a_{ij}=a_{ji}$ 约束掉一半,自由度恰好等于二次型独立系数的个数,表示就唯一了。只有对称矩阵才是二次型的矩阵——这句话本身就是考点:若题目给一个非对称矩阵 $\mathbf{B}$,则 $\mathbf{x}\T\mathbf{B}\mathbf{x}$ 仍是二次型,但 $\mathbf{B}$ 不是它的矩阵,真正的矩阵是 $\dfrac{\mathbf{B}+\mathbf{B}\T}{2}$。
由二次型写矩阵:对号入座
| 二次型中的项 | 矩阵中的位置 |
|---|---|
| 平方项 $a_{ii}x_i^2$ 的系数 $a_{ii}$ | 主对角线元素 $a_{ii}$ |
| 交叉项 $2a_{ij}x_ix_j$ 的系数的一半,即 $a_{ij}$ | $a_{ij}$ 与 $a_{ji}$ 两处都写 $a_{ij}$ |
| 缺失的项 | 对应位置写 $0$ |
写出三元二次型 $f(x_1,x_2,x_3)=2x_1^2+2x_2^2+2x_3^2-2x_1x_2-2x_1x_3+2x_2x_3$ 的矩阵 $\mathbf{A}$。
平方项系数都是 $2$,故 $a_{11}=a_{22}=a_{33}=2$。交叉项 $x_1x_2$ 的系数是 $-2$,平分得 $a_{12}=a_{21}=-1$;$x_1x_3$ 系数 $-2$,得 $a_{13}=a_{31}=-1$;$x_2x_3$ 系数 $2$,得 $a_{23}=a_{32}=1$。所以
$$\mathbf{A}=\begin{pmatrix}2&-1&-1\\-1&2&1\\-1&1&2\end{pmatrix},\qquad f=\mathbf{x}\T\mathbf{A}\mathbf{x}.$$验算:$\mathbf{x}\T\mathbf{A}\mathbf{x}$ 中 $x_1^2$ 的系数是 $a_{11}=2$ ✓;$x_1x_2$ 的系数是 $a_{12}+a_{21}=-2$ ✓。
写矩阵时最常见的是把交叉项系数原样填进 $a_{ij}$。记住口诀:平方项系数直接上对角线,交叉项系数除以 2 再上两侧。反过来,读矩阵还原二次型时,$a_{ij}$($i\neq j$)要乘 $2$ 才是 $x_ix_j$ 的系数。这一对换算错一个,后面的秩、惯性指数、正定性全部错。
线性变换、合同与二次型的秩
知识点对 $n$ 元二次型 $f(x_1,\dots,x_n)$,若令
$$\begin{pmatrix}x_1\\x_2\\\vdots\\x_n\end{pmatrix} =\begin{pmatrix}c_{11}&c_{12}&\cdots&c_{1n}\\c_{21}&c_{22}&\cdots&c_{2n}\\\vdots&\vdots&&\vdots\\c_{n1}&c_{n2}&\cdots&c_{nn}\end{pmatrix} \begin{pmatrix}y_1\\y_2\\\vdots\\y_n\end{pmatrix},$$即 $\mathbf{x}=\mathbf{C}\mathbf{y}$,其中每个 $x_i$ 都是 $y_1,\dots,y_n$ 的一次齐次式(只有加法和数乘),则称此为线性变换。若系数矩阵 $\mathbf{C}$ 可逆($|\mathbf{C}|\neq0$),则称为可逆线性变换。
把 $\mathbf{x}=\mathbf{C}\mathbf{y}$ 代进 $f(\mathbf{x})=\mathbf{x}\T\mathbf{A}\mathbf{x}$,用穿脱原则 $(\mathbf{C}\mathbf{y})\T=\mathbf{y}\T\mathbf{C}\T$ 打开:
$$f(\mathbf{x})=\mathbf{x}\T\mathbf{A}\mathbf{x}=(\mathbf{C}\mathbf{y})\T\mathbf{A}(\mathbf{C}\mathbf{y})=\mathbf{y}\T(\mathbf{C}\T\mathbf{A}\mathbf{C})\mathbf{y}=\mathbf{y}\T\mathbf{B}\mathbf{y}=g(\mathbf{y}),$$其中 $\mathbf{B}=\mathbf{C}\T\mathbf{A}\mathbf{C}$。也就是说:二次型经过线性变换,矩阵从 $\mathbf{A}$ 变成了 $\mathbf{C}\T\mathbf{A}\mathbf{C}$。这个变化方式值得单独起个名字。
设 $\mathbf{A},\mathbf{B}$ 为 $n$ 阶矩阵,若存在可逆矩阵 $\mathbf{C}$,使得
$$\mathbf{C}\T\mathbf{A}\mathbf{C}=\mathbf{B},$$则称 $\mathbf{A}$ 与 $\mathbf{B}$ 合同,记作 $\mathbf{A}\simeq\mathbf{B}$,并称对应的二次型 $f$ 与 $g$ 为合同二次型。
三种关系放在一起看,区别一目了然:
| 关系 | 定义式 | 保持不变的东西 | 典型用途 |
|---|---|---|---|
| 等价 | $\mathbf{P}\mathbf{A}\mathbf{Q}=\mathbf{B}$($\mathbf{P},\mathbf{Q}$ 可逆,互不相干) | 秩 | 初等变换化标准形 |
| 相似 | $\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\mathbf{B}$ | 特征值、行列式、迹、秩 | 相似对角化、求 $f(\mathbf{A})$ |
