Skip to content
Notes

Linear Algebra Done Wrong

向量

向量的秩 矩阵的秩

矩阵的秩

定义

在 m×nm\times n 的矩阵 A\mathbf{A} 中，任取 k\displaystyle{ k } 行与 k\displaystyle{ k } 列，位于这些行与列的交叉点上的 k2\displaystyle{ k ^{ 2 } } 个元素按其在原来矩阵 A\mathbf{A} 中的次序可构成一个 k\displaystyle{ k } 阶行列式，称其为矩阵 A\mathbf{A} 的一个 k\displaystyle{ k } 阶子式

定义

设 A\mathbf{A} 是 m×nm\times n 矩阵，若 A\mathbf{A} 中存在 r\displaystyle{ r } 阶子式不等于 0，r\displaystyle{ r } 阶以上子式均等于 0，则称矩阵 A\mathbf{A} 的秩为 r\displaystyle{ r }，记为 r(A)r(\mathbf{A})，零矩阵的秩规定为 0.

若 A\mathbf{A} 是 n\displaystyle{ n } 阶矩阵

  • r(A)=n⇔∣A∣≠0r(\mathbf{A})=n \Leftrightarrow |\mathbf{A}| \ne 0
  • r(A)<n⇔∣A∣=0r(\mathbf{A})<n \Leftrightarrow |\mathbf{A}| = 0

若 A\mathbf{A} 是 m×nm \times n 矩阵，则 r(A)⩽min⁡(m,n)r(\mathbf{A}) \leqslant \min(m, n)

公式
  • r(A)=r(AT)r(\mathbf{A}) = r(\mathbf{A}^{\mathrm{T} })
  • r(ATA)=r(A)r(\mathbf{A}^{\mathrm{T} }\mathbf{A})=r(\mathbf{A})
  • k≠0,r(kA)=r(A)k \ne 0, r(k \mathbf{A})=r(\mathbf{A})
  • r(A+B)⩽r(A)+r(B)r(\mathbf{A} + \mathbf{B}) \leqslant r(\mathbf{A}) + r(\mathbf{B})
  • r(AB)⩽min⁡(r(A),r(B))r(\mathbf{AB}) \leqslant \min(r(\mathbf{A}),r(\mathbf{B}))
  • max⁡(r(A),r(B))⩽r(A+B)⩽r(A)+r(B)\max(r(\mathbf{A}),r(\mathbf{B})) \leqslant r(\mathbf{A} + \mathbf{B}) \leqslant r(\mathbf{A}) + r(\mathbf{B})
  • A\mathbf{A} 可逆，则 r(AB)=r(B),r(BA)=r(B)r(\mathbf{AB}) = r(\mathbf{B}), r(\mathbf{BA}) = r(\mathbf{B})
  • 若 Am×n,Bn×s,AB=O\mathbf{A}_{m \times n},\mathbf{B}_{n \times s}, \mathbf{AB}=\mathbf{O}，则 r(AB)⩽nr(\mathbf{A} \mathbf{B}) \leqslant n
  • An×n,Bn×n\displaystyle {\mathbf{A} }_{n\times n},{\mathbf{B} }_{n\times n}，AB=O\displaystyle {\mathbf{A} }{\mathbf{B} }={\mathbf{O} }，则 r(A)+r(B)⩽n\displaystyle r{\left({\mathbf{A} }\right)}+ r{\left({\mathbf{B} }\right)}\leqslant n
r(A∗)={n,r(A)=n1,r(A)=n−10,r(A)<n−1r(A^{*})= \begin{cases} n, & r(A)=n \\ 1, & r(A)=n-1 \\ 0, & r(A)<n-1 \end{cases}

正交规范化 正交矩阵

内积

定义

设有 n\displaystyle{ n } 维向量 α⃗=(a1,a2,⋯ ,an)T,β⃗=(b1,b2,⋯ ,bn)T\vec{\alpha}=(a_{1},a_{2},\cdots, a_{n})^{\mathrm{T} }, \vec{\beta}=(b_{1},b_{2},\cdots, b_{n})^{\mathrm{T} }，内积为

(α⃗,β⃗)=α⃗Tβ⃗=∑i=1naibi(\vec{\alpha},\vec{\beta})=\vec{\alpha} ^ {\mathrm{T} } \vec{\beta}=\sum\limits_{i=1}^{n} a_{i}b_{i}

  • 正定性：(α⃗,α⃗)⩾0(\vec\alpha, \vec\alpha) \geqslant 0，等号成立当且仅当 α⃗=0⃗\vec\alpha = \vec 0
  • 对称性
  • 线性性
定义

