线性代数复习公式整理(自用/持续更新)

这篇具有很好参考价值的文章主要介绍了线性代数复习公式整理(自用/持续更新)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

第一章 行列式

设A、B为n阶矩阵

∣ A T ∣ = ∣ A ∣ \left | A^T \right | =\left | A \right | AT =A

∣ A m ∣ = ∣ A ∣ m \left | A^m \right | =\left | A \right | ^m Am=Am

∣ k A ∣ = k n ∣ A ∣ \left | kA \right | =k^n\left | A \right | kA=knA

∣ A B ∣ = ∣ A ∣ ∣ B ∣ \left | AB \right | =\left | A \right | \left | B \right | AB=AB

若 A 可逆,则 ∣ A − 1 ∣ = 1 ∣ A ∣ 若A可逆,则\left | A^{-1} \right | =\frac{1}{\left | A\right | } A可逆,则 A1 =A1

∣ A ∗ ∣ = ∣ A ∣ n − 1 \left | A^* \right | =\left | A \right | ^{n-1} A=An1

A A ∗ = A ∗ A = ∣ A ∣ E AA^*=A^*A=\left | A \right | E AA=AA=AE

A ∗ = ∣ A ∣ A − 1 ( 若 A 可逆 ) A^*=\left | A \right | A^{-1}(若A可逆) A=AA1(A可逆)

A = ∣ A ∣ ( A ∗ ) − 1 A=\left | A \right | (A^*)^{-1} A=A(A)1

∣ A 1 A 2 A 3 ∣ = A 1 A 2 A 3 , ∣ A 1 A 2 A 3 ∣ = − A 1 A 2 A 3 \begin{vmatrix}A_1 & & \\ & A_2 & \\ & &A_3 \end{vmatrix}=A_1A_2A_3, \begin{vmatrix} & &A_1 \\ & A_2 & \\A_3 & & \end{vmatrix}=-A_1A_2A_3 A1A2A3 =A1A2A3, A3A2A1 =A1A2A3

设A为n阶矩阵,B为m阶矩阵,根据拉普拉斯展开定理有

∣ A 0 0 B ∣ = ∣ A C 0 B ∣ = ∣ A 0 C B ∣ = ∣ A ∣ ∣ B ∣ \begin{vmatrix}A & 0\\0 &B \end{vmatrix}=\begin{vmatrix}A & C\\0 &B \end{vmatrix}=\begin{vmatrix}A & 0\\C &B \end{vmatrix}=\left | A \right | \left | B \right | A00B = A0CB = AC0B =AB

∣ 0 A B 0 ∣ = ∣ C A B 0 ∣ = ∣ 0 A B C ∣ = ( − 1 ) m n ∣ A ∣ ∣ B ∣ \begin{vmatrix}0 & A\\B &0 \end{vmatrix}=\begin{vmatrix}C & A\\B &0 \end{vmatrix}=\begin{vmatrix}0 & A\\B &C \end{vmatrix}=(-1)^{mn}\left | A \right | \left | B \right | 0BA0 = CBA0 = 0BAC =(1)mnAB

AB小于A、B里面更小的秩

{ r ( A B ) ≤ r ( A ) r ( A B ) ≤ r ( B ) \left\{\begin{matrix} r(AB)\le r(A)\\r(AB)\le r(B)\end{matrix}\right. {r(AB)r(A)r(AB)r(B)

化“叉”型行列式

∣ a 0 . . . 0 b . . . A . . . c 0 . . . 0 d ∣ = ( a d − b c ) ∣ A ∣ , 其中 A 是方阵 , 且除了主对角线和副对角线以外其余所有的元素均为 0 \begin{vmatrix} a& 0& ...& 0&b \\ ...& & A& &... \\ c& 0 & ... &0 &d \end{vmatrix}=(ad-bc)\left | A \right | ,其中A是方阵,且除了主对角线和副对角线以外其余所有的元素均为0 a...c00...A...00b...d =(adbc)A,其中A是方阵,且除了主对角线和副对角线以外其余所有的元素均为0

