矩陣
一、矩陣的定義
已知$A=\begin{pmatrix}a_{11} & a_{12} & \cdots & a_{1n} \ a_{21} & a_22 & \cdots & a_2 \ \vdots & \vdots & & \vdots \ a_{m1} & a_{m2} & \cdots & a_{mn}\end{pmatrix}$,這$m\times n$個數稱為矩陣$A$的元素,簡稱為元,數$a_{ij}$位于矩陣$A$的第$i$行第$j$列,稱為矩陣$A$的$(i,j)$元。以數$a_{ij}$為$(i,j)$元的矩陣可簡記作$(a_{ij})$或$(a_{ij}){m\times n}$,$m\times n$的矩陣$A$也記作$A{m\times n}$
當兩個矩陣的行數相同,列數也相同時,則稱它們是同型矩陣
二、線性變換的定義
$n$個變量$x_1,x_2,\cdots,x_n$與$m$個變量$y_1,y_2,\cdots,y_n$之間的關系式$\begin{cases}y_1=a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n\y_2=a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n\\cdots\y_m=a_{m1}x_1+a_{m2}x_2+\cdots+a_{mn}x_n\end{cases}$表示從一個變量$x_1,x_2,\cdots,x_n$到變量$y_1,y_2,\cdots,y_m$的線性變換,其中$a_{ij}$為常數,線性變換的系數$a_{ij}$構成矩陣$A=(a_{ij})_{m\times n}$
三、幾種特殊的矩陣
1. 零矩陣
元素都是零的矩陣稱為零矩陣,記作$O$
2. 對角矩陣
$\Lambda=\begin{pmatrix}\lambda_1&0&\cdots&0\0&\lambda_2&\cdots&0\\vdots&\vdots&&\vdots\0&0&\cdots&\lambda_n\end{pmatrix}$
這個方陣的特點是:不在對角線上的元素都是$0$,我們把這種方陣稱為對角矩陣,簡稱對角陣,對角陣也記作$\Lambda=diag(\lambda_1,\lambda_2,\cdots,\lambda_n)$
$\Lambda^n=\begin{pmatrix}\lambda_1^n&0&\cdots&0\0&\lambda_2^n&\cdots&0\\vdots&\vdots&&\vdots\0&0&\cdots&\lambda_n^n\end{pmatrix}$
3. 機關矩陣
我們把$E=\begin{pmatrix}1 & 0 & \cdots & 0 \ 0 & 1 & \cdots & 0 \ \vdots & \vdots & & \vdots \ 0 & 0 & \cdots & 1\end{pmatrix}$
這個方陣的特點是:從左上角到右下角的直線(叫做(主)對角線)上的元素都是$1$,其他元素都是$0$
矩陣的運算
一、矩陣的加法
1. 定義
設有兩個$m\times n$矩陣$A=(a_{ij}))$和$B=(b_{ij})$(同型矩陣),那麼矩陣$A$與$B$的和記作$A+B$,規定為$A+B=\begin{pmatrix}a_{11}+b_{11} & a_{12}+b_{12} & \cdots & a_{1n}+b_{1n} \ a_{21}+b_{21} & a_{22}+b_{22} & \cdots & a_{2n}+b_{2n} \ \vdots & \vdots & & \vdots \ a_{m1}+b_{m1} & a_{m2}+b_{m2} & \cdots & a_{mn}+b_{mn}\end{pmatrix}$
2. 運算規律
矩陣加法滿足下列運算規律(設$A,B,C$都是$m\times n$矩陣)
- $A+B=B+A$
- $(A+B)+C=A+(B+C)$
二、數與矩陣相乘
1. 定義
數$\lambda$與矩陣$A$的乘積記作$\lambda A$或$A \lambda$,規定為$\lambda A=A \lambda=\begin{pmatrix}\lambda a_{11} & \lambda a_{12} & \cdots & \lambda a_{1n} \ \lambda a_{21} & \lambda a_{22} & \cdots & \lambda a_{2n} \ \vdots & \vdots & & \vdots \ \lambda a_{m1} & \lambda a_{m2} & \cdots & \lambda a_{mn}\end{pmatrix}$
2. 運算規律
