CH 1

CH 1
線性方程系統
與矩陣
大綱
 1.1 線性方程系統簡介
 1.2 高斯消去法
 1.3 矩陣與矩陣運算
 1.4 反矩陣與矩陣的代數特性
 1.5 基本矩陣與 A–1 的求法
 1.6 再論線性系統與反矩陣
 1.7 對角矩陣、三角矩陣和對稱矩陣
 1.8 LU 分解
 1.9 線性系統之應用
1
1.1 線性方程系統簡介 (不考)
線性方程式
 為求一般化，我們定義了一個 n 個變數的線性方程式
形式為
 在 n = 2 或 n = 3 的特殊情況下，我們通常使用沒有下
標的變數，把方程式寫成
 在 b = 0 的特殊情況下，方程式 (1) 形式為
稱為 homogenous (齊次) equation

2
範例 1 線性方程式 (不考)
觀察一線性方程式，它不會包含變數的乘積或開根號。
所有的變數只有一次方，且不會出現類似三角函數、
對數函數或指數函數。下列為線性方程式的例子：
下列均為非線性方程式：
3
 例如，(5) 式的系統具有未知數 x 和 y，(6) 式的系

統具有未知數 x1、x2 和 x3。
3
1.1 線性方程系統簡介 (觀念)
 一 m 個方程式、n 個未知數 x1, x2, . . . , xn 的一般
化線性系統可以寫為
 一 n 個變數線性系統的解
3
 線性方程式或系統的解可寫成
 其被稱有序的 n 項（ordered n-tuple）。
4
兩未知數的線性系統可聯想為兩直線的相交情形。
4
 在一般情況下，若至少有一個解，我們稱此線性
系統是一致性的（consistent）；若無解，我們稱
此線性系統是非一致性的（inconsistent）。
 三元方程式構成之線性系統為
4
5
範例 2 一個解的線性系統 (觀念)
解線性系統
5
範例 3 無解的線性系統 (觀念)
解線性系統
6
範例 4 無窮多解的線性系統 (觀念)
解線性系統
6
範例 5 無窮多解的線性系統 (觀念)
解線性系統
7
1.1 線性方程系統:增廣矩陣(不考)
增廣矩陣(augmented matrix)
 我們可藉由只寫數值的矩形陣列來縮減系統的表
示
7
1.1 線性方程系統 :基本列運算
 三個運算就對應於增廣矩陣列的下列運作：
1. 對某一列乘上一個非零的常數。
2. 交換兩個列。
3. 將一個列乘上某固定倍數，再加到另一列去。
 以上這些被稱為矩陣的基本列運算（elementary
row operation）。
8
範例 6 使用基本列運算
在下面的左邊部分，我們對系統的方程式進行操作來
解線性方程系統，且在右邊部分，我們對增廣矩陣的
列進行操作來解同一個系統。
8
範例 6 使用基本列運算(續)
8
9
9
1.2 高斯消去法: 簡化列梯形(不考)
 一個簡化列梯形（reduced row echelon form），或稱
「列簡梯形」矩陣。
1. 若有不全為零所構成的列，則該列中第一個非零的數
為 1。我們稱之為前導壹（leading 1，又譯為「領先
壹」）。
2. 若有全為零所構成的列，則它們必須被群組在矩陣的
底部。
3. 在有不全為零所構成的連續二個列之情形下，較低列
的前導壹需在較高列的前導壹的右方。
4. 有包含前導壹所在的行，該行其他位置元素需為零。
 矩陣若只具備前面三點特性，則稱為「列梯形矩陣」。
10
範例 1 列梯形和簡化列梯形(觀念)
下列矩陣為簡化列梯形
下列矩陣為列梯形，但不是簡化列梯形
10
範例 2 更多的列梯形和簡化列梯形
如範例 1 所示，一個列梯形矩陣，每一前導壹下
方都是零，而一個簡化列梯形矩陣，每一前導壹
下方和上方都為零。因此，以星號 * 代表任意實
數，則下列形式的所有矩陣都是列梯形：
11
範例 2 更多的列梯形和簡化列梯形(續) (觀念)
下列形式的所有矩陣都是簡化列梯形：
11
範例 3 唯一解
假設未知數為 x1, x2, x3, x4 的線性系統，其增廣矩陣已
經使用基本列運算來簡化為
此矩陣為簡化列梯形，且對應方程式為
因此，此系統有唯一解為 x1 = 3, x2 = −1, x3 = 0, x4 = 5。
11
範例 4 三個未知數的線性系統
以下三個矩陣都是未知數為 x, y 和 z 的線性系統，其增
廣矩陣已經使用基本列運算，使其成為簡化列梯形，試
解這些系統。
12
1.2 高斯消去法 (觀念)
最後的矩陣就成為簡化列梯形。
 將矩陣轉變為簡化列梯形（reduced row echelon

