当前位置: 首页 > news >正文

线性代数(二) 矩阵及其运算

前言

行列式det(A) 其实表示的只是一个值 ∣ a b c d ∣ = a d − b c \begin{vmatrix} a & b\\ c & d\end{vmatrix} = ad -bc acbd =adbc,其基本变化是基于这个值是不变。而矩阵表示的是一个数表。

定义

在这里插入图片描述
矩阵与线性变换的关系在这里插入图片描述在这里插入图片描述
即得
( a 11 a 12 . . . a 1 n a 21 a 22 . . . a 2 n . . . . . . . . . . . . . a m 1 a m 2 . . . a m n ) ( x 1 x 2 . . . x n ) = ( y 1 y 2 . . . y n ) \begin{pmatrix} a_{11} & a_{12} & ...& a_{1n}\\ a_{21} & a_{22} & ...& a_{2n}\\ ... & ... & ...& ....\\ a_{m1} & a_{m2} & ...& a_{mn}\end{pmatrix} \begin{pmatrix} x_1\\x_2\\...\\x_n\end{pmatrix} = \begin{pmatrix} y_1\\y_2\\...\\y_n\end{pmatrix} a11a21...am1a12a22...am2............a1na2n....amn x1x2...xn = y1y2...yn
可以推矩阵乘法
在这里插入图片描述
即得中的 y 1 = c 11 = a 11 x 1 + a 12 x 2 + . . . + a 1 n x m y_1=c_{11}=a_{11}x_1+a_{12}x_2+...+a_{1n}x_m y1=c11=a11x1+a12x2+...+a1nxm

矩阵乘法的提前: 第一个矩阵的列数和第二个矩阵的行数相同

同理可得矩阵加法
在这里插入图片描述

特殊的矩阵

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

矩阵的初等变换

在这里插入图片描述
行和列的关系
( x 1 x 2 . . . x n ) ( a 11 a 21 . . . a m 1 a 12 a 22 . . . a m 2 . . . . . . . . . . . . . a 1 n a 2 n . . . a m n ) = ( y 1 y 2 . . y n ) \begin{pmatrix} x_1&x_2&...&x_n\end{pmatrix} \begin{pmatrix} a_{11} & a_{21} & ...& a_{m1}\\ a_{12} & a_{22} & ...& a_{m2}\\ ... & ... & ...& ....\\ a_{1n} & a_{2n} & ...& a_{mn}\end{pmatrix} = \begin{pmatrix} y_1&y_2&..&y_n\end{pmatrix} (x1x2...xn) a11a12...a1na21a22...a2n............am1am2....amn =(y1y2..yn)

