线性代数------矩阵1

最新推荐文章于 2022-05-20 20:19:21 发布

Sskuki

最新推荐文章于 2022-05-20 20:19:21 发布

阅读量1.8k

点赞数

分类专栏：线性代数文章标签：线性代数

本文链接：https://blog.csdn.net/Sskuki/article/details/108610742

版权

线性代数专栏收录该内容

5 篇文章 1 订阅

订阅专栏

矩阵

矩阵是什么

先来看一个很有意思的小题目:

现在有5个房子, 房子的门的颜色有黄,蓝,红,绿和橙色

人物有:小明, 小红, 小兰, 小白, 小黄.

宠物有: 蜗牛, 小狗, 小猫, 小白兔, 小金鱼

饮料有: 水, 茶, 牛奶, 果汁, 咖啡.

食物有: 圆葱, 香蕉, 苹果, 蘑菇, 蛋糕.

现在的情况是这样的:

小明住在红门的房子里.

喝牛奶的住在中间房子里.

小白有只小猫, 邻居有只小金鱼.

小黄住在最左边的房子里.

住在绿门房子里的喝咖啡.

吃圆葱的住在吃苹果的右边.

小兰和茶还有只小狗.

吃蛋糕的喝果汁.

绿门房子在最右边, 橙门房子在其左边.

吃苹果的邻居有只小狗.

吃蘑菇的有一直小蜗牛.

小白吃香蕉.

住在黄门房子里的吃苹果.

小黄的邻居加的房门是蓝色的.

问题是: 谁喝水, 谁有只小金鱼.

最简单的作法就是做一个数表.

	房子1	房子2	房子3	房子4	房子5
门
人物
宠物
饮料
食物

根据题目提供的信息,依次把信息填入数表,就能得出问题的答案.

生活中这样的数表比比皆是.

把这些数表中代表的具体事项去掉,只单独抽象出这些数字来, 就得到了矩形的数表. 这些数表就称做矩阵.英文是matrix.

由

矩阵还可以用来表示线性方程组.

比如: $a_{11}x_1 + a_{12}x_2 + \ldots + a_{1n}x_n=b1, \\a_{21}x_1 + a_{22}x_2 + \ldots + a_{2n}xn=b2, \\ \cdots \cdots \cdots \cdots \\a_{m1}x_1 + a_{m2}x2 + \ldots + a_{mn}x_n=b_m$

$a_{11}$

可以表示为:

$\left[\begin{matrix} a_{11}\qquad a_{12} \qquad \ldots \qquad a_{1n} \qquad b1\\ a_{21}\qquad a_{22} \qquad \ldots \qquad a_{2n} \qquad b2 \\ \cdots \cdots \cdots \cdots\\ a_{m1} \qquad a_{m2} \qquad \ldots \qquad a_{mn} \qquad b_m \end{matrix}\right]$

矩阵还可以表示为线性变换的描述.这一点我们讲线性代数的直观表示的时候再讲.

由 $\times n$ 个数按一定的次序排成的m行n列的矩形鼠标称为 $\times n$ 的矩阵, 简称矩阵.

$\left[\begin{matrix} a_{11}\qquad a_{12} \qquad \ldots \qquad a_{1n}\\ a_{21}\qquad a_{22} \qquad \ldots \qquad a_{2n} \\ \cdots \cdots \cdots \cdots\\ a_{m1} \qquad a_{m2} \qquad \ldots \qquad a_{mn}\end{matrix}\right]$

手写矩阵一般会用圆括号, 打印会用中括号,因为好看.

横的各排称为矩阵的行, 竖的各排称为矩阵的列. $a_{ij}$ 称为矩阵的第 $i$ 行 $j$ 列的元素.

元素是实数的矩阵称为实矩阵, 我们只讨论实矩阵.

矩阵通常用大写字母表示A,B,C,D等.

只有一行的矩阵叫做行矩阵, 只有一列的矩阵叫做列矩阵.

matrix的复数是什么?

