本篇为MIT公开课——线性代数 笔记。
矩阵乘法的运算规则
1.行乘列
乘法一般性法则:行乘列得到一个数。
假设有两个矩阵 \(A、B\) ,并且我们让 \(A*B=C\), 可以求得矩阵 \(C\) 中 \(i\) 行 \(j\) 列元素:
\[C_{\text{ij}}=( \text{row$\_$i}\ \text{at}\ A) ( \text{column$\_$j}\ \text{at}\ B)
\]
即矩阵 \(A\) 中 \(i\) 行点乘以矩阵 \(B\) 中的 \(j\) 列,就是矩阵 \(C\) 中 \(i\) 行 \(j\) 列的元素。
注意是 “行*列”。
例如
\[A=\left(
\begin{array}{cccc}
\square & \square & \square & \square \\
\square & \square & \square & \square \\
a_{31} & a_{32} & a_{33} & \cdots \\
\square & \square & \square & \square \\
\square & \square & \square & \square \\
\end{array}
\right)
\]
\[B=\left(
\begin{array}{ccccc}
\square & \square & \square & b_{14} & \square \\
\square & \square & \square & b_{24} & \square \\
\square & \square & \square & b_{34} & \square \\
\square & \square & \square & \cdots & \square \\
\end{array}
\right)
\]
则 矩阵 \(C\) 中 第3行4列元素为:
\[\begin{align}
C_{34}&=a_{31} b_{14}+a_{32} b_{24}+a_{33} b_{34}+\cdots \text{}+a_{3 n} b_{\text{n4}}\\&=\sum _{k=1}^n a_{3 k} b_{\text{k4}}
\end{align}
\]
前提条件是矩阵 \(A\) 的总列数 必须和矩阵 \(B\) 中的总行数相等。
假设矩阵 \(A\) 是 \(m*n\) 矩阵,矩阵 \(B\) 是 \(n*p\) 矩阵, 那么 矩阵 \(C=A*B\), 矩阵 \(C\) 是 \(m*p\) 矩阵。
其实很好理解,原来 矩阵\(A\) 的一行与矩阵 \(B\) 的一列的点乘,可以得到矩阵\(C\) 中的一个元素,那么 \(m\) 行乘以 \(p\) 列就可以得到 \(m*p\) 个元素,所以矩阵 \(C\) 是 \(m*p\) 矩阵。
2.矩阵列的线性组合
举例:
\[\left(
\begin{array}{ccc}
\square & \square & \cdots \\
\square & \square & \cdots \\
\cdots & \cdots & \cdots \\
\end{array}
\right) \left(
\begin{array}{ccc}
\square & \square & \cdots \\
\square & \square & \cdots \\
\cdots & \cdots & \cdots \\
\end{array}
\right)=\left(
\begin{array}{ccc}
\square & \square & \cdots \\
\square & \square & \cdots \\
\cdots & \cdots & \cdots \\
\end{array}
\right)
\]
\[A*B=C
\]
矩阵 \(A\) 的所有列乘以 \(B\) 的列1得到矩阵 \(C\) 的列1,矩阵 \(A\) 乘以 \(B\) 的列2得到矩阵 \(C\) 的列2....
将矩阵乘法考虑为矩阵乘以向量,矩阵 \(B\) 可以看成 p 个单独的列向量,只是这里排在一起。用矩阵 \(A\) 乘以每个列向量,相应得到 矩阵 \(C\) 的各列。
矩阵 \(C\) 中的各列,是矩阵 \(A\) 中各列的线性组合,矩阵 \(B\) 表示是怎么样的线性组合。
3.矩阵行的线性组合
\[\left(
\begin{array}{ccc}
\square & \square & \cdots \\
\square & \square & \cdots \\
\cdots & \cdots & \cdots \\
\end{array}
\right) \left(
\begin{array}{ccc}
\square & \square & \cdots \\
\square & \square & \cdots \\
\cdots & \cdots & \cdots \\
\end{array}
\right)=\left(
\begin{array}{ccc}
\square & \square & \cdots \\
\square & \square & \cdots \\
\cdots & \cdots & \cdots \\
\end{array}
\right)
\]
\[A*B=C
\]
同样的例子,我们从矩阵行的角度看,可以看成矩阵 \(A\) 的每一行乘以矩阵 \(B\) 所有行,可以得到相应矩阵\(C\) 的每一行。
比如矩阵 \(A\) 的第一行乘以矩阵\(B\) 的所有行,可以得到矩阵 C的第一行。
矩阵 \(C\) 中的各行,是矩阵 \(B\) 中各行的线性组合,矩阵 \(A\) 表示是怎么样的线性组合。
4.列乘行
如果用矩阵 \(A\) 一列乘以矩阵 \(B\) 的一行,将得到一个完整的矩阵。
例如:矩阵 \(A\) 为 \(m*1\) ,矩阵\(B\) 为 \(1*p\),
\[\left(
\begin{array}{c}
2 \\
3 \\
4 \\
\end{array}
\right) \left(
\begin{array}{cc}
1 & 6 \\
\end{array}
\right)=\left(
\begin{array}{cc}
2 & 12 \\
