第二章矩阵-1.线性方程组和矩阵

1. 先分清：齐次 vs 非齐次 线性方程组

设未知数：$x_1,x_2,\dots,x_n$

1.1齐次线性方程组

右边全是 0

简写：$A\boldsymbol{x}=\boldsymbol{0}$

1.2 非齐次线性方程组

右边不全是 0

简写：$A\boldsymbol{x}=\boldsymbol{b}$，且 $\boldsymbol{b}\neq\boldsymbol{0}$

1.3. 什么是 零解？什么是 非零解？

这两个概念只对齐次方程组 $A\boldsymbol{x}=\boldsymbol{0}$ 说。

1.3.1零解

所有未知数都等于 0：

记作：$\boldsymbol{x}=\boldsymbol{0}$

任何齐次方程组一定有零解！ （把 0 代进去，左边一定等于 0）

1.3.2非零解

不是全 0 的解 至少有一个未知数 ≠ 0，比如：

这就是非零解。

1.4 对齐次方程组 $A\boldsymbol{x}=\boldsymbol{0}$

1. 一定有零解
2. 有没有非零解，看秩：
   • 若 $r(A) < n$ ⇒ 有非零解（无穷多解）
   • 若 $r(A) = n$ ⇒ 只有零解

（$n$ 是未知数个数，$r(A)$ 是系数矩阵的秩）

1.4.1 什么是零解、非零解

例子：

• 零解： $x=0,\;y=0$ 代入一定成立，所有齐次方程都一定有零解。

• 非零解： 比如 $x=1,\;y=-1$ 这就是不全为0的解，叫非零解。

---

1.4.2. 只有零解 的例子（唯一解就是零解）

解：

只有这一组解，就是只有零解。

系数矩阵：

未知数个数 $n=2$

---

3.3. 有非零解 的例子

第二个方程是第一个的2倍，真正只有一个方程。 解：$y=-x$，有无穷多解，比如：

这些都是非零解。

系数矩阵：

未知数个数 $n=2$

求秩（行变换）

第2行 − 2×第1行：

非零行只有 1 行,$\quad r(A)=1$。

1.5. 非齐次方程组 $A\boldsymbol{x}=\boldsymbol{b}$ 怎么说？

对非齐次，不说“零解/非零解”，只说：

• 无解
• 唯一解
• 无穷多解

判据：

• $r(A) \neq r(\overline{A})$ ⇒ 无解
• $r(A) = r(\overline{A}) = n$ ⇒ 唯一解
• $r(A) = r(\overline{A}) < n$ ⇒ 无穷多解

（$\overline{A}$ 是增广矩阵）

1.5.1. 唯一解 的例子

解：

只有这一组解 → 唯一解。

---

1.5.2. 无穷多解 的例子

第二个方程就是第一个乘2， 解：$y=3-x$，有无穷多组：

→ 无穷多解。

系数矩阵：

未知数个数 $n=2$

求秩（行变换）

第2行 − 2×第1行：

非零行只有 1 行,$\quad r(A)=1$。

1.5.3. 无解 的例子

同一个 $x+y$ 不可能既等于3又等于5 → 无解。

1.6. 一句话总结

• 零解：全是 0 的解，齐次必有。
• 非零解：不全是 0 的解，齐次才有这说法。
• 齐次：看有没有非零解。
• 非齐次：看有无解、唯一还是无穷多。

2.矩阵

2.1矩阵的定义

矩阵就是：按行、按列整齐排列的一张数表。

写成这样：

• 横着叫 行
• 竖着叫 列
• 里面每个数字叫 元素

它不是一个数，它是一整块数据。

教科书版：

假设我们有一个包含 $m$ 个方程和 $n$ 个未知数的线性方程组：

我们可以定义三个矩阵（或向量）：

• 系数矩阵 (Coefficient Matrix) $A$：由未知数前面的系数组成，是一个 $m \times n$ 的矩阵。
  $$A = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mn} \end{bmatrix}$$
• 未知数向量 (Variable Vector) $x$：由所有未知数组成，是一个 $n \times 1$ 的列向量。
  $$x = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix}$$
• 常数向量 (Constant Vector) $b$：由等号右边的常数组成，是一个 $m \times 1$ 的列向量。
  $$b = \begin{bmatrix} b_1 \\ b_2 \\ \vdots \\ b_m \end{bmatrix}$$

