三、矩阵乘法与逆矩阵的线性代数解析（附例题）
矩阵乘法与逆矩阵是线性代数中两个极为重要的概念，它们在解决线性方程组、线性变换、特征值问题等多个方面具有广泛的应用。本文将系统地介绍矩阵乘法与逆矩阵的定义、性质、计算方法，并通过具体例题进行详细解析，以加深理解。
目录
1. 矩阵乘法的基本概念
定义：
给定两个矩阵 ( A ) 和 ( B )，其中 ( A ) 为 ( m \times n ) 矩阵，( B ) 为 ( n \times p ) 矩阵。矩阵 ( A ) 和矩阵 ( B ) 的乘积 ( AB ) 是一个 ( m \times p ) 的矩阵，其元素由以下公式确定：
( A B ) i j = ∑ k = 1 n A i k B k j , 对于所有 i = 1 , 2 , … , m 和 j = 1 , 2 , … , p (AB)_{ij} = \sum_{k=1}^{n} A_{ik} B_{kj}, \quad \text{对于所有} \ i = 1, 2, \dots, m \ \text{和} \ j = 1, 2, \dots, p (AB)ij=k=1∑nAikBkj,对于所有 i=1,2,…,m 和 j=1,2,…,p
要求：
- 矩阵 ( A ) 的列数必须等于矩阵 ( B ) 的行数，即 ( n = n )。
- 矩阵乘法通常不满足交换律，即 ( AB \neq BA )（除非 ( A ) 和 ( B ) 满足特定条件）。
几何意义：
矩阵乘法可以视为连续应用两个线性变换。具体而言，若 ( A ) 和 ( B ) 分别表示线性变换 ( T_A ) 和 ( T_B )，则 ( AB ) 表示先应用 ( T_B ) 再应用 ( T_A ) 的复合变换 ( T_A \circ T_B )。
2. 矩阵乘法的性质
矩阵乘法具有以下重要性质：
-
结合律：
A ( B C ) = ( A B ) C A(BC) = (AB)C A(BC)=(AB)C
-
分配律：
-
左分配律：
A ( B + C ) = A B + A C A(B + C) = AB + AC A(B+C)=AB+AC
-
右分配律：
( A + B ) C = A C + B C (A + B)C = AC + BC (A+B)C=AC+BC
-
-
不满足交换律：
通常情况下，
A B ≠ B A AB \neq BA AB=BA
只有在特定条件下，如 ( A ) 和 ( B ) 都是对角矩阵且相同维数时，才能满足 ( AB = BA )。
-
与标量的结合：
对于任意标量 ( c )，
c ( A B ) = ( c A ) B = A ( c B ) c(AB) = (cA)B = A(cB) c(AB)=(cA)B=A(cB)
-
单位矩阵的性质：
存在一个单位矩阵 ( I )，使得对任何矩阵 ( A )（维数匹配）有：
A I = I A = A AI = IA = A AI=IA=A
-
逆矩阵的乘法性质：
如果 ( A ) 和 ( B ) 都是可逆矩阵，则：
( A B ) − 1 = B − 1 A − 1 (AB)^{-1} = B^{-1}A^{-1} (AB)−1=B−1A−1
3. 矩阵乘法的计算方法
计算矩阵乘法的步骤如下：
-
确认维数匹配：
确保第一个矩阵的列数等于第二个矩阵的行数。
-
计算元素：
对于结果矩阵 ( AB ) 的每个元素 ( (AB)_{ij} )，计算第 ( i ) 行 ( A ) 与第 ( j ) 列 ( B ) 的点积。
示例：
设有矩阵 ( A ) 和 ( B )：
A = ( 1 2 3 4 ) , B = ( 5 6 7 8 ) A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \\ \end{pmatrix}, \quad B = \begin{pmatrix} 5 & 6 \\ 7 & 8 \\ \end{pmatrix} A=(1324),B=(5768)
则 ( AB ) 的计算如下：
A B = ( 1 × 5 + 2 × 7 1 × 6 + 2 × 8 3 × 5 + 4 × 7 3 × 6 + 4 × 8 ) = ( 19 22 43 50 ) AB = \begin{pmatrix} 1 \times 5 + 2 \times 7 & 1 \times 6 + 2 \times 8 \\ 3 \times 5 + 4 \times 7 & 3 \times 6 + 4 \times 8 \\ \end{pmatrix} = \begin{pmatrix} 19 & 22 \\ 43 & 50 \\ \end{pmatrix} AB=(1×5+2×73×5+4×71×6+2×83×6+4×8)=(19432250)
