线性代数学习笔记-part2 矩阵及其运算-CSDN博客

本文链接：https://blog.csdn.net/weixin_51232296/article/details/147096895

矩阵及其运算

线性方程组和矩阵

设有 n 个未知数 m 个方程的线性方程组
$\left\{ \begin{aligned} a_{11}x_1 + a_{12}x_2 + \cdots + a_{1n}x_n &= b_1, \\ a_{21}x_1 + a_{22}x_2 + \cdots + a_{2n}x_n &= b_2, \\ &\;\;\vdots \\ a_{m1}x_1 + a_{m2}x_2 + \cdots + a_{mn}x_n &= b_m. \end{aligned} \right.$
其中 $a_{ij}$ 是第 i个方程的第j个未知数的系数， $b_i$ 是第i个方程的常数项， $\cdots, m$ ； $\cdots, n$ ，当常数项 $,bmb_1, b_2, \cdots, b_m$ 不全为零时，线性方程组叫做n元非齐次线性方程组，当 $,bmb_1, b_2, \cdots, b_m$ 全为零时，上式成为
$\left\{ \begin{aligned} a_{11}x_1 + a_{12}x_2 + \cdots + a_{1n}x_n &= 0, \\ a_{21}x_1 + a_{22}x_2 + \cdots + a_{2n}x_n &= 0, \\ &\;\;\vdots \\ a_{m1}x_1 + a_{m2}x_2 + \cdots + a_{mn}x_n &= 0. \end{aligned} \right.$
叫做n元齐次线性方程组.

n元线性方程组往往简称为线性方程组或方程组.

对于n元齐次线性方程组， $x1=x2=⋯=xn=0x_1 = x_2 =\cdots=x_n=0$ 一定是它的解，该解称为零解. 如果一组不全为零的数是齐次方程组的解，则它叫做齐次线性方程组的非零解. 齐次线性方程组一定有零解，但不一定有非零解.

定义1：由 $m×nm\times n$ 个数 $,n)a_{ij} (i=1,2,\cdots,m;j=1,2,\cdots,n)$ 排成的m行n列的数表
$\begin{matrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \end{matrix}$
称为m行n列矩阵，简称 $m×nm\times n$ 矩阵。通常用一个括弧包含该数表，并用大写黑体字母表示矩阵，记作
$A=\begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \end{pmatrix}$
这 $m×nm\times n$ 个数称为矩阵A的元素，简称为元，数 $a_{ij}$ 位于矩阵A 的第i行第j列，称为矩阵 $A$ 的(i, j)元. 以数 $a_{ij}$ 为(i, j)元的矩阵可简记作 $a_{ij})$ 或 $(aij)m×n(a_{ij})_{m\times n}$ . $m×nm\times n$ 矩阵 $A$ 也记作 $Am×nA_{m\times n}$ . 元素是实数的矩阵称为实矩阵，元素是复数的矩阵称为复矩阵.

行数与列数都等于n的矩阵称为n阶矩阵或n阶方阵. n阶矩阵 $A$ 也记作 $A_n$ .

只有一行的矩阵
$\begin{align} A=\begin{pmatrix} a_{1} & a_{2} & \cdots & a_{n} \end{pmatrix} \end{align}$
称为行矩阵，又称行向量.为避免元素间的混淆，行矩阵也记作
$\begin{align} A=\begin{pmatrix} a_{1}, & a_{2}, & \cdots, & a_{n} \end{pmatrix} \end{align}$
只有一列的矩阵
$\begin{align} B=\begin{pmatrix} b_{1} \\ b_{2} \\ \vdots \\ b_{m} \end{pmatrix} \end{align}$

称为列矩阵，又称列向量.

两个矩阵的行数相等、列数也相等时，就称它们是同型矩阵. 如果 $A =(a_{ij})$ 与 $B=(b_{ij})$ 是同型矩阵，并且它们的对应元素相等，即
$a_{ij}=b_{ij} \quad (i=1,2,\cdots,m;j=1,2,\cdots,n)$
那么就称矩阵 $A$ 与矩阵 $B$ 相等，记作 $A = B$ .