利用矩阵乘法的定义，上述庞大的方程组可以简洁地写为：

此外，为了进行高斯消元法等操作，我们常将 $A$ 和 $b$ 合并为一个增广矩阵 (Augmented Matrix)，记作 $[A|b]$：

几何与代数意义的对应

矩阵不仅仅是方程组的简写，它还提供了更深层次的视角：

• 行视角 (Row Picture)： 矩阵 $A$ 的每一行代表方程组中的一个方程（在二维中是直线，三维中是平面）。求解方程组就是寻找这些直线或平面的交点。

• 列视角 (Column Picture)： 矩阵乘法 $Ax$ 可以看作是矩阵 $A$ 的列向量的线性组合。

  $$x_1 \begin{bmatrix} a_{11} \\ a_{21} \\ \vdots \end{bmatrix} + x_2 \begin{bmatrix} a_{12} \\ a_{22} \\ \vdots \end{bmatrix} + \dots + x_n \begin{bmatrix} a_{1n} \\ a_{mn} \\ \vdots \end{bmatrix} = \begin{bmatrix} b_1 \\ b_2 \\ \vdots \end{bmatrix}$$

  求解方程组的问题转化为：是否存在一组标量 $x_1, \dots, x_n$，使得 $A$ 的列向量线性组合后等于向量 $b$？

  • 如果 $b$ 在 $A$ 的列空间（Column Space）内，方程组有解。
  • 如果 $b$ 不在 $A$ 的列空间内，方程组无解。

2.2 矩阵和线性方程组到底啥关系？

看方程组：

2.2.1 系数矩阵 A

只把未知数前面的系数抽出来：

2.2.2 常数项列向量 b

把等号右边的数抽出来：

2.2.3 什么是增广矩阵 $\overline{A}$？

增广矩阵 = 系数矩阵 A 右边再接上常数 b 这一列。

上面那个方程组：

• 左边：系数
• 右边：常数
• 中间竖线只是为了好看，方便区分

2.2.4 整个方程组可以简写为：

这就是矩阵的巨大作用：把一长串方程，缩成一行公式。

因为写方程组太啰嗦，所以用矩阵只写数字，干净、好算、好判断

我们之前说的：

• 秩 r(A)
• 有没有零解 / 非零解
• 非齐次有没有解
• 唯一解 / 无穷多解

全都是在看矩阵，不用再写一长串方程。

2.2.5 增广矩阵和方程组的关系：完全等价

• 你对矩阵做行变换 ↔ 等于你在对方程组加减消元

• 矩阵里有全零行 ↔ 方程组里有多余方程

• 矩阵里出现 0 0 | 5 这种行 ↔ 方程组矛盾，无解

1) 先看一个方程组

我们平时手算解方程，是这么做的：

1. 第一个方程不动： $x + y = 3$
2. 第二个方程 减去 第一个方程： $(x - y) - (x + y) = 1 - 3$ 得到： $-2y = -2$

这就叫： 对方程组做加减消元

2) 再看它的增广矩阵

现在我们对矩阵做行变换：

1. 第1行不动
2. 第2行 = 第2行 − 第1行

你看： 矩阵这一行算出来的结果， 正好就是方程组消元后的新方程！

3) 核心对应关系（一定要记）

你对矩阵做的操作	等于对方程组做什么
交换两行	交换两个方程的顺序
某一行乘一个数	某个方程两边同乘一个数
一行加减另一行	两个方程相加减，消元

矩阵行变换 = 方程组加减消元 只是写法更简洁，不用每次都写 x、y、=

4) 一句话终极理解

• 方程组：带 x、y、= 的一长串式子
• 矩阵：只把系数和常数抽出来，变成表格
• 行变换：就是在偷偷帮你做消元，不写字母，只算数

所以：你看到矩阵行变换，就等于在脑子里做解方程的消元。

2.2.4 解的存在性与唯一性 (通过矩阵性质判断)