4. 逆矩阵的基本概念
定义：
对于一个 ( n \times n ) 的方阵 ( A )，如果存在一个 ( n \times n ) 的方阵 ( A^{-1} )，满足：
A A − 1 = A − 1 A = I AA^{-1} = A^{-1}A = I AA−1=A−1A=I
其中 ( I ) 是 ( n \times n ) 的单位矩阵，那么 ( A^{-1} ) 称为矩阵 ( A ) 的逆矩阵。
条件：
- 方阵：只有方阵（行数等于列数）才可能存在逆矩阵。
- 非奇异矩阵：行列式 ( \det(A) \neq 0 ) 的方阵才是非奇异的，具有逆矩阵。
- 可逆性：一个矩阵是可逆的，当且仅当其列向量线性独立，或其行向量线性独立。
5. 逆矩阵的性质
逆矩阵具有以下重要性质：
-
唯一性：
如果矩阵 ( A ) 可逆，则 ( A^{-1} ) 是唯一的。
-
与转置的关系：
( A T ) − 1 = ( A − 1 ) T (A^T)^{-1} = (A^{-1})^T (AT)−1=(A−1)T
-
与乘法的关系：
如果 ( A ) 和 ( B ) 都是可逆矩阵，则：
( A B ) − 1 = B − 1 A − 1 (AB)^{-1} = B^{-1}A^{-1} (AB)−1=B−1A−1
-
幂的逆：
对于任意正整数 ( k )，
( A k ) − 1 = ( A − 1 ) k (A^k)^{-1} = (A^{-1})^k (Ak)−1=(A−1)k
-
逆矩阵的逆：
( A − 1 ) − 1 = A (A^{-1})^{-1} = A (A−1)−1=A
-
与线性方程组的关系：
若 ( A ) 可逆，则线性方程组 ( A\mathbf{x} = \mathbf{b} ) 的唯一解为：
x = A − 1 b \mathbf{x} = A^{-1}\mathbf{b} x=A−1b
6. 求逆矩阵的方法
求逆矩阵的方法主要包括以下几种：
-
高斯-约旦消元法：
通过将矩阵 ( A ) 与单位矩阵 ( I ) 构建增广矩阵 ( [A | I] )，然后通过行变换将 ( A ) 转化为 ( I )，右侧即为 ( A^{-1} )。
步骤：
- 构建增广矩阵 ( [A | I] )。
- 进行行变换，使左侧 ( A ) 变为 ( I )。
- 若左侧成功转化为 ( I )，则右侧即为 ( A^{-1} )。
- 若无法转化为 ( I )，则 ( A ) 不可逆。
-
伴随矩阵法：
通过计算伴随矩阵 ( \text{adj}(A) ) 和行列式 ( \det(A) )，利用公式：
A − 1 = 1 det ( A ) adj ( A ) A^{-1} = \frac{1}{\det(A)} \text{adj}(A) A−1=det(A)1adj(A)
步骤：
- 计算 ( \det(A) )。
- 计算 ( A ) 的余子式矩阵，转置得到伴随矩阵 ( \text{adj}(A) )。
- 应用上述公式计算 ( A^{-1} )。
-
矩阵分解法：
通过将矩阵分解为特定形式（如LU分解、QR分解等），然后利用分解结果求逆。
步骤：
- 将 ( A ) 分解为 ( LU ) 或 ( QR ) 等形式。
- 分别求解 ( L ) 和 ( U ) 或 ( Q ) 和 ( R ) 的逆。
- 组合逆矩阵，得到 ( A^{-1} )。
7. 逆矩阵的应用
逆矩阵在解决线性方程组、线性变换、特征值问题等方面有重要应用：
-
求解线性方程组：
若 ( A ) 可逆，方程组 ( A\mathbf{x} = \mathbf{b} ) 的唯一解为：
x = A − 1 b \mathbf{x} = A^{-1}\mathbf{b} x=A−1b
-
矩阵分解与特征值问题：
逆矩阵在特征值分解、奇异值分解等高级矩阵分解方法中起到关键作用。
-
线性变换的逆变换：
若 ( A ) 表示线性变换 ( T )，则 ( A^{-1} ) 表示逆变换 ( T^{-1} )。
-
计算机图形学与控制系统：
在图形变换、信号处理、控制系统设计中，逆矩阵用于逆向变换、滤波与稳定性分析。
