当前位置：首页 > news >正文

高等数学-矩阵知识

news 2025/7/23 9:41:07

好的，我们来详细讲解高等数学（主要是线性代数部分）中的核心矩阵知识。矩阵是线性代数的基石，广泛应用于数学、物理、工程、计算机科学、经济学等众多领域。

一、矩阵的基本概念

定义：
- 一个 m × n 矩阵 (Matrix) 是一个由 m 行 n 列元素排列成的矩形数表。
- 通常用大写粗体字母表示，如 A, B, C。
- 矩阵中的元素称为元或元素，用小写字母加下标表示其位置，如 aᵢⱼ 表示位于矩阵 A 的第 i 行、第 j 列的元素。
- 矩阵可表示为：
  A = [aᵢⱼ]_{m×n} = [a₁₁, a₁₂, ..., a₁ₙ]
  [a₂₁, a₂₂, ..., a₂ₙ]
  [... , ... , ..., ...]
  [aₘ₁, aₘ₂, ..., aₘₙ]
矩阵与行列式的区别：
- 矩阵是一个数表，本身不代表一个数值（除非是 1x1 矩阵）。
- 行列式 (Determinant) 是一个标量值（一个数），它是由方阵（行数=列数）按照特定规则计算出来的。行列式通常用 det(A) 或 |A| 表示。
- 关键区别： 矩阵是数据结构，行列式是该结构（方阵）的一个属性值。
特殊类型的矩阵：
- 零矩阵 (Zero Matrix)： 所有元素都是零的矩阵，记作 O 或 0。
- 行矩阵/行向量 (Row Matrix/Vector)： 只有一行 (1 × n)。
- 列矩阵/列向量 (Column Matrix/Vector)： 只有一列 (m × 1)。
- 方阵 (Square Matrix)： 行数和列数相等 (n × n)。
- 对角矩阵 (Diagonal Matrix)： 方阵中，除主对角线 (a₁₁, a₂₂, ..., aₙₙ) 上的元素外，其他元素全为零。记作 diag(d₁, d₂, ..., dₙ)。
- 数量矩阵 (Scalar Matrix)： 对角矩阵的一种特例，主对角线上的元素都相等 (d₁ = d₂ = ... = dₙ = k)。
- 单位矩阵 (Identity Matrix)： 数量矩阵的一种特例，主对角线上的元素全为 1 (k=1)，记作 I 或 E。任何矩阵 A 乘以单位矩阵 I 都等于其本身：A * I = I * A = A。
- 上三角矩阵 (Upper Triangular Matrix)： 方阵中，主对角线以下的元素全为零 (i > j 时 aᵢⱼ = 0)。
- 下三角矩阵 (Lower Triangular Matrix)： 方阵中，主对角线以上的元素全为零 (i < j 时 aᵢⱼ = 0)。
- 对称矩阵 (Symmetric Matrix)： 方阵满足 aᵢⱼ = aⱼᵢ (即 Aᵀ = A)。
- 反对称矩阵 (Skew-Symmetric Matrix)： 方阵满足 aᵢⱼ = -aⱼᵢ (即 Aᵀ = -A)，主对角线元素必须为零。
- 正交矩阵 (Orthogonal Matrix)： 方阵满足 AᵀA = AAᵀ = I。正交矩阵的行（列）向量构成标准正交基。