form），這過程稱為高斯– 喬登消去法（Gauss-Jordan
elimination）。此演算法包含兩部分：前向階段
（forward phase）是使得領導壹的下方為零；反向階
段（backward phase）是使得領導壹的上方為零。若
只進行前向階段，則程序稱為高斯消去法（Gaussian
elimination），而所產生的是列梯形（row echelon
form）。
15
1.2 高斯消去法
 步驟 1、找出最左邊不全為零的行。
13
1.2 高斯消去法
 步驟 2、需使步驟 1 中選定的直行，其最上方元素需
不為零。因此必要時，需將最上方的列和另一列做交
換。
 步驟 3、若步驟 1 中選定的直行，其上方的元素是 a，
則第一列需乘上 1/a 來獲得一個前導壹。
13
1.2 高斯消去法
 步驟 4、最上方的列乘上適合的倍數，加到下方的列，
使得前導壹下方的所有元素都變為零。
 步驟 5、現在遮蓋矩陣最上方的列，對剩下的子矩陣
（submatrix），再進行步驟 1 的動作。持續以這種方
式，直到整個矩陣成為列梯形。
14
1.2 高斯消去法
14
1.2 高斯消去法
現在已經成為列梯形。
 步驟 6、從最後一個非零列開始往上進行，將每一列
乘上適合的倍數，加到上方的列去，使得前導壹的上
方全部都是 0。
如為線性方程系統之增廣矩陣，答案為?
14
1.2 高斯消去法 (不考)
總結
 高斯喬登消去法之系統化程序（演算法）如下：
 步驟 0、由矩陣左上方座標 (1, 1) 的元素開始。
 步驟 1、處理目前座標 (i, j) 數據，先檢查是否為 0 ？是：
往下找非 0 的列來交換。若無非 0 的列可換，則改
處理右方座標 (i, j + 1)數據。接著，回到步驟 1。
否：整列除以本身數值，以得到前導壹。
 步驟 2、前導壹所在的行，以列運算使其他位置變為 0。
（註：可分前導壹的上半部和下半部，各一個 for
迴圈處理。）
 步驟 3、座標值各加 1，即 (i + 1, j + 1)，檢查是否超出矩陣
範圍？是：已經完成高斯– 喬登消去法。否：回到
步驟 1。
21
範例 5 高斯– 喬登消去法
使用高斯– 喬登消去法解
15
齊次線性系統
 每一線性方程齊次系統都為一致性的（亦即，齊次系
統一定都有解），因為所有的這類系統都至少有一個
解為 x1 = 0, x2 = 0, . . . , xn = 0。這種解稱之為顯解
（trivial solution）；若尚有其他的解，則稱為非顯解
（nontrivial solutions）。
線性方程系統領導變數個數稱為此系統或增廣矩陣的階，rank(補充)
16
範例 6 齊次系統
使用高斯– 喬登消去法解齊次線性系統
17
1.2 高斯消去法 (不考)
 因此，此系統具有如下形式
高斯消去法和回代法
 對於小型的線性系統，以手工來求解（如本書大部分
的那些題目），高斯– 喬登消去法（化簡成為簡化列
梯形）是一個很好的程序。
18
範例 7 使用回代法進行範例 5 求解 (不考)
使用高斯– 喬登消去法解齊次線性系統
欲解對應的方程式系統
19
範例 7 使用回代法進行範例 5 求解(續) (不考)
我們如下進行：
步驟 1、對方程式解出領導變數
步驟 2、從最底下的方程式開始往上進行，持續地將每
一方程式代入上方的方程式。將 x6 = 代入第 2 個方
程式，得
20
範例 7 使用回代法進行範例 5 求解(續) (不考
將 x3 = –2x4 代入第1 個方程式，得
步驟 3、若有自由變數，則配以任意值，即無限多解。
若我們現在對 x2, x4 x5 分別配予任意值 r, s 和 t，則通解
為
此與範例 5 所獲得的解完全相同。
20
範例 8 線性系統解的存在性 (不考)
假設下面的矩陣為增廣矩陣，其為未知數 x1, x2, x3 和 x4
所構成的線性系統。這些矩陣都為列梯形，而非簡化列
梯形。試討論其對應線性系統解的存在性與唯一性。
20
一些梯形的影響因素
 1. 每一矩陣有唯一的簡化列梯形結果
 2. 列梯形結果不唯一
 3. 雖然列梯形的結果並不唯一，但是矩陣 A 的簡
化列梯形和所有的列梯形，都會有相同的零列、
相同的前導壹，且都會發生在相同的位置。
21
(補充,觀念)
Examples of general solutions for linear system from a reduced row echelon form
augmented matrix.
Case 1: for m>n coefficient matrix, m:equation number, n: variable number.

1 0 0 0 
0 1 0 0 
 
a. no solutions : 0 0 1 0 
 
 0 0 0 1 
1 0 0  1
0 1 0  2

b. Exactly only one 0 0 1 3 rank (A) =n
 
0 0 0 0 
10 1 1
0 1  2 1
a. Infinite solutions:  rank (A) ＜n
0 0 0 0
 
0 0 0 0
(補充,觀念)
augmented matrix.
Case 2: for m=n coefficient matrix, , m:equation number, n: variable number.
1 0 2 0
 0 1  5 0
a. no solutions :  
0 0 0 1 
 
 
1 0 0 0
0 1 0 0
b. Exactly only one:   rank (A) =n＝ｍ
0 0 1 1
 
  1 0 2 0
0 1  5 0 
 
a. Infinite solutions: 0 0 0 0  rank (A) ＜n
 
 
(補充,觀念)
augmented matrix.
Case 3: for m<n coefficient matrix, , m:equation number, n: variable number.

