线性代数（2）—— 矩阵定义及基本运算

• 参考：张宇高等数学基础30讲

---

1. 矩阵的本质

1.1 矩阵是系统信息的表示方式

• 我们可以把矩阵看作信息的一种表示方式。比如英语系有98个女生，2个男生；机械系有95个男生，5个女生，这个系统可以用矩阵表示如下
  
  矩阵忽略数据的现实含义，矩阵就是一组排列好的数，只要抽象地认为矩阵是一个系统信息的表达即可

1.2 两个重要观点

• 这里从向量组和线性方程组的角度补充两个认识矩阵的观点，以后再详细说明。以以下矩阵为例
  $$A=\left[\begin{array}{ccc}1& 2& 3\\ 6& 7& 9\\ 2& 4& 6\end{array}\right]$$

1. 重要观点1：矩阵是由若干行（列）向量拼成的： 上面的矩阵可以看成由三个行向量 [1,2,3]，[6,7,9]，[2,4,6] 组成，也可看成由三个列向量组成。
2. 重要观点2：矩阵不能运算,但是其若干行(列)向量之间存在着某种联系：注意 [1,2,3] 与 [2,4,6] 这两个向量是平行的（存在线性关系），而 [1,2,3] 与 [6,7,9] , [2,4,6] 与 [6,7,9] 却不存在这种线性关系。这种关系反映了矩阵的本质 —— 矩阵的秩（示例矩阵的秩是2）

2. 矩阵的定义及基本运算

2.1 矩阵的定义

• 由 $m\times n$ 个数 $a_{ij}(i=1,2,...,m;j=1,2,...,n)$ 排成的m行n列的矩形表格
  $$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \dots & a_{1n}\\ a_{21}& a_{22}& \dots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{m1}& a_{m2}& \dots & a_{mn}\end{array}\right]$$
  称为一个 m x n矩阵，简记为 $A$ 或 $(a_{ij}{)}_{m\times n}$；当 $m=n$ 时，称 $A$ 为 n阶方阵
• 两个矩阵 $A=(a_{ij}{)}_{m\times n}$，$B=(a_{ij}{)}_{s\times k}$，若 m=s，n=k，则称 $A,B$ 为 同型矩阵

2.2 矩阵的基本运算

2.2.1 相等

• 矩阵 $A,B$ 为同型矩阵且每个元素相等，则矩阵 $A,B$ 相等
  $$A=(a_{ij}{)}_{m\times n}=B=(a_{ij}{)}_{s\times k}\iff \{\begin{array}{rlrl}& m& =& s\\ & n& =& k\\ & a_{ij}& =& b_{ij}(i=1,2,...,m;j=1,2,...,n)\end{array}$$

2.2.2 加法

• 同型矩阵可以相加，做加法时对应元素相加
  $$A+B=(a_{ij}{)}_{m\times n}+(b_{ij}{)}_{m\times n}=(c_{ij}{)}_{m\times n}=C$$
  其中 $c_{ij}=a_{ij}+b_{ij}(i=1,2,...,m;j=1,2,...,n)$

2.2.3 数乘矩阵

• 设k是一个数，$A$是一个 $m\times n$ 矩阵，数k和 $A$ 的乘积为数乘矩阵，即
  $$kA=Ak=k\left[\begin{array}{cccc}{a}_{11}& a_{12}& \dots & a_{1n}\\ a_{21}& a_{22}& \dots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{m1}& a_{m2}& \dots & a_{mn}\end{array}\right]=\left[\begin{array}{cccc}k{a}_{11}& k{a}_{12}& \dots & k{a}_{1n}\\ k{a}_{21}& k{a}_{22}& \dots & k{a}_{2n}\\ ⋮& ⋮& & ⋮\\ k{a}_{m1}& k{a}_{m2}& \dots & k{a}_{mn}\end{array}\right]=(k{a}_{ij}{)}_{m\times n}$$
  即 $A$ 的每个元素都乘以 k

2.2.4 矩阵乘法

• 设 $A$ 是 $m\times s$ 矩阵，$B$ 是 $s\times n$ 矩阵，则 $A,B$ 可乘（$A$ 的列数必须与 $B$ 的行数相等），乘积 $AB$ 是 $m\times n$ 矩阵，记 $C=AB=(c_{ij}{)}_{m\times n}$，其中
  $$c_{ij}=\sum _{k=1}^s{a}_{ik}{b}_{kj}=a_{i1}{b}_{1j}+a_{i2}{b}_{2j}+...+a_{is}{b}_{sj},(i=1,2,...,m;j=1,2,...,n)$$

2.2.5 转置矩阵

• 将 $m\times n$ 矩阵 $A=(a_{ij}{)}_{m\times n}$ 的行与列互换得到的 $n\times m$ 矩阵，称为 $A$ 的转置矩阵，记为 $A^T$，即
  $$A^T=\left[\begin{array}{cccc}{a}_{11}& a_{21}& \dots & a_{m1}\\ a_{12}& a_{22}& \dots & a_{m2}\\ ⋮& ⋮& & ⋮\\ a_{1n}& a_{2n}& \dots & a_{mn}\end{array}\right]$$