二、矩阵的运算

矩阵的加法：
- 条件： 两个矩阵同型（即行数和列数分别相等）。
- 定义： 对应位置的元素相加。
- 运算律：
  - 交换律： A + B = B + A
  - 结合律： (A + B) + C = A + (B + C)
  - 零元： A + O = A
  - 负元： A + (-A) = O (其中 -A 是 A 的负矩阵，每个元素取相反数)
矩阵的数乘：
- 定义： 一个数 k 乘以一个矩阵 A，等于用 k 乘以 A 中的每一个元素。
- 运算律：
  - k(A + B) = kA + kB
  - (k + l)A = kA + lA
  - k(lA) = (kl)A
  - 1 * A = A
  - (-1) * A = -A
矩阵的乘法：
- 条件： 第一个矩阵 A 的列数必须等于第二个矩阵 B 的行数。若 A 是 m × p 矩阵，B 是 p × n 矩阵，则它们的乘积 C = A × B (或 AB) 是一个 m × n 矩阵。
- 定义： 乘积 C 的第 i 行第 j 列的元素 cᵢⱼ 等于 A 的第 i 行元素与 B 的第 j 列对应元素的乘积之和：
  cᵢⱼ = aᵢ₁b₁ⱼ + aᵢ₂b₂ⱼ + ... + aᵢₚbₚⱼ = Σ_{k=1}^p (aᵢₖ * bₖⱼ)
- 重要性质：
  - 不满足交换律： 一般情况下，AB ≠ BA。即使 AB 有意义，BA 可能无意义；即使两者都有意义，结果通常也不同。
  - 满足结合律： (AB)C = A(BC)
  - 满足分配律： A(B + C) = AB + AC 和 (B + C)A = BA + CA
  - 单位矩阵是乘法单位元： A * I = I * A = A (其中 I 的阶数需与乘法相容)
  - 零矩阵的性质： A * O = O， O * A = O (零矩阵的阶数需与乘法相容)
  - 与数乘结合律： k(AB) = (kA)B = A(kB)
- 意义： 矩阵乘法表示线性变换的复合。如果矩阵 A 表示一个线性变换，矩阵 B 表示另一个线性变换，那么 AB 表示先进行 B 变换，再进行 A 变换。
矩阵的转置 (Transpose)：
- 定义： 将矩阵 A 的行和列互换得到的新矩阵，称为 A 的转置矩阵，记作 Aᵀ 或 A’。即如果 A = [aᵢⱼ]_{m×n}，则 Aᵀ = [aⱼᵢ]_{n×m}。
- 运算律：
  - (Aᵀ)ᵀ = A
  - (A + B)ᵀ = Aᵀ + Bᵀ
  - (kA)ᵀ = kAᵀ
  - (AB)ᵀ = BᵀAᵀ (非常重要！顺序反转)
方阵的行列式 (Determinant)：
- 定义： 仅对方阵定义。行列式是一个标量值，通过矩阵元素按特定规则（递归定义或拉普拉斯展开）计算得出。记作 det(A) 或 |A|。
- 性质： (设 A, B 为 n 阶方阵，k 为常数)
  - |Aᵀ| = |A|
  - |kA| = kⁿ|A|
  - |AB| = |A||B| (非常重要！)
  - 互换矩阵的两行（列），行列式变号。
  - 如果矩阵有两行（列）相同或成比例，则行列式为 0。
  - 将矩阵的某一行（列）乘以常数 k 加到另一行（列）上，行列式值不变。
  - 上（下）三角矩阵的行列式等于主对角线上元素的乘积。
- 意义： 行列式具有深刻的几何意义（表示线性变换对体积的缩放因子）和代数意义（判断矩阵是否可逆、求解线性方程组等）。
方阵的迹 (Trace)：
- 定义： 仅对方阵定义。迹是矩阵主对角线上所有元素的和。记作 tr(A)。
- 性质：
  - tr(A + B) = tr(A) + tr(B)
  - tr(kA) = k * tr(A)
  - tr(AB) = tr(BA) (即使 AB ≠ BA 也成立)
  - tr(A) = tr(Aᵀ)
- 意义： 在线性代数、微分方程、物理学（如量子力学）中有应用，表示某些不变量。
方阵的逆 (Inverse)：
- 定义： 对于 n 阶方阵 A，如果存在另一个 n 阶方阵 B，使得 AB = BA = I (I 是 n 阶单位矩阵)，则称 A 是可逆矩阵或非奇异矩阵，称 B 是 A 的逆矩阵，记作 A⁻¹。不是所有方阵都有逆矩阵，不可逆的方阵称为奇异矩阵。
- 存在条件： A 可逆的充分必要条件是 |A| ≠ 0。
- 求逆方法：
  - 伴随矩阵法： A⁻¹ = (1 / |A|) * adj(A) (其中 adj(A) 是 A 的伴随矩阵，由 A 的代数余子式构成)。
  - 初等行变换法（高斯-若尔当消元法）： 将 [A | I] 通过初等行变换化为 [I | B]，则 B = A⁻¹。这是最常用的方法。
- 性质： (设 A, B 为可逆 n 阶方阵，k 为非零常数)
  - (A⁻¹)⁻¹ = A
  - (kA)⁻¹ = (1/k)A⁻¹
  - (AB)⁻¹ = B⁻¹A⁻¹ (非常重要！顺序反转)
  - (Aᵀ)⁻¹ = (A⁻¹)ᵀ
  - |A⁻¹| = 1 / |A|
- 意义： 逆矩阵对应于线性变换的逆变换。求解矩阵方程 AX = B 时，如果 A 可逆，则 X = A⁻¹B。

