2.4 矩阵的运算法则

矩阵是数字或 “元素” 的矩形阵列。当矩阵 $A$ 有 $m$ 行 $n$ 列，则是一个 $m\times n$ 的矩阵。如果矩阵的形状相同，则它们可以相加。矩阵也可以乘上任意常数 $c$。以下是 $A+B$ 和 $2A$ 的例子，它们都是 $3\times 2$ 的矩阵： [ 1 2 3 4 0 0 ]+ [ 2 2 4 4 9 9 ]= [ 3 4 7 8 9 9 ], 2 [ 1 2 3 4 0 0 ]= [ 2 4 6 8 0 0 ]\begin{bmatrix}1&2\\3&4\\0&0\end{bmatrix}+\begin{bmatrix}2&2\\4&4\\9&9\end{bmatrix}=\begin{bmatrix}3&4\\7&8\\9&9\end{bmatrix},\kern 10pt2\begin{bmatrix}1&2\\3&4\\0&0\end{bmatrix}=\begin{bmatrix}2&4\\6&8\\0&0\end{bmatrix} ​130​240​ ​+ ​249​249​ ​= ​379​489​ ​,2 ​130​240​ ​= ​260​480​ ​矩阵的加法和向量的加法一样，每次处理一个元素。我们也可以将列向量看成是只有一列的矩阵（$n=1$）。$-A$ 可以看成是 $c$ 乘矩阵 $A$（$c=-1$），它与 $A$ 中全部元素的符号都相反。$A$ 加上 $-A$ 是零矩阵，它的全部元素均为零。这些是基础知识，下面将考虑矩阵的乘法。

一、第一种方法：单个元素的计算

第 $i$ 行第 $j$ 列的元素记为 a i j a_{ij}aij​ 或 $A(i,j)$，第一行的 $n$ 个元素分别记为 a11, a12, ⋯  , a 1 n a_{11},a_{12},\cdots,a_{1n}a11​,a12​,⋯,a1n​。左下角的元素是 a m 1 a_{m1}am1​，右下角的元素是 a m n a_{mn}amn​。行的数字 $i$ 从 $1$ 到 $m$，列的数字 $j$ 从 $1$ 到 $n$。
若矩阵 $A$ 和 $B$ 可以相乘时，这里总共讨论 $4$ 种方法求 $AB$。矩阵 $A$ 和 $B$ 相乘需要满足如下条件：
$AB$ 可以相乘： 若 $A$ 有 $n$ 列，则 $B$ 必须由 $n$ 行
当 $A$ 是 $3\times 2$ 的矩阵时，$B$ 可以是 $2\times 1$（向量）、$2\times 2$（方阵）或 $2\times 20$ 的矩阵，必须是 $2$ 行，但是不可以是 $3\times 2$ 的矩阵。$A$ 乘数 $B$ 的每一列。 第一种矩阵相乘的方法是点积的方式，矩阵的乘法遵守以下法则：$$矩阵乘法的基础法则AB乘C等于A乘BC(\mathrm{2.4.1})$$括号可以在 $ABC$ 之间安全移动，$(AB)C=A(BC)$，线性代数也是基于这个法则。
假设 $A$ 是 $m\times n$ 的矩阵，$B$ 是 $n\times p$ 的矩阵，它们可以相乘，乘积 $AB$ 是 $m\times p$ 的矩阵。( m×n)×(n× p)=( m× p),[ m    rowsn    columns] [ n    rowsp   columns]= [ m    rowsp   columns](\pmb m\times n)\times(n\times \pmb p)=(\pmb m\times \pmb p),\kern 10pt\begin{bmatrix}\pmb{m\,\,\textrm{rows}}\\n\,\,columns\end{bmatrix}\begin{bmatrix}n\,\,rows\\\pmb{p\,\textrm{columns}}\end{bmatrix}=\begin{bmatrix}\pmb{m\,\,\textrm{rows}}\\\pmb{p\,\textrm{columns}}\end{bmatrix} (m×n)×(n×p)=(m×p),[mrowsncolumns​][nrowspcolumns​]=[mrowspcolumns​]一行乘一列是一种极端的情况，$1\times n$ 乘 $n\times 1$ 的结果是 $1\times 1$，这个数字就是点积。
任何情况下 $AB$ 中的元素都是点积，$AB$ 左上角的元素 $(1,1)$ 是 $(A的行1)\cdot (B的列1)$。这就是第一种计算方法，是矩阵乘法常用的方法。计算 $A$ 的每一行和 $B$ 的每一列的点积。$$1.AB的行i列j元素是(A的行i)\cdot (B的列j)$$Figure 2.8 是 $4\times 5$ 矩阵 $A$ 的第二行 $(i=2)$，$5\times 6$ 矩阵 $B$ 的第三列 $(j=3)$，它们的点积在 $AB$ 的行 $2$ 列 $3$。矩阵 $AB$ 的行数与 $A$ ($4$ 行)相同，列数与 $B$（$6$ 列）相同。