元素都是零的矩阵称为零矩阵，记作 $O$ .

对于非齐次线性方程组，
$\left\{ \begin{aligned} a_{11}x_1 + a_{12}x_2 + \cdots + a_{1n}x_n &= b_1, \\ a_{21}x_1 + a_{22}x_2 + \cdots + a_{2n}x_n &= b_2, \\ &\;\;\vdots \\ a_{m1}x_1 + a_{m2}x_2 + \cdots + a_{mn}x_n &= b_m. \end{aligned} \right.$

$\begin{align} A=(a_{ij}), x=\begin{pmatrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \end{pmatrix}, b=\begin{pmatrix} b_{1} \\ b_{2} \\ \vdots \\ b_{m} \end{pmatrix}, B=\begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} & b_1 \\ a_{21} & a_{22} & \cdots & a_{2n} & b_2\\ \vdots & \vdots & \ddots & \vdots & \vdots\\ a_{m1} & a_{m2} & \cdots & a_{mn} & b_m \end{pmatrix} \end{align}$
其中 $A$ 称为系数矩阵， $x$ 称为未知数矩阵， $b$ 称为常数项矩阵， $B$ 称为增广矩阵.

矩阵运算

加法

定义 2 设有两个 $m×nm\times n$ 阵 $A =(a_{ij})$ 和 $B =(b_{ij})$ ，那么矩阵 $A$ 与 $B$ 的和记作 $A + B$ ，规定为
$\begin{pmatrix} a_{11} + b_{11} & a_{12} + b_{12} & \cdots & a_{1n} + b_{1n} \\ a_{21} + b_{21} & a_{22} + b_{22} & \cdots & a_{2n} + b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} + b_{m1} & a_{m2} + b_{m2} & \cdots & a_{mn} + b_{mn} \end{pmatrix}$
应该注意，只有当两个矩阵是同型矩阵时，这两个矩阵才能进行加法运算.

矩阵加法满足下列运算规律（设 $A$ ， $B$ ， $C$ 都是 $m×nm\times n$ 矩阵）：

$A + B = B + A$ ；
$(A + B) + C = A + (B + C)$ .

数与矩阵相乘

定义 3 数 $λ\lambda$ 与矩阵 $A$ 的乘积记作 $λA\lambda A$ 或 $AλA\lambda$ ，规定为
$\lambda A = A\lambda= \begin{pmatrix} \lambda a_{11} & \cdots & \lambda a_{1n} \\ \vdots & \ddots & \vdots \\ \lambda a_{m1} & \cdots & \lambda a_{mn} \end{pmatrix}$

数乘矩阵满足下列运算规律（设 $A$ 、 $B$ 为 $m×nm\times n$ 矩阵， $λ\lambda$ 、 $μ\mu$ 为数）：

$(λμ)A=λ(μA)(\lambda\mu) A=\lambda(\mu A)$ ;
$(λ+μ)A=λA+μA(\lambda+\mu)A=\lambda A+\mu A$ ;
$λ(A+B)=λA+λB\lambda(A+B)=\lambda A+\lambda B$

矩阵加法与数乘矩阵统称为矩阵的线性运算.

矩阵与矩阵相乘

定义4 设 $A=(a_{ij})$ 是一个 $m×sm\times s$ 矩阵， $B=(b_{ij})$ 是一个 $s×ns\times n$ 矩阵，那么规定矩阵 $A$ 与矩阵 $B$ 的乘积是一个 $m×nm\times n$ 矩阵 $C =(c_{ij})$ ，其中
$c_{ij}=a_{i1}b_{1j}+a_{i2}b_{2j}+\cdots+a_{is}b_{sj}=\sum_{k=1}^sa_{ik}b_{kj}\quad(i=1,2,\cdots,m;j=1,2,\cdots,n)$
并把此乘积记作
$C = A B$
必须注意：只有当第一个矩阵（左矩阵）的列数等于第二个矩阵（右矩阵）的行数时，两个矩阵才能相乘.