几种特殊的矩阵

方阵

行列数相等的矩阵就是方阵

方阵有主对角线和斜对角线.

零矩阵

全是0的矩阵,叫做零矩阵, 一般用大写的O表示.

对角矩阵(对角阵)

主对角线上的元素是非0元素, 其他位置都是0的矩阵.

对角阵用 $\Lambda$ 表示

单位矩阵

主对角线上全是1,其余部分全是0的矩阵.记做 $E_n$

数量阵

主对角线上的元素都是非零的相同元素.(也是一种对角矩阵)

三角阵

三角阵分为上三角阵和下三角阵

上三角阵是主对角线及其上方元素非零, 下三角阵是主对角线及其下方元素非零.

梯形阵

设 $A=(a_{ij})_{m\times n}$ 为非零矩阵,若非零行(即至少有一个非零元素的行)全在零行的上面, A中各非零行中的第一个(最后一个)非零元素前(后)面零元素的个数随行数增大而增多(减少), 则称为上(下)梯形矩阵. 简称为上(下)梯形阵.

$\left[\begin{matrix} 1\qquad 2 \qquad 3 \qquad 4 \qquad 5\\ 0\qquad 0 \qquad 7 \qquad 8 \qquad 0\\ 0 \qquad 0 \qquad 0 \qquad0 \qquad 0 \end{matrix}\right] 是什么矩阵?$

$\left[\begin{matrix} 5\qquad 7 \qquad 0 \qquad 12 \qquad 3\\ 0\qquad 1 \qquad 2 \qquad 2 \qquad 1\\ 0 \qquad 0 \qquad 0 \qquad8 \qquad 9 \\ 0 \qquad 0 \qquad 0 \qquad8 \qquad 1 \end{matrix}\right] 是什么矩阵?$

$\left[\begin{matrix} 1\qquad 0 \qquad 0 \qquad 0 \qquad 0\\-9\qquad 6 \qquad 0 \qquad 0 \qquad 0\\ 1 \qquad 2 \qquad 3 \qquad0 \qquad 0 \\ 5 \qquad 2 \qquad 3 \qquad3 \qquad 0 \end{matrix}\right] 是什么矩阵?$

$\left[\begin{matrix} 1\qquad 0 \qquad 0 \qquad 0\\ 1\qquad 2 \qquad 0 \qquad 0 \\ 0 \qquad 0 \qquad 0 \qquad0 \end{matrix}\right] 是什么矩阵?$

简单来说就是上梯形阵0元素的个数在增加, 下梯形阵0元素的个数在减少,对增加或减少的数量没有要求.

思考, 以下两个矩阵是否是梯形阵?

$\left[\begin{matrix} 1\qquad 0 \qquad 0 \qquad 0 \qquad 0\\ 5\qquad 0 \qquad 6 \qquad 0 \qquad 0\\ 2 \qquad 3 \qquad 4 \qquad0 \qquad 0 \\ 0 \qquad 0 \qquad 0 \qquad0 \qquad 0 \end{matrix}\right]$

$\left[\begin{matrix} 4\qquad 4 \qquad 3 \qquad 2 \qquad 1\\ 1\qquad 2 \qquad 3 \qquad 0 \qquad 0\\ 1 \qquad 0 \qquad 0 \qquad0 \qquad 0 \end{matrix}\right]$

矩阵的运算

矩阵的线性运算

相等

两个矩阵相等是指这两个矩阵行列数相同,且对应元素相等.即:

$A=(a_{ij})_{m \times n} = B=(b_{ij})_{m \times n}, 对应元素相等a_{ij}=b_{ij}$

加,减法

矩阵的加,减法就是同型矩阵对应元素相加减.