【例1】当且仅当方阵（Square matrices）的大小相同时，它们才可以相乘： [ 112 −1] [ 2 2 3 4 ]= [ 5 6 1 0 ]\begin{bmatrix}1&\kern 7pt1\\2&-1\end{bmatrix}\begin{bmatrix}2&2\\3&4\end{bmatrix}=\begin{bmatrix}5&6\\1&0\end{bmatrix} [12​1−1​][23​24​]=[51​60​]第一个点积是 $1\cdot 2+1\cdot 3=5$，其它三个点积可以通过同样的方法计算。每个点积需要两次乘法，总共是 $8$ 次。
如果 $A$ 和 $B$ 都是 $n\times n$ 的方阵，则 $AB$ 也是 $n\times n$ 的方阵，它包含 n2 n^2n2 次点积，即 $A$ 的行数乘 $B$ 的列数。每一个点积需要 $n$ 次乘法，所以计算 $AB$ 总共需要 n3 n^3n3 次乘法。当 $n=100$ 时，需要 10 03= 1000000100^3=10000001003=1000000 次乘法；当 $n=2$ 时，需要 23= 82^3=823=8 次乘法。
目前有人找到只需要 $7$ 次（会有额外的加法）的方法。但是比较难以处理，所以目前仍认为正常的科学计算需要 n3 n^3n3 次。

【例2】假设 $A$ 是一个行向量（$1\times 3$），$B$ 是一个列向量（$3\times 1$），则 $AB$ 是 $1\times 1$（仅有一个点积，一个元素）。若反过来相乘，$BA$（一列乘一行）则会得到一个完整的 $3\times 3$ 矩阵，这样的乘法也是允许的！列乘行 ( n × 1 ) ( 1 × n ) = ( n × n )[ 0 1 2 ] [ 1 2 3 ]= [ 0 0 0 1 2 3 2 4 6 ]\begin{matrix}列乘行\\(n\times1)(1\times n)=(n\times n)\end{matrix}\kern 10pt\begin{bmatrix}0\\1\\2\end{bmatrix}\begin{bmatrix}1&2&3\end{bmatrix}=\begin{bmatrix}0&0&0\\1&2&3\\2&4&6\end{bmatrix} 列乘行(n×1)(1×n)=(n×n)​ ​012​ ​[1​2​3​]= ​012​024​036​ ​一行乘一列是内积（inner product），这是点积的另一个名称。一列乘一行是外积（outer product）。这是一些矩阵乘法的极端情况。