8. 例题解析
通过具体的例题解析，可以更好地理解矩阵乘法与逆矩阵的理论与应用。以下提供几个典型例题及详细解答。
例题 1：矩阵乘法
题目：
设有矩阵 ( A ) 和 ( B ) 如下：
A = ( 2 3 1 4 ) , B = ( 1 0 0 1 ) A = \begin{pmatrix} 2 & 3 \\ 1 & 4 \\ \end{pmatrix}, \quad B = \begin{pmatrix} 1 & 0 \\ 0 & 1 \\ \end{pmatrix} A=(2134),B=(1001)
计算 ( AB ) 和 ( BA )，并说明其结果。
解答：
首先，确认矩阵 ( A ) 和 ( B ) 的维数：
- ( A ) 是 ( 2 \times 2 ) 矩阵。
- ( B ) 是 ( 2 \times 2 ) 矩阵。
因此，矩阵乘法 ( AB ) 和 ( BA ) 都是 ( 2 \times 2 ) 矩阵。
计算 ( AB )：
A B = ( 2 3 1 4 ) ( 1 0 0 1 ) = ( 2 × 1 + 3 × 0 2 × 0 + 3 × 1 1 × 1 + 4 × 0 1 × 0 + 4 × 1 ) = ( 2 3 1 4 ) = A AB = \begin{pmatrix} 2 & 3 \\ 1 & 4 \\ \end{pmatrix} \begin{pmatrix} 1 & 0 \\ 0 & 1 \\ \end{pmatrix} = \begin{pmatrix} 2 \times 1 + 3 \times 0 & 2 \times 0 + 3 \times 1 \\ 1 \times 1 + 4 \times 0 & 1 \times 0 + 4 \times 1 \\ \end{pmatrix} = \begin{pmatrix} 2 & 3 \\ 1 & 4 \\ \end{pmatrix} = A AB=(2134)(1001)=(2×1+3×01×1+4×02×0+3×11×0+4×1)=(2134)=A
计算 ( BA )：
B A = ( 1 0 0 1 ) ( 2 3 1 4 ) = ( 1 × 2 + 0 × 1 1 × 3 + 0 × 4 0 × 2 + 1 × 1 0 × 3 + 1 × 4 ) = ( 2 3 1 4 ) = A BA = \begin{pmatrix} 1 & 0 \\ 0 & 1 \\ \end{pmatrix} \begin{pmatrix} 2 & 3 \\ 1 & 4 \\ \end{pmatrix} = \begin{pmatrix} 1 \times 2 + 0 \times 1 & 1 \times 3 + 0 \times 4 \\ 0 \times 2 + 1 \times 1 & 0 \times 3 + 1 \times 4 \\ \end{pmatrix} = \begin{pmatrix} 2 & 3 \\ 1 & 4 \\ \end{pmatrix} = A BA=(1001)(2134)=(1×2+0×10×2+1×11×3+0×40×3+1×4)=(2134)=A
结果说明：
在本例中，矩阵 ( B ) 是单位矩阵 ( I )。矩阵乘以单位矩阵的结果是其自身，因此 ( AB = BA = A )。这表明单位矩阵在矩阵乘法中起到了“乘法单位”的作用。
例题 2：求逆矩阵
题目：
求以下矩阵的逆矩阵 ( A^{-1} )：
A = ( 1 2 3 4 ) A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \\ \end{pmatrix} A=(1324)
解答：
首先，计算矩阵 ( A ) 的行列式 ( \det(A) )：
det ( A ) = 1 × 4 − 2 × 3 = 4 − 6 = − 2 ≠ 0 \det(A) = 1 \times 4 - 2 \times 3 = 4 - 6 = -2 \neq 0 det(A)=1×4−2×3=4−6=−2=0
由于 ( \det(A) \neq 0 )，矩阵 ( A ) 可逆。
接下来，计算伴随矩阵 ( \text{adj}(A) )：
-
计算每个元素的代数余子式：
代数余子式 = ( d − b − c a ) \text{代数余子式} = \begin{pmatrix} d & -b \\ -c & a \\ \end{pmatrix} 代数余子式=(d−c−ba)
