线性代数矩阵相关知识回顾
文章目录
一、矩阵定义
由
m
×
n
m \times n
m×n 个数
a
i
j
a_{ij}
aij(
i
=
1
,
2
,
.
.
.
,
m
;
j
=
1
,
2
,
.
.
.
,
n
i=1,2,...,m;j=1,2,...,n
i=1,2,...,m;j=1,2,...,n) 排成的
m
m
m行
n
n
n列 的矩形表格。
[
a
11
a
12
⋯
a
1
n
a
21
a
22
⋯
a
2
n
⋮
⋮
⋱
⋮
a
m
1
a
m
2
⋯
a
m
n
]
\begin{bmatrix} a_{11}& a_{12}& \cdots& a_{1n}\\ a_{21}& a_{22}& \cdots& a_{2n}\\ \vdots& \vdots& \ddots& \vdots\\ a_{m1}& a_{m2}& \cdots& a_{mn}\\ \end{bmatrix}
⎣⎢⎢⎢⎡a11a21⋮am1a12a22⋮am2⋯⋯⋱⋯a1na2n⋮amn⎦⎥⎥⎥⎤
称为一个
m
×
n
m\times n
m×n 矩阵,记为
A
A
A 或
(
a
i
j
)
m
×
n
(a_{ij})_{m\times n}
(aij)m×n (
i
=
1
,
2
,
.
.
.
,
m
;
j
=
1
,
2
,
.
.
.
,
n
i=1,2,...,m;j=1,2,...,n
i=1,2,...,m;j=1,2,...,n)。
若 m = n m=n m=n,称 A A A 为 n n n阶 方阵。
二、矩阵基本运算
1、相等
矩阵同型,且元素对应相等。
2、加法
两个矩阵同型的时候,可以相加
A
+
B
=
C
A+B=C
A+B=C。
其中,
c
i
j
=
a
i
j
+
b
i
j
c_{ij}=a_{ij}+b_{ij}
cij=aij+bij。
3、数乘
k k k是一个数, A A A是一个 m × n m\times n m×n的矩阵。
kA=Ak=k\begin{bmatrix}
a_{11}& a_{12}& \cdots& a_{1n}\
a_{21}& a_{22}& \cdots& a_{2n}\
\vdots& \vdots& \ddots& \vdots\
a_{m1}& a_{m2}& \cdots& a_{mn}\
\end{bmatrix}=
\begin{bmatrix}
ka_{11}& ka_{12}& \cdots& ka_{1n}\
ka_{21}& ka_{22}& \cdots& ka_{2n}\
\vdots& \vdots& \ddots& \vdots\
ka_{m1}& ka_{m2}& \cdots& ka_{mn}\
\end{bmatrix}=(ka_{ij})_{m\times n}
$
4、线性运算
加法运算和数乘运算统称矩阵的线性运算。
5、运算律
交换律
结合律
分配律
数和矩阵相乘的结合律
行列式相关性质
kA
\end{array}\right|
$ = k n ∣ A ∣ =k^n|A| =kn∣A∣ ( n ≥ 2 , k ≠ 0 , 1 n\geq 2, k\neq 0,1 n≥2,k=0,1)
三、矩阵其他变换
1、矩阵的乘法
A A A 是 m × s m \times s m×s 矩阵, B B B 是 s × n s \times n s×n 矩阵( A A A 的列数等于 B B B 的行数), A A A 与 B B B 可乘,乘积 A B AB AB 为 m × n m\times n m×n 的矩阵。
c i j = ∑ k = 1 s a i k b k j c_{ij}=\sum \limits_{k=1}^{s}a_{ik}b_{kj} cij=k=1∑saikbkj= a i 1 b 1 j + a i 2 b 2 j + a i 3 b 3 j + . . . + a i s b s j a_{i1}b_{1j}+a_{i2}b_{2j}+a_{i3}b_{3j}+ ... +a_{is}b_{sj} ai1b1j+ai2b2j+ai3b3j+...+aisbsj ( i = 1 , 2 , . . . , m ; j = 1 , 2 , . . . , n i=1,2,...,m;j=1,2,...,n i=1,2,...,m;j=1,2,...,n)。
- 运算律
(1)结合律
( A m × s B s × r ) C r × n = A m × s ( B s × r C r × n ) (A_{m\times s}B_{s \times r})C_{r\times n}=A_{m\times s}(B_{s \times r}C_{r\times n}) (Am×sBs×r)Cr×n=Am×s(Bs×rCr×n)