變數過多，必有free variable，故無唯一解情況。係數矩陣A的秩Rank (A) ≦ m ＜ n.
自由變數個數 m-rank (A) 必大於0，必有自由變數。
1 0 2 0 
0 0 0 1
 
 
 
1 0 2 1
0 1  5 2 
 
a. Infinite solutions:  
 
 
(補充,觀念)
Examples of general solutions for linear system of homogenous (齊次) equations
from a reduced row echelon form augmented matrix. 齊次方程式為常數項為0，
必有明顯解(trivial solution) 。
Case 4: for m>n coefficient matrix, , m:equation number, n: variable number.
1 0 0 0
0 1 0 0
a. Exactly only one: 
0 0 1 0
 
0 0 0 0
1 0 1 0
0 1 2 0

b. Infinite solutions: 0 0 0 0
 
0 0 0 0
(補充,觀念)
1 0 0 0 
0 1 0 0 
a. Exactly only one:  
0 0 1 0 
 
 
1 0 2 0
0 1  5 0 
b. Infinite solutions:  
0 0 0 0 
 
 
(補充，觀念)

變數過多，必有free variable，故無唯一解情況，只有無限多解情況
a. Infinite solutions:
(補充,觀念)
augmented matrix.
1 0 2 0
 0 1  5 0
0 0 0 1 
 
 
1 0 0 0
0 1 0 0
b. Exactly only one:   rank (A) =n＝ｍ
0 0 1 1
 
  1 0 2 0
0 1  5 0 
 
a. Infinite solutions: 0 0 0 0  rank (A) ＜n
 
 
(補充,觀念)
augmented matrix.

變數過多，必有free variable，故無唯一解情況。係數矩陣A的秩Rank (A) ≦ m ＜ n.
自由變數個數 m-rank (A) 必大於0，必有自由變數。
1 0 2 0 
0 0 0 1
 
 
 
1 0 2 1
0 1  5 2 
 
a. Infinite solutions:  
 
 
(補充,觀念)
Case 4: for m>n coefficient matrix, , m:equation number, n: variable number.
1 0 0 0
0 1 0 0
a. Exactly only one: 
0 0 1 0
 
0 0 0 0
1 0 1 0
0 1 2 0

b. Infinite solutions: 0 0 0 0
 
0 0 0 0
(補充,觀念)
1 0 0 0 
0 1 0 0 
a. Exactly only one:  
0 0 1 0 
 
 
1 0 2 0
0 1  5 0 
b. Infinite solutions:  
0 0 0 0 
 
 
(補充,觀念)

變數過多，必有free variable，故無唯一解情況，只有無限多解情況
a. Infinite solutions:
範例 9 軸元與軸行 (觀念)
此章節前面（定義 1 之後），我們有求出一矩陣 A
的列梯形為
前導壹發生的位置在（第 1 列、第 1 行）、（第 2 列、

第 3 行）、（第 3 列、第 5 行）。這些都是軸元位置。
軸行為第 1、3、5 行。
21
1.3 矩陣與矩陣運算 (觀念)
定義1
 矩陣 A 為一數值的矩形陣列，陣列中的數值被稱為矩
陣中的元素（entry）。
 一個 m × n 矩陣的通式可寫成
23
向量 (補充, 不考)
向量為一組(set)量(scalar) ，個別的量稱為此向量的分量
(component)，具有n個分量皆為實數的向量形成之集合記為Rn 。
然而就幾何而言，向量可視為一個有始點(可視為都在原點)，有方
向大小的線段。向量的各分量值即可表現此方向及大小。R2為2個
分量皆為實數的向量形成之集合，所以可視為一個無邊界之平面
。
幾何的向量相加，可為向量的頭尾相連。也可由將二個向量的分
量相加，而得相同結果。而向量與純量(scalar)相乘為將向量各分
量乘上該純量，幾何為向量線段乘上該純量，而方向不變。
7  3 1 
 4  2 1  1  2
 3
2 
1 
1 
 2 
3
1 
向量的演算 (補充, 不考)
2 1 3  2 1 1 
3  1 4 3  1 2
          
4 1 5  4 1 3 
         
5  1 6  5  1 4
2  2 
3  3 
1.5  
 -1.5  
  4   4
   
5  5 
向量的演算: dot product (補充, 不考)
 前頁的向量演算為相同分量數的向量才可演算，且
相對應的分量彼此演算。(演算所得之向量為演算
向量之線性組合)
2 1 2  2 
3  1 3  3 
    ?     ?
4 1  4   4
      
5  1 5  5 
 點積為(dot product): 兩向量相對應的分量相乘後相
加而得一純量。
範例 1 矩陣的例子 (不考)
一些矩陣的例子如下
23
 可寫為
 矩陣 A 的第 i 列、第 j 行元素也可記作 (A)ij。
 A 的主對角線（main diagonal）（譯者註：方陣中，右
上到左下的元素稱為次對角線（anti-diagonal））。
24
定義2
 若兩個矩陣有相同的大小，且相對位置元素相等，則
稱此兩矩陣為相等。
定義3
 若 A 和 B 都是相同大小的矩陣，則 A + B 為相對位置
元素相加。不同大小的矩陣無法相加。
25
範例 2 矩陣相等 (觀念)
考慮下列矩陣
若 x = 5 則 A = B；但若 x 為其他值，則矩陣 A 和
矩陣 B 就不相等，因為並非所有相對位置元素都
相等。另外，找不到 x 的數值可以讓矩陣 A 相等
矩陣 C，因為矩陣 A 和矩陣 C 大小不同。
25
範例 3 矩陣之相加、相減 (不考)
考慮下列矩陣
而，矩陣 A + C、B + C、A – C 和 B – C，為未定

義或稱不存在。
25
1.3 矩陣與矩陣運算
定義4
 若 A 為任意矩陣、 c 為任意純量，則純量乘法 cA 為
將矩陣 A 的每一元素均乘上 c。矩陣 cA 稱為矩陣 A

的純量倍數（scalar multiple）。
定義5
 若 A 為 m × r 矩陣、 B 為 r × n 矩陣，則兩矩陣乘積
AB 為 m × n 的矩陣，其內部元素定義如下：矩陣 AB
的第 i 列第 j 行元素為，將 A 矩陣的第 i 列元素與 B
矩陣的第 j 行元素取出後，兩者點對點相乘後，再將
所有乘積的結果相加。
26
範例 6 決定矩陣乘積是否有定義 (不考)
假設 A, B, C 矩陣的大小為
由 (3) 式可知， AB 乘積的結果為 3 × 7 的矩陣，