二、第二和第三种方法：行和列

在大图（big picture）中，$A$ 乘 $B$ 的每一列，结果是 $AB$ 的一列，该列是 $A$ 列的组合。$AB$ 的每一列都是 $A$ 列的线性组合。这是矩阵乘法的列图像：2. 矩阵   A   乘   B   的每一列 A[ b 1⋯  b p]=[A b 1⋯   A b p]2.\kern 8pt矩阵\,A\,乘\,B\,的每一列\kern 10ptA[b_1\cdots\, b_p]=[Ab_1\cdots\,Ab_p] 2.矩阵A乘B的每一列A[b1​⋯bp​]=[Ab1​⋯Abp​]行图像则相反，$A$ 的每一行乘整个矩阵 $B$ 是 $AB$ 的一行。$AB$ 的每一行都是 $B$ 行的线性组合：3. A   的每一行乘矩阵   B [A   的行   i] [ 1 2 3 4 5 6 7 8 9 ]=[AB   的行   i]3.\kern 8ptA\,的每一行乘矩阵\,B\kern 10pt[A\,的行\,i]\begin{bmatrix}1&2&3\\4&5&6\\7&8&9\end{bmatrix}=[AB\,的行\,i] 3.A的每一行乘矩阵B[A的行i] ​147​258​369​ ​=[AB的行i]消元法中用到的是行运算（$E乘A$）， A A − 1 AA^{-1}AA−1 中用到的是列运算。“行-列图像” 有行与列的点积，手算矩阵时经常使用点积：有 $mnp$ 次乘法/加法 步骤。$$AB=(m\times n)(n\times p)=(m\times p),+mp次点积，每次点积需要n个步骤(\mathrm{2.4.2})$$

三、第四种方法：列乘行

矩阵的第四种乘法是列乘行，然后将其相加：$$4.A的列1至列n，乘B的行1至行n，将全部矩阵相加$$$A$ 的列 $1$ 乘 $B$ 的行 $1$，$A$ 的列 $2,3$ 乘 $B$ 的行 $2,3$，然后相加： [ col   1 col  2 col  3⋅⋅⋅⋅⋅⋅] [row  1⋯ row  2⋯ row  3⋯]= ( col   1) ( row   1) + (col   2)(row   2)+(col   3)(row   3) \begin{bmatrix}\pmb{\textrm{col}\,1}&\pmb{\textrm{col\,2}}&\pmb{\textrm{col\,3}}\\\pmb \cdot&\pmb\cdot&\pmb\cdot\\ \pmb\cdot&\pmb\cdot&\pmb\cdot\end{bmatrix}\begin{bmatrix}\pmb{\textrm{row\,1}}&\pmb\cdots&\\\pmb{\textrm{row\,2}}&\pmb\cdots\\\pmb{\textrm{row\,3}}&\pmb\cdots\end{bmatrix}=\pmb{(\textrm {col\,1})(\textrm{row\,1})+\textrm{(col\,2)(row\,2)+(col\,3)(row\,3)}} ​col1⋅⋅​col2⋅⋅​col3⋅⋅​ ​ ​row1row2row3​⋯⋯⋯​ ​=(col1)(row1)+(col2)(row2)+(col3)(row3)当 $A$ 和 $B$ 均是 $2\times 2$ 的矩阵时AB= [ ab cd ] [ EFG H ]= [a E+bG a F+bH c E+dG c F+dH]AB=\begin{bmatrix}\pmb a&b\\\pmb c&d\end{bmatrix}\begin{bmatrix}\pmb E&\pmb F\\G&H\end{bmatrix}=\begin{bmatrix}\pmb{aE}+bG&\pmb{aF}+bH\\\pmb{cE}+dG&\pmb{cF}+dH\end{bmatrix} AB=[ac​bd​][EG​FH​]=[aE+bGcE+dG​aF+bHcF+dH​]A   的列乘   B   的行，再相加 AB= [ ac] [ EF]+ [ b d ] [ G H ] (2.4.3)A\,的列乘\,B\, 的行，再相加\kern 10ptAB=\begin{bmatrix}\pmb a\\\pmb c\end{bmatrix}\begin{bmatrix}\pmb E&\pmb F\end{bmatrix}+\begin{bmatrix}b\\d\end{bmatrix}\begin{bmatrix}G&H\end{bmatrix}\kern 6pt(2.4.3) A的列乘B的行，再相加AB=[ac​][E​F​]+[bd​][G​H​](2.4.3)$A$ 的列 $k$ 乘 $B$ 的行 $k$ 得到一个矩阵，令 $k=1,2,\cdots ,n$，然后将所有的矩阵相加得到 $AB$。
如果 $AB$ 是 $(m\times n)(n\times p)$，则 $n$ 个矩阵都是列与行相乘的 $m\times p$ 矩阵。该方法同样需要 $mnp$ 次乘法，只是顺序不同。

