学习笔记: 线性代数-线性系统求解的应用:求解一个矩阵的逆

简介: 线性代数个人学习笔记

一个矩阵的逆满足条件$ A \times A^{-1} = A^{-1} \times A = I$。
进而,求解矩阵的逆可以基于这个约束建立方程组进行处理。如求矩阵$A = \begin{bmatrix} 1&2 \\ 3&4\end{bmatrix}$的逆$A^{-1}$可以建立如下方程组进行求解:

除了上面建立线性方程组求解,还可以通过构建更简洁的增广矩阵进行消元后直接得到矩阵的逆矩阵:
形式上为:$(\begin{array} 0A&|&I \end{array}) \to (\begin{array} 0I&|&A^{-1} \end{array})$

$\textbf{关于增广矩阵} (\begin{array} 0A&|&I \end{array}) \textbf{的一些细节说明:}$
① $(\begin{array} 0A&|&I \end{array})$构成的增广矩阵的解只有两种情况,无解和唯一解,不可能有无穷解。因为$\begin{bmatrix} a&b&|&1&0 \\ c&d&|&0&1 \end{bmatrix}$这种结构的增广矩阵的右侧矩阵(结果矩阵)在通过基础变换消元过程中不可能出现全0行,而一个线性系统出现无穷解的条件就是其构成的增广矩阵的行最简形式中出现了全0行,所以对于一个方阵来说,通过构建 $(\begin{array} 0A&|&I \end{array})$形式的增广矩阵求解逆矩阵只会出现唯一解或无解两种情况。

增广矩阵$(\begin{array} 0A&|&I \end{array})$ 无解的结构: $\color{red} {\large\textbf{增广矩阵左侧的系数矩阵存在全0行}} \to \begin{bmatrix} a&b&|&1&0 \\ 0&0&|&*&* \end{bmatrix}$,这种情况就是方程矛盾(系数全是0,但结果不为0,不可能成立)

目录
相关文章
|
8月前
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)
|
7月前
线性代数——(期末突击)矩阵(下)-习题篇(初等变换求逆矩阵、矩阵乘法、求矩阵方程、求线性方程组、解齐次线性方程组)
线性代数——(期末突击)矩阵(下)-习题篇(初等变换求逆矩阵、矩阵乘法、求矩阵方程、求线性方程组、解齐次线性方程组)
114 0
数学|如何求解线性方程系数?
数学|如何求解线性方程系数?
186 0
|
移动开发
|
算法
线性代数(一)矩阵和方程组
线性代数(一)矩阵和方程组
179 0
|
算法
线性代数(二)矩阵代数
线性代数(二)矩阵代数
100 0
|
人工智能 移动开发 算法
初等变换法求解线性方程组
初等变换法求解线性方程组
雅克比迭代法求解线性方程组
雅克比迭代法求解线性方程组
131 0
|
算法
F#实现Runge–Kutta算法求解常微分方程
不少工程问题中涉及的微分方程,我们很难求出方程的解析解,或者说根本不存在精确的解析解。此时,我们需要利用电脑,结合数值分析的方法来近似求出微分方程的相关解,并研究其性质。通过求出多个自变量的值,并求出对应的解,那么可以绘制出图形来辅助研究方程的特征。本文将介绍F#实现Runge–Kutta算法求解微分方程。
871 0
F#实现Runge–Kutta算法求解常微分方程