学习笔记: 线性代数-单位矩阵与逆矩阵

简介: 线性代数个人学习笔记
1、单位矩阵

$I_{n}=(i_{kj}) = \{ \begin{array} 01\ , if \ k = j \ ; \\ 0 \ ,if \ k \neq j \end{array} $
单位矩阵的特点是对角线为1(行号等于列号的单元元素值为1 ),其它元素值为0, 是一个方阵,且有$I \times A = A \ ; A \times I = A$,当$I$矩阵的每个行向量与$A$矩阵的列向量进行乘的时候,由于$I$矩阵的行向量第$i$列才有值,所以相当于从$A$矩阵的列向量中提取第$i$个元素的值$\rightarrow a_{ij} = \vec r_i \cdot \vec c_j = \vec c_{j(i)}$
$I_{2} = \begin{bmatrix} 1&0\\ 0&1 \end{bmatrix}$ $I_{3} = \begin{bmatrix} 1&0&0 \\ 0&1&0 \\ 0&0&1 \end{bmatrix}$
python的numpy 库初始化一个3*3单位矩阵np.identity(n = 3)

2、矩阵的逆 $T^{-1}$

当存在矩阵$B$ 与矩阵$A$ 相乘满足条件 $ A \times B = B \times A = I$,则称$B$是矩阵$A$的逆,记作:$B = A^{-1}$ 。可逆矩阵一定是方阵,非方阵一定不可逆,只有方阵才有逆
单位矩与逆矩阵的关系: $A^0 = A \times A^{-1} = I$
矩阵的负幂计算:$A^{-2} = (A^{-1})^{2}$ ,这一类计算应用的很少。
python的numpy 对矩阵$A$求逆矩阵$invA$:invA = np.linalg.inv(A)

2.1、奇异矩阵 与 非奇异矩阵

在矩阵系统中,大量的矩阵不存在逆矩阵,但总体而言,可逆矩阵在矩阵系统中还是居多的,只是相比不可逆矩阵而言少的多。
满足可逆条件的矩阵称为可逆矩阵,也叫做$\color {#4285f4}{\small非奇异矩阵(non-sigular)}$,意思是这种矩阵是非常平凡的矩阵,正规的矩阵(regular-matrix);而不可逆矩阵则称为$\color{red}{\small 奇异矩阵(singular)}$。

2.2、矩阵的逆的性质

① 对矩阵$A$而言,若存在逆矩阵$B$则$B$唯一
② $(A^{-1})^{-1} = A$ ,$A$矩阵的逆矩阵的逆还是$A$;
反证法证明如下:$令 A^{-1} = X,转而求证 X^{-1} = A \\ \because X \cdot A = I = A \cdot X \\ 又 \because X = A^{-1} \\ \therefore 得 A^{-1} \cdot A = I = A \cdot A^{-1} \\ \therefore X^{-1} = A \to (A^{-1})^{-1} = A$

③ $(A \cdot B)^{-1} = A^{-1} \cdot B^{-1} \rightarrow (AB) \cdot (A^{-1}B^{-1}) =I \rightarrow A(B \cdot B^{-1})A^{-1} = AIA^{-1} =I$
④ $(A^{T})^{-1} = (A^{-1})^{T}$,矩阵$A$的转置的逆等于$A$的逆的转置; 求证:$\because A^{T} \cdot (A^{-1})^{T} = I \to (A \cdot A^{-1})^{T} = I^{T} = I \to \ \therefore 得证 (A^{T})^{-1} = (A^{-1})^{T}$

目录
相关文章
|
机器学习/深度学习 算法 数据挖掘
马尔科夫链(Markov Chain, MC)算法详解及Python实现
马尔科夫链(Markov Chain, MC)算法详解及Python实现
10483 115
马尔科夫链(Markov Chain, MC)算法详解及Python实现
|
机器学习/深度学习 人工智能 弹性计算
|
6月前
|
存储 SQL 关系型数据库
mysql的undo log、redo log、bin log、buffer pool
MySQL的undo log、redo log、bin log和buffer pool是确保数据库高效、安全和可靠运行的关键组件。理解这些组件的工作原理和作用,对于优化数据库性能和保障数据安全具有重要意义。通过适当的配置和优化,可以显著提升MySQL的运行效率和数据可靠性。
142 16
|
10月前
可靠性
(1)系统能够在规定条件和时间内完成规定功能的特性,是所有网络信息系统的运行和建设的基本目标。 (2)通过抗毁性,生存性与有效性进行衡量。 (3)可靠性是在给定的时间间隔和给定条件下,系统能正确执行其功能的概率。 (4)提高可靠性需要强调减少系统中断(故障)的次数。
|
10月前
|
存储 Kubernetes Devops
Kubernetes集群管理和服务部署实战
Kubernetes集群管理和服务部署实战
215 0
|
机器学习/深度学习 人工智能 自然语言处理
【机器学习】机器学习、深度学习、强化学习和迁移学习简介、相互对比、区别与联系。
机器学习、深度学习、强化学习和迁移学习都是人工智能领域的子领域,它们之间有一定的联系和区别。下面分别对这四个概念进行解析,并给出相互对比、区别与联系以及应用场景案例分析。
755 1
|
人工智能 IDE 测试技术
Visual Studio版本的AI编程助手
Visual Studio 是一个出色的 IDE,可用于构建适用于 Windows、Mac、Linux、iOS 和 Android 的丰富、精美的跨平台应用程序。 使用一系列技术(例如 WinForms、WPF、WinUI、MAUI 或 Xamarin)构建丰富。 1、安装 点击上方工具栏拓展选项,选择管理拓展选项 接着在联机页面中搜索"FItten Code",并点击下载,下载完成后重启Visual Studio 在扩展选项中选中fitten,选择Open Chat Window进入登录界面,完成注册登录 2、智能补全 打开代码文件,输入一段代码,Fitten Code 就会为您
226 0
|
自然语言处理 安全 机器人
使用RAG-GPT和Ollama搭建智能客服
使用RAG-GPT和Ollama搭建智能客服
912 0
|
弹性计算 网络协议 机器人
函数计算常见问题之启动报错如何解决
函数计算(Function Compute, FC)是阿里云提供的无服务器计算服务,它允许用户在无需管理服务器的情况下运行代码,但在配置和执行过程中可能遇到报错,本合集致力于梳理FC服务中的常见报错和配置问题,并提供解决方案,帮助用户优化函数执行环境。
208 1
|
运维 监控 数据可视化
【运维知识进阶篇】Zabbix5.0稳定版详解11(在Grafana中使用Zabbix插件:安装Grafana+安装Zabbix插件+添加数据源+Grafana直连MySQL数据库取值)(上)
【运维知识进阶篇】Zabbix5.0稳定版详解11(在Grafana中使用Zabbix插件:安装Grafana+安装Zabbix插件+添加数据源+Grafana直连MySQL数据库取值)
892 0