化“ab”型行列式

∣ a b b . . . b b a b . . . b b b a . . . b . . . . . . . . . . . . b b b b . . . a ∣ = [ a + ( n − 1 ) b ] ( a − b ) n − 1 \begin{vmatrix} a& b& b& ...&b \\ b& a& b& ...&b \\ b& b& a& ...&b \\ ...& ...& ...& ...&b \\ b& b& b& ...&a \end{vmatrix}=[a+(n-1)b](a-b)^{n-1} abb...bbab...bbba...b...............bbbba =[a+(n1)b](ab)n1

化“三条杠”型行列式

∣ a b 0 . . . 0 0 c a b . . . 0 0 0 c a ⋱ ⋮ ⋮ ⋮ ⋮ ⋮ ⋱ b 0 0 0 0 . . . a b 0 0 0 . . . c a ∣ = { α n + 1 − β n + 1 α − β , α ≠ β ( n + 1 ) α n , α = β , 且 { α + β = a α ⋅ β = b c \begin{vmatrix} a& b& 0& ...& 0&0 \\ c& a& b& ...& 0& 0\\ 0& c& a& \ddots &\vdots &\vdots \\ \vdots & \vdots & \vdots & \ddots &b &0 \\ 0& 0& 0& ...& a& b\\ 0& 0& 0& ...& c&a\end{vmatrix}=\left\{\begin{matrix} \frac{\alpha ^{n+1}-\beta ^{n+1}}{\alpha -\beta },\alpha \ne \beta \\(n+1)\alpha ^{n},\alpha =\beta \end{matrix}\right.,且\left\{\begin{matrix} \alpha +\beta =a\\\alpha \cdot \beta =bc\end{matrix}\right. ac000bac000ba00............00bac000ba ={αβαn+1βn+1,α=β(n+1)αn,α=β,{α+β=aαβ=bc

化“两线加一点”型行列式

∣ a 1 b 1 0 . . . 0 0 0 a 2 b 2 . . . 0 0 ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ 0 0 0 . . . a n − 1 b n − 1 b n 0 0 . . . 0 a n ∣ = ∣ a 1 0 0 . . . 0 b n b 1 a 2 0 . . . 0 0 0 b 2 a 3 . . . 0 0 ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ 0 0 0 . . . a n − 1 0 0 0 0 . . . b n − 1 a n ∣ = a 1 a 2 . . . a n + ( − 1 ) n + 1 b 1 b 2 . . . b n \begin{vmatrix} a_1 & b_1 & 0 & ... & 0 & 0\\ 0 & a_2 & b_2 & ... & 0 & 0\\ \vdots & \vdots & \vdots & \vdots & \vdots & \vdots\\ 0 & 0 & 0 & ... & a_{n-1} &b_{n-1} \\ b_n & 0& 0 & ... & 0 &a_n \end{vmatrix}=\begin{vmatrix} a_1 & 0 & 0 & ... & 0 &b_n \\ b_1 & a_2 & 0 & ... & 0 & 0\\ 0 & b_2 & a_3 & ... & 0 & 0\\ \vdots & \vdots & \vdots & \vdots & \vdots & \vdots \\ 0 & 0 & 0 & ... & a_{n-1} &0 \\ 0 & 0 & 0 & ... & b_{n-1} &a_n \end{vmatrix}=a_1a_2...a_n+(-1)^{n+1}b_1b_2...b_n a100bnb1a2000b200............00an1000bn1an = a1b10000a2b20000a300...............000an1bn1bn000an =a1a2...an+(1)n+1b1b2...bn

行列式运算

∣ A + B ∣ ≠ ∣ A ∣ + ∣ B ∣ |A+B|\ne |A|+|B| A+B=A+B

第二章 矩阵

矩阵与初等矩阵相乘做初等变换

初等矩阵左行右列
矩阵被向量表示是列表看左,行表看右

互换阵 E i j 互换阵E_{ij} 互换阵Eij 倍乘阵 E i ( k ) 倍乘阵E_i(k) 倍乘阵Ei(k) 倍加阵 E i j ( k ) 倍加阵E_{ij}(k) 倍加阵Eij(k)
行列式 -1 k 1
E i j E_{ij} Eij E i ( 1 k ) E_{i}(\frac{1}{k}) Ei(k1) E i j ( − k ) E_{ij}(-k) Eij(k)
伴随 − E i j -E_{ij} Eij E i ( 1 k ) E_{i}(\frac{1}{k}) Ei(k1) E i j ( − k ) E_{ij}(-k) Eij(k)

