一、向量
-
n维行向量：1 × \times ×n的矩阵. n维列向量：n$\times$1的矩阵.
-
在三维平面 R 3 R^3 R3中，由三个不同时共面的向量可组成整个三维空间
-
线性方程组的
- 1.矩阵形式： A m × n ⋅ x n × 1 → = β m × 1 → A_{m\times n} \cdot \overrightarrow{x_{n\times 1}}=\overrightarrow{\beta_{m\times 1}} Am×n⋅xn×1=βm×1
- 2.向量形式：
x
1
α
1
+
x
2
α
2
+
.
.
.
+
x
n
α
n
=
β
x_1\alpha_1+x_2\alpha_2+...+x_n\alpha_n=\beta
x1α1+x2α2+...+xnαn=β
- 按列分：n个m维列向量 A m × n = [ α 1 α 2 . . . α n ] A_{m\times n}=\begin{bmatrix}\alpha_1&\alpha_2&...&\alpha_n \end{bmatrix} Am×n=[α1α2...αn]
- 方程组有解：向量 β \beta β可以表示成向量组 { α 1 , α 2 , . . . , α n } \{\alpha_1,\alpha_2,...,\alpha_n\} {α1,α2,...,αn}的线性组合
二、代数运算
- 1.加法（同型矩阵）
- 2.数乘
- 3.乘法：
-
1.实数集上的乘法： a ≠ 0 时 ， a x = y 表 示 x ∈ R → y = a x y ∈ R a\neq0时，ax=y表示x\in R \xrightarrow{y=ax} y\in R a=0时，ax=y表示x∈Ry=axy∈R
矩阵上的乘法： A m × n ⋅ X n × 1 = b m × 1 表 示 X n × 1 ∈ R n （ n 维 ） → Y = A X Y m × 1 ∈ R m （ m 维 ） A_{m\times {\color{red}n}} \cdot X_{{\color{red}n} \times 1}=b_{\color{red}m\times 1}表示X_{n \times1}\in R^n （n维）\xrightarrow{Y=AX}Y_{m \times1}\in R^m （m维） Am×n⋅Xn×1=bm×1表示Xn×1∈Rn（n维）Y=AXYm×1∈Rm（m维）
A m × s ⋅ X s × n = b m × n 定 义 : [ α 11 α 12 . . . α 1 s α 21 α 22 . . . α 2 s ⋮ ⋮ . . . ⋮ α m 1 α m 2 . . . α m s ] ⋅ [ α 11 α 12 . . . α 1 n α 21 α 22 . . . α 2 n ⋮ ⋮ . . . ⋮ α s 1 α s 2 . . . α s n ] = [ α 11 α 12 . . . α 1 n α 21 α 22 . . . α 2 n ⋮ ⋮ . . . ⋮ α m 1 α m 2 . . . α m n ] A_{m\times {\color{red}s}} \cdot X_{{\color{red}s} \times n}=b_{\color{red}m\times n}定义:\\ \begin{bmatrix}\boxed{\alpha_{11}}&\boxed{\alpha_{12}}&...&\boxed{\alpha_{1{\color{red}s}}}\\\alpha_{21}&\alpha_{22}&...&\alpha_{2{\color{red}s}}\\\vdots&\vdots&...&\vdots\\\alpha_{m1}&\alpha_{m2}&...&\alpha_{m{\color{red}s}}\end{bmatrix} \cdot \begin{bmatrix}\boxed{\alpha_{11}}&\alpha_{12}&...&\alpha_{1n}\\\boxed{\alpha_{21}}&\alpha_{22}&...&\alpha_{2n}\\\vdots&\vdots&...&\vdots\\\boxed{\alpha_{{\color{red}s}1}}&\alpha_{{\color{red}s}2}&...&\alpha_{{\color{red}s}n}\end{bmatrix} =\begin{bmatrix}\alpha_{11}&\alpha_{12}&...&\alpha_{1n}\\\alpha_{21}&\alpha_{22}&...&\alpha_{2n}\\\vdots&\vdots&...&\vdots\\\alpha_{m1}&\alpha_{m2}&...&\alpha_{mn}\end{bmatrix} Am×s⋅Xs×n=bm×n定义:⎣⎢⎢⎢⎡α11α21⋮αm1α12α22⋮αm2............α1sα2s⋮αms⎦⎥⎥⎥⎤⋅⎣⎢⎢⎢⎡α11α21⋮αs1α12α22⋮αs2............α1nα2n⋮αsn⎦⎥⎥⎥⎤=⎣⎢⎢⎢⎡α11α21⋮αm1α12α22⋮αm2............α1nα2n⋮αmn⎦⎥⎥⎥⎤ -
