考研线性代数知识梳理之矩阵视角.pdfVIP

考研线性代数知识梳理之矩阵视角 ●矩阵分类 ●普通矩阵：A^{T},A^{*},A^{-1},A ●关系： ●若a_{ij}=A_{ij}，则A^{*}=A^{T} ●若a_{ij}=-A_{ij} ，则A^{*}=-A^{T} ●运算性质： ●A^{-1}+B^{-1}=A^{-1}(A+B)B^{-1} ●四元素矩阵求逆： ●A_{2\times2}=\begin{bmatrix}ab\\cd\end{bmatrix} \to A^{- 1}=\begin{bmatrix} d-b\\-ca\end{bmatrix} ●分块矩阵A=\begin{bmatrix} BO\\DC\end{bmatrix} ●初等矩阵：E_{i}(k) 、E_{ij}(k) 、E_{ij} ●互换初等阵E_{ij} ●|E_{ij}|=-1 ●E_{ij}^{T}=E_{ij} ●E_{ij}^{-1}=E_{ij} ● ●倍加初等阵 ●倍乘初等阵 ●r(A)=1 具有以下特殊的运算性质： ●可以将A 视作\alpha=[a_{1},a_{2},...,a_{i}]和\beta=[b_{1},b_{2},...,b_{i}] 的内 积，即A=\alpha\beta^{T} ●A 的幂函数 A^{n}=\alpha\beta^{T}\alpha\beta^{T}...\alpha\beta^{T}=\alpha(\beta^{T}\alpha )(\beta^{T}\alpha)(...)\beta^{T} ，其中，\beta^{T}\alpha=tr(A)，为常数，故 A^{n}=[tr(A)]^{n-1}A ● ●A,B 乘积可交换，即AB=BA ●若A 有n 个互不相同的特征值，则A 的特征向量都是B 的特征向量，即两 矩阵的特征向量相同，即相似对角化所采用的手段也相同。 该结论在考试时应用需要证明。 ●运算矩阵及其运算方法： ●可逆矩阵 ● ●相似矩阵：实质上是对矩阵的一次“整容” ●相似的条件： 满足相似对角化的条件也同样可以说明矩阵相似 ●一般相似条件： ●定义法：存在可逆矩阵P ，使得P^{-1}AP=B 成立，应用：抽象性矩 阵证明、计算求解B 的时候常用 ●传递法：A\sim B,B\sim C,则A\sim C ，应用：通常情况下结合A,B 具 有相同的特征值，则A,B 拥有相同特征值构成的的对角矩阵\Lambda 来构造A\sim \Lambda,B\sim \Lambda,则A\sim B，从而证明A,B 相似。 ●*做题时可以通过“必要性”——即相似的性质：若A\sim B 做题。 ●相似对角化的条件：“整容出来最好看的矩阵” 黄色：充要；红色：充分 ●n 个线性无关的特征向量 ●k 重解有且只有k 个线性无关的特征向量 ●n 个不同的特征值 ●实对称矩阵 ●相似的性质：若A\sim B 矩阵的相似可以用于反求参数的问题：正交矩阵、合同矩阵、实对称矩阵变 换等问题。 ●r(A)=r(B) ●|A|=|B| ●|\lambda E-A|=|\lambda E-B| ●A,B 具有相同的特征值，则A,B 拥有相同特征值构成的的对角矩阵 \Lambda 特征值的取值范围是一样的 ●tr(A)=tr(B) ●属于\lambda_A 的特征向量的个数，等于属于\lambda_B 的特征向量的个 数。 当前四条性质判断相似失效后，第五条可以发挥重要作用。当 A,B 特征 值为n 重根，也可以转化为r(\lam