數乘矩陣滿足下列運算規律(設$A,B$為$m\times n$矩陣,$\lambda,\mu$為數)
- $(\lambda \mu)A=\lambda(\mu A)$
- $(\lambda+\mu)A=\lambda A+\mu A$
- $\lambda(A+B)=\lambda A+\lambda B$
三、矩陣與矩陣相乘
1. 定義
設$A=(a_{ij})$是一個$m\times s$矩陣,$B=(b_{ij})$是一個$s\times n$矩陣,那麼規定矩陣$A$與矩陣$B$的乘積是一個$m\times n$矩陣$C=(c_{ij})$,其中$c_{ij}=a_{i1}b_{1j}+a_{i2}b_{2j}+\cdots+a_{is}b_{sj}=\sum\limits_{k=1}^{s}a_{ik}b_{kj},(i=1,2,\cdots,m;j=1,2,\cdots,n)$并把乘積記作$C=AB$
2. 運算規律
矩陣的乘法滿足下列結合律和配置設定律(假設運算都是可行的)
- $(AB)C=A(BC)$
- $\lambda(AB)=(\lambda A)B=A(\lambda B)$
- $A(B+C)=AB+AC$
注意$AB\ne BA$
四、矩陣的轉置
1. 定義
把矩陣$A$的行換成同序數的列得到一個新矩陣,叫做$A$的轉置矩陣,記作$A^T$
可以看做以主對角線為對稱軸,翻轉矩陣
2. 運算規律
矩陣的轉置滿足下列運算規律(假設運算都是可行的)
- $(A^T)^T=A$
- $(A+B)^T=A^T+B^T$
- $(\lambda A)^{T=\lambda}A^T$
- $(AB)^T=B^TA^T$
五、方陣的行列式
1. 定義
由$n$階方陣$A$的元素所構成的行列式(各元素的位置不變),稱為方陣$A$的行列式,記作$|A|$或$\det A$
2. 運算規律
由$A$确定$|A|$的這個運算滿足下列運算規律(設$A,B$為$n$階方陣,$\lambda$為數)
- $|A^T|=|A|$
- $|\lambda A|=\lambda^n|A|$
- $|AB|=|A||B|$
逆矩陣
一、逆矩陣的定義
定義:對于$n$姐矩陣$A$,如果有一個$n$階矩陣$B$,使$AB=BA=E$,則說矩陣$A$是可逆的,并把矩陣$B$稱為矩陣$A$的逆矩陣,簡稱逆陣。$A$的逆陣記作$A^{-1}$,即若$AB=BA=E$,則$B=A^{-1}$
二、性質
- 若矩陣$A$可逆,則$|A|\ne0$
- 若$|A|\ne0$,則矩陣$A$可逆,且$A^{-1}=\frac{1}{|A|}A^$,其中$A^$為矩陣$A$的伴随陣,即$A^=\begin{pmatrix}A_{11} & A_{21} & \cdots & A_{n1} \ A_{12} & A_{22} & \cdots & A_{2n} \ \vdots & \vdots & & \vdots \ A_{1n} & A_{2n} & \cdots & A_{nn}\end{pmatrix}$(該式由$AA^=|A|E$推出)
- 若$AB=E$(或$BA=E$),則$B=A^{-1}$
三、充要條件
$A$是可逆矩陣的充分必要條件是$|A|\ne0$,即可逆矩陣就是非奇異矩陣
四、運算規律
方陣點的逆矩陣滿足下列運算規律
- 若$A$可逆,則$A^{-1}$亦可逆,且$(A^{-1})^{-1}=A$
- 若$A$可逆,數$\lambda\ne 0$,則$\lambda A$可逆,且$(\lambda A)^{-1}=\frac{1}{\lambda}A^{-1}$
- 若$A,B$為同階矩陣且均可逆,則$AB$以亦可逆,且$(AB)^{-1}=B^{-1} A^{-1}$
例1:設$P=\begin{pmatrix}1 & 2 \ 1 & 4\end{pmatrix},\Lambda=\begin{pmatrix}1 & 0 \ 0 & 2\end{pmatrix},AP=P \Lambda$,求$A^n$
$|P|=2\ne0$,故$P$為可逆矩陣
有$A=P \Lambda P^{-1}$
$A^{n}=P \Lambda P^{-1}\cdot P \Lambda P^{-1}\cdots P \Lambda P^{-1}=P \Lambda^{n}P^{-1}$
$P^*=\begin{pmatrix}4 & -2 \ -1 & 1\end{pmatrix}$
$\therefore P^{-1}=\frac{P^{*}}{|P|}=\frac{1}{2}\begin{pmatrix}4 & -2 \ -1 & 1\end{pmatrix}$