在这里插入图片描述
在这里插入图片描述

初等变换与矩阵乘法的关系

在这里插入图片描述
在这里插入图片描述
E m ( i , j ) = ( 1 0 . . . 0 0 0 1 i 行 . . . 0 0 . . . . . . . . . . . . . . . . . 0 0 . . . 1 j 行 0 0 0 . . . 0 1 ) m 的 i 行与 j 行对调 ( 1 0 . . . 0 0 0 0 . . . 1 i 行 0 . . . . . . . . . . . . . . . . . 0 1 j 行 . . . 0 0 0 0 . . . 0 1 ) m E_m(i,j)=\begin{pmatrix} 1 & 0 & ...& 0& 0\\ 0 & 1_{i行} & ...& 0& 0\\ ... & ... & ...& ....& ....\\ 0 & 0 & ...& 1_{j行}& 0\\ 0 & 0 & ... & 0& 1\end{pmatrix}_m 的 i行与j行对调 \begin{pmatrix} 1 & 0 & ...& 0& 0\\ 0 & 0 & ...& 1_{i行}& 0\\ ... & ... & ...& ....& ....\\ 0 & 1_{j行} & ...& 0& 0\\ 0 & 0 & ... & 0& 1\end{pmatrix}_m Em(i,j)= 10...0001i...00...............00....1j000....01 mi行与j行对调 10...0000...1j0...............01i....0000....01 m
E m ( i ( k ) ) = ( 1 0 . . . 0 0 0 1 i 行 . . . 0 0 . . . . . . . . . . . . . . . . . 0 0 . . . 1 0 0 0 . . . 0 1 ) m 的 i 行乘于常数 k ( 1 0 . . . 0 0 0 k i 行 . . . 0 0 . . . . . . . . . . . . . . . . . 0 0 . . . 1 0 0 0 . . . 0 1 ) m E_m(i(k))=\begin{pmatrix} 1 & 0 & ...& 0& 0\\ 0 & 1_{i行} & ...& 0& 0\\ ... & ... & ...& ....& ....\\ 0 & 0 & ...& 1& 0\\ 0 & 0 & ... & 0& 1\end{pmatrix}_m 的 i行乘于常数k \begin{pmatrix} 1 & 0 & ...& 0& 0\\ 0 & k_{i行} & ...& 0& 0\\ ... & ... & ...& ....& ....\\ 0 & 0 & ...& 1& 0\\ 0 & 0 & ... & 0& 1\end{pmatrix}_m Em(i(k))= 10...0001i...00...............00....1000....01 mi行乘于常数k 10...000ki...00...............00....1000....01 m
E m ( i j ( k ) ) = ( 1 0 . . . 0 0 0 1 i 行 . . . 0 0 . . . . . . . . . . . . . . . . . 0 0 . . . 1 j 行 0 0 0 . . . 0 1 ) m i 行的 k 倍加到 j 上 ( 1 0 . . . 0 0 0 1 i 行 . . . 0 0 . . . . . . . . . . . . . . . . . 0 k j 行 . . . 1 j 行 0 0 0 . . . 0 1 ) m E_m(ij(k))=\begin{pmatrix} 1 & 0 & ...& 0& 0\\ 0 & 1_{i行} & ...& 0& 0\\ ... & ... & ...& ....& ....\\ 0 & 0 & ...& 1_{j行}& 0\\ 0 & 0 & ... & 0& 1\end{pmatrix}_m i行的k倍加到j上 \begin{pmatrix} 1 & 0 & ...& 0& 0\\ 0 & 1_{i行} & ...& 0& 0\\ ... & ... & ...& ....& ....\\ 0 & k_{j行} & ...& 1_{j行}& 0\\ 0 & 0 & ... & 0& 1\end{pmatrix}_m Em(ij(k))= 10...0001i...00...............00....1j000....01 mi行的k倍加到j 10...0001i...kj0...............00....1j000....01 m
在这里插入图片描述
在这里插入图片描述

矩阵的运算

在这里插入图片描述

矩阵乘法运算规律

在这里插入图片描述

矩阵的转置

在这里插入图片描述
A n ∗ m ( a 11 a 12 . . . a 1 n a 21 a 22 . . . a 2 n . . . . . . . . . . . . . a m 1 a m 2 . . . a m n ) 转置为 A n ∗ m T ( a 11 a 21 . . . a m 1 a 12 a 22 . . . a m 2 . . . . . . . . . . . . . a 1 n a 2 n . . . a m n ) A_{n*m} \begin{pmatrix} a_{11} & a_{12} & ...& a_{1n}\\ a_{21} & a_{22} & ...& a_{2n}\\ ... & ... & ...& ....\\ a_{m1} & a_{m2} & ...& a_{mn}\end{pmatrix} 转置为 A_{n*m}^T \begin{pmatrix} a_{11} & a_{21} & ...& a_{m1}\\ a_{12} & a_{22} & ...& a_{m2}\\ ... & ... & ...& ....\\ a_{1n} & a_{2n} & ...& a_{mn}\end{pmatrix} Anm a11a21...am1a12a22...am2............a1na2n....amn 转置为AnmT a11a12...a1na21a22...a2n............am1am2....amn

例如:矩阵 B = ( 1 2 3 4 5 6 ) B = \begin{pmatrix} 1 & 2 & 3\\ 4 & 5 & 6\end{pmatrix} B=(142536)的转置矩阵就是 B T = ( 1 4 2 5 3 6 ) B^T = \begin{pmatrix} 1 & 4 \\ 2 & 5 \\ 3 & 6\end{pmatrix} BT= 123456