四、矩阵运算法则

矩阵运算遵循以下六个法则，还有一个法则是不正确的。矩阵可以是方形的也可以是矩形的。下面是三个加法法则： A+B=B+A(交换律  commutative   law)c(A+B)=cA+cB (分配律  distributive   law)A+(B+C)=(A+B)+C(结合律  associative   law)\begin{matrix}\kern20ptA+B=B+A\kern 17pt&\kern 10pt(交换律\,\textrm{commutative\,\,law})\\c(A+B)=cA+cB&\kern 3pt(分配律\,\textrm{distributive\,\,law})\\A+(B+C)=(A+B)+C&(结合律\,\textrm{associative\,\,law})\end{matrix} A+B=B+Ac(A+B)=cA+cBA+(B+C)=(A+B)+C​(交换律commutativelaw)(分配律distributivelaw)(结合律associativelaw)​另外三个法则是乘法法则，注意 $AB=BA$ 通常来说都是错误的：AB≠BA (交换律通常不成立)A(B+C)=AB+AC(左分配律)(A+B)C=AC+BC(右分配律)A(BC)=A(BC) (ABC的结合律)(不需要括号)\begin{matrix}AB\neq BA&\kern 40pt(交换律通常不成立)\\A(B+C)=AB+AC&(左分配律)\\(A+B)C=AC+BC&(右分配律)\\A(BC)=A(BC)&\kern 81pt(ABC的结合律)(不需要括号)\end{matrix} AB=BAA(B+C)=AB+AC(A+B)C=AC+BCA(BC)=A(BC)​(交换律通常不成立)(左分配律)(右分配律)(ABC的结合律)(不需要括号)​当 $A$ 和 $B$ 不是方阵时，$AB$ 和 $BA$ 的大小不同，也不可能相等（假设可以相乘）。对于方阵，绝大部分情况都有 $AB\ne BA$：AB= [ 0 0 1 0 ] [ 0 1 0 0 ]= [ 0 0 0 1 ],   但是   BA= [ 0 1 0 0 ] [ 0 0 1 0 ]= [ 1 0 0 0 ]AB=\begin{bmatrix}0&0\\1&0\end{bmatrix}\begin{bmatrix}0&1\\0&0\end{bmatrix}=\begin{bmatrix}0&0\\0&1\end{bmatrix},\,但是\,BA=\begin{bmatrix}0&1\\0&0\end{bmatrix}\begin{bmatrix}0&0\\1&0\end{bmatrix}=\begin{bmatrix}1&0\\0&0\end{bmatrix} AB=[01​00​][00​10​]=[00​01​],但是BA=[00​10​][01​00​]=[10​00​]$AI=IA$ 是成立的，所有的方阵与 $I$ 相乘都满足交换律，与 $cI$ 也一样。只有这些矩阵的乘法顺序才可交换。
法则 $A(B+C)=AB+AC$ 可以一次证明一列。对于第一列 $A(\mathbf{b}+\mathbf{c})=A\mathbf{b}+A\mathbf{c}$，这个是所有事情的关键 —— 线性。
法则 $A(BC)=(AB)C$ 表示可以先乘 $BC$ 也可以先乘 $AB$，这个法则很有用，是矩阵乘法的关键。
当 $A=B=C$ 且为方阵时，$(A$ 乘 A2)A^2)A2) 等于 ( A2 (A^2(A2 乘 $A)$。它们的乘积都是 A3 A^3A3。矩阵的幂 Ap A^pAp 和数字的运算法则一致： A p=AAA⋯A   (p   个因子) ( A p)( A q)= A p+q( A p ) q= A pq A^p=AAA\cdots A\,(p\,个因子)\kern 8pt(A^p)(A^q)=A^{p+q}\kern 8pt(A^p)^q=A^{pq} Ap=AAA⋯A(p个因子)(Ap)(Aq)=Ap+q(Ap)q=Apq这是指数的一般法则， A3 A^3A3 乘 A4 A^4A4 是 A7 A^7A7， A3 A^3A3 的 $4$ 次方是 A12 A^{12}A12。当 $p$ 和 $q$ 是零或负数时，这个法则任然成立。假设 $A$ 有 $-1$ 次方 —— 逆矩阵 A − 1 A^{-1}A−1。 A0= IA^0=IA0=I 是单位矩阵，类似 20= 12^0=120=1。
对于数字 a − 1= 1 / aa^{-1}=1/aa−1=1/a，对矩阵来说逆矩阵写成 A − 1 A^{-1}A−1（不是 $I/A$，除了MATLAB）。除了 $a=0$ 以外的数都有倒数，但是对于矩阵 $A$ 有没有逆矩阵是线性代数的核心问题。