2.不满足：
- 交换律： A B ≠ B A AB\neq BA AB=BA
- 消去律： A B = A C 且 A ≠ 0 ⇏ B = C AB=AC且A\neq 0 \nRightarrow B=C AB=AC且A=0⇏B=C
-
3.满足：
- 结合律： ( A B ) C = A ( B C ) (AB)C=A(BC) (AB)C=A(BC)
- 分配律： A ( B + C ) = A B + A C , ( A + B ) C = A C + B C A(B+C)=AB+AC,(A+B)C=AC+BC A(B+C)=AB+AC,(A+B)C=AC+BC
-
4.与单位方阵 ( E n = [ 1 0 . . . 0 0 1 . . . 0 ⋮ ⋮ ⋮ 0 0 . . . 1 ] ) (E_n=\begin{bmatrix}1&0&...&0 \\ 0&1&...&0 \\ \vdots&\vdots& &\vdots \\ 0&0&...&1\end{bmatrix} ) (En=⎣⎢⎢⎢⎡10⋮001⋮0.........00⋮1⎦⎥⎥⎥⎤)： E m A m × n = A m × n E n = A E_mA_{m\times n}=A_{m\times n}E_n=A EmAm×n=Am×nEn=A
-
5.与初等矩阵（单位阵经过一次初等变换得到的矩阵）：（左乘变行，右乘变列）
- 1).对换:
[ 0 1 0 1 0 0 0 0 1 ] ⋅ [ a b c d e f g h i j k l ] = [ e f g h a b c d i j k l ] [ a b c d e f g h i j k l ] ⋅ [ 0 1 0 1 0 0 0 0 1 ] = [ b a c e d f h g i k j l ] \begin{bmatrix} 0&1&0 \\ 1&0&0 \\ 0&0&1\end{bmatrix}\cdot \begin{bmatrix} a&b&c&d \\ \boxed e&\boxed f&\boxed g&\boxed h \\ i&j&k&l \end{bmatrix}=\begin{bmatrix} \boxed e&\boxed f&\boxed g&\boxed h \\ a&b&c&d \\ i&j&k&l \end{bmatrix} \\ \begin{bmatrix} a&\boxed b&c \\ d&\boxed e&f \\ g&\boxed h&i \\ j&\boxed k&l \end{bmatrix} \cdot \begin{bmatrix} 0&1&0 \\ 1&0&0 \\ 0&0&1\end{bmatrix}=\begin{bmatrix} \boxed b&a&c \\ \boxed e&d&f \\ \boxed h&g&i \\ \boxed k&j&l \end{bmatrix} ⎣⎡010100001⎦⎤⋅⎣⎡aeibfjcgkdhl⎦⎤=⎣⎡eaifbjgckhdl⎦⎤⎣⎢⎢⎢⎡adgjbehkcfil⎦⎥⎥⎥⎤⋅⎣⎡010100001⎦⎤=⎣⎢⎢⎢⎡behkadgjcfil⎦⎥⎥⎥⎤ - 2).数乘:
[ 1 0 0 0 p 0 0 0 1 ] ⋅ [ a b c d e f g h i j k l ] = [ a b c d p e p f p g p h i j k l ] \begin{bmatrix} 1&0&0 \\ 0&p&0 \\ 0&0&1\end{bmatrix}\cdot \begin{bmatrix} a&b&c&d \\ \boxed e&\boxed f&\boxed g&\boxed h \\ i&j&k&l \end{bmatrix}=\begin{bmatrix} a&b&c&d \\ \boxed{pe}&\boxed{pf}&\boxed{pg}&\boxed{ph} \\ i&j&k&l \end{bmatrix} ⎣⎡1000p0001⎦⎤⋅⎣⎡aeibfjcgkdhl⎦⎤=⎣⎡apeibpfjcpgkdphl⎦⎤ - 3).倍加:
[ 1 0 p 0 1 0 0 0 1 ] ⋅ [ a b c d e f g h i j k l ] = [ a + p i b + p j c + p k d + p l e f g h i j k l ] \begin{bmatrix} 1&0&p \\ 0&1&0 \\ 0&0&1\end{bmatrix}\cdot \begin{bmatrix} a&b&c&d \\ e&f&g&h \\ i&j&k&l \end{bmatrix}=\begin{bmatrix} \boxed{a+pi}&\boxed{b+pj}&\boxed{c+pk}&\boxed{d+pl} \\ e&f&g&h \\ i&j&k&l \end{bmatrix} ⎣⎡100010p01⎦⎤⋅⎣⎡aeibfjcgkdhl⎦⎤=⎣⎡a+pieib+pjfjc+pkgkd+plhl⎦⎤
- 1).对换:
-
- 4.（方阵的）幂运算：
单位阵 E E E，数量阵 k E kE kE，有 A 0 = E ， E A = A ， A E = A A^0=E，EA=A，AE=A A0=E，EA=A，AE=A.-
( A B ) k ({\color{red}AB})^k (AB)k = ( A B ) ( A B ) . . . ( A B ) = A ( B A ) ( B A ) . . . ( B A ) B = A ( A B ) k − 1 B =(AB)(AB)...(AB)=A(BA)(BA)...(BA)B=A({\color{red}AB})^{k-1}B =(AB)(AB)...(AB)=A(BA)(BA)...(BA)B=A(AB)k−1B.
-
由 ( A + λ E ) k (A+\lambda E)^k (A+λE)k = A k + C k 1 λ A k − 1 + L + C k k − 1 λ k − 1 A + λ k E =A^k+C^1_k\lambda A^{k-1}+L+C^{k-1}_k\lambda^{k-1} A+\lambda^k E =Ak+Ck1λAk−1+L+Ckk−1λk−1A+λkE.
方阵多项式： f ( A ) = a k A k + a k − 1 A k − 1 + L + a 1 A + a 0 E f(A)=a_kA^k+a_{k-1}A^{k-1}+L+a_1A+a_0E f(A)=akAk+ak−1Ak−1+L+a1A+a0E.例1：
设 A = [ λ 1 0 0 λ 1 0 0 λ ] ， 计 算 A k . {\color{blue}设A=\begin{bmatrix} \lambda&1&0 \\ 0&\lambda&1 \\ 0&0&\lambda \end{bmatrix}，计算A^k.} 设A=⎣⎡λ001λ001λ⎦⎤，计算Ak.
解：
A = B + λ E = [ 0 1 0 0 0 1 0 0 0 ] + [ λ 0 0 0 λ 0 0 0 λ ] ∵ B 3 = 0 ∴ A k = ( B + λ E ) k = λ k E + ( k λ k − 1 ) B + ( k ( k − 1 ) 2 λ k − 2 ) B 2 = [ λ k k λ k − 1 k ( k − 1 ) 2 λ k − 2 0 λ k k λ k − 1 0 0 λ k ] A=B+\lambda E=\begin{bmatrix} 0&1&0 \\ 0&0&1 \\ 0&0&0\end{bmatrix}+\begin{bmatrix} \lambda&0&0 \\ 0&\lambda&0 \\ 0&0&\lambda \end{bmatrix} \\ \because B^3=0 \\ \therefore A^k=(B+\lambda E)^k=\lambda^k E+(k\lambda^{k-1})B+(\dfrac{k(k-1)}{2}\lambda^{k-2})B^2= \begin{bmatrix} \lambda^k&k\lambda^{k-1}&\dfrac{k(k-1)}{2}\lambda^{k-2} \\ 0&\lambda^k&k\lambda^{k-1} \\ 0&0&\lambda^k\end{bmatrix} A=B+λE=⎣⎡000100010⎦⎤+⎣⎡λ000λ000λ⎦⎤∵B3=0∴Ak=(B+λE)k=λkE+(kλk−1)B+(2k(k−1)λk−2)B2=⎣⎢⎡λk00kλk−1λk02k(k−1)λk−2kλk−1λk⎦⎥⎤
-
- 数学归纳法
三、（方阵的）逆矩阵与矩阵初等变换
乘法逆元： A ⋅ A − 1 = A − 1 ⋅ A = E A \cdot A^{-1}=A^{-1} \cdot A=E A⋅A−1=A−1⋅A=E
- P23 定理2.3.1：若 A A A逆矩阵存在（可逆），则其唯一
- 对n元线性方程组 A n × n X = B A_{n \times n}X=B An×nX=B若A是可逆矩阵，则有唯一解 X = A − 1 B X=A^{-1}B X=A−1B
- 对n元齐次线性方程组A，若A是可逆矩阵，则只有零解
- P33 定理2.3.2：可逆矩阵==
(
A
B
)
−
1
=
B
−
1
A
−
1
(AB)^{-1}=B^{-1}A^{-1}
(AB)−1=B−1A−1==.