矩阵的理论直接决定了线性方程组解的情况。对于 $n$ 个方程 $n$ 个未知数的系统 ($Ax=b$)：

1. 唯一解：

   • 当且仅当系数矩阵 $A$ 是可逆的（非奇异的），即行列式 $\det(A) \neq 0$。
   • 此时解可以直接通过逆矩阵求得：$x = A^{-1}b$。
   • 这也意味着 $A$ 的秩 (Rank) 等于 $n$。

2. 无解：

   • 当增广矩阵 $[A|b]$ 的秩 大于 系数矩阵 $A$ 的秩时 ($\text{rank}(A) < \text{rank}([A|b])$)。
   • 这通常发生在化简后出现类似 $0 = 1$ 的矛盾方程时。

3. 无穷多解：

   • 当 $\text{rank}(A) = \text{rank}([A|b]) < n$ 时。
   • 这意味着方程组中存在“自由变量”，解集构成一个线性流形（如直线、平面等）。
   • rank就是求矩阵的秩

2.2.5. 求解方法上的联系

几乎所有求解线性方程组的高效算法都是基于矩阵操作的：

• 高斯消元法 (Gaussian Elimination)：通过对增广矩阵 $[A|b]$ 进行初等行变换，将其化为行阶梯形矩阵，从而回代求解。
• 克拉默法则 (Cramer's Rule)：利用行列式直接计算解（适用于小规模且 $\det(A) \neq 0$ 的情况）。
• 矩阵分解：如 $LU$ 分解、$QR$ 分解、奇异值分解 ($SVD$)，这些是将复杂矩阵拆解为简单矩阵乘积的方法，用于数值稳定地求解大型方程组。

2.2.6 总结

• 形式上：线性方程组是矩阵方程 $Ax=b$ 的展开形式，矩阵是方程组的压缩表示。

• 本质上：解线性方程组等价于寻找向量 $b$ 是否在矩阵 $A$ 的列空间中，以及如何在基向量（$A$ 的列）下表示 $b$。

• 应用上：矩阵理论（秩、行列式、逆、特征值等）为判断方程组解的性质（存在性、唯一性）提供了完美的判据，并提供了系统的计算方法。

2.4 增广矩阵到底有什么用

作用只有一个：

用来判断非齐次线性方程组 $A\boldsymbol{x}=\boldsymbol{b}$ 有没有解。

判断规则：

1. 算系数矩阵的秩：$r(A)$
2. 算增广矩阵的秩：$r(\overline{A})$

• $r(A) = r(\overline{A})$ ⇒ 有解
• $r(A) \neq r(\overline{A})$ ⇒ 无解

---

举个最经典的例子：无解的情况

系数矩阵 A

化简：

增广矩阵 $\overline{A}$

第2行−第1行：

非零行有 2 行 ⇒ $r(\overline{A})=2$

比较

⇒ 方程组无解！

---

2.4.1 高斯消元法

增广矩阵（Augmented Matrix）就是为了配合高斯消元法而诞生的“最佳载体

1) 核心目标

将线性方程组的增广矩阵 $[A|b]$ 转化为 行阶梯形矩阵 (Row Echelon Form, REF)。

• 行阶梯形矩阵的样子：

  • 所有非零行都在全零行的上面。
  • 每一行的第一个非零元素（称为主元，Pivot）所在的列，严格位于上一行主元所在列的右侧。
  • 主元下方的元素全部为 0。

