线性代数
A
=
[
1
2
3
4
]
{\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}
向量 · 向量空间 · 基底 · 行列式 · 矩阵
向量
标量 · 向量 · 向量空间 · 向量投影 · 外积（向量积 · 七维向量积） · 内积（数量积） · 二重向量
矩阵与行列式
矩阵 · 行列式 · 线性方程组 · 秩 · 核 · 跡 · 單位矩陣 · 初等矩阵 · 方块矩阵 · 分块矩阵 · 三角矩阵 · 非奇异方阵 · 转置矩阵 · 逆矩阵 · 对角矩阵 · 可对角化矩阵 · 对称矩阵 · 反對稱矩陣 · 正交矩阵 · 幺正矩阵 · 埃尔米特矩阵 · 反埃尔米特矩阵 · 正规矩阵 · 伴随矩阵 · 余因子矩阵 · 共轭转置 · 正定矩阵 · 幂零矩阵 · 矩阵分解 （LU分解 · 奇异值分解 · QR分解 · 极分解 · 特征分解） · 子式和余子式 · 拉普拉斯展開 · 克罗内克积
线性空间与线性变换
线性空间 · 线性变换 · 线性子空间 · 线性生成空间 · 基 · 线性映射 · 线性投影 · 線性無關 · 线性组合 · 线性泛函 · 行空间与列空间 · 对偶空间 · 正交 · 特征向量 · 最小二乘法 · 格拉姆-施密特正交化
查论编
增广矩阵，又稱廣置矩陣，是在线性代数中系数矩阵的右边添上线性方程组等号右边的常数列得到的矩阵，如：方程
A
X
=
B
{\displaystyle AX=B}
系数矩阵为
A
{\displaystyle A}
，它的增广矩阵为
(
A
|
B
)
{\displaystyle (A|B)}
。方程组唯一确定增广矩阵，通过增广矩阵的初等行变换可用于判断对应线性方程组是否有解，以及化简求原方程组的解。
使用范例[编辑]
增广矩阵通常用于判断矩阵的有解的情况，下列
A
{\displaystyle A}
为线性方程组的系数矩阵，
(
A
|
B
)
{\displaystyle (A|B)}
为增广矩阵：
若
rank
(
A
)
<
rank
(
A
|
B
)
{\displaystyle \operatorname {rank} (A)<\operatorname {rank} (A|B)}
，方程组无解。
若
rank
(
A
)
=
rank
(
A
|
B
)
=
n
{\displaystyle \operatorname {rank} (A)=\operatorname {rank} (A|B)=n}
，方程组有唯一解。
若
rank
(
A
)
=
rank
(
A
|
B
)
<
n
{\displaystyle \operatorname {rank} (A)=\operatorname {rank} (A|B) ，方程组无穷解。 rank ( A ) > rank ( A | B ) {\displaystyle \operatorname {rank} (A)>\operatorname {rank} (A|B)} 不會發生，因为增广矩阵的秩大于等于系数矩阵的秩。 对于如下方程组： { x + 2 y + 3 z = 0 3 x + 4 y + 7 z = 2 6 x + 5 y + 9 z = 11 {\displaystyle {\begin{cases}x+2y+3z=0\\3x+4y+7z=2\\6x+5y+9z=11\end{cases}}} 系数矩阵为： A = [ 1 2 3 3 4 7 6 5 9 ] , B = [ 0 2 11 ] {\displaystyle A={\begin{bmatrix}1&2&3\\3&4&7\\6&5&9\end{bmatrix}},B={\begin{bmatrix}0\\2\\11\end{bmatrix}}} 增广矩阵为： ( A | B ) = [ 1 2 3 0 3 4 7 2 6 5 9 11 ] {\displaystyle (A|B)=\left[{\begin{array}{ccc|c}1&2&3&0\\3&4&7&2\\6&5&9&11\end{array}}\right]} 参考资料[编辑] 同济大学数学系．工程数学线性代数（第五版）．北京市西城区德外大街4号：高等教育出版社，2011-11：P64． 参见[编辑] 高斯消元法