• 矩阵论基础 2.1 矩阵的基本概念


    在求线性方程组时,其系数及它们各自的位置是非常重要的,在进行变化时,必须保持各方程的排列次序,因而我们常常将未知数的系数排成一个矩形的数表。

    例如:线性方程组

    将其系数按照方程组中原有的相应位置排成一个矩形数表如下:

    我们称这样的矩形数表为矩阵。

    定义1 由m´n个数aij(i=1, 2, × × × , m; j=1, 2, × × ×, n)排成的mn列的矩形数表

    称为m´n阶矩阵,一般情况下, 我们用大写字母A, B, C等表示矩阵,并记作

    ,

    矩阵中的m´n个数称为矩阵的元素,所有元素及相应位置是个整体,所以,要加一个方括号表示它。

    矩阵A中m个横的n元组[a11,a12,…, a1n],[a21,a22,…, a2n],…,[am1,am2,…, amn]称为矩阵的行;n个竖的m元组

    称为矩阵的列。

    aij称为矩阵的第i行第j列的元素. A中有m´n个元素,所以m´n矩阵A也可表示为A=(aij)m´n 或记作A m´n .例如

    表示一个具有2行3列6个元素的矩阵

    表示一个具有3行4列12个元素的矩阵

    表示一个具有2行2列4个元素的矩阵

    若矩阵A的行数与列数都等于n, 则称An阶矩阵, 或称为n阶方阵. n阶矩阵A也记作An .

    n阶矩阵与n阶行列式从形式上看只有一点区别,前者是用括号把n的平方个数括起来,是一个数表,后者是用两条竖线把n的平方个数围起来,具有n!项的复杂的展开式,代入具体的元素数值,算出来是一个确定的数

    只有一行的矩阵即m=1时,A=(a1 a 2 × × × an)称为n元行矩阵, 或称为n维行向量. 行矩阵也记作

    A=(a1, a 2, × × × , an).

    只有一列的矩阵

    称为m元列矩阵, 或称为m维列向量.

    矩阵中的元素都是实数时,称为实矩阵,矩阵中的所有元素均为0的矩阵称为零矩阵, 记为O.

    两个矩阵的行数相等、列数也相等, 就称它们是同型矩阵. 如果A=(aij)与B=(bij)是同型矩阵, 并且 它们的对应元素相等,

    aij=bij(i=1, 2, × × ×, m; j=1, 2, × × ×, n),

    则称矩阵A与矩阵B 相等, 记作A=B.

    如:若

    则a=1,b=3,c=5,d=7。

    注意:不同型的零矩阵是不相等的。

    研究变量间的线性变换时,可将线性变换与矩阵对应起来。

    n个变量x1, x2, × × ×, xnm个变量y1, y2, × × ×, ym之间的关系式

    表示一个从变量x1, x2, × × ×, xn到变量y1, y2, × × ×, ym的线性变换, 其中aij为常数. 线性变换的系数aij构成矩阵A=(aij)m´n,

    称为系数矩阵.

    给定了线性变换, 它的系数所构成的矩阵也就确定了. 反之, 如果给出一个矩阵作为线性变换的系数矩阵, 则线性变换也就确定了. 在这个意上, 线性变换与矩阵之间存在着一一对应的关系.矩阵A可以反映线性变换的特点。

    如果对应一个恒等变换

    它对应的系数矩阵是一个n阶方阵

    .

    这种方阵的特点是:主对角线上的元素全部是1,其它元素都是0,我们称这样的矩阵为n阶单位矩阵, 简称单位阵. 通常记作En,反之,一个单位矩阵对应的线性变换一定是个恒等变换。

    线性变换

    对应的n阶方阵

    .

    这种方阵称为对角矩阵, 简称对角阵. 对角阵也记作

    L=diag(l1, l2, × × ×, ln).

    如果将变量组看成一个m列矩阵,将将变量组看成一个n元列矩阵,由矩阵的乘法运算可将线性变换表示为Y=AX。

    同样地,在研究线性方程组的求解问题中可将线性方程组

    表示为Ax=b

    A称为系数矩阵。

    我们将在下一章讨论矩阵A的性质与线性方程组解的关

    系。

  • 相关阅读:
    IBatis简介
    cntlm代理使用
    bash快捷键你知道几个?
    django的Form中添加属性
    EMACS 中文显示为方框
    git合并子树
    算法 排序 python 实现堆排序
    android org.eclipse.wst.sse.core 0.0.0' but it could not be found
    我的EMACS配置
    python 输入# 自动跳到行首
  • 原文地址:https://www.cnblogs.com/begtostudy/p/1817003.html
Copyright © 2020-2023  润新知