P34 推论2.3.1：可逆矩阵 ( P 1 P 2 . . . P m ) − 1 = P m − 1 P m − 1 − 1 . . . p 1 − 1 (P_{\color{red}1}P_{\color{red}2}...P_{\color{red}m})^{-1}=P_{\color{red}m}^{-1}P_{\color{red}m-1}^{-1}...p_{\color{red}1}^{-1} (P1P2...Pm)−1=Pm−1Pm−1−1...p1−1. - P35 引理2.3.1：
对
A
m
×
n
进
行
初
等
行
变
换
，
相
当
于
对
A
左
乘
初
等
矩
阵
P
m
.
对
A
m
×
n
进
行
初
等
列
变
换
，
相
当
于
对
A
右
乘
初
等
矩
阵
P
n
.
对A_{m \times n}进行初等{\color{red}行}变换，相当于对A{\color{red}左}乘初等矩阵P_{\color{red}m}.对A_{m \times n}进行初等{\color{red}列}变换，相当于对A{\color{red}右}乘初等矩阵P_{\color{red}n}.
对Am×n进行初等行变换，相当于对A左乘初等矩阵Pm.对Am×n进行初等列变换，相当于对A右乘初等矩阵Pn.
推论：初等矩阵均可逆
- 1.
P
−
1
(
i
,
j
)
=
P
(
i
,
j
)
P^{-1}(i,j)=P(i,j)
P−1(i,j)=P(i,j)
[ 1 0 0 0 0 1 0 1 0 ] ⋅ [ 1 0 0 0 0 1 0 1 0 ] = E \begin{bmatrix} 1&0&0 \\ 0&0&1 \\ 0&1&0 \end{bmatrix} \cdot \begin{bmatrix} 1&0&0 \\ 0&0&1 \\ 0&1&0 \end{bmatrix}=E ⎣⎡100001010⎦⎤⋅⎣⎡100001010⎦⎤=E - 2.
P
−
1
(
i
(
k
)
)
=
P
(
i
(
1
k
)
)
P^{-1}(i(k))=P(i(\dfrac{1}{k}))
P−1(i(k))=P(i(k1))
[ 1 0 0 0 k 0 0 0 1 ] ⋅ [ 1 0 0 0 1 k 0 0 0 1 ] = E \begin{bmatrix} 1&0&0 \\ 0&k&0 \\ 0&0&1 \end{bmatrix} \cdot \begin{bmatrix} 1&0&0 \\ 0&\dfrac{1}{k}&0 \\ 0&0&1 \end{bmatrix}=E ⎣⎡1000k0001⎦⎤⋅⎣⎢⎡1000k10001⎦⎥⎤=E - 3. P − 1 ( i , j ( k ) ) = P ( i , j ( − k ) ) P^{-1}(i,j(k))=P(i,j(-k)) P−1(i,j(k))=P(i,j(−k))
[ 1 0 k 0 1 0 0 0 1 ] ⋅ [ 1 0 − k 0 1 0 0 0 1 ] = E \begin{bmatrix} 1&0&k \\ 0&1&0 \\ 0&0&1 \end{bmatrix} \cdot \begin{bmatrix} 1&0&-k \\ 0&1&0 \\ 0&0&1 \end{bmatrix}=E ⎣⎡100010k01⎦⎤⋅⎣⎡100010−k01⎦⎤=E
- P36 定理2.3.4：
A
n
A_n
An为一个n阶方阵，则==
A
A
A可逆
⟺
A
x
=
0
\iff Ax=0
⟺Ax=0只有零解（
r
(
A
)
=
n
r(A)=n
r(A)=n）
⟺
A
\iff A
⟺A与
E
n
E_n
En行等价（
A
A
A可经有限次初等行变换化为
E
n
E_n
En）==
∵ A X = 0 , A − 1 A X = A − 1 0 , E X = 0 ∴ X = 0 \because AX=0,A^{-1}AX=A^{-1}0,EX=0 \\ \therefore X=0 ∵AX=0,A−1AX=A−10,EX=0∴X=0
