《线性代数课件（上海交通大学）》

线性代数课件（上海交通大学）欢迎参加上海交通大学线性代数课程！本课程将带您深入探索线性代数的核心概念、定理与应用从矩阵运算到特征值分析，从线性变换到内积空间，我们将系统地学习这门现代数学的基础学科线性代数不仅是数学专业的基础课程，也是工程、计算机科学、物理学等众多学科的重要工具通过本课程的学习，您将掌握解决实际问题的数学方法，为未来的专业发展打下坚实基础课程目标与学习成果掌握基础理论理解并掌握线性代数的基本概念、定理和方法，包括矩阵理论、行列式、向量空间、线性变换等核心内容培养逻辑思维通过线性代数的学习，培养抽象思维能力、逻辑推理能力和空间想象能力，提高数学素养应用解决问题学会运用线性代数的理论和方法解决实际问题，为后续专业课程的学习和科研工作奠定基础第一章矩阵与线性方程组矩阵基础线性方程组12本章首先介绍矩阵的基本概学习线性方程组的矩阵表示，念、表示方法及运算规则，以及利用矩阵求解线性方程包括加法、数乘、乘法等基组的方法，特别是高斯消元本运算，以及特殊矩阵的性法的原理与应用质矩阵变换3研究初等矩阵与初等变换的关系，掌握矩阵的等价变换及其在求解实际问题中的应用矩阵的定义与表示

1.1矩阵的定义由m×n个数按照m行n列排列成的矩形数表，记作A=aᵢⱼₓₘₙ行矩阵只有1行的矩阵，如[a₁a₂...a]ₙ列矩阵只有1列的矩阵，如[a₁a₂...a]ᵀₘ方阵行数等于列数的矩阵m=n零矩阵所有元素都是0的矩阵，记作O矩阵是线性代数中最基本的数学对象，它可以用来表示线性变换、线性方程组等多种数学模型在现代科学计算和工程应用中，矩阵的表示与计算至关重要矩阵的基本运算

1.2矩阵加法矩阵乘法矩阵转置两个同型矩阵的对应若A为m×s矩阵，B为将矩阵A的行与列互换元素相加C=A+B，s×n矩阵，则C=AB为得到的新矩阵，记作A其中cᵢⱼ=aᵢⱼ+bᵢⱼm×n矩阵，其中cᵢⱼ=ᵀ，其中Aᵀᵢⱼ=aⱼᵢΣˢaᵢbⱼₖ₌₁ₖₖ矩阵求逆若存在矩阵B使得AB=BA=I，则称B为A的逆矩阵，记作A⁻¹特殊矩阵介绍

1.3单位矩阵主对角线上的元素全为1，其余元素全为0的n阶方阵，记作I或I_n单位矩阵是矩阵乘法的单位元，对任意矩阵A，有AI=IA=A（当维度匹配时）对角矩阵除主对角线外的元素全为0的方阵，记作diagd₁,d₂,...,d_n对角矩阵的运算非常简便，尤其是在求幂、求逆等计算中具有优势对称矩阵满足A=Aᵀ的方阵，即aᵢⱼ=aⱼᵢ对称矩阵在物理学、工程学和统计学中有广泛应用，如惯性张量、协方差矩阵等正交矩阵满足Q^T Q=Q Q^T=I的方阵Q，其逆矩阵等于其转置矩阵正交矩阵表示空间中的旋转、反射等保持距离的变换线性方程组的矩阵表示

1.4线性方程组的一般形式矩阵表示法a₁₁x₁+a₁₂x₂+...+a₁x=b₁a₂₁x₁+上述方程组可以写成矩阵形式AX=B，其中-A是系数矩ₙₙa₂₂x₂+...+a₂x=b₂...a x₁+a x₂+...+阵，A=aᵢⱼₓ-X是未知向量，X=[x₁,x₂,...,x]ᵀ-ₙₙₘ₁ₘ₂ₘₙₙa x=b B是常数向量，B=[b₁,b₂,...,b]ᵀₘₙₙₘₘ使用矩阵表示线性方程组是线性代数的核心思想之一，它将复杂的方程组运算转化为简洁的矩阵运算，使问题的分析和求解变得更加系统化、抽象化通过研究系数矩阵A的性质，我们可以判断方程组解的存在性和唯一性高斯消元法

1.5回代求解前向消元从最后一个非零行开始，逐步向上代入已求得写出增广矩阵通过初等行变换将增广矩阵化为行阶梯形主的未知数，求解出所有未知数的值将线性方程组的系数矩阵A和常数向量B合并为要操作1）交换两行的位置；2）用非零数乘增广矩阵[A|B]，其中竖线表示分隔某一行；3）将某一行的倍数加到另一行高斯消元法是求解线性方程组最基本也是最重要的方法，在数值计算中被广泛应用通过系统地消去未知数，将复杂的线性方程组转化为等价但更容易求解的形式这种方法也是理解矩阵的秩、线性相关性等深层概念的基础初等矩阵与初等变换

1.6初等行变换初等矩阵1交换两行、用非零数乘某行、某行加上另一由单位矩阵经过一次初等变换得到的矩阵行的倍数2矩阵乘法等价性矩阵的等价4对矩阵A做初等行变换等价于左乘相应的初3两个矩阵通过有限次初等变换可相互转化等矩阵初等矩阵在线性代数中扮演着重要角色，它们是理解矩阵变换和矩阵等价的关键通过研究初等矩阵的性质，我们可以更深入地理解矩阵的结构和线性方程组的解空间初等矩阵还在矩阵求逆、计算行列式以及矩阵分解等问题中有重要应用掌握初等矩阵的运算规律，有助于我们更有效地进行矩阵计算和线性代数问题的分析矩阵的秩

