线性代数学习----关于齐次方程组和非齐次方程组的解
🌈本次学习的视频是b站的俗说矩阵的关于方程组的解的笔记简要版,同时也加入了自己的理解在里面~
🐋欢迎大家交流讨论~ 同时本文适合学过线代但是不太理解的uu阅读~ 当然初学者也可以看看~可以有一个几何和代数的认识。
🌊当然 大家也可以看看b站火热的线性代数的本质婆婆町翻译(哈哈哈适合中国宝宝体质)的3b1b的视频讲的很好!
文章目录
关于齐次方程组的求解
🌱什么是齐次方程组?
直观理解:诸如这样的等式后面都是0的就是齐次方程组。
几何理解
🌴通俗一点说,对于二维平面~
从几何上直观理解,就是过原点的直线
那解齐次方程组的解就是去找到这些直线的交点,对应的交点的坐标就是我们要的解~
🤔想象一下,对于二维平面,几条过原点的直线,交点会有哪些情况?
🌺聪明,相交为一个点(也就是原点)(只有一个解,且为零解)和 重合(有无数个点 )(也就是有无数个解)
也就对应下面两种情况
代数解决
那么具体怎么体现在代数上(怎么解决呢?)
零解的情况
🌈阶梯系数矩阵非0行数和未知数个数相等,齐次线性方程组只有零解。
对于这个情况,可以想象我们有三条三维空间的直线 。
他们都经过原点,互不相交,所以解只有一个。
无穷解(非零解)的情况
🌈将系数矩阵进行初等行变换变为阶梯矩阵,如果非0行数小于未知数个数,则齐次线性方程组存在非零解。
也就是说,他们不是满秩的,不是满秩也就是线性相关,线性相关就会存在至少一个解自由的情况,也就是会有一组基础解。
这个例子,从几何上来说,三元坐标系,就是有平面重合了,交点是一条直线。具体见下图。
下面是上面的matlab代码
clear;clc;
[x, y, z] = meshgrid(-15:0.1:15);
f1 = @(x,y,z) x + 2*y + 3*z;
f2 = @(x,y,z) x + 6*y + 8*z;
f3=@(x,y,z) x + 10*y + 13*z;
fimplicit3(f1, 'm');
hold on;
% 绘制第二个函数
fimplicit3(f2, 'y');
% 绘制第三个函数
fimplicit3(f3,'b');
% 添加标题和标签
title('多个三元函数曲面绘制');
xlabel('X');
ylabel('Y');
zlabel('Z');
% 添加格网和色彩条
grid on;
colorbar;
对于这个情况,经过化简之后,其中一个方程消元被消元没了。其中一个全为0,也3条直线有1条和其他两条重合了,也就是有无穷多个解。
总结
1️⃣给定一个齐次的线性方程组A,首先明确未知数个数n。
2️⃣对这个方程的系数矩阵进行行变换,变成阶梯矩阵
3️⃣判断秩r和未知数个数n的的情况。
阶梯系数矩阵非0行数(秩r)和未知数个数(n)相等,齐次线性方程组只有零解。 r=n
将系数矩阵进行初等行变换变为阶梯矩阵,如果非0行数(秩r)小于未知数个数(n),则齐次线性方程组**存在非零解。**r<n
4️⃣如果r(A)<n,方程组存在非零解,此时找出主变量和自由变量,明确基础解系中向量的个数t =n -r(A),然后对自由变量正交赋值,自底向上地求出主变量的值,最终求出基础解系。
5️⃣将基础解系进行线性组合,得到的就是齐次线性方程组的通解。
🌿关于怎么具体求解方程组,还是大家建议看看原视频,讲的很清楚~
关于非齐次方程组的求解
🌳 非齐次方程组是什么样的?
类似这样,后面带数字的
几何理解
同样的:
🌴通俗一点说,对于二维平面~
从几何上直观理解,就是未过原点的直线(在原点上下平移)
那解非齐次方程组的解就是去找到这些直线的交点,对应的交点的坐标就是我们要的解~
🤔想象一下,对于二维平面,几条直线,交点会有哪些情况?