| 合同 | $\mathbf{C}\T\mathbf{A}\mathbf{C}=\mathbf{B}$($\mathbf{C}$ 可逆) | 秩、正负惯性指数 | 二次型化标准形 |
- 合同是等价关系:满足反身性、对称性、传递性。
- 合同 $\Rightarrow$ 等价(因为 $\mathbf{C}\T$ 与 $\mathbf{C}$ 都可逆),故 $\rr(\mathbf{A})=\rr(\mathbf{B})$。可逆线性变换不改变二次型的秩。
- $\mathbf{A}\T=\mathbf{A}$ 时,$\mathbf{B}\T=(\mathbf{C}\T\mathbf{A}\mathbf{C})\T=\mathbf{C}\T\mathbf{A}\T\mathbf{C}=\mathbf{C}\T\mathbf{A}\mathbf{C}=\mathbf{B}$,即与对称矩阵合同的矩阵必对称。所以二次型换了坐标之后,仍然是二次型。
- 若 $\mathbf{Q}$ 是正交矩阵,则 $\mathbf{Q}\T=\mathbf{Q}^{-1}$,此时 $\mathbf{C}\T\mathbf{A}\mathbf{C}=\mathbf{C}^{-1}\mathbf{A}\mathbf{C}$,即合同与相似是一回事。这是正交变换法的理论依据。
几何上怎么理解合同?$\mathbf{A}$ 与 $\mathbf{B}$ 合同,说的是同一个二次型在两个坐标系下的两种「形态」:同一个 $f$,在 $\mathbf{x}$ 坐标系下长得「正」,在 $\mathbf{y}$ 坐标系下长得「歪」。一般可逆变换会让图形扭斜,但不会改变图形的类型(封闭曲面仍是封闭曲面);正交变换连形状都不改,只是把坐标轴转了一下。所以合同关系刻画的是「同一个二次型换了坐标系」,而不是「两个不同的二次型」。
标准形与规范形:配方法与正交变换法
知识点二次型最「好看」的形态,是只剩平方项、没有交叉项。
若二次型中只含平方项,不含交叉项,即形如
$$d_1x_1^2+d_2x_2^2+\cdots+d_nx_n^2 ,$$则称为标准形(对角线形)。若标准形中系数 $d_i$ 的取值只允许是 $1,-1,0$,即
$$x_1^2+\cdots+x_p^2-x_{k+1}^2-\cdots-x_{k+q}^2\quad(k=p+q\le n),$$则称为规范形。
既含平方项又含交叉项的称为一般形;只含交叉项、没有平方项的也归入一般形。
标准形一般不唯一(配方次序不同、变换不同,对角元就不同),但规范形在不考虑 $d_i$ 顺序时是唯一的——这就是后面惯性定理的内容。
任何二次型 $f(\mathbf{x})=\mathbf{x}\T\mathbf{A}\mathbf{x}$ 都可以通过配方法(作可逆线性变换 $\mathbf{x}=\mathbf{C}\mathbf{y}$)化成标准形及规范形。
用矩阵语言表述:任何实对称矩阵 $\mathbf{A}$,必存在可逆矩阵 $\mathbf{C}$,使得 $\mathbf{C}\T\mathbf{A}\mathbf{C}=\Lambda$,其中 $\Lambda$ 是对角矩阵(标准形情形),或对角元取值为 $1,-1,0$ 的对角矩阵(规范形情形)。
即:任何实对称矩阵必合同于对角矩阵。
任何二次型 $f(\mathbf{x})=\mathbf{x}\T\mathbf{A}\mathbf{x}$ 也可以通过正交变换 $\mathbf{x}=\mathbf{Q}\mathbf{y}$ 化成标准形。
用矩阵语言表述:任何实对称矩阵 $\mathbf{A}$,一定存在正交矩阵 $\mathbf{Q}$,使得
$$\mathbf{Q}\T\mathbf{A}\mathbf{Q}=\mathbf{Q}^{-1}\mathbf{A}\mathbf{Q}=\Lambda=\diag(\lambda_1,\lambda_2,\dots,\lambda_n),$$其中 $\lambda_1,\dots,\lambda_n$ 是 $\mathbf{A}$ 的全部特征值,$\mathbf{Q}$ 的列向量是 $\mathbf{A}$ 的规范正交特征向量组。
| 对比项 | 配方法 | 正交变换法 |
|---|---|---|
| 变换 | $\mathbf{x}=\mathbf{C}\mathbf{y}$,$\mathbf{C}$ 只要求可逆 | $\mathbf{x}=\mathbf{Q}\mathbf{y}$,$\mathbf{Q}\T=\mathbf{Q}^{-1}$ |
| 对角元 | $d_i$ 一般不是 $\mathbf{A}$ 的特征值 | 恰是 $\mathbf{A}$ 的全部特征值 |
| $\mathbf{C}$ 的列 | 一般不是 $\mathbf{A}$ 的特征向量 | 必是 $\mathbf{A}$ 的特征向量 |
| 能化到什么形态 | 标准形,也能继续化到规范形 | 只能到标准形(除非特征值本身是 $0,\pm1$) |
| 结果唯一性 | 标准形不唯一 | 标准形唯一(不计次序) |
| 共同点 | 二者的正、负惯性指数相同;都保持秩不变 | |
「用配方法得到的 $d_i$」不是特征值,不要拿它去算别的东西;「用正交变换法」得到的标准形系数才是特征值。题目里出现「正交变换」「正交矩阵 $\mathbf{Q}$」的字样,就必须走特征值这条路;只出现「可逆线性变换」,配方法和正交变换法都可以。另外写变换式时一律写成 $\mathbf{x}=\mathbf{C}\mathbf{y}$,不要写成 $\mathbf{y}=\mathbf{C}\mathbf{x}$——反了就等于用 $\mathbf{C}^{-1}$ 去做变换,答案全错。