三、矩阵的初等变换与矩阵的秩

初等行（列）变换：
- 以下三种变换称为矩阵的初等行变换：
  - (倍法变换) 用一个非零常数 k 乘矩阵的某一行 (rᵢ ← k * rᵢ)。
  - (消法变换) 把矩阵某一行的 k 倍加到另一行上 (rⱼ ← rⱼ + k * rᵢ)。
  - (换法变换) 互换矩阵中两行的位置 (rᵢ ↔ rⱼ)。
- 将上述“行”换成“列”，即得初等列变换。
- 初等矩阵： 由单位矩阵 I 经过一次初等变换得到的矩阵称为初等矩阵。初等矩阵都是可逆的。
- 重要定理： 对矩阵 A 施行一次初等行变换，相当于在 A 的左边乘以相应的初等矩阵；对矩阵 A 施行一次初等列变换，相当于在 A 的右边乘以相应的初等矩阵。
行阶梯形矩阵 (Row Echelon Form)：
- 一个矩阵称为行阶梯形矩阵，如果它满足：
  - 零行（元素全为零的行）位于非零行的下方。
  - 非零行的第一个非零元（称为该行的首非零元或主元）的列标，随着行标的增大而严格增大（即每个主元都在前一行的主元的右边）。
- 简化行阶梯形矩阵 (Reduced Row Echelon Form - RREF)： 在行阶梯形的基础上，还满足：
  - 每个非零行的主元都是 1。
  - 主元所在列的其它元素全为 0。
- 定理： 任何矩阵都可以通过有限次初等行变换化为行阶梯形矩阵，并进一步化为简化行阶梯形矩阵。简化行阶梯形矩阵是唯一的。
矩阵的秩 (Rank)：
- 定义：
  - 行秩： 矩阵的行向量组的最大线性无关组所含向量的个数。
  - 列秩： 矩阵的列向量组的最大线性无关组所含向量的个数。
  - 重要定理： 对于任意矩阵，其行秩等于其列秩。这个公共值称为矩阵的秩，记作 rank(A) 或 r(A)。
- 性质：
  - 0 ≤ rank(A_{m×n}) ≤ min{m, n}
  - rank(A) = rank(Aᵀ)
  - 初等变换不改变矩阵的秩。
  - rank(AB) ≤ min{rank(A), rank(B)}
  - 若 P, Q 可逆，则 rank(PAQ) = rank(A)。
- 计算方法：
  - 利用初等行变换将矩阵化为行阶梯形矩阵。行阶梯形矩阵中非零行的行数就是原矩阵的秩。
  - 利用初等行变换将矩阵化为简化行阶梯形矩阵。非零行的行数也是秩。
- 意义： 秩是矩阵最重要的特征之一，它反映了矩阵行（列）向量之间的线性相关性，以及矩阵所表示的线性方程组的独立方程个数、线性变换的像空间的维数（秩=像空间的维数）等。

