由于这三者之间的等价关系,我们解决现实问题时可以自由选取其中任意一个作为模型。
我个人认为,线性方程组是最“质朴”的形式;
向量方程则是与几何建立了关系,这将方便我们进行更直观的推理;
矩阵方程则是向量方程的一种“封装”,是向量方程的一种抽象,它将具体的向量形式隐藏,提供给我们一个简洁的 API 形式——矩阵。
未来将要介绍的很多概念就是基于对这一层封装的研究,如果到时候我们发现某个概念理解有困难,不妨转换思路到向量方程或线性方程组的形式进行分析。
此外,我们之前还进行了关于线性方程组解集的讨论,在这章我们对其进一步探讨。
一、齐次线性方程组
形如
A
x
=
0
的线性方程组称为
齐次方程组
。
显然,x=0 是方程的解,这个解太平凡了,以致于就叫
平凡解
。
我们平常更关心的是它还有没有别的解,即
非平凡解
。
下面以一个例子分析一下:
例:
判断下列齐次方程组是否有非平凡解,表示其解集。
对于这类求解集的问题,我们可以直接对增广矩阵化简,得到
从最后的行最简形式,我们可以得到解:
,其中x3 是自由变量。
所以x 的通解就是
。
也就是说,Ax=0 的解是三维空间(因为向量 v 是三维的)中的一条直线(因为只有一个自由变量)。
进一步推广,我们不难想象,如果解集中有p 个自由变量,则解集就是 m 维空间(m 为 A 的行数)中,p 个向量张成的空间。
如果没有自由变量(也就是 A 各列线性无关),那么就有 0 个向量张成的空间,即 Span{0},Ax=0 也就只有平凡解。
二、非齐次线性方程组
非齐次线性方程组
形如 Ax=b, 为了方便对比,我们把上面那个例子改为一个非齐次方程组进行分析:
老套路,我们对这个方程组的增广矩阵行化简:
化简后可以得到方程组的解为:
,其中x3 是自由变量。
我们把这个解集用向量的形式表示出来就是:
注意到这个向量可分解为一个常数向量
和一个可任意伸缩的向量
同样是齐次方程组的解。
这是因为非齐次方程组只是最后一列由0换成了b,而且最后一列不会影响前面三列,所以齐次和非齐次方程组行化简后,变量的对应系数是相同的(系数矩阵就是前三列),非齐次方程组的解仅仅只比齐次方程组的解多了一个常数向量。
例如齐次方程组的解集为x=tv,则非齐次方程组的解集就是x=p+tv,其中 t 为任意实数。
从几何的角度来看,就是齐次方程组的解集经向量 p 平移得到非齐次方程组的解集。
这个 p 的学名就叫做
特解
。
注意,这里讲齐次方程组和非齐次方程组的解有一个前提,就是非齐次方程组首先要是有解的,如果0变成b 导致方程组没有解,那么也就不能用齐次方程组的解集平移了。
结合之前总结的齐次线性方程组解的性质,当方程组含有 p 个自由变量时,齐次方程组的解集是 p 个向量的张成空间,而非齐次方程组解集只是这个空间进行了平移(前提是非齐次方程组有解),并没有改变这个空间的基本性质(比如空间的维度)。
三、列空间
矩阵
的各个列向量线性组合组成的集合,就是A的列空间。
记作 ColA,即
ColA=Span{a1,a2,⋯,an}
这个列空间,我们应该不陌生了,上一章中很多时候都是把矩阵看成列向量的排列,考虑 Ax=b 的解的情况时其实就是在列向量中进行分析的。
列空间在分析矩阵中各列向量的线性相关性时很有帮助:
只有各列线性无关时,这 n 个列才能张成 n 维空间,这时就说这个矩阵的秩为 n;
而假如这里面有 1 列和其他某列线性相关,那么这 n 个列就只能张成n−1 维空间,这个矩阵的秩就是n−1;
也就是说,矩阵的秩说明了这个矩阵的列向量最多能张成多少维。
如下图中,A=[a1 a2 a3]
,由于有两个向量线性相关,导致 3 个列向量只能张成 2 维,因此
A
的秩为 2。
所以
Ax
得不到任意三维向量
b
,也就是
Ax=b
并不对所有
b
成立(只有
b
是
A
列空间中的向量时才成立)。
更进一步,非齐次线性方程组
Ax=b
中,如果 A已知,x和b 未知,此时我们关注的问题是 A 的列向量能张成多少维;如果 A 和 b 已知,我们关注的问题就是 A 中 n 个列向量如何线性表示能表示成 b,这时候我们如果提前知道 A 的列空间达不到 b 的维数,那么这些列向量就一定无法线性组合出 b。
四、零空间
齐次方程 Ax=0 的全部解组成的集合,称为矩阵 A 的零空间,记作 NulA。
当 A 中的列向量线性无关时,Ax=0 只有零解,这时 A 的零空间就是 0;
而只要 A 中的列向量线性相关,Ax=0 就存在非零解,这时A 的零空间就是一个维度大于 0 的空间。
关于列空间和零空间的讨论先在这里打住,之后会进一步讨论它们之间的关系和各自的意义。
目前只要知道列空间是由 A 的列向量张成的,而零空间的意义更隐晦一些,是Ax=0 的所有解组成的空间。从列空间能看出 A各列的线性相关关系,列向量越相关,列空间维度越低。
从零空间也能看出 A 各列的线性相关性,列向量越相关,零空间维度越高。
而负责量化描述 A 列向量有多么线性相关的,是一个叫做
秩
的东西。
完
各赛区成绩陆续更新敬请期待
点击下方图片,了解相关你感兴趣的活动
文章来源:
# 参考资料:
- 线性代数及其应用:第3版/(美)莱(Lay, D.C.)著;沈复兴等译. ——北京:人民邮电出版社,2007.7
- 麻省理工学院的线性代数公开课