线性代数的学习和整理14: 线性方程组求解的3种方法，重点讲矩阵函数求解

目录

0 写在前面的一些内容

0.1 学习心得：

0.2 参考其他书籍总结的知识点，对照学习

1 线性方程组求解

1.1 常见的线性方程组如下

1.2 记住常见的 矩阵函数的维数的关系

1.3  需要求解的方程组和矩阵的对应关系，需要先厘清

1.3.1 如果只需要求解x，是类 Ax=b的形式

1.3.2   如果是x,y的联立方程组，是类 Ax=y的形式

1.4 方程组的解的可能有这几种情况：

1.5 线性方程组的解的几何情况（用3元线性方程组举例）

2  线性方程组的多种解法（至少这里有3种）

2.1 方法1：消元法/高斯消元法

2.2 方法2：根据克拉默法则用行列式求解

2.3 还一个扩展问题：如果方程组太多了，比变量还多怎么办?

2.4 有没有更简便的求解方程组的解的方法呢?

2.4.1 可以快速确定是否有解，解的个数

2.4.2 还可以解出具体的解

3 线性方程组用矩阵函数求解

3.1 线性方程组转化为矩阵函数形式

3.2 如何从矩阵的角度看，是否有解？

3.2.1 从函数和映射的角度看解的情况

3.2.2 那么从矩阵函数的角度看呢

4 齐次线性方程组 & 非齐次线性方程组

4.1 线性方程组分类

4.2 零空间 null(A)

5 齐次线性方程组 Ax=0 求解

5.1 用矩阵方法求解

5.2 如果直接用解方程的方法求解

6 非齐次线性方程组 Ax=b 求解

6.1 用矩阵方法求解

6.2 如果直接用解方程的方法求解

7 秩零定理

0 写在前面的一些内容

0.1 学习心得：

• 在学习过程中，确实会遇到不懂得，像我这种喜欢追问的，遇到不懂的问题，还会继续追问挖起一串。但是这时候就要想到“学而不思则罔，思维不学则殆”。不要因此偏离了主要方向和过于浪费时间
• 应该，先了解，知识里现在的内容是“怎么样的”也就是“怎么展开的，这个逻辑梳理清楚”，学到一定阶段了再回头去思考之前没搞懂的问题。
• 弄清楚了“怎么是这样” ，再去思考“为什么”，后来再回头看有疑问的效率会高很多。这也是一种分步骤思考问题的严密逻辑问题
• 从哲学上说，人的思考绝对不可能从绝对的起源点开始，只能是在一些相对的中间节点出发，当做起点起推导

0.2 参考其他书籍总结的知识点，对照学习

1 线性方程组求解

1.1 常见的线性方程组如下

如下图的线性方程组，如何求解呢？

或者可以变形为这样

1.2 记住常见的 矩阵函数的维数的关系

• Ax=y
• 记住常见的 矩阵函数的维数的关系，对于理解矩阵函数求解很重要
• 矩阵Am*n， 而Xn*1=[x1,x2….xn] ，bm*1=[b1,b2….bm]

1. 矩阵A是 m*n（有可能没满秩）
2. 自变量X的维度是n,         Xn*1=[x1,x2….xn]
3. 因变量y(或b)维度是m ，Ym*1= bm*1=[b1,b2….bm]

1.3  需要求解的方程组和矩阵的对应关系，需要先厘清

1.3.1 如果只需要求解x，是类 Ax=b的形式

• Ax=b
• 因为这里只是   多个一元方程组，所以可以这么算
• 要注意，矩阵Am*n  * 列向量Xn*1得到的是 b m*1的列向量
• 其中列向量X的维度是n
• 而 列向量b 的维度是m
• 
• 
•  x1,x2 但是 b1,b2,b3

1.3.2   如果是x,y的联立方程组，是类 Ax=y的形式

• Ax=y
• 因为联立二元方程组，需要 同样多的x和y
• 必须要求矩阵是A nn，也就是矩阵A必须是方阵
• 要注意，矩阵Ann  * 列向量Xn1得到的是 b n1的列向量
• 其中列向量X的维度是n
• 而 列向量y/b的维度是n
• 
• 
•  x1,x2,x3 同时 y1,y2,y3