$A=(a_{ij})_{m \times n} = B=(b_{ij})_{m \times n} 定义$

$(a_{ij} +b_{ij})_{m \times n} \qquad A - B = (a_{ij} - b_{ij})_{m \times n}$

运算规律:

$\\ A + O = A = O + A, A - A = O$

负矩阵: $A=(a_{ij})_{m\times n}的负矩阵为(-a_{ij})_{m \times n}$

数乘

矩阵与数的乘法,简称数乘, k与矩阵A的数乘,记做: $k A$

即每个元素和k做乘法.

运算规律:

$\\k(lA)=(kl)A, (k + l)A=kA +lA$

矩阵的乘法

观察下面两组方程

${y_1 = a_{11}x_1 + a_{12}x_2 + a_{13}x3 \\y_2= a_{21}x_1 + a_{22}x_2 + a_{23}x3}$

与

$x_1 = b_{11}t_1 + b_{12}t2\\x_2 = b_{21}t1 + b_{22}t2\\x_3 = b_{31}t_1 + b_{32}t2$

能得出:

$y_1 = (a_{11}b_{11} + a_{12}b_{21} + a_{13}b_{31})t_1 + (a_{11}b_{12} + a_{12}b_{12} + a_{13}b_{32}t_2)\\ y_2 = (a_{21}b_{11} + a_{22}b_{21}+a_{23}b_{31})t_1 + (a_{21}b_{12} + a_{22}b_{22} + a_{23}b_{32})t2$

上面两个关于 $y_1, y_2$ 的方程组可以看做是两个矩阵的乘积:

$\left[\begin{matrix} a_{11}\qquad a_{12} \qquad a_{13} \\ a_{21}\qquad a_{22} \qquad a_{23} \end{matrix}\right] \left[\begin{matrix} b_{11}\qquad b_{12} \\ b_{21}\qquad b_{22} \\b_{31} \qquad b_{32} \end{matrix}\right] =$

$\left[\begin{matrix} a_{11}b_{11} + a_{12}b_{21} + a_{13}b_{31} \qquad a_{11}b_{12} + a_{12}b_{22} + a_{13}b_{32}\\ a_{21}b_{11} + a_{22}b_{21} + a_{23}b_{31} \qquad a_{21}b_{12} + a_{22}b_{22} + a_{23}b_{32} \end{matrix}\right]$

一般地, 有:

$A=(a_{ij})_{m\times s} \qquad B=(b_{ij})_{s \times n} \qquad C=AB=(C_{ij})_{m\times n}$

$C_{m\times n} = A_{m\times s}B_{s\times n}$

A 与B满足什么条件能够相乘?

A的列数要和B的行数相同.

例1:

$A=\left[\begin{matrix} 1\qquad 1\\ -1\qquad -1 \end{matrix}\right] \qquad B= \left[\begin{matrix} 1\qquad -1\\ -1\qquad 1 \end{matrix}\right]$

求 $A B, B A$

$\left[\begin{matrix} 0\qquad 0\\ 0\qquad 0 \end{matrix}\right] \qquad BA=\left[\begin{matrix} 2\qquad 2\\ -2\qquad -2 \end{matrix}\right]$

显然 $\neq BA$

矩阵乘法不满足交换律.

例2:

$A=\left[\begin{matrix} 2\qquad 4\\ -3\qquad -6 \end{matrix}\right] \qquad B= \left[\begin{matrix} -1\qquad 4\\ 2\qquad -1 \end{matrix}\right] \qquad C=\left[\begin{matrix} 1\qquad 0\\ 1\qquad 1 \end{matrix}\right]$

求 $A B, A C$

$AB=\left[\begin{matrix} 6\qquad 4\\ -9\qquad -6 \end{matrix}\right] \qquad AC=\left[\begin{matrix} 6\qquad 4\\ -9\qquad -6 \end{matrix}\right]$

$\Rightarrow AB=AC$ 但是 $\neq C$

总结: 矩阵乘法和实数乘法有一下三点不同:

矩阵乘法不满足交换律.
矩阵乘法不满足消去律.
矩阵乘法有非零的零因子.