2.2.6 向量的內积与正交

• 设 $\alpha =[a_1,a_2,...,a_n{]}^T,\beta =[b_1,b_2,...,b_n{]}^T$，则
  1. 內积：向量 $\alpha ,\beta$ 的內积为
     $${\alpha }^T\beta =\sum _{i=1}^n{a}_i{b}_i=a_1{b}_1+a_2{b}_2+...+a_n{b}_n$$
     记为 $(\alpha ,\beta )$，即 $(\alpha ,\beta )={\alpha }^T\beta$，内积计算的实际是向量 $\beta$ 在向量 $\alpha$ 方向上投影的长度值放大 $||\alpha ||$倍，是一个数 ，设向量$\alpha ,\beta$ 夹角为 $\theta$，有
     $$(\alpha ,\beta )=||\alpha ||\cdot ||\beta ||\cdot cos\theta$$
  2. 正交：当 ${\alpha }^T\beta =0$ 时，称向量 $(\alpha ,\beta )$ 是正交向量。所谓正交，在几何意义上就是两向量相互垂直
  3. 模：模即为向量的长度，向量 $\alpha$ 的模为
     $$||\alpha ||=\sqrt{\sum _{i=1}^n{a}_i^2}$$
     当 $||\alpha ||=1$ 时，称 $\alpha$ 为 单位向量
  4. 标准正交向量组：若向量组 ${\alpha }_1,{\alpha }_2,...,{\alpha }_s$ 满足
     $${\alpha }_i^T{\alpha }_j=\{\begin{array}{rlrl}& 0& ,i\ne j& \Rightarrow {\alpha }_i\perp {\alpha }_j\\ & 1& ,i=j& \Rightarrow ||{\alpha }_i||=1\end{array}$$
     则称向量组 ${\alpha }_1,{\alpha }_2,...,{\alpha }_s$ 为标准正交向量组（单位正交向量组），笛卡尔坐标的三个方向向量就是一组标准正交向量组。关键：每个向量都是单位向量，且两两正交

2.2.7 施密特标准正交化

• 施密特标准正交化可以将任意线性无关向量组 ${\alpha }_1,{\alpha }_2$ 转换为标准正交向量组 ${\eta }_1,{\eta }_2$，其分为两步进行

  1. 正交化：将任意线性无关向量组 ${\alpha }_1,{\alpha }_2$ 转换为正交向量组 ${\beta }_1,{\beta }_2$
     $$\{\begin{array}{rl}& {\beta }_1={\alpha }_1,\\ & {\beta }_2={\alpha }_2-\frac{({\alpha }_2,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1\end{array}$$
     从几何角度理解一下，是这样的
     

  $$\begin{array}{rl}t& =||{\alpha }_2||\cdot cos\theta \cdot \frac{{\alpha }_1}{||{\alpha }_1||}\\ & =\frac{||{\alpha }_2||\cdot ||{\beta }_1||\cdot cos\theta }{||{\beta }_1|{|}^2}\cdot {\beta }_1\\ & =\frac{({\alpha }_2,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1\end{array}$$
  2. 单位化：将正交向量组 ${\beta }_1,{\beta }_2$ 单位化，即得标准正交向量组 ${\eta }_1,{\eta }_2$
  $$\{\begin{array}{rl}& {\eta }_1=\frac{{\beta }_1}{||{\beta }_1||},\\ & {\eta }_2=\frac{{\beta }_2}{||{\beta }_2||}\end{array}$$

2.2.8 方阵的幂

• 设 $A$ 是一个n阶方阵，则 $A^m=\stackrel{\text{m个}}{\overbrace{AA...A}}$ 称为 $A$ 的m次幂

2.3 运算律

2.3.1 线性运算

• $A,B,C$ 是同型矩阵，$k,l$ 是任意常数
  1. 交换律：$A+B=B+A$
  2. 结合律：$(A+B)+C=A+(B+C)$
  3. 分配率：$k(A+B)=kA+kB,(k+l)A=kA+lA$
  4. 数乘结合律：$k(lA)=(kl)A=l(kA)$

2.3.2 方阵的行列式

• 当n阶方阵 $A$ 计算行列式时，记作 $|A|$，设 $A,B$ 是同阶方阵，则
  1. $|kA|=k^n|A|\ne k|A|(n\ge 2,k\ne 0,1)$
  2. 一般，$|A+B|\ne |A|+|B|$
     • 比如 $A=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],B=\left[\begin{array}{cc}-1& 0\\ 0& -1\end{array}\right]$，此时$|A+B|=0,|A|+|B|=2$
  3. $|AB|=|A||B|$
  4. $A\ne 0\nRightarrow |A|\ne 0$
     • 比如 $A=\left[\begin{array}{cc}1& 1\\ 1& 1\end{array}\right]$
  5. $A\ne B\nRightarrow |A|\ne |B|$
     • 比如 $A=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],B=\left[\begin{array}{cc}-1& 0\\ 0& -1\end{array}\right]$