BC 乘積的結果為 4 × 3 的矩陣， CA乘積的結果
為 7 × 4 的矩陣。而， AC, CB, BA 的乘積為未定
義（不存在）。
28
1.3 矩陣與矩陣運算 (不考)
 一般而言，若 A = [aij] 為 m × r 矩陣、 B = [bij] 為 r ×
n 矩陣，如下解說
 AB 乘積矩陣中，第 i 列第 j 行的元素 (AB)ij 為陰影部

分計算所得
28
範例 4 純量乘法
對下列矩陣
可得
通常將 (–1)B 記作 –B。
26
範例 5 矩陣相乘
考慮下列矩陣
因為 A 為 2 × 3 矩陣、 B 為 3 × 4 矩陣，則兩矩
陣乘積 AB 為 2 × 4 的矩陣。若想要計算出 AB 乘
積矩陣的第 2 列第 3 行元素，我們就將 A 矩陣的
第 2 列元素與 B 矩陣的第 3 行元素取出。然後，
如下所述，將之進行點對點相乘後，再將所有相
乘的結果相加。
27
範例 5 矩陣相乘(續)
AB 乘積矩陣的第 1 列第 4 行元素如下計算：
27
範例 5 矩陣相乘(續)
剩下的元素計算方式為
27
 需要前面矩陣 A 的行數和後面矩陣 B 的列數相同，

方能求出矩陣乘積 AB。
 乘積結果的大小維度。
27
矩陣分割
(不考)
28
矩陣分割與乘法
 AB 乘積的列向量可以借由將 A 矩陣分割成列向量來
求得。
28
 換句話說，這些公式陳述了
29
範例 7 重做範例 5
若 A 和 B 為範例 5 中的矩陣，則 AB 乘積的第 2
行，即 (8) 式可計算如下，得
AB 乘積的第 1 列，即 (9) 式可計算如下，得
29
 矩陣的分割不一定只局限於分割成行向量與列向量，
只要分割成各種子矩陣（submatrix）後，以子矩陣為
區塊（Block）運算單元，進行矩陣乘法時，其大小
維度仍然滿足 (3) 式的規定即可。
29
 AB 結果的第 (1, 1) 位置子矩陣的區塊：[-2]．[-1 1]

+ [1]．[0 -2] = [2 -4]
 AB 結果的第 (2, 1) 位置子矩陣的區塊：[3]．[-1 1] +
[0]．[0 -2] = [-3 3]
 AB 結果的第 (3, 1) 位置子矩陣的區塊：[1]．[-1 1] +
[2]．[0 -2] = [-1 -3]
30
30
矩陣乘積與線性組合
定義6
 若 A1, A2, . . . , Ar 為相同大小的矩陣、 c1, c2, . . . , cr 為
純量，則 c1A1 + c2A2 + . . . + crAr的展開形式稱為矩陣
A1, A2, . . . , Ar 使用組合係數 c1, c2, . . . , cr 的線性組合
（linear combination）。
30
 則
定理 1.3.1
 若 A 為 m × n 矩陣、x 為 n × 1 行向量，則矩陣乘積
Ax 可表為 A 矩陣行向量的線性組合，其中，組合的
係數為 x 行向量的元素。
30
範例 8 矩陣乘積視為線性組合 (不考)
矩陣乘積
可改寫為行向量的線性組合，如下式
31
範例 9 矩陣乘積 AB 的各行向量視為
線性組合 (觀念)
在範例 5 已得
從公式 (6) 和定理 1.3.1，矩陣乘積 AB 的第 j 行行

向量可表為矩陣 A 行向量的線性組合，其中，組
合係數為 B 矩陣的第 j 行行向量之元素。其計算
如下所示：
32
範例 9 矩陣乘積 AB 的各行向量視為
線性組合(續) (不考)
32
線性方程系統之矩陣形式
可以將原來的系統的 m 個方程式、 n 個未知

數取代為單一矩陣方程式 , A: 係數矩陣
32
(補充, 不考)
 線性方程系統Ax = b的Ax 可表現成係數矩陣 A 的行
向量的線性組合
 線性方程系統Ax = b 有解意味著b，可表現成係數
矩陣 A 的行向量的唯一(唯一解情況)線性組合，或
無限種(無限解情況)線性組合
矩陣的轉置
定義7
 A 為 m × n 矩陣，則 A 的轉置（transpose）記作 AT，
其定義為將矩陣 A 的行與列進行交換而得到一 n × m
矩陣。亦即， A 的第 1 列就是 AT 的第 1 行、 A 的第
2 列就是 AT 的第 2 行⋯等等。
33
範例 10 一些轉置
下列為一些矩陣及其轉置的例子。
33
 亦即，
 在 (12) 式中，我們可看到 AT 可由對方陣 A 的主對角

線兩邊元素做「反射」而得。
34
轉置的特性
定理 1.3.2
 若下述各矩陣的大小維度滿足所述之運算，則
 (a) (AT)T = A
 (b) (A + B)T = AT + BT
 (c) (A – B)T = AT – BT
34
 (d) (kA)T = kAT

 (e) (AB)T = BTAT
 （譯者註：以上為轉置與先前介紹過的各種矩陣運算
搭配時之特性。）
定義 8 (不考)
 若 A 為方陣，則 A 的跡（trace），記作 tr(A)，其定
義為主對角線元素相加。當 A 不是方陣時， A 的跡
為未定義。
34
範例 11 跡
下列為一些矩陣和它的跡之例子。
35
1.4 反矩陣與矩陣的代數特性
定理 1.4.1 矩陣算術運算特性
 假設下述矩陣大小均符合運算所需，則下列矩陣
算術運算成立。
 (a) A + B = B + A （矩陣加法交換律）
 (b) A + (B + C) = (A + B) + C （矩陣加法結合律）
 (c) A(BC) = (AB)C （矩陣乘法結合律）
 (d) A(B + C) = AB + AC （矩陣乘法對矩陣加法之