$\therefore A^{n}=P \Lambda P^{-1}=\frac{1}{2}\begin{pmatrix}4-2^{n+1} & -2+2^{n-1} \ 4-2^{n+2 } & -2+2^{n+2}\end{pmatrix}=\begin{pmatrix}2-2^{n} & 2^{n}-1 \ 2-2^{n+1} & 2^{n+1}-1\end{pmatrix}$
矩陣分塊法
一、分塊矩陣的定義
定義 :我們将矩陣$A$用若幹條縱線和橫線分成許多個小矩陣,每一個小矩陣稱為$A$的子塊,以子塊為元素的形式上的矩陣稱為分塊矩陣
例1:設$A=\begin{pmatrix}1 & 0 & 0 & 0 \ 0 & 1 & 0 & 0 \ -1 & 2 & 1 & 0 \ 1 & 1 & 0 & 1\end{pmatrix},B=\begin{pmatrix}1 & 0 & 1 & 0 \ -1 & 2 & 0 & 1 \ 1 & 0 & 4 & 1 \ -1 & -1 & 2 & 0\end{pmatrix}$,求$AB$
$A=\begin{pmatrix}E & 0 \ A_{1} & E\end{pmatrix},B=\begin{pmatrix}B_{11} & E \ B_{21} & B_{22}\end{pmatrix}$
$AB=\begin{pmatrix}EB_{11}+0\cdot B_{21} & EE+0\cdot B_{22} \ A_{1}B_{11}+EB_{21} & A_{1}E+EB_{22}\end{pmatrix}=\begin{pmatrix}B_11 & E \ A_{1}B_{11}+B_{21} & A_{1}+B_{22}\end{pmatrix}$
$A_{1}B_{11}+B_{21}=\begin{pmatrix}-2 & 4 \ -1 & 1\end{pmatrix}$
$A_1+B_{22}=\begin{pmatrix}3 & 3 \ 3 & 1\end{pmatrix}$
故$AB=\begin{pmatrix}1 & 0 & 1 & 0 \ -1 & 2 & 0 & 1 \ -2 & 4 & 3 & 3 \ -1 & 1 & 3 & 1\end{pmatrix}$
例2:證明矩陣$A=O$的充分必要條件是方陣$A^TA=O$
必要性:
$\because A=O\quad \therefore A^{TA=O\cdot}O=O$
充分性:
設$A_{m\times n}=\begin{pmatrix}\alpha_{1} & \alpha_2 & \cdots & \alpha_n\end{pmatrix}$,其中$\alpha_{i}=\begin{pmatrix}a_{1i} \ a_{2i} \ \vdots \ a_{ni}\end{pmatrix}$
$A^TA=\begin{pmatrix}\alpha_{1}^T \ \alpha_{2}^T \ \cdots\\alpha_{n}^T\end{pmatrix}\begin{pmatrix}\alpha_1 & \alpha_2 & \cdots & \alpha_n\end{pmatrix}=\begin{pmatrix}\alpha_{1}^{T}\alpha_{1} &\alpha_{1}^{T}\alpha_{2} & \cdots & \alpha_{1}^{T}\alpha_{n} \ \alpha_{2}^{T}\alpha_{1} & \alpha_{2}^{T}\alpha_{2} & \cdots & \alpha_{2}^{T}\alpha_{n} \ \vdots & \vdots & & \vdots \ \alpha_{n}^{T}\alpha_{1} & \alpha_{n}^{T}\alpha_{2} & \cdots & \alpha_{n}^{T}\alpha_{n} \end{pmatrix}=O$
又$\because A^TA=0$
$\therefore \alpha_{i}^{T}\alpha_{j}=0\quad(i,j=1,\cdots,n)$
當$i=j$時,即$\alpha_{i}^{T}\alpha_{i}=0$
又$\because \alpha_{i}=\begin{pmatrix}a_{1i} \ a_{2i} \ \vdots \ a_{ni}\end{pmatrix}$
$\alpha_{i}^{T}\alpha_{i}=\begin{pmatrix}a_{1i} & a_{2i} & \cdots & a_{ni}\end{pmatrix}\begin{pmatrix}a_{1i} \ a_{2i} \ \vdots \ a_{ni}\end{pmatrix}=a_{1i}^{2}+a_{2i}^{2}+\cdots+a_{ni}^{2}=0$