添加的内容 删除的内容
标签:回退 |
(// Edit via Wikiplus) |
||
(未显示另一用户的1个中间版本) | |||
第1行: | 第1行: | ||
{{NoteTA |
{{NoteTA |
||
|G1 = Math |
|G1 = Math |
||
|1 = zh-cn:线; zh-tw: |
|1 = zh-cn:线; zh-tw:線; zh-hk:綫; |
||
|2 = zh-cn:计算机; zh-sg:电脑; zh-tw: |
|2 = zh-cn:计算机; zh-sg:电脑; zh-tw:電腦; |
||
|3 = zh-cn:域; zh-tw: |
|3 = zh-cn:域; zh-tw:體; |
||
|4 = zh-hans:领域; zh-hant: |
|4 = zh-hans:领域; zh-hant:領域; |
||
|5 = zh-hans:区域; zh-hant: |
|5 = zh-hans:区域; zh-hant:區域; |
||
|6 = zh-cn:数乘; zh-tw: |
|6 = zh-cn:数乘; zh-tw:實數積; |
||
}} |
}} |
||
{{线性代数}} |
{{线性代数}} |
||
第42行: | 第42行: | ||
作为解決线性方程的工具,矩阵也有不短的历史。成书最迟在[[东汉]]前期的《[[九章算术]]》中,已经出现过以矩阵形式表示线性方程组系数以解方程的图例,可视为矩阵的雏形<ref>{{Harvard citations |last1=Shen |last2=Crossley |last3=Lun |year=1999 |nb=yes }}</ref>。矩阵正式作为数学中的研究对象出现,则是在[[行列式]]的研究发展起来后。逻辑上,矩阵的概念先于行列式,但在历史上则恰好相反。日本数学家[[关孝和]](1683年)与微积分的发现者之一[[戈特弗里德·威廉·莱布尼茨]](1693年)近乎同时独立建立了[[行列式|行列式论]]。其后行列式作为解线性方程组的工具逐步发展。1750年,[[加布里尔·克拉默]]发现了[[克莱姆法则]]<ref name="autogenerated2002">{{Harvard citations |last1=克莱因|year=2002 |nb=yes |loc=第33章第4节}}</ref>。 |
作为解決线性方程的工具,矩阵也有不短的历史。成书最迟在[[东汉]]前期的《[[九章算术]]》中,已经出现过以矩阵形式表示线性方程组系数以解方程的图例,可视为矩阵的雏形<ref>{{Harvard citations |last1=Shen |last2=Crossley |last3=Lun |year=1999 |nb=yes }}</ref>。矩阵正式作为数学中的研究对象出现,则是在[[行列式]]的研究发展起来后。逻辑上,矩阵的概念先于行列式,但在历史上则恰好相反。日本数学家[[关孝和]](1683年)与微积分的发现者之一[[戈特弗里德·威廉·莱布尼茨]](1693年)近乎同时独立建立了[[行列式|行列式论]]。其后行列式作为解线性方程组的工具逐步发展。1750年,[[加布里尔·克拉默]]发现了[[克莱姆法则]]<ref name="autogenerated2002">{{Harvard citations |last1=克莱因|year=2002 |nb=yes |loc=第33章第4节}}</ref>。 |
||
[[File:Arthur Cayley.jpg| |
[[File:Arthur Cayley.jpg|thumb|180px|阿瑟·凯莱被认为是矩阵论的奠基人]] |
||
进入十九世纪后,行列式的研究进一步发展,矩阵的概念也应运而生。[[奥古斯丁·路易·柯西]]是最早将行列式排成方阵并将其元素用双重下标表示的数学家。他还在1829年就在行列式的框架中证明了实对称矩阵特征根为实数的结论<ref>{{Harvard citations |last1=Hawkins |year=1975 |nb=yes }}</ref>。其后,[[詹姆斯·约瑟夫·西尔维斯特]]注意到,在作为行列式的计算形式以外,将数以行和列的形式作出的矩形排列本身也是值得研究的。在他希望引用数的矩形阵列而又不能用行列式来形容的时候,就用“matrix”一词来形容<ref name="autogenerated2002"/>。而在此之前,数学家已经开始将增广矩阵作为独立的对象引用了。西尔维斯特使用“matrix”一词是因为他希望讨论行列式的[[子式]],即将矩阵的某几行和某几列的共同元素取出来排成的矩阵的行列式,所以实际上“matrix”被他看做是生成各种子式的“母-{}-体”: |
进入十九世纪后,行列式的研究进一步发展,矩阵的概念也应运而生。[[奥古斯丁·路易·柯西]]是最早将行列式排成方阵并将其元素用双重下标表示的数学家。他还在1829年就在行列式的框架中证明了实对称矩阵特征根为实数的结论<ref>{{Harvard citations |last1=Hawkins |year=1975 |nb=yes }}</ref>。其后,[[詹姆斯·约瑟夫·西尔维斯特]]注意到,在作为行列式的计算形式以外,将数以行和列的形式作出的矩形排列本身也是值得研究的。在他希望引用数的矩形阵列而又不能用行列式来形容的时候,就用“matrix”一词来形容<ref name="autogenerated2002"/>。而在此之前,数学家已经开始将增广矩阵作为独立的对象引用了。西尔维斯特使用“matrix”一词是因为他希望讨论行列式的[[子式]],即将矩阵的某几行和某几列的共同元素取出来排成的矩阵的行列式,所以实际上“matrix”被他看做是生成各种子式的“母-{}-体”: |