矩阵转置的性质

( A T ) T = A (A^T)^T=A (AT)T=A

( k A ) T = k A T (kA)^T=kA^T (kA)T=kAT

( A ± B ) T = A T ± B T (A\pm B)^T=A^T\pm B^T (A±B)T=AT±BT

( A B ) T = B T A T (AB)^T=B^TA^T (AB)T=BTAT

( A − 1 ) T = ( A T ) − 1 (A^{-1})^T=(A^T)^{-1} (A1)T=(AT)1

( A T ) m = ( A m ) T (A^T)^m=(A^m)^T (AT)m=(Am)T

分块矩阵

A = ( A 1 A 2 A 3 A 4 ) , A T = ( A 1 T A 3 T A 2 T A 4 T ) A=\begin{pmatrix} A_1 & A_2\\ A_3&A_4 \end{pmatrix},A^T=\begin{pmatrix} A_1^T & A_3^T\\ A_2^T&A_4^T \end{pmatrix} A=(A1A3A2A4),AT=(A1TA2TA3TA4T)

r ( A B ) ≠ r ( A T B T ) r(AB)\ne r(A^TB^T) r(AB)=r(ATBT)

矩阵伴随的性质

A ∗ = ∣ A ∣ A − 1 ( 若 A 可逆 ) A^*=\left | A \right | A^{-1}(若A可逆) A=AA1(A可逆)

A − 1 = 1 ∣ A ∣ A ∗ A^{-1}=\frac{1}{\left | A \right | } A^* A1=A1A

( A T ) ∗ = ( A ∗ ) T (A^T)^*=(A^*)^T (AT)=(A)T

( k A ) ∗ = k n − 1 A ∗ (kA)^*=k^{n-1}A^* (kA)=kn1A

( A B ) ∗ = B ∗ A ∗ (AB)^*=B^*A^* (AB)=BA

设 M = ( A C 0 B ) ,则 M ∗ = ∣ M ∣ M − 1 = ∣ M ∣ ( A − 1 − A − 1 C B − 1 0 B − 1 ) 设M=\begin{pmatrix} A& C\\ 0&B \end{pmatrix},则M^*=|M|M^{-1}=|M|\begin{pmatrix} A^{-1}&-A^{-1}CB^{-1} \\ 0&B^{-1} \end{pmatrix} M=(A0CB),则M=MM1=M(A10A1CB1B1)

矩阵的逆的性质

A − 1 = A ∗ ∣ A ∣ A^{-1}=\frac{A^*}{|A|} A1=AA

矩阵可逆的充要条件

n阶矩阵A可逆

充要条件: 1. 存在 n 阶矩阵 B ,使得 A B = B A + E ; 2. r ( A ) = n ; 3. ∣ A ∣ ≠ 0 ; 4. A 的列 ( 行 ) 向量线性无关; 5. A x = 0 只有零解; 6.0 不是 A 的特征值; 充要条件: 1.存在n阶矩阵B,使得AB=BA+E;\\ 2.r(A)=n;\\ 3.|A|\ne 0;\\ 4.A的列(行)向量线性无关;\\ 5.Ax=0只有零解;\\ 6.0不是A的特征值;\\ 充要条件:1.存在n阶矩阵B,使得AB=BA+E2.r(A)=n;3.∣A=0;4.A的列()向量线性无关;5.Ax=0只有零解;6.0不是A的特征值;