1.71行秩矩阵中线性无关的行向量的最大个数2列秩矩阵中线性无关的列向量的最大个数3基本定理矩阵的行秩等于列秩，统称为矩阵的秩4计算方法通过初等变换将矩阵化为阶梯形，非零行数即为秩矩阵的秩是表征矩阵线性结构的一个重要参数，它反映了矩阵中包含的独立信息量对于m×n矩阵A，其秩r满足r≤minm,n当r=minm,n时，称A为满秩矩阵矩阵的秩与线性方程组解的结构密切相关对于方程组AX=B，当rankA=rank[A|B]时，方程组有解；当rankA=n未知数个数时，若有解则解唯一；当rankAn时，若有解则有无穷多解第二章行列式行列式的定义1介绍n阶行列式的递归定义和按排列定义，以及行列式计算的基本方法行列式的性质2探讨行列式的基本性质，包括转置、行列变换、倍乘关系等，为计算提供便捷途径行列式的展开与计算3学习按行（列）展开定理，以及特殊行列式的计算技巧，如三角形行列式行列式的应用4掌握行列式在解线性方程组、求逆矩阵及几何问题中的重要应用行列式的定义

2.1阶行列式阶行列式1223对于2阶行列式|a₁₁对于3阶行列式，可用沙路a₁₂||a₂₁a₂₂|其值等法则计算|a₁₁a₁₂于a₁₁a₂₂-a₁₂a₂₁，a₁₃||a₂₁a₂₂a₂₃|即主对角线元素乘积减去副=a₁₁a₂₂a₃₃+对角线元素乘积a₁₂a₂₃a₃₁+a₁₃a₂₁a₃₂-a₁₃a₂₂a₃₁-a₁₁a₂₃a₃₂-阶行列式3na₁₂a₂₁a₃₃|a₃₁n阶行列式通常用排列定义detA=Σπ-a₃₂a₃₃|1^τπa₁π₁a₂π₂...aπ其中π表示{1,2,...,n}的一个排ₙₙ列，τπ表示逆序数行列式的性质

2.2转置性质行列交换12矩阵与其转置矩阵的行列式相等detA=detAᵀ交换行列式的两行（或两列），行列式的值变号倍乘关系线性性质34行列式的某一行（或列）乘以常数k，等于用k乘以原行如果行列式的某一行（或列）是两个数列的和，则此行列式列式等于两个行列式的和，其中每个行列式除了该行（列）外都与原行列式相同行列相等行列线性相关56如果行列式中有两行（或两列）完全相同，则行列式的如果行列式中某一行（或列）是其他几行（或列）的线值等于零性组合，则此行列式的值等于零行列式的展开

2.3代数余子式按行（列）展开定理n阶行列式中，去掉第i行和第j列后，所得到的n-1阶行列式称n阶行列式可以按任意一行（或列）展开detA=a₁ⱼA₁为i,j位置的余子式，记作Mᵢⱼ代数余子式Aᵢⱼ=-ⱼ+a₂ⱼA₂ⱼ+...+aⱼAⱼ（按第j列展开）detA=ₙₙ1^i+j·Mᵢⱼaᵢ₁Aᵢ₁+aᵢ₂Aᵢ₂+...+aᵢAᵢ（按第i行展开）ₙₙ行列式的展开定理是计算高阶行列式的重要方法，尤其适用于稀疏矩阵的行列式计算通过选择包含较多零元素的行或列进行展开，可以大大简化计算过程此外，行列式的展开式还揭示了行列式与矩阵伴随的关系，为理解矩阵求逆的本质提供了理论基础在实际应用中，合理选择展开的行或列，可以使计算变得更加高效克拉默法则

2.4构造系数行列式对于线性方程组AX=B，首先计算系数矩阵A的行列式detA构造替换行列式构造矩阵Aⱼ，即用常数向量B替换A的第j列，然后计算detAⱼ求解未知数若detA≠0，则线性方程组有唯一解，且xⱼ=detAⱼ/detA克拉默法则是利用行列式求解线性方程组的一种经典方法，它给出了方程组解的明确表达式该方法要求系数矩阵必须是方阵，且其行列式不为零（即满秩）虽然克拉默法则在理论上很优美，但在实际大规模计算中，由于需要计算多个高阶行列式，其计算量相当大，因此在数值计算中并不常用然而，该法则对于理解线性方程组解的结构和性质仍有重要价值行列式的几何意义

2.5二维情况三维情况线性变换二阶行列式|a b||c d|的绝对值代表以向三阶行列式的绝对值表示以三个列向量在线性变换中，行列式表示变换前后区量a,c和b,d为邻边的平行四边形的面为棱的平行六面体的体积行列式的符域体积的缩放比例|detA|=1的变换积当行列式为正时，两向量的旋转方号则表示这三个向量组成的右手或左手保持体积不变；detA=0的变换将空间向为逆时针；为负时，旋转方向为顺时坐标系压缩到更低维度针第三章向量组的线性相关性向量基础本章首先介绍向量的基本概念和运算，包括向量加法、数乘、内积等，为研究向量组的性质奠定基础线性组合探讨向量的线性组合与线性表示问题，研究一组向量如何线性表示另一组向量，以及向量组的生成子空间线性相关性深入分析向量组的线性相关与线性无关性质，掌握判断向量组线性相关性的方法和技巧向量组的秩研究向量组的秩、极大线性无关组以及基与维数等重要概念，理解它们与线性方程组解的关系向量的定义与运算