$A B$ 是 $A$ 左乘 $B$ （ $B$ 被 $A$ 左乘）的乘积， $B A$ 是 $A$ 右乘 $B$ 的乘积， $A B$ 有意义时， $B A$ 可能没有意义.又若 $A$ 是 $m×nm\times n$ 矩阵， $B$ 是 $n×mn\times m$ 矩阵，则 $A B$ 与 $B A$ 都有意义，但 $A B$ 是 $m$ 阶方阵， $B A$ 是 $n$ 阶方阵，当 $m≠nm\neq n$ 时， $AB≠BAAB\neq BA$ . 即使 $m = n$ ，即 $A$ 、 $B$ 是同阶方阵. 总之，矩阵的乘法不满足交换律，即在一般情形下， $AB≠BAAB\neq BA$

对于两个 n 阶方阵 $A$ 、 $B$ ，若 $A B = B A$ ，则称方阵 $A$ 与 $B$ 是可交换的.

若有两个矩阵 $A$ 、 $B$ 满足 $A B = O$ ，不能得出 $A = O$ 或 $B = O$ 的结论；若 $\neq O$ 而 $A (X - Y) = O$ ，也不能得出 $X = Y$ 的结论.

矩阵的乘法虽不满足交换律，但仍满足下列结合律和分配律（假设运算都是可行的）：

$(A B) C = A (BC)$ ;
$λ(AB)=(λA)B=A(λB)\lambda (AB) =(\lambda A) B = A(\lambda B)$ （其中 $λ\lambda$ 为数）；
$A (B + C) = A B + A C$ ， $(B + C) A = B A + C A$ .

单位矩阵 $I$ 在矩阵乘法中的作用类似于数 1.

矩阵
$\lambda I = \begin{pmatrix} \lambda & & \\ & \ddots & \\ & & \lambda \end{pmatrix}$
称为纯量阵.纯量阵与任何同阶方阵都是可交换的.

有了矩阵的乘法，就可以定义矩阵的幂.设 $A$ 是n阶方阵，定义
$A^1=A， A^2=A^1A^1,\cdots,A^{k+1}=A^{k}A^1$
其中 k 为正整数，这就是说， $A^k$ 就是k个 $A$ 连乘. 显然只有方阵的幂才有意义.

因矩阵乘法一般不满足交换律，所以对于两个n阶矩阵 $A$ 与 $B$ ，一般说来 $(AB)k≠AkBk(AB)^k\neq A^k B^k$ ，只有当 $A$ 与 $B$ 可交换时，才有 $AB)^k = A^k B^k$ . 类似可知，例如 $A +B)^2 = A^2 +2A B + B^2$ 、 $A- B)(A + B) = A^2 - B^2$ 等公式，也只有当 $A$ 与 $B$ 可交换时才成立.

矩阵转置

定义 5 把矩阵 $A$ 的行换成同序数的列得到一个新矩阵，叫做 $A$ 的转置矩阵，记作 $ATA^\text{T}$ .

矩阵的转置也是一种运算，满足下述运算规律（假设运算都是可行的）：

$(AT)T=A(A^\text{T})^\text{T} = A$ ；
$^\text{T} = A^\text{T} +B^\text{T}$ ；
$(λA)T=λAT(\lambda A)^\text{T} =\lambda A^\text{T}$ ；
$^\text{T} = B^\text{T}A^\text{T}$ .

设 $A$ 为n阶方阵，如果满足 $AT=AA^\text{T}=A$ ，那么 $A$ 称为对称矩阵，简称对称阵. 对称矩阵的特点是：它的元素以对角线为对称轴对应相等

方阵的行列式

定义 6 由 n 阶方阵 $A$ 的元素所构成的行列式（各元素的位置不变），称为方阵 $A$ 的行列式，记作det $A$ 或 $∣ A ∣$ .