四、线性方程组与矩阵

线性方程组可以非常方便地用矩阵表示和求解。

矩阵表示：
- n 元线性方程组：
  a₁₁x₁ + a₁₂x₂ + ... + a₁ₙxₙ = b₁
  a₂₁x₁ + a₂₂x₂ + ... + a₂ₙxₙ = b₂
  ...
  aₘ₁x₁ + aₘ₂x₂ + ... + aₘₙxₙ = bₘ
- 可以写成矩阵形式： AX = B
  - A 是 m × n 的系数矩阵： A = [aᵢⱼ]_{m×n}
  - X 是 n × 1 的未知数列向量： X = [x₁, x₂, ..., xₙ]ᵀ
  - B 是 m × 1 的常数项列向量： B = [b₁, b₂, ..., bₘ]ᵀ
- 将系数矩阵 A 和常数项矩阵 B 合并写成的矩阵 [A | B] 称为方程组的增广矩阵 (Augmented Matrix)，记作 Ā。
解的判定（克莱姆法则与一般情况）：
- 克莱姆法则 (Cramer’s Rule)： 只适用于方程个数等于未知数个数 (m = n) 且系数行列式 |A| ≠ 0 的方程组。此时方程组有唯一解，解为：
  x_j = |Aⱼ| / |A| (j = 1, 2, …, n)
  其中 Aⱼ 是将系数矩阵 A 的第 j 列替换成常数项向量 B 后得到的矩阵。
- 一般情况 (m 和 n 任意)： 利用矩阵的秩判断解的情况：
  - 有解的充分必要条件是：系数矩阵 A 的秩等于增广矩阵 Ā = [A | B] 的秩，即 rank(A) = rank(Ā)。
    - 当 rank(A) = rank(Ā) = n (未知数个数) 时，方程组有唯一解。
    - 当 rank(A) = rank(Ā) = r < n 时，方程组有无穷多解，且有 n - r 个自由变量。
  - 如果 rank(A) < rank(Ā)，则方程组无解。
求解方法：
- 高斯消元法 (Gaussian Elimination)： 对增广矩阵 Ā 进行初等行变换，将其化为行阶梯形矩阵。然后从最后一行开始，逐行回代求解。
- 高斯-若尔当消元法 (Gauss-Jordan Elimination)： 对增广矩阵 Ā 进行初等行变换，将其化为简化行阶梯形矩阵。此时解可以直接从简化后的矩阵中读出（主元列对应的未知数用自由变量表示）。

五、特征值与特征向量

特征值和特征向量是方阵的重要属性，在物理、化学、工程、数据科学（如主成分分析 PCA）等领域有广泛应用。

定义：
- 设 A 是 n 阶方阵。如果存在一个非零列向量 X 和一个数 λ，使得 AX = λX 成立，则称：
  - λ 是矩阵 A 的一个特征值 (Eigenvalue)。
  - 非零向量 X 是矩阵 A 对应于特征值 λ 的特征向量 (Eigenvector)。
求解方法：
1. 写出特征方程： 将定义式 AX = λX 变形为 (A - λI)X = 0。这是一个齐次线性方程组。
2. 特征多项式： 要使这个齐次方程组有非零解 X，其系数矩阵 (A - λI) 的行列式必须为零： |A - λI| = 0。
3. 求特征值： |A - λI| = 0 是一个关于 λ 的 n 次多项式方程，称为矩阵 A 的特征方程。该方程的根 λ₁, λ₂, ..., λₙ (可能有重根和复根) 就是 A 的所有特征值。
4. 求特征向量： 对每个特征值 λᵢ，解齐次线性方程组 (A - λᵢI)X = 0。该方程组的所有非零解向量，就是对应于特征值 λᵢ 的特征向量。这些特征向量构成一个线性空间（称为对应于 λᵢ 的特征子空间），其维数（基础解系所含向量个数）称为特征值 λᵢ 的几何重数。特征值作为特征方程根的重数称为其代数重数。
重要性质：
- tr(A) = λ₁ + λ₂ + ... + λₙ (所有特征值之和等于迹)。
- |A| = λ₁ * λ₂ * ... * λₙ (所有特征值之积等于行列式)。
- 不同特征值对应的特征向量线性无关。
- 若 A 是实对称矩阵 (Aᵀ = A)，则：
  - 所有特征值都是实数。
  - 不同特征值对应的特征向量相互正交。
  - 存在正交矩阵 Q (即 QᵀQ = I)，使得 QᵀAQ = Λ，其中 Λ 是由 A 的特征值组成的对角矩阵（谱定理）。这意味着实对称矩阵总可以正交对角化。