(2)分配律
( A m × s + B m × s ) C s × n = A m × s C s × n + B m × s C s × n (A_{m\times s}+B_{m \times s})C_{s\times n}=A_{m\times s}C_{s\times n}+B_{m\times s}C_{s\times n} (Am×s+Bm×s)Cs×n=Am×sCs×n+Bm×sCs×n
(3)数乘和乘法的结合律
( k A m × s ) B s × n = A m × s ( k B s × n ) = k ( A m × s B s × n ) (kA_{m\times s})B_{s\times n}=A_{m\times s}(kB_{s\times n})=k(A_{m\times s}B_{s\times n}) (kAm×s)Bs×n=Am×s(kBs×n)=k(Am×sBs×n) - 注意
- A B ≠ B A AB\neq BA AB=BA
- A B = O ⇏ A = O 或 B = O AB=O \nRightarrow A=O或B=O AB=O⇏A=O或B=O
- A B = A C , A ≠ O ⇏ B = C AB=AC,A\neq O \nRightarrow B=C AB=AC,A=O⇏B=C
2、转置矩阵
将矩阵行列互换, m × n m\times n m×n 转换成 n × m n\times m n×m,为 A T A^T AT。
-
( A T ) T = A (A^T)^T=A (AT)T=A;
-
( A + B ) T = A T + B T (A+B)^T=A^T+B^T (A+B)T=AT+BT;
-
( k A ) T = k A T (kA)^T=kA^T (kA)T=kAT;
-
( A B ) T = B T A T (AB)^T=B^TA^T (AB)T=BTAT;
-
m = n m=n m=n 时, ∣ A T ∣ = ∣ A ∣ |A^T|= | A| ∣AT∣=∣A∣
3、向量的内积和正交
3.1 内积
对 向量 α ⃗ \vec\alpha α = = = [ a 1 , a 2 , ⋯ , a n ] T \begin{bmatrix} a_{1}, a_{2}, \cdots, a_{n}\\ \end{bmatrix}^T [a1,a2,⋯,an]T , 向量 β ⃗ \vec\beta β = = = [ b 1 , b 2 , ⋯ , b n ] T \begin{bmatrix} b_{1}, b_{2}, \cdots, b_{n}\\ \end{bmatrix}^T [b1,b2,⋯,bn]T
称为内积(是一个数),记为 ( α ⃗ \vec \alpha α , β ⃗ \vec\beta β) 。
3.2 正交
当 α ⃗ T \vec\alpha ^T αT β ⃗ \vec\beta β = 0 =0 =0 时,向量 α ⃗ \vec\alpha α , β ⃗ \vec\beta β 是正交向量。
3.3 模
称为向量 α ⃗ \vec\alpha α 的模(长度)。
模为 1 时,称为 单位向量 。
3.4 标准正交向量组
列向量组 α ⃗ 1 \vec\alpha _{1} α1 , α ⃗ 2 \vec\alpha _{2} α2,…, α ⃗ n \vec\alpha _{n} αn 满足
则称其为标准或单位正交向量组。
3.5 施密特标准正交化
有线性无关向量组 α ⃗ 1 \vec\alpha _{1} α1 , α ⃗ 2 \vec\alpha _{2} α2,
- 标准正交化:
即为正交向量组。
- 再单位化:
即为标准正交向量组。
4、方阵
4.1 方阵的幂
A A A 是一个 n n n阶 方阵, A m = A A . . . A ( m 个 A 相 乘 ) A^m=AA...A (m个A 相乘) Am=AA...A(m个A相乘) 称为 A A A 的 m m m 次幂。
特别的例子:
4.2 方阵的乘积
4.3 特殊的方阵
零矩阵:各元素均为 0 0 0 ,记为 O O O。
单位矩阵:主对角元素均为 1 1 1 ,其余元素均为 0 0 0 的 n n n 阶方阵,称为 n n n 阶单位矩阵,记为 E E E 或 I I I 。
数量矩阵:数 k k k 和单位矩阵的乘积所得矩阵。
对角矩阵:非主对角元素均为 0 0 0 的矩阵。
上(下)三角矩阵:当 i > ( < ) j i>(<)j i>(<)j时, a i j = 0 a_{ij}=0 aij=0的矩阵称为上(下)三角矩阵。