五、分块矩阵与分块乘法

矩阵可以被分割成块（blocks，小一些的矩阵）。下面是一个 $4\times 6$ 的矩阵，分割成 $2\times 2$ 的块，本例中每个块都是单位矩阵 $I$： 4 × 6  的矩阵分成 2 × 2  的分块矩阵 得到  2 × 3  个分块矩阵 A= [ 1 0 1 0 1 0 0 1 0 1 0 1 1 0 1 0 1 0 0 1 0 1 0 1 ]= [ I I I I I I ]\begin{matrix}4\times6\,的矩阵分成\\2\times2\,的分块矩阵\\\kern 20pt得到\,2\times3\,个分块矩阵\end{matrix}\kern 15ptA=\left[\begin{array}{cc|cc|cc}1&0&1&0&1&0\\0&1&0&1&0&1\\\hline1&0&1&0&1&0\\0&1&0&1&0&1\end{array}\right]=\begin{bmatrix}I&I&I\\I&I&I\end{bmatrix} 4×6的矩阵分成2×2的分块矩阵得到2×3个分块矩阵​A= ​1010​0101​1010​0101​1010​0101​​ ​=[II​II​II​]如果 $B$ 也是 $4\times 6$ 的矩阵，且大小匹配，则可以对 $A+B$ 匹配的方块相加。
将 $\mathbf{b}$ 放在 $A$ 旁边就变成增广矩阵， [ A b ]\begin{bmatrix}A&\boldsymbol b\end{bmatrix}[A​b​] 有两个大小不一样的方块，这也是分块矩阵，左乘上消元矩阵得到 [ EAEb]\begin{bmatrix}EA&E\boldsymbol b\end{bmatrix}[EA​Eb​]。只要形状匹配，那么分块相乘就没有问题。 分块乘法:如果   A   的分块可以乘   B   的分块，那么   AB   就可以分块相乘。A   的列分割必须和   B   的行分割相匹配。[ A11A12A21A22] [ B11B21]= [A 11 B 11+ A 12 B 21 A 21 B 11+ A 22 B 21] (2.4.4)\pmb{分块乘法}:如果\,A\,的分块可以乘\,B\,的分块，那么\,AB\,就可以分块相乘。A\,的列分割必须和\,B\,的行分割相匹配。\\\begin{bmatrix}A_{11}&A_{12}\\A_{21}&A_{22}\end{bmatrix}\begin{bmatrix}B_{11}\\B_{21}\end{bmatrix}=\begin{bmatrix}A_{11}B_{11}+A_{12}B_{21}\\A_{21}B_{11}+A_{22}B_{21}\end{bmatrix}\kern 15pt(2.4.4) 分块乘法:如果A的分块可以乘B的分块，那么AB就可以分块相乘。A的列分割必须和B的行分割相匹配。[A11​A21​​A12​A22​​][B11​B21​​]=[A11​B11​+A12​B21​A21​B11​+A22​B21​​](2.4.4)若每个分块都是数字（$1\times 1$ 的矩阵），这种特殊情况就是矩阵的乘法，它们是一致的。上式所有的 $A$ 都要放在 $B$ 之前，因为 $AB$ 与 $BA$ 是不同的。
重点： 当对矩阵进行分块时，经常更容易看出它们如何作用的。如上例中分块矩阵是单位矩阵 $I$ 就比原来的 $4\times 6$ 的矩阵更清晰。

