第三章,矩阵,09-线性方程组解的判断与求法、矩阵方程

第三章,矩阵,09-线性方程组解的判断与求法、矩阵方程

玩转线性代数(21)线性方程组解的判断与求法的笔记,相关证明以及例子见原文

定理

对n元线性方程组 A x = b Ax=b Ax=b,A为系数矩阵, B = ( A ∣ b ) B=(A|b) B=(A∣b)为增广矩阵,则有

(1) A x = b Ax=b Ax=b无解 ⇔ R ( A ) < R ( A , b ) \Leftrightarrow R(A)\lt R(A,b) ⇔R(A)<R(A,b);

(2) A x = b Ax=b Ax=b有唯一解 ⇔ R ( A ) = R ( A , b ) = n \Leftrightarrow R(A)=R(A,b)=n ⇔R(A)=R(A,b)=n;

(3) A x = b Ax=b Ax=b有无穷多解 ⇔ R ( A ) = R ( A , b ) < n \Leftrightarrow R(A)= R(A,b)\lt n ⇔R(A)=R(A,b)<n.

推论1

对n元线性方程组 A x = b Ax=b Ax=b,A为系数矩阵, B = ( A ∣ b ) B=(A|b) B=(A∣b)为增广矩阵,则有

(1) A x = b Ax=b Ax=b无解 ⇔ R ( A ) < R ( A , b ) \Leftrightarrow R(A)\lt R(A,b) ⇔R(A)<R(A,b);

(2) A x = b Ax=b Ax=b有解 ⇔ R ( A ) = R ( A , b ) \Leftrightarrow R(A)=R(A,b) ⇔R(A)=R(A,b).

推论2

对n元线性方程组 A x = b Ax=b Ax=b,A为系数矩阵,或A为方阵,则有:

(1) A x = b Ax=b Ax=b有唯一解 ⇔ R ( A ) = n ⇔ ∣ A ∣ ≠ 0 \Leftrightarrow R(A)=n\Leftrightarrow |A|\neq 0 ⇔R(A)=n⇔∣A∣=0,其解为 x = A − 1 b x=A^{-1}b x=A−1b; ( R ( A ) = R ( B ) = n R(A)=R(B)=n R(A)=R(B)=n);

(2) ∣ A ∣ = 0 ⇔ |A|=0\Leftrightarrow ∣A∣=0⇔有无穷多解或无解.

推论3

对n元线性方程组 A x = 0 Ax=0 Ax=0,A为系数矩阵,方程必有零解,故不存在无解的情况,另外增广矩阵的最后一列为零,故其秩与系数矩阵A相同。

(1) A x = 0 Ax=0 Ax=0只有零解 ⇔ R ( A ) = n \Leftrightarrow R(A)=n ⇔R(A)=n;

(2) A x = 0 Ax=0 Ax=0有非零解 ⇔ R ( A ) < n \Leftrightarrow R(A)\lt n ⇔R(A)<n.

如果推论3中的A为方阵,则又有如下结论:

推论4

对n元线性方程组 A x = 0 Ax=0 Ax=0,A为系数矩阵且为方阵,则有

(1) A x = 0 Ax=0 Ax=0只有零解 ⇔ R ( A ) = n ⇔ ∣ A ∣ ≠ 0 \Leftrightarrow R(A)=n \Leftrightarrow |A| \neq 0 ⇔R(A)=n⇔∣A∣=0;

(2) A x = 0 Ax=0 Ax=0有非零解 ⇔ R ( A ) < n ⇔ ∣ A ∣ = 0 \Leftrightarrow R(A) \lt n \Leftrightarrow |A| = 0 ⇔R(A)<n⇔∣A∣=0.

矩阵方程AX=B

解法

若A是方阵,先确定A是否可逆,若A可逆,则有唯一解 X = A − 1 B X=A^{-1}B X=A−1B

若A不是方阵或不可逆,这时需要用待定元素法来求解。设未知矩阵X的元素为 x i j x_{ij} xij,即 X = ( x i j ) X=(x_{ij}) X=(xij),然后根据所给的矩阵方程列出 x i j x_{ij} xij所满足的线性方程组,通过解线性方程组求出所有元素 x i j x_{ij} xij,从而得到X.

解的存在性

设A为m * n矩阵,X为n * l矩阵,则B为m * l矩阵,把X和B按列分块,记为
X = ( x 1 , x 2 , . . . , x l ) , B = ( b 1 , b 2 , . . . b l ) X=(x_1,x_2,...,x_l), B=(b_1,b_2,...b_l) X=(x1,x2,...,xl),B=(b1,b2,...bl),

则矩阵方程 A X = B AX=B AX=B等价于l个向量方程
A x i = b i , ( i = 1 , 2 , . . . l ) Ax_i=b_i, (i=1,2,...l) Axi=bi,(i=1,2,...l),

又设 R ( A ) = r R(A)=r R(A)=r,且A的行最简形矩阵为 A ~ \tilde{A} A~,则 A ~ \tilde{A} A~一定有r个非零行。

