线性代数介绍和矩阵运算

简介: 线性代数介绍和矩阵运算

N.1 矩阵的介绍

1)矩阵的定义

————————————————————————

————————————————————————

(1)由m×n个数aij(i = 1,2,...,m;j= 1,2,...,n)排成的m行n列的数表A就称为m行n列的矩阵

(2)这m×n个数称作矩阵A的元素,元素aij位于矩阵A的第i行第j列

(3)m×n矩阵A可以记作Am×n,其中m是行数,n是列数,m, n >0

2)特殊矩阵

————————————————————————

————————————————————————

(1)对于Am×n,如果m = n,即矩阵的行数与列数相等,那么称A为方阵

3)矩阵中的概念

————————————————————————

————————————————————————

(1)行数与列数都等于n的矩阵称为n阶矩阵,又称做n阶方阵,可以记作An

(2)只有一行的矩阵A1×n称为行矩阵,又叫行向量

(3)同样,只有一列的矩阵An×1称为列矩阵,又叫列向量

4)主对角线

————————————————————————

————————————————————————

(1)对于方阵,从左上角到右下角的直线,叫做主对角线,主对角线上的元素称为主对角线元素

————————————————————————

————————————————————————

N.2 矩阵的计算

1)矩阵的加法

————————————————————————

————————————————————————

2)矩阵的乘法

(1)数与矩阵相乘

————————————————————————

————————————————————————

(2)矩阵与矩阵相乘

[1] 左矩阵的每一行与右矩阵的每一列,对应每一个元素相乘

————————————————————————

————————————————————————

[2] AXB,那么有A矩阵m ×n, B矩阵n×k,要求左侧矩阵的列数n,必须等于右侧矩阵的行数n,结果矩阵C为m ×k矩阵。

————————————————————————

————————————————————————

[3] 计算案例:

————————————————————————

————————————————————————

3)矩阵的转置

————————————————————————

————————————————————————

(1)把矩阵A的行换成相同序数的列,得到一个新矩阵,叫做A的转置矩阵,记作A^T,T表示转置

(2)行变列,列变行

(3)A为m×n矩阵,转置之后为n×m矩阵

4)矩阵的运算法则

(1)加法

[1] A + B = B + A

[2] ( A+B ) + C = A + ( B + C )

(2)乘法

[1] ( λμ ) A = λ ( μA )

[2] (λ + μ) A =λA + μA

[3] λ ( A+ B) = λA + λB。注意 乘法没有交换律,因为交换了,左边的列不等于右边的行,所以,可能会出错。

[4] ( AB ) C = A ( BC )

[5] λ (AB) =( λA ) B = A ( λB )

[6] A(B+C) =AB+AC(B + C) A=BA+CA

(3)减法

[1] A-B = A + B×(-1 )

[2] A-A= A +(-A ) = O

(4)转置

[1] ( AB)^T= B^T * A^T。注意这里转置后A和B的顺序要交换下,因为交换了,左边的列不等于右边的行,所以,可能会出错。

(5)除法比较复杂,这里不讲解

5)矩阵的逆

[1] 对于n阶方阵A,如果有一个n阶方阵B,使得AB=BA=E就称矩阵A是可逆的,并把B称为A的逆矩阵。

[2] A的逆矩阵记作A^-1,如果AB= BA=E,则B=A^-1

————————————————————————

———————————————————————

相关文章
|
1月前
|
机器学习/深度学习 算法 搜索推荐
SciPy线性代数库详解:矩阵运算与方程求解
【4月更文挑战第17天】SciPy的`scipy.linalg`模块提供丰富的线性代数功能,包括矩阵运算、线性方程组求解、特征值问题和奇异值分解等,基于BLAS和LAPACK库确保效率与稳定性。关键操作如矩阵乘法使用`dot`函数,转置和共轭转置用`transpose`和`conj`,求解线性方程组有`solve`和迭代方法,计算特征值和向量用`eig`,奇异值分解则依赖`svd`。这个库对科学计算、数据分析和机器学习等领域至关重要。
学习笔记: 线性代数-矩阵对角化
线性代数个人学习笔记
91 0
|
人工智能 Python
|
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
117 0
|
算法
线性代数(二)矩阵代数
线性代数(二)矩阵代数
77 0
|
C语言
线性代数(三)行列式
线性代数(三)行列式
84 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。
242 0
|
Python
矩阵运算
矩阵运算
102 0
|
机器学习/深度学习 存储 算法
矩阵运算|学习笔记
快速学习 矩阵运算
112 0