六、矩阵对角化

定义：
- 对于一个 n 阶方阵 A，如果存在一个可逆矩阵 P，使得 P⁻¹AP = Λ 是一个对角矩阵 Λ = diag(λ₁, λ₂, ..., λₙ)，则称矩阵 A 可对角化 (Diagonalizable)，称 P 为对角化矩阵。
可对角化的条件：
- n 阶方阵 A 可对角化的充分必要条件是 A 有 n 个线性无关的特征向量。
- 等价条件：
  - A 的所有特征值的代数重数都等于其几何重数。
  - (实对称矩阵总是可以对角化，且可以用正交矩阵对角化)。
对角化的步骤：
1. 求出 A 的所有特征值 λ₁, λ₂, ..., λₙ (包括重根)。
2. 对每个特征值 λᵢ，求出其对应的线性无关的特征向量（即求解 (A - λᵢI)X = 0 的基础解系）。
3. 如果总共能找到 n 个线性无关的特征向量 X₁, X₂, ..., Xₙ，则 A 可对角化。
4. 以这 n 个线性无关的特征向量作为列向量，构造可逆矩阵 P = [X₁, X₂, …, Xₙ]。
5. 构造对角矩阵 Λ，其主对角线上的元素依次是 P 中特征向量对应的特征值 λ₁, λ₂, ..., λₙ (顺序必须与 P 中特征向量的顺序一致)。
6. 则有 P⁻¹AP = Λ 或 A = PΛP⁻¹。
意义：
- 对角化极大地简化了矩阵的运算，特别是矩阵的高次幂运算：Aᵏ = PΛᵏP⁻¹，而 Λᵏ 只需将对角线上的元素取 k 次方即可。
- 揭示了矩阵的内在结构（特征值和特征向量）。
- 是研究线性变换、动力系统、微分方程、马尔可夫链等的重要工具。

