Matrix Equation

矩阵方程

       矩阵方程与线性方程组，向量方程的关系密切，且在解决实际问题时它们经常会发生相互转化，因此学习矩阵方程时最好结合线性方程组，向量方程一起考虑。

1.1 线性方程组

$$\begin{array}{r}{a}_1{x}_1+a_2{x}_2+a_3{x}_3=b_1\\ a_4{x}_1+a_5{x}_2+a_6{x}_3=b_2\\ a_7{x}_1+a_8{x}_2+a_9{x}_3=b_3\end{array}\text{\hspace{1em}(1.1)}$$

1. 定义
          形如 $a_1{x}_1+a_2{x}_2+\cdots +a_n{x}_n=b$ 的方程称为线性方程，其中 $b$ 与 $a_1,a_2,\dots ,a_n$ 是实数或复数，通常为已知数。
          线性方程组由一个或几个包含相同变量的线性方程组成的。

2. 求解方法
          使用行化简算法，先将线性方程组变为增广矩阵，然后利用行初等变换将其转化为简化阶梯形，进而求解变量。

3. 重要定理
          当线性方程组的增广矩阵的最右列非主元列时，线性方程组有解即线性方程组相容。

1.2 向量方程

       将线性方程组（1.1）中的系数用向量表示为如下形式：
$$\begin{gathered} x_1{\mathbf{a}}_1+x_2{\mathbf{a}}_2+x_3{\mathbf{a}}_3=\mathbf{b} \\ {\mathbf{a}}_1=(a_1,a_4,a_7) \\ {\mathbf{a}}_2=(a_2,a_5,a_8) \\ {\mathbf{a}}_3=(a_3,a_6,a_9) \\ \mathbf{b}=(b_1,b_2,b_3) \end{gathered}$$

1. 重要定理
          仅含一列的矩阵称为列向量，或简称向量；
          向量方程 $x_1{\mathbf{a}}_1+x_2{\mathbf{a}}_2+x{}_3{\mathbf{a}}_3=\mathbf{b}$ 与增广矩阵为$\left[\begin{array}{cccc}{\mathbf{a}}_1& {\mathbf{a}}_2& {\mathbf{a}}_3& \mathbf{b}\end{array}\right]$
   的线性方程组有相同的结集。

2. 求解方法
          转换为增广矩阵，同样利用行化简算法求解。

1.3 矩阵方程

       向量的线性组合可视为矩阵与向量的乘积，线性方程组（1.1）用矩阵表示为如下形式：
$$\begin{gathered} A\mathbf{x}=\mathbf{b} \\ \mathbf{x}=(x_1,x_2,x_3) \\ \mathbf{b}=(b_1,b_2,b_3) \\ A=\left[\begin{array}{ccc}{a}_1& a_2& a_3\\ a_4& a_5& a_6\\ a_7& a_8& a_9\end{array}\right] \end{gathered}$$

1. 定义
          形如$A\mathbf{x}=\mathbf{b}$ 的方程为矩阵方程。其中 $A$ 为 $m\times n$ 的矩阵，而 $\mathbf{x}$ 和 $\mathbf{b}$ 为 $n$ 维向量。

2. 求解方法
          同上$\dots$

3. 性质
   $$\begin{gathered} A(\mathbf{u}+\mathbf{v})=A\mathbf{u}+A\mathbf{v} \\ A(c\mathbf{u})=cA\mathbf{u} \end{gathered}$$
          其中 $c$ 是标量，$A$ 是 $m\times n$ 矩阵，$\mathbf{u}$ 和 $\mathbf{v}$ 是 ${\mathbb{R}}^n$ 中的向量。

1.5 参考

[1] Lay.线性代数及其应用