反对称矩阵

在这里插入图片描述

方阵的行列式

在这里插入图片描述

伴随矩阵

在这里插入图片描述
根据行列式和矩阵乘法的公式刚好得出 A A ∗ = ∣ A ∣ E AA^*=|A|E AA=AE

可逆矩阵(或称非奇异矩阵)

在这里插入图片描述
结合伴随矩阵的公式
在这里插入图片描述

  1. 根据 A A ∗ = ∣ A ∣ E AA^*=|A|E AA=AE
  2. 结合行列式公式 ∣ A B ∣ = ∣ A ∣ ∣ B ∣ |AB|=|A||B| AB=A∣∣B
  3. 得出 ∣ A ∣ ∣ A ∗ ∣ = ∣ A ∣ |A||A*|=|A| A∣∣A=A
  4. 得出 ∣ A ∗ ∣ = 1 |A^*|=1 A=1
  5. 所以 ∣ A − 1 ∣ = 1 ∣ A ∣ |A^{-1}|=\cfrac{1}{|A|} A1=A1

在这里插入图片描述
在这里插入图片描述

共轭矩阵

  1. a+bi(a,b均为实数)的数称为复数,其中a称为实部,b称为虚部,i称为虚数单位。
  2. 共轭复数,两个实部相等,虚部互为相反数的复数,即 a-bi

举例:在这里插入图片描述
在这里插入图片描述

分块矩阵

在这里插入图片描述
在这里插入图片描述

上述指将矩阵按行或者列分块在这里插入图片描述

分块矩阵的其它性质

在这里插入图片描述

利用初等变化转为对角矩阵,方便计算

克拉默法则证明

在这里插入图片描述

  1. 把方程组写成矩阵方程 Ax = b, 这里 A = ( a i j ) n ∗ n A=(a_{ij})_{n*n} A=(aij)nn为 n 阶矩阵
  2. 因 |A| ≠ 0,故 A − 1 A^{-1} A1存在。令 x = A − 1 b ⇒ A x = A A − 1 b x=A^{-1}b \Rightarrow Ax=AA^{-1}b x=A1bAx=AA1b,表明 x = A − 1 b x=A^{-1}b x=A1b是方程组的解向量。
  3. 由于逆矩阵公式 A − 1 = 1 ∣ A ∣ A ∗ A^{-1}=\cfrac{1}{|A|}A^* A1=A1A,有 x = 1 ∣ A ∣ A ∗ b x=\cfrac{1}{|A|}A^*b x=A1Ab
  4. 在这里插入图片描述
  5. x j = 1 ∣ A ∣ ( b 1 A 1 j + b 2 A 2 j + . . . + b n A n j ) x_j=\cfrac{1}{|A|}(b_1A_{1j} + b_2A_{2j}+...+b_nA_{nj}) xj=A1(b1A1j+b2A2j+...+bnAnj)
  6. x j = 1 ∣ A ∣ ∣ A j ∣ ( j = 1 , 2 , 3 , . . . n ) x_j=\cfrac{1}{|A|}|A_j| (j=1,2,3,...n) xj=A1Aj(j=1,2,3,...n)

分块矩阵乘法证明

在这里插入图片描述
我们通过验证分块矩阵乘法得到的元素与通用乘法得到元素是否一致,来证明分块乘法的可靠性,以 c 32 c_{32} c32为例:
c 32 = ( a 31 a 32 a 33 ) ( b 12 b 22 b 32 ) c_{32}= \begin{pmatrix} a_{31} & a_{32} &a_{33} \end{pmatrix}\begin{pmatrix} b_{12} \\b_{22} \\b_{32} \end{pmatrix} c32=(a31a32a33) b12b22b32
与他对应是 C 11 = A 11 B 11 + A 12 B 21 C_{11}=A_{11}B_{11}+A_{12}B_{21} C11=A11B11+A12B21中的 c 32 c_{32} c32
c 32 = ( a 31 a 32 ) ( b 12 b 22 ) + ( a 33 ) ( b 32 ) c_{32}= \begin{pmatrix} a_{31} & a_{32} \end{pmatrix}\begin{pmatrix} b_{12} \\b_{22} \end{pmatrix} + \begin{pmatrix} a_{33} \end{pmatrix} \begin{pmatrix} b_{32} \end{pmatrix} c32=(a31a32)(b12b22)+(a33)(b32)

