Lecture 1: The Geometry of Linear Equations

目录 · ← l0 · l2 →

Lecture 1: The Geometry of Linear Equations

概述

本讲要回答一个看似简单的问题：$n$ 个未知数、$n$ 个方程的线性方程组，究竟在讲什么？答案是同一个对象的三张面孔——行图像（row picture）里它是若干条直线/若干张超平面的交点，列图像（column picture）里它是若干列向量的一种组合方式，矩阵形式（matrix form）$\mathbf{A}\mathbf{x}=\mathbf{b}$ 则是把前两者压缩成一行符号。本讲的核心主张是：列图像才是线性代数的核心视角，因为它直接通向”矩阵的列空间（column space）”这一贯穿全课程的概念。方法上我们不做任何抽象推广，只用 $2\times2$ 与 $3\times3$ 的具体数字把机制算穿，最后预告消元（elimination）作为系统化算法的必要性。

核心概念的几何直觉

线性方程组的三种视角（three pictures）

• 定义与目的：给定 $m$ 个方程、$n$ 个未知数的方程组，我们要找出所有满足它的向量 $\mathbf{x}\in\mathbb{R}^n$。三种视角不是三种不同的数学，而是对同一个矩阵方程 $\mathbf{A}\mathbf{x}=\mathbf{b}$ 的三种读法。
• 几何直觉（它在空间中是什么样子？）：行图像问”哪些点同时躺在所有这些平面（直线）上”——是求交集；列图像问”把这些列向量按什么系数配比才能拼出 $\mathbf{b}$”——是配配方。前者从 $\mathbf{x}$ 所在的 $\mathbb{R}^n$ 看，后者从 $\mathbf{b}$ 所在的 $\mathbb{R}^m$ 看。
• 具体示例：本讲的招牌方程组 \(2x-y=0,\qquad -x+2y=3.\) 行图像：两条直线交于 $(1,2)$。列图像：$x\begin{bmatrix}2\\-1\end{bmatrix}+y\begin{bmatrix}-1\\2\end{bmatrix}=\begin{bmatrix}0\\3\end{bmatrix}$，取 $x=1,y=2$。两个视角给出同一个答案，但只有列图像会在 $m\neq n$ 或矩阵奇异时继续好用。

行图像（Row Picture）

• 定义与目的：把第 $i$ 个方程看成 $\mathbb{R}^n$ 中的一张超平面：$\mathbf{row}_i\cdot\mathbf{x}=b_i$。在 $\mathbb{R}^2$ 是直线，在 $\mathbb{R}^3$ 是平面。解集就是这 $m$ 张超平面的交集。
• 几何直觉（它在空间中是什么样子？）：两直线在平面上有三种关系——相交于一点（唯一解）、平行但不重合（无解）、完全重合（无穷多解）。三平面在空间中则有更丰富的退化方式：交于一点、交于一条线、交于一个平面、两两相交但三者无公共点（像三棱柱的侧面）。
• 具体示例：直线 $2x-y=0$ 的法向量是 $(2,-1)$，直线 $-x+2y=3$ 的法向量是 $(-1,2)$。两条法向量不成比例，所以两直线不平行，必有唯一交点。关键观察：行图像的信息量是”每个绳子上各打了几个结”——它把 $n$ 个未知数搅在同一个方程里，你很难一眼看出哪个未知数受谁约束。

列图像（Column Picture）——本讲的主角

• 定义与目的：把矩阵 $\mathbf{A}$ 按列切开：$\mathbf{A}=[\mathbf{a}_1\ \mathbf{a}_2\ \cdots\ \mathbf{a}_n]$，每个 $\mathbf{a}_j\in\mathbb{R}^m$。方程 $\mathbf{A}\mathbf{x}=\mathbf{b}$ 等价于 \(x_1\mathbf{a}_1+x_2\mathbf{a}_2+\cdots+x_n\mathbf{a}_n=\mathbf{b}.\) 于是”求解”变成了”用 $\mathbf{A}$ 的列向量线性组合出 $\mathbf{b}$，求组合系数“。
• 几何直觉（它在空间中是什么样子？）：所有 $x_1\mathbf{a}_1+x_2\mathbf{a}_2$ 的集合（$x_1,x_2$ 取遍实数）是一张通过原点的平面——这就是列空间 $C(\mathbf{A})$（在 $\mathbb{R}^2$ 中通常就是整个平面，在 $\mathbb{R}^3$ 中通常是过原点的一张平面或一整条直线）。$\mathbf{b}$ 落在其中，就有解；落在其外，就无解。系数 $(x_1,x_2)$ 是”配料表”，$\mathbf{b}$ 是”成品”。
• 具体示例：$\mathbf{a}_1=\begin{bmatrix}2\\-1\end{bmatrix}$ 指向右下，$\mathbf{a}_2=\begin{bmatrix}-1\\2\end{bmatrix}$ 指向左上。$\mathbf{b}=\begin{bmatrix}0\\3\end{bmatrix}$ 是目标。取 $1$ 份 $\mathbf{a}_1$ 加 $2$ 份 $\mathbf{a}_2$：$1\cdot(2,-1)+2\cdot(-1,2)=(2-2,\,-1+4)=(0,3)$。命中。

