《高等代数》重要概念复习
《高等代数》重要概念复习
- 线性方程组
- 线性方程组解的个数
- 线性相关性
- 矩阵的秩
- 线性方程组有解判别定理
- 线性方程组解的结构
- 矩阵
- 矩阵的计算
- 矩阵的逆
- 等价矩阵
- 正交矩阵
- 矩阵对角化
- 相似矩阵
- 特征值与特征向量
- 矩阵可对角化条件
- 实对称矩阵的对角化
- 二次型
- 二次型及其矩阵表示
- 正定二次型
线性方程组
线性方程组解的个数
- 如果齐次线性方程组中方程的个数少于未知量的个数,则它有非零解.
- 方程个数与未知量个数相等时,有非零解的充分必要条件是,系数行列式的值为0.
线性相关性
- 如果有数域中的数k1,k2,⋯k_1,k_2,\cdotsk1,k2,⋯,使得β=k1α1+k2α2+⋯\beta =k_1\alpha_1+k_2\alpha_2+\cdotsβ=k1α1+k2α2+⋯,则称β\betaβ是α1,α2,⋯\alpha_1,\alpha_2,\cdotsα1,α2,⋯的线性组合.
- 零向量是任何向量的线性组合.
- 果一个向量组1的任意向量都可以由另外一个向量组2线性表出,那么就说向量组1可以由向量组2线性表出,如果两个向量组可以互相线性表出,那么就说两个向量组等价.
- 1如果有数域中的不全为零的数k1,k2,⋯k_1,k_2,\cdotsk1,k2,⋯,使得0=k1α1+k2α2+⋯0 =k_1\alpha_1+k_2\alpha_2+\cdots0=k1α1+k2α2+⋯,则称α1,α2,⋯\alpha_1,\alpha_2,\cdotsα1,α2,⋯线性相关.若只有当kik_iki全为0时等式成立,那么就称α1,α2,⋯\alpha_1,\alpha_2,\cdotsα1,α2,⋯线性无关.
- α1,α2,⋯\alpha_1,\alpha_2,\cdotsα1,α2,⋯线性相关的充分必要条件是齐次方程组有非零解.线性无关的充分必要条件是只有零解.
- 极大线性无关组:如果这个部分组本身是线性无关的,但是再从原向量组中的其他向量添加一个进去后,所得的部分组都线性相关.极大线性无关组所含向量个数称为向量组的秩.
矩阵的秩
矩阵的行秩=列秩=行列式秩
线性方程组有解判别定理
- 线性方程组有解的充分必要条件:系数矩阵的秩=增广矩阵的秩
- 齐次线性方程组有非零解的充分必要条件:系数矩阵的秩小于n
线性方程组解的结构
- 对于齐次方程组:(1)两个解的和也是方程组的解.(2)一个解的倍数也是方程组的解.
- 齐次线性方程组的基础解系:一组解,线性无关且原方程组的所有解均能表示成这组解的线性组合.
- 在齐次线性方程组有非零解时,基础解系中解的个数为n-r.
矩阵
矩阵的计算
矩阵的乘法满足结合律不满足交换律.
矩阵的逆
矩阵可逆的充分必要条件是非退化的.
等价矩阵
- 矩阵经过一系列初等变换所得到的矩阵均为等价矩阵.(初等变换:互换行、某一行乘非零常数、某一行的k倍加到另外一行)
- 施行一次初等行变换=左乘初等矩阵,施行一次初等列变换=右乘初等矩阵.
- 方阵可逆的充要条件为:它能表示为一些初等矩阵的乘积.
正交矩阵
- 正交矩阵AA′=EAA'=EAA′=E
- 向量内积(α,β)=0(\alpha,\beta)=0(α,β)=0,则两向量正交.
- 正交向量组:向量组中任意两个向量都正交而且每个向量都不是零向量.
- 正交向量组一定线性无关.
- 可以利用施密特正交化方法将线性无关向量组转化为正交向量组.
矩阵对角化
相似矩阵
- 相似:如果存在可逆矩阵XXX,使得B=X−1AXB=X^{-1}AXB=X−1AX,那么AAA和BBB相似.
- 相似矩阵具有相同的行列式的值,并且具有相同的可逆性.
特征值与特征向量
- 特征值和特征向量:非零列向量α\alphaα使得Aα=λ0αA\alpha=\lambda_0 \alphaAα=λ0α
- n阶矩阵A与一个对角矩阵相似的充分必要条件是:AAA有nnn个线性无关的特征向量.
- 相似矩阵具有相同的特征多项式、相同的特征值.
- Hamilton-Caylay 定理:设AAA是一个nnn阶矩阵,f(λ)=∣λE−A∣f(\lambda)=|\lambda E-A|f(λ)=∣λE−A∣是AAA的特征多项式,那么f(A)=0f(A)=0f(A)=0.
矩阵可对角化条件
- 属于不同特征值的特征向量一定线性无关.
- nnn阶方阵AAA可对角化的充要条件是:对AAA的每个特征值λi\lambda_iλi,r(λE−A)=n−λi的重数r(\lambda E-A)=n-\lambda_i\text{的重数}r(λE−A)=n−λi的重数,换言之,属于λi\lambda_iλi的线性无关的特征向量的最多个数为λi\lambda_iλi的重数.
- 如果nnn矩阵有nnn个不同的特征值,那么矩阵可以化为对角矩阵.
- 如果复系数矩阵AAA的特征多项式没有重根,那么AAA可以化为对角形.
- 每个nnn阶复系数矩阵AAA都与一个若尔当形矩阵矩阵相似.这个若而当形矩除去若而当块的排列次序外,是被矩阵AAA唯一确定的,它被称为AAA的若而当标准形.