若矩阵不可逆,则特征值为0
可逆矩阵就是非奇异矩阵,不可逆矩阵就是奇异矩阵

( A − 1 ) − 1 = A (A^{-1})^{-1}=A (A1)1=A

( k A ) − 1 = 1 k A − 1 (kA)^{-1}=\frac{1}{k}A^{-1} (kA)1=k1A1

( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)1=B1A1

( A n ) − 1 = ( A − 1 ) n (A^n)^{-1}=(A^{-1})^n (An)1=(A1)n

( A − 1 ) T = ( A T ) − 1 (A^{-1})^T=(A^T)^{-1} (A1)T=(AT)1

∣ A − 1 ∣ = 1 ∣ A ∣ \left | A^{-1} \right | =\frac{1}{\left | A\right | } A1 =A1

( A B C ) − 1 = C − 1 B − 1 A − 1 (ABC)^{-1}=C^{-1}B^{-1}A^{-1} (ABC)1=C1B1A1

分块矩阵的逆

( A 0 0 B ) − 1 = ( A − 1 0 0 B − 1 ) , ( 0 B A 0 ) − 1 = ( 0 A − 1 B − 1 0 ) \begin{pmatrix} A&0 \\ 0&B \end{pmatrix}^{-1}=\begin{pmatrix} A^{-1}&0 \\ 0&B^{-1} \end{pmatrix},\begin{pmatrix} 0&B \\ A&0 \end{pmatrix}^{-1}=\begin{pmatrix} 0&A^{-1} \\ B^{-1}&0 \end{pmatrix} (A00B)1=(A100B1),(0AB0)1=(0B1A10)

( A C 0 B ) − 1 = ( A − 1 − A − 1 C B − 1 0 B − 1 ) , ( 0 B A C ) − 1 = ( − A − 1 C B − 1 A − 1 B − 1 0 ) \begin{pmatrix} A&C \\ 0&B \end{pmatrix}^{-1}=\begin{pmatrix} A^{-1}&-A^{-1}CB^{-1} \\ 0&B^{-1} \end{pmatrix},\begin{pmatrix} 0&B \\ A&C \end{pmatrix}^{-1}=\begin{pmatrix} -A^{-1}CB^{-1}&A^{-1} \\ B^{-1}&0 \end{pmatrix} (A0CB)1=(A10A1CB1B1),(0ABC)1=(A1CB1B1A10)

二阶矩阵的逆

设矩阵 A = ( a b c d ) 可逆,则 A − 1 = ( d − b − c a ) a d − b c , 可记为 主对调 负变号 行列式 设矩阵A=\begin{pmatrix} a & b\\ c &d \end{pmatrix}可逆,则A^{-1}=\frac{\begin{pmatrix} d& -b\\ -c&a \end{pmatrix}}{ad-bc} ,可记为\frac{主对调~负变号}{行列式} 设矩阵A=(acbd)可逆,则A1=adbc(dcba),可记为行列式主对调 负变号

对角矩阵的逆
副对角线上的也一样,也是取倒数

[ λ 1 ⋱ λ n ] − 1 = [ 1 λ 1 ⋱ 1 λ n ] \begin{bmatrix} \lambda _1 & & \\ & \ddots & \\ & & \lambda _n \end{bmatrix}^{-1}= \begin{bmatrix} \frac{1}{\lambda _1} & & \\ & \ddots & \\ & & \frac{1}{\lambda _n} \end{bmatrix} λ1λn 1= λ11λn1

特征值求行列式

若题干可求得矩阵 A 的所有特征值 λ 1 , λ 2 . . . , λ n , 那么立即有 ∣ A ∣ = λ 1 λ 2 . . . λ n 若题干可求得矩阵A的所有特征值\lambda _1,\lambda _2...,\lambda _n,那么立即有\left | A \right | =\lambda _1\lambda _2...\lambda _n 若题干可求得矩阵A的所有特征值λ1,λ2...,λn,那么立即有A=λ1λ2...λn

A的多项式为0可以推出特征值的多项式为0

f ( A ) = 0 ⟹ f ( λ ) = 0 f(A)=0\Longrightarrow f(\lambda )=0 f(A)=0f(λ)=0

矩阵的秩

秩的公式

等式公式

r ( A ) = r ( A T ) = r ( A A T ) = r ( A T A ) r(A)=r(A^T)=r(AA^T)=r(A^TA) r(A)=r(AT)=r(AAT)=r(ATA)