||
{{quote|width=70% |
{{quote|width=70% |
||
第164行: | 第164行: | ||
== 矩阵乘法 == |
== 矩阵乘法 == |
||
{{main|矩阵乘法}} |
{{main|矩阵乘法}} |
||
[[File:Matrix multiplication diagram 2.svg| |
[[File:Matrix multiplication diagram 2.svg|thumb|239x239px|矩阵{{math|'''A'''}}和{{math|'''B'''}}相乘得到{{math|'''AB'''}}的示意图|替代=]] |
||
两个矩阵的乘法仅当第一个矩阵<math>\mathbf{A}</math>的-{zh-cn:列; zh-tw:行;}-数(column)和另一个矩阵<math>\mathbf{B}</math>的-{zh-cn:行; zh-tw:列;}-数(row)相等时才能定义。如<math>\mathbf{A}</math>是<math>m \times n</math>矩阵和<math>\mathbf{B}</math>是<math>n \times p</math>矩阵,它们的'''乘积'''<math>\mathbf{AB}</math>是一个<math>m \times p</math>矩阵,它的一个元素 |
两个矩阵的乘法仅当第一个矩阵<math>\mathbf{A}</math>的-{zh-cn:列; zh-tw:行;}-数(column)和另一个矩阵<math>\mathbf{B}</math>的-{zh-cn:行; zh-tw:列;}-数(row)相等时才能定义。如<math>\mathbf{A}</math>是<math>m \times n</math>矩阵和<math>\mathbf{B}</math>是<math>n \times p</math>矩阵,它们的'''乘积'''<math>\mathbf{AB}</math>是一个<math>m \times p</math>矩阵,它的一个元素 |
||
第350行: | 第350行: | ||
=== 行列式 === |
=== 行列式 === |
||
{{main|行列式}} |
{{main|行列式}} |
||
[[File:Determinant Example.png| |
[[File:Determinant Example.png|thumb|300px|{{math|'''R'''<sup>2</sup>}}{{里}}的一个线性变换f将蓝色图形变成绿色图形,面积不变,而顺时针排布的向量{{math|''x''}}1和{{math|''x''}}2的变成了逆时针排布。对应的矩阵行列式是-1.]] |
||
方块矩阵<math>\mathbf{A}</math>的行列式是一个将其映射到标量的函数,记作<math>\det(\mathbf{A})</math>或<math>\mathbf{|A|}</math>,反映了矩阵自身的一定特性。一个方阵的行列式等于0当且仅当该方阵不可逆。系数是实数的时候,二维(三维)方阵<math>\mathbf{A}</math>的行列式的[[绝对值]]表示单位面积(体积)的图形经过<math>\mathbf{A}</math>对应的线性变换后得到的图形的面积(体积),而它的正负则代表了对应的线性变换是否改变空间的定向:行列式为正说明它保持空间定向,行列式为负则说明它逆转空间定向。 |
方块矩阵<math>\mathbf{A}</math>的行列式是一个将其映射到标量的函数,记作<math>\det(\mathbf{A})</math>或<math>\mathbf{|A|}</math>,反映了矩阵自身的一定特性。一个方阵的行列式等于0当且仅当该方阵不可逆。系数是实数的时候,二维(三维)方阵<math>\mathbf{A}</math>的行列式的[[绝对值]]表示单位面积(体积)的图形经过<math>\mathbf{A}</math>对应的线性变换后得到的图形的面积(体积),而它的正负则代表了对应的线性变换是否改变空间的定向:行列式为正说明它保持空间定向,行列式为负则说明它逆转空间定向。 |
||
第427行: | 第427行: | ||
[[LU分解]]将矩阵分解为一个下三角矩阵<math>\mathbf{L}</math>和一个上三角矩阵<math>\mathbf{U}</math>的乘积<ref>{{Harvard citations |last1=Press |last2=Flannery |last3=Teukolsky |year=1992 |nb=yes }}</ref>。分解后的矩阵可以方便某些问题的解决。例如解线性方程组时,如果将系数矩阵<math>\mathbf{A}</math>分解成<math>\mathbf{A}=\mathbf{LU}</math>的形式,那么方程的求解可以分解为求解<math>\mathbf{Ly}=\mathbf{b}</math>和<math>\mathbf{Ux}=\mathbf{y}</math>两步,而后两个方程可以十分简洁地求解(详见[[三角矩阵]]中“向前与向后替换”一节)。又例如在求矩阵的行列式时,如果直接计算一个矩阵<math>\mathbf{A}</math>的行列式,需要计算大约<math>(n+1)!</math>次加法和乘法;而如果先对矩阵做<math>\mathbf{LU}</math>分解,再求行列式,就只需要大约<math>n^3</math>次加法和乘法,大大降低了计算次数。这是因为做<math>\mathbf{LU}</math>分解的复杂度大约是<math>n^3</math>次,而后注意到<math>\mathbf{L}</math>和<math>\mathbf{U}</math>是三角矩阵,所以求它们的行列式只需要将主对角线上元素相乘即可。 |