  例如，一个化简后的阶梯形矩阵看起来像这样（*代表任意数，▲代表主元）：

  $$\left[\begin{array}{ccc|c} \mathbf{▲} & * & * & * \\ 0 & \mathbf{▲} & * & * \\ 0 & 0 & \mathbf{▲} & * \\ 0 & 0 & 0 & 0 \end{array}\right]$$

  这种形状使得我们可以从最后一行开始，依次向上回代求出所有未知数。

---

2) 三大基本操作 (初等行变换)

高斯消元法只允许对矩阵的行进行以下三种操作，这些操作不会改变方程组的解：

1. 交换两行 ($R_i \leftrightarrow R_j$)：交换两个方程的位置。
2. 倍乘某一行 ($k \cdot R_i \to R_i$, $k \neq 0$)：将一个方程两边同时乘以非零常数。
3. 倍加某一行到另一行 ($R_i + k \cdot R_j \to R_i$)：将一个方程的 $k$ 倍加到另一个方程上（这是消元的关键步骤）。

---

3) 具体步骤演示

假设我们要解以下方程组：

第一步：写成增广矩阵

第二步：消元 (向前消去) 目标：让第一列主元（第1行第1列的1）下方的元素全变为0。

1. 消去第2行的 $2$：用第2行减去第1行的2倍 ($R_2 - 2R_1 \to R_2$)。

   • $2 - 2(1) = 0$
   • $3 - 2(1) = 1$
   • $1 - 2(1) = -1$
   • $11 - 2(6) = -1$
   • 矩阵变为：
     $$\left[\begin{array}{ccc|c} 1 & 1 & 1 & 6 \\ 0 & 1 & -1 & -1 \\ 1 & 2 & 2 & 10 \end{array}\right]$$

2. 消去第3行的 $1$：用第3行减去第1行 ($R_3 - R_1 \to R_3$)。

   • 矩阵变为：
     $$\left[\begin{array}{ccc|c} 1 & 1 & 1 & 6 \\ 0 & 1 & -1 & -1 \\ 0 & 1 & 1 & 4 \end{array}\right]$$

3. 处理第二列：现在看第2行第2列的主元（是1），要消去它下方的元素（第3行的1）。

   • 用第3行减去第2行 ($R_3 - R_2 \to R_3$)。
   • $1-1=0$, $1-(-1)=2$, $4-(-1)=5$.
   • 矩阵变为行阶梯形：
     $$\left[\begin{array}{ccc|c} 1 & 1 & 1 & 6 \\ 0 & 1 & -1 & -1 \\ 0 & 0 & 2 & 5 \end{array}\right]$$

第三步：回代 (Back Substitution) 现在矩阵已经对应了一个简化的方程组，我们从下往上解：

1. 由第3行：$2z = 5 \implies z = 2.5$
2. 代入第2行：$y - z = -1 \implies y - 2.5 = -1 \implies y = 1.5$
3. 代入第1行：$x + y + z = 6 \implies x + 1.5 + 2.5 = 6 \implies x + 4 = 6 \implies x = 2$

最终解：$x=2, y=1.5, z=2.5$。

---

4) 高斯消元法能告诉我们什么？

在消元过程中，我们可以直接判断解的情况：

1. 出现矛盾行：如果某一行变成了 $[0, 0, \dots, 0 | c]$ (其中 $c \neq 0$)，即 $0 = c$，则方程组无解。
2. 唯一解：如果没有矛盾行，且主元的个数等于未知数的个数（每列都有主元），则有唯一解。
3. 无穷多解：如果没有矛盾行，但主元个数少于未知数个数（存在没有主元的列，即自由变量），则有无穷多解。

2.5 一句话终极总结

1. 矩阵：把方程组的系数排成表。

2. 系数矩阵 A：只存未知数系数。

3. 增广矩阵 $\overline{A}$：A + 右边常数，多一列。

4. 增广矩阵唯一作用： 看 $r(A)$ 和 $r(\overline{A})$ 是否相等，判断非齐次方程组有没有解。

3.参考文献

本文参考AI回答，豆包，Deepseek,千问