配方法的操作要领
- 有平方项:把某个变量(如 $x_1$)的平方项与所有含它的交叉项一次配完,凑成一个完全平方。这会把变量个数减一,剩下的部分不再含 $x_1$。
- 对剩下的变量重复上一步。若最后剩下的项数为 $m<n$,缺少的 $n-m$ 个变量补成 $0\cdot y_i^2$,凑齐 $n$ 项——这是保证变换可逆的关键。
- 没有平方项(只有交叉项):先作一个可逆线性变换把交叉项变成平方项,例如令 $x_1=y_1+y_2$,$x_2=y_1-y_2$,其余 $x_i=y_i$,则 $2a_{12}x_1x_2$ 化为 $2a_{12}(y_1^2-y_2^2)$,出现平方项后再按第 1 步配。
- 由 $y_i$ 的表达式反解出 $x_i$,写出 $\mathbf{x}=\mathbf{C}\mathbf{y}$,并验证 $|\mathbf{C}|\neq0$(可逆)。
- 数出标准形中正项个数 $p$、负项个数 $q$、非零项个数 $r=p+q$,即得正惯性指数、负惯性指数与秩。
配方不只是化标准形的手段,它一次性给出四样信息:① 所作的可逆线性变换;② 与 $\mathbf{A}$ 合同的对角矩阵;③ 二次型的秩 $r$;④ 正、负惯性指数 $p,q$。所以在「求惯性指数」「判正定」「判合同」的题里,配方往往比求特征值更快。
惯性定理
知识点无论选取什么样的可逆线性变换,把二次型化成标准形或规范形,其正项个数 $p$ 与负项个数 $q$ 都是不变的。
$p$ 称为正惯性指数,$q$ 称为负惯性指数。若二次型的秩为 $r$,则 $r=p+q$。
这条定理说的是:标准形不唯一(对角元可以是 $1,2,5$,也可以是 $3,7,11$),但正负项的「个数」是雷打不动的。所以规范形才是唯一的标准形态。有了它,「合同」的判定就彻底落地了:
两个二次型(或两个实对称矩阵)合同 $\iff$ 它们有相同的正、负惯性指数。
等价说法: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。
相似变换保持各阶主子式之和(也就保持全部特征值,因为特征多项式不变)。
所以实对称矩阵相似 $\Rightarrow$ 特征值完全相同。
合同变换保持正、负惯性指数(以及秩)。
实对称矩阵合同 $\Rightarrow$ 正负特征值个数相同,但特征值本身可以变。
在 $\mathbf{A}\T=\mathbf{A}$ 的前提下,两者的关系是一条单向链:相似 $\Rightarrow$ 合同,反之不成立。
因为相似给出「特征值完全相同」,当然也就给出「正负特征值个数相同」。反过来,合同只给出正负个数相同,例如 $\diag(1,1)$ 与 $\diag(1,4)$ 合同($p$ 都是 $2$,$q$ 都是 $0$),但特征值不同,不相似。可以这么记:相似管得细(逐个特征值),合同管得粗(只数正负号)。
秩相同 $\nRightarrow$ 合同。例如 $\diag(1,1)$ 与 $\diag(1,-1)$ 秩都是 $2$,但前者的 $q=0$、后者的 $q=1$,不合同。判合同必须同时看 $p$ 和 $q$(或看 $r$ 与其中一个),只看秩一定会错。
正定二次型及其判别
知识点$n$ 元二次型 $f(x_1,\dots,x_n)=\mathbf{x}\T\mathbf{A}\mathbf{x}$,若对任意 $\mathbf{x}=(x_1,\dots,x_n)\T\neq\mathbf{0}$,都有
$$\mathbf{x}\T\mathbf{A}\mathbf{x}>0 ,$$则称 $f$ 为正定二次型,并称其对应矩阵 $\mathbf{A}$ 为正定矩阵。
几何上:二元时 $z=f(x_1,x_2)$ 是一张曲面,正定的 $f$ 被平面 $z=c$($c$ 为正常数)截出的曲线是封闭的椭圆类;三元的正定二次型在三维空间中是抛物面状,用 $z=1$ 去截得到封闭曲线。封闭曲面在重积分里才能用高斯公式算「源在不在里面」,这就是正定性在后续课程里的用处。
设 $\mathbf{A}$ 为 $n$ 阶实对称矩阵,$f=\mathbf{x}\T\mathbf{A}\mathbf{x}$,则下列条件等价:
- ① 对任意 $\mathbf{x}\neq\mathbf{0}$,有 $\mathbf{x}\T\mathbf{A}\mathbf{x}>0$(定义)。
- ② $f$ 的正惯性指数 $p=n$(即规范形为 $y_1^2+\cdots+y_n^2$,一个负号、一个零项都没有)。
- ③ 存在可逆矩阵 $\mathbf{D}$,使 $\mathbf{A}=\mathbf{D}\T\mathbf{D}$(理论价值大,抽象证明常用)。
- ④ $\mathbf{A}$ 的特征值全部大于零,即 $\lambda_i>0$($i=1,2,\dots,n$)。
- ⑤ $\mathbf{A}$ 的全部顺序主子式均大于零(具体数值矩阵首选)。
设 $\mathbf{A}=(a_{ij})_{n\times n}$,称
$$\Delta_k=\begin{vmatrix}a_{11}&a_{12}&\cdots&a_{1k}\\a_{21}&a_{22}&\cdots&a_{2k}\\\vdots&\vdots&&\vdots\\a_{k1}&a_{k2}&\cdots&a_{kk}\end{vmatrix}\quad(k=1,2,\dots,n)$$为 $\mathbf{A}$ 的 $k$ 阶顺序主子式(左上角主子式)。共 $n$ 个,取 $k=1,\dots,n$ 即得全部。