为什么列图像是核心视角

• 定义与目的：行图像把注意力放在”约束”上，列图像把注意力放在”矩阵的作用“上。线性代数的整门课（子空间、秩、投影、最小二乘、特征值）都是在研究”$\mathbf{A}$ 能把哪些向量造出来”以及”$\mathbf{A}$ 把哪些向量压成零”。
• 几何直觉（它在空间中是什么样子？）：行图像随方程数 $m$ 增长而规划数爆炸——1000 个方程就是 1000 张超平面求交，画不出来也想不清楚。列图像只问一件事：$\mathbf{b}$ 在不在这 $n$ 个向量张成的”可达区域”里？这个问题的答案是子空间的语言，与 $m$ 无关。
• 具体示例：考虑 $\mathbf{A}=\begin{bmatrix}1&2\\2&4\end{bmatrix}$（奇异）。行图像：两条直线 $x+2y=b_1$ 与 $2x+4y=b_2$ 平行，能否相交只取决于 $b_2=2b_1$ 这一个标量条件。列图像：$\mathbf{a}_2=2\mathbf{a}_1$，两列共线，可造出的向量只有 $\mathbb{R}^2$ 中过原点的一条直线——$\mathbf{b}$ 要么在这条线上，要么无解。列图像把”为什么有的 $\mathbf{b}$ 无解”变成了一个一维的几何事实。

矩阵形式 $\mathbf{A}\mathbf{x}=\mathbf{b}$

• 定义与目的：把系数装进矩阵、未知数装进向量、右端常数装进向量。矩阵形式的价值是记号经济与算法通用：解 $2\times2$ 与解 $1000\times1000$ 写出来是同一行符号。
• 几何直觉（它在空间中是什么样子？）：忘掉”矩形数组”这个印象。$\mathbf{A}$ 是一个函数：它把 $\mathbb{R}^n$ 中的向量 $\mathbf{x}$ 送到 $\mathbb{R}^m$ 中的向量 $\mathbf{A}\mathbf{x}$。求解 $\mathbf{A}\mathbf{x}=\mathbf{b}$ 就是问”哪个输入被送到 $\mathbf{b}$”，即求原像。
• 具体示例：$\begin{bmatrix}2&-1\\-1&2\end{bmatrix}\begin{bmatrix}1\\2\end{bmatrix}=\begin{bmatrix}0\\3\end{bmatrix}$。左边是函数作用，右边是目标。

矩阵乘向量的两种读法（two readings of $\mathbf{A}\mathbf{x}$）

• 定义与目的：同一个乘积 $\mathbf{A}\mathbf{x}$ 有两种完全等价的计算途径。第一种（按列读，column reading）：$\mathbf{A}\mathbf{x}$ 是 $\mathbf{A}$ 各列的线性组合，系数就是 $\mathbf{x}$ 的分量。 \(\mathbf{A}\mathbf{x}=x_1\mathbf{a}_1+x_2\mathbf{a}_2+\cdots+x_n\mathbf{a}_n.\) 第二种（按行读，row reading）：$\mathbf{A}\mathbf{x}$ 的第 $i$ 个分量是 $\mathbf{A}$ 的第 $i$ 行与 $\mathbf{x}$ 的点积。 \((\mathbf{A}\mathbf{x})_i=\mathbf{row}_i\cdot\mathbf{x}=a_{i1}x_1+a_{i2}x_2+\cdots+a_{in}x_n.\)
• 几何直觉（它在空间中是什么样子？）：按列读时，你在 $\mathbb{R}^m$ 里”走折线”——把 $x_1$ 份 $\mathbf{a}_1$、$x_2$ 份 $\mathbf{a}_2$ 首尾相接，终点就是 $\mathbf{A}\mathbf{x}$；这是输出空间里的作图。按行读时，你在 $\mathbb{R}^n$ 里对 $\mathbf{x}$ 逐个”投影”到每一条行方向上，量出它在该方向的分量；这是输入空间里的测量。两者结果必然相同，但脑子里浮现的图像完全不同。
• 具体示例：取 $\mathbf{A}=\begin{bmatrix}2&-1\\-1&2\end{bmatrix}$，$\mathbf{x}=\begin{bmatrix}1\\2\end{bmatrix}$。
  • 按列读：$1\begin{bmatrix}2\\-1\end{bmatrix}+2\begin{bmatrix}-1\\2\end{bmatrix}=\begin{bmatrix}2\\-1\end{bmatrix}+\begin{bmatrix}-2\\4\end{bmatrix}=\begin{bmatrix}0\\3\end{bmatrix}$。
  • 按行读：第 1 分量 $=2\cdot1+(-1)\cdot2=0$；第 2 分量 $=(-1)\cdot1+2\cdot2=3$。得 $\begin{bmatrix}0\\3\end{bmatrix}$。两法结果一致，已验算。