2.3.3 矩阵乘法

• $A,B,C$ 是矩阵，$k$ 是任意常数

  1. 结合律： $(A_{m\times s}{B}_{s\times r})C_{r\times n}=A_{m\times s}(B_{s\times r}{C}_{r\times n})$
  2. 分配率：$A_{m\times s}(B_{s\times n}+C_{s\times n})=A_{m\times s}{B}_{s\times n}+A_{m\times s}{C}_{s\times n}$
  3. 数乘与矩阵乘积的结合律：$(k{A}_{m\times s})B_{s\times n}=A_{m\times s}(k{B}_{s\times n})=k(A_{m\times s}{B}_{s\times n})$

• 矩阵乘法通常不满足交换律：
  

  • 给上面（3）举个例子，比如 $A=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right],B=\left[\begin{array}{cc}-1& 0\\ 0& -1\end{array}\right],C=\left[\begin{array}{cc}0& 0\\ 0& 0\end{array}\right]$，此时 $AB=AC=\left[\begin{array}{cc}0& 0\\ 0& 0\end{array}\right]$

  

2.3.4 矩阵转置

• 设 $A$ 是 $m\times n$ 矩阵
  1. $(A^T{)}^T=A$
  2. $(kA{)}^T=k{A}^T$
  3. $(A+B{)}^T=A^T+B^T$
  4. $(AB{)}^T=B^T{A}^T$
  5. m=n时，$A$是方阵，此时根据行列式性质，有$|A^T|=|A|$

3. 几种重要矩阵

1. 零矩阵 （$0$）：每个元素均为0的矩阵
2. 单位矩阵 （$E$ 或 $I$）：主对角线全为1，其余元素全为0的n阶方阵
3. 数量矩阵：数 $k$ 和单位矩阵的乘积称为数量矩阵，主对角线全为 $k$，其余元素全为 0 的n阶方阵
4. 对角矩阵：非主对角线元素均为 0 的矩阵
5. 上（下）三角矩阵：当 $i>(<)j$ 时，$a_{ij}=0$ 的矩阵称为上（下）三角矩阵
6. 对称矩阵：满足条件 $A^T=A$ 的矩阵 $A$ 称为对称矩阵，
   $$\begin{gathered} A^T=A\iff a_{ij}=a_{ji} \\ 例如A=\left[\begin{array}{ccc}1& 2& 3\\ 2& 7& 9\\ 3& 9& 6\end{array}\right] \end{gathered}$$
7. 反对称矩阵：满足条件 $A^T=-A$ 的矩阵 $A$ 称为反对称矩阵
   $$\begin{gathered} A^T=-A\iff \{\begin{array}{rlr}& a_{ij}=-a_{ji}& ,i\ne j\\ & a_{ii}=0& \end{array} \\ 例如A=\left[\begin{array}{ccc}0& 2& 3\\ -2& 0& 9\\ -3& -9& 0\end{array}\right] \end{gathered}$$
8. 正交矩阵：设 $A$ 是n阶方阵，满足 $A^{T}A=E$，则称 $A$ 是正交矩阵。
   $$A是正交矩阵\iff A^{T}A=E\iff A的行（列）向量是标准正交向量组$$
   分析：设 $A=\left[\begin{array}{ccc}{a}_1& a_2& a_3\\ b_1& b_2& b_3\\ c_1& c_2& c_3\end{array}\right]$，且记
   $$\begin{gathered} \alpha =[a_1,a_2,a_3{]}^T，\beta =[b_1,b_2,b_3{]}^T，\gamma =[c_1,c_2,c_3{]}^T \\ \therefore A^{T}A=\left[\begin{array}{ccc}{a}_1& a_2& a_3\\ b_1& b_2& b_3\\ c_1& c_2& c_3\end{array}\right]\left[\begin{array}{ccc}{a}_1& b_1& c_1\\ a_2& b_2& c_2\\ a_3& b_3& c_3\end{array}\right]=E=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right] \\ \therefore \{\begin{array}{rl}& {\alpha }^T\alpha =1\Rightarrow ||\alpha ||=1\\ & {\beta }^T\beta =1\Rightarrow ||\beta ||=1\\ & {\gamma }^T\gamma =1\Rightarrow ||\gamma ||=1\\ & {\alpha }^T\beta =0\Rightarrow (\alpha ,\beta )=0,即\alpha ,\beta 正交\\ & {\alpha }^T\gamma =0\Rightarrow (\alpha ,\gamma )=0,即\alpha ,\gamma 正交\\ & {\beta }^T\gamma =0\Rightarrow (\beta ,\gamma )=0,即\beta ,\gamma 正交\end{array} \end{gathered}$$
   则 $A$ 是由两两正交的单位向量组（称为规范正交基）组成
9. 分块矩阵：
   1. 矩阵的分块
      
   2. 分块矩阵的基本运算（以 $2\times 2$型分块矩阵为例）