{
  "id": "augmented-matrix",
  "title": "增广矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "增广矩阵将线性方程组的系数矩阵与右端项合并，可通过行变换判断方程组是否有解并求解。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/augmented-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/augmented-matrix/",
      "json": "https://aiwiki.page/en/augmented-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "增广矩阵是在一个矩阵右侧添加一列或多列而形成的矩阵。在线性代数中，这个术语通常指将线性方程组的系数矩阵与右端常数列合并得到的矩阵，记作 \\([A\\mid b]\\)。它以紧凑的形式记录整个方程组 \\(Ax=b\\)，便于使用高斯消元法。竖线用于区分系数列与右端项，只是一种记号上的辅助，并不是矩阵中的额外元素。"
    },
    {
      "heading": "定义与记号",
      "text": "考虑一个含有 \\(n\\) 个未知数、\\(m\\) 个线性方程的方程组：\n\n\\[\\begin{aligned} a_{11}x_1+\\cdots+a_{1n}x_n&=b_1,\\\\ a_{21}x_1+\\cdots+a_{2n}x_n&=b_2,\\\\ &\\vdots\\\\ a_{m1}x_1+\\cdots+a_{mn}x_n&=b_m. \\end{aligned}\\]\n\n其矩阵形式为 \\(Ax=b\\)，其中 \\(A=(a_{ij})\\) 是 \\(m\\times n\\) 的系数矩阵，\\(x\\) 是未知数列向量，\\(b\\) 是常数列向量。增广矩阵为\n\n\\[[A\\mid b]= \\left[ \\begin{array}{ccc|c} a_{11}&\\cdots&a_{1n}&b_1\\\\ a_{21}&\\cdots&a_{2n}&b_2\\\\ \\vdots&&\\vdots&\\vdots\\\\ a_{m1}&\\cdots&a_{mn}&b_m \\end{array} \\right].\\]\n\n它有 \\(m\\) 行、\\(n+1\\) 列。每一行代表一个方程，前 \\(n\\) 列按固定顺序与各未知数对应。方程中缺少的项必须用零系数表示。\n\n矩阵元素可以取自任意域（数学），通常取自实数或复数。通常的消元规则依赖于非零域元素均可作除数这一性质，因此不能原封不动地推广到任意环（数学）上。"
    },
    {
      "heading": "行变换与同解方程组",
      "text": "化简增广矩阵时使用以下三种初等行变换：\n\n- 交换两行。\n- 将某一行乘以一个非零标量。\n- 将某一行的标量倍数加到另一行上。\n\n每种变换都可逆，并且完全保持所表示方程组的解集不变。关键在于，变换必须作用于整行，包括右端项。\n\n从代数上看，一系列行变换相当于左乘一个可逆矩阵 \\(E\\)：\n\n\\[[A\\mid b]\\longmapsto[EA\\mid Eb].\\]\n\n由于 \\(E\\) 可逆，\\(Ax=b\\) 与 \\(EAx=Eb\\) 的解相同。\n\n高斯消元法将矩阵化为行阶梯形：所有零行都位于非零行下方，而且每个非零行的首个非零元素都比上一非零行的首个非零元素更靠右。这些首个非零元素称为主元。随后通过回代，即可用自由变量表示各主元变量。\n\n继续消去每个主元上方的元素，并将各主元缩放为 \\(1\\)，就得到简化行阶梯形。与普通行阶梯形不同，一个矩阵的简化行阶梯形是唯一的。\n\n行变换应与列变换区分开来。交换系数列会改变变量的排列顺序，而一般的列变换则需要相应地作变量变换。如果不作这样的解释，列变换并不保持原来的解集不变。"
    },
    {
      "heading": "计算示例",
      "text": "方程组\n\n\\[\\begin{aligned} x+2y&=5,\\\\ 3x+4y&=11 \\end{aligned}\\]\n\n的增广矩阵为\n\n\\[\\left[ \\begin{array}{cc|c} 1&2&5\\\\ 3&4&11 \\end{array} \\right].\\]\n\n从第二行减去第一行的三倍，得到\n\n\\[\\left[ \\begin{array}{cc|c} 1&2&5\\\\ 0&-2&-4 \\end{array} \\right].\\]\n\n第二行表示 \\(-2y=-4\\)，因此 \\(y=2\\)；代入第一个方程，得到 \\(x=1\\)。也可以先将第二行乘以 \\(-\\tfrac12\\)，再从第一行减去所得第二行的两倍，得到\n\n\\[\\left[ \\begin{array}{cc|c} 1&0&1\\\\ 0&1&2 \\end{array} \\right],\\]\n\n由此可以直接读出两个未知数的值。"
    },
    {
      "heading": "相容性、秩与自由变量",
