w wyl123ly 的博客
MD

常用公式速查

17 KB 2026.10.11 原文件

常用公式速查

用途

全库 45 篇笔记里所有值得背下来的公式与结论都在这张表上。随时查这一篇;能默写出这张表,说明真的掌握了。

记号约定

矩阵 为 ,秩 ;向量用粗体 ;转置 ,共轭转置 。

详细约定见 关于本笔记库。


一、向量运算

公式说明
点积的两种写法
长度
点积的几何意义
正交判定
展开式(勾股定理的一般形式)
三角不等式
Cauchy–Schwarz 不等式
投影到 :一维投影

二、矩阵运算

公式说明
转置反序
求逆反序
转置与求逆可交换
伴随矩阵公式
:必须背
但
结合律成立
(一般)交换律不成立
()伴随矩阵的迭代(国内教材)

三、行列式

公式说明
乘法性
转置不变
逆的行列式
( 阶)提取因子
消元后主元之积(含换行符号)
可逆 核心判据
排列定义( 项)
按第 行展开
代数余子式
范德蒙德:经典结论
克莱姆法则:理论价值大于计算价值
= 体积伸缩因子几何意义
叉积:行列式的应用
换元公式:Jacobi 行列式

四、秩与四大子空间

这是全库最该背下来的一组公式

子空间定义所在空间维数
列空间
零空间
行空间
左零空间
公式说明
行秩 = 列秩 = 重要定理
可解 可解性条件
解唯一 唯一性条件
完整解 特解 + 零空间
秩的次可加性
乘积的秩
Sylvester 不等式(国内教材重点)
由 Sylvester 推出的常用结论
正规方程可用的前提
等价 同秩;标准形 等价标准形(国内教材)
维数公式(国内教材)
直和判据

秩 的四种情形( 个方程、 个未知数):

情形解的个数
唯一解
无解或唯一解
无穷多解
且 无解或无穷多解

五、正交性与投影

公式说明
核心正交关系
核心正交关系
投影到 :秩 1 投影矩阵
投影到 :一般投影
若 :正交基下的简化
,投影矩阵的刻画
也是投影矩阵投影到正交补
法方程:最小二乘
残差:,且 误差与列空间正交
标准正交基坐标:正交基的最大好处
,,正交矩阵的性质
,正交补的维数与对合性

六、特征值与对角化

公式说明
()定义
特征方程
迹 = 特征值之和
行列式 = 特征值之积
可对角化( 个无关特征向量)
矩阵幂
( 实对称)正交对角化
对称矩阵特征值全为实数谱定理
的特征值为 ; 的为 ; 的为 特征值变换
三角矩阵的特征值 = 对角元快速判断
微分方程组的解
矩阵指数
稳定 (连续)/ (离散)稳定性判据
几何重数 代数重数;可对角化 每个特征值两者相等可对角化判据

七、二次型与正定

公式说明
二次型 标准形( 对称)
正定 一切 有 定义
正定 全部特征值 判别 1
正定 全部顺序主子式 判别 2(Sylvester 判据)
正定 消元主元全 判别 3
正定 , 可逆判别 4(Cholesky)
正定 与 合同合同视角(国内教材)
惯性定理:规范形中正、负项个数 由 唯一确定合同不变量
规范形:二次型的最终标准形式
合同 同秩,但同秩 合同常见误区
相似 同特征多项式;合同与相似互不包含三种「等价」的区别
恒半正定;列无关时正定连接最小二乘
Rayleigh 商:特征值的极值刻画

八、SVD 与伪逆

公式说明
奇异值分解
奇异值来源
降序排列
关键关系
最优低秩逼近 Eckart–Young 定理
误差恰为下一个奇异值
伪逆 列相关时的最小二乘
条件数 敏感性度量
行列式与奇异值

九、范数与条件数

名称定义
1-范数
2-范数
-范数
矩阵 2-范数
Frobenius 范数
条件数
误差放大
诱导范数 = 最大列和, = 最大行和,
条件数最小的矩阵( 正交)
条件数的几何意义 = 到最近奇异矩阵的相对距离
迭代法充分条件严格对角占优 Jacobi 与 Gauss–Seidel 都收敛
GS 与 Jacobi 的谱半径(相容次序矩阵)
共轭梯度在 个互异特征值时 步精确收敛
机器精度(双精度)

条件数与行列式的区别

,且不随矩阵整体缩放改变();

而 会随尺度剧烈变化。判断「接近奇异」要看 ,不是 。

十、可逆矩阵的等价条件(最重要的总结表)

对 方阵 ,下面这些说法全部等价****

1. 可逆( 存在)

2.