答案是:一个交点 重合(无数个点) 平行(没有交点)
也就是下面这几种情况
和线性相关联系理解
求解线性方程组本身就是求解他们空间的向量相不相关的问题。
我们线性相关的定义是:
a
1
,
a
2
,
⋯
,
a
m
\boldsymbol{a}_1,\boldsymbol{a}_2,\cdots,\boldsymbol{a}_m
a1,a2,⋯,am 是
m
m
m 个向量。对于方程
λ
1
a
1
+
λ
2
a
2
+
⋯
+
λ
m
a
m
=
0
\lambda_1\boldsymbol{a}_1+\lambda_2\boldsymbol{a}_2+\cdots+\lambda_m\boldsymbol{a}_m=\mathbf{0}
λ1a1+λ2a2+⋯+λmam=0 ,若其有非零解
(
λ
1
,
λ
2
,
⋯
,
λ
m
)
≠
0
(\lambda_1,\lambda_2,\cdots,\lambda_m)\neq\mathbf{0}
(λ1,λ2,⋯,λm)=0 ,则称
a
1
,
a
2
,
⋯
,
a
m
\boldsymbol{a}_1,\boldsymbol{a}_2,\cdots,\boldsymbol{a}_m
a1,a2,⋯,am 线性相关;
若其只有唯一解
(
λ
1
,
λ
2
,
⋯
,
λ
m
)
=
0
(\lambda_1,\lambda_2,\cdots,\lambda_m)=0
(λ1,λ2,⋯,λm)=0 ,则称
a
1
,
a
2
,
⋯
,
a
m
a_1,a_2,\cdots,a_m
a1,a2,⋯,am 线性无关。
🐬是不是看着很拗口,很抽象?
其实就是找有没有不全为0的λ,使得我上面的等式成立。如果有的话,就是线性相关,没有就是线性无关。
而线性无关就是满秩。
由此可见,0 向量和任意向量线性相关。
比如:
{
x
1
+
2
x
2
+
3
x
3
+
x
4
=
3
x
1
−
4
x
2
−
x
3
−
x
4
=
1
2
x
1
+
x
2
+
4
x
3
+
x
4
=
5
x
1
−
x
2
+
x
3
+
0
x
4
=
2
\left.\left\{\begin{array}{ccc}x_1+2x_2+3x_3+x_4=3\\x_1-4x_2-x_3-x_4=1\\2x_1+x_2+4x_3+x_4=5\\x_1-x_2+x_3+0x_4=2\end{array}\right.\right.
⎩
⎨
⎧x1+2x2+3x3+x4=3x1−4x2−x3−x4=12x1+x2+4x3+x4=5x1−x2+x3+0x4=2
可以看作
[
1
1
2
1
]
x
1
+
[
2
4
1
−
1
]
x
2
+
[
3
−
1
4
1
]
x
3
+
[
1
−
1
1
0
]
x
4
=
[
3
1
5
2
]
b
=
[
3
1
5
2
]
k
1
=
[
1
1
2
1
]
k
2
=
[
2
4
1
−
1
]
k
3
=
[
3
−
1
4
1
]
k
4
=
[
1
−
1
1
0
]
\begin{bmatrix}1\\1\\2\\1\end{bmatrix}x_1+\begin{bmatrix}2\\4\\1\\-1\end{bmatrix}x_2+\begin{bmatrix}3\\-1\\4\\1\end{bmatrix}x_3+\begin{bmatrix}1\\-1\\1\\0\end{bmatrix}x_4=\begin{bmatrix}3\\1\\5\\2\end{bmatrix} \\ b=\begin{bmatrix}3\\1\\5\\2\end{bmatrix} k_1=\begin{bmatrix}1\\1\\2\\1\end{bmatrix} k_2=\begin{bmatrix}2\\4\\1\\-1\end{bmatrix} k_3=\begin{bmatrix}3\\-1\\4\\1\end{bmatrix} k_4=\begin{bmatrix}1\\-1\\1\\0\end{bmatrix}
1121
x1+
241−1
x2+
3−141
x3+
1−110
x4=
3152
b=
3152
k1=
1121
k2=
241−1
k3=
3−141
k4=
1−110
⭐️也就是说:判断一组方程有没有解,就是判断有没有合适的x1 ,x2 ,x3 ,x4 (不全为0的数)使得k1 ,k2 ,k3 ,k4 和b向量线性相关。