为什么”矩阵乘法就是列的线性组合”是必须内化的信条

• 定义与目的：Strang 在 18.06 第一讲就把这句话钉在黑板上，因为它把矩阵乘法从一个”逐元素相乘再求和”的机械规则，升级为一个几何动作：矩阵是”配料表”，向量是”用量”，乘积是”成品”。
• 几何直觉（它在空间中是什么样子？）：把 $\mathbf{A}$ 想象成一台机器的可用零件清单（$\mathbf{a}_1,\dots,\mathbf{a}_n$ 是它能提供的 $n$ 种基本动作）。给它一个 $\mathbf{x}$，就是告诉它”各做几份”。输出的 $\mathbf{A}\mathbf{x}$ 永远困在这 $n$ 个零件的张成空间 $C(\mathbf{A})$ 里——机器造不出清单外的东西。这正是”$\mathbf{b}\in C(\mathbf{A})$ 才可解”的物理含义。
• 具体示例：$\mathbf{A}=\begin{bmatrix}1&2\\2&4\end{bmatrix}$ 的两列共线。无论 $\mathbf{x}$ 取什么，$\mathbf{A}\mathbf{x}$ 永远落在直线 $y=2x$ 上：$\mathbf{A}\begin{bmatrix}1\\0\end{bmatrix}=\begin{bmatrix}1\\2\end{bmatrix}$，$\mathbf{A}\begin{bmatrix}0\\1\end{bmatrix}=\begin{bmatrix}2\\4\end{bmatrix}$，$\mathbf{A}\begin{bmatrix}3\\-1\end{bmatrix}=\begin{bmatrix}1\\2\end{bmatrix}$——三个输出全在 $y=2x$ 上。

计算步骤与手算演示

示例 1：Strang 招牌 $2\times2$ 方程组——三视角算到底

方程组： \(2x-y=0,\qquad -x+2y=3.\)

步骤 1：写成矩阵形式。

步骤 2：行图像——把两条直线写出来。

方程 1：$2x-y=0\Rightarrow y=2x$，斜率 $2$，过原点。 方程 2：$-x+2y=3\Rightarrow y=\dfrac{3+x}{2}$，斜率 $\dfrac{1}{2}$，过 $(0,1.5)$。

两条直线的斜率 $2\neq\frac12$，不平行，唯一交点。联立： \(2x=\frac{3+x}{2}\ \Longrightarrow\ 4x=3+x\ \Longrightarrow\ 3x=3\ \Longrightarrow\ x=1,\) 代回 $y=2x=2$。交点 $(1,2)$。回代检验：$2(1)-(2)=0$ ✓，$-(1)+2(2)=3$ ✓。

步骤 3：画出行图像（ASCII）。

  y \ x |  -1     0     1     2     3
  ------+--------------------------------
    4   |   .     .     .     A     .
    3   |   .     .     .     .     B
    2   |   .     .     ★     .     .
    1   |   B     .     .     .     .
    0   |   .     A     .     .     .
   -1   |   .     .     .     .     .
   -2   |   A     .     .     .     .

