向量的矩阵形式
n个有次序的数所组成的数组称为n元向量，这n个数称为该向量的n个分量
分量全是实数的向量称为实向量；分量为复数的向量是复向量；分量全为零的向量称为零向量，记作0，需要指明分量个数时记作0n
n元向量可以写成行向量或列向量的形式，二者相差一次转置运算，记为 a T ≠ a a^T \neq a aT=a
所有n元实向量的集合记作 R n R^n Rn
一般地，对所有没有指明的向量，都当作列向量，使用 e i ∈ R n e_i \in R^n ei∈Rn表示第i个分量是1，其余分量都为0的n元列向量。若干个同元数的列向量的集合叫做列向量组，若干个同元的行向量的集合叫做行向量组
向量是特殊的矩阵，一个向量组可组成一个矩阵；反之，一个矩阵又可以看作是由它的行向量组或列向量组构成的
分块矩阵
若干个同元数的列向量的集合叫做列向量组，若干个同元数的行向量的集合叫做行向量组，对矩阵也可以进行类似的操作：用若干条纵贯整个矩阵的横线和竖线把矩阵A分成许多小块，每个小块都称为子矩阵，以这些子矩阵为元素的“形式上”的矩阵称为A的分块矩阵
A
=
[
λ
0
1
0
0
α
0
1
3
1
5
ψ
8
1
4
0
]
A=\left[ \begin{array}{cc|cc} \lambda & 0 & 1 & 0 \\ 0 & \alpha & 0 & 1 \\ \hline 3 & 1 & 5 & \psi \\ 8 & 1 & 4 & 0 \\ \end{array} \right]
A=⎣⎢⎢⎡λ0380α11105401ψ0⎦⎥⎥⎤
上面的A可以看作
A
=
[
T
B
C
D
]
A=\left[ \begin{array}{cc|cc} T & B\\ C & D\\ \end{array} \right]
A=[TCBD]
其中
T
=
[
λ
0
0
α
]
B
=
[
1
0
0
1
]
C
=
[
3
1
8
1
]
D
=
[
5
ψ
4
0
]
T=\left[ \begin{array}{cc|cc} \lambda & 0\\ 0 & \alpha \\ \end{array} \right]B=\left[ \begin{array}{cc|cc} 1 & 0\\ 0 & 1\\ \end{array} \right] C=\left[ \begin{array}{cc|cc} 3 & 1\\ 8 & 1\\ \end{array} \right]D=\left[ \begin{array}{cc|cc} 5 & \psi \\ 4 & 0\\ \end{array} \right]
T=[λ00α]B=[1001]C=[3811]D=[54ψ0]
常见的分块方式如下：
- 矩阵自己分成一块，即m*n的矩阵变成1*1的分块矩阵
- 按列分块： A = [ a 1 , a 2 , ⋯ , a n ] A=[a_1,a_2,\cdots,a_n] A=[a1,a2,⋯,an]，其中an都是列向量
- 按行分块：和上面类似，每个子矩阵都是行向量
- 分成2*2的分块矩阵，其中左上角的子矩阵应该是一个方阵
- 分块对角矩阵、分块上三角矩阵、分块下三角矩阵等：看情况来，一般化为三角分块矩阵可以简化一些运算
分块矩阵运算
加减法
分块矩阵相加减，每个子矩阵都加减对应的子矩阵，如下所示
A
+
B
=
[
A
11
+
B
11
⋯
A
1
r
+
B
1
r
⋮
⋮
A
s
1
+
B
s
1
⋯
A
s
r
+
B
s
r
]
A+B=\left[ \begin{array}{cc} A_{11} +B_{11} & \cdots & A_{1r}+B_{1r} \\ \vdots & &\vdots\\ A_{s1}+B_{s1} & \cdots & A_{sr}+B_{sr}\\ \end{array} \right]
A+B=⎣⎢⎡A11+B11⋮As1+Bs1⋯⋯A1r+B1r⋮Asr+Bsr⎦⎥⎤
数乘
分块矩阵数乘k，每个子矩阵都数乘k，如下所示
k A = [ k A 11 ⋯ k A 1 r ⋮ ⋮ k A s 1 ⋯ k A s r ] kA=\left[ \begin{array}{cc} kA_{11} & \cdots & kA_{1r} \\ \vdots & &\vdots\\ kA_{s1} & \cdots & kA_{sr}\\ \end{array} \right] kA=⎣⎢⎡kA11⋮kAs1⋯⋯kA1r⋮kAsr⎦⎥⎤
矩阵乘法
当A为m*l矩阵，b为l*n矩阵时，对A的列和B的行采用相同的分块方法时，有以下矩阵乘法法则：