对于求解方程式来说,如果系数矩阵满秩,就是线性无关。如果不满秩——线性相关。
如果想不明白可以想:
线性相关(不满秩)本身就可以有很多种表示
比如在一条直线上的两个向量,如果要表示这条直线的话是不是有很多种表达方式?也就是有很多个解比如(1,0) 和(0.5,0) 要表示(2,0) 有2*(1,0) + 0 *(0.5,0)=(2,0)或者 1 *(1,0)+2 *(0.5,0)=(2,0)
线性无关(满秩)
比如不再同一直线上的两个向量,需要表示另一个向量,比如(1,0) (0,1)要表示(1,1) 是不是有且仅有一种表示方法 即 1*(1,0)+1 *(0,1)=(1,1)
⭐️具体方法为
原系数矩阵(记作A)和新增加的b矩阵
🌱有没有解:看A和b是否线性相关 看A和b的秩的情况
线性相关 有解;线性无关 无解
如果增加b之后,A的秩没有增加,那么他们是 线性相关的(维度没有改变);反之(比如升了 一维,三维无法用二维表示)线性无关
☘️有多少个解(建立在A和b线性相关的基础上,也就是增广矩阵的秩和系数矩阵的秩相等):
看A是否满秩 满秩 只有一种表达方式 唯一解
不满秩 n种表达方式 无穷解
⭐️⭐️有没有解看的是加了新的向量,秩变不变化,变化则新的向量原有向量无法线性表示它,则线性无关。倘若新变量非全零,则无解。几个解 有解的情况下再看系数矩阵,倘若原本是满秩,则仅有一解。若不满秩,则有无穷解,且基础解系数量=n-r。
代数解决
唯一解
首先普及一个概念,增广矩阵。
⛵️ 具体看下图,很形象具体了~
☘️下面看看唯一解的代数解:
怎么理解?
首先增广矩阵和阶梯系数矩阵的非零行数相等(增加b(另一个新的向量),秩不增加,所以右边的向量和左边线性相关),且等于未知数个数(满秩)
系数矩阵的秩,记作rA ,如果增广矩阵rb和rA相等的, 意味着 满秩 系数矩阵(左侧系数矩阵) 均 线性无关,但是增加的右边的系数(b向量),秩不增加,所以右边的向量和左边线性相关,所以有唯一解。
即
增加b 秩不增加 👉 可以线性表示(有解)
满秩 👉 线性无关(一种表达方式)
故:可以线性唯一表示
无穷解
首先增广矩阵和阶梯系数矩阵的非零行数相等(也就是增加b之后我的秩没有改变),且不等于未知数个数(不是满秩)。
增加b 秩不增加 👉 可以线性表示(有解)
不是满秩 👉 线性相关 (很多种表达方式)
故:有无穷个解
无解
首先可以看看系数矩阵的秩,记作rA ,如果增广矩阵rb比rA还大的话,意味着,加上b之后,升了一个维度。(可以想象一下,原本是一个二维的平面,加上了一个b之后,升了一维)那么无论如何他也无法表示更高的维度。所以此时方程组必然是没有解的。
增加b 秩增加 👉 可以无法线性表示(无解)
故:无解
总结
☘️对于齐次方程组:
存在 零解 和无穷解的情况
通过判断矩阵的秩可以得到
1️⃣rA<n 无穷解
(可以理解为 线性相关 很多种可能 直线重合)
2️⃣rA=n 零解
(可以理解为 满秩 线性无关 只有一种可能 只与原点相交)
🌺:对于非齐次方程组:
存在 唯一解 无穷解 和 无解的情况
通过增广矩阵和系数矩阵判断有没有解
通过系数矩阵判断解有多少个
1️⃣有无解
rA<rb 无解
(可以理解为 升了一个维度二维的平面无法表示三维空间 两个线性无关的向量空间(秩不一样)无法相互表示 )
rA=rb 有解
(可以理解为 两个线性相关的向量空间(秩一样)可以相互表示 平面相交有交点)
2️⃣几个解
rA满秩
(可以理解为 系数矩阵线性无关 ,所以只有一种表示方法)
rA不满秩
(可以理解为 线性相关 有很多种表示方法 也就是内部能够有各种各样的表示方法 )
🚀再放一次
如果想不明白可以想:
线性相关(不满秩)本身就可以有很多种表示
比如在一条直线上的两个向量,如果要表示这条直线的话是不是有很多种表达方式?也就是有很多个解比如(1,0) 和(0.5,0) 要表示(2,0) 有2*(1,0) + 0 *(0.5,0)=(2,0)或者 1 *(1,0)+2 *(0.5,0)=(2,0)
线性无关(满秩)
比如不再同一直线上的两个向量,需要表示另一个向量,比如(1,0) (0,1)要表示(1,1) 是不是有且仅有一种表示方法 即 1*(1,0)+1 *(0,1)=(1,1)
🌈ok,完结~(●’◡’●) 看到这里 点个赞叭 (●’◡’●)