3.1向量定义基本运算向量是具有大小和方向的量，可表示为有序实数组x₁,向量的基本运算包括x₂,...,x在线性代数中，我们通常考虑n维实向量空间Rⁿₙ•加法α+β=α₁+β₁,α₂+β₂,...,α+β中的向量ₙₙ•数乘kα=kα₁,kα₂,...,kαₙ•零向量所有分量都为0的向量•内积α·β=α₁β₁+α₂β₂+...+αβₙₙ•单位向量长度为1的向量•外积仅在三维空间定义，α×β是垂直于α和β所在平面的•正交向量内积为0的两个向量向量线性组合与线性表示

3.2线性组合线性表示12给定向量组α₁,α₂,...,α，若向量β可以表示为向量组ₘ形如k₁α₁+k₂α₂+...+α₁,α₂,...,α的线性组合，ₘkα的表达式称为该向量即存在实数k₁,k₂,...,k，ₘₘₘ组的一个线性组合，其中使得β=k₁α₁+k₂α₂k₁,k₂,...,k为实数线+...+kα，则称β可由该ₘₘₘ性组合是向量运算的基本形向量组线性表示线性表示式，它反映了向量之间的线是研究向量组之间关系的关性关系键概念生成子空间3向量组α₁,α₂,...,α的所有线性组合构成的集合称为该向量组生ₘ成的子空间，记作span{α₁,α₂,...,α}生成子空间是线性空间ₘ中最基本的子空间类型线性相关与线性无关

3.3线性相关的定义线性无关的定义判断方法如果存在不全为零的实数k₁,k₂,...,如果仅当k₁=k₂=...=k=0时，判断向量组线性相关性的主要方法

1.ₘk，使得k₁α₁+k₂α₂+...+等式k₁α₁+k₂α₂+...+kα=0求解齐次线性方程组，检查是否有非零ₘₘₘkα=0，则称向量组α₁,α₂,...,成立，则称向量组α₁,α₂,...,α线性解

2.计算向量组所构成矩阵的秩，与ₘₘₘα线性相关直观理解某个向量可无关直观理解每个向量都提供了独向量个数比较

3.逐个检验每个向量是ₘ以由其他向量线性表示立的方向信息否可由前面向量线性表示向量组的秩

3.4向量组的秩1极大线性无关组中向量的个数极大线性无关组2原向量组中线性无关且个数最多的子向量组等价向量组3两个向量组可以互相线性表示向量组与矩阵4向量组可以看作矩阵的列（行）向量组向量组的秩是表征向量组线性结构的重要指标，它反映了向量组中包含的独立信息量若向量组的秩等于向量个数，则该向量组线性无关；若秩小于向量个数，则线性相关在实际应用中，向量组的秩与矩阵的秩密切相关若将向量组表示为矩阵的列向量组，则向量组的秩就等于矩阵的列秩，进而等于矩阵的秩这种联系使得我们可以利用矩阵理论来研究向量组的性质基与维数

3.5基的定义维数的定义线性空间V中的一个向量组，如果它线性无关且可以线性表示线性空间V的维数是指V的基包含的向量个数，记作dimVV中任意向量，则称该向量组为V的一个基基是描述线性空维数是线性空间的一个基本不变量，反映了空间的自由度间结构的最小完备向量组•标准基坐标空间Rⁿ中的标准基为{e₁,e₂,...,e}•有限维空间维数有限的线性空间ₙ•规范基两两正交的单位向量构成的基•无限维空间不存在有限个向量构成基的空间基与维数是线性空间理论中的核心概念任何n维线性空间都与坐标空间Rⁿ同构，这意味着选定基后，我们可以将抽象的线性空间转化为具体的坐标空间进行计算在实际应用中，合理选择基可以使问题的表述和求解变得更加简洁、高效第四章线性空间线性空间基础1介绍线性空间的公理化定义，以及向量空间的基本性质和结构特征子空间理论2研究线性空间的子空间概念，掌握子空间的判定方法、运算及应用坐标与变换3学习基变换与坐标变换的原理，理解不同基下向量表示的转换关系向量空间度量4探讨欧几里得空间的结构，以及正交基、标准正交基的构造方法线性空间的定义与性质

4.1线性空间的定义设V是一个非空集合，K是一个数域如果V中定义了加法运算和数乘运算，满足以下八条公理，则称V是数域K上的线性空间•加法结合律α+β+γ=α+β+γ•加法交换律α+β=β+α•零向量存在性存在θ∈V，使得α+θ=α•负向量存在性对每个α∈V，存在-α∈V，使得α+-α=θ•数乘结合律klα=klα•数乘单位律1·α=α•数乘对向量加法的分配律kα+β=kα+kβ•数乘对数域加法的分配律k+lα=kα+lα子空间

4.2子空间的定义子空间的交与和基本子空间线性空间V的非空子集设W₁,W₂是V的子对于m×n矩阵A，有四W，如果对V中的加法空间

1.交空间个基本子空间

1.列和数乘运算是封闭的，W₁∩W₂={α|空间CA A的列向量则称W是V的一个子空α∈W₁且α∈W₂}

2.生成的子空间

2.行空间换言之，W满足和空间W₁+W₂={α间RA A的行向量生

1.对任意α,β∈W，有+β|α∈W₁,β∈W₂}成的子空间

3.零空间α+β∈W

2.对任意两者都是V的子空间NA齐次方程组α∈W，k∈K，有Ax=0的解空间

4.左零kα∈W空间NA^T齐次方程组x^TA=0的解空间基变换与坐标变换

4.3坐标表示基变换矩阵1向量在给定基下的系数新基向量用旧基表示的系数矩阵2相似变换坐标变换43线性变换在不同基下的矩阵表示新坐标=过渡矩阵^-1×旧坐标基变换是线性空间理论中的重要概念，它揭示了同一个向量在不同基下的表示关系在实际应用中，通过选择合适的基，我们可以使问题的表述和求解变得更加简洁、清晰给定n维线性空间V的两组基{α₁,α₂,...,α}和{β₁,β₂,...,β}，设过渡矩阵P=pᵢⱼ，其中βⱼ=Σᵢpᵢⱼαᵢ则向量γ在两组基下的坐标ₙₙx₁,x₂,...,x和y₁,y₂,...,y满足关系Y=P⁻¹X，其中X和Y分别是坐标向量ₙₙ欧几里得空间