[[LU分解]]将矩阵分解为一个下三角矩阵<math>\mathbf{L}</math>和一个上三角矩阵<math>\mathbf{U}</math>的乘积<ref>{{Harvard citations |last1=Press |last2=Flannery |last3=Teukolsky |year=1992 |nb=yes }}</ref>。分解后的矩阵可以方便某些问题的解决。例如解线性方程组时,如果将系数矩阵<math>\mathbf{A}</math>分解成<math>\mathbf{A}=\mathbf{LU}</math>的形式,那么方程的求解可以分解为求解<math>\mathbf{Ly}=\mathbf{b}</math>和<math>\mathbf{Ux}=\mathbf{y}</math>两步,而后两个方程可以十分简洁地求解(详见[[三角矩阵]]中“向前与向后替换”一节)。又例如在求矩阵的行列式时,如果直接计算一个矩阵<math>\mathbf{A}</math>的行列式,需要计算大约<math>(n+1)!</math>次加法和乘法;而如果先对矩阵做<math>\mathbf{LU}</math>分解,再求行列式,就只需要大约<math>n^3</math>次加法和乘法,大大降低了计算次数。这是因为做<math>\mathbf{LU}</math>分解的复杂度大约是<math>n^3</math>次,而后注意到<math>\mathbf{L}</math>和<math>\mathbf{U}</math>是三角矩阵,所以求它们的行列式只需要将主对角线上元素相乘即可。 |
||
[[File:Jordan blocks.svg| |
[[File:Jordan blocks.svg|thumb|若尔当矩阵,其中灰色框内的是若尔当块]] |
||
高斯消去法也是一种矩阵分解方法。通过初等变换操作,可以将任何矩阵变为[[阶梯形矩阵]],而每个操作可以看做是将矩阵乘上一个特定的[[初等矩阵]]<ref>{{Harvard citations |last1=Stoer |last2=Bulirsch |year=2002 |nb=yes |loc=Section 4.1 }}</ref>。[[奇异值分解]]则是另一种分解方法,将一个矩阵表示成3个矩阵的乘积:<math>\mathbf{A}=\mathbf{UDV}</math>。其中<math>\mathbf{U}</math>和<math>\mathbf{V}</math>是[[酉矩阵]],<math>\mathbf{D}</math>是[[对角矩阵]]。 |
高斯消去法也是一种矩阵分解方法。通过初等变换操作,可以将任何矩阵变为[[阶梯形矩阵]],而每个操作可以看做是将矩阵乘上一个特定的[[初等矩阵]]<ref>{{Harvard citations |last1=Stoer |last2=Bulirsch |year=2002 |nb=yes |loc=Section 4.1 }}</ref>。[[奇异值分解]]则是另一种分解方法,将一个矩阵表示成3个矩阵的乘积:<math>\mathbf{A}=\mathbf{UDV}</math>。其中<math>\mathbf{U}</math>和<math>\mathbf{V}</math>是[[酉矩阵]],<math>\mathbf{D}</math>是[[对角矩阵]]。 |
||
第521行: | 第521行: | ||
=== 图论 === |
=== 图论 === |
||
[[File:Labelled undirected graph.svg|150px| |
[[File:Labelled undirected graph.svg|150px|thumb|一个无向图的邻接矩阵<math>\begin{bmatrix} |
||
1 & 1 & 0 \\ |
1 & 1 & 0 \\ |
||
1 & 0 & 1 \\ |
1 & 0 & 1 \\ |
||
第531行: | 第531行: | ||
在多元函数微积分学中,对二阶偏导数存在的函数<math>f:\mathbf{R}^n\rightarrow\mathbf{R}</math>,可以定义其[[海森矩阵]]<ref>{{Harvard citations |last1=Lang |year=1987a |nb=yes |loc=Ch. XVI.6 }}</ref>: |
在多元函数微积分学中,对二阶偏导数存在的函数<math>f:\mathbf{R}^n\rightarrow\mathbf{R}</math>,可以定义其[[海森矩阵]]<ref>{{Harvard citations |last1=Lang |year=1987a |nb=yes |loc=Ch. XVI.6 }}</ref>: |
||