左分配律）
 (e) (B + C)A = BA + CA （矩陣乘法對矩陣加法之
右分配律）
35
 (f) A(B – C) = AB – AC
 (g) (B – C)A = BA – CA
 (h) a(B + C) = aB + aC （矩陣純量乘法對矩陣加
法之分配律）
 (i) a(B – C) = aB – aC
 (j) (a + b)C = aC + bC
 (k) (a – b)C = aC – bC
 (l) a(bC) = (ab)C
 (m) a(BC) = (aB)C = B(aC)
35
範例 1 矩陣乘法結合律 (不考)
如矩陣乘法結合律所述，考慮
36
範例 1 矩陣乘法結合律(續) (不考)
因此
所以， (AB)C = A(BC)，如定理 1.4.1(c) 所驗證。
36
範例 2 交換法則的失效 (不考)
考慮下面的矩陣
相乘可得
因此，AB ≠ BA。
37
1.4 反矩陣與矩陣的代數特性 (不考)
零矩陣
37
定理 1.4.2 零矩陣的特性
 若 c 為一純量，且矩陣大小維度均滿足下列可運
算的條件，則
 (a) A + 0 = 0 + A = A
 (b) A – 0 = A
 (c) A – A = A + (–A) = 0
 (d) 0A = 0
 (e) 若 cA = 0，則 c = 0 或 A = 0
38
範例 3 消去法則的失效 (不考)
考慮以下矩陣
請確認以下的結果
雖然 A ≠ 0，將方程式 AB = AC 等號的兩邊都削去
A，這將導致 B = C 這種錯誤的結論。因此，一般
而言，消去法則並不適用於矩陣乘法（雖然在某
特定的情況下可能是對的）。
38
範例 4 非零因數的乘積後卻為零 (不考)
這裡的兩個矩陣 A 和 B 使得 AB = 0，但 A ≠ 0 且
B ≠ 0。
38
單位矩陣
 單位矩陣（identity matrix）。
 單位矩陣記作 I。
39
 若 A 為任意 m × n 矩陣，則
定理 1.4.3
 若矩陣 R 為 n × n 矩陣 A 的簡化列梯形，且矩
陣 R 若沒有零列出現，則矩陣 R 就是單位矩
陣 In。
39
反矩陣
定義1
 若 A 為方陣，且 B 矩陣的大小與 A 相同，使得
AB = BA = I，則稱 A 為可逆的（invertible），或
稱非奇異的（nonsingular），且稱 B 為 A 的反矩
陣（inverse）（又譯為「逆矩陣」）。若無法找
到此種 B 矩陣，則 A 稱為奇異的（singular）或不
可逆矩陣。
39
範例 5 可逆矩陣 (不考)
令
因此， A、 B 都是可逆矩陣，且互為反矩陣。
40
範例 6 奇異矩陣 (之一種) (不考)
有任一列為零或任一行為零的方陣為奇異矩陣。為了
瞭解此情況，我們考慮下面的矩陣
為了證明 A 為奇異矩陣，我們必須顯示出：不存在 3
× 3 的 B 矩陣可使 AB = BA = I 成立。令c1, c2, 0 為 A
矩陣的行向量，對任何 3 × 3 矩陣 B，可得乘積
存在一全為零的行向量，因此可得知 BA = I，所以 A
為奇異矩陣。
40
1.4 反矩陣與矩陣的代數特性 (觀念)
反矩陣的特性
定理 1.4.4
 若 C 和 B 均為 A 的反矩陣，則 B = C。
 一個可逆矩陣的反矩陣是唯一的，我們將之記作
A-1。
 亦即
令 A 為一方陣，
(a) 若 B 滿足 BA = I 的方陣，則 B = A−1。
41
(b) 若 B 滿足 AB = I 的方陣，則 B = A−1。
1.4 反矩陣與矩陣的代數特性(不考)
定理 1.4.5
 對於可逆矩陣
 若且唯若 ad – bc ≠ 0，則其反矩陣公式為
41
 定理 1.4.5 中的量 ad – bc，稱之為 2 × 2 矩陣 A

的行列式值（determinant），記作
 或記作
41
範例 7 計算 2 × 2 的反矩陣 (不考)
先決定是否為可逆矩陣，若是，則求其反矩陣。
42
定理 1.4.6
 若 A 和 B 為相同大小的可逆矩陣，則 AB 亦為可
逆矩陣，且 (AB)−1 = B−1A−1。
(AB) B−1A−1 = AI A−1 = I (不考)
42
範例 8 反矩陣的乘積 (不考)
考慮下列矩陣
可知
因此， (AB)–1 = B–1A–1 驗證了定理 1.4.6。

