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
(1.1) 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 \begin{aligned} 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{aligned}\tag{1.1} a1x1+a2x2+a3x3=b1a4x1+a5x2+a6x3=b2a7x1+a8x2+a9x3=b3(1.1)
-
定义
形如 a 1 x 1 + a 2 x 2 + ⋯ + a n x n = b a_1 x_1+a_2 x_2+\dots+a_n x_n=b a1x1+a2x2+⋯+anxn=b 的方程称为线性方程,其中 b b b 与 a 1 , a 2 , … , a n a_1,a_2,\dots,a_n a1,a2,…,an 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。 -
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。 -
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:
x
1
a
1
+
x
2
a
2
+
x
3
a
3
=
b
a
1
=
(
a
1
,
a
4
,
a
7
)
a
2
=
(
a
2
,
a
5
,
a
8
)
a
3
=
(
a
3
,
a
6
,
a
9
)
b
=
(
b
1
,
b
2
,
b
3
)
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)
x1a1+x2a2+x3a3=ba1=(a1,a4,a7)a2=(a2,a5,a8)a3=(a3,a6,a9)b=(b1,b2,b3)
-
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 a 1 + x 2 a 2 + x 3 a 3 = b x_1 \mathbf{a_1}+x_2 \mathbf{a_2}+x~_3 \mathbf{a_3}=\mathbf{b} x1a1+x2a2+x 3a3=b 与增广矩阵为 [ a 1 a 2 a 3 b ] \left[ \begin{matrix} \mathbf{a_1} &\mathbf{a_2} &\mathbf{a_3} &\mathbf{b} \end{matrix} \right] [a1a2a3b]
的线性方程组有相同的结集。 -
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:
A
x
=
b
x
=
(
x
1
,
x
2
,
x
3
)
b
=
(
b
1
,
b
2
,
b
3
)
A
=
[
a
1
a
2
a
3
a
4
a
5
a
6
a
7
a
8
a
9
]
A\mathbf{x}=\mathbf{b}\\ \mathbf{x}=(x_1,x_2,x_3)\\ \mathbf{b}=(b_1,b_2,b_3)\\ A=\left[\begin{matrix} a_1 &a_2 &a_3\\ a_4 &a_5 &a_6\\ a_7 &a_8 &a_9 \end{matrix}\right]
Ax=bx=(x1,x2,x3)b=(b1,b2,b3)A=⎣⎡a1a4a7a2a5a8a3a6a9⎦⎤
-
定义
形如 A x = b A\mathbf{x}=\mathbf{b} Ax=b 的方程为矩阵方程。其中 A A A 为 m × n m\times n m×n 的矩阵,而 x \mathbf{x} x 和 b \mathbf{b} b 为 n n n 维向量。 -
求解方法
同上 … \dots … -
性质
A ( u + v ) = A u + A v A ( c u ) = c A u A(\mathbf{u}+\mathbf{v})=A\mathbf{u}+A\mathbf{v}\\ A(c\mathbf{u})=cA\mathbf{u} A(u+v)=Au+AvA(cu)=cAu
其中 c c c 是标量, A A A 是 m × n m\times n m×n 矩阵, u \mathbf{u} u 和 v \mathbf{v} v 是 R n \mathbb{R}^n Rn 中的向量。
1.5 参考
[1] Lay.线性代数及其应用