实对称矩阵的对角化
- 实对称矩阵的特征多项式的根都是实数.
- 设AAA是一个nnn阶实对称矩阵,那么可以找到nnn阶正交矩阵TTT,使得T−1ATT^{-1}ATT−1AT为对角矩阵.
- 实对称矩阵的不同特征值的特征向量是正交的.
二次型
二次型及其矩阵表示
- 线性变换X=CYX=CYX=CY,如果矩阵CCC是非退化的,那么线性变换就是非退化的.
- 合同:对于数域FFF上的nnn阶矩阵AAA和BBB,如果有FFF上的nnn阶可逆矩阵使得B=C′ACB=C'ACB=C′AC,那么AAA和BBB是合同的.
- 任意一个实二次型都可以经过正交变换化成标准形,系数为特征多项式的全部特征根.
- 数域 FFF上任意一个二次型都可以经过非退化的线性变换化成平方和的形式.
- 任一个对称矩阵都合同于一个对角矩阵.
- 任一个复数的对称矩阵都合同于一个对角矩阵[1,1,⋯,0,0,⋯][1,1,\cdots,0,0,\cdots][1,1,⋯,0,0,⋯];
- 任一个实数的对称矩阵都合同于一个对角矩阵[1,⋯,−1,⋯,0,⋯][1,\cdots,-1,\cdots,0,\cdots][1,⋯,−1,⋯,0,⋯],其中,正平方项的系数为正惯性指数,复平方项的个数为负惯性指数,之差为符号差.
- 两个同阶的实对称矩阵合同的充分必要条件是,他们的秩和正惯性指数分别相等.
正定二次型
- 正定二次型:实二次型f(x1,x2,⋯,xn)f(x_1,x_2,\cdots,x_n)f(x1,x2,⋯,xn)对于任意一组不全为零的实数c1,c2,⋯,cnc_1,c_2,\cdots,c_nc1,c2,⋯,cn都有f(c1,c2,⋯,cn)>0f(c_1,c_2,\cdots,c_n)>0f(c1,c2,⋯,cn)>0.其规范型为单位矩阵.
- 正定二次型的充分必要条件:(1)正惯性指数为nnn.(2)与单位矩阵合同.(3)特征值全大于0.(4)顺序主子式全大于0.
- 正定矩阵的行列式大于0.
《高等代数》重要概念复习相关推荐
- UA MATH523A 实分析1 集合论基础1 基本概念复习
UA MATH523A 实分析1 集合论基础1 基本概念复习 先复习几个概念: ϕ\phiϕ(空集).N\mathbb{N}N(自然数集,不含0).Z\mathbb{Z}Z(整数集).Q\mathbb ...
- CCIE理论-第一篇-SDN概念复习
CCIE理论-第一篇-SDN概念复习 SDN-软件定义网络(Software Defined Network,SDN 最主要的核心概念是方便管理设备 传统网络 其实这个SDN也不是多牛逼的东西,他只是 ...
- 软件工程期末概念复习
软件工程期末概念复习 简答题6道,猜想软件.软件工程.软件危机.软件过程模型.软件测试和软件维护各一道. 画图题看ppt吧,也可以看这个大佬的总结软件工程期末总结 其他随缘了 1. 软件 软件:软件是 ...
- 数据库系统概念 复习总结
数据库系统概念 Database Systems Concepts 第六版 来源:https://blog.csdn.net/qq_39326472/article/details/88420916 ...
- oracle 概念复习,oracle复习整理
1.数据库操作语言 SQL(struct query language) select 语句 DDL(数据定义语句) create table drop table alter table DML语句 ...
- Linux RHCE常用命令,概念复习
1. Linux主机的网络管理:1>. 命令方式nmcli: 通过DHCP获取 ...
- 机械工程控制基础概念复习
控制论两个核心:信息和反馈 控制论与机械工程控制关系:机械工程控制论是研究控制论在机械工程中应用的一门技术学科. 控制论发展阶段及特点:第一阶段的自动控制理论,即经典伺服机构理论,成熟于40~50年代 ...
- 概率统计概念复习:MAPMLE
1 似然函数与概率函数 对于条件概率函数P(x∣θ): 如果θ是已知确定的,x是变量,这个函数叫做概率函数(probability function),它描述对于不同的样本点x,其出现概率是多少. 如 ...
- C++基本概念复习之二:多重继承、虚继承、纯虚函数(抽象类)
一.多重继承: #include <iostream> using namespace std; class Horse { public: Horse(){cout<<&qu ...
最新文章
- Adobe源码泄漏?3行代码搞定,Flash动画无缝导入Android/iOS/cocos2dx(一)
- 模板 - 二分图(包含全套常用定理性质)
- python 函数复习
- 临危不乱,.Net+IIS环境经常出现的问题及排障。(转)
- 三角形的几何公式大全_数学老师精心整理:小学四年级公式大全,各个知识点逢考必有...
- C# DataTable的詳細用法
- Adobe illustrator 魔棒工具批量操作 - 连载 7
- loaded the ViewController nib but the view outlet was not set. 处理方式
- 关于【cocos2dx-3.0beta-制作flappybird】教程在3.2project中出现找不到CCMenuItem.h的解决方法...
- webm格式怎么转换成mp4?
- java解析axure原型rp文件_AxureRP原型制作中在线文件的存储方案
- 小红书API根据关键词取商品列表,Onebound数据
- Sentinel流量防控卫兵
- 经典语录-2014330
- 九宫格图片怎么操作?这里有你想要的方法
- 做为中层管理者的你,应该扮演什么角色
- 微视linux scsi驱动超时错误处理
- 【数据库视频】报表服务
- Fiddle作为代理服务器后,无法登录浏览器上网问题?
- 浅谈android应用之版本特性