(1) $a_{ii}>0$($i=1,2,\dots,n$),即主对角元全正;
(2) $|\mathbf{A}|>0$。
这两条只能用来否定:主对角元有非正数、或行列式非正,立刻不正定。但它们不充分——$\begin{pmatrix}1&2\\2&1\end{pmatrix}$ 的两个对角元都为正,行列式为 $-3<0$,并不正定。
看到 $f=(x_1+x_2)^2+(x_2+x_3)^2+(x_1+x_3)^2$ 这种「平方和」不要直接判正定。它只保证 $f\ge0$,要正定还得看 $f=0$ 是否只有零解:把三个括号令为零,解方程组,若系数行列式 $=0$ 就有非零解,$f$ 只是半正定而非正定。这个坑几乎每年都考(见 6.7 的题型 5)。
五种判法的选用
| 判法 | 适用场合 | 代价 |
|---|---|---|
| ① 定义 | 抽象题、需证明「$f\ge0$ 且等号只在 $\mathbf{x}=\mathbf{0}$ 成立」 | 要解方程组,最慢 |
| ② 正惯性指数 $=n$ | 已知标准形或规范形 | 要先化标准形 |
| ③ $\mathbf{A}=\mathbf{D}\T\mathbf{D}$($\mathbf{D}$ 可逆) | 抽象矩阵、含参数的证明题 | 要凑出 $\mathbf{D}$ |
| ④ 特征值全正 | 特征值好求,或题目已给特征值 | 求特征值较贵 |
| ⑤ 顺序主子式全正 | 具体数值矩阵、含参数矩阵 | 最省,首选 |
题型汇总(一):写矩阵、求秩与惯性指数、判合同
题型写出二次型的矩阵,或由矩阵还原二次型
识别特征:「写出二次型的矩阵 $\mathbf{A}$」;「求二次型的秩」;「$\mathbf{x}\T\mathbf{B}\mathbf{x}$ 是否为二次型?$\mathbf{B}$ 是否为它的矩阵?」。这是本章的基本功,几乎每道大题的第一步。
- 平方项 $a_{ii}x_i^2$ 的系数直接放到主对角线 $a_{ii}$。
- 交叉项 $c\,x_ix_j$($i<j$)的系数除以 $2$,得 $\dfrac{c}{2}$,在 $a_{ij}$ 与 $a_{ji}$ 两处都写 $\dfrac{c}{2}$。
- 没有出现的项补 $0$。写成矩阵后回读一遍验算。
- 求秩就是对 $\mathbf{A}$ 作初等行变换化阶梯形,非零行数即 $\rr(\mathbf{A})=\rr(f)$。
设 $\mathbf{B}=\begin{pmatrix}1&2&3\\-2&4&5\\0&0&6\end{pmatrix}$,问 $f=\mathbf{x}\T\mathbf{B}\mathbf{x}$ 是否为二次型?$\mathbf{B}$ 是否为 $f$ 的矩阵?若是,写出 $f$ 的矩阵。
$\mathbf{x}\T\mathbf{B}\mathbf{x}$ 是 $1\times1$ 矩阵,转置等于自身,故 $\mathbf{x}\T\mathbf{B}\mathbf{x}=\mathbf{x}\T\mathbf{B}\T\mathbf{x}$,两式相加除 $2$ 得
$$\mathbf{x}\T\mathbf{B}\mathbf{x}=\mathbf{x}\T\left(\frac{\mathbf{B}+\mathbf{B}\T}{2}\right)\mathbf{x} ,$$所以 $f$ 确实是关于 $x_1,x_2,x_3$ 的二次型。但 $\mathbf{B}\neq\mathbf{B}\T$,$\mathbf{B}$ 不是 $f$ 的矩阵;$f$ 的矩阵是
$$\mathbf{A}=\frac{\mathbf{B}+\mathbf{B}\T}{2}=\begin{pmatrix}1&0&\dfrac32\\0&4&\dfrac52\\\dfrac32&\dfrac52&6\end{pmatrix}.$$展开验算:$f=x_1^2+4x_2^2+6x_3^2+3x_1x_3+5x_2x_3$(交叉项 $x_1x_2$ 的系数为 $2+(-2)=0$,恰好抵消)。
求正负惯性指数、判断两个矩阵是否合同
识别特征:「求二次型的正(负)惯性指数」;「已知负惯性指数为 $1$,求参数范围」;「下列矩阵中与 $\mathbf{A}$ 合同的是()」。落脚点永远是 $p,q$。
- 首选配方法(快、不易算错),把 $f$ 化成 $d_1y_1^2+\cdots+d_ny_n^2$,数出 $p$($d_i>0$ 的个数)与 $q$($d_i<0$ 的个数);$d_i=0$ 的项计入秩以外的「零项」,不算惯性指数。
- 若矩阵好求特征值(对角、三角、秩 $1$ 加单位阵等),也可用特征值符号数出 $p,q$。
- 判断合同:算出两边的 $(p,q)$(或 $r$ 与 $p$),完全一致才合同;比较前先各自化成标准形,不要直接比矩阵元素。
设二次型 $f(x_1,x_2,x_3)=x_1^2-x_2^2+2ax_1x_3+4x_2x_3$ 的负惯性指数为 $1$,求 $a$ 的取值范围。
有平方项,直接对 $x_1$ 配方:
$$f=x_1^2+2ax_1x_3+a^2x_3^2-x_2^2+4x_2x_3+4x_3^2-4x_3^2-a^2x_3^2 =(x_1+ax_3)^2-(x_2-2x_3)^2+(4-a^2)x_3^2 .$$前两项的系数分别是 $+1$ 与 $-1$,已定下 $p=1$、$q=1$。要使负惯性指数恰为 $1$,第三项的系数不能再为负,即 $4-a^2\ge0$,故 $-2\le a\le2$。
注意端点可以取到:$a=\pm2$ 时第三项系数为 $0$,此时 $f$ 的 $p=1$、$q=1$、$r=2$,负惯性指数仍是 $1$。