故，当A可逆，则存在 P k P k − 1 . . . P 1 A = E P_kP_{k-1}...P_1A=E PkPk−1...P1A=E，故有 A − 1 = P k P k − 1 . . . P 1 A^{-1}=P_kP_{k-1}...P_1 A−1=PkPk−1...P1. - 求逆矩阵：
n
×
2
n
矩
阵
(
A
∣
E
)
→
初
等
行
变
换
(
E
∣
A
−
1
)
o
r
2
n
×
n
矩
阵
[
A
E
]
→
初
等
列
变
换
[
E
A
−
1
]
n\times 2n矩阵(A|E)\xrightarrow{初等行变换}(E|A^{-1})\ or\ 2n\times n矩阵 \begin{bmatrix}A \\ E \end{bmatrix}\xrightarrow{初等列变换}\begin{bmatrix}E \\ A^{-1} \end{bmatrix}
n×2n矩阵(A∣E)初等行变换(E∣A−1) or 2n×n矩阵[AE]初等列变换[EA−1].
推广： ( A ∣ B ) → 初 等 行 变 换 ( E ∣ A − 1 B ) (A|B)\xrightarrow{初等行变换}(E|A^{-1}B) (A∣B)初等行变换(E∣A−1B).
拓展：
( 1 ) A n × n X n × m = B n × m , i f A 可 逆 ， X = A − 1 B ( 2 ) X m × n A n × n = B m × n , i f A 可 逆 ， X = B A − 1 ( 3 ) A m × m X m × n B n × n = C m × n , i f A , B 可 逆 ， X = A − 1 C B − 1 \begin{aligned}(1)&A_{n \times n}X_{n \times m}=B_{n\times m},&&if\ A可逆，X=A^{-1}B\\ (2)&X_{m \times n}A_{n \times n}=B_{m\times n},&&if\ A可逆，X=BA^{-1}\\ (3)&A_{m \times m}X_{m \times n}B_{n \times n}=C_{m\times n},&&if\ A,B可逆，X=A^{-1}CB^{-1} \end{aligned} (1)(2)(3)An×nXn×m=Bn×m,Xm×nAn×n=Bm×n,Am×mXm×nBn×n=Cm×n,if A可逆，X=A−1Bif A可逆，X=BA−1if A,B可逆，X=A−1CB−1
四、转置矩阵与重要方阵
-
转置矩阵
向 量 a = [ x y z ] ， a T = [ x , y , z ] a T a = x 2 + y 2 + z 2 ， 故 a T a = ∣ ∣ a → ∣ ∣ ( 向 量 a 的 长 度 ) 向量a=\begin{bmatrix} x\\y\\z \end{bmatrix}，a^T=\begin{bmatrix} x,y,z \end{bmatrix} \\a^Ta=x^2+y^2+z^2，故a^Ta=||\overrightarrow a||(向量a的长度) 向量a=⎣⎡xyz⎦⎤，aT=[x,y,z]aTa=x2+y2+z2，故aTa=∣∣a∣∣(向量a的长度)- 运算规律：
- ( A T ) T = A ， ( A + B ) T = A T + B T ， ( λ A ) T = λ A T (A^T)^T=A，(A+B)^T=A^T+B^T，(\lambda A)^T=\lambda A^T (AT)T=A，(A+B)T=AT+BT，(λA)T=λAT.
- ( A B ) T = B T A T (AB)^T=B^TA^T (AB)T=BTAT.
-
(
A
−
1
)
T
=
(
A
T
)
−
1
(A^{-1})^T=(A^T)^{-1}
(A−1)T=(AT)−1，证：
(
A
T
)
−
1
A
T
=
E
=
E
T
=
(
A
A
−
1
)
T
=
(
A
−
1
)
T
A
T
(A^T)^{-1}A^T=E=E^T=(AA^{-1})^T=(A^{-1})^TA^T
(AT)−1AT=E=ET=(AA−1)T=(A−1)TAT.