七、二次型与对称矩阵

二次型 (Quadratic Form)：
- 定义： n 个变量 x₁, x₂, ..., xₙ 的二次齐次多项式函数称为二次型：
  f(x₁, x₂, ..., xₙ) = a₁₁x₁² + a₂₂x₂² + ... + aₙₙxₙ² + 2a₁₂x₁x₂ + 2a₁₃x₁x₃ + ... + 2a₍ₙ₋₁₎ₙxₙ₋₁xₙ
  = Σ_{i=1}^n aᵢᵢxᵢ² + 2 Σ_{1≤i<j≤n}^n aᵢⱼxᵢxⱼ
- 矩阵表示： 任何二次型都可以唯一地表示为一个对称矩阵 A 和向量 X = [x₁, x₂, …, xₙ]ᵀ 的乘积形式：
  f(X) = XᵀAX
  其中 A 是一个 n 阶实对称矩阵，称为该二次型的矩阵。aᵢⱼ 是 A 的元素，且 aᵢⱼ = aⱼᵢ。
合同变换：
- 定义： 对于两个 n 阶方阵 A 和 B，如果存在一个 n 阶可逆矩阵 C，使得 B = CᵀAC 成立，则称 A 与 B 合同 (Congruent)。
- 性质： 合同关系是等价关系（自反、对称、传递）。合同矩阵具有相同的秩（称为二次型的秩）和相同的正负惯性指数（见下）。
化二次型为标准形：
- 标准形： 只包含平方项、不含交叉项的二次型：
  f = d₁y₁² + d₂y₂² + ... + dₙyₙ²
- 目标： 寻找一个可逆的线性变换 X = CY (其中 C 可逆)，将原二次型 f = XᵀAX 化为标准形 g = YᵀDY = d₁y₁² + d₂y₂² + ... + dₙyₙ²，其中 D = CᵀAC = diag(d₁, d₂, ..., dₙ)。
- 方法：
  - 配方法： 对变量逐个配方。
  - 正交变换法： 利用实对称矩阵可正交对角化的性质。
    - 求出二次型矩阵 A 的特征值 λ₁, λ₂, ..., λₙ 和对应的正交单位特征向量（即求得正交矩阵 Q 使得 QᵀAQ = Λ = diag(λ₁, λ₂, ..., λₙ)）。
    - 作正交变换 X = QY (正交变换保持向量的长度和角度不变，是一种特殊的合同变换)。
    - 则 f = XᵀAX = (QY)ᵀA(QY) = Yᵀ(QᵀAQ)Y = YᵀΛY = λ₁y₁² + λ₂y₂² + ... + λₙyₙ²。
  - 初等变换法： 同时对矩阵 A 进行相同的初等行变换和初等列变换（相当于在两边乘以初等矩阵及其转置），将其化为对角矩阵。
惯性定理与规范形：
- 惯性定理： 对于一个实二次型 f = XᵀAX (A 实对称)，不论用何种可逆线性变换将其化为标准形，其中：
  - 正平方项的个数 p 总是相同的。
  - 负平方项的个数 q 总是相同的。
  - p + q = rank(A) (二次型的秩)。
  - 零项的个数 r - (p + q) 也相同。
- 称 p 为正惯性指数，q 为负惯性指数，p - q 称为符号差。
- 规范形： 二次型可以进一步化为只由 +1, -1, 0 构成的规范标准形：
  f = y₁² + y₂² + ... + yₚ² - yₚ₊₁² - ... - yₚ₊q²
  其中 p 和 q 由惯性定理唯一确定。
正定二次型与正定矩阵：
- 定义： 对于实二次型 f(X) = XᵀAX (其中 A 是实对称矩阵)：
  - 如果对任意非零实向量 X ≠ 0，都有 f(X) > 0，则称 f 为正定二次型，称 A 为正定矩阵。
  - 如果对任意 X，都有 f(X) ≥ 0，则称 f 为半正定二次型，称 A 为半正定矩阵。
- 判别条件 (A 是实对称矩阵)：
  - A 正定 的充分必要条件：
    - A 的所有特征值 λᵢ > 0。
    - A 的所有顺序主子式都大于零。
    - A 的正惯性指数 p = n。
    - 存在可逆矩阵 C，使得 A = CᵀC。
  - A 半正定 的充分必要条件：
    - A 的所有特征值 λᵢ ≥ 0。
    - A 的所有主子式都大于等于零（注意：不仅仅是顺序主子式）。
    - A 的正惯性指数 p = rank(A) (负惯性指数 q = 0)。
    - 存在矩阵 C (不一定可逆)，使得 A = CᵀC。
- 意义： 正定矩阵在优化（如判断极值点）、最小二乘法、概率统计（协方差矩阵）、微分方程稳定性分析中非常重要。

总结

矩阵理论是高等数学（线性代数）的核心内容，提供了强大的工具来处理线性关系、变换和系统。掌握矩阵的基本运算（加法、数乘、乘法、转置、求逆）、秩、特征值与特征向量、对角化以及二次型理论，是理解和应用线性代数解决实际问题的关键基础。这些知识在科学、工程、经济、计算机等几乎所有定量学科中都有广泛而深刻的应用。

这份讲解涵盖了高等数学（主要是工科或非数学专业）要求的核心矩阵知识。数学专业会深入到更抽象的线性空间、线性变换、若尔当标准形、矩阵分解等更高级的内容。希望这份详细的讲解能帮助你系统地掌握矩阵知识！如果你对某个具体部分有更深入的问题，可以随时提出。

查看全文

http://www.lryc.cn/news/596260.html