方阵与行列式是两个不同的概念， n 阶方阵是 $n^2$ 个数按一定方式排成的数表，而n阶行列式则是这些数（也就是数表 $A$ ）按一定的运算法则所确定的一个数.

由 $A$ 确定 $∣ A ∣$ 的这个运算满足下述运算规律（设 $A$ 、 $B$ 为n 阶方阵， $λ\lambda$ 为数）：

$∣ A T ∣ = ∣ A ∣$ （行列式性质1）；
$∣λA∣=λn∣A∣|\lambda A| =\lambda^n |A|$ ；
$∣ A B ∣ = ∣ A ∣∣ B ∣$ .

对于n阶矩阵 $A$ 、 $B$ ，一般来说 $B\neq BA$ ，但总有 $∣ A B ∣ = ∣ B A ∣$ .

逆矩阵

定义 7 对于n阶矩阵 $A$ ，如果有一个n阶矩阵 $B$ ，使
$A B = B A = I ，$
则说矩阵 $A$ 是可逆的，并把矩阵 $B$ 称为 $A$ 的逆矩阵，简称逆阵.

$A$ 的逆矩阵记作 $A^{-1}$ . 即若 $A B = B A = I$ ，则 $B = A^{-1}$ .

定理1 若矩阵 $A$ 可逆，则 $∣A∣≠0|A|\neq 0$ .

定理2 若 $∣A∣≠0|A|\neq 0$ ，则矩阵 $A$ 可逆，且
$A^{-1}=\frac{1}{|A|}A^*$
其中 $A^*$ 为矩阵 $A$ 的伴随矩阵.

当 $∣ A ∣ = 0$ 时， $A$ 称为奇异矩阵，否则称非奇异矩阵. 由上面两定理可知： $A$ 是可逆矩阵的充分必要条件是 $∣A∣≠0|A|\neq 0$ ，即可逆矩阵就是非奇异矩阵

推论若 $A B = I$ （或 $B A = I$ ），则 $B = A^{-1}$ .

逆矩阵满足下述运算规律：

若 $A$ 可逆，则 $A^{-1}$ 亦可逆，且 $A^{-1})^{-1} = A$ ；
若 $A$ 可逆，数 $λ≠0\lambda \neq 0$ ，则 $λA\lambda A$ 可逆，且 $(λA)−1=1λA−1(\lambda A)^{-1} =\frac{1}{\lambda} A^{-1}$
若 $A$ 、 $B$ 为同阶矩阵且均可逆，则 $A B$ 亦可逆，且 $AB)^{-1} =B^{-1}A^{-1}$

克拉默法则

克拉默法则 如果线性方程组
$\left\{ \begin{aligned} a_{11}x_1 + a_{12}x_2 + \cdots + a_{1n}x_n &= b_1, \\ a_{21}x_1 + a_{22}x_2 + \cdots + a_{2n}x_n &= b_2, \\ &\;\;\vdots \\ a_{n1}x_1 + a_{n2}x_2 + \cdots + a_{nn}x_n &= b_n. \end{aligned} \right.$
的系数矩阵 $A$ 的行列式不等于零，即
$|A|=\begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix}\neq 0$
那么，方程组有惟一解
$x_1=\frac{|A_1|}{|A|},x_2=\frac{|A_2|}{|A|},\cdots,x_n=\frac{|A_n|}{|A|},$
其中 $,n)A_j(j=1,2,\cdots,n)$ 是把系数矩阵 $A$ 中第j列的元素用方程组右端的常数项代替后所得到的n阶矩阵，即
$A_j = \begin{pmatrix} a_{11} & \cdots & a_{1,j-1} & b_1 & a_{1,j+1} & \cdots & a_{1n} \\ a_{21} & \cdots & a_{2,j-1} & b_2 & a_{2,j+1} & \cdots & a_{2n} \\ \vdots & \ddots & \vdots & \vdots & \vdots & \ddots & \vdots \\ a_{n1} & \cdots & a_{n,j-1} & b_n & a_{n,j+1} & \cdots & a_{nn} \\ \end{pmatrix}$