2.4 矩阵乘以矩阵定义

矩阵乘以矩阵

乘法定义

进一步分析基变换关系， $n$ 维空间中任意向量 $\mathbf{x}=a_1{\mathbf{v}}_1+\cdots +a_n{\mathbf{v}}_{\mathbf{n}}$ ，用矩阵乘以向量表示为 $\mathbf{x}=V\mathbf{a}$ ，矩阵 $V$ 由 $n$ 维空间中基构成， 称为基矩阵， $n$ 维向量 $\mathbf{a}$ 是表示向量。变换为 $m$ 维空间的向量 $\mathbf{y}=a_1{\mathbf{w}}_1+\cdots +a_n{\mathbf{w}}_{\mathbf{n}}$ ，用矩阵乘以向量表示为 $\mathbf{y}=W\mathbf{a}$ ，矩阵 $W$ 由基变换向量组构成，称为基象矩阵。
$$\begin{gathered} \mathbf{x}=V\mathbf{a} \\ \mathbf{y}=A\mathbf{x} \\ \mathbf{y}=W\mathbf{a} \\ A(V\mathbf{a})=W\mathbf{a} \end{gathered}$$
对任意 $n$ 维向量 $\mathbf{a}$ 均成立。

如何理解最后一个等式？$A(V\mathbf{a})$ 是变换矩阵 $V$ 先把向量 $\mathbf{a}$ 变换为向量 $\mathbf{x}$ ，然后变换矩阵 $A$ 把向量 $\mathbf{x}$ 变换为向量 $\mathbf{y}$ ；$W\mathbf{a}$ 是变换矩阵 $W$ 把向量 $\mathbf{a}$ 变换为向量 $\mathbf{y}$ ，等式对任意向量 $\mathbf{a}$ 均成立！这表明矩阵 $A,V$ 两次变换的总效果和矩阵 $W$ 一次变换效果一样。从变换角度看，矩阵 $W$ 与矩阵 $A,V$ 等价。形式上 $A(V\mathbf{a})$ 类似代数乘法，故定义为矩阵乘法。根据基变换关系，积矩阵 $W$ 的每个向量为 $({\mathbf{w}}_1=A{\mathbf{v}}_1,\cdots ,{\mathbf{w}}_{\mathbf{n}}=A{\mathbf{v}}_{\mathbf{n}})$ 。

定义 矩阵乘法 任意矩阵 $A$ 乘以基矩阵 $V$ ，$AV=\left[A{\mathbf{v}}_1,\cdots ,A{\mathbf{v}}_{\mathbf{n}}\right]=W$ ，其中向量 ${\mathbf{v}}_{\mathbf{i}}$ 为基矩阵 $V$ 的第 $i$ 个向量。

几何意义是，积矩阵 $W$ 、矩阵 $AV$ 对任意向量的变换相等。

重要性质 $A(V\mathbf{a})=W\mathbf{a}=(AV)\mathbf{a}$ 。

两个矩阵相乘，必须满足形状要求，因为矩阵乘以向量，要求向量维度等于矩阵的列数，所以矩阵 $A_{mn}$ 与矩阵 $V_{nn}$ 相乘，矩阵 $A$ 的列数（$n$）必须等于矩阵 $V$ 的行数（$n$），积矩阵的尺寸为 $W_{mn}$ 。

矩阵乘法，还可以从矩阵乘以向量角度观察，$AV=A\left[{\mathbf{v}}_1,\cdots ,{\mathbf{v}}_{\mathbf{n}}\right]=\left[A{\mathbf{v}}_1,\cdots ,A{\mathbf{v}}_{\mathbf{n}}\right]$ ，即矩阵 $A$ 乘以基矩阵 $V$ 每个向量，这种看法有助于记忆矩阵乘法，和化简矩阵乘法有关的表达式。

重要性质 $AV=A\left[{\mathbf{v}}_1,\cdots ,{\mathbf{v}}_{\mathbf{n}}\right]=\left[A{\mathbf{v}}_1,\cdots ,A{\mathbf{v}}_{\mathbf{n}}\right]$ .

