cover

走马

陈粒

Lecture 15:齐次线性方程组

1732 字
9 分钟
Lecture 15:齐次线性方程组

15.1 知识结构#

介绍:知识结构

  • 齐次线性方程组
    • 有解的条件
    • 解的性质
    • 基础解系和解的结构
    • 求解方法与步骤
  • 非齐次线性方程组
    • 有解的条件
    • 解的性质
    • 求解方法和步骤
  • 两个方程组的公共解
  • 同解方程组

15.2 线性方程组#

15.2.1 概念引入#

概念:方程组与向量的关系

    1. 本质上,线性方程组与向量组其实是一回事,方程组问题就是向量组问题,因为方程组和向量组是同一个问题的两种表现形式,其本质一样,所以解决方法也一样;
    1. 而方程组的解,就是描述列向量组中各向量之间数量关系的系数;

概念:线性方程组

  • 举例:
  • 2x+5y+3z=34x+0y+8z=01x+3y+0z=2\begin{gathered}2 x+5 y+3 z =-3 \\4 x+0 y+8 z =0 \\1 x+3 y+0 z =2 \end{gathered}

概念:从线性方程组到矩阵

  • 矩阵方程:
    • Ax=v
  • 意义:
    • 当前我们存在一个向量 x,我们可以通过 A 这个矩阵,在对 x 进行线性变换后、使得 x 和向量 v 重合;
  • 图示:
    • Pasted image 20240627210554.png
      Pasted image 20240627210554.png

分析:假设当前是二维矩阵 A

  • 情况一:矩阵 A 的行列式不为 0
    • 意义:
      • 此时空间并未被挤压为 0 面积的区域;
      • 在这种情况下,有且仅有一个向量 (在变换后)与 v 重合;
      • 这也就意味着:对于一个行列式不为 0 的方程组,几乎可以确定其存在的唯一解;
    • 总结:
      • 只要变换后不将解空间压缩到一个更低的维度上(即 A 的行列式不为 0),则 A 存在的逆变换,使得应用 A 变换再应用 A 逆变换之后,结果与恒等变换无异;
      • 此时求解方程:Ax=vA1Ax=A1vx=A1vAx=v\rightarrow A^{-1}A\vec{\mathbf{x}}=A^{-1}\vec{\mathbf{v}}\rightarrow x=A^{-1}v
  • 情况二:矩阵 A 的行列式为 0
    • 意义:
      • 此时不是矩阵没有逆变换,与这个方程组相关的变换将空间压缩到更低的维度上;
      • Ax=[00]A\vec{\mathbf{x}}=\left[\begin{array}{cc}0\\0\end{array}\right] 时,零空间给出的就是这个向量方程所有可能的解;
  • 补充:关于逆矩阵
    • A1A=[1001]The transformationthat does nothing“什么都不做”的变换\begin{array}{|c|c|c|}\hline A^{-1}A=&\begin{bmatrix}1&0\\0&1\end{bmatrix}\\\hline\text{The transformation}\\\hline\text{that does nothing}\\\hline\text{“什么都不做”的变换}\\\hline\end{array}

15.2.2 定义#

定义: #齐次方程#

描述:如果将函数的所有自变量乘以一个非零因子,此时因变量相当于原函数乘以这个非零因子的幂,则称此函数为齐次函数。即需满足关系: f(tx1,tx2,tx3,,txn)=tkf(x1,x2,x3,,xn),t0f\left(tx_{1},tx_{2},tx_{3},\cdots,tx_{n}\right)=t^{k}f\left(x_{1},x_{2},x_{3},\cdots,x_{n}\right),t\neq0

解释

  • 举例:f(x,y)=x22xyxy+3y2f(x,y)=\frac{x^{2}-2xy}{xy+3y^{2}}
    • 其是一个零次齐次方程;
定义: #非齐次线性方程组#

描述: 非齐次线性方程组: {a11x1+a12x2++a1nxn=b1,a21x1+a22x2++a2nxn=b2,am1x1+am2x2++amnxn=bm,\begin{cases}a_{11}x_{1}+a_{12}x_{2}+\cdots+a_{1n}x_{n}=b_{1},\\a_{21}x_{1}+a_{22}x_{2}+\cdots+a_{2n}x_{n}=b_{2},\\\cdots\cdots\\a_{m1}x_{1}+a_{m2}x_{2}+\cdots+a_{mn}x_{n}=b_{m},\end{cases} 该方程组的系数矩阵就是若干个列向量拼成的:A=[a11a12a1na21a22a2nam1am2amn]A=\begin{bmatrix}a_{11}&a_{12}&\cdots&a_{1n}\\a_{21}&a_{22}&\cdots&a_{2n}\\\vdots&\vdots&&\vdots\\a_{m1}&a_{m2}&\cdots&a_{mn}\end{bmatrix}增广矩阵就是系数矩阵再添加一个列向量拼成的:[a11a12a1nb1a21a22a2nb2am1am2amnbm]\begin{bmatrix}a_{11}&a_{12}&\cdots&a_{1n}&b_{1}\\a_{21}&a_{22}&\cdots&a_{2n}&b_{2}\\\vdots&\vdots&&\vdots&\vdots\\a_{m1}&a_{m2}&\cdots&a_{mn}&b_{m}\end{bmatrix}