矩阵乘法满足下面的规律:

$(A B) C = A (B C)$
$+AC\\(B+C)A = BA + CA$
$k (A B) = (k A) B = A (k B)$
$E_mA_{m \times n} =A = A_{m\times n}E_n$

练习: $a_1...a_n \neq0, 对角阵A=\left[\begin{matrix} a_1 \qquad\\ \quad \qquad \ddots \qquad \\ \qquad \qquad a_n \end{matrix}\right],B= \left[\begin{matrix} \frac{1}{a_1} \qquad\\ \quad \qquad \ddots \qquad \\ \qquad \qquad \frac{1}{a_n} \end{matrix}\right]$

AB=? $E_n$

方阵的正整数幂

$A^k = AA\cdots A$

规定 $A^0=E$ (和实数里面规定任何数的0次方等于1一样的意思)

$A^{k+l} = A^kA^l$

注意: $(AB)^k \neq A^kB^k$ , 请思考为什么.

矩阵的转置

就是把矩阵的行变成列, 列变成行.

$A=\left[\begin{matrix} a_{11}\qquad a_{12} \qquad \ldots \qquad a_{1n}\\ a_{21}\qquad a_{22} \qquad \ldots \qquad a_{2n} \\ \cdots \cdots \cdots \cdots\\ a_{m1} \qquad a_{m2} \qquad \ldots \qquad a_{mn}\end{matrix}\right]$

$A^T=\left[\begin{matrix} a_{11}\qquad a_{21} \qquad \ldots \qquad a_{m1}\\ a_{12}\qquad a_{22} \qquad \ldots \qquad a_{m2} \\ \cdots \cdots \cdots \cdots\\ a_{1n} \qquad a_{2n} \qquad \ldots \qquad a_{mn}\end{matrix}\right]$

思考, 对角阵的转置是什么?

转置的运算规律

$A^T)^T=A\\(A+B)^T=A^T+B^T\\(kA)^T=kA^T$

思考, $AB)^T=?$

答案: $AB)^T=B^TA^T$ , 请记住并证明这个结论.

这个公式可以推广: $ABC)^T= C^TB^TA^T$

对称阵和反对称阵

如果一个矩阵, 它的转置和它本身相等, 我们就把这个矩阵叫做对称阵.

$对称阵: A^T=A, a_{ij}=a_{ji}$

$反对称阵: A^T=-A, a_{ij}=-a_{ji}且,a_{ii}= 0$

对称阵和反对称阵都是方阵.请思考为什么?

$AA^T, A^TA, A+A^T$ 这些矩阵都是对称阵,思考为什么?

$A - A^T$ 是反对称阵.

请证明 $AA^T是对称阵$ .

请证明 $A - A^T$ 是反对称阵.

显然: $A=\frac{A+A^T}{2} + \frac{A - A^T}{2}$

任何方阵都可以分解为对称阵和反对称阵的和.

矩阵的初等变换

以下三种变换分别称为矩阵的第一, 第二, 第三种初等变换:

对换矩阵中的第 $i, j$ 两行(列)的位置, 记做 $r_{ij}(c_{ij})或$ $r_i <->r_j (c_i <-> c_j)$
用非零常数k乘第 $i$ 行(列), 记做 $kr_i(kc_i)$
用矩阵的第 $j$ 行(列)乘以常数 $k$ 后加到第 $i$ 行(列)对应元素上去, 记做 $r_i + kr_j(c_i + kc_j)$

矩阵初等变换是线性代数中非常重要的一个工具.对应求解方程组中使用的消元法.

初等变换可以简化矩阵, 比如可以将矩阵转化为梯形阵.