4.4欧几里得空间的定义欧几里得空间的性质实数域上的线性空间V，如果定义了内积运算α,β→α,在欧几里得空间中，我们可以定义

1.向量的长度（范数）⟨β∈R，满足以下公理

1.正定性α,α≥0，等号成||α||=√α,α

2.向量间的距离dα,β=||α-β||

3.向量间⟩⟨⟩⟨⟩立当且仅当α=

02.对称性α,β=β,α

3.线性性的夹角cosθ=α,β/||α||·||β||

4.正交性如果α,⟨⟩⟨⟩⟨⟩⟨kα+lβ,γ=kα,γ+lβ,γ则称V是欧几里得空间β=0，则称向量α和β正交⟨⟩⟨⟩⟨⟩⟩欧几里得空间是我们最常用的线性空间类型，它通过引入内积赋予了线性空间以几何结构在欧几里得空间中，我们可以讨论长度、角度、距离等几何概念，使抽象的线性空间理论更加直观、形象正交基与施密特正交化

4.5选取初始向量从给定的线性无关向量组{α₁,α₂,...,α}开始，取β₁=α₁ₙ构造正交向量对于k=2,3,...,n，计算β=α-Σⱼ₌₁ᵏ⁻¹α,βⱼ/βⱼ,ₖₖ⟨ₖ⟩⟨βⱼ·βⱼ即从α中减去它在已构造的正交向量β₁,β₂,...,β⟩ₖₖ₋₁上的投影归一化处理对每个正交向量β进行归一化，得到单位正交向量γ=β/||β||ₖₖₖₖ施密特正交化是一种将线性无关向量组转化为正交基或标准正交基的重要方法这一过程保持了原向量组张成的子空间不变，即span{α₁,α₂,...,α}=ₙspan{β₁,β₂,...,β}=span{γ₁,γ₂,...,γ}ₙₙ在实际应用中，正交基和标准正交基具有许多优良性质，使得计算更加简便例如，向量在标准正交基下的坐标可以直接通过内积计算得到，矩阵在正交基下的表示往往具有更简单的形式第五章线性变换变换的基本概念1本章首先介绍线性变换的定义和基本性质，包括核空间、像空间等基本概念，为深入研究变换的结构奠定基础矩阵表示2探讨线性变换与矩阵的关系，研究如何利用矩阵表示线性变换，以及不同基下变换的矩阵表示间的联系特征结构3学习特征值、特征向量等重要概念，掌握矩阵对角化的条件与方法，理解其在实际应用中的意义相似理论4深入研究线性变换的相似关系，理解不变子空间的概念，掌握判断矩阵是否相似的方法和技巧线性变换的定义与性质

5.1线性变换的定义核空间与像空间维数定理设V、W是数域K上的线性空间，映线性变换T:V→W的核空间KerT对于有限维线性空间V上的线性变换射T:V→W称为线性变换，如果对={α∈V|Tα=0}线性变换T的像T:V→W，有dimV=任意α,β∈V和任意k,l∈K，有空间ImT={Tα|α∈V}核空间dimKerT+dimImT这一定理Tkα+lβ=kTα+lTβ即T保持线是V的子空间，像空间是W的子空间反映了线性变换的保维性质性组合的形式不变线性变换的矩阵表示

5.2基下表示1在给定基下确定变换矩阵列向量规则2矩阵列向量是基向量的像的坐标坐标变换法则3输出向量坐标=变换矩阵×输入向量坐标基变换下的矩阵4B=P⁻¹AP P为过渡矩阵线性变换与矩阵的密切联系是线性代数中最重要的思想之一给定线性空间V和W的基，任何线性变换T:V→W都可以用一个唯一的矩阵A来表示，使得对任意向量α∈V，其像Tα的坐标等于矩阵A与α坐标的乘积反过来，任何矩阵也都对应一个线性变换这种对应关系使我们可以将抽象的线性变换转化为具体的矩阵运算，大大简化了计算和分析过程在实际应用中，根据问题的需要选择合适的基来表示线性变换，往往能使问题的结构更清晰相似变换

5.3相似的定义相似的意义相似不变量如果存在可逆矩阵P，使得B=P⁻¹AP，相似矩阵表示同一线性变换在不同基下相似矩阵具有许多共同的性质，称为相则称矩阵A与B相似，记作A~B相似的矩阵如果在基{α₁,α₂,...,α}下，似不变量，包括