对于 ( A = \begin{pmatrix} a & b \ c & d \end{pmatrix} )，
- ( a = 1 ), ( b = 2 ), ( c = 3 ), ( d = 4 )
代数余子式矩阵为：
adj ( A ) = ( d − b − c a ) = ( 4 − 2 − 3 1 ) \text{adj}(A) = \begin{pmatrix} d & -b \\ -c & a \\ \end{pmatrix} = \begin{pmatrix} 4 & -2 \\ -3 & 1 \\ \end{pmatrix} adj(A)=(d−c−ba)=(4−3−21)
-
计算逆矩阵：
A − 1 = 1 det ( A ) adj ( A ) = 1 − 2 ( 4 − 2 − 3 1 ) = ( − 2 1 1.5 − 0.5 ) A^{-1} = \frac{1}{\det(A)} \text{adj}(A) = \frac{1}{-2} \begin{pmatrix} 4 & -2 \\ -3 & 1 \\ \end{pmatrix} = \begin{pmatrix} -2 & 1 \\ 1.5 & -0.5 \\ \end{pmatrix} A−1=det(A)1adj(A)=−21(4−3−21)=(−21.51−0.5)
验证：
计算 ( AA^{-1} )：
A A − 1 = ( 1 2 3 4 ) ( − 2 1 1.5 − 0.5 ) = ( 1 × ( − 2 ) + 2 × 1.5 1 × 1 + 2 × ( − 0.5 ) 3 × ( − 2 ) + 4 × 1.5 3 × 1 + 4 × ( − 0.5 ) ) = ( − 2 + 3 1 − 1 − 6 + 6 3 − 2 ) = ( 1 0 0 1 ) = I AA^{-1} = \begin{pmatrix} 1 & 2 \\ 3 & 4 \\ \end{pmatrix} \begin{pmatrix} -2 & 1 \\ 1.5 & -0.5 \\ \end{pmatrix} = \begin{pmatrix} 1 \times (-2) + 2 \times 1.5 & 1 \times 1 + 2 \times (-0.5) \\ 3 \times (-2) + 4 \times 1.5 & 3 \times 1 + 4 \times (-0.5) \\ \end{pmatrix} = \begin{pmatrix} -2 + 3 & 1 - 1 \\ -6 + 6 & 3 - 2 \\ \end{pmatrix} = \begin{pmatrix} 1 & 0 \\ 0 & 1 \\ \end{pmatrix} = I AA−1=(1324)(−21.51−0.5)=(1×(−2)+2×1.53×(−2)+4×1.51×1+2×(−0.5)3×1+4×(−0.5))=(−2+3−6+61−13−2)=(1001)=I
验证成功，说明 ( A^{-1} ) 是正确的逆矩阵。
结论：
A − 1 = ( − 2 1 1.5 − 0.5 ) A^{-1} = \begin{pmatrix} -2 & 1 \\ 1.5 & -0.5 \\ \end{pmatrix} A−1=(−21.51−0.5)
例题 3：利用逆矩阵解线性方程组
题目：
求解线性方程组：
{ x + 2 y = 5 3 x + 4 y = 6 \begin{cases} x + 2y = 5 \\ 3x + 4y = 6 \\ \end{cases} {x+2y=53x+4y=6
解答：
首先，将方程组表示为矩阵形式 ( A\mathbf{x} = \mathbf{b} )：
A = ( 1 2 3 4 ) , x = ( x y ) , b = ( 5 6 ) A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \\ \end{pmatrix}, \quad \mathbf{x} = \begin{pmatrix} x \\ y \\ \end{pmatrix}, \quad \mathbf{b} = \begin{pmatrix} 5 \\ 6 \\ \end{pmatrix} A=(1324),x=(xy),b=(56)
-
计算 ( A^{-1} )：
计算行列式：