【例3】（重要的特殊情况）将矩阵 $A$ 每列分成一块，共 $n$ 列，矩阵 $B$ 每行分成一块，共 $n$ 行，则 $AB$ 的分块乘法就是列乘行相加： 列乘行[ ∣ ∣ a1⋯ an∣ ∣ ] [ − b1− ⋯ − bn− ]= [a 1 b 1+⋯+ a n b n] (2.4.5)\pmb{列乘行}\kern 10pt\begin{bmatrix}|& &|\\a_1&\cdots&a_n\\|& &|\end{bmatrix}\begin{bmatrix}-&b_1&-\\&\cdots\\-&b_n&-\end{bmatrix}=\begin{bmatrix}a_1b_1+\cdots+a_nb_n\end{bmatrix}\kern 15pt(2.4.5) 列乘行 ​∣a1​∣​⋯​∣an​∣​ ​ ​−−​b1​⋯bn​​−−​ ​=[a1​b1​+⋯+an​bn​​](2.4.5)这就是第四种矩阵乘法。下面是具体的例子： [ 1 4 1 5 ] [ 3 2 1 0 ]= [ 1 1 ] [ 3 2 ]+ [ 4 5 ] [ 1 0 ]= [ 3 2 3 2 ]+ [ 4 0 5 0 ]= [ 7 2 8 2 ]\begin{bmatrix}1&4\\1&5\end{bmatrix}\begin{bmatrix}3&2\\1&0\end{bmatrix}=\begin{bmatrix}1\\1\end{bmatrix}\begin{bmatrix}3&2\end{bmatrix}+\begin{bmatrix}4\\5\end{bmatrix}\begin{bmatrix}1&0\end{bmatrix}=\begin{bmatrix}3&2\\3&2\end{bmatrix}+\begin{bmatrix}4&0\\5&0\end{bmatrix}=\begin{bmatrix}7&2\\8&2\end{bmatrix} [11​45​][31​20​]=[11​][3​2​]+[45​][1​0​]=[33​22​]+[45​00​]=[78​22​]总结：通常使用行乘列求矩阵的乘积，要 $4$ 个点积（$8$ 次乘法）。列乘行得到两个完整的矩阵（同样是 $8$ 次乘法）。