例2： a 为 三 维 列 向 量 ， a a T = [ 1 − 1 1 − 1 1 − 1 1 − 1 1 ] ， 求 a T a \color{blue}a为三维列向量，aa^T=\begin{bmatrix} 1&-1&1\\-1&1&-1\\1&-1&1 \end{bmatrix}，求a^Ta a为三维列向量，aaT=⎣⎡1−11−11−11−11⎦⎤，求aTa
t r ( a T a ) = t r ( a a T ) ( t r a c e 迹 ： 对 角 线 的 平 方 和 ) {\color{red}tr(a^Ta)=tr(aa^T)}\ (trace迹：对角线的平方和) tr(aTa)=tr(aaT) (trace迹：对角线的平方和)
行向量×列向量= 数值 =列向量×行向量的结果矩阵的对角线的和
∵ a = [ x y z ] ， a T = [ x , y , z ] ， a a T = [ x 2 y 2 z 2 ] ， a T a = x 2 + y 2 + z 2 故 a T a = 1 + 1 + 1 = 3. \because a=\begin{bmatrix} x\\y\\z \end{bmatrix}，a^T=\begin{bmatrix} x,y,z \end{bmatrix}， aa^T=\begin{bmatrix} x^2&&\\&y^2&\\&&z^2 \end{bmatrix}，a^Ta=x^2+y^2+z^2 \\ 故a^Ta=1+1+1=3. ∵a=⎣⎡xyz⎦⎤，aT=[x,y,z]，aaT=⎣⎡x2y2z2⎦⎤，aTa=x2+y2+z2故aTa=1+1+1=3.
- 运算规律：
-
对称矩阵 A T = A A^T=A AT=A，反对称矩阵 A T = − A A^T=-A AT=−A
- 结论1：对
A
m
×
n
A_{m\times n}
Am×n，
A
A
T
AA^T
AAT和
A
T
A
A^TA
ATA都是对称矩阵.
证： ( A T A ) T = A T ( A T ) T = A T A (A^TA)^T=A^T(A^T)^T=A^TA (ATA)T=AT(AT)T=ATA. - 结论2：对
A
n
A_n
An，
A
+
A
T
A+A^T
A+AT是对称矩阵，
A
−
A
T
A-A^T
A−AT是反对称矩阵，
A
=
A
+
A
T
2
+
A
−
A
T
2
(
方
阵
可
以
表
示
为
对
称
矩
阵
和
反
对
称
矩
阵
之
和
)
A=\dfrac{A+A^T}{2}+\dfrac{A-A^T}{2}(方阵可以表示为对称矩阵和反对称矩阵之和)
A=2A+AT+2A−AT(方阵可以表示为对称矩阵和反对称矩阵之和).
证： ( A − A T ) T = A T − ( A T ) T = − ( A − A T ) (A-A^T)^T=A^T-(A^T)^T=-(A-A^T) (A−AT)T=AT−(AT)T=−(A−AT). - 对称矩阵的乘积不一定是对称阵
例3： 对 于 方 阵 A 、 B ， 有 A T = − A , B T = − B . 证 ： ( 1 ) A B − B A 是 n 阶 反 对 称 矩 阵 ( 2 ) A B 是 n 阶 对 称 矩 阵 ⟺ A B = B A \color{blue}对于方阵A、B，有A^T=-A,B^T=-B.证：(1)AB-BA是n阶反对称矩阵(2)AB是n阶对称矩阵\iff AB=BA 对于方阵A、B，有AT=−A,BT=−B.证：(1)AB−BA是n阶反对称矩阵(2)AB是n阶对称矩阵⟺AB=BA
( 1 ) ( A B − B A ) T = ( A B ) T − ( B A ) T = B T A T − A T B T = ( − B ) ( − A ) − ( − A ) ( − B ) = − ( A B − B A ) ( 2 ) 充 分 性 : A B = ( A B ) T = B T A T = B A 必 要 性 ： ( A B ) T = B T A T = B A = A B (1)(AB-BA)^T=(AB)^T-(BA)^T=B^TA^T-A^TB^T=(-B)(-A)-(-A)(-B)=-(AB-BA) \\ (2)充分性:AB=(AB)^T=B^TA^T=BA \\ 必要性：(AB)^T=B^TA^T=BA=AB (1)(AB−BA)T=(AB)T−(BA)T=BTAT−ATBT=(−B)(−A)−(−A)(−B)=−(AB−BA)(2)充分性:AB=(AB)T=BTAT=BA必要性：(AB)T=BTAT=BA=AB
- 结论1：对
A
m
×
n
A_{m\times n}
Am×n，
A
A
T
AA^T
AAT和
A
T
A
A^TA
ATA都是对称矩阵.