设 $\mathbf{A}=\begin{pmatrix}1&2&0\\2&1&0\\0&0&1\end{pmatrix}$,下列矩阵中与 $\mathbf{A}$ 合同的是:
(A) $\diag(1,1,1)$ (B) $\diag(1,1,-1)$ (C) $\diag(1,-1,-1)$ (D) $\diag(-1,-1,-1)$
$\mathbf{A}$ 对应的二次型为 $f=x_1^2+x_2^2+x_3^2+4x_1x_2$,配方得
$$f=(x_1+2x_2)^2-3x_2^2+x_3^2 ,$$故 $p=2$,$q=1$,$r=3$。四个选项中只有 (B) 的 $p=2,q=1$,故选 (B)。
若用特征值验证:$|\lambda\mathbf{E}-\mathbf{A}|=(\lambda-1)(\lambda^2-2\lambda-3)=(\lambda-1)(\lambda-3)(\lambda+1)$,特征值为 $1,3,-1$,正负个数同样为 $2$ 与 $1$,与 (B) 一致。
题型汇总(二):化标准形、判正定
题型用配方法化二次型为标准形(规范形)
识别特征:「用配方法(可逆线性变换)化 $f$ 为标准形/规范形,并写出所作变换」。题干只说「可逆线性变换」而不提「正交」,就是配方法的信号。
- 按 $x_1,x_2,\dots$ 的顺序,把某个变量的平方项及所有含它的交叉项一次配成完全平方(缺什么补什么),剩下的部分不再含该变量。
- 对剩余变量重复。若最终完全平方只有 $m<n$ 个,务必补 $0\cdot y_{m+1}^2+\cdots+0\cdot y_n^2$ 凑足 $n$ 项,否则变换不可逆(这是最常丢分的一步)。
- 由 $y_i$ 与 $x_j$ 的关系反解出 $x_j$,写成 $\mathbf{x}=\mathbf{C}\mathbf{y}$,并核算 $|\mathbf{C}|\neq0$。
- 若要求规范形,再把每个 $d_iy_i^2$ 用伸缩变换 $y_i=\dfrac{z_i}{\sqrt{|d_i|}}$ 变成 $\pm z_i^2$。
化 $f(x_1,x_2,x_3)=x_1^2+2x_1x_2+2x_1x_3-x_2^2-2x_2x_3-x_3^2$ 为标准形,并写出可逆线性变换。
先对 $x_1^2$ 及含 $x_1$ 的项配完全平方:
$$f=(x_1+x_2+x_3)^2-x_2^2-x_3^2-2x_2x_3-x_2^2-2x_2x_3-x_3^2=(x_1+x_2+x_3)^2-2x_2^2-4x_2x_3-2x_3^2 .$$再对 $-2x_2^2$ 及含 $x_2$ 的项配完全平方:
$$f=(x_1+x_2+x_3)^2-2(x_2+x_3)^2+0\cdot x_3^2 .$$令 $y_1=x_1+x_2+x_3$,$y_2=x_2+x_3$,$y_3=x_3$,反解得 $x_3=y_3$,$x_2=y_2-y_3$,$x_1=y_1-y_2$,即
$$\mathbf{x}=\begin{pmatrix}1&-1&0\\0&1&-1\\0&0&1\end{pmatrix}\mathbf{y},\qquad |\mathbf{C}|=1\neq0 ,$$标准形为 $f=y_1^2-2y_2^2+0\cdot y_3^2$,正惯性指数 $p=1$,负惯性指数 $q=1$,秩 $r=2$。
用正交变换化二次型为标准形
识别特征:「用正交变换 $\mathbf{x}=\mathbf{Q}\mathbf{y}$ 化 $f$ 为标准形,并求正交矩阵 $\mathbf{Q}$」;「已知正交变换下的标准形为 $\lambda_1y_1^2+\cdots$,求参数」。这条路完全等于第 5 讲的实对称矩阵正交对角化。
- 写出 $\mathbf{A}$(按题型 1 的规则),确认 $\mathbf{A}\T=\mathbf{A}$。
- 求 $|\lambda\mathbf{E}-\mathbf{A}|=0$ 得全部特征值——它们就是标准形的系数 $\lambda_1,\dots,\lambda_n$(这一步可先写答案,再去做后面的向量)。
- 求每个特征值的基础解系;重根对应的向量做施密特正交化,不同特征值的向量自动正交。
- 全部单位化,令 $\mathbf{Q}=[\eta_1,\dots,\eta_n]$,则 $f=\lambda_1y_1^2+\cdots+\lambda_ny_n^2$,变换为 $\mathbf{x}=\mathbf{Q}\mathbf{y}$。
- 若题目给了标准形或给了某个特征向量,先用「特征值 $=$ 标准形系数」与 $\mathbf{A}\mathbf{q}=\lambda\mathbf{q}$ 反求参数,再继续。
设二次型 $f=kx_1^2+2x_2^2-2x_3^2+2mx_1x_3$($m>0$),其矩阵的特征值之和为 $1$、之积为 $-12$。求 $k,m$,并用正交变换化 $f$ 为标准形。
矩阵为 $\mathbf{A}=\begin{pmatrix}k&0&m\\0&2&0\\m&0&-2\end{pmatrix}$。由 $\sum\lambda_i=\tr(\mathbf{A})=k$ 得 $k=1$;由 $\prod\lambda_i=|\mathbf{A}|=k\cdot(-4)-2m^2$ 得 $-4-2m^2=-12$,即 $m^2=4$,结合 $m>0$ 得 $m=2$。