42
矩陣的次冪
 A 的非負整數次方為
 A 之負整數次方為
 非負的指數定律
43
定理 1.4.7
 若 A 為可逆的，且 n 是非負整數，則
 (a) A–1 為可逆的，且 (A–1)–1 = A。
 (b) An 為可逆的，且 (An)–1 = A–n = (A–1)n。
 (c) 對任意非零純量 k， kA 為可逆的，且 (kA)–1 =

k–1A–1。 (不考)
43
範例 9 指數的特性 (不考)
令 A 和 A −1 為範例 8 中的矩陣，即
43
範例 9 指數的特性(續) (不考)
另，
所以，如定理 1.4.7(b) 所示，
44
範例 10 矩陣和的平方 (觀念)
在實數算術運算中，運用乘法交換律可寫出
然而，在矩陣算術運算中並沒有乘法交換律，所
以我們只能寫出
只有在某些特殊情況下 A 和 B 可交換（即 AB =
BA），也才能進一步寫成
44
矩陣多項式
 若 A 為 n × n 方陣，若
 為任意多項式，則可定義 n × n 的矩陣 p(A) 為
 其中， I 為 n × n 的單位矩陣。而 (3) 式稱為 A 的

矩陣多項式（matrix polynomial）。
44
範例 11 矩陣多項式 (不考)
求 p(A)，若
44
1.4 反矩陣與矩陣的代數特性 (不
考) )
 因為方陣 A 的乘積特性 ArAs = Ar+s = As+r = AsAr，
且因矩陣多項式為 A 的次冪所建構，所以任兩個
A 的矩陣多項式的乘積也是可以交換，亦即，
定理 1.4.8
 若 A 為可逆矩陣，則 AT 仍為可逆矩陣且滿足
44
1.5 基本矩陣與A−1 的求法 (不考)
定義1
 如果矩陣 A 可經由一連串的基本列運算而得出矩陣 B，
則稱矩陣 A 和矩陣 B 為列等效（row equivalent）。
定義2
 矩陣 E 若是由單位矩陣經過單一次基本列運算處理
後而得到的，則稱 E 為基本矩陣（elementary
matrix）。
46
範例 1 基本矩陣與列運算
下列為四個基本矩陣和其對應的列運算
46
1.5 基本矩陣與A−1 的求法 (不考)
定理 1.5.1 使用矩陣乘法進行列運算
 如果基本矩陣 E 為單位矩陣 Im 經過某一種列運算處理
後而得，且 A 為 m × n 矩陣，則矩陣乘積 EA 為矩陣 A
經過相同列運算的結果。
46
範例 2 使用基本矩陣
考慮矩陣
以及基本矩陣
47
範例 2 使用基本矩陣(續)
矩陣 EA 乘積為
剛好是將矩陣 A 的第 1 列乘以 3 倍加到第 3 列去。

所以，將某一矩陣 A 「左乘」基本矩陣 E ，就是
對矩陣 A 進行該列運算。
47
範例 3 列運算與其逆運算
下列為對 2 × 2 的單位矩陣進行列運算而得基本矩陣
E，且對 E 進行逆列運算回到單位矩陣。
47
範例 3 列運算與其逆運算(續)
47
1.5 基本矩陣與A−1 的求法 (觀念)
定理 1.5.2
 每一基本矩陣均是可逆的，且其反矩陣也是一基本
矩陣。
等價定理
定理 1.5.3 等價敘述（Equivalent Statements）
 若 A 為 n × n 矩陣，則下列敘述為等價的。（亦即，
同時全部敘述為真，或同時全部敘述為偽。）
48
 (a) A 是可逆的。
 (b) Ax = 0 只有顯解。
 (c) A 的簡化列梯形為 In。
 (d) A 可表為基本矩陣的乘積。
反矩陣之求法
48
 使用基本矩陣來執行一連串的列運算，可知
 由此方程式可知：相同順序的列運算可以將 A 簡化
成 In，也可將 In 轉換成 A–1。
A = E1−1 E2−1 ……Ek−1 用 A A−1 = I 證

49
範例 4 使用列運算求 A–1
求 A 的反矩陣
50
範例 4 使用列運算求 A–1
50
範例 5 不可逆矩陣
考慮矩陣
應用範例 4 所進行的程序，可得
因為已經發現左半部子矩陣有零列出現，表示 A 為不
可逆矩陣。
51
範例 6 齊次系統分析 (不考)
使用定理 1.5.3 來決定所給定的齊次系統是否有非

顯解。
52
1.6 再論線性系統與反矩陣 (觀念)
線性系統解的個數
定理 1.6.1
 一線性方程系統，不是無解、唯一解，就是無窮多
解，沒有其他可能性。
使用反矩陣解線性系統
定理 1.6.2
 若 A 為 n × n 可逆矩陣，則對每一 n × 1 矩陣 b，
系統方程式 Ax = b 有唯一解；為 x= A−1 b。
52
範例 1 使用 A−1 求線性方程式的解
考慮線性方程系統
其矩陣形式可寫為 Ax = b，其中
53
範例 1 使用 A−1 求線性方程式的解(續)
在範例 4 中已經知道 A 為可逆矩陣，且為
由定理 1.6.2 知，系統的解為
或 x1 = 1, x2 = −1, x3 = 2。
53
1.6再論線性系統與反矩陣 (觀念)
 這些解可以使用反矩陣和 k 個矩陣乘法計算而得。
但，更有效率的方法是組合出下式的矩陣
反矩陣的特性
定理 1.6.3
 令 A 為一方陣，
 (a) 若 B 滿足 BA = I 的方陣，則 B = A−1。
 (b) 若 B 滿足 AB = I 的方陣，則 B = A−1。
54
範例 2 一次求解兩個線性系統
或者
54
等效的定理
定理 1.6.4 等價敘述
 若 A 為 n × n 矩陣，則以下敘述為等價敘述。
 (a) A 是可逆的。
 (b) Ax = 0 只有顯解。
 (c) A 的簡化列梯形為 In。
 (d) A 可表為基本矩陣的乘積。
 (e) 對每一 n × 1 矩陣 b，Ax = b 是具一致性的。
 (f) 對每一 n × 1 矩陣 b，Ax = b 有唯一解。
55
定理 1.6.5
 令 A 和 B 是相同大小的方陣，若 AB 是可逆的，則
A 和 B 也一定是可逆的。
55
範例 3 使用消去法決定是否具有一致性 (不考)
試問 b1, b2, b3 必須滿足何種條件，才能使以下方

