线性代数学习----关于齐次方程组和非齐次方程组的解（理解型）

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！

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：${\mathbf{a}}_1,{\mathbf{a}}_2,\cdots ,{\mathbf{a}}_m$ 是 $m$ 个向量。对于方程 ${\lambda }_1{\mathbf{a}}_1+{\lambda }_2{\mathbf{a}}_2+\cdots +{\lambda }_m{\mathbf{a}}_m=0$ ,若其有非零解
$({\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_m)\ne 0$ ,则称 ${\mathbf{a}}_1,{\mathbf{a}}_2,\cdots ,{\mathbf{a}}_m$ 线性相关；
若其只有唯一解 $({\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_m)=0$ ,则称 $a_1,a_2,\cdots ,a_m$ 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：
$$\{\begin{array}{c}{x}_1+2x_2+3x_3+x_4=3\\ x_1-4x_2-x_3-x_4=1\\ 2x_1+x_2+4x_3+x_4=5\\ x_1-x_2+x_3+0x_4=2\end{array}$$
可以看作
$$\begin{gathered} \left[\begin{array}{c}1\\ 1\\ 2\\ 1\end{array}\right]x_1+\left[\begin{array}{c}2\\ 4\\ 1\\ -1\end{array}\right]x_2+\left[\begin{array}{c}3\\ -1\\ 4\\ 1\end{array}\right]x_3+\left[\begin{array}{c}1\\ -1\\ 1\\ 0\end{array}\right]x_4=\left[\begin{array}{c}3\\ 1\\ 5\\ 2\end{array}\right] \\ b=\left[\begin{array}{c}3\\ 1\\ 5\\ 2\end{array}\right]k_1=\left[\begin{array}{c}1\\ 1\\ 2\\ 1\end{array}\right]k_2=\left[\begin{array}{c}2\\ 4\\ 1\\ -1\end{array}\right]k_3=\left[\begin{array}{c}3\\ -1\\ 4\\ 1\end{array}\right]k_4=\left[\begin{array}{c}1\\ -1\\ 1\\ 0\end{array}\right] \end{gathered}$$
⭐️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r_A ,如果增广矩阵r_b和r_A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r_A ,如果增广矩阵r_b比r_A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

1️⃣r_A<n 无穷解

（可以理解为 线性相关 很多种可能 直线重合）

2️⃣r_A=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

r_A<r_b 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 ）

r_A=r_b 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

r_A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）

r_A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 (●’◡’●)