0
点赞
收藏
分享

微信扫一扫

【线性代数】第一章 1.1矩阵及其运算

目录

1.1矩阵及其运算

一,矩阵的概念

二,矩阵的线性运算

三,矩阵的乘法

四,矩阵的转置


一,矩阵的概念

我们先来看一下书上关于 矩阵的标准定义:由m×n个数排成的m行n列数表

 称为一个m行n列矩阵,简称为m×n矩阵,其中_{aij}表示第i行第j列处的元(或称元素),i称为_{aij}

的行指标,j称为_{aij} 的列指标。

 举个简单的例子:如果你看到了一个形如这样的东西

系数矩阵

n元线性方程组

 的系数可以组成一个m行n列矩阵

 称为方程组的系数矩阵

增广矩阵:

而系数及常数项可以组成一个m行n+1列矩阵

 称为方程组的增广矩阵

 零矩阵:

元全为零的矩阵称为零矩阵,记作_{Omn}^{O}注意:m和n之间应该有个“×”,实在打不出来,呜呜呜┭┮﹏┭┮,之后类似的试子也是如此,比如下方的_{O22},_{O23},此后不再复述).如

当m=n时,称A为n阶矩阵(或n阶方程)。

行矩阵和列矩阵:

只有1行(1×n)或1列(m×1)的矩阵

对角矩阵:

若矩阵的元_{aij}=0(i≠j),则称A为对角矩阵,_{aii}(i=1,2...,n)称为A的对角元,记作A=diag(_{a11},_{a22},...,_{ann})

例如,A=\begin{pmatrix} -1 &0 \\ 0&5 \end{pmatrix}=diag(-1,5)

为二阶对角矩阵.

单位矩阵:

对角元全为1的对角矩阵称为单位矩阵,n阶单位矩阵记为_{In},在不致混淆时也记为_{I},即

上三角矩阵下三角矩阵:

形如

的矩阵被称为上三角矩阵下三角矩阵


二,矩阵的线性运算

为了讨论矩阵的运算,我们首先给出矩阵相等的概念。

如果A和B都是m×n矩阵,就称A和B为同型矩阵。

两个矩阵A=(_{aij})和B=(^{bij})如果是同型矩阵,且对应元相等,即_{aij}=_{bij},就称A和B相等。

现在我们介绍矩阵的加法

定义2(矩阵的加法)设矩阵

A=\begin{pmatrix} _{a11} &_{a12} &... &_{a1n} \\ _{a21}& _{a22} & ... &_{a2n} \\ ...& ...& ... &... \\ _{am1}& _{am2} &... & _{amn} \end{pmatrix},B=\begin{pmatrix} _{b11} &_{b12} & ...&_{b1n} \\ _{b12} & _{b22}& ... & _{b2n}\\ ...& ...&... & ...\\ _{bm1} &_{bm2} &... & _{bmn} \end{pmatrix}

是两个m×n矩阵,将它们的对应元相加,得到一个新的m×n矩阵

C=\begin{pmatrix} _{a11}+_{b11} &_{a12}+_{b12} &... & _{a1n}+_{b1n} \\ _{a21}+_{b21} &_{a22}+_{b22} & ... & _{a2n}+_{b2n} \\ ... & ...& ...&... \\ _{am1}+_{bm1} &_{am2}+_{bm2} &... & _{amn}+_{bmn} \end{pmatrix}

则称矩阵C是矩阵A和B的和,记为C=A+B.

举个栗子🌰:若A=\begin{pmatrix} 30 &125 &17 &0 \\ 20 & 0 & 14& 23\\ 0& 20 &20 &30 \end{pmatrix},B=\begin{pmatrix} 10 & 15 & 13 & 30\\ 0& 40&16 &17 \\ 50 & 10 & 0&10 \end{pmatrix},

 那么A+B=\begin{pmatrix} 40& 40& 30& 30\\ 20& 40& 30& 40\\ 50&30 &20 &40 \end{pmatrix}.