3 & 18 \\
4 & 24 \\
\end{array}
\right)
\]
延申
\[\left(
\begin{array}{cc}
2 & 7 \\
3 & 8 \\
4 & 9 \\
\end{array}
\right) \left(
\begin{array}{cc}
1 & 6 \\
0 & 0 \\
\end{array}
\right)=\left(
\begin{array}{c}
2 \\
3 \\
4 \\
\end{array}
\right)\left(
\begin{array}{cc}
1 & 6 \\
\end{array}
\right) +\left(
\begin{array}{c}
7 \\
8 \\
9 \\
\end{array}
\right)\left(
\begin{array}{cc}
0 & 0 \\
\end{array}
\right)
\]
列一乘以行一,列二乘以行二,然后相加。
5.分块乘法
我们还可以将矩阵切割成块,对块进行乘法。
例如:我们将方阵 \(A\) 切割成4份,方阵 \(B\) 切割成 4份。
\[\left(
\begin{array}{cc}
A_1 & A_2 \\
A_3 & A_4 \\
\end{array}
\right).\left(
\begin{array}{cc}
B_1 & B_2 \\
B_3 & B_4 \\
\end{array}
\right)=\left(
\begin{array}{cc}
A_1 B_1+A_2 B_3 & \cdots \\
\cdots & \cdots \\
\end{array}
\right)
\]
逆矩阵
矩阵的逆,不一定存在。
假设矩阵 \(A\) 可逆,那么存在一个逆矩阵,我们记为 \(A^{-1}\),使得
\[A^{-1}*A=I
\]
\(I\) 是单位矩阵。
注意这里只是左乘,如果 \(A\) 是方阵,就存在左乘等于右乘,即
\[A^{-1}*A=A*A^{-1}=I
\]
但如果是非方阵,左乘就不等于右乘。
逆不存在的情况
举例:
\[\left(
\begin{array}{cc}
1 & 3 \\
2 & 6 \\
\end{array}
\right)
\]
理由阐述可以从以下不同角度:
1)这个矩阵由于列向量在同一条直线上,所以他们的线性组合被限定在这条直线上,不存在某个逆矩阵,使得他们相乘后结果为单位矩阵。
2)从行列式角度,取行列式结果为0(后面学)
3)假设存在某个非零矩阵 \(X\) ,使得
\[A*X=0
\]
那么 \(A\) 就没有逆矩阵。
这个例子中,我们就可以找到一个 \(X\) ,如
\[\left(
\begin{array}{cc}
1 & 3 \\
2 & 6 \\
\end{array}
\right) \left(
\begin{array}{c}
3 \\
-1 \\
\end{array}
\right)=\left(
\begin{array}{c}
0 \\
0 \\
\end{array}
\right)
\]
我们可以用反证法证明:假设 \(A\) 存在逆矩阵,那么存在
\[A^{-1}*A=I
\]
\[A^{-1}*A*X=0
\]
\[X=0
\]
很明显,和前面 \(X\) 是非0矩阵矛盾。
结论:不可逆矩阵的列能通过线性组合得到0.
回归逆存在情况
再假设一个可逆矩阵 \(A\),使得
\[\left(
\begin{array}{cc}
1 & 3 \\
2 & 7 \\
\end{array}
\right) \left(
\begin{array}{cc}
a & c \\
b & d \\
\end{array}
\right)=\left(
\begin{array}{cc}
1 & 0 \\
0 & 1 \\
\end{array}
\right)
\]
看成列的线性组合,就是求解两个线性方程组,
求解我们可以用“高斯-若尔当”,它能同时处理两个方程组
\[\left(
\begin{array}{cc}
1 & 3 \\
2 & 7 \\
\end{array}
\right) \left(
\begin{array}{c}
a \\
b \\
\end{array}
\right)=\left(
\begin{array}{c}
1 \\
0 \\
\end{array}
\right)\\
\left(
\begin{array}{cc}
1 & 3 \\
2 & 7 \\
\end{array}
\right) \left(
\begin{array}{c}
c \\
d \\
\end{array}
\right)=\left(
\begin{array}{c}
0 \\
1 \\
\end{array}
\right)
\]
利用“高斯-若尔当”思想一起计算,同时考虑系数矩阵和两个右侧向量,写出增广矩阵,然后对其消元
\[\left(
\begin{array}{cccc}
1 & 3 & 1 & 0 \\
2 & 7 & 0 & 1 \\
\end{array}
\right)\rightarrow \left(
\begin{array}{cccc}
1 & 3 & 1 & 0 \\
0 & 1 & -2 & 1 \\
\end{array}
\right)\rightarrow \left(
\begin{array}{cccc}
1 & 0 & 7 & -3 \\
0 & 1 & -2 & 1 \\
\end{array}
\right)
\]
第二步就是我们前面学过的高斯消元,即“向下消元”
而第三步是若尔当消元,即“向上消元”,主元是第二行第二个元素“1”.
这里我们就求出我们要的 \(A\) 的逆矩阵为:
\[\left(
\begin{array}{cc}
7 & -3 \\
-2 & 1 \\
\end{array}
\right)
\]
因为:
\[E*\left[
\begin{array}{cc}
A & I \\
\end{array}
\right]=[I \quad E]=\left[I\quad A^{-1}\right]
\]
\(E\) 表示我们引入的总的消元矩阵,最左边就表示对增广矩阵消元,因为\(E*A=I\) ,所以\(E\) 就是\(A\) 的逆矩阵。
以上就是求逆的方法和过程。