-
正交矩阵 A T A = E A^TA=E ATA=E
- 方阵
A
n
A_n
An为正交矩阵
⟺
A
T
=
A
−
1
\iff A^T=A^{-1}
⟺AT=A−1
方阵 A n A_n An为正交矩阵 ⟺ ∑ k = 1 n a i k a j k ( 或 a k i a k j ) = { 1 i = j 0 i ≠ j ( i , j = 1 , 2 , . . . , n ) ， 即 每 一 行 （ 列 ） n 个 元 的 平 方 和 等 于 1 ， 两 不 同 行 （ 列 ） 的 对 应 元 乘 积 和 等 于 0 \iff \sum\limits^n_{k=1}a_{ik}a_{jk}(或a_{ki}a_{kj})=\begin{cases} 1&i=j \\ 0&i\ne j \end{cases}(i,j=1,2,...,n)，即每一行（列）n个元的平方和等于1，两不同行（列）的对应元乘积和等于0 ⟺k=1∑naikajk(或akiakj)={10i=ji=j(i,j=1,2,...,n)，即每一行（列）n个元的平方和等于1，两不同行（列）的对应元乘积和等于0 - 若 A , B A,B A,B为正交矩阵，则 A B 和 B A AB和BA AB和BA也是正交矩阵， A + B A+B A+B不一定
- 吉文斯变换：不会改变向量的长度，只会改变方向
- 方阵
A
n
A_n
An为正交矩阵
⟺
A
T
=
A
−
1
\iff A^T=A^{-1}
⟺AT=A−1
五、分块矩阵
- 不能乱分块
- 运算规则：
- 加法
- 数乘
- 乘法：左矩阵列的分法和右矩阵行的分法要相同
- 转置：大的转置，小的再转置
有 A 4 × 5 = [ A 3 × 3 B 3 × 2 C 1 × 3 D 1 × 2 ] ， 则 A 5 × 4 T = [ A 3 × 3 T C 3 × 1 T B 2 × 3 T D 2 × 1 T ] . 有A_{4\times 5}=\begin{bmatrix} A_{3\times3}&B_{3\times2}\\ C_{1\times3}&D_{1\times2} \end{bmatrix}，则A^T_{5\times 4}=\begin{bmatrix} A^T_{3\times3}&C^T_{3\times1} \\ B^T_{2\times3}&D^T_{2\times1} \end{bmatrix}. 有A4×5=[A3×3C1×3B3×2D1×2]，则A5×4T=[A3×3TB2×3TC3×1TD2×1T].- 可利用矩阵分块简化计算（当矩阵很大且零很多时）：加，乘，求幂，求逆.
例4： M = [ A r × r 0 C s × r D s × s ] ， A r × r 和 D s × s 均 可 逆 ， 求 M − 1 \color{blue}M=\begin{bmatrix} A_{r\times r}&0\\ C_{s\times r}&D_{s\times s} \end{bmatrix}，A_{r\times r}和D_{s\times s}均可逆，求M^{-1} M=[Ar×rCs×r0Ds×s]，Ar×r和Ds×s均可逆，求M−1.（待定系数法）
使 [ A 0 C D ] [ X Y Z T ] = E = [ E r 0 0 E s ] , 列 方 程 求 得 M − 1 = [ A − 1 0 − D − 1 C A − 1 D − 1 ] . 使\begin{bmatrix} A&0\\ C&D \end{bmatrix}\begin{bmatrix} X&Y\\ Z&T \end{bmatrix}=E=\begin{bmatrix} E_r&0\\ 0&E_s \end{bmatrix},\\ 列方程求得M^{-1}=\begin{bmatrix} A^{-1}&0 \\ -D^{-1}CA^{-1}&D^{-1} \end{bmatrix}. 使[AC0D][XZYT]=E=[Er00Es],列方程求得M−1=[A−1−D−1CA−10D−1].
- 可利用矩阵分块简化计算（当矩阵很大且零很多时）：加，乘，求幂，求逆.
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