程式系統具有一致性？
56
範例 4 使用消去法決定是否具有一致性 (不考)
試問 b1, b2, b3 必須滿足何種條件，才能使以下方

程式系統具有一致性？
56
1.7對角矩陣、三角矩陣、對稱矩陣 (不考)
對角矩陣
 對角矩陣（diagonal matrix）。底下為一些範例：
 通式為
57
1.7對角矩陣、三角矩陣、對稱矩陣 (觀念)
 若乘積中的因子有對角矩陣，則計算很簡單
58
1.7 對角矩陣、三角矩陣、對稱矩陣
(不考)
58
範例 1 對角矩陣的次冪與反矩陣
58
1.7對角矩陣、三角矩陣、對稱矩陣(觀念)
三角矩陣
 一個方陣中主對角線上方的所有元素均為零的矩陣
稱為下三角矩陣（lower triangular matrix），而主
對角線下方的所有元素均為零的矩陣稱為上三角矩
陣（upper triangular matrix）。不管是下三角矩陣
還是上三角矩陣，都稱作三角矩陣（triangular
matrix）。
59
範例 2 上三角與下三角矩陣 (觀念)
59
1.7 對角矩陣、三角矩陣、對稱矩陣
定理 1.7.1
 (a) 下三角矩陣的轉置為上三角矩陣，上三角矩陣
的轉置為下三角矩陣。 (不考)
 (b) 下三角矩陣的乘積為下三角矩陣，上三角矩陣
的乘積為上三角矩陣。 (不考)
 (c) 三角矩陣為可逆矩陣，若且唯若其對角線元素
均不為零。
 (d) 可逆的下三角矩陣，其反矩陣為下三角矩陣，
可逆的上三角矩陣之反矩陣為上三角矩陣。 (不考)
60
範例 3 三角矩陣之計算 (不考)
考慮以下兩個上三角矩陣
由定理 1.7.1(c) 得知，矩陣 A 為可逆的、矩陣 B 為不可

逆的（因為 B 的著對角線上元素有出現 0）。另，定
理 1.7.1 也讓我們知道 A-1, AB, BA 都是上三角矩陣。
60
1.7對角矩陣、三角矩陣、對稱矩陣 (觀念)
對稱矩陣
定義1
 若 A = AT，則方陣 A 稱為對稱矩陣（symmetric
matrix）。
60
範例 4 對稱矩陣 (觀念)
下列矩陣為對稱矩陣，因其轉置後與原來矩陣相同。
60
1.7對角矩陣、三角矩陣、對稱矩陣(觀念)
定理 1.7.2
 若 A 和 B 為相同大小之對稱矩陣，且 k 為任意
純量，則
 (a) AT 為對稱矩陣。
 (b) A + B 和 A − B 為對稱矩陣。
 (c) kA 為對稱矩陣。
61
1.7對角矩陣、三角矩陣、對稱矩陣(不考)
定理 1.7.3
 兩對稱矩陣的乘積仍為對稱矩陣，若且為若矩
陣乘法可交換。
對稱矩陣的可逆性
定理 1.7.4
 若 A 為可逆的對稱矩陣，則反矩陣 A–1 亦為對

稱矩陣。
61
範例 5 對稱矩陣的乘積 (不考)
以下第一個方程式顯示，對稱矩陣的乘積結果不是
對稱矩陣。第二個方程式顯示，對稱矩陣的乘積結
果為對稱矩陣。我們得到的結論是：第一個方程式
的乘積因子不可交換，但第二個方程式乘積因子可
以交換。
61
範例 6 矩陣乘積和其轉置為對稱 (觀念)
令 A 為 2 × 3 矩陣
觀察可得， AAT 和 ATA 都是對稱矩陣。
62
1.8 LU 分解 (觀念)
定義1
 方陣 A 可分解為
A = LU (1)
 其中， L 為下三角矩陣、 U 為上三角矩陣，此

稱方陣 A 的 LU 分解（LU-decomposition或LU-
factorization）。
63
1.8 LU 分解 (不考)
使用 LU 分解求解線性系統
 步驟 1、對線性系統 Ax = b 的矩陣 A 進行 LU
分解，得
LUx = b (2)
 步驟 2、定義一個 n × 1 矩陣 y 為
Ux = y (3)
 步驟 3、將第 (3) 式代入 (2) 式，得 Ly = b，並
解出 y。
 步驟 4、將 y 代回第 (3) 式，並解出 x。
63
範例 1 使用 LU 分解進行 Ax = b 求解(不考)
若已知矩陣 A 可被分解為
用以解線性系統
64
範例 1 使用 LU 分解進行 Ax = b 求解(續) (不考)
從 (4) 式，可以將線性系統改寫為
如上述步驟 2，定義 y1, y2, y3 為
64
範例 1使用 LU 分解進行 Ax = b 求解(續) (不考)
同時，亦可改寫 (5) 式為
或，等效方程式如下
65
此系統僅需以類似回代法，只是這次是由上往下的
方程式進行回代，稱為前向回代法（forward
substitution），代回後可得
y1 = 1, y2 = 5, y3 = 2
如上述步驟 4，將這些值代回 (6) 式，即可得下面
的線性系統
65
或，等效方程式如下
利用回代法（back substitution），即可得
x1 = 2, x2 = −1, x3 = 2
65
求 LU 分解的作法
 亦即，存在有基本矩陣 E1, E2, . . . , Ek，使得
 所以由 (8) 可求出 A 為
66
定理 1.8.1
 方陣 A 可以使用高斯消去法化為列梯形 U，且
過程中沒有用到交換任兩列的這種列運算。則
方陣 A 可以被分解為 A = LU，其中， L 為下三
角矩陣。
66
範例 2 LU 分解 (不考)
求矩陣 A 之 LU 分解
66
範例 3 LU 分解過程有使用列交換運算(不考)
若過程中有使用列交換運算，則 LU 分解要修改成
PA = LU ，其中， P 是執行列交換運算的基本矩陣。
例如，若 A 矩陣為
68
範例 3 LU 分解過程有使用列交換運算(續) (不考)
所以，
無法達成 A 矩陣的 LU 分解，因為過程中為了避免