两个向量 α⃗,β⃗\vec\alpha, \vec\beta 夹角的余弦

cos⁡(α⃗,β⃗^)=(α⃗,β⃗)∣α⃗∣∣β⃗∣\cos (\widehat{\vec\alpha,\vec\beta})={(\vec\alpha,\vec\beta) \over |\vec\alpha| |\vec\beta|}

当 (α⃗,β⃗)=0(\vec\alpha,\vec\beta)=0 时，α⃗,β⃗\vec\alpha,\vec\beta 正交

Schmidt 正交化

设向量组 α⃗1,α⃗2,α⃗3\vec\alpha_{1},\vec\alpha_{2},\vec\alpha_{3} 线性无关，则正交化方法

β⃗1=α⃗1β⃗2=α⃗2−(α⃗2,β⃗1)(β⃗1,β⃗1)β⃗1β⃗3=α⃗3−(α⃗3,β⃗1)(β⃗1,β⃗1)β⃗1−(α⃗3,β⃗2)(β⃗2,β⃗2)β⃗2\begin{aligned} \vec\beta_{1} & = \vec\alpha_{1} \\ \vec\beta_{2} & = \vec\alpha_{2} - {(\vec\alpha_{2},\vec\beta_{1}) \over (\vec\beta_{1},\vec\beta_{1})}\vec\beta_{1} \\ \vec\beta_{3} & = \vec\alpha_{3} - {(\vec\alpha_{3},\vec\beta_{1}) \over (\vec\beta_{1},\vec\beta_{1})}\vec\beta_{1} - {(\vec\alpha_{3},\vec\beta_{2}) \over (\vec\beta_{2},\vec\beta_{2})}\vec\beta_{2} \end{aligned}

β⃗1,β⃗2,β⃗3\vec\beta_{1},\vec\beta_{2},\vec\beta_{3} 为正交向量组。将它们单位化，即可得到标准正交向量组 η⃗1,η⃗2,η⃗3\vec\eta_{1},\vec\eta_{2},\vec\eta_{3}，有

{0i≠j1i=j\begin{cases} 0 & i \ne j \\ 1 & i = j \end{cases}

正交矩阵

设 A\mathbf{A} 为 n\displaystyle{ n } 阶矩阵，若 AAT=ATA=E\mathbf{AA}^{\mathrm{T} }=\mathbf{A}^{\mathrm{T} }\mathbf{A}=\mathbf{E}，则称 A\mathbf{A} 为正交矩阵

A\mathbf{A} 是正交矩阵 ⇔AT=A−1\Leftrightarrow \mathbf{A}^{\mathrm{T} }=\mathbf{A}^{-1}

特征向量与特征值

相似矩阵

设 A,B\mathbf{A,B} 都是 n\displaystyle{ n } 阶矩阵，若存在可逆矩阵 P\mathbf{P} 使得 P−1AP=B\mathbf{P}^{-1}\mathbf{A}\mathbf{P}=\mathbf{B} 则称 A∼B\mathbf{A} \sim \mathbf{B}

若 A∼Λ\mathbf{A} \sim \mathbf{\Lambda}，其中 Λ\mathbf{\Lambda} 是对角阵，则称 A\mathbf{A} 可以相似对角化，Λ\mathbf{\Lambda} 是 A\mathbf{A} 的相似标准形

A∼B\mathbf{A} \sim \mathbf{B} 可以推出

  • 特征多项式相同，即 ∣λE−A∣=∣λE−B∣|\lambda \mathbf{E} - \mathbf{A}|=|\lambda \mathbf{E} - \mathbf{B}|
  • A,B\mathbf{A},\mathbf{B} 有相同的特征值
  • r(A)=r(B)r(\mathbf{A})=r(\mathbf{B})
  • ∣A∣=∣B∣=∏i=1nλi|\mathbf{A}|=|\mathbf{B}|=\displaystyle\prod_{i=1}^{n}\lambda _{i}
  • ∑i=1naii=∑i=1nbii=∑i=1nλi\displaystyle\sum\limits_{i=1}^{n} a_{ii}=\sum\limits_{i=1}^{n} b _{ii}=\sum\limits_{i=1}^{n}\lambda _{i}
  • An∼Bn,A−1∼B−1\mathbf{A}^{n} \sim \mathbf{B}^{n},\mathbf{A}^{-1} \sim \mathbf{B}^{-1}
  • A+kE∼B+kE\mathbf{A} +k \mathbf{E} \sim \mathbf{B} +k \mathbf{E}

n\displaystyle{ n } 阶方阵可相似对角化的 充要条件 是它有 n\displaystyle{ n } 个线性无关的特征向量

求可逆矩阵 P\mathbf{P} 使 P−1AP=Λ\mathbf{P}^{-1} \mathbf{A} \mathbf{P} = \mathbf{\Lambda} 解题步骤
  • 求出 A\mathbf{A} 的特征值 λi\lambda_{i}
  • 求出线性无关的特征向量 α⃗i\vec\alpha_{i}
  • 构造矩阵 P=(α⃗1,α⃗2,⋯ ,α⃗n)\mathbf{P}=(\vec\alpha_{1},\vec\alpha_{2},\cdots, \vec\alpha_{n})，则有 P−1AP=Λ=diag(λi,λ2,⋯ ,λn)\mathbf{P}^{-1} \mathbf{A} \mathbf{P} = \mathbf{\Lambda}=\mathrm{diag}(\lambda_{i},\lambda_2,\cdots,\lambda_{n})