1.初等变换秩不变

r ( k A ) = r ( A ) r(kA)=r(A) r(kA)=r(A)

2.乘以一个可逆矩阵秩不变

r ( A B ) = r ( B A ) = r ( A ) r(AB)=r(BA)=r(A) r(AB)=r(BA)=r(A)

3.若A与B等价

r ( A ) = r ( B ) r(A)=r(B) r(A)=r(B)

4.左乘列满秩矩阵秩不变,右乘行满秩矩阵秩不变

设 B 列满秩, C 行满秩,则有 r ( A ) = r ( B A ) = r ( A C ) 设B列满秩,C行满秩,则有r(A)=r(BA)=r(AC) B列满秩,C行满秩,则有r(A)=r(BA)=r(AC)

A的伴随矩阵的秩与A的秩的关系

设 A 为 n 阶矩阵,则 r ( A ∗ ) = { n , r ( A ) = n 1 , r ( A ) = n − 1 0 , r ( A ) < n − 1 设A为n阶矩阵,则r(A^*)=\left\{\begin{matrix} n,r(A)=n\\1,r(A)=n-1 \\0,r(A)<n-1 \end{matrix}\right. An阶矩阵,则r(A)= n,r(A)=n1,r(A)=n10,r(A)<n1

分块矩阵的秩

r [ ( A 0 0 B ) ] = r ( A ) + r ( B ) r[\begin{pmatrix} A& 0\\ 0&B \end{pmatrix}]=r(A)+r(B) r[(A00B)]=r(A)+r(B)

r ( A , A B ) = r ( A ) r(A,AB)=r(A) r(A,AB)=r(A)

r ( A B A ) = r ( B ) r\begin{pmatrix} AB\\A \end{pmatrix}=r(B) r(ABA)=r(B)

秩的不等式公式

设 A 是 m × n 型矩阵, 0 ≤ r ( A ) ≤ m i n { m , n } 设A是m\times n 型矩阵,0\le r(A)\le min\left \{ m,n \right \} Am×n型矩阵,0r(A)min{m,n}

m a x { r ( A ) , r ( B ) } ≤ r ( A , B ) ≤ r ( A ) + r ( B ) max\left \{ r(A),r(B)\right \} \le r(A,B)\le r(A)+r(B) max{r(A),r(B)}r(A,B)r(A)+r(B)

r ( A + B ) ≤ r ( A , B ) ≤ r ( A ) + r ( B ) r(A+B)\le r(A,B)\le r(A)+r(B) r(A+B)r(A,B)r(A)+r(B)

r ( A B ) ≤ m i n { r ( A ) , r ( B ) } r(AB)\le min\left \{ r(A),r(B) \right \} r(AB)min{r(A),r(B)}

若 A m × n B n × s = O , 则 r ( A ) + r ( B ) ≤ n 若A_{m\times n}B_{n\times s}=O,则r(A)+r(B)\le n Am×nBn×s=O,r(A)+r(B)n

r ( A ) + r ( B ) ≤ r [ ( A C 0 B ) ] ≤ r ( A ) + r ( B ) + r ( C ) r(A)+r(B)\le r[\begin{pmatrix} A& C\\ 0&B \end{pmatrix}]\le r(A)+r(B)+r(C) r(A)+r(B)r[(A0CB)]r(A)+r(B)+r(C)

特征值与特征向量经过不同变换的结果

A A A k A + b E kA+bE kA+bE A 2 A^2 A2 f ( A ) f(A) f(A) A − 1 A^{-1} A1 A ∗ A^* A P A P − 1 PAP^{-1} PAP1 A T A^T AT
λ \lambda λ k λ + b k \lambda +b +b λ 2 \lambda ^2 λ2 f ( λ ) f(\lambda) f(λ) 1 λ \frac{1}\lambda λ1 d e t ( A ) λ \frac{det(A)}\lambda λdet(A) λ \lambda λ λ \lambda λ
α \alpha α α \alpha α α \alpha α α \alpha α α \alpha α α \alpha α P − 1 α P^{-1}\alpha P1α 不一定 不一定 不一定