      "text": "增广矩阵可以用来判断方程组是否相容，即是否至少有一个解。形如\n\n\\[\\left[ \\begin{array}{cccc|c} 0&0&\\cdots&0&c \\end{array} \\right], \\qquad c\\ne0,\\]\n\n的一行表示不可能成立的方程 \\(0=c\\)，因此该方程组不相容。\n\n更一般地，相容性可以用矩阵的秩来刻画：\n\n\\[Ax=b\\text{ is consistent} \\quad\\Longleftrightarrow\\quad \\operatorname{rank}(A)=\\operatorname{rank}([A\\mid b]).\\]\n\n添加 \\(b\\) 后秩保持不变，当且仅当 \\(b\\) 属于 \\(A\\) 的各列所生成的线性包；等价地，\\(b\\) 属于 \\(A\\) 所表示的线性映射的像（线性映射）。\n\n若一个相容方程组有 \\(n\\) 个未知数，且 \\(\\operatorname{rank}(A)=r\\)，则：\n\n- 当 \\(r=n\\) 时，方程组有唯一解。\n- 当 \\(r<n\\) 时，方程组有 \\(n-r\\) 个自由变量。\n\n在实数或复数范围内，至少有一个自由变量的相容方程组有无穷多个解。而在含 \\(q\\) 个元素的有限域上，它恰有 \\(q^{n-r}\\) 个解。\n\n例如，\n\n\\[\\left[ \\begin{array}{ccc|c} 1&2&-1&3\\\\ 0&0&0&0 \\end{array} \\right]\\]\n\n表示 \\(x_1+2x_2-x_3=3\\)。令 \\(x_2=s\\)、\\(x_3=t\\)，可得\n\n\\[x= \\begin{bmatrix} 3\\\\0\\\\0 \\end{bmatrix} +s \\begin{bmatrix} -2\\\\1\\\\0 \\end{bmatrix} +t \\begin{bmatrix} 1\\\\0\\\\1 \\end{bmatrix}.\\]\n\n一般而言，若 \\(x_p\\) 是一个特解，则每个解都可写成\n\n\\[x=x_p+z,\\qquad z\\in\\ker(A),\\]\n\n其中 \\(\\ker(A)\\) 是 \\(A\\) 的零空间。因此，由秩—零化度定理可知，非空解集是一个维数为 \\(n-r\\) 的仿射空间。"
    },
    {
      "heading": "多个右端项与矩阵求逆",
      "text": "同样的构造也适用于矩阵方程\n\n\\[AX=B,\\]\n\n其中 \\(B\\) 有多列。利用增广矩阵 \\([A\\mid B]\\)，可以同时对所有右端项施加相同的行变换。\n\n一个重要的特例是计算逆矩阵。对于 \\(n\\times n\\) 方阵 \\(A\\)，构造\n\n\\[[A\\mid I_n],\\]\n\n其中 \\(I_n\\) 是单位矩阵。如果通过行化简将左侧分块变为 \\(I_n\\)，则有\n\n\\[[A\\mid I_n]\\longrightarrow[I_n\\mid A^{-1}].\\]\n\n如果 \\(A\\) 是奇异矩阵，左侧分块就无法化为单位矩阵。这一过程通常称为高斯–若尔当求逆法。"
    },
    {
      "heading": "数值计算方面的考虑",
      "text": "增广矩阵只是一种表示方式，并不能保证计算的准确性。在浮点运算中，消元过程可能积累舍入误差，而非常小的主元可能导致中间计算值很大。选主元策略，尤其是通过交换行来选取合适的主元，可以改善数值稳定性。\n\n对于病态方程组，即使算法是稳定的，系数或右端项的微小扰动仍可能使解发生很大变化。这种敏感性用条件数来描述。\n\n实际软件通常将系数矩阵与右端项分开存储，并使用LU分解或其他矩阵分解，而不是显式构造一个完整的增广数组。求解 \\(Ax=b\\) 时，通常没有必要先计算 \\(A^{-1}\\)。对于不相容方程组，行化简可以判明其不存在精确解；若要得到近似拟合结果，则需要引入额外的准则，例如最小二乘法。"
    }
  ],
  "links": [
    "matrix",
    "linear-algebra",
    "system-of-linear-equations",
    "gaussian-elimination",
    "field-mathematics",
    "real-number",
    "complex-number",
    "ring-mathematics",
    "matrix-rank",
    "linear-span",
    "linear-map",
    "image-linear-map",
    "finite-field",
    "null-space",
    "rank-nullity-theorem",
    "affine-space",
    "inverse-matrix",
    "identity-matrix",
    "floating-point-arithmetic",
    "numerical-stability",
    "condition-number",
    "lu-decomposition",
    "least-squares"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}