主要参考

《矩阵的转置》
《克拉默法则》
《共轭矩阵》
《分块矩阵的初等变换(3)行列式不变吗?》
《矩阵分块乘法的原理是怎么样的?》

相关文章:

线性代数(二) 矩阵及其运算

前言 行列式det(A) 其实表示的只是一个值 ∣ a b c d ∣ a d − b c \begin{vmatrix} a & b\\ c & d\end{vmatrix} ad -bc ​ac​bd​ ​ad−bc,其基本变化是基于这个值是不变。而矩阵表示的是一个数表。 定义 矩阵与线性变换的关系 即得 ( a 11 a 12…...

【图像分类】理论篇(4)图像增强opencv实现

随机旋转 随机旋转是一种图像增强技术,它通过将图像以随机角度进行旋转来增加数据的多样性,从而帮助改善模型的鲁棒性和泛化能力。这在训练深度学习模型时尤其有用,可以使模型更好地适应各种角度的输入。 原图像: 旋转后的图像&…...

Centos下的tcpdump抓包用法

先查一下是否安装, 无的话装一下 (版本低的用yum install) : rpm -qa tcpdump dnf install tcpdump 1. 列出能抓包的网卡: tcpdump -D | --list-interfaces 2. 在eth0网卡上抓来源为10.1.1.1 的包, 只抓一个包 (-n这里是不解析DNS) : tcpdump -i eth0 -n src 10.1.1.1 -…...

自然语言处理从入门到应用——LangChain:记忆(Memory)-[记忆的存储与应用]

分类目录:《自然语言处理从入门到应用》总目录 使用SQLite存储的实体记忆 我们将创建一个简单的对话链,该链使用ConversationEntityMemory,并使用SqliteEntityStore作为后端存储。使用EntitySqliteStore作为记忆entity_store属性上的参数&am…...

微服务与Nacos概述-5

引入OpenFeign 添加依赖&#xff1a; <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency><groupId>com.alibaba.cloud</groupId>…...

第九章 动态规划part08(代码随想录)

139.单词拆分 1. 确定dp[i][j] dp数组以及下标的含义一维dp数组的递推公式 dp[i] : 字符串长度为i的话&#xff0c;dp[i]为true&#xff0c;表示可以单词能被在字典中出现的单词组成。 dp[s.size()] true; 说明可以利用字典中出现的单词拼接出 s 。 2. 一维dp数组的递推公式…...

智能家居(1)---工厂模式实现灯光控制(继电器组)以及火灾报警模组的封装

采用工厂模式以面向对象的方式来封装各种设备模块&#xff0c;方便整合项目以及后期的维护和扩展 mainPro.c&#xff08;主函数&#xff09; #include <stdio.h> #include "controlDevice.h"struct Devices *pdeviceHead NULL; //设备工厂链…...

kubernetes的存储卷使用

目录 一、为什么使用存储卷 二、emptyDir存储卷 1.概念 2.创建Pod emptyDir 3. 验证emptyDir存储卷 三、hostPath存储卷 1.概念 2.创建Pod hostPath 3.验证hostPath存储卷 三、nfs共享存储卷 1.概念 2.安装nfs&#xff0c;配置nfs服务 3.创建Pod 4.验证nfs存储卷 一、…...

centos 之安装 openssl 1.1.1报错

源码make时报错&#xff0c;可能是系统的perl的版本太低问题。 [rootlocalhost ~]# cpan -a | grep Test::More Test::More 0.92 1.302171 EXODIST/Test-Simple-1.302171.tar.gz [rootlocalhost ~]# cpan -a | grep Text::Template [rootlocalhost ~]# …...

matlab使用教程(16)—图论中图的定义与修改

1.修改现有图的节点和边 此示例演示如何使用 addedge 、 rmedge 、 addnode 、 rmnode 、 findedge 、 findnode 及 subgraph 函数访问和修改 graph 或 digraph 对象中的节点和/或边。 1.1 添加节点 创建一个包含四个节点和四条边的图。s 和 t 中的对应元素用于指定每条…...