3. 秩 (满秩)

4. 零空间 ( 只有零解)

5. 的列线性无关

6. 的行线性无关

7. 列空间 (列张成整个空间)

8. 对每个 都有唯一解

9. 消元后主元全部非零(无零主元)

10. 的特征值全部非零

11. 全部奇异值

12. 正定

13. 可表示为初等矩阵之积

14. (或 )且 的对角元全非零

15. 等价于 (等价标准形就是 )

16. 的列构成 的一组基

十一、矩阵分解一览

分解形式条件用途
LU无零主元解方程
带置换 LU可逆通用解方程
Cholesky对称正定快速解正定系统
QR列无关最小二乘
正交对角化实对称二次型、PCA
SVD任意矩阵降维、压缩、伪逆
等价标准形任意矩阵判定等价、求秩
合同标准形实对称二次型的规范形

详细对比见 附录-矩阵分解总览。

三种「等价」的区别(国内教材重点)

| 关系 | 形式 | 保留什么 | 标准形 |

|---|---|---|---|

| 等价 | | 只保留秩 | |

| 相似 | | 特征值、迹、行列式 | Jordan 形 |

| 合同 | | 惯性指数 | 规范形 |

相似 等价,合同 等价,但相似与合同互不包含。

十二、应用中的核心结论

领域结论在哪一篇
图与网络关联矩阵 :(拉普拉斯矩阵);连通图 [[10-1-图与网络]]
网络流量流量方程 有解 ;解的个数 = 回路数[[10-1-图与网络]]
Markov 链稳态 满足 ;全正转移矩阵的 单重[[10-2-Markov矩阵与稳态]]
PageRank, 为阻尼系数[[10-2-Markov矩阵与稳态]]
线性规划最优解必在顶点取得;对偶与互补松弛[[10-3-线性规划]]
傅里叶傅里叶系数 = 内积;截断级数 = 最小二乘意义下的最优逼近[[10-4-傅里叶级数与函数空间]]
图形学齐次坐标使平移成为矩阵;法向量用 变换[[10-5-图形学与密码学]]
概率统计协方差矩阵 = 中心化随机变量的 Gram 矩阵;正定 分量线性无关[[12-2-协方差矩阵]]
加权最小二乘[[12-3-多元高斯与加权最小二乘]]
广义最小二乘[[12-3-多元高斯与加权最小二乘]]
马氏距离,等价于白化后的欧氏距离[[12-3-多元高斯与加权最小二乘]]

十三、numpy / scipy 速查

常用调用

```python

import numpy as np

from scipy import linalg

A = np.array([[1., 2.], [3., 4.]])

np.linalg.det(A) # 行列式

np.linalg.inv(A) # 逆矩阵

np.linalg.matrix_rank(A) # 秩

np.linalg.solve(A, b) # 解 Ax = b(推荐,优于 inv)

np.linalg.lstsq(A, b) # 最小二乘

np.linalg.qr(A) # QR 分解

np.linalg.svd(A) # SVD

np.linalg.eig(A) # 特征值(一般矩阵,可能是复数)

np.linalg.eigh(A) # 特征值(对称矩阵,返回实数且升序)

np.linalg.norm(A, 2) # 2-范数(= 最大奇异值)

np.linalg.cond(A) # 条件数

linalg.lu(A) # 带置换的 LU

linalg.cholesky(S) # Cholesky

```

数值计算的四个常识

1. 解方程用 solve,不要用 inv(A) @ b——前者更快也更稳。

2. 对称矩阵用 eigh 而不是 eig——前者保证实特征值且结果升序。

3. 比较浮点数不要用 ==,用 np.allclose。

4. 不要用 det == 0 判断奇异,用条件数或秩。

相关笔记

  • 00-索引:全库导航
  • 关于本笔记库:符号约定
  • 附录-矩阵分解总览:分解的详细对比
  • 3-5-四大子空间的维数:第四节公式的来源
  • 6-5-二次型与标准形:规范形与惯性定理的完整推导
  • 11-2-范数与条件数:第九节数值部分
  • 学习路线图:学习顺序建议

参考来源

  • Gilbert Strang《Introduction to Linear Algebra》第 5 版
  • 陈维新《线性代数》(第二版),科学出版社 —— 本库的等价标准形、维数公式、惯性定理与规范形、伴随矩阵、Sylvester 不等式等部分参照该书体系
  • MIT 18.06 Linear Algebra 公开课:<https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/>
  • NumPy 线性代数例程:<https://numpy.org/doc/stable/reference/routines.linalg.html>
  • SciPy 线性代数模块:<https://docs.scipy.org/doc/scipy/reference/linalg.html>

关于符号差异

国内外教材在符号上存在差异(行列式 或 、转置 或 、秩 或 )。

本表统一采用 关于本笔记库 的约定;与授课教材不一致时以授课教材为准。