对角矩阵

对角矩阵的逆

[ λ 1 ⋱ λ n ] − 1 = [ 1 λ 1 ⋱ 1 λ n ] \begin{bmatrix} \lambda _1 & & \\ & \ddots & \\ & & \lambda _n \end{bmatrix}^{-1}= \begin{bmatrix} \frac{1}{\lambda _1} & & \\ & \ddots & \\ & & \frac{1}{\lambda _n} \end{bmatrix} λ1λn 1= λ11λn1

对角矩阵高次幂

∧ = [ λ 1 ⋱ λ n ] ,则 ∧ n = [ λ 1 n ⋱ λ n n ] \wedge =\begin{bmatrix} \lambda _1 & & \\ & \ddots & \\ & & \lambda _n \end{bmatrix},则\wedge^{n}=\begin{bmatrix} \lambda _1^n & & \\ & \ddots & \\ & & \lambda _n^n \end{bmatrix} = λ1λn ,则n= λ1nλnn

秩1方阵

设A为n阶矩阵,且r(A)=1,则称其为“秩1方阵”

秩1方阵性质

A是实对称,可以对角化

A = α β T , 其中 α 、 β 为非零列向量 A=\alpha \beta ^T,其中\alpha 、\beta为非零列向量 A=αβT,其中αβ为非零列向量

行列式 ∣ A ∣ = 0 行列式|A|=0 行列式A=0

迹 t r ( A ) = α T β = β T α 迹tr(A)=\alpha ^T\beta =\beta ^T\alpha tr(A)=αTβ=βTα

n 次幂 A n = [ t r ( A ) ] n − 1 A n次幂A^n=[tr(A)]^{n-1}A n次幂An=[tr(A)]n1A

对角化 t r ( A ) ≠ 0 ⟺ A 才可以对角化 对角化tr(A)\ne0\Longleftrightarrow A才可以对角化 对角化tr(A)=0A才可以对角化

特征值 λ A 、特征向量 α           λ A = { t r ( A ) = α T β        ⇒ α 为 A 的非零列 0                     ⇒ 瞪眼法求 α 特征值\lambda _A、特征向量\alpha ~~~~~~~~~\lambda _A=\left\{\begin{matrix} tr(A)=\alpha ^T\beta ~~~~~~\Rightarrow \alpha 为A的非零列\\0~~~~~~~~~~~~~~~~~~~\Rightarrow 瞪眼法求\alpha \end{matrix}\right. 特征值λA、特征向量α         λA={tr(A)=αTβ      αA的非零列0                   瞪眼法求α

α β T 、 β α T 是矩阵, α T β 、 β T α 是数字 {\color{Red}\alpha \beta ^T、\beta \alpha ^T是矩阵,\alpha^T \beta 、\beta^T \alpha 是数字 } αβTβαT是矩阵,αTββTα是数字

正交矩阵

正交矩阵定义

设 n 阶矩阵 A = ( a i j ) n × n , 若 A T A = A A T = E ,则称矩阵 A 为正交矩阵 设n阶矩阵A=(a_{ij})_{n\times n},若A^TA=AA^T=E,则称矩阵A为正交矩阵 n阶矩阵A=(aij)n×n,ATA=AAT=E,则称矩阵A为正交矩阵