【C++面向对象】--- 继承 的奥秘(下篇)

个人主页&#xff1a;平行线也会相交&#x1f4aa; 欢迎 点赞&#x1f44d; 收藏✨ 留言✉ 加关注&#x1f493;本文由 平行线也会相交 原创 收录于专栏【C之路】&#x1f48c; 本专栏旨在记录C的学习路线&#xff0c;望对大家有所帮助&#x1f647;‍ 希望我们一起努力、成长&…...

Android 面试笔记整理-Binder机制

作者&#xff1a;浪人笔记 面试可能会问到的问题 从IPC的方式问到Binder的优势为什么zygote跟其他服务进程的通讯不使用BinderBinder线程池和Binder机制 等等这些问题都是基于你对Binder的理解还有对其他IPC通讯的理解 IPC方式有多少种 传统的IPC方式有Socket、共享内存、管道…...

编程小白的自学笔记十三(python办公自动化读写文件)

系列文章目录 编程小白的自学笔记十二&#xff08;python爬虫入门四Selenium的使用实例二&#xff09; 编程小白的自学笔记十一&#xff08;python爬虫入门三Selenium的使用实例详解&#xff09; 编程小白的自学笔记十&#xff08;python爬虫入门二实例代码详解&#xff09;…...

【Mariadb高可用MHA】

目录 一、概述 1.概念 2.组成 3.特点 4.工作原理 二、案例介绍 1.192.168.42.3 2.192.168.42.4 3.192.168.42.5 4.192.168.42.6 三、实际构建MHA 1.ssh免密登录 1.1 所有节点配置hosts 1.2 192.168.42.3 1.3 192.168.42.4 1.4 192.168.42.5 1.5 192.168.42.6 …...

网络五层协议

应用层&#xff08;http,https&#xff09;&#xff0c;传输层(udp,tcp)&#xff0c;网络层(ip)&#xff0c;数据链路层&#xff0c;物理层 什么是http?http 与https 的区别_日晞的博客-CSDN博客 TCP 与UDP 区别_互联网业务udp小包传输_日晞的博客-CSDN博客...

零售行业供应链管理核心KPI指标(一) – 能力、速度、效率和成本

有关零售行业供应链管理KPI指标的综合性分享&#xff0c;涉及到供应链能力、速度、效率和成本总共九大指标&#xff0c;是一个大框架&#xff0c;比较核心也比较综合。 衡量消费品零售企业供应链管理效率和水平的核心KPI通常有哪些&#xff1f; 图片来源-派可数据&#xff08;…...

MySQL面试题二

1、关系型和非关系型数据库的区别&#xff1f; 关系型数据库的优点 容易理解&#xff0c;因为它采用了关系模型来组织数据。 可以保持数据的一致性。 数据更新的开销比较小。 支持复杂查询&#xff08;带 where 子句的查询&#xff09; 非关系型数据库&#xff08;NOSQL&#x…...

码银送书第五期《互联网广告系统:架构、算法与智能化》

广告平台的建设和完善是一项长期工程。例如&#xff0c;谷歌早于2003年通过收购Applied Semantics开展Google AdSense 项目&#xff0c;而直到20年后的今天&#xff0c;谷歌展示广告平台仍在持续创新和提升。广告平台是负有营收责任的复杂在线平台&#xff0c;对其进行任何改动…...

分布式理论

CAP和BASE CAP C一致性&#xff08;Consistency&#xff09; 在分布式环境下&#xff0c;一致性是指数据在多个副本之间能否保持一致性的特征。在一致性的需求下&#xff0c;当一个系统在数据一致的状态下执行更新操作后&#xff0c;应该保证系统的数据仍然处于一致性的状态…...

Excel设置某列或者某行不某行不可以编辑,只读属性

设置单元格只读的三种方式: 1、通过单元格只读按钮&#xff0c;设置为只为 设置行或者列的只读属性&#xff0c;可以设置整行或者整列只读 2、设置单元格编辑控件为标签控件(标签控件不可编辑) 3、通过锁定行&#xff0c;锁定行的修改。锁定的行与只读行的区别在于锁定的行不…...