1.4 方程组的解的可能有这几种情况：

• 无解
• 有解

1. 无数解
2. 唯一解

1.5 线性方程组的解的几何情况（用3元线性方程组举例）

比如3元线性方程组，其解其实就是这3根直线的交点，就是解

• 无解的情况

1. 无解： 三线平行
2. 无解：三线不相交于一点

• 有解

1. 有唯一解：三线相交于一点
2. 有无数解：三条线重叠

2  线性方程组的多种解法（至少这里有3种）

• 消元法求解
• 行列式求解
• 矩阵函数求解

2.1 方法1：消元法/高斯消元法

• 消元法，就是普遍知道的解方程的方法
• 问题是，当线性方程组的变量元越多，方程组越多，就会越复杂。。。

2.2 方法2：根据克拉默法则用行列式求解

理论上根据克拉默法则，下面这些都可以直接用克拉默法则求解

• 2阶的线性方程组
• 3阶的线性方程组
• 4阶的线性方程组 
• …..
• 但是实际上，高阶的行列式求解也够复杂。。。

2.3 还一个扩展问题：如果方程组太多了，比变量还多怎么办?

我们解题时，往往是方程组和变量元，刚刚好一样多，但是现实中，往往不是信息太少，就是信息太多

• 如果信息太少，如方程组里的方程数量太少：无法求解
• 如果信息太多，方程组里的方程数量多于变量，甚至远多于，该怎么办？

1. 这可能就需要用到线性回归了， y=ax+b+ε 
2. 因为信息量太多，能求出很多组解开，但是不能求准确解，而是要求近似解
3. 而让ε 足够小，就可以求出尽量最近似的解

2.4 有没有更简便的求解方程组的解的方法呢?

答案是有的

2.4.1 可以快速确定是否有解，解的个数

• 提前给结论，具体的内容在下面
• 对于线性方程组 Ax=b，如果系数矩阵A和秩 = 增广矩阵B（B=A|b）的秩，也就是rank(A) =rank(B)那么就有解
• 对于线性方程组 Ax=b，如果系数矩阵A和秩 = 增广矩阵B（B=A|b）的秩，并且

1. rank(A) =rank(B)=n ，就有唯一解
2. rank(A) =rank(B)<n ，就有无数解

2.4.2 还可以解出具体的解

• 详细见下面的内容

3 线性方程组用矩阵函数求解

3.1 线性方程组转化为矩阵函数形式

线性方程组可以转化为矩阵函数形式

• step1：    
• step2： 矩阵函数  A*x=y   （或者Ax=b）
• step3： 
• step4： 

3.2 如何从矩阵的角度看，是否有解？

3.2.1 从函数和映射的角度看解的情况

• 是否有解：就是 Ax=b (或者Ax=y)，是否有x与b对应（映射），即b落入了x的值域
• 解的个数：就是 Ax=b (或者Ax=y)，有多少个x与b对应
• 解的集合：就是 Ax=b中，与b对应的具体的x是哪些

3.2.2 那么从矩阵函数的角度看呢

矩阵函数 Ax=y

1. 那么定义域就是x的取值范围
2. 值域=y=Ax
3. 定理：矩阵函数Ax=y, 当定义域是自然定义域时，值域(就是y=Ax)就是Ax的列空间

 所以

• 如果b（y） 落在Ax的形成的向量空间内，那就有解，否则无解

定理：矩阵函数Ax=y, 当定义域是自然定义域时，值域(就是y=Ax)就是Ax的列空间

Ax=矩阵左乘它所有可以进行左乘的向量，所得的结果组成的集合

因为Ax=y, 因为是  x 左乘A，所以A是基（A的列向量是基，比如c1,c2），而Ax 就是x经过A线性变换后形成的新的向量组(比如d1,d2)=也就是A的列向量(c1,c2)的线性组合，一定会落在A的列向量(c1,c2)构成的向量空间里。

而Ax=y作为值域，其实就是Ax的列向量，也就是 方程组的解就是Ax的列向量

• 一个矩阵A（m×n）的值域空间（列空间）是R^m的子空间，
• 是A的列向量组所有线性组合的集合。
• 该空间维数dim Col A等于A的秩Rank（A）。

3.2.3 怎么判断 b 落在Ax的形成的向量空间内呢?