实对称矩阵

  • 必可相似对角化
  • 属于不同特征值对应的特征向量相互正交
  • 若 A\mathbf{A} 为 n\displaystyle{ n } 阶实对称，则必存在正交阵 Q\mathbf{Q}，使得 Q−1AQ=QTAQ=Λ\mathbf{Q}^{-1} \mathbf{A} \mathbf{Q}=\mathbf{Q}^{\mathrm{T} }\mathbf{A}\mathbf{Q}=\mathbf{\Lambda}
实对称矩阵用正交矩阵相似对角化解题步骤
  • 求特征值
  • 求对应的特征向量
  • 改造特征向量
    • 特征值不同，特征向量已正交，只需单位化
    • 特征值有重根，先判断特征向量是否正交
      • 正交，则只需单位化
      • 不正交，则需要正交化处理
  • 把上述变换后的特征向量构成正交矩阵

二次型

二次型及其标准型

令 a{ij}=a{ji},i<j\displaystyle{ a _{ \left\lbrace i j \right\rbrace } = a _{ \left\lbrace j i \right\rbrace } , i < j }，则 2a{ij}x{i}x{j}=a{ij}x{i}x{j}+a{ji}x{j}x{i}\displaystyle{ 2 a _{ \left\lbrace i j \right\rbrace } x _{ \left\lbrace i \right\rbrace } x _{ \left\lbrace j \right\rbrace } = a _{ \left\lbrace i j \right\rbrace } x _{ \left\lbrace i \right\rbrace } x _{ \left\lbrace j \right\rbrace } + a _{ \left\lbrace j i \right\rbrace } x _{ \left\lbrace j \right\rbrace } x _{ \left\lbrace i \right\rbrace } }，可以把二次型写为矩阵形式

f(x1,x2,⋯ ,xn)=∑i=1n∑j=1naijxixj=[x1,x2,⋯ ,xn][a11a12⋯a1na11a22⋯a2n⋮⋮⋱⋮an1an2⋯ann][x1x2⋮xn]=x⃗TAx⃗\begin{aligned} f(x_{1},x_{2},\cdots,x_{n})&=\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}a_{ij}x_{i}x_{j} \\ &= [x_{1},x_{2},\cdots,x_{n}] \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{11} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{bmatrix} \begin{bmatrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \end{bmatrix} \\ &= \vec x^{\mathrm{T} } \mathbf{A} \vec x \end{aligned}

其中 A\mathbf{A} 为对称矩阵，称为二次型 f\displaystyle{ f } 的对应矩阵

若二次型 f(x1,x2,⋯ ,xn)f(x_{1},x_{2}, \cdots, x_{n}) 只有平方项，没有混合项，则称二次型为 标准形

f(x1,x2,⋯ ,xn)=x⃗TAx⃗=a1x12+a2x22+⋯+anxn2f(x_{1},x_{2}, \cdots, x_{n})=\vec x^{\mathrm{T} } \mathbf{A} \vec x=a_{1}x_{1}^{2}+a_{2}x_{2}^{2}+\cdots + a_{n}x_{n}^{2}

在二次型的标准形中，若平方项系数 a{i}\displaystyle{ a _{ \left\lbrace i \right\rbrace } } 只是 −1,1,0\displaystyle{ - 1 , 1 , 0 }，则称为二次型的 规范型

f(x1,x2,⋯ ,xn)=x⃗TAx⃗=x12+x22+⋯+xp2−xp+12−⋯−xp+q2f(x_{1},x_{2}, \cdots, x_{n})=\vec x^{\mathrm{T} } \mathbf{A} \vec x= x_{1}^{2}+x_{2}^{2}+\cdots + x_{p}^{2}-x_{p+1}^{2}-\cdots -x_{p+q}^2

  • 正平方项个数 p\displaystyle{ p } 称为正惯性指数
  • 负平方项个数 q\displaystyle{ q } 称为负惯性指数
合同

设 A,B\mathbf{A},\mathbf{B} 是两个 n\displaystyle{ n } 阶方阵，若存在可逆阵 C\mathbf{C} 使得 CTAC=B\mathbf{C}^{\mathrm{T} } \mathbf{A} \mathbf{C} = \mathbf{B}，则称 A≃B\mathbf{A} \simeq \mathbf{B}