A
B
=
[
C
i
j
]
s
×
r
AB=[C_{ij}]_{s \times r}
AB=[Cij]s×r
其中，
C
i
j
=
∑
k
=
1
t
A
i
k
B
k
j
C_{ij}=\sum_{k=1}^t A_{ik}B_{kj}
Cij=∑k=1tAikBkj
要求：子矩阵Ai的列数必须等于子矩阵Bj的行数，Aik必须在Bkj的左侧，不能随意交换位置
转置
分块矩阵转置时，子矩阵的行位置变成列位置（子矩阵关于主对角线进行对称），且每个子矩阵都要进行转置
特殊规律
A = A E n = A [ e 1 , e 2 , ⋯ , e n ] = [ A e 1 , A e 2 , ⋯ , A e n ] A=AE_n=A[e_1,e_2,\cdots,e_n]=[Ae_1,Ae_2,\cdots,Ae_n] A=AEn=A[e1,e2,⋯,en]=[Ae1,Ae2,⋯,Aen]
可以用 e i T A e_i^TA eiTA表示A的第i行，用 A e j Ae_j Aej表示A的第j列，进一步可以用 e i T A e j e_i^TAe_j eiTAej表示A的(i,j)元aij
一个矩阵乘En就可以得到该矩阵的第n列
可逆矩阵
对于非0数a，存在其倒数，记作 a − 1 = 1 a a^{-1}=\frac{1}{a} a−1=a1且 a a − 1 = a − 1 a = 1 aa^{-1}=a^{-1}a=1 aa−1=a−1a=1，又称为逆数
对于矩阵也可以推广出类似的逆矩阵
可逆矩阵定义与性质
对于n阶方阵A，若存在n阶方阵B，使AB=BA=E，则A叫做可逆矩阵，B叫做A的逆矩阵
若不存在这样的B，则A不可逆
可逆矩阵及其逆矩阵都是方阵
若A可逆，则A的逆矩阵唯一，记作 A − 1 A^{-1} A−1
一般的矩阵乘法不满足消去律，但若某矩阵A可逆，则有 A X = A Y = > A − 1 A X = A − 1 A Y = > X Y AX=AY => A^{-1}AX=A^{-1}AY => XY AX=AY=>A−1AX=A−1AY=>XY，可以消去
推论
若方阵A和B满足AB=E，则AB都可逆，且 A − 1 = B , B − 1 = A A^{-1}=B,B^{-1}=A A−1=B,B−1=A
计算逆矩阵
伴随矩阵
矩阵A是n阶方阵，把由A的各个代数余子式组成的矩阵
A
∗
=
[
A
11
A
21
⋯
A
n
1
A
12
A
22
⋯
A
n
2
⋮
⋮
⋮
A
1
n
A
2
n
⋯
A
n
n
]
A^*= \left[\begin{matrix} A_{11} &A_{21}&\cdots&A_{n1}\\ A_{12} &A_{22}&\cdots&A_{n2}\\ \vdots &\vdots&&\vdots\\ A_{1n} &A_{2n}&\cdots&A_{nn}\\ \end{matrix}\right]
A∗=⎣⎢⎢⎢⎡A11A12⋮A1nA21A22⋮A2n⋯⋯⋯An1An2⋮Ann⎦⎥⎥⎥⎤
称为A的伴随矩阵
A*的第i列元素就是A中第i行相应元素的代数余子式，注意这里有一个转置的过程！
A*也是n阶方阵
矩阵可逆的充要条件
方阵A可逆的充要条件是 ∣ A ∣ ≠ 0 |A|\neq0 ∣A∣=0，
且当A可逆时， ∣ A − 1 ∣ = 1 ∣ A ∣ , A − 1 = A ∗ ∣ A ∣ |A^{-1}|=\frac{1}{|A|},A^{-1}=\frac{A^*}{|A|} ∣A−1∣=∣A∣1,A−1=∣A∣A∗
对于n阶方阵A，n>1，恒有 A A ∗ = A ∗ A = ∣ A ∣ E AA^*=A^*A=|A|E AA∗=A∗A=∣A∣E
|A|=0的矩阵是奇异矩阵；|A|不为0的矩阵是非奇异矩阵；非奇异矩阵和可逆矩阵是同一种矩阵
判断矩阵可逆并求解逆矩阵的步骤
- 算|A|
- 算A*
- 算|A-1|和A-1
- 结束
证明矩阵可逆的步骤
- 题中没有给多余条件：判断矩阵对应的行列式 ≠ 0 \neq0 =0
- 题中给了某些条件：用已知条件构造矩阵X另一矩阵=E
结论：若A为n阶方阵，则|A*|=|A|n-1
可逆矩阵的性质
若A为可逆矩阵，则：
- A − 1 A^{-1} A−1也可逆，且 ( A − 1 ) − 1 = A (A^{-1})^{-1}=A (A−1)−1=A
- A T A^T AT也可逆，且 ( A T ) − 1 = ( A − 1 ) T (A^T)^{-1}=(A^{-1})^T (AT)−1=(A−1)T