上面定义矩阵乘法，要求矩阵 $V$ 为基矩阵，如果是任意向量组构成的矩阵，怎么定义矩阵乘法呢？有两种方法，结果相同。

第一种方法方便记忆，就是对基矩阵乘法的推广，利用 $AV=A\left[{\mathbf{v}}_1,\cdots ,{\mathbf{v}}_{\mathbf{n}}\right]=\left[A{\mathbf{v}}_1,\cdots ,A{\mathbf{v}}_{\mathbf{n}}\right]$ ，把向量 ${\mathbf{v}}_{\mathbf{i}}$ 看成任意向量，数量也任意。

第二种方法，和基矩阵看法一样，即把矩阵 $B$ 的向量组看成空间的生成向量。令变换矩阵 $A_{mn}$ 把 $n$ 维空间中向量组 $B_{np}=({\mathbf{b}}_1,\cdots ,{\mathbf{b}}_{\mathbf{p}})$ ，变换为 $m$ 维空间中 $p$ 个向量 $({\mathbf{w}}_1=A{\mathbf{b}}_1,\cdots ,{\mathbf{w}}_{\mathbf{p}}=A{\mathbf{b}}_{\mathbf{p}})$ ，则向量组 $B_{np}$ 张开的子空间中任意向量 $a_1{\mathbf{b}}_1+\cdots +a_p{\mathbf{b}}_{\mathbf{p}}$ ，矩阵 $A_{mn}$ 把其变换为 $m$ 维空间的向量
$$\begin{gathered} A(B\mathbf{a})=A(a_1{\mathbf{b}}_1+\cdots +a_p{\mathbf{b}}_{\mathbf{p}})=a_{1}A{\mathbf{b}}_1+\cdots +a_{p}A{\mathbf{b}}_{\mathbf{p}} \\ =a_1{\mathbf{w}}_1+\cdots +a_p{\mathbf{w}}_{\mathbf{p}} \\ =W\mathbf{a} \\ 得W=AB=\left[A{\mathbf{b}}_1,\cdots ,A{\mathbf{b}}_{\mathbf{p}}\right] \end{gathered}$$

定义 矩阵乘法 任意矩阵 $A$ 乘以任意矩阵 $B$ ，$AB=\left[A{\mathbf{b}}_1,\cdots ,A{\mathbf{b}}_{\mathbf{p}}\right]$ ，其中向量 ${\mathbf{b}}_{\mathbf{i}}$ 为矩阵 $B$ 的第 $i$ 个向量。

即矩阵 $A$ 乘以矩阵 $B$ 每个向量。

重要性质 任意两个矩阵相乘，必须满足形状要求，因为矩阵乘以向量，要求向量维度等于矩阵的列数，所以矩阵 $A_{mn}$ 与矩阵 $B_{np}$ 相乘，矩阵 $A$ 的列数（$n$）必须等于矩阵 $B$ 的行数（$n$），积矩阵的尺寸为 $W_{mp}$ 。

定义 方阵 矩阵的行数等于列数时，矩阵称为方阵。

定义 $n$ 阶方阵 行数为 $n$ 的方阵。

重要性质 矩阵自身相乘时，根据形状要求，矩阵 $A$ 必须为方阵，即 $A_{nn}{A}_{nn}=B_{nn}$ 。

例如：
$$\begin{gathered} A=\left[\begin{array}{cc}0& 2\\ 1& 3\end{array}\right]B=\left[\begin{array}{cc}4& 6\\ 5& 7\end{array}\right] \\ A{\mathbf{b}}_1=\left[\begin{array}{cc}0& 2\\ 1& 3\end{array}\right]\left[\begin{array}{c}4\\ 5\end{array}\right]=\left[\begin{array}{c}0\ast 4+2\ast 5\\ 1\ast 4+3\ast 5\end{array}\right]=\left[\begin{array}{c}10\\ 19\end{array}\right] \\ A{\mathbf{b}}_2=\left[\begin{array}{cc}0& 2\\ 1& 3\end{array}\right]\left[\begin{array}{c}6\\ 7\end{array}\right]=\left[\begin{array}{c}0\ast 6+2\ast 7\\ 1\ast 6+3\ast 7\end{array}\right]=\left[\begin{array}{c}14\\ 27\end{array}\right] \\ AB=\left[A{\mathbf{b}}_1,A{\mathbf{b}}_2\right]=\left[\begin{array}{cc}10& 14\\ 19& 27\end{array}\right] \end{gathered}$$
可见，矩阵乘法运算量很大，小型（$m,n<4$）矩阵还勉强可以手算。矩阵运算基本都靠计算机，读者工作中千万不要手算，慢且极容易出错。