  A = 直线 1: y = 2x        上的格点 (斜率 2, 陡)
  B = 直线 2: y = (3+x)/2   上的格点 (斜率 1/2, 缓)
  ★ = (1, 2)  两线唯一交点 = 方程组的唯一解

  注意: 直线 2 还经过 (0, 1.5) 与 (2, 2.5), 落在格点行之间.
  直线 1 的格点: (-1,-2), (0,0), (1,2), (2,4)
  直线 2 的格点: (-1,1), (1,2), (3,3)

步骤 4：列图像——按列切开。

要解的是 $x\mathbf{a}_1+y\mathbf{a}_2=\begin{bmatrix}0\\3\end{bmatrix}$。

步骤 5：彩排（Strang 的 “try a combination”）。

先试整数系数。取 $x=1,y=2$： \(1\cdot\begin{bmatrix}2\\-1\end{bmatrix}+2\cdot\begin{bmatrix}-1\\2\end{bmatrix}=\begin{bmatrix}2\\-1\end{bmatrix}+\begin{bmatrix}-2\\4\end{bmatrix}=\begin{bmatrix}0\\3\end{bmatrix}.\) 命中，所以 $(x,y)=(1,2)$。

步骤 6：画列图像的向量组合（ASCII）。

        y
      4 |          D ● 2a2 = (-2, 4)
        |         /|
      3 |        / ★ C = a1 + 2a2 = (0, 3) = b
        |       / /
      2 |  B ● /              B = a2 = (-1, 2)
        |   | /
      1 |   |/
        |   /
  ------.--+----------------------------  x
   -2  -1  0    1    2    3
        |   \
     -1 |    \  A ●          A = a1 = (2, -1)

  平行四边形 O-A-C-D :
    O -> A  = a1   = (2, -1)
    O -> D  = 2a2  = (-2, 4)
    A -> C  平行于 a2 方向 (边 A->C = 2a2)
    D -> C  平行于 a1 方向 (边 D->C = a1)
  对角线 O -> C 就是 b = (0, 3).

  "解方程组" = "找到正确的配比 (1 份 a1, 2 份 a2) 使
   平行四边形对角线的终点正好落在 b 上".

步骤 7：数一数解的个数（用格点法验证唯一性）。

因为 $\mathbf{a}_1,\mathbf{a}_2$ 不成比例（$\det=3\neq0$），任何 $\mathbf{b}$ 都有唯一配比。用 Cramer 公式交叉验证：

• $x$：把 $\mathbf{A}$ 第 1 列换成 $\mathbf{b}$，$\det\begin{bmatrix}0&-1\\3&2\end{bmatrix}=0\cdot2-(-1)\cdot3=3$，故 $x=3/3=1$。
• $y$：把第 2 列换成 $\mathbf{b}$，$\det\begin{bmatrix}2&0\\-1&3\end{bmatrix}=2\cdot3-0\cdot(-1)=6$，故 $y=6/3=2$。
• $\det\mathbf{A}=2\cdot2-(-1)\cdot(-1)=4-1=3$。两处 $\det$ 都为 $3$，结果自洽。

【计算机制解说】：为什么列图像给出的答案与行图像必然一致？因为二者是同一个等式的两种排版。行 $i$ 与 $\mathbf{x}$ 做点积得 $b_i$，这等价于说”$\sum_j x_j a_{ij}=b_i$”；而对每个 $i$ 都成立，正是”$\sum_j x_j\mathbf{a}_j=\mathbf{b}$”的逐分量写法。行视角按 $i$（方程的编号）组织，列视角按 $j$（未知数的编号）组织——同一个二维数表，横着读和竖着读。真正重要的差别在于：行视角的”可解性”问题是 $m$ 个约束的相容性，列视角的可解性问题是 $\mathbf{b}$ 是否在 $\{\mathbf{a}_j\}$ 的张成空间中——后者是一个可以用秩（rank）一句话回答的问题。

示例 2：$3\times3$ 例子——三平面交于一点

方程组（选简单整数，保证手算可追踪）： \(x+y=3,\qquad y+z=3,\qquad x+z=4.\)

步骤 1：矩阵形式。

步骤 2：行图像——三个平面。

• $x+y=3$：法向量 $(1,1,0)$，垂直于 $z$ 轴、平行于 $z$ 轴的竖直平面。
• $y+z=3$：法向量 $(0,1,1)$。
• $x+z=4$：法向量 $(1,0,1)$。

三个法向量两两不成比例（任意两个叉积非零），故三平面不平行、不共轴。它们交于唯一一点。

步骤 3：快速求解（方程相加技巧）。

三式相加：$(x+y)+(y+z)+(x+z)=3+3+4$，即 \(2(x+y+z)=10\ \Longrightarrow\ x+y+z=5.\) 于是 \(x=(x+y+z)-(y+z)=5-3=2,\) \(y=(x+y+z)-(x+z)=5-4=1,\) \(z=(x+y+z)-(x+y)=5-3=2.\) 解 $\mathbf{x}=(2,1,2)$。检验：$2+1=3$ ✓，$1+2=3$ ✓，$2+2=4$ ✓。

