线性代数(二)矩阵代数

简介: 线性代数(二)矩阵代数

一:矩阵运算

1.和与标量运算:

47.png

这里比较简单,就不再赘述。


2.矩阵乘法:

48.png

49.png

3.矩阵的乘幂

50.png

4.矩阵的转置:

51.png


二:矩阵的逆

1.定义


52.png


注意:必须是方阵!!!!!!!!!


2.2x2矩阵的逆矩阵的求法

53.png

比较简单,自己推导下即可推出来!


3.性质

54.png


55.png

推导按定义推导以及转置的性质。


4.初等矩阵

本质:对应三种初等变换

56.png

57.png


理解:见https://blog.csdn.net/qq_37534947/article/details/109451390的行化简部分。

58.png

6.可逆矩阵的求法的过程理解

59.png


其实就是A在初等变换过程中一定可以变换为行简化阶梯型(这时候就是单位矩阵,因为可逆),这里稍微解释下原因:因为之前说过非0矩阵一定有行简化阶梯,然后因为A有可逆矩阵,所以对于Ax=b来说,有唯一解;有唯一解,也就说明了每一行的主元位置有主元,又因为是方阵,所以其最后就是单位矩阵。

所以过程:


60.png

61.png


7.求可逆矩阵的算法

62.png

三:可逆矩阵的性质

63.png

自己看吧,理解就好。。。


四:分块矩阵

1.例子:

64.png


2.加法、数乘、乘法:

和矩阵一样,见上面的矩阵运算,这里就是用到了一种分治的思想,由大变小,由小解大。


五:矩阵因式分解----LU分解

1.意义

65.png

66.png

2.为什么LU分解有用?

67.png

注:因为LU都是三角矩阵,所以在求法过程中是比较简单的,其实就是将一个复杂映射/变换,变成了两次简单的映射/变换。


3.LU分解的例子

68.png


69.png

其实第一次来说,对于LU分解和之前的行化简,其实LU分解包含了行化简以及再用LU求解,但是其主要的意义是只是在第一次求LU比较来说,之后的对于以矩阵A为系数的方程,其明显少于直接用行化简求解的过程,如上面:LU分解28次,行化简62次。

所以: 对于求解一系列的方程来说,推荐LU;但是只是求解一次,用行化简即可。


4.LU分解算法


70.png

注:需要注意的是行化简过程中仅用行倍加变换了,所以初等矩阵都是下三角,并且下三角矩阵的乘积和逆也是单位下三角矩阵。

补充:如果矩阵的各阶顺序主子式均不为零,则必有LU分解,且LU唯一;另外在变换过程中可能会有交换两行的过程,这时候需要置换矩阵,之后再补--------




六:N维空间的子空间

71.png

简单来说:就是对加法封闭和对数乘封闭(注意零向量)。


列空间:

72.png

可以从Ax = b出发,若其有解,则b属于A的列空间。

73.png

了解,有个影响即可。


七:维数与秩

维数:

74.png75.png

秩:

76.png77.png



细节就不再细说了,记住就好

目录
相关文章
关于线性代数代数余子式的理解(余子式以及代数余子式求和)
关于线性代数代数余子式的理解(余子式以及代数余子式求和)
209 0
学习笔记: 线性代数-矩阵对角化
线性代数个人学习笔记
109 0
|
移动开发
|
机器学习/深度学习 人工智能 数据可视化
学习笔记: 线性代数-行列式
线性代数个人学习笔记
147 0
|
算法
线性代数(一)矩阵和方程组
线性代数(一)矩阵和方程组
161 0
|
C语言
线性代数(三)行列式
线性代数(三)行列式
105 0
|
机器学习/深度学习 算法 图形学
矩阵和线性代数的应用
矩阵和线性代数是数学中重要的概念,它们被广泛应用于物理、工程、计算机科学、经济学等众多领域。本文将讨论矩阵和线性代数的一些基本概念以及它们在实际应用中的重要性和影响。
303 0