线性代数：线性方程组

$$ \begin{align*} a_{11}x_1 + a_{12}x_2 + \cdots + a_{1n}x_n &= b_1 \\ a_{21}x_1 + a_{22}x_2 + \cdots + a_{2n}x_n &= b_2 \\ \vdots \qquad & \qquad \vdots \\ a_{m1}x_1 + a_{m2}x_2 + \cdots + a_{mn}x_n &= b_m \end{align*} $$

变量说明：
- $x_1, x_2, \dots, x_n$ 是未知数 (unknowns)。
- $a_{ij}$ 是第 $i$ 个方程中第 $j$ 个未知数的系数 (coefficients)。
- $b_i$ 是第 $i$ 个方程的常数项 (constant terms)。

一个满足该系统中所有方程的 $n$ 元组 $(\boldsymbol{x_1, \dots, x_n})$ 被称为该线性方程组的一个解 (solution)。

数值示例：解的三种可能性

一个线性方程组的解集可能有三种情况：

无解 (No solution)：系统内存在矛盾的方程。例如，对于系统 (2.4)：
$$ \begin{align*} x_1 + x_2 + x_3 &= 3 \quad &(1) \\ x_1 - x_2 + 2x_3 &= 2 \quad &(2) \\ 2x_1 \qquad + 3x_3 &= 1 \quad &(3) \end{align*} $$
将方程 (1) 和 (2) 相加，我们得到 $2x_1 + 3x_3 = 5$。这与方程 (3) 的 $2x_1 + 3x_3 = 1$ 直接矛盾。因此，该系统无解。我们称这样的系统为不相容的 (inconsistent)。
唯一解 (Exactly one solution)：系统提供的信息不多不少，刚好能确定所有未知数。例如，系统 (2.5) 经计算可得唯一解 $(1, 1, 1)$。
$$ \begin{align*}x_1 + x_2 + x_3 &= 3 \quad (1) \\x_1 - x_2 + 2x_3 &= 2 \quad (2) \\x_2 + x_3 &= 2 \quad (3)\end{align*} $$
无穷多解 (Infinitely many solutions)：系统中的方程存在冗余，无法唯一确定所有未知数。例如，对于系统 (2.6)：
$$ \begin{align*} x_1 + x_2 + x_3 &= 3 \quad &(1) \\ x_1 - x_2 + 2x_3 &= 2 \quad &(2) \\ 2x_1 \qquad + 3x_3 &= 5 \quad &(3) \end{align*} $$
我们发现方程 (3) 恰好是 (1) 和 (2) 的和，它没有提供任何新信息，是冗余的 (redundant)。我们可以引入一个自由变量 (free variable)，比如令 $x_3 = a \in \mathbb{R}$。然后用 $a$ 来表示其他变量，得到一组解：$(\frac{5}{2} - \frac{3}{2}a, \frac{1}{2} + \frac{1}{2}a, a)$。由于 $a$ 可以取任何实数，所以该系统有无穷多解。

3. 几何解释
#

线性方程组的几何意义为我们提供了强大的直观。

直观解释：
- 在二维空间 ($\mathbb{R}^2$)中，一个关于 $x_1, x_2$ 的线性方程（如 $ax_1 + bx_2 = c$）代表一条直线。
- 在三维空间 ($\mathbb{R}^3$)中，一个关于 $x_1, x_2, x_3$ 的线性方程代表一个平面。
求解一个线性方程组，在几何上等价于寻找所有这些线（或面）的公共交点。
几何上的三种可能性：
- 唯一解：所有线（或面）交于一个点。
- 无解：线（或面）之间存在平行情况，导致它们没有公共交点。
- 无穷多解：线（或面）重合，交集是一条线、一个平面或更高维度的空间。
Figure 2.3: 展示两条直线相交于一点，作为唯一解的几何诠释

4. 迈向紧凑表示：矩阵
#

当方程数量和未知数增多时，上面的写法显得非常累赘。我们需要一种更紧凑、更强大的表示方法。我们可以将系数 $a_{ij}$ 收集起来，形成一个矩阵 (matrix)，将未知数 $x_j$ 和常数项 $b_i$ 分别收集起来，形成向量 (vectors)。

原始的方程组：

$$ a_{11}x_1 + a_{12}x_2 + \cdots + a_{1n}x_n = b_1 \\ \vdots \\ a_{m1}x_1 + a_{m2}x_2 + \cdots + a_{mn}x_n = b_m $$

可以被优雅地重写为：

$$ x_1 \begin{bmatrix} a_{11} \\ a_{21} \\ \vdots \\ a_{m1} \end{bmatrix} + x_2 \begin{bmatrix} a_{12} \\ a_{22} \\ \vdots \\ a_{m2} \end{bmatrix} + \cdots + x_n \begin{bmatrix} a_{1n} \\ a_{2n} \\ \vdots \\ a_{mn} \end{bmatrix} = \begin{bmatrix} b_1 \\ b_2 \\ \vdots \\ b_m \end{bmatrix} $$

这个视角非常重要：整个方程组可以看作是寻找一组标量 $x_1, \dots, x_n$ 去线性组合一组列向量，以得到目标向量。

最终，我们可以写成最紧凑的形式：

$$ \boldsymbol{A}\boldsymbol{x} = \boldsymbol{b} $$

变量说明：
- $\boldsymbol{A}$ 是一个 $m \times n$ 的系数矩阵。
- $\boldsymbol{x}$ 是一个 $n \times 1$ 的未知数向量。
- $\boldsymbol{b}$ 是一个 $m \times 1$ 的常数向量。

理解要点
#

线性方程组的核心，无论是代数上还是几何上，都是关于相交和组合。$A\boldsymbol{x}=\boldsymbol{b}$ 这种形式不仅简洁，更揭示了线性代数的本质：将问题转化为对矩阵和向量这两种结构化对象的操作。

本节知识点总结
#

线性方程组：由多个线性方程构成的系统，是许多实际问题的数学模型。
解的三种形态：无解（不相容）、唯一解、无穷多解。
几何直观：解是 $n$ 维空间中 $m$ 个超平面（线、面等）的交集。
核心代数表示：可以紧凑地表示为矩阵向量乘积的形式 $\boldsymbol{A}\boldsymbol{x} = \boldsymbol{b}$。
重要视角：求解 $\boldsymbol{A}\boldsymbol{x} = \boldsymbol{b}$ 等价于寻找一个对矩阵 $\boldsymbol{A}$ 的列向量的线性组合，使其等于向量 $\boldsymbol{b}$。

线性代数 - 这篇文章属于一个选集。

§ 2: 本文