正交矩阵性质

行列式

∣ A ∣ 的取值要么是 1 要么是 − 1 |A|的取值要么是1要么是-1 A的取值要么是1要么是1

特征值

λ A 的取值要么是 1 要么是 − 1 \lambda _A的取值要么是1要么是-1 λA的取值要么是1要么是1

三大运算

A T = A − 1 A^T=A^{-1} AT=A1

当| A | = 1 时, A T = A − 1 = A ∗ 当|A|=1时,A^T=A^{-1}=A^* 当|A=1时,AT=A1=A

A T 、 A − 1 、 A ∗ 均为正交阵 A^T、A^{-1}、A^*均为正交阵 ATA1A均为正交阵

列向量与行向量

A 的列向量与行向量均是单位向量 A的列向量与行向量均是单位向量 A的列向量与行向量均是单位向量

A 的列向量之间相互正交, A 的行向量之间也相互正交 A的列向量之间相互正交,A的行向量之间也相互正交 A的列向量之间相互正交,A的行向量之间也相互正交

正交阵与正交阵之积是正交阵 正交阵与正交阵之积是正交阵 正交阵与正交阵之积是正交阵

矩阵的迹tr

矩阵对角线上的和等于伴随矩阵的迹

∑ i = 1 n A i i = A 11 + A 22 + A 33 + . . . + A n n = t r ( A ∗ ) \sum_{i=1}^{n}A_{ii}=A_{11}+ A_{22}+ A_{33}+ ...+A_{nn} =tr(A^*) i=1nAii=A11+A22+A33+...+Ann=tr(A)

矩阵相加需要注意

以下拆分只有转置成立

∣ A + B ∣ ≠ ∣ A ∣ + ∣ B ∣ |A+B|\ne |A|+|B| A+B=A+B

( A + B ) − 1 ≠ A − 1 + B − 1 (A+B)^{-1}\ne A^{-1}+B^{-1} (A+B)1=A1+B1

( A + B ) ∗ ≠ A ∗ + B ∗ (A+B)^{*}\ne A^{*}+B^{*} (A+B)=A+B

( A + B ) T = A T + B T (A+B)^{T}= A^{T}+B^{T} (A+B)T=AT+BT

第三章 向量

向量的内积

α = ( a 1 , a 2 , a 3 ) , β = ( b 1 , b 2 , b 3 ) , 做内积 ( α , β ) = a 1 b 1 + a 2 b 2 + a 3 b 3 \alpha =(a_1,a_2,a_3),\beta =(b_1,b_2,b_3),做内积(\alpha ,\beta )=a_1b_1+a_2b_2+a_3b_3 α=(a1,a2,a3),β=(b1,b2,b3),做内积(α,β)=a1b1+a2b2+a3b3

第四章 线性方程组

齐次线性方程组只有零解

n为A的列数
设齐次线性方程组 A m × n = O 设齐次线性方程组A_{m \times n}=O 设齐次线性方程组Am×n=O

r ( A ) = n ⇔ 方程只有零解 r(A)=n\Leftrightarrow 方程只有零解 r(A)=n方程只有零解

齐次线性方程组无穷多解

r ( A ) < n ⇔ 方程有无穷多解 r(A)<n\Leftrightarrow 方程有无穷多解 r(A)<n方程有无穷多解

非齐次线性方程组无解

设齐次线性方程组 A m × n x = y 设齐次线性方程组A_{m \times n}x=y 设齐次线性方程组Am×nx=y

r ( A ) < r ( A , y ) ⇔ 方程无解 r(A)<r(A,y)\Leftrightarrow 方程无解 r(A)<r(A,y)方程无解

非齐次线性方程组有唯一解

r ( A ) = r ( A , y ) = n ⇔ 方程有唯一解 r(A)=r(A,y)=n\Leftrightarrow 方程有唯一解 r(A)=r(A,y)=n方程有唯一解

非齐次线性方程组无穷多解

r ( A ) = r ( A , y ) < n ⇔ 方程无穷多解 r(A)=r(A,y)<n\Leftrightarrow 方程无穷多解 r(A)=r(A,y)<n方程无穷多解文章来源地址https://www.toymoban.com/news/detail-639698.html

到了这里,关于线性代数复习公式整理(自用/持续更新)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 线性代数复习

    本博客主要根据教材《线性代数与解析几何》,代万基编写,对课本上概念等进行简单罗列,融合了一些个人理解,以供复习。 本章内容:矩阵及其运算,向量与分块矩阵,矩阵的初等变换与初等矩阵。 1.1 矩阵及其运算 1.1.1 矩阵的概念 定义1-1:由mxn个数a ij (i1,2,…,m;j=1

    2024年01月25日
    浏览(35)
  • 「6」线性代数(期末复习)

    🚀🚀🚀大家觉不错的话,就恳求大家点点关注,点点小爱心,指点指点🚀🚀🚀  目录   第五章    相似矩阵及二次型 2)方阵的特征值与特征向量 3)相似矩阵   定义6:设A是n阶矩阵,如果数𝛌和n维非零列向量x使关系式 Ax=𝛌x(1) 成立,那么,这样的数𝛌称为矩阵A的

    2024年02月02日
    浏览(84)
  • 线性代数的学习和整理2:什么是线性,线性相关,线性无关 以及什么是线性代数?