此时 $|\lambda\mathbf{E}-\mathbf{A}|=(\lambda-2)\left[(\lambda-1)(\lambda+2)-4\right]=(\lambda-2)^2(\lambda+3)$,特征值为 $2,2,-3$,故标准形为 $f=2y_1^2+2y_2^2-3y_3^2$。
$\lambda=2$ 时解 $(2\mathbf{E}-\mathbf{A})\mathbf{x}=\mathbf{0}$,得 $\xi_1=(0,1,0)\T$,$\xi_2=(2,0,1)\T$(已正交);$\lambda=-3$ 时得 $\xi_3=(1,0,-2)\T$,与 $\xi_2$ 已正交。单位化后
$$\mathbf{Q}=\begin{pmatrix}0&\dfrac{2}{\sqrt5}&\dfrac{1}{\sqrt5}\\[6pt]1&0&0\\[6pt]0&\dfrac{1}{\sqrt5}&-\dfrac{2}{\sqrt5}\end{pmatrix},\qquad \mathbf{x}=\mathbf{Q}\mathbf{y},\qquad f=2y_1^2+2y_2^2-3y_3^2 .$$判别(或反求参数的)正定性
识别特征:「判别二次型的正定性」;「已知 $f$ 正定,求参数的取值范围」;「证明 $\mathbf{A}+\mathbf{E}$ 为正定矩阵」;「$f=(\ )^2+(\ )^2+(\ )^2$ 正定,求参数」。这类题必须落到某一条充要条件上。
- 先确认矩阵对称——不对称的矩阵谈不上正定。
- 具体数值矩阵:算各阶顺序主子式 $\Delta_1,\Delta_2,\dots,\Delta_n$,全部 $>0$ 即正定。含参数时,由这 $n$ 个不等式联立解出参数范围。
- 特征值好求时,也可判「特征值全正」;已给标准形时,判「正惯性指数 $=n$」。
- 形如 $f=(a_1x_1+\cdots)^2+\cdots+(c_1x_1+\cdots)^2$ 的:令三个括号为零解方程组,系数行列式 $\neq0$ 才正定,$=0$ 则不正定。
- 抽象矩阵(如 $\mathbf{A}$ 正定,问 $\mathbf{A}^{-1}$、$\mathbf{A}+\mathbf{E}$):用「特征值」或「$\mathbf{A}=\mathbf{D}\T\mathbf{D}$」两条推。
判别 $f(x_1,x_2,x_3)=2x_1^2+2x_2^2+2x_3^2+2x_1x_2+2x_1x_3+2x_2x_3$ 的正定性。
对应矩阵 $\mathbf{A}=\begin{pmatrix}2&1&1\\1&2&1\\1&1&2\end{pmatrix}$。顺序主子式:
$$\Delta_1=2>0,\qquad \Delta_2=\begin{vmatrix}2&1\\1&2\end{vmatrix}=3>0,\qquad \Delta_3=\begin{vmatrix}2&1&1\\1&2&1\\1&1&2\end{vmatrix}=2(4-1)-1(2-1)+1(1-2)=4>0 .$$三个顺序主子式全正,故 $\mathbf{A}$ 正定,$f$ 是正定二次型。
另法(特征值):注意 $\mathbf{A}=\mathbf{E}+\mathbf{J}$,其中 $\mathbf{J}$ 是元素全为 $1$ 的矩阵,$\mathbf{J}$ 的特征值为 $3,0,0$,故 $\mathbf{A}$ 的特征值为 $4,1,1$,全正,同样得正定。
设 $f(x_1,x_2,x_3)=(x_1+x_2)^2+(x_2+x_3)^2+(ax_1+x_3)^2$ 正定,求 $a$ 的取值范围。
$f\ge0$ 恒成立。$f$ 正定 $\iff$ $f=0$ 只有零解,即方程组
$$\begin{cases}x_1+x_2=0\\x_2+x_3=0\\ax_1+x_3=0\end{cases}$$只有零解,等价于系数行列式不为零:
$$\begin{vmatrix}1&1&0\\0&1&1\\a&0&1\end{vmatrix}=1\cdot(1-0)-1\cdot(0-a)=1+a\neq0 .$$故 $a\neq-1$。当 $a=-1$ 时,第三个条件 $x_3=x_1$ 与第二个条件 $x_2=-x_3=-x_1$ 相容于第一个条件,取 $(1,-1,1)\T\neq\mathbf{0}$ 就有 $f=0$,不正定。
结论速查
结论速查- 矩阵表示
- $f=\mathbf{x}\T\mathbf{A}\mathbf{x}$,$\mathbf{A}\T=\mathbf{A}$,唯一
- 写矩阵
- 平方项系数上对角线;交叉项系数除以 $2$ 上两侧
- 秩
- $\rr(f)=\rr(\mathbf{A})$;对角化后非零项个数 $=r$
- 非对称矩阵的二次型
- $f=\mathbf{x}\T\mathbf{B}\mathbf{x}$ 的矩阵是 $\dfrac{\mathbf{B}+\mathbf{B}\T}{2}$
- 线性变换
- $\mathbf{x}=\mathbf{C}\mathbf{y}$,$\mathbf{C}$ 可逆;$\mathbf{A}\to\mathbf{C}\T\mathbf{A}\mathbf{C}$
- 标准形
- $d_1y_1^2+\cdots+d_ny_n^2$,不唯一
- 规范形
- $y_1^2+\cdots+y_p^2-y_{p+1}^2-\cdots-y_{p+q}^2$,唯一(不计次序)
- 惯性定理
- 可逆线性变换不改变 $p,q$;$p+q=r$
- 配方法对角元
- $d_i$ 一般不是特征值,$\mathbf{C}$ 的列一般不是特征向量
- 正交变换对角元
- 恰为全部特征值,$\mathbf{Q}$ 的列为规范正交特征向量