【例4】（用分块消元）假设 $A$ 的第一列是 $1,3,4$，要将 $3,4$ 变成 $0,0$，需要减去主元行的 $3$ 倍和 $4$ 倍。这些行运算就是消元矩阵 E21 E_{21}E21​、 E32 E_{32}E32​： E 21= [10 0 −31 000 1 ],E 31= [10 001 0 −40 1 ]E_{21}=\begin{bmatrix}\kern 7pt1&0&0\\-3&1&0\\\kern 7pt0&0&1\end{bmatrix},\kern 5ptE_{31}=\begin{bmatrix}\kern 7pt1&0&0\\\kern 7pt0&1&0\\-4&0&1\end{bmatrix} E21​= ​1−30​010​001​ ​,E31​= ​10−4​010​001​ ​分块的思想就是用一个矩阵矩阵 $E$ 完成上面的两次消元，该矩阵将第一列的主元 $a=1$ 下面的数字全部变成 $0$：E= [ 10 0 −31 0 −40 1 ]乘 [ 1x x 3x x 4x x ]得到 [ 1x x 0y y 0z z ]E=\begin{bmatrix}\kern 7pt\pmb1&0&0\\\pmb{-3}&1&0\\\pmb{-4}&0&1\end{bmatrix}乘\begin{bmatrix}\pmb1&x&x\\\pmb3&x&x\\\pmb4&x&x\end{bmatrix}得到\begin{bmatrix}\pmb1&x&x\\\pmb0&y&y\\\pmb0&z&z\end{bmatrix} E= ​1−3−4​010​001​ ​乘 ​134​xxx​xxx​ ​得到 ​100​xyz​xyz​ ​使用逆矩阵，分块矩阵 $E$ 可以对整个列消元（将被消元部分看成一块）。假设矩阵有 $4$ 块 $A,B,C,D$，通过分块消去 $C$： 分块消元[ I 0 −C A −1 I ] [ A B C D ]= [ A B 0 D−C A −1 B] (2.4.6)\pmb{分块消元}\kern 10pt\left[\begin{array}{c|c}I&0\\\hline-CA^{-1}&I\end{array}\right]\left[\begin{array}{c|c}A&B\\\hline C&D\end{array}\right]=\left[\begin{array}{c|c}A&B\\\hline0&D-CA^{-1}B\end{array}\right]\kern 15pt(2.4.6) 分块消元[I−CA−1​0I​​][AC​BD​​]=[A0​BD−CA−1B​​](2.4.6)消元法从第二行减去第一行 [ A B ]\begin{bmatrix}A&B\end{bmatrix}[A​B​] 左乘 C A − 1 CA^{-1}CA−1（以前是 $c/a$），使得块 $C$ 变为了 $0$ 块，块 $D$ 变为 S = D − C A − 1BS=D-CA^{-1}BS=D−CA−1B 。
分块消元是一次处理一列，主元方块是 $A$，最后的方块是 D − C A − 1BD-CA^{-1}BD−CA−1B，如同 $d-cb/a$，这个称为舒尔补（Schur complement）。

六、主要内容总结

1. $AB$ 的 $(i,j)$ 元素是 $(A的行i)\cdot (B的列j)$。
2. $m\times n$ 的矩阵乘 $n\times p$ 的矩阵会有 $mnp$ 次乘法。
3. $A$ 乘 $BC$ 等于 $AB$ 乘 $C$（非常重要）。
4. $AB$ 也是这 $n$ 个矩阵的和：$(A的列j)\cdot (B的行j)$。
5. 当分块矩阵的形状能正确匹配时，就可以使用分块乘法。
6. 分块消元会产生舒尔补  D−C A −1 B\,D-CA^{-1}B D−CA−1B。

七、例题

【例5】一个图形（或网络）有 $n$ 个节点。它的邻接矩阵（adjacency matrix）$S$ 是 $n\times n$。它是一个 $0-1$ 矩阵，当节点 $i$ 与 节点 $j$ 有边相连时 S i j= 1S_{ij}=1Sij​=1。