1.行列式detA=ₙ关系是一种等价关系，具有自反性、对线性变换T的矩阵为A，在基{β₁,detB

2.迹trA=trB

3.秩称性和传递性β₂,...,β}下的矩阵为B，且两组基的rankA=rankB

4.特征多项式|λI-ₙ过渡矩阵为P，则B=P⁻¹AP A|=|λI-B|

5.特征值（包括重数）不变子空间

5.41不变子空间的定义设T:V→V是线性空间V上的线性变换，如果V的子空间W满足对任意α∈W，都有Tα∈W，则称W是T的一个不变子空间直观上，这意味着变换T将W中的向量仍然映射到W中2特征子空间设λ是T的一个特征值，则与λ对应的特征子空间Vλ={α∈V|Tα=λα}是T的一个不变子空间特征子空间是研究线性变换结构的关键对象3不变子空间的意义不变子空间允许我们将复杂的线性变换分解为在较小子空间上的更简单变换如果找到一组T的不变子空间，使得V是它们的直和，则T的作用可以分别在每个子空间上考虑，大大简化了分析4不变子空间的应用在实际问题中，识别线性变换的不变子空间往往是解决问题的关键例如，在振动分析中，识别系统的特征模式（即特征向量）可以将复杂的耦合振动分解为简单的独立振动特征值与特征向量

5.5特征值的定义特征向量的性质特征空间设A是n阶方阵，如果

1.特征向量不唯一，特征值λ对应的所有特存在非零向量x和数λ，若x是特征向量，则kx征向量及零向量构成使得Ax=λx，则称λk≠0也是同一特征值的集合Vλ={x|Ax=是A的一个特征值，x的特征向量

2.不同特λx}称为特征空间，它是A对应于特征值λ的征值的特征向量线性是齐次线性方程组λI-特征向量特征方程无关

3.特征向量的几Ax=0的解空间，维|λI-A|=0何意义在线性变换数等于方程组的自由下，方向保持不变，变量个数仅发生伸缩对角化

5.6对角化定义如果存在可逆矩阵P，使得P⁻¹AP是对角矩阵，则称A可对角化对角化后的矩阵D=P⁻¹AP=diagλ₁,λ₂,...,λ，其中λᵢ是A的特征值ₙ对角化条件n阶方阵A可对角化的充要条件是A有n个线性无关的特征向量等价地，A的每个特征值λᵢ的代数重数等于其几何重数（即对应特征空间的维数）对角化步骤

1.求A的特征值λ₁,λ₂,...,λ

2.对每个特征值λᵢ，求方程组λᵢI-Ax=0的ₙ基础解系

3.将所有特征向量作为列向量构成矩阵P

4.对角矩阵D=diagλ₁,λ₂,...,λₙ对角化应用对角化可以大大简化矩阵幂、矩阵函数等计算A^k=PD^kP⁻¹=P·diagλ₁^k,λ₂^k,...,λ^k·P⁻¹fA=PfDP⁻¹=P·diagfλ₁,ₙfλ₂,...,fλ·P⁻¹ₙ第六章二次型二次型基础1本章首先介绍二次型的定义和矩阵表示，研究实二次型的标准形和规范形合同变换2探讨二次型的合同变换理论，掌握将二次型化为标准形的方法和技巧正定性3学习正定二次型的概念和判别方法，理解正定性在实际应用中的重要意义几何应用4研究二次型在几何中的应用，特别是对二次曲线和二次曲面的分类与表示二次型的定义与矩阵表示

6.1二次型的定义形如fx₁,x₂,...,x=Σᵢⱼaᵢⱼxᵢxⱼₙ的多项式，其中aᵢⱼ=aⱼᵢ矩阵表示fX=XᵀAX，其中A是对称矩阵，A=aᵢⱼ，X=[x₁,x₂,...,x]ᵀₙ标准形fY=λ₁y₁²+λ₂y₂²+...+λy²，其中λᵢ是矩阵A的特征值ₙₙ规范形fZ=z₁²+z₂²+...+z²-ₚz²-...-zᵧ²，其中p+q≤nₚ₊₁ₚ₊惯性指数正项系数的个数p称为正惯性指数，负项系数的个数q称为负惯性指数二次型是代数学和几何学中的重要对象，它通过对称矩阵与向量的乘积形式表示在解析几何中，二次型对应于二次曲线和曲面，如椭圆、双曲线、抛物线等；在力学中，二次型表示系统的能量函数；在统计学中，二次型出现在多元正态分布的密度函数中合同变换

6.2合同的定义合同与相似1若存在可逆矩阵P，使得B=PᵀAP，则称矩阵A对称矩阵的合同等价于正交相似2与B合同实对称矩阵4合同不变量3通过正交变换可对角化为特征值矩阵合同矩阵具有相同的正负惯性指数合同变换是研究二次型的核心工具，它保持二次型的本质特征不变与相似变换不同，合同变换不一定保持特征值，但会保持正负惯性指数，这是二次型分类的重要依据实对称矩阵的特征值都是实数，且存在n个两两正交的特征向量这一性质使得我们可以通过正交变换将二次型化为标准形，其中对角线上的元素就是原矩阵的特征值这种变换在几何上对应于坐标轴的旋转，使得二次曲线或曲面的主轴与坐标轴对齐正定二次型

6.3正定二次型的定义如果对任何非零向量X，都有fX=XᵀAX0，则称二次型fX为正定二次型，矩阵A为正定矩阵直观理解在任何非零点处，函数值都为正正定的判定条件实对称矩阵A正定的充要条件

1.A的所有特征值都为正

2.A的所有顺序主子式都为正

3.A可以分解为A=BBᵀ，其中B为满秩矩阵

4.存在可逆矩阵P，使得A=PᵀP半正定二次型如果对任何向量X，都有fX=XᵀAX≥0，则称fX为半正定二次型，A为半正定矩阵半正定矩阵的特征值非负，且至少有一个特征值为0正定二次型的应用正定二次型在最优化问题、稳定性分析、机器学习等领域有广泛应用例如，在最优化中，目标函数的Hessian矩阵为正定矩阵时，对应的驻点为极小值点二次曲面的标准形

