学习视频来源:麻省理工公开课_线性代数导论 讲师:Gilbert Strang
http://open.163.com/special/opencourse/daishu.html
Lecture 3 乘法与逆矩阵
Matrix multiplication 矩阵乘法
basic rules 一般性法则
。以 为例, 来自于 的行 3 列 4,其计算使用了点乘。 。
矩阵相乘并不一定要求 和 都是square 方阵,但 的总行数,必须与 的总列数相等。matrix times columns 矩阵乘以列向量
可以考虑成p个单独的列向量。矩阵 乘以 的第一列,可以得到 的第一列。用 乘以 的每个列向量,相应的得到 的p个列向量。用线性组合的语言描述,即: 中的各列,是 中各列的线性组合。根据前文, 右乘以列向量,等价于 中的列进行线性组合。而 中的数字告诉我们,是怎样的线性组合。
rows times matrix 行向量乘以矩阵
可以考虑成m个单独的行向量。矩阵 的第一行乘以 ,可以得到 的第一行。用 的每个行向量乘以 ,相应的得到 的m个行向量。用线性组合的语言描述,即: 中的各行,是 中各行的线性组合。根据前文,行向量左乘以 ,等价于 中的行进行线性组合。而 中的数字告诉我们,是怎样的线性组合。
columns times rows 列乘以行
之前用一个行向量乘以一个列向量,我们可以得到一个数。假设 为 , 为 ,如果用 中的第一列乘以 中的第一行呢?我们将会得到一个矩阵:
=
能看到等号的右侧矩阵中,每一行都是 的倍数,所有行都依赖于 。如果画出这些行的向量,它们都是同一方向。这就是row space 行空间,即行的所有可能的线性组合。该矩阵的行空间是向量 上的一条直线。
同理,每一列都是 的倍数。画出列向量,也会是一个方向,其列空间也是一条直线。
延续这个方法从第一列(行)到最后一列(行),可以得出一个结论: 等于 各列与 各行乘积之和。
= +
block multiplication 分块乘法
假设 和 都为方阵,同等大小(其实只要互相匹配,并不一定要大小相等)。分成大小匹配的四块,计算时相当于分块行乘以分块列。
=
Inverse 逆(方阵)
前篇简单提到了逆变换,本段会详细地介绍矩阵的逆。
逆是否存在
矩阵的逆是一个很重要的话题。方阵 是否可逆?如果逆矩阵存在,如何求逆?从前文我们得知,一个矩阵的逆和其本身相乘,结果为单位矩阵: 。注意这里的 是left inverse 左逆, 的右边也可以存在某个逆矩阵: 。方阵的左逆等于右逆,如果是非方阵,则不相等(在广义逆矩阵的定义里,不仅方阵才有逆)。
再看不可逆的情况。若 为 ,假设存在向量 使 ,我们能得出 是非零向量 =
不是 向量非常重要。如果 ,假设乘以 的逆, ,和 矛盾,因此 不可逆。至此得到结论:不可逆(奇异)矩阵能通过非零向量 得到 。
Gauss-Jordan法求逆
现有矩阵 = 求逆,假设逆为 ,则第一列满足 乘以它得到 : = ,第二列满足 乘以它得到 : = 。我们发现求逆其实和解两个方程组是一回事,不同的是这里有两个右侧向量 。
现在引出Gauss-Jordan思想,在本例中,即同时解出以上两个方程组。还记得增广矩阵的情况吗,也就是同时照顾到右侧向量的情况。我们将采取消元法(Gauss的方法),使左侧变为单位阵:
第一步,第二行减去 2 倍的第一行,得到上三角矩阵。Gauss做到这就不管了,但Jordan还会继续;第二步,第一行减去 3 倍的第二行以消去左侧矩阵第一行第二列的“3”。这时右侧的矩阵即为 。
—> —>
为了解释Gauss-Jordan法的原理,我们引入消元矩阵 ,因为 经过消元步骤一步步得到了
=
上图可知 乘以 等于单位阵,即 必然是 的逆。而 乘以单位阵仍等于 ,所以可以写成下图形式,这就是Gauss-Jordan消元。
=