充要条件：秩和正负惯性指数相同

对于三元二次型 f(x1,x2,x3)=x⃗TAx⃗f(x_{1},x_{2},x_{3})=\vec x^{\mathrm{T} } \mathbf{A} \vec x，如果

{x1=c11y1+c12y2+c13y3x2=c21y1+c22y2+c32y3x3=c31y1+c32y2+c33y3 \begin{cases} x_{1}=c_{11}y_{1}+ c_{12}y_{2}+ c_{13}y_{3} \\ x_{2}=c_{21}y_{1}+c_{22}y_{2}+c_{32}y_{3} \\ x_{3}=c_{31}y_{1}+c_{32}y_{2}+c_{33}y_{3} \end{cases}

满足 ∣C∣≠0|\mathbf{C}|\ne 0，则称上方程组是由 x⃗\vec x 到 y⃗\vec y 的坐标变换，即 x⃗=Cy⃗\vec x =\mathbf{C} \vec y

对任意一个 n\displaystyle{ n } 元二次型 f=x⃗TAx⃗f=\vec x^{\mathrm{T} } \mathbf{A} \vec x，必存在正交变换 x⃗=Qy⃗\vec x=\mathbf{Q}\vec y，其中 Q\mathbf{Q} 是正交阵，化二次型为标准型

f(x1,x2,⋯ ,xn)=x⃗TAx⃗=x⃗=Qy⃗y⃗TQTAQy⃗=λ1y12+λ2y22+⋯+λnyn2f(x_{1},x_{2},\cdots,x_{n})=\vec x^{\mathrm{T} } \mathbf{A} \vec x \xlongequal{\vec x = \mathbf{Q} \vec y}\vec y ^ {\mathrm{T} }\mathbf{Q}^ {\mathrm{T} } \mathbf{A} \mathbf{Q} \vec y = \lambda_{1}y_{1}^{2}+\lambda_{2}y_{2}^{2}+\cdots + \lambda_{n}y_{n}^{2}

用矩阵语言表述

对任意一个实对称阵 A\mathbf{A}，必存在正交阵 Q\mathbf{Q}，使得

Q−1AQ=QTAQ=Λ\mathbf{Q}^ {-1} \mathbf{A} \mathbf{Q}=\mathbf{Q}^ {\mathrm{T} } \mathbf{A} \mathbf{Q}=\mathbf{\Lambda}

A\mathbf{A} 必相似又合同于对角阵 Λ\mathbf{\Lambda}

等价、合同、相似的关系

从左到右，矩阵的关系越发亲密

graph LR a["等价
秩相等"] --> b["合同
秩和正负惯性指数相等"] b --> c["相似
秩、正负惯性指数
和特征值均相等"]
%%{init: {'theme':'dark'}}%% graph LR a["等价
秩相等"] --> b["合同
秩和正负惯性指数相等"] b --> c["相似
秩、正负惯性指数
和特征值均相等"]

正定二次型

正定

若对于任意的非零向量 x⃗=(x1,x2,⋯ ,xn)T\vec x=(x_{1},x_{2},\cdots, x_{n})^\mathrm{T}，恒有

f(x1,x2,⋯ ,xn)=x⃗TAx⃗>0f(x_{1},x_{2},\cdots, x_{n})=\vec x^{\mathrm{T} } \mathbf{A} \vec x>0

则称二次型 f\displaystyle{ f } 为正定二次型，对应矩阵称为正定矩阵

性质

∀x≠0,f>0\displaystyle \forall{\mathbf{x}}\ne{\mathbf{0}},{f}> 0

可逆线性变换不改变二次型的正定性
f=x⃗TAx⃗f=\vec x^{\mathrm{T} } \mathbf{A} \vec x 正定的充要条件
  • A\mathbf{A} 的正惯性指数 p=n\displaystyle{ p = n }
  • A≃E\mathbf{A} \simeq \mathbf{E}，即存在可逆矩阵 C\mathbf{C}，使得 CTAC=E\mathbf{C}^{\mathrm{T} } \mathbf{A} \mathbf{C} = \mathbf{E}
  • A=DTD\mathbf{A} = \mathbf{D}^{\mathrm{T} } \mathbf{D}，其中 D\mathbf{D} 可逆
  • A\mathbf{A} 的全部特征值大于 0
  • A\mathbf{A} 的全部顺序主子式大于零
f=x⃗TAx⃗f=\vec x^{\mathrm{T} } \mathbf{A} \vec x 正定的必要条件
  • A\mathbf{A} 的主对角线元素 a{ii}>0\displaystyle{ a _{ \left\lbrace ii \right\rbrace } > 0 }
  • ∣A∣>0|\mathbf{A}|>0