6.4二次曲面是空间中由二次方程fx,y,z=ax²+by²+cz²+2dxy+2exz+2fyz+2gx+2hy+2iz+j=0确定的曲面通过适当的坐标变换，二次曲面方程可以化为标准形，主要有以下几种类型•椭球面x²/a²+y²/b²+z²/c²=1•单叶双曲面x²/a²+y²/b²-z²/c²=1•双叶双曲面x²/a²+y²/b²-z²/c²=-1•椭圆抛物面z=x²/a²+y²/b²•双曲抛物面z=x²/a²-y²/b²第七章内积空间内积空间基础1介绍内积空间的公理化定义，以及由内积诱导的范数与度量结构正交结构2研究正交补空间的性质，学习投影定理及其在实际问题中的应用正交变换3掌握正交变换与正交矩阵的概念，以及它们在几何变换中的特殊性质对称矩阵对角化4深入理解对称矩阵的谱分解，以及在各种应用中的重要性内积的定义与性质

7.1内积的定义诱导的概念在实线性空间V上，如果映射α,β→α,β∈R满足以下条内积诱导了一系列重要概念

1.范数||α||=√α,α

2.距⟨⟩⟨⟩件，则称它为V上的内积

1.正定性α,α≥0，等号成立离dα,β=||α-β||

3.夹角cosθ=α,β/||α||·||β||

4.正⟨⟩⟨⟩当且仅当α=

02.对称性α,β=β,α

3.第一变元的线交性α,β=0时，称α与β正交这些概念使内积空间具有⟨⟩⟨⟩⟨⟩性性kα+lβ,γ=kα,γ+lβ,γ配备了内积的线性丰富的几何结构⟨⟩⟨⟩⟨⟩空间称为内积空间内积空间是线性代数与几何学、分析学交汇的重要领域在有限维情形，任何内积空间都同构于欧几里得空间Rⁿ，但内积的抽象定义使我们能够在更一般的函数空间中讨论几何概念，如函数的长度、函数之间的角度和距离等正交补与投影

7.2正交补空间投影定理最小二乘原理设W是内积空间V的子空间，W的正交补对于内积空间V中的向量α和子空间W，向量α到子空间W的距离定义为dα,W定义为W⊥={α∈V|α,β=0,存在唯一的分解α=β+γ，其中β∈=min{||α-β|||β∈W}=||α-PWα||投影⟨⟩∀β∈W}W⊥也是V的子空间，且W，γ∈W⊥向量β称为α在W上的正交PWα是W中距离α最近的向量，这一原dimW+dimW⊥=dimV投影，记作PWα理是最小二乘法的数学基础正交变换与正交矩阵

7.3正交变换的定义正交矩阵的性质内积空间V上的线性变换T称为正交变换，如果对任意α,β∈V，正交矩阵是满足QᵀQ=QQᵀ=I的矩阵正交矩阵的重要性质有Tα,Tβ=α,β即T保持内积不变正交变换保包括⟨⟩⟨⟩持向量的长度和向量间的夹角•正交矩阵的列（行）向量构成标准正交基正交变换的几何意义是刚体运动，如旋转和反射，不含伸缩•正交矩阵的逆等于其转置Q⁻¹=Qᵀ每个正交变换都可以分解为若干个基本反射的复合•正交矩阵的行列式为±1•detQ=1的正交矩阵表示纯旋转变换•detQ=-1的正交矩阵表示旋转加反射的变换对称矩阵的对角化

7.4谱定理任何n阶实对称矩阵A都可以正交对角化，即存在正交矩阵Q，使得QᵀAQ=Λ=diagλ₁,λ₂,...,λ，其中λᵢ是A的特征值ₙ特征分解实对称矩阵A可以表示为A=QΛQᵀ=λ₁q₁q₁ᵀ+λ₂q₂q₂ᵀ+...+λq qᵀ，其中qᵢ是对应于特征值λᵢ的单位特征向量这种分解称为A的谱ₙₙₙ分解或特征分解应用举例谱分解简化了对称矩阵的多项式计算A^k=QΛ^kQᵀ=λ₁^kq₁q₁ᵀ+λ₂^kq₂q₂ᵀ+...+λ^kq qᵀ类似地，矩阵函数也可以简化fA=ₙₙₙQfΛQᵀ=fλ₁q₁q₁ᵀ+fλ₂q₂q₂ᵀ+...+fλq qᵀₙₙₙ对称矩阵的谱分解是线性代数中最重要的结果之一，它在多个领域有广泛应用在统计学中，协方差矩阵的谱分解是主成分分析的基础；在量子力学中，哈密顿算符的谱分解给出系统的能量本征态；在振动分析中，质量-刚度矩阵的广义特征问题可通过谱分解求解第八章标准型Jordan多项式理论1本章首先介绍最小多项式的概念和性质，研究矩阵多项式的理论，为Jordan标准型的构造奠定基础幂零变换2探讨幂零变换和幂零矩阵的概念，理解它们在Jordan标准型构造中的核心作用标准型3Jordan学习Jordan标准型的构造方法和结构特征，掌握将矩阵化为Jordan标准型的步骤和技巧应用分析4研究Jordan标准型在求解微分方程、矩阵函数计算以及动力系统分析中的应用最小多项式

8.1最小多项式的定义定理Cayley-Hamilton对于n阶方阵A，使得mA=0任何方阵都满足其特征多项式，的非零首一多项式mλ中次数即如果pλ=|λI-A|是A的特征最低的多项式称为A的最小多项多项式，则pA=0这意味着式最小多项式是研究矩阵特最小多项式一定是特征多项式性的重要工具，它包含了矩阵的因式，且次数不超过n的核心代数性质最小多项式的性质