解释

  • 概念:
    • 该方程组的未知数就是向量组中各成员的系数;
    • x1α1+x2α2++xnαn=βx_{1}\alpha_{1}+x_{2}\alpha_{2}+\cdots+x_{n}\alpha_{n}=\beta
    • 其中:aj=[a1ja2jamj],j=1,2,,n,β=[b1b2bm]a_{j}=\begin{bmatrix}a_{1j}\\a_{2j}\\\vdots\\a_{mj}\end{bmatrix},j=1,2,\cdots,n,\beta=\begin{bmatrix}b_{1}\\b_{2}\\\vdots\\b_{m}\end{bmatrix}
  • 解释:
    • 所以从本质上说,方程组问题就是向量组问题,方程组和向量组是同一个问题的两种表现形式,其本质一样,所以解决方法也一样;

15.3 齐次线性方程组概念#

15.3.1 齐次线性方程组基本概念#

定义: #齐次线性方程组#

描述: {a11x1+a12x2++a1nxn=0,a21x1+a22x2++a2nxn=0,am1x1+am2x2++amnxn=0\\\begin{cases}a_{11}x_{1}+a_{12}x_{2}+\cdots+a_{1n}x_{n}=0,\\a_{21}x_{1}+a_{22}x_{2}+\cdots+a_{2n}x_{n}=0,\\\cdots\cdots\\a_{m1}x_{1}+a_{m2}x_{2}+\cdots+a_{mn}x_{n}=0\end{cases}

解释

  • 向量形式:
    • x1a1+x2a2++xnan=0x_{1}a_{1}+x_{2}a_{2}+\cdots+x_{n}a_{n}=0
    • 即:全部都线性无关;
  • 其中: aj=[a1ja2jamj],j=1,2,,na_{j}=\begin{bmatrix}a_{1j}\\a_{2j}\\\vdots\\a_{mj}\end{bmatrix},j=1,2,\cdots,n
  • 其矩阵形式为:Am×nx=0A_{m\times n}x=0
  • 其中:
    • Am×n=[a11a12a1na21a22a2nam1am2amn],x=[x1x2xn]A_{m\times n}=\begin{bmatrix}a_{11}&a_{12}&\cdots&a_{1n}\\a_{21}&a_{22}&\cdots&a_{2n}\\\vdots&\vdots&&\vdots\\a_{m1}&a_{m2}&\cdots&a_{mn}\end{bmatrix},x=\begin{bmatrix}x_{1}\\x_{2}\\\vdots\\x_{n}\end{bmatrix}

概念:线性方程的解与向量的关系

  • 方程组的解,就是描述列向量组中各向量之间数量关系的系数

15.3.2 有解的条件#

概念:有解的条件

  • 前提:
    • 对方程组:{a11x1+a12x2++a1nxn=0,a21x1+a22x2++a2nxn=0,am1x1+am2x2++amnxn=0\\\begin{cases}a_{11}x_{1}+a_{12}x_{2}+\cdots+a_{1n}x_{n}=0,\\a_{21}x_{1}+a_{22}x_{2}+\cdots+a_{2n}x_{n}=0,\\\cdots\cdots\\a_{m1}x_{1}+a_{m2}x_{2}+\cdots+a_{mn}x_{n}=0\end{cases}
  • 条件:
    • 情况 1
      • 描述:
        • r(A)=n(α1,α2,,αn线性无关)时,方程组(I)有唯一零解当r\left(A\right)=n\left(\alpha_{1},\alpha_{2},\cdots,\alpha_{n}\text{线性无关}\right)\text{时,方程组}\left(I\right)\text{有唯一零解}
      • 概念:
        • AAAmnA_{m*n} 时,其中的 mm 代表行数,可以小于 mm;但 nn 代表列数,即 nn 个未知数就是 nn 个;
      • 解释:
        • 如果系数方程的列满秩,则系数方程只有唯一零解(唯一解);
        • 即:当前方程组的 S=n-r(A)=0n 代表列数,即多少个向量,而 r(A) 代表秩,S 代表加上秩代表的限制之后的自由度,当 S=0 时,满秩,因此唯一零解;
    • 情况 2
      • 描述:
        • r(A)=r<n(a1,a2,,an线性相关)时,方程组(I)有非零解(无穷多解),且有nr个线性无关解\text{当}r(A)=r<n\left(a_1,a_2,\cdots,a_n\text{线性相关}\right)\text{时,方程组}\left(I\right)\text{有非零解}\left(\text{无穷多解}\right),\text{且有}n-r\text{个线性无关解}
      • 解释:
        • 可以用 S=n-r(A) 来计算受约束后的自由度;
        • n 表示自由度;
        • r(A) 表示真实的约束个数;
        • S 代表受约束的自由度,即当前方程组的解空间;
      • 举例:比如假设 n=5, r=3 ,当 n-r=2 时;
        • 表示:在一个五维的空间当中,有三个自变量的约束,因此只有两个自由的变量;
        • 这两个自由的维度构成了一个平面,这个平面就是其解空间;
  • 分析:
    • 考题主要靠第二种;
    • 即方程组一般是“胖胖呼呼方程组” <- m<n