- 若数 k ≠ 0 k\neq0 k=0，则kA也可逆，且 ( k A ) − 1 = k − 1 A − 1 (kA)^{-1}=k^{-1}A^{-1} (kA)−1=k−1A−1
- 若A和B是同阶可逆矩阵，则AB也可逆，且 ( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)−1=B−1A−1
- 若A1,A2,…,Ak为同阶可逆矩阵，则A1A2…Ak也可逆，且 ( A 1 A 2 . . . A k ) − 1 = A 1 − 1 A 2 − 1 ⋯ A k − 1 (A_1A_2...A_k)^{-1}=A^{-1}_1A^{-1}_2\cdots A_k^{-1} (A1A2...Ak)−1=A1−1A2−1⋯Ak−1
- 若A可逆，Ak也可逆，且 ( A k ) − 1 = ( A − 1 ) k (A^k)^{-1}=(A^{-1})^k (Ak)−1=(A−1)k
- ( A + B ) − 1 = A − 1 + B − 1 (A+B)^{-1}=A^{-1}+B^{-1} (A+B)−1=A−1+B−1
初等行变换法求逆矩阵
前提定理
三种初等矩阵都是可逆矩阵，且其逆矩阵还是同类型的初等矩阵
方阵A可逆的充要条件是A能表示成有限个初等矩阵的乘积
可逆矩阵的等价标准形是单位矩阵
方阵A可逆的充要条件是A与E等价——在矩阵A的左/右端乘可逆矩阵等价于对A进行有限次初等行/列变换
mxn矩阵A与B等价的充要条件是存在m阶可逆矩阵P和n阶可逆矩阵Q，使PAQ=B
初等行变换法
根据上述定理，只要能用初等行变换把[A,E]化为[E,B]的形式，B一定是A的逆
一般来说初等行变换求逆矩阵比用伴随矩阵求逆矩阵更方便
推论
[ A C O B ] − 1 = [ A − 1 − A − 1 C B − 1 O B − 1 ] \left[ \begin{array}{cc|cc} A & C\\ O & B\\ \end{array} \right]^{-1}= \left[ \begin{array}{cc|cc} A^{-1} & -A^{-1}CB^{-1}\\ O & B^{-1}\\ \end{array} \right] [AOCB]−1=[A−1O−A−1CB−1B−1]
[ A O O B ] − 1 = [ A − 1 O O B − 1 ] \left[ \begin{array}{cc|cc} A & O\\ O & B\\ \end{array} \right]^{-1}=\left[ \begin{array}{cc|cc} A^{-1} & O\\ O & B^{-1}\\ \end{array} \right] [AOOB]−1=[A−1OOB−1]
[ A O C B ] − 1 = [ A − 1 O − B − 1 C A − 1 B − 1 ] \left[ \begin{array}{cc|cc} A & O\\ C & B\\ \end{array} \right]^{-1}=\left[ \begin{array}{cc|cc} A^{-1} & O\\ -B^{-1}CA^{-1} & B^{-1}\\ \end{array} \right] [ACOB]−1=[A−1−B−1CA−1OB−1]
矩阵方程
矩阵方程的一般形式为AX=C，YB=C和AZB=C，其中A和B可逆，可以求出他们的解为X=A-1C、Y=CB-1、Z=A-1CB-1，也就是求出A-1和B-1就能求出方程的解。若方程不能整理成这三种形式之一，或A、B不可逆，那么需要转化为方程组的形式进行求解。对于这三种形式的方程，可以使用初等行变换求解，步骤如下：
-
检查 ∣ A ∣ ≠ 0 |A|\neq 0 ∣A∣=0和 ∣ B ∣ ≠ 0 |B|\neq0 ∣B∣=0
-
将方程转换成标准的三种形式之一
-
将方程联立得
$$
[A,C]对应AX=C\
\left[\begin{matrix}
B\
C
\end{matrix}\right]对应YB=C
$$
将整体矩阵的左边/上边变换为单位矩阵，右边/下边就是待求矩阵
- 仅使用初等行变换将原矩阵变换为以下形式：
[ E , X ] [ E Y ] [E,X]\\ \left[\begin{matrix} E\\ Y \end{matrix}\right] [E,X][EY]
3015
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
