【线性代数公开课MIT Linear Algebra】 第八课 Ax=b，我们的核心问题

本系列笔记为方便日后自己查阅而写，更多的是个人见解，也算一种学习的复习与总结，望善始善终吧~
到这一课突然很有感触，我们到现在为止所学的东西，都是为了解决$Ax=b$，有感于学校的教学，舍本逐末，概念是用来合理的解释和解决问题的，不是吗？

---

最初的起点 $Ax=b$

在课上我们会看到老师求解时，将$A$写为增广矩阵的形式$[A_{M*N} | b_{M*1}]$，为什么可以这么做？
$Ax=b Ax-b=0$,$A$为$M*N$，$x$为$N*1$，b为$M*1$
可以写为

$$\begin{bmatrix} A & b\\ \end{bmatrix} \begin{bmatrix} x\\ -1 \end{bmatrix}$$
对增广矩阵消元可以比较容易的看出 $b$能否由$A$的col vector线性组合产生(相关内容为第六课 http://blog.csdn.net/a352611/article/details/48958079)
给定一个b，要找到所有的解有一个简便的方式，即找到一个特解（线性组合的方式）之后加上null space，何为特解？在消元的过程中，化为rref后可以很容易看出如何用pivot column组合出b，老师用的方法是化为阶梯矩阵然后无视free column的方式找出线性组合（特解），道理一样。
下面的话有些乱，可以跳过不看

实际上到这里有点领会rank的重要性，rank是pivot column的数量，其实我们有了pivot column就能描述出整个space，这个space可以包含矩阵中其他的free column，这是矩阵的共性，我们熟悉的三维空间中，我们常用的pivot column就是[1,0,0],[0,1,0],[0,0,1]也就是xyz轴，我们以此来描述整个$R^3$的space，任意一个矩阵也是可以找到自己的pivot column，类似于找到可以组成整个space的几个关键的向量

关于秩rank的讨论

祭出大杀器

第一种，最简单，pivot column可以表示整个空间，而b也肯定落在空间内，没有free column，所以必有且仅有一个解
第二种，pivot column无法可以表示整个空间，而b不一定定落在pivot column可以表示空间内，没有free column，所以当b在pivot column可以表示的空间外时，无解，反之，必有且仅有一个解
第三种，pivot column可以表示整个空间，而b也肯定落在空间内，同时有free column，所以必有且有无穷多解，由于free column的存在，可以在free column上找出无穷多解
第四种，pivot column可以表示整个空间，而b不一定定落在pivot column可以表示空间内，有free column，所以当b在pivot column可以表示的空间外时，无解，反之，必有且有无穷多解

PS：更详细的课堂笔记见另一位仁兄的笔记
http://blog.csdn.net/suqier1314520/article/details/10564149