15.3.3 基础解系和解的结构#

定义: #基础解系#

描述:基础解系:ξ1,ξ2,,ξnr\xi_{1},\xi_{2},\cdots,\xi_{n-r} 满足以下三个条件 <- 对于 r(A)<n 的情况:

  1. 是方程组 AX=0 的解;
  2. 线性无关;
  3. 方程组 AX=0 的任一解均可由 ξ1,ξ2,,ξnr\xi_{1},\xi_{2},\cdots,\xi_{n-r} 线性表示 则称 ξ1,ξ2,,ξnr\xi_{1},\xi_{2},\cdots,\xi_{n-r}AX=0 的基础解系;

解释

  • 作用:基础解系代表受到真实约束后的解的空间(S=n-r(A));
定义: #通解#

描述: ξ1,ξ2,,ξnrAx=0 的基础解系,则k1ξ1+k2ξ2++knrξnr是方程组Ax=0 的通解,其中k为任意常数.\text{设}\quad\xi_1,\xi_2,\cdots,\xi_{n-r}\quad\text{是}Ax=0\text{ 的基础解系,则}\quad{k_1\xi_1+k_2\xi_2+\cdots+k_{n-r}\xi_{n-r}\quad\text{是方程组}Ax=0\text{ 的通解,}}其中k为任意常数.

解释

  • 基础解系的线性组合可以表达解空间中的所有向量,因此可以用 k1ξ1+k2ξ2++knrξnrk_1\xi_1+k_2\xi_2+\cdots+k_{n-r}\xi_{n-r} 表示;
  • 其中的系数就是其在坐标系中的坐标;

15.4 求解方法与步骤#

步骤:齐次线性方程求解

  • 第一步:
    • 1.1 将系数矩阵 A 作初等行变换,化成行阶梯形矩阵 B
      • 补充:
        • 一定是初等行变换;
        • 或行最简阶梯形矩阵 B
      • 概念:
        • 初等行变换将方程组化为同解方程组,故 Ax=0Bx=0 同解,只需解 Bx=0 即可;
      • 名词:
        • 基础解系 = 线性无关解 = S=n-r()
    • 1.2 台阶数为 r,并记 r(A)=r
      • 阶梯矩阵的台阶数就是约束的个数,即秩的大小;
      • 补充:阶梯型矩阵的 行秩=列秩=秩,但一般就直接按照列秩:数台阶数就可以求得;
    • 1.3 公式:
      • A初等行变换B=[c11c12c1rc1n0c22c2rc2n00crrcm00000000]m×n,A\xrightarrow{\text{初等行变换}}B=\begin{bmatrix}c_{11}&c_{12}&\cdots&c_{1r}&\cdots&c_{1n}\\0&c_{22}&\cdots&c_{2r}&\cdots&c_{2n}\\\vdots&\vdots&&\vdots&&\vdots\\0&0&\cdots&c_{rr}&\cdots&c_{m}\\0&0&\cdots&0&\cdots&0\\\vdots&\vdots&&\vdots&&\vdots\\0&0&\cdots&0&\cdots&0\end{bmatrix}_{m\times n},
      • 其中 m 是原方程组中方程个数,n 是未知量个数;
  • 第二步:
    • 按列找出秩为 r 的子矩阵,剩余列位置的未知数设为自由变量;
    • 注意:按列找是 r 个,按行找肯定也是 r 个,但按列找更方便;
  • 第三步:
    • 按基础解系定义,求出 ξ1,ξ2,,ξnr\xi_{1},\xi_{2},\cdots,\xi_{n-r} ,并写出通解;
    • 补充:
      • S=2,即两个向量时:可以定义一个 (1,0) 和一个 (0,1)
      • S=1,即一个向量时:只要不是零向量即可,可以选一个 (1)

支持与分享

如果这篇文章对你有帮助,欢迎分享给更多人或打赏支持!

打赏
Profile Image of the Author
穆哈麦提
折腾代码、DIY 与一切有趣的技术。
📢 欢迎来访者
👋🏻 你好,欢迎来到「问渠」!这里记录我的学习、思考与生活。
分类
标签
站点统计
文章
146
分类
4
标签
35
总字数
314,438
运行时长
0
最后活动
0 天前
音乐
封面

音乐

暂未播放

0:000:00
暂无歌词
✨ 今日一言
"人生如骑自行车,要保持平衡就必须不断前进。"
—— 爱因斯坦
天气预报
统计

文章目录

✨️ 复制成功,转载请标注本文地址