軸元出現 0，所以基本矩陣 E4 做了列交換的運算。
若我們調整一下過程，先對 A 矩陣做列交換的運算，
得 PA 為
68
再對 A' 進行高斯消去法，化簡為上三角矩陣 U，
過程如下
68
可得 PA = E1 ’–1E2 ’–1E3 ’–1E4 ’–1E5 ’–1U，即 A’

= PA = LU
69
1.9 線性系統之應用 (列式即可)
 範例 4 三個封閉迴路的電路
試求圖 1.9.9 中電路的電流 I1, I2 和 I3。
69

CH 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

CH 1

Uploaded by

Copyright:

Available Formats

CH 1

 在 b = 0 的特殊情況下，方程式 (1) 形式為

稱為 homogenous (齊次) equation

 例如，(5) 式的系統具有未知數 x 和 y，(6) 式的系

 其被稱有序的 n 項（ordered n-tuple）。

 將矩陣轉變為簡化列梯形（reduced row echelon

Case 1: for m>n coefficient matrix, m:equation number, n: variable number.

Case 2: for m=n coefficient matrix, , m:equation number, n: variable number.

Case 3: for m<n coefficient matrix, , m:equation number, n: variable number.

Case 4: for m>n coefficient matrix, , m:equation number, n: variable number.

Case 5: for m=n coefficient matrix, , m:equation number, n: variable number.

Case 6: for m<n coefficient matrix, , m:equation number, n: variable number.

Case 2: for m=n coefficient matrix, , m:equation number, n: variable number.

Case 3: for m<n coefficient matrix, , m:equation number, n: variable number.

Case 4: for m>n coefficient matrix, , m:equation number, n: variable number.

Case 5: for m=n coefficient matrix, , m:equation number, n: variable number.

Case 6: for m<n coefficient matrix, , m:equation number, n: variable number.

前導壹發生的位置在（第 1 列、第 1 行）、（第 2 列、

 矩陣 A 的第 i 列、第 j 行元素也可記作 (A)ij。

而，矩陣 A + C、B + C、A – C 和 B – C，為未定

將矩陣 A 的每一元素均乘上 c。矩陣 cA 稱為矩陣 A

由 (3) 式可知， AB 乘積的結果為 3 × 7 的矩陣，

 AB 乘積矩陣中，第 i 列第 j 行的元素 (AB)ij 為陰影部

通常將 (–1)B 記作 –B。

 需要前面矩陣 A 的行數和後面矩陣 B 的列數相同，

AB 乘積的第 1 列，即 (9) 式可計算如下，得

 AB 結果的第 (1, 1) 位置子矩陣的區塊：[-2]．[-1 1]

從公式 (6) 和定理 1.3.1，矩陣乘積 AB 的第 j 行行

可以將原來的系統的 m 個方程式、 n 個未知

 在 (12) 式中，我們可看到 AT 可由對方陣 A 的主對角

 (d) (kA)T = kAT

 (c) A(BC) = (AB)C （矩陣乘法結合律）

 (d) A(B + C) = AB + AC （矩陣乘法對矩陣加法之

所以， (AB)C = A(BC)，如定理 1.4.1(c) 所驗證。

 定理 1.4.5 中的量 ad – bc，稱之為 2 × 2 矩陣 A

(AB) B−1A−1 = AI A−1 = I (不考)

因此， (AB)–1 = B–1A–1 驗證了定理 1.4.6。

 (a) A–1 為可逆的，且 (A–1)–1 = A。

 (b) An 為可逆的，且 (An)–1 = A–n = (A–1)n。

 (c) 對任意非零純量 k， kA 為可逆的，且 (kA)–1 =

所以，如定理 1.4.7(b) 所示，

 為任意多項式，則可定義 n × n 的矩陣 p(A) 為

 其中， I 為 n × n 的單位矩陣。而 (3) 式稱為 A 的

剛好是將矩陣 A 的第 1 列乘以 3 倍加到第 3 列去。

A = E1−1 E2−1 ……Ek−1 用 A A−1 = I 證

使用定理 1.5.3 來決定所給定的齊次系統是否有非

由定理 1.6.2 知，系統的解為

試問 b1, b2, b3 必須滿足何種條件，才能使以下方

試問 b1, b2, b3 必須滿足何種條件，才能使以下方

由定理 1.7.1(c) 得知，矩陣 A 為可逆的、矩陣 B 為不可

 若 A 為可逆的對稱矩陣，則反矩陣 A–1 亦為對

觀察可得， AAT 和 ATA 都是對稱矩陣。

 其中， L 為下三角矩陣、 U 為上三角矩陣，此

如上述步驟 2，定義 y1, y2, y3 為

 所以由 (8) 可求出 A 為

無法達成 A 矩陣的 LU 分解，因為過程中為了避免

可得 PA = E1 ’–1E2 ’–1E3 ’–1E4 ’–1E5 ’–1U，即 A’

You might also like