矩阵的几公式(矩阵常用公式)

矩阵的核心公式体系：从基础运算到高级应用

矩阵（Matrix）作为线性代数的基石，不仅是数学理论中的抽象对象，更是计算机科学、物理学、经济学以及机器学习等领域的核心工具。掌握矩阵的几组关键公式，意味着掌握了处理高维数据、解构线性方程组以及进行空间变换的钥匙。 本文将系统地梳理矩阵最核心的几类公式，涵盖基础运算、逆矩阵、行列式、特征值分解以及广义逆矩阵，帮助读者构建清晰的矩阵知识图谱。

一、 基础运算公式：矩阵的“加减乘除”

矩阵运算不同于标量运算，其规则更为严格且富有几何意义。

1. 加法与数乘

若 和 为同型矩阵（）， 为标量： 注：矩阵加法满足交换律和结合律，数乘满足分配律。

2. 矩阵乘法

若 为 矩阵， 为 矩阵，则乘积 为 矩阵： 关键点：

• 维度匹配：前一个矩阵的列数必须等于后一个矩阵的行数。
• 非交换性：一般情况下，。甚至当 有定义时， 可能无定义，或维度不同。

3. 转置运算

矩阵 的转置记为 ，满足： 重要性质： 注：转置时，乘积的顺序必须颠倒，这是初学者常犯的错误。

二、 逆矩阵与伴随矩阵：矩阵的“除法”

并非所有矩阵都有逆矩阵。只有方阵且行列式不为零（即满秩、非奇异）的矩阵才存在逆矩阵。

1. 逆矩阵定义

若存在矩阵 使得： 其中 为单位矩阵。

2. 伴随矩阵法求逆

对于 阶方阵 ，其逆矩阵可通过伴随矩阵 求得： 其中：

• 是矩阵 的行列式。
• 是 的伴随矩阵，其元素 是 中元素 的代数余子式。

3. 逆矩阵的性质

• （注意顺序再次颠倒）
• （）

三、 行列式公式：判断可逆性与体积缩放

行列式是一个标量，它反映了线性变换对空间体积的缩放比例，也是判断矩阵是否可逆的关键。

1. 拉普拉斯展开（Laplace Expansion）

按第 行展开： 其中 是去掉第 行和第 列后的子矩阵的行列式（余子式）。

2. 基本性质

• 若 可逆，则
• 若 是上三角或下三角矩阵，则 等于主对角线元素之积。

3. 重要恒等式

对于 阶方阵 ：

四、 特征值与特征向量：矩阵的“内在结构”

特征分解是理解矩阵行为的最强大工具之一，广泛应用于主成分分析（PCA）、振动分析等领域。

1. 定义

若存在标量 和非零向量 ，使得： 则 称为特征值， 称为对应的特征向量。

2. 特征方程

特征值 是特征多项式的根： 这是一个关于 的 次方程，必有 个复数根（计重数）。

3. 迹与行列式的关系

• 迹（Trace）：矩阵主对角线元素之和，。
• 关系式：

4. 特征分解（Diagonalization）

若 有 个线性无关的特征向量，则可分解为： 其中：

• 是由特征向量组成的矩阵。
• 是由特征值组成的对角矩阵。
• 由此可得矩阵的幂：，极大简化了高次幂计算。

五、 广义逆矩阵（Moore-Penrose 伪逆）：处理非方阵与奇异矩阵

在实际应用中（如最小二乘法），矩阵往往不是方阵或不可逆。此时需使用广义逆矩阵 。

1. 定义条件

矩阵 是 的 Moore-Penrose 伪逆，当且仅当满足以下四个条件： 1. 2. 3. 4.

2. 最小二乘解公式

对于线性方程组 ，若 列满秩，则最小二乘解为： 更通用地，无论 是否满秩，最小范数最小二乘解可表示为：

3. SVD 分解求伪逆

通过奇异值分解（SVD），伪逆可高效计算为： 其中 是将 中非零奇异值取倒数后转置得到的矩阵。

六、 结语：公式背后的直观理解

矩阵公式并非孤立的符号游戏，它们背后蕴含着深刻的几何与物理意义：

• 基础运算：描述了向量空间的线性组合与变换。
• 逆矩阵：代表了变换的可逆性，即信息是否无损。
• 行列式：衡量了变换对空间体积的扭曲程度。
• 特征值：揭示了矩阵作用下的“主轴”方向，即哪些方向在变换中仅发生伸缩而不旋转。
• 伪逆：提供了在信息缺失或冗余情况下的最优近似解。

掌握这些核心公式，不仅有助于解决线性代数习题，更是深入理解机器学习算法（如线性回归、神经网络反向传播）、信号处理和控制理论的必要前提。建议在学习过程中，结合几何直观与编程实现（如使用 NumPy 或 MATLAB）进行验证，以达到融会贯通的效果。