Professional Documents
Culture Documents
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
下列均為非線性方程式:
3
1.1 線性方程系統簡介 (不考)
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
1.1 線性方程系統簡介 (觀念)
線性方程式或系統的 解可寫成
4
1.1 線性方程系統 簡介 (不考)
兩未知數的線性系統可聯想為兩直線的相交情形。
4
1.1 線性方程系統簡介 (觀念)
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
1.1 線性方程系統簡介 (不考)
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
範例 6 使用基本列運算(續)
9
範例 6 使用基本列運算(續)
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。
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
1.2 高斯消去法 (觀念)
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
1.2 高斯消去法 (觀念)
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.
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)
Examples of general solutions for linear system from a reduced row echelon form
augmented matrix.
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)
Examples of general solutions for linear system from a reduced row echelon form
augmented matrix.
1 0 2 0
0 0 0 1
a. no solutions :
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) 。
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)
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) 。
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)
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) 。
a. Infinite solutions:
(補充,觀念)
Examples of general solutions for linear system from a reduced row echelon form
augmented matrix.
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)
Examples of general solutions for linear system from a reduced row echelon form
augmented matrix.
1 0 2 0
0 0 0 1
a. no solutions :
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) 。
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)
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) 。
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)
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) 。
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
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
1.3 矩陣與矩陣運算 (觀念)
可寫為
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
1.3 矩陣與矩陣運算 (觀念)
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
定義4
若 A 為任意矩陣、 c 為任意純量,則純量乘法 cA 為
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
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
28
範例 4 純量乘法
對下列矩陣
可得
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
1.3 矩陣與矩陣運算 (不考)
27
1.3 矩陣與矩陣運算 (觀念)
矩陣分割
(不考)
28
1.3 矩陣與矩陣運算 (觀念)
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
1.3 矩陣與矩陣運算 (不考)
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
29
1.3 矩陣與矩陣運算 (不考)
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
1.3 矩陣與矩陣運算 (不考)
30
1.3 矩陣與矩陣運算 (不考)
30
1.3 矩陣與矩陣運算 (不考)
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
1.3 矩陣與矩陣運算 (不考)
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
32
範例 9 矩陣乘積 AB 的各行向量視為
線性組合(續) (不考)
32
1.3 矩陣與矩陣運算 (不考)
線性方程系統之矩陣形式
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
1.3 矩陣與矩陣運算 (觀念)
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
1.3 矩陣與矩陣運算
亦即,
34
1.3 矩陣與矩陣運算
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
1.3 矩陣與矩陣運算
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)
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
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
1.4 反矩陣與矩陣的代數特性
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
1.4 反矩陣與矩陣的代數特性
單位矩陣
單位矩陣(identity matrix)。
單位矩陣記作 I。
39
1.4 反矩陣與矩陣的代數特性
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
1.4 反矩陣與矩陣的代數特性 (不考)
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
1.4 反矩陣與矩陣的代數特性 (不考)
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
1.4 反矩陣與矩陣的代數特性
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。
42
範例 8 反矩陣的乘積 (不考)
考慮下列矩陣
可知
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
1.4 反矩陣與矩陣的代數特性
定理 1.4.7
若 A 為可逆的,且 n 是非負整數,則
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,
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
1.4 反矩陣與矩陣的代數特性 (觀念)
矩陣多項式
若 A 為 n × n 方陣,若
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
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
1.5 基本矩陣與A−1 的求法 (觀念)
(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
1.5 基本矩陣與A−1 的求法 (觀念)
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。
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)
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
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
1.6 再論線性系統與反矩陣 (觀念)
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
1.6 再論線性系統與反矩陣 (觀念)
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)
56
範例 4 使用消去法決定是否具有一致性 (不考)
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
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
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
62
1.8 LU 分解 (觀念)
定義1
方陣 A 可分解為
A = LU (1)
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
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
範例 1 使用 LU 分解進行 Ax = b 求解(續) (不考)
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
範例 1 使用 LU 分解進行 Ax = b 求解(續) (不考)
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
1.8 LU 分解 (觀念)
求 LU 分解的作法
亦即,存在有基本矩陣 E1, E2, . . . , Ek,使得
66
1.8 LU 分解 (觀念)
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,
68
範例 3 LU 分解過程有使用列交換運算(續) (不考)
再對 A' 進行高斯消去法,化簡為上三角矩陣 U,
過程如下
68
範例 3 LU 分解過程有使用列交換運算(續) (不考)
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