1.最小多项式的根就是A的特征值，但重数可能与特征多项式不同

2.矩阵可对角化的充要条件是其最小多项式无重根

3.相似矩阵具有相同的最小多项式

4.若λᵢ是A的特征值，则λ-λᵢ^sᵢ是最小多项式的因式，其中sᵢ是λᵢ的代数重数幂零变换与幂零矩阵

8.2幂零变换的定义1线性变换T:V→V称为幂零变换，如果存在正整数k，使得T^k=0最小的满足T^k=0的正整数k称为T的幂零指数幂零变换是研究Jordan标准型的基础幂零矩阵的性质2n阶幂零矩阵N满足N^k=0（某k≤n）幂零矩阵的特征值全为0，但Jordan标准型可能包含多个Jordan块幂零矩阵不可逆，且traceN=03幂零矩阵的Jordan标准型任何幂零矩阵都相似于一个特殊的Jordan标准型，其中所有Jordan块的对角线元素都是0Jordan块的大小对应于幂零变换的阶梯结构幂零分解4根据Jordan-Chevalley分解，任何矩阵A都可以唯一地分解为A=S+N，其中S是可对角化矩阵，N是幂零矩阵，且SN=NS这种分解揭示了矩阵的半单和幂零成分标准型的构造

8.3Jordan特征值分解求出矩阵A的所有特征值λ₁,λ₂,...,λ及其代数重数m₁,m₂,...,mₖₖ变换矩阵分解将矩阵分解为A=SJS⁻¹，其中J是Jordan标准型，S是变换矩阵对每个特征值λᵢ，构造对应的Jordan块广义特征向量求解A-λᵢI^j·v=0但A-λᵢI^j-1·v≠0的向量v，构造Jordan链并确定Jordan块的大小组合变换矩阵将各特征值对应的广义特征向量按特定顺序排列，构成变换矩阵S矩阵S⁻¹AS即为所求的Jordan标准型Jordan标准型是矩阵在复数域上的最简形式，它揭示了矩阵的完整代数结构每个矩阵都与唯一的Jordan标准型相似，但变换矩阵通常不唯一Jordan标准型的构造虽然在理论上很清晰，但在实际计算中可能相当复杂，特别是对于高阶矩阵和重特征值的情况标准型的应用

8.4Jordan矩阵幂的计算矩阵函数微分方程组利用Jordan标准型可以有效对于解析函数fz，矩阵函数在求解常系数线性微分方程计算矩阵的高次幂若A=fA=SfJS⁻¹Jordan标组Xt=AXt时，通过将系SJS⁻¹，则A^k=SJ^kS⁻¹准型使得矩阵函数的计算归数矩阵A化为Jordan标准型，对于Jordan块J_rλ，其k次结为对各Jordan块应用函数，可以将方程组解耦为更简单幂有明确的组合公式，大大而函数在Jordan块上的作用的形式，从而得到通解的显简化了计算有明确的递推公式式表达式动力系统分析在动力系统理论中，矩阵A确定的离散动力系统xn+1=Axn或连续动力系统xt=Axt的长期行为取决于A的Jordan标准型结构第九章线性代数的应用数据分析应用优化问题图形计算本章首先介绍线性代数在数据分析中的探讨线性代数在优化问题中的应用，特研究线性代数在计算机图形学中的关键应用，包括线性回归、主成分分析等重别是最小二乘法在数据拟合、图像处理作用，包括几何变换、图像处理、3D要方法，展示线性代数工具在提取数据等领域的广泛应用，理解其数学原理和建模等方面的应用，掌握线性变换在图模式和降维中的强大能力实现方法形渲染中的基本原理线性回归

9.1问题描述给定数据点x₁,y₁,x₂,y₂,...,x,y，寻找线性函数fx=ax+ₙₙb，使得预测值与实际值之间的误差平方和最小矩阵表示将问题转化为矩阵方程Xβ=y，其中X是设计矩阵，β=[a,b]ᵀ是参数向量，y是响应向量目标是找到β使||Xβ-y||²最小最小二乘解解为β=X^TX⁻¹X^Ty，这对应于y在X列空间上的正交投影几何上，这意味着残差向量Xβ-y与X的列空间正交评估与应用通过确定系数R²、残差分析等方法评估模型质量线性回归广泛应用于经济预测、科学研究、工程建模等领域主成分分析（）

9.2PCA目标与原理数学过程应用领域主成分分析PCA是一种降维技术，旨在对于数据矩阵X

1.中心化数据X̃=X PCA在数据压缩、图像处理、特征提取、找到数据中的主要变异方向它通过寻-μ（μ为均值向量）

2.计算协方差矩阵模式识别等领域有广泛应用例如，在找数据协方差矩阵的特征向量，将高维S=1/nXᵀ̃X̃

3.求解特征值问题Sv=人脸识别中，PCA用于提取特征脸；在数据投影到由主特征向量张成的低维空λv

4.选取最大的k个特征值对应的特征基因表达分析中，PCA用于识别主要的间向量作为主成分

5.将数据投影到主成分表达模式；在金融中，PCA用于构建风上Y=X̃V，其中V的列是选定的特征向险模型量最小二乘法

9.3最小二乘原理正规方程与解法最小二乘法的核心思想是最小化误差平方和对于超定线性方上述条件导致正规方程AᵀAx̂=Aᵀb当AᵀA可逆时（A列满程组Ax=b（方程数多于未知数），通常不存在精确解，因此秩），唯一解为x̂=AᵀA⁻¹Aᵀb实际计算中，通常不直接寻找一个向量x̂使得残差向量r=b-Ax̂的长度（欧氏范数）最求逆，而是使用QR分解、奇异值分解等数值稳定的方法小当存在多解时（AᵀA奇异），通常选择范数最小的解，即x̂=从几何角度看，这相当于寻找A的列空间中最接近b的向量Ax̂，A⁺b，其中A⁺是A的伪逆（Moore-Penrose逆）使得残差r与A的列空间正交，即Aᵀr=0，也就是Aᵀb-Ax̂=0最小二乘法在科学与工程中有广泛应用，包括数据拟合、参数估计、信号处理等它是处理含有测量误差或随机扰动的实际问题的基本工具在统计学中，最小二乘法是线性回归的基础；在测量学中，它用于处理冗余测量；在控制理论中，它用于系统辨识和状态估计图像处理中的应用