对称矩阵:满足
A
T
=
A
A^T=A
AT=A的矩阵,
a
i
j
=
a
j
i
a_{ij}=a_{ji}
aij=aji。
反对称矩阵:满足
−
A
T
=
A
-A^T=A
−AT=A的矩阵,
−
a
i
j
=
a
j
i
-a_{ij}=a_{ji}
−aij=aji。
正交矩阵:满足
A
T
A
=
E
A^TA=E
ATA=E
⇔
\Leftrightarrow
⇔
A
T
=
A
−
1
A^T=A^{-1}
AT=A−1
⇔
\Leftrightarrow
⇔
A
A
A的行(列)向量组是标准正交向量组。
5、分块矩阵
横纵线将矩阵分为若干小块,每个小块都看作一个元素。
注意: A 、 B A、B A、B分别为m、n阶方阵,则
四、矩阵的逆
A 、 B A、B A、B 均为 n n n 阶方阵, E E E 是 n n n 阶单位矩阵,若 A B = B A = E AB=BA=E AB=BA=E , A A A 是可逆矩阵,而 A A A 的逆矩阵是 B B B,且逆矩阵唯一,记为 A − 1 A^{-1} A−1 。
1、性质
-
( A − 1 ) − 1 = A (A^{-1})^{-1}=A (A−1)−1=A
-
若 k ≠ 0 k\neq 0 k=0,则 ( k A ) − 1 = 1 k A − 1 (kA)^{-1}=\frac{1}{k}A^{-1} (kA)−1=k1A−1
-
A 、 B A、B A、B同阶可逆,则 ( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)−1=B−1A−1 (穿脱原则)
-
A A A可逆 ⇒ \Rightarrow ⇒ A T A^T AT可逆。 ( A T ) − 1 = ( A − 1 ) T (A^T)^{-1}=(A^{-1})^T (AT)−1=(A−1)T
-
∣ A − 1 ∣ |A^{-1}| ∣A−1∣ = = = ∣ A ∣ − 1 |A|^{-1} ∣A∣−1
2、求取逆矩阵
(1) 拆解 A A A, A − 1 = ( B C ) − 1 = C − 1 B − 1 A^{-1}=(BC)^{-1}=C^{-1}B^{-1} A−1=(BC)−1=C−1B−1
(2) A − 1 = 1 ∣ A ∣ A ∗ A^{-1}=\frac{1}{|A|}A^* A−1=∣A∣1A∗
(3) 特殊形式的矩阵:
[ A O O B ] − 1 = [ A − 1 O O B − 1 ] \begin{bmatrix} A & O\\ O & B\\ \end{bmatrix}^{-1}=\begin{bmatrix} A^{-1} & O\\ O & B^{-1}\\ \end{bmatrix} [AOOB]−1=[A−1OOB−1],
[ O A B O ] − 1 = [ O B − 1 A − 1 O ] \begin{bmatrix} O & A\\ B & O\\ \end{bmatrix}^{-1}=\begin{bmatrix} O & B^{-1}\\ A^{-1} & O\\ \end{bmatrix} [OBAO]−1=[OA−1B−1O]
五、伴随矩阵
1、余子式
在 n n n阶行列式中,把 a i j a_{ij} aij 所在的第 i i i 行和第 j j j 列划去,留下来的 n − 1 n-1 n−1 阶行列式,叫做 a i j a_{ij} aij 的余子式,记作 M i j M_{ij} Mij 。
2、代数余子式
- 行列式的值 等于 任一行(列)的各元素与其对用的代数余子式乘积之和。
或
3、伴随矩阵
行列式 ∣ A ∣ |A| ∣A∣的各个元素的代数余子式转置排列后,所得矩阵称为 n n n阶方阵 A A A的伴随矩阵,记为 A ∗ A^{*} A∗。
4、性质
-
任意 n n n阶方阵
-
A A ∗ = A ∗ A = ∣ A ∣ E AA^*=A^*A=|A|E AA∗=A∗A=∣A∣E
-
∣ A ∗ ∣ = ∣ A ∣ n − 1 |A^*|=|A|^{n-1} ∣A∗∣=∣A∣n−1
-
-
任意 n n n阶方阵, ∣ A ∣ ≠ 0 |A|\neq 0 ∣A∣=0时: ( k A ) ∗ = k n − 1 A ∗ (kA)^*=k^{n-1}A^* (kA)∗=kn−1A∗
-
( A T ) ∗ = ( A ∗ ) T (A^T)^*=(A^*)^T (AT)∗=(A∗)T
-
( A − 1 ) ∗ = ( A ∗ ) − 1 (A^{-1})^*=(A^*)^{-1} (A−1)∗=(A∗)−1
