一、矩阵乘法

矩阵乘法有下面的理解:

 两个矩阵相乘=第三个矩阵,即$A*B=C$,我们可以理解为矩阵$A$与矩阵$B$的每一列相乘($A$的各列的线性组合=$C$中的某一列),得到矩阵$C$的每一列

矩阵逆python 矩阵逆运算法则_矩阵逆python

 

 

也可以这么理解,矩阵$C$中的每个元素$c_{ij}$来自矩阵$A$的第i行和矩阵$B$的第j列点乘:

矩阵逆python 矩阵逆运算法则_矩阵相乘_02

 

 

 第三种理解:以行为单位,$A$中某一行与矩阵$B$整体相乘(即矩阵$B$各行的线性组合结果)= 矩阵$C$中某一行

矩阵逆python 矩阵逆运算法则_矩阵逆python_03

第四种就是列×行,即$A$中各列×$B$中各行:

矩阵逆python 矩阵逆运算法则_逆矩阵_04

当然也可以将矩阵$A$和$B$进行分块相乘:

矩阵逆python 矩阵逆运算法则_矩阵相乘_05

 

二、逆矩阵

这里讨论方阵,先说不可逆的情况(这里先举个例子,下面的示例矩阵不可逆):

矩阵逆python 矩阵逆运算法则_方程组_06

解释:如果某个矩阵的列向量的线性组合可以得到0向量,那么该矩阵不可逆

OK,我们知道了某矩阵存在可逆矩阵,那么如何求出来逆矩阵呢?如

矩阵逆python 矩阵逆运算法则_矩阵逆python_07

矩阵逆python 矩阵逆运算法则_方程组_08

 我们将逆矩阵用未知变量填充:

矩阵逆python 矩阵逆运算法则_逆矩阵_09

 根据之前所将,矩阵乘法可以理解为矩阵$A$与逆矩阵$A^{-1}$的第一列相乘得到$I$的第一列,矩阵$A$与逆矩阵$A^{-1}$的第二列相乘得到$I$的第二列,

 也就是$A$与逆矩阵的第$j$列相乘结果是$I$的第$j$列,由此可见,求逆矩阵和解方程组类似,但这些方程组有相似的系数(即矩阵$A$),但是方程右侧向量不同(单位矩阵$I$的不同列向量),对于上面的例子:

矩阵逆python 矩阵逆运算法则_矩阵相乘_10

矩阵逆python 矩阵逆运算法则_矩阵相乘_11

如果我们求出a,b,c,d,那么我们就得到矩阵$A$的逆矩阵

高斯若尔当消元法可以联合两个方程组同时求得a,b,c,d,方法是对增广矩阵进行消元,将左边变成单位矩阵,那么右边就是要求的逆矩阵$A^{-1}$,增广矩阵如下:

矩阵逆python 矩阵逆运算法则_矩阵相乘_12

消元1:矩阵逆python 矩阵逆运算法则_矩阵相乘_13

左边变成单位矩阵-3变为0:矩阵逆python 矩阵逆运算法则_逆矩阵_14

综上过程我们可以得到逆矩阵

 

矩阵逆python 矩阵逆运算法则_方程组_15

矩阵逆python 矩阵逆运算法则_矩阵相乘_16

 下面划重点:我们来解释一下高斯若尔当消元法求逆矩阵为何能行得通(也就是上面的消元过程为何可以出逆矩阵)

  我们先总结一下上面的过程:(将增广矩阵$AI$转换成$I?$,?即为要求的逆矩阵)

高斯若尔当消元:矩阵逆python 矩阵逆运算法则_矩阵逆python_17

02-消元我们曾经讲过,矩阵消元的每一步过程可以用初等矩阵$E$来实现,整个过程可以根据矩阵相乘结合律来用一个矩阵$E$实现,我们这里假设上面的整个转换过程可以借助矩阵$E$实现:

矩阵逆python 矩阵逆运算法则_矩阵逆python_18

根据我们之前矩阵相乘所讲(矩阵$E$与$[AI]$相乘,可以理解为矩阵$E$分别与矩阵$A$和矩阵$I$相乘):

$E$ * $A$ = $I$  (1)

$E$ * $I$ = $?$  (2)

  由(1)可知$E = A^{-1}$,代入(2),可得$?=A^{-1}$

 

 这就是高斯若尔当消元法求逆矩阵行得通的原因