9.4线性代数在图像处理中扮演着核心角色，因为数字图像本质上可以表示为矩阵，每个元素对应一个像素值以下是一些主要应用•图像压缩通过奇异值分解SVD实现将图像矩阵分解为U,Σ,V三个矩阵，保留最大的k个奇异值及对应的奇异向量，可以获得原图像的最佳k秩近似•图像滤波利用卷积运算（本质是特殊的矩阵乘法）实现模糊、锐化等效果不同的卷积核矩阵对应不同的滤波效果•特征提取通过主成分分析PCA、线性判别分析LDA等方法提取图像的主要特征，用于人脸识别、目标检测等任务•图像重建在计算机断层扫描CT、核磁共振成像MRI等医学成像技术中，线性方程组的求解是图像重建的关键步骤计算机图形学中的应用

9.5几何变换1平移、旋转、缩放等基本变换投影与视图2透视投影和正交投影的矩阵表示光照模型3利用向量计算反射和散射曲线与曲面4贝塞尔曲线和B样条的矩阵公式线性代数是计算机图形学的基础，几乎所有核心概念都依赖于矩阵和向量运算在3D图形渲染管线中，点、线、面等几何元素通过齐次坐标x,y,z,w表示，而几何变换通过4×4矩阵实现例如，旋转、平移、缩放可以统一用矩阵乘法表示，大大简化了计算机图形的实现在高级图形技术中，线性代数的应用更加广泛例如，光线追踪涉及求解线性方程确定光线与物体的交点；全局光照计算需要求解大型线性方程组；动画中的骨骼变形使用线性混合蒙皮；物理模拟依赖于微分方程的数值解法，而这些方法大多基于线性代数复习与总结

（一）基本概念回顾向量空间线性变换向量的线性相关性、线性组合、线性变换的定义与性质；线性线性表示；向量空间的定义、变换的矩阵表示；特征值与特矩阵与行列式子空间概念；基与维数的概念征向量；矩阵的对角化条件和内积与二次型和性质方法矩阵的定义、基本运算、特殊内积空间的性质；正交性与投矩阵；行列式的定义、性质和影；对称矩阵的谱分解；二次计算方法；矩阵的秩与线性方型的标准形和规范形；正定性程组解的关系判断2314复习与总结

（二）关键定理与方法向量空间基本定理向量组的秩等于其极大线性无关组中向量的个数；n维向量空间中，任何包含n个线性无关向量的向量组是一个基；向量空间的任何两个基包含相同数量的向量线性方程组理论有解的充要条件系数矩阵的秩等于增广矩阵的秩；唯一解的充要条件系数矩阵的秩等于未知数个数；解的结构通解=齐次方程组的通解+非齐次方程组的一个特解特征值与对角化特征方程|λI-A|=0的根是矩阵A的特征值；n阶方阵可对角化的充要条件是它有n个线性无关的特征向量；实对称矩阵总是可以正交对角化，且特征值均为实数二次型与Jordan标准型实二次型总可化为标准形；惯性定理规范形中正项系数个数和负项系数个数是二次型的不变量；任何方阵都相似于唯一的Jordan标准型，其结构由特征值及其对应的Jordan块决定复习与总结

（三）典型例题解析矩阵求逆与线性方程组特征值与对角化例题求矩阵A=

[213][1-12]

[321]的逆矩阵，并解方程例题求矩阵A=

[31]

[13]的特征值和特征向量，并对A进行组AX=B，其中B=[1,0,2]ᵀ对角化解法利用初等行变换法求逆矩阵首先构造增广矩阵[A|I]，解法解特征方程|λI-A|=0得到特征值λ₁=4,λ₂=2求通过行变换将左侧化为单位矩阵，则右侧即为A⁻¹然后利用解λᵢI-AX=0得到对应的特征向量构造P由特征向量组成，X=A⁻¹B求解方程组则P⁻¹AP=diag4,2例题判断二次型fx,y,z=2x²+3y²-4z²+2xy-4yz+2xz的正定性解法构造对应的对称矩阵A，计算顺序主子式行列式或者求A的特征值，判断是否全为正也可将二次型化为标准形，观察正项系数个数结语线性代数在现代科学中的重要性1理论基础价值线性代数是数学中最基础的学科之一，为微积分、概率统计、离散数学等提供工具和思想它的抽象结构和系统方法论对整个数学体系的发展有着深远影响2科学研究支撑在物理学中，量子力学、相对论、电磁学等领域大量应用线性代数；在化学中，分子轨道理论、光谱分析依赖于线性代数；在生物学中，基因表达分析、生态系统建模也需要线性代数工具3工程技术应用在信息技术领域，机器学习、人工智能、计算机图形学、密码学等都以线性代数为基础；在工程领域，结构分析、控制系统、信号处理等技术应用广泛采用线性代数方法4未来发展方向随着科学技术的发展，线性代数与其他学科的交叉融合将不断加深，特别是在大数据分析、量子计算、智能系统等前沿领域，线性代数的作用将更加突出。