再设 ( A , B ) = ( A , b 1 , b 2 , . . . , b i ) ∼ r ( A ~ , b ~ 1 , b ~ 2 , . . . , b ~ l ) (A,B)=(A, b_1, b_2,..., b_i)_{\sim}^r (\tilde{A}, \tilde{b}_1, \tilde{b}_2, ..., \tilde{b}_l) (A,B)=(A,b1,b2,...,bi)∼r(A~,b~1,b~2,...,b~l)

从而 ( A , b i ) r ∼ ( A ~ , b ~ i ) , ( i = 1 , 2 , . . . , l ) (A,b_i)_r^{\sim}(\tilde{A}, \tilde{b}_i), (i=1,2,...,l) (A,bi)r∼(A~,b~i),(i=1,2,...,l)

则 A X = B AX=B AX=B有解
⇔ \Leftrightarrow ⇔ A x i = b i Ax_i=b_i Axi=bi有解, ( i = 1 , 2 , . . . , l ) (i=1,2,...,l) (i=1,2,...,l)
⇔ \Leftrightarrow ⇔ R ( A ) = R ( A , b i ) , ( i = 1 , 2 , . . . , l ) R(A)=R(A,b_i), (i=1,2,...,l) R(A)=R(A,bi),(i=1,2,...,l)
⇔ \Leftrightarrow ⇔将 ( A , b i ) (A,b_i) (A,bi)化为行最简形 ( A ~ , b ~ i ) (\tilde{A}, \tilde{b}_i) (A~,b~i),此时 b ~ i \tilde{b}_i b~i的后m-r行全为零, ( i = 1 , 2 , . . . , l ) (i=1,2,...,l) (i=1,2,...,l).
⇔ \Leftrightarrow ⇔ ( A ~ , b ~ 1 , b ~ 2 , . . . , b ~ l ) (\tilde{A}, \tilde{b}_1, \tilde{b}_2, ..., \tilde{b}_l) (A~,b~1,b~2,...,b~l)的后m-r行全为零,
⇔ \Leftrightarrow ⇔ R ( A ) = R ( A , B ) R(A)=R(A,B) R(A)=R(A,B).

推论

设 A B = C AB=C AB=C,则 R ( C ) ≤ m i n { R ( A ) , R ( B ) } R(C)\leq min \{R(A), R(B) \} R(C)≤min{R(A),R(B)}

证明:
∵ A B = C , ∴ A X = B \because AB=C, \therefore AX=B ∵AB=C,∴AX=B有解 ⇒ R ( A ) = R ( A , C ) ≥ R ( C ) \Rightarrow R(A)=R(A, C) \geq R(C) ⇒R(A)=R(A,C)≥R(C)

又 B T A T = C T ∴ B T X = C T B^TA^T=C^T \therefore B^TX=C^T BTAT=CT∴BTX=CT有解 ⇒ R ( B ) = R ( B T ) = R ( B T , c T ) ≥ R ( C T ) = R ( C ) \Rightarrow R(B)=R(B^T)=R(B^T, c^T) \geq R(C^T)=R(C) ⇒R(B)=R(BT)=R(BT,cT)≥R(CT)=R(C)
∴ R ( C ) ≤ m i n { R ( A ) , R ( B ) } \therefore R(C) \leq min\{R(A), R(B)\} ∴R(C)≤min{R(A),R(B)}.

相关推荐
2601_957786775 分钟前
星链引擎矩阵系统:流批一体湖仓架构与亿级数据实时数仓技术实践
大数据·矩阵·架构
2601_9577867713 分钟前
企业级内容矩阵全链路自动化运营技术实现与实践
大数据·矩阵·自动化
AI科技星1 小时前
算法联盟·全域数学公理体系下黑洞标量毛发与LVK引力波O4全维理论、求导、证明、计算、验证、分析
人工智能·线性代数·算法·架构·学习方法·量子计算
AI科技星2 小时前
数理原本·卷零:信息本源与震动论
人工智能·线性代数·架构·概率论·学习方法·量子计算
AI科技星3 小时前
数理原本·卷六:观测者本源
人工智能·线性代数·机器学习·量子计算·agi
2601_957786773 小时前
从功能堆砌到业务闭环:现代短视频矩阵系统架构演进之路
线性代数·矩阵·系统架构
2601_957786773 小时前
全域矩阵系统运维基石:全链路可观测性技术架构与实践
矩阵·架构·全链路可观测性·分布式追踪
2601_957786774 小时前
AI 原生营销矩阵系统:分布式素材管理与多租户权限控制技术实现
人工智能·分布式·矩阵
图码4 小时前
矩阵中的“对角线强迫症”:如何优雅地判断Toeplitz矩阵?
数据结构·c++·线性代数·算法·青少年编程·矩阵
图码4 小时前
矩阵边界遍历:顺时针与图案打印的两种高效解法
数据结构·python·线性代数·算法·青少年编程·矩阵·深度优先遍历