比如: $A=\left[\begin{matrix} 2 \qquad -3 \qquad 8 \qquad 2\\ 2 \qquad 12 \qquad -2 \qquad 12 \\1 \qquad 3 \qquad 1 \qquad 4 \end{matrix}\right]$

对A做初等变换, 第一行和第三行互换即 $r_1<->r_3$ ,然后第一行乘-2,分别和第二行和第三行相加,即

$r_2-2r_1, r_3-2r_1$

$A=\left[\begin{matrix} 2 \qquad -3 \qquad 8 \qquad 2\\ 2 \qquad 12 \qquad -2 \qquad 12 \\1 \qquad 3 \qquad 1 \qquad 4 \end{matrix}\right] -> \left[\begin{matrix} 1 \qquad 3 \qquad 1 \qquad 4\\ 2 \qquad 12 \qquad -2 \qquad 12 \\2 \qquad -3 \qquad 8 \qquad 2 \end{matrix}\right] -> \left[\begin{matrix} 1 \qquad 3 \qquad 1 \qquad 4\\ 0 \qquad 6 \qquad -4 \qquad 4 \\0 \qquad -9 \qquad6 \qquad -6 \end{matrix}\right] -> \left[\begin{matrix}1 \qquad 3 \qquad 1 \qquad 4\\ 0 \qquad 3 \qquad -2 \qquad 2 \\0 \qquad -3 \qquad2 \qquad -2\end{matrix}\right]$

$\left[\begin{matrix}1 \qquad 3 \qquad 1 \qquad 4\\ 0 \qquad 3 \qquad -2 \qquad 2 \\0 \qquad 0 \qquad0 \qquad 0\end{matrix}\right]$

注意: 利用初等变换讲A化为B, A与B之间用记号 $->,或者\cong$ 连接

练习: 用初等变换将一下矩阵化为梯形阵.

$A=\left[\begin{matrix}1 \qquad 0 \qquad 2\\ 0 \qquad 2 \qquad 0 \\-1 \qquad 0 \qquad3 \end{matrix}\right] \qquad B=\left[\begin{matrix}1 \qquad 2 \qquad -2 \qquad 3\\4 \qquad -3 \qquad 3 \qquad 12 \\3 \qquad -1 \qquad1 \qquad 9\end{matrix}\right]$

$A=\left[\begin{matrix}1 \qquad -2 \qquad 1 \qquad 0\\ 0 \qquad 2 \qquad -8 \qquad 8 \\-4 \qquad 5 \qquad9 \qquad -9 \end{matrix}\right] \qquad B=\left[\begin{matrix}3 \qquad -4 \qquad 5\\ 2 \qquad -3 \qquad 1 \\3 \qquad -5 \qquad -1 \end{matrix}\right] \qquad C=\left[\begin{matrix}0 \qquad 1 \qquad -4 \qquad 8\\ 2 \qquad -3 \qquad 2 \qquad 1 \\5 \qquad -8 \qquad7 \qquad 1\end{matrix}\right]$

矩阵的等价

对矩阵A实行有限次初等变换得到矩阵B, 则称矩阵A与B等价, 记做 $A\cong B$ 或 $\rightarrow B$

等价的矩阵具有自反性, 对称性和传递性.即:

$\cong A; \qquad A \cong B \Rightarrow B \cong A; \qquad A \cong B, B \cong C \Rightarrow A \cong C$

$\cong \left[\begin{matrix} 1\qquad 0 \qquad \cdots \qquad 0 \qquad 0 \qquad \cdots \qquad 0\\ 0\qquad 1 \qquad \cdots \qquad 0 \qquad 0 \qquad \cdots \qquad 0\\ \vdots \qquad \vdots \qquad \ddots \qquad \vdots \qquad \vdots \qquad \cdots \qquad \vdots \\ 0\qquad 0 \qquad \cdots \qquad 1 \qquad 0 \qquad \cdots \qquad 0\\0\qquad 0 \qquad \cdots \qquad 0 \qquad 0 \qquad \cdots \qquad 0 \\ \vdots \qquad \vdots \qquad \ddots \qquad \vdots \qquad \vdots \qquad \cdots \qquad \vdots \\0\qquad 0 \qquad \cdots \qquad 0 \qquad 0 \qquad \cdots \qquad 0 \end{matrix}\right](A的等价标准型)$