线性代数知识点总结.docVIP

线性代数知识点总结

一、行列式

行列式是线性代数中的一个重要概念。它是一个由方阵的元素按照特定规则计算得到的数值。

对于二阶行列式\(\begin{vmatrix}ab\\cd\end{vmatrix}=ad-bc\)。三阶行列式可以按照对角线法则等方法计算，但对于更高阶行列式，通常采用按行（列）展开的方法。行列式具有多种性质，如交换行列式的两行（列），行列式变号；某一行（列）的公因子可以提到行列式外面等。利用这些性质可以简化行列式的计算。

二、矩阵

1.矩阵的基本概念

-矩阵是由数排成的矩形阵列，例如\(A=\begin{pmatrix}a_{11}a_{12}\cdotsa_{1n}\\a_{21}a_{22}\cdotsa_{2n}\\\vdots\vdots\ddots\vdots\\a_{m1}a_{m2}\cdotsa_{mn}\end{pmatrix}\)，其中\(a_{ij}\)为矩阵\(A\)的元素。

-特殊矩阵包括零矩阵（所有元素都为0）、单位矩阵（主对角线元素为1，其余为0的方阵）等。

2.矩阵的运算

-矩阵的加法要求矩阵同型，对应元素相加。矩阵的数乘是用一个数乘以矩阵的每个元素。

-矩阵的乘法要求前一个矩阵的列数等于后一个矩阵的行数。若\(A\)是\(m\timesn\)矩阵，\(B\)是\(n\timesp\)矩阵，则\(AB\)是\(m\timesp\)矩阵，且\((AB)_{ij}=\sum_{k=1}^{n}a_{ik}b_{kj}\)。矩阵乘法不满足交换律，但满足结合律和分配律。

3.矩阵的逆

-对于方阵\(A\)，如果存在方阵\(B\)，使得\(AB=BA=I\)（\(I\)为单位矩阵），则称\(A\)可逆，\(B\)为\(A\)的逆矩阵，记为\(A^{-1}\)。判断矩阵可逆的一个重要条件是矩阵的行列式不为0。求逆矩阵可以使用伴随矩阵法\(A^{-1}=\frac{1}{\vertA\vert}A^\)（其中\(A^\)为\(A\)的伴随矩阵），也可以使用初等行变换法。

三、向量

1.向量的基本概念

-向量可以看作是矩阵的特殊形式，\(n\)维向量\(\alpha=(a_1,a_2,\cdots,a_n)^T\)（列向量）或\(\alpha=(a_1,a_2,\cdots,a_n)\)（行向量）。

2.向量组的线性相关性

-对于向量组\(\alpha_1,\alpha_2,\cdots,\alpha_m\)，如果存在不全为零的数\(k_1,k_2,\cdots,k_m\)，使得\(k_1\alpha_1+k_2\alpha_2+\cdots+k_m\alpha_m=0\)，则称向量组线性相关；否则称向量组线性无关。判断向量组线性相关性可以通过构造矩阵，将向量组作为矩阵的列（行），然后求矩阵的秩，若秩小于向量个数则线性相关，等于向量个数则线性无关。

3.向量组的秩

-向量组的极大线性无关组所含向量的个数称为向量组的秩。可以通过初等行变换将矩阵化为行阶梯形矩阵，非零行的行数就是矩阵的秩，也就是向量组的秩。

四、线性方程组

1.线性方程组的表示形式

-线性方程组\(\begin{cases}a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1\\a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n=b_2\\\vdots\\a_{m1}x_1+a_{m2}x_2+\cdots+a_{mn}x_n=b_m\end{cases}\)可以写成矩阵形式\(Ax=b\)，其中\(A=(a_{ij})\)为系数矩阵，\(x=(x_1,x_2,\cdots,x_n)^T\)为未知数向量，\(b=(b_1,b_2,\cdots,b_m)^T\)为常数项向量。

2.线性方程组的解的判定

-利用系数矩阵\(A\)和增广矩阵\(\overline{A}=(A\vertb)\)的秩来判定。若\(rank(A)=rank(\overline{A})\)，方程组有解；当\(rank(A)=rank(\overline{A})=n\)（未知数个数）时，方程组有唯一解；当\(rank(A)=rank(\overline{A})n\)时，方程组有无穷多解。若\(rank(A)rank(\overline{A})\)，方程组无解。

3.线性方程组的求解方法

-对于有唯一解的方程组，可以使用克莱姆法则（当系数矩阵为方阵且行列式不为0时），也可以通过初等行变换将增广矩阵化为行最简形矩阵求解。对于有无穷多解的方程组，求出