:<math>H(f)(x) = \left[ \frac {\partial^2 f}{\partial x_i \, \partial x_j}(x) \right ]</math>。 |
:<math>H(f)(x) = \left[ \frac {\partial^2 f}{\partial x_i \, \partial x_j}(x) \right ]</math>。 |
||
[[File:Saddle point.png| |
[[File:Saddle point.png|left|thumb|<math>n=2</math>时,海森矩阵<math>\begin{bmatrix} |
||
2 & 0 \\ |
2 & 0 \\ |
||
0 & -2 |
0 & -2 |
||
第672行: | 第672行: | ||
; 历史 |
; 历史 |
||
* [http://www-groups.dcs.st-and.ac.uk/~history/HistTopics/Matrices_and_determinants.html MacTutor: Matrices and determinants] |
* [http://www-groups.dcs.st-and.ac.uk/~history/HistTopics/Matrices_and_determinants.html MacTutor: Matrices and determinants] |
||
* [http://www.economics.soton.ac.uk/staff/aldrich/matrices.htm Matrices and Linear Algebra on the Earliest Uses Pages] |
* [http://www.economics.soton.ac.uk/staff/aldrich/matrices.htm Matrices and Linear Algebra on the Earliest Uses Pages] |
||
* [http://jeff560.tripod.com/matrices.html Earliest Uses of Symbols for Matrices and Vectors] |
* [http://jeff560.tripod.com/matrices.html Earliest Uses of Symbols for Matrices and Vectors] |
||
; 在线书籍 |
; 在线书籍 |
||
第688行: | 第688行: | ||
* {{Citation |title=MacAnova |url=http://www.stat.umn.edu/macanova/macanova.home.html |last1=Oehlert |first1=Gary W. |last2=Bingham |first2=Christopher |publisher=[[明尼苏达大学|University of Minnesota]], School of Statistics |accessdate=2008-12-10 }}, a freeware package for matrix algebra and statistics |
* {{Citation |title=MacAnova |url=http://www.stat.umn.edu/macanova/macanova.home.html |last1=Oehlert |first1=Gary W. |last2=Bingham |first2=Christopher |publisher=[[明尼苏达大学|University of Minnesota]], School of Statistics |accessdate=2008-12-10 }}, a freeware package for matrix algebra and statistics |
||
* {{Citation |title=Online matrix calculator |url=http://www.idomaths.com/matrix.php |accessdate=2009-12-14 }} |
* {{Citation |title=Online matrix calculator |url=http://www.idomaths.com/matrix.php |accessdate=2009-12-14 }} |
||
* [http://www.elektro-energetika.cz/calculations/matreg.php?language=english Operation with matrices in R (determinant, track, inverse, adjoint, transpose)] |
* [http://www.elektro-energetika.cz/calculations/matreg.php?language=english Operation with matrices in R (determinant, track, inverse, adjoint, transpose)] |
||
{{线性代数的相关概念}} |
{{线性代数的相关概念}} |
||
{{FA|B1}} |
|||
[[Category:线性代数|J]] |
[[Category:线性代数|J]] |