下面介绍矩阵与数的乘积 

定义3(矩阵的乘数)设A=(_{aij})m×n是一个m×n矩阵,k是一个数,则称矩阵

\begin{pmatrix} _{ka11} & _{ka12}& ...&_{ka1n} \\ _{ka21}&_{ka22} &... &_{ka2n} \\ ... &... &... &... \\ _{kam1}&_{kam2} &... &_{kamn} \end{pmatrix}

为矩阵A和数k的乘积(简称矩阵的数乘),记为kA.

 矩阵的加法与数乘统称为矩阵的线性运算

基于此,容易得出矩阵的线性运算满足下列八条性质。


 三,矩阵的乘法 

定义4 设m×p矩阵A=(_{aij})m×p,p×n矩阵B=(_{bij})p×n,则由元

         c_{ij}=a_{i1}b_{1j}+a_{i2}b_{2j}+...+a_{ip}b_{pj}=\sum_{k=1}^{p}a_{ik}b_{kj}(i=1,2...,n)

构成的m×n矩阵C=(c_{ij]})m×n称为矩阵A和B的乘积,记为C=AB.

举个例子:设

A=\begin{pmatrix} 1 &2 &3 \\ 3 & 2 & 1 \end{pmatrix},B=\begin{pmatrix} 1 &3 \\ 3 & 1\\ 2&2 \end{pmatrix},

AB=\begin{pmatrix} 1*1+2*3+3*2 &1*3+2*1+3*2 \\ 3*1+2*3+1*2 &3*3+2*1+1*2 \end{pmatrix}=\begin{pmatrix} 13 & 11\\ 11& 13 \end{pmatrix}.

矩阵乘法满足下列运算规律:

 请看下面的例子:设A=\begin{pmatrix} 1 &1 \\ -1 & -1 \end{pmatrix},B=\begin{pmatrix} 1 & -1\\ -1& 1 \end{pmatrix},求AB和BA.

显然

在上述例子中我们可以看出矩阵的乘法一般不满足交换律即一般AB≠BA。

 矩阵乘法一般不满足交换律,但是,容易得到如下常用结果:

kI=diag(k,k,...,k)=\begin{pmatrix} k & & & \\ & k& & \\ & & ...& \\ & & & k \end{pmatrix}            (k≠0)

数量矩阵

n阶数量矩阵kI与任意n阶矩阵A也是可交换的,这是因为(kI)A=k(IA)=kA,A(kI)=k(AI)=kA.

我们还可定义方阵的幂和方阵的多项式.

定义 5 设A是n阶方阵,k为正整数,定义

\left\{\begin{matrix} A^{1}=A & \\ A^{k+1}=A^{k}A&,k=1,2,.... \end{matrix}\right.

由定义可证明:当m,k为正整数时,

A^{m}A^{k}=A^{m+k},(A^{m})^{k}=A^{mk}

定义 6 设f(x)=a_{k}x^{k}+a_{k-1}x^{k-1}+...+a_{1}x+a_{0}是x的k次多项式,A是n阶方阵,则

 f(A)=a_{k}A^{k}+a_{k-1}A^{k-1}+...+a_{1}A+a_{0}

 称为方阵A的k次多项式.


 四,矩阵的转置

把一个矩阵A的行列互换,所得到的矩阵称为A的转置,记为A^{T}.确切的定义如下

定义 7 设

A=\begin{pmatrix} a_{11} &a_{12} &... &a_{1n} \\ a_{21} &a_{22} &... &a_{2n} \\ ...&... & ...&... \\ a_{m1}&a_{m2} &... &a_{mn} \end{pmatrix},

则称

A^{T}=\begin{pmatrix} a_{11} &a_{21} &... &a_{m1} \\ a_{12}&a_{22} &... &a_{m2} \\ ... &.... &... &... \\ a_{1n}&a_{2n} &... &a_{mn} \end{pmatrix}

 为A的转置。

显然,m×n矩阵的转置是n×m矩阵.

矩阵的转置满足以下规律:

定义 8 若 A^{T}=A,则称A为对称矩阵;若A^{T}=-A,则称A为反称矩阵.

 

举报

相关推荐

0 条评论