Vim 调用外部命令学习笔记

Vim 外部命令集成完全指南 文章目录 Vim 外部命令集成完全指南核心概念理解命令语法解析语法对比 常用外部命令详解文本排序与去重文本筛选与搜索高级 grep 搜索技巧文本替换与编辑字符处理高级文本处理编程语言处理其他实用命令 范围操作示例指定行范围处理复合命令示例 实用技…...

HTML 语义化

目录 HTML 语义化HTML5 新特性HTML 语义化的好处语义化标签的使用场景最佳实践 HTML 语义化 HTML5 新特性 标准答案&#xff1a; 语义化标签&#xff1a; <header>&#xff1a;页头<nav>&#xff1a;导航<main>&#xff1a;主要内容<article>&#x…...

TDengine 快速体验(Docker 镜像方式)

简介 TDengine 可以通过安装包、Docker 镜像 及云服务快速体验 TDengine 的功能&#xff0c;本节首先介绍如何通过 Docker 快速体验 TDengine&#xff0c;然后介绍如何在 Docker 环境下体验 TDengine 的写入和查询功能。如果你不熟悉 Docker&#xff0c;请使用 安装包的方式快…...

uni-app学习笔记二十二---使用vite.config.js全局导入常用依赖

在前面的练习中&#xff0c;每个页面需要使用ref&#xff0c;onShow等生命周期钩子函数时都需要像下面这样导入 import {onMounted, ref} from "vue" 如果不想每个页面都导入&#xff0c;需要使用node.js命令npm安装unplugin-auto-import npm install unplugin-au…...

工程地质软件市场:发展现状、趋势与策略建议

一、引言 在工程建设领域&#xff0c;准确把握地质条件是确保项目顺利推进和安全运营的关键。工程地质软件作为处理、分析、模拟和展示工程地质数据的重要工具&#xff0c;正发挥着日益重要的作用。它凭借强大的数据处理能力、三维建模功能、空间分析工具和可视化展示手段&…...

2025 后端自学UNIAPP【项目实战:旅游项目】6、我的收藏页面

代码框架视图 1、先添加一个获取收藏景点的列表请求 【在文件my_api.js文件中添加】 // 引入公共的请求封装 import http from ./my_http.js// 登录接口&#xff08;适配服务端返回 Token&#xff09; export const login async (code, avatar) > {const res await http…...

微信小程序云开发平台MySQL的连接方式

注&#xff1a;微信小程序云开发平台指的是腾讯云开发 先给结论&#xff1a;微信小程序云开发平台的MySQL&#xff0c;无法通过获取数据库连接信息的方式进行连接&#xff0c;连接只能通过云开发的SDK连接&#xff0c;具体要参考官方文档&#xff1a; 为什么&#xff1f; 因为…...

今日学习:Spring线程池|并发修改异常|链路丢失|登录续期|VIP过期策略|数值类缓存

文章目录 优雅版线程池ThreadPoolTaskExecutor和ThreadPoolTaskExecutor的装饰器并发修改异常并发修改异常简介实现机制设计原因及意义 使用线程池造成的链路丢失问题线程池导致的链路丢失问题发生原因 常见解决方法更好的解决方法设计精妙之处 登录续期登录续期常见实现方式特…...

零基础在实践中学习网络安全-皮卡丘靶场(第九期-Unsafe Fileupload模块)(yakit方式)

本期内容并不是很难&#xff0c;相信大家会学的很愉快&#xff0c;当然对于有后端基础的朋友来说&#xff0c;本期内容更加容易了解&#xff0c;当然没有基础的也别担心&#xff0c;本期内容会详细解释有关内容 本期用到的软件&#xff1a;yakit&#xff08;因为经过之前好多期…...

Netty从入门到进阶(二)

二、Netty入门 1. 概述 1.1 Netty是什么 Netty is an asynchronous event-driven network application framework for rapid development of maintainable high performance protocol servers & clients. Netty是一个异步的、基于事件驱动的网络应用框架&#xff0c;用于…...