- 合同判据
- $\mathbf{A}\simeq\mathbf{B}\iff(p,q)$ 相同;仅秩相同不够
- 与相似的关系
- (实对称时)相似 $\Rightarrow$ 合同,反之不成立
- 定义:$\forall\,\mathbf{x}\neq\mathbf{0}$,$\mathbf{x}\T\mathbf{A}\mathbf{x}>0$。
- 充要:正惯性指数 $p=n$;$\mathbf{A}=\mathbf{D}\T\mathbf{D}$($\mathbf{D}$ 可逆);$\mathbf{A}$ 的特征值全正;$\mathbf{A}$ 的全部顺序主子式全正。
- 必要(只能否证):$a_{ii}>0$ 全部成立;$|\mathbf{A}|>0$。
- $\mathbf{A}$ 正定 $\iff$ $\mathbf{A}^{-1}$ 正定;$\mathbf{A}$ 正定 $\Rightarrow$ $\mathbf{A}+\mathbf{E}$ 正定(特征值加 $1$);$\mathbf{A}$ 正定 $\Rightarrow$ $\mathbf{A}^{k}$、$f(\mathbf{A})$ 在系数合适时正定。
- $\mathbf{A}$ 正定 $\Rightarrow$ $|\mathbf{A}|>0$ 且 $\mathbf{A}$ 可逆;但 $|\mathbf{A}|>0$ 推不出正定(如 $\diag(-1,-1)$)。
化标准形:配方法看「能不能配完」,正交变换法看「特征值是多少」。两条路给出的 $p,q$ 必然相同(惯性定理)。
判合同:先把两个矩阵各自化成对角形,再比 $(p,q)$;正交变换下合同与相似等价,所以实对称矩阵「特征值相同」时既相似也合同。
考前速查
进考场前最后翻的三页:公式表、结论表、易错清单。
公式与结论总表
结论速查行列式
| 对象 | 公式 | 备注 |
|---|---|---|
| 转置 | $|\mathbf{A}\T|=|\mathbf{A}|$ | 行列式与转置无关 |
| 数乘 | $|k\mathbf{A}|=k^{n}|\mathbf{A}|$ | $n$ 为阶数,别漏次方 |
| 乘积 | $|\mathbf{A}\mathbf{B}|=|\mathbf{A}||\mathbf{B}|$ | 要求同阶方阵 |
| 逆 | $|\mathbf{A}^{-1}|=|\mathbf{A}|^{-1}$ | $\mathbf{A}$ 可逆时才有意义 |
| 伴随 | $|\mathbf{A}^{*}|=|\mathbf{A}|^{\,n-1}$ | 三阶也常用 $|\mathbf{A}^{*}|=|\mathbf{A}|^{2}$ |
| 副对角线 | $(-1)^{\frac{n(n-1)}{2}}a_{1n}a_{2,n-1}\cdots a_{n1}$ | 符号由阶数决定 |
| 范德蒙德 | $\prod_{1\le i<j\le n}(x_j-x_i)$ | 大减小,别写反 |
| 分块三角 | $\begin{vmatrix}\mathbf{A}&\mathbf{C}\\\mathbf{O}&\mathbf{B}\end{vmatrix}=|\mathbf{A}||\mathbf{B}|$ | 拉普拉斯展开式 |
| 分块副三角 | $\begin{vmatrix}\mathbf{O}&\mathbf{A}\\\mathbf{B}&\mathbf{C}\end{vmatrix}=(-1)^{mn}|\mathbf{A}||\mathbf{B}|$ | $\mathbf{A}$ 为 $m$ 阶,$\mathbf{B}$ 为 $n$ 阶 |
矩阵运算
| 名称 | 公式 | 使用前提 |
|---|---|---|
| 转置性质 | $(\mathbf{A}\mathbf{B})\T=\mathbf{B}\T\mathbf{A}\T$ | 顺序必须颠倒 |
| 逆的性质 | $(\mathbf{A}\mathbf{B})^{-1}=\mathbf{B}^{-1}\mathbf{A}^{-1}$ | 顺序必须颠倒 |
| 伴随性质 | $(\mathbf{A}\mathbf{B})^{*}=\mathbf{B}^{*}\mathbf{A}^{*}$ | 顺序必须颠倒 |
| 伴随核心式 | $\mathbf{A}\mathbf{A}^{*}=\mathbf{A}^{*}\mathbf{A}=|\mathbf{A}|\mathbf{E}$ | 任何方阵 |
| 逆矩阵 | $\mathbf{A}^{-1}=\dfrac{1}{|\mathbf{A}|}\mathbf{A}^{*}$ | $|\mathbf{A}|\ne0$ |
| 秩的伴随 | $r(\mathbf{A}^{*})=n$($r(\mathbf{A})=n$);$=1$($r(\mathbf{A})=n-1$);$=0$($r(\mathbf{A})<n-1$) | 三段论,常考 |
| 幂的秩 | $r(\mathbf{A}^{k})=r(\mathbf{A})$($\mathbf{A}$ 幂等或对一般可对角化情形) | 看具体条件 |
| 分块对角逆 | $\begin{pmatrix}\mathbf{A}&\mathbf{O}\\\mathbf{O}&\mathbf{B}\end{pmatrix}^{-1}=\begin{pmatrix}\mathbf{A}^{-1}&\mathbf{O}\\\mathbf{O}&\mathbf{B}^{-1}\end{pmatrix}$ | 各自可逆 |
特征值与二次型