定理

有解的判断

• 对于线性方程组 Ax=b，如果系数矩阵A和秩 = 增广矩阵B（B=A|b）的秩，也就是rank(A) =rank(B)那么就有解

• Ax=y
• 矩阵Am*n， 而Xn*1=[x1,x2….xn] ，bm*1=[b1,b2….bm]
• 
• rank(x) =n   单个一维向量，不存在线性相关问题，所以 n 代表定义域X的秩
• rank(b)=m   单个一维向量，不存在线性相关问题
• 因此，A的零空间 rank(A)<=min(m,n) ,rank(A) 代表值域的秩，因为值域 rank(b)=m其实被rank(A) 所决定。但是值域的秩，为啥不直接用 rank(b) 呢？
• 而 rank(null(A)) 实际就是 rank(Ax=0），所以 rank(null(A))<=min(m,n)

解的个数的判断

• 对于线性方程组 Ax=b，如果系数矩阵A和秩 = 增广矩阵B（B=A|b）的秩，并且
• 如果A是m*n的矩阵，其中n是X的秩。
• m，n 的相对大小不定，m (> or < or =) n

1. rank(A) =rank(A|b)=n (n=rank(X)=A满秩时列向量个数) ，就有唯一解 
2. rank(A) =rank(A|b)<n (n=rank(X)=A满秩时列向量个数)，就有无数解

满秩矩阵有唯一解

4 齐次线性方程组 & 非齐次线性方程组

4.1 线性方程组分类

齐次线性方程组 Ax=0

非齐次线性方程组  Ax=b

4.2 零空间 null(A)

齐次线性方程组 Ax=0，其实就对应了 零空间 null(A)

• 零空间是在线性映射（即矩阵）的背景下出现的，指：像为零的原像空间，即{x| Ax=0}。
• 在数学中，一个算子 A 的零空间是方程 Av = 0 的所有解 v 的集合。它也叫做 A 的核，核空间。
• 如果算子是在向量空间上的线性算子，零空间就是线性子空间。因此零空间是向量空间。

5 齐次线性方程组 Ax=0 求解

5.1 用矩阵方法求解

具体举个例子,下面是具体计算步骤

1. 
2. 
3. 
4. 
5.   ,   
6. 
7. 线性变换  
8. 
9. 
10. 
11. 
12. x本身展开就是(x1,x2)
13. 令k=x2
14. 向量  是一个点，但是 就是一条用k来线性变换（伸缩这个列向量）最终形成的1条直线，在二维图会等价于 x2=-x1（或y=-x）的一条直线
15. 因为k是实数，因此，解集就是 张成的张成空间，这里本质是一条线。
16. 所以有无数个解 

5.2 如果直接用解方程的方法求解

1. 
2. 
3. 
4. 
5. 得到的答案也是一样的
6. 但是方程组比较多比较复杂的时候，矩阵求起来可能方便点吧？

6 非齐次线性方程组 Ax=b 求解

6.1 用矩阵方法求解

解法类似

比如求解

1. 
2. 
3. 
4. 具体例子 
5. 
6. 。。。。解法类似，省略
7.  ，其中   是 特解，而 是零空间null(A)
8. 零空间null(A) 就是类这个非齐次线性方程组对应的齐次线性方程组的解
9. 从几何上就是把 平移了 的距离
10. 解集就是过特解 且与零空间平行的一条直线

6.2 如果直接用解方程的方法求解

1. 
2. 
3. 
4. 
5. 
6. 得到的答案也是一样的
7. 但是方程组比较多比较复杂的时候，矩阵求起来可能方便点吧？

7 秩零定理

• Ax=y
• 矩阵Am*n， 而Xn*1=[x1,x2….xn] ，bm*1=[b1,b2….bm]
• 

1. rank(x) =n   单个一维向量，不存在线性相关问题，所以 n 代表定义域X的秩
2. rank(b)=m   单个一维向量，不存在线性相关问题
3. 因此，A的零空间 rank(A)<=min(m,n) ,rank(A) 代表值域的秩，因为值域 rank(b)=m其实被rank(A) 所决定。但是值域的秩，为啥不直接用 rank(b) 呢？
4. 而 rank(null(A)) 实际就是 rank(Ax=0），所以 rank(null(A))<=min(m,n)

形式1

• rank(值域)+rank(null(A)) = rank(定义域)
• rank(A)+rank(null(A))=n

形式2

• rank(定义域)>=rank(值域)
• rank(定义域)-rank(null(A))=rank(值域)
• n-rank(null(A))=rank(A)

今天的文章
线性代数的学习和整理14: 线性方程组求解的3种方法，重点讲矩阵函数求解分享到此就结束了，感谢您的阅读。