$$无向图的邻接矩阵是方阵且对称，边的两个方向均可以行走$$矩阵 S2 S^2S2 有一个很有用的解释， S i j2 S^2_{ij}Sij2​ 是节点 $i$ 与节点 $j$ 之间长度为 $2$ 的路径的个数。上图中节点 $2$ 与节点 $3$ 之间长度为 $2$ 的路径有两个：经过 $1$ 的路径 $2-1-3$，经过 $4$ 的路径 $2-4-3$。节点 $1$ 到节点 $1$ 长度为 $2$ 的路径也是 $2$ 个：$1-2-1$ 和 $1-3-1$。 S 2= [ 21 1 2 1 3 21 1 2 3 1 2 1 1 2 ],S 3= [ 2 55 2 5 4 5 5 5 5 4 5 2 5 5 2 ]S^2=\begin{bmatrix}\pmb 2&1&1&2\\1&3&\pmb 2&1\\1&2&3&1\\2&1&1&2\end{bmatrix},\kern 10ptS^3=\begin{bmatrix}2&\pmb 5&5&2\\5&4&5&5\\5&5&4&5\\2&5&5&2\end{bmatrix} S2= ​2112​1321​1231​2112​ ​,S3= ​2552​5455​5545​2552​ ​你可以找到 $5$ 条节点 $1$ 到节点 $2$ 长度为 $3$ 的路径吗？
共 $5$ 条：$1-2-1-2,1-2-3-2,1-2-4-2,1-3-1-2,1-3-4-2$。
为什么 SN S^{N}SN 可以计算出两个节点之间长度为 $N$ 的所有路径数呢？我们从 S2 S^2S2 开始看某一元素的点积：( S 2 ) ij =(S的行   i)⋅(S的列   j)= S i1S 1j + S i2S 2j + S i3S 3j + S i4S 4j(2.4.7)(S^2)_{ij}=(S的行\,i)\cdot(S的列\,j)=S_{i1}S_{1j}+S_{i2}S_{2j}+S_{i3}S_{3j}+S_{i4}S_{4j}\kern 20pt(2.4.7) (S2)ij​=(S的行i)⋅(S的列j)=Si1​S1j​+Si2​S2j​+Si3​S3j​+Si4​S4j​(2.4.7)若存在两步的路径 $i\to 1\to j$，第一个乘法得到 S i 1S 1 j= ( 1 ) ( 1 ) = 1S_{i1}S_{1j}=(1)(1)=1Si1​S1j​=(1)(1)=1，若不存在 $i\to 1\to j$ 的路径，那么要么 $i\to 1$ 不存在，要么就是 $1\to j$ 不存在，此时 S i 1S 1 j= 0S_{i1}S_{1j}=0Si1​S1j​=0。
( S2) i j (S^2)_{ij}(S2)ij​ 会将所有的两步路径 $i\to k\to j$ 的个数累加起来，得到总路径数。同样， S N − 1SS^{N-1}SSN−1S 会计算 $N$ 步路径数， S N − 1 S^{N-1}SN−1 表示从 $i$ 到 $k$ 的 $(N-1)$ 步的路径数，$S$ 表示从 $k$ 到 $j$ 的那一步路径数。矩阵乘法非常适合计算图形的路径，也可以看成公司内员工之间同相的频道个数。

【例6】下面有三个矩阵，什么时候 $AB=BA$ ？什么时候 $BC=CB$ ？什么时候 $A(BC)=(AB)C$ ？给出矩阵元素 $p,q,r,z$ 要满足的条件。A= [ p 0 q r ], B= [ 1 1 0 1 ], C= [ 0 z 0 0 ]A=\begin{bmatrix}p&0\\q&r\end{bmatrix},\kern 5ptB=\begin{bmatrix}1&1\\0&1\end{bmatrix},\kern 5ptC=\begin{bmatrix}0&z\\0&0\end{bmatrix} A=[pq​0r​],B=[10​11​],C=[00​z0​]如果 $p,q,r,1,z$ 都是 $4\times 4$ 的块而不是数字，答案还一样吗？
解： 首先，$A(BC)=(AB)C$ 是永远正确的，该等式中括号并不需要，但是矩阵的顺序不能变。
通常情况下 $AB\ne BA$AB= [ p p q q+r], BA= [ p+qr q r ]AB=\begin{bmatrix}p&p\\q&q+r\end{bmatrix},\kern 5ptBA=\begin{bmatrix}p+q&r\\q&r\end{bmatrix} AB=[pq​pq+r​],BA=[p+qq​rr​]若要求 $AB=BA$，则需要满足 $q=0,p=r$。
$BC=CB$ 是一个巧合：BC= [ 0 z 0 0 ], CB= [ 0 z 0 0 ]BC=\begin{bmatrix}0&z\\0&0\end{bmatrix},\kern 5ptCB=\begin{bmatrix}0&z\\0&0\end{bmatrix} BC=[00​z0​],CB=[00​z0​]若 $p,q,r,z$ 均是 $4\times 4$ 的块，$1$ 变为 $I$，那么所有所有的乘积也是一样的，所有答案也一样。