    目录 1 写在前面的话 1.1 为什么要先总结一些EXCEL计算矩阵的工具性知识, 而不是一开始就从基础学起呢?  1.2 关于线性代数入门时的各种灵魂发问: 1.3 学习资料 2 什么是线性(关系)? 2.1 线性的到底是一种什么关系: 线性关系=正比例/正相关关系 ≠ 直线型关系 2.2 一次函数

    2024年02月10日
    浏览(53)
  • 线性代数的学习和整理2:什么是线性,线性相关,线性无关 及 什么是线性代数?

    目录 1 写在前面的话 1.1 为什么要先总结一些EXCEL计算矩阵的工具性知识, 而不是一开始就从基础学起呢?  1.2 关于线性代数入门时的各种灵魂发问: 1.3 学习资料 2 什么是线性(关系)? 2.1 线性的到底是一种什么关系: 线性关系=正比例/正相关关系 ≠ 直线型关系 2.2 一次函数

    2024年02月11日
    浏览(135)
  • 线性代数的学习和整理9:线性代数的本质(未完成)

    目录 1 相关英语词汇 1.1 元素 1.2 计算 1.3 特征 1.4 线性相关 1.5 各种矩阵 1.6 相关概念 2 可参考经典线性代数文档 2.1 学习资料 2.2 各种文章和视频 2.3 各种书 2.4 下图是网上找的思维导图 3 线性代数的本质 3.1 线性代数是第2代数学模型 一般的看法 大牛总结说法: 3.2   线性代

    2024年02月09日
    浏览(57)
  • 线性代数复习:行列式

    求行列式就是求这个行列式的值 二,三阶行列式:可以用:对角线法则和沙路法做 对角线法则: 主对角线和的值减去 副对角线积的和值。 a b c d : 值就是ad-bc 注意:n阶:n行n列. 1.下三角法则(主对角线以上都为0): 把行列式化为下三角行列式值等于主对角线的元素的值的

    2024年02月07日
    浏览(40)
  • 线性代数-矩阵--自己复习用

    定义          ***当左边矩阵的列数等于右边矩阵的行数时,两个矩阵相乘才有意义。 ① 矩阵相乘:左行右列 ② 相乘有效:左列右行 满足: ①结合律:(AB)C==A(BC) ②分配律:  (A+B)C==AC+BC    C(A+B)==CA+CB ③数量矩阵同任意矩阵可交换:AE=EA          (λE)A=λA=A(λE) 不满足: ①

    2024年02月03日
    浏览(45)
  • 保研线性代数复习3

    1.什么是生成集(Generating Set)?什么是张成空间(Span)? 存在向量空间V=(V,+,*),和向量集(xi是所说的列向量),如果 每一个属于V的向量都能被A中向量线性组合来表示,那么说明 A 是向量空间 V 的生成集 , A的所有线性组合(所有线性组合不同)称为A的张成空间。 如

    2024年04月13日
    浏览(32)
  • 线性代数笔记整理

    2024年02月11日
    浏览(30)
  • 线性代数-知识点复习(面试用)

    整理:Peter1146717850 一、向量与线性组合 向量:往什么方向走多么远 e.g. ( 1 2 ) begin{pmatrix} 1 \\\\ 2end{pmatrix} ( 1 2 ​ ) 向量的 模 :向量的长度 向量的 加减法 :向量对应元素相加减(前提:维度相同) ( a b c ) + ( x y z ) = ( a + x b + y c + z ) begin{pmatrix} a \\\\b \\\\ cend{pmatrix} + begin{pma

    2024年04月25日
    浏览(36)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包