| 对象 | 结论 |
|---|---|
| 特征方程 | $|\lambda\mathbf{E}-\mathbf{A}|=0$($\mathbf{E}$ 为单位矩阵) |
| 特征值之和 | ${\sum\lambda_i}=\tr(\mathbf{A})=\sum a_{ii}$ |
| 特征值之积 | ${\prod\lambda_i}=|\mathbf{A}|$ |
| 不同特征值的特征向量 | 必线性无关 |
| 可相似对角化 | $\mathbf{A}$ 有 $n$ 个线性无关的特征向量 ⟺ 每个 $k$ 重特征值对应 $k$ 个线性无关特征向量 |
| 实对称矩阵 | 必可正交相似对角化;不同特征值的特征向量必正交 |
| $f(\mathbf{A})$ | $f(\mathbf{A})$ 的特征值为 $f(\lambda_i)$,特征向量不变 |
| 二次型矩阵 | $\mathbf{A}=\mathbf{A}\T$,$f=\mathbf{x}\T\mathbf{A}\mathbf{x}$ |
| 正定判定 | 顺序主子式全 $>0$ ⟺ 特征值全 $>0$ ⟺ 正惯性指数 $=n$ |
| 惯性定理 | 标准形中正、负项个数不变(与所用可逆变换无关) |
最容易丢分的十二条
结论速查- $|\mathbf{A}+\mathbf{B}|\ne|\mathbf{A}|+|\mathbf{B}|$,行列式只对单行(列)可加可拆,不是整体线性。
- $|k\mathbf{A}|=k^{n}|\mathbf{A}|$,$n$ 是阶数。三阶矩阵提出因子 2 要乘 $2^3=8$。
- $(\mathbf{A}\mathbf{B})\T=\mathbf{B}\T\mathbf{A}\T$、$(\mathbf{A}\mathbf{B})^{-1}=\mathbf{B}^{-1}\mathbf{A}^{-1}$,顺序一定反。
- $\mathbf{A}\mathbf{B}=\mathbf{O}$ 推不出 $\mathbf{A}=\mathbf{O}$ 或 $\mathbf{B}=\mathbf{O}$。
- $\mathbf{A}\mathbf{B}=\mathbf{A}\mathbf{C}$ 且 $\mathbf{A}\ne\mathbf{O}$,推不出 $\mathbf{B}=\mathbf{C}$,除非 $\mathbf{A}$ 可逆。
- 矩阵乘法不满足交换律,$(\mathbf{A}+\mathbf{B})^{2}\ne\mathbf{A}^{2}+2\mathbf{A}\mathbf{B}+\mathbf{B}^{2}$。
- $r(\mathbf{A}+\mathbf{B})\le r(\mathbf{A})+r(\mathbf{B})$ 是不等式,不是等式。
- 「$\mathbf{A}$ 与 $\mathbf{B}$ 等价」只说明同型且秩相等,与相似、合同都无关。
- 「$\mathbf{A}$ 与 $\mathbf{B}$ 合同」只保证正负惯性指数相同,特征值可以完全不同。
- $\lambda=0$ 是特征值 ⟺ $|\mathbf{A}|=0$ ⟺ $\mathbf{A}$ 不可逆。
- 求基础解系后,通解一定要写「$k$ 为任意常数」,且基础解系向量个数等于 $n-r(\mathbf{A})$。
- 化行最简形时,只做行变换;求特征向量时不要顺手做列变换。
题目关键词 → 解法对照
结论速查看到题干里的这些说法,第一反应应该是什么。
| 题干说法 | 第一反应 |
|---|---|
| 「$\mathbf{A}$ 不可逆」 | 翻第 1 讲:$|\mathbf{A}|=0$、$r(\mathbf{A})<n$、有零特征值,三条路任选 |
| 「$\mathbf{A}$ 可逆」 | 翻第 2 讲:可以两边乘 $\mathbf{A}^{-1}$,可以把 $\mathbf{A}\mathbf{B}=\mathbf{A}\mathbf{C}$ 消成 $\mathbf{B}=\mathbf{C}$ |
| 「$\mathbf{\alpha}$ 可由 $\mathbf{\alpha}_1,\dots,\mathbf{\alpha}_s$ 线性表示」 | 翻第 3 讲:解 $\mathbf{A}\mathbf{x}=\mathbf{\alpha}$,看增广矩阵的秩 |
| 「$\mathbf{\alpha}_1,\dots,\mathbf{\alpha}_s$ 线性相关」 | 翻第 3 讲:解 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 有非零解,即 $r(\mathbf{A})<s$ |
| 「方程组有无穷多解」 | 翻第 4 讲:$r(\mathbf{A})=r(\overline{\mathbf{A}})<n$,然后写通解 |
| 「方程组无解」 | 翻第 4 讲:$r(\mathbf{A})<r(\overline{\mathbf{A}})$ |
| 「$\mathbf{A}$ 可相似对角化」 | 翻第 5 讲:数线性无关特征向量够不够 $n$ 个 |
| 「$\mathbf{A}$ 是实对称矩阵」 | 翻第 5 讲:必可正交对角化,直接上正交变换 |
| 「化二次型为标准形」 | 翻第 6 讲:可逆变换用配方法,正交变换用特征值法 |
| 「$\mathbf{A}$ 正定」 | 翻第 6 讲:顺序主子式或特征值,哪个好算用哪个 |
线代的题目短、条件少,考的不是算功,是看到条件就知道该调用哪一条定理。 这份总结按题型组织,就是为了让你在考场上把「读题 → 认题型 → 调解法」这三步走到条件反射。