det ( A ) = 1 × 4 − 2 × 3 = 4 − 6 = − 2 ≠ 0 \det(A) = 1 \times 4 - 2 \times 3 = 4 - 6 = -2 \neq 0 det(A)=1×4−2×3=4−6=−2=0
伴随矩阵：
adj ( A ) = ( 4 − 2 − 3 1 ) \text{adj}(A) = \begin{pmatrix} 4 & -2 \\ -3 & 1 \\ \end{pmatrix} adj(A)=(4−3−21)
逆矩阵：
A − 1 = 1 det ( A ) adj ( A ) = 1 − 2 ( 4 − 2 − 3 1 ) = ( − 2 1 1.5 − 0.5 ) A^{-1} = \frac{1}{\det(A)} \text{adj}(A) = \frac{1}{-2} \begin{pmatrix} 4 & -2 \\ -3 & 1 \\ \end{pmatrix} = \begin{pmatrix} -2 & 1 \\ 1.5 & -0.5 \\ \end{pmatrix} A−1=det(A)1adj(A)=−21(4−3−21)=(−21.51−0.5)
-
求解 ( \mathbf{x} = A^{-1}\mathbf{b} )：
x = ( − 2 1 1.5 − 0.5 ) ( 5 6 ) = ( ( − 2 ) × 5 + 1 × 6 1.5 × 5 + ( − 0.5 ) × 6 ) = ( − 10 + 6 7.5 − 3 ) = ( − 4 4.5 ) \mathbf{x} = \begin{pmatrix} -2 & 1 \\ 1.5 & -0.5 \\ \end{pmatrix} \begin{pmatrix} 5 \\ 6 \\ \end{pmatrix} = \begin{pmatrix} (-2) \times 5 + 1 \times 6 \\ 1.5 \times 5 + (-0.5) \times 6 \\ \end{pmatrix} = \begin{pmatrix} -10 + 6 \\ 7.5 - 3 \\ \end{pmatrix} = \begin{pmatrix} -4 \\ 4.5 \\ \end{pmatrix} x=(−21.51−0.5)(56)=((−2)×5+1×61.5×5+(−0.5)×6)=(−10+67.5−3)=(−44.5)
解：
x = − 4 , y = 4.5 x = -4, \quad y = 4.5 x=−4,y=4.5
验证：
将 ( x = -4 ) 和 ( y = 4.5 ) 代入原方程组：
- ( -4 + 2 \times 4.5 = -4 + 9 = 5 ) ✔️
- ( 3 \times (-4) + 4 \times 4.5 = -12 + 18 = 6 ) ✔️
验证成功，说明解正确。
9. 总结
矩阵乘法与逆矩阵是线性代数中不可或缺的工具，它们在理论研究和实际应用中发挥着重要作用。以下是关键点的总结：
-
矩阵乘法：
- 定义：通过行与列的点积计算得到乘积矩阵的元素。
- 性质：具有结合律和分配律，但通常不满足交换律。
- 几何意义：代表连续应用两个线性变换。
- 计算方法：逐元素计算点积，确保维数匹配。
-
逆矩阵：
- 定义：一个矩阵的逆满足 ( AA^{-1} = A^{-1}A = I )。
- 条件：仅方阵且行列式非零的矩阵可逆。
- 性质：逆矩阵唯一，与转置、乘法等运算有特定关系。
- 计算方法：高斯-约旦消元法、伴随矩阵法、矩阵分解法等。
- 应用：解线性方程组、求逆变换、矩阵分解与特征值问题。
深入学习建议：
- 掌握矩阵运算：熟练进行矩阵乘法、转置、逆矩阵的计算。
- 理解矩阵性质：深入理解矩阵乘法的性质及逆矩阵的相关定理。
- 练习例题：通过大量例题巩固理论知识，提升实际应用能力。
- 探索高级应用：学习矩阵分解（如LU分解、QR分解、SVD）及其在数据分析、机器学习等领域的应用。
- 编程实现：利用编程语言（如Python、MATLAB）实现矩阵乘法与逆矩阵的计算，提升计算效率与准确性。
通过系统的学习与实践，能够全面掌握矩阵乘法与逆矩阵的理论与应用，为解决复杂的线性代数问题奠定坚实的基础。
如果你对矩阵乘法与逆矩阵的具体步骤、定理证明或应用实例有更多疑问，欢迎随时提问！
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