-
( A B ) ∗ = B ∗ A ∗ (AB)^*=B^*A^* (AB)∗=B∗A∗
-
( A ∗ ) ∗ = ∣ A ∣ n − 2 A (A^*)^*=|A|^{n-2}A (A∗)∗=∣A∣n−2A
六、初等矩阵
1、初等行(列)变换
1.倍乘 一个非零常数 乘 矩阵的某行(列)
2.互换 互换矩阵中的某两行(列)的位置
3.倍加 某行(列)的
k
k
k倍加到另一行(列)
2、初等矩阵
各教材表示方法有异
-
E i ( k ) ( k ≠ 0 ) E_{i}(k)(k\neq 0) Ei(k)(k=0) :单位矩阵第 i i i行(列)乘 k k k。
-
E i j E_{ij} Eij :单位矩阵交换第 i i i、 j j j行(列)。
-
E i j ( k ) E_{ij}(k) Eij(k):单位矩阵第 i i i行(列)乘 k k k倍,加到第 j j j行(列)上。
3、 初等变换求取逆矩阵
七、矩阵的秩与等价矩阵
1、秩
1.1 概念
A A A为 m × n m\times n m×n矩阵,若存在 k k k 阶子式不为 0 0 0 ,而任意 k + 1 k+1 k+1阶子式全为 0 0 0 ,则 r ( A ) = k r(A)=k r(A)=k。
1.2 性质
1. 若 A A A为 n n n阶方阵,则有: r ( A ) = n r(A)=n r(A)=n ⇔ \Leftrightarrow ⇔ ∣ A ∣ ≠ 0 |A|\neq 0 ∣A∣=0 ⇔ \Leftrightarrow ⇔ A A A可逆
2. 初等变换不改变秩 : P 、 Q P、Q P、Q可逆,则 r ( A m × n ) = r ( P m × m A ) = r ( A Q n × n ) = r ( P A Q ) r(A_{m\times n})=r(P_{m\times m}A)=r(AQ_{n\times n})=r(PAQ) r(Am×n)=r(Pm×mA)=r(AQn×n)=r(PAQ)
3. 0 ⩽ r ( A m × n ) ⩽ m i n ( m , n ) 0 \leqslant r(A_{m\times n}) \leqslant min(m,n) 0⩽r(Am×n)⩽min(m,n)
4. r ( k A ) = r ( A ) ( k ≠ 0 ) r(kA)=r(A)(k \neq 0) r(kA)=r(A)(k=0)
5. r ( A B ) ⩽ m i n ( r ( A ) , r ( B ) ) r(AB) \leqslant min(r(A),r(B)) r(AB)⩽min(r(A),r(B))
6. r ( A + B ) ⩽ r ( A ) + r ( B ) r(A+B) \leqslant r(A)+r(B) r(A+B)⩽r(A)+r(B)
7. 方阵: r ( A ∗ ) = { n , r ( A ) = n 1 , r ( A ) = n − 1 0 , r ( A ) ≤ n − 1 r(A^*)= \begin{cases} n &, &r(A)=n \ \ \ \ \ \ \ \\ 1 &, &r(A)=n-1 \\ 0 &, &r(A)\leq n-1 \end{cases} r(A∗)=⎩⎪⎨⎪⎧n10,,,r(A)=n r(A)=n−1r(A)≤n−1
2、等价矩阵
2.1 概念
若 A 、 B A、B A、B 均为 m × n m\times n m×n 矩阵,若存在可逆矩阵 P m × m P_{m\times m} Pm×m 、 Q n × n Q_{n \times n} Qn×n ,使得 P A Q = B PAQ=B PAQ=B ,则称 A , B A,B A,B 是等价矩阵,记作 A ≅ B A\cong B A≅B 。
2.2 等价标准型
若 A A A 为 m × n m\times n m×n 矩阵,且等价于 [ E r O O O ] \begin{bmatrix} E_{r} & O\\ O & O\\ \end{bmatrix} [ErOOO] ,其中 r r r 等于 r ( A ) r(A) r(A) 。那么, [ E r O O O ] \begin{bmatrix} E_{r} & O\\ O & O\\ \end{bmatrix} [ErOOO] 称为 A A A 的等价标准型。
等价标准型是唯一的,必存在可逆矩阵 P 、 Q P、Q P、Q ,使得 P A Q = PAQ= PAQ= [ E r O O O ] \begin{bmatrix} E_{r} & O\\ O & O\\ \end{bmatrix} [ErOOO] 。