步骤 4：列图像——三个向量的组合。

\(\mathbf{a}_1=\begin{bmatrix}1\\0\\1\end{bmatrix},\quad \mathbf{a}_2=\begin{bmatrix}1\\1\\0\end{bmatrix},\quad \mathbf{a}_3=\begin{bmatrix}0\\1\\1\end{bmatrix}.\) 验证 $2\mathbf{a}_1+1\mathbf{a}_2+2\mathbf{a}_3$： \(2\begin{bmatrix}1\\0\\1\end{bmatrix}+\begin{bmatrix}1\\1\\0\end{bmatrix}+2\begin{bmatrix}0\\1\\1\end{bmatrix}=\begin{bmatrix}2\\0\\2\end{bmatrix}+\begin{bmatrix}1\\1\\0\end{bmatrix}+\begin{bmatrix}0\\2\\2\end{bmatrix}=\begin{bmatrix}3\\3\\4\end{bmatrix}=\mathbf{b}. ✓\)

步骤 5：为什么这三列能张成整个 $\mathbb{R}^3$？

对 $\mathbf{A}$ 做消元（预告后续讲次）：

  初始                       R3 <- R3 - 1*R1          R3 <- R3 + 1*R2
  [ 1  1  0 | 3 ]            [ 1  1  0 | 3 ]          [ 1  1  0 | 3 ]
  [ 0  1  1 | 3 ]    --->    [ 0  1  1 | 3 ]   --->   [ 0  1  1 | 3 ]
  [ 1  0  1 | 4 ]            [ 0 -1  1 | 1 ]          [ 0  0  2 | 4 ]

  主元 (pivots): 1, 1, 2    三个主元都非零  =>  A 可逆
  回代: 2z = 4 -> z = 2
        y + z = 3 -> y = 1
        x + y = 3 -> x = 2

三个主元 $1,1,2$ 全部非零，乘积 $1\cdot1\cdot2=2$ 就是 $\det\mathbf{A}$。$\det\neq0\Rightarrow$ 三列线性无关 $\Rightarrow$ 它们张成整个 $\mathbb{R}^3\Rightarrow$ 任意 $\mathbf{b}\in\mathbb{R}^3$ 都可解，且解唯一。

步骤 6：列图像几何（示意）。

        z
        |        a3 = (0,1,1)
        |       /
        |      /
        |     /          a1 = (1,0,1)  (指向 xz 平面内)
        |    /
        |   /
        |  /
        | /
        O-----------------> y
       /
      /
     /   a2 = (1,1,0)  (指向 xy 平面内)
    x

  三个向量 a1, a2, a3 两两不共面 (det = 2 != 0),
  它们张成的"可达区域"是全部 R^3 —— 一个实心立体, 不是薄片.
  b = (3,3,4) 落在其中, 配料表为 (2, 1, 2).

【计算机制解说】：$m=n=3$ 且 $\det\neq0$ 时，三个列向量构成 $\mathbb{R}^3$ 的一组基（basis）。此时”用三列组合出 $\mathbf{b}$”等价于”用一组基给 $\mathbf{b}$ 换坐标”，而基的存在性与唯一性都由 $\det\neq0$ 保证。这就是为什么消元法（把 $\mathbf{A}$ 变成上三角）能同时回答”有没有解”（主元个数）与”怎么求解”（回代）两个问题——它把”三列是否张满”这个几何问题翻译成了”主元是否全部非零”这个算术问题。

示例 3：奇异 $2\times2$——无解与无穷多解的分界

步骤 1：行图像。

\(\text{直线 1: } x+2y=b_1,\qquad \text{直线 2: } 2x+4y=b_2.\) 第二条方程的左端恰好是第一条的 $2$ 倍。法向量 $(1,2)$ 与 $(2,4)$ 成比例，所以两直线平行（或重合）。

步骤 2：列图像。

\(\mathbf{a}_1=\begin{bmatrix}1\\2\end{bmatrix},\qquad \mathbf{a}_2=\begin{bmatrix}2\\4\end{bmatrix}=2\mathbf{a}_1.\) 两列共线。它们的全部线性组合 $x\mathbf{a}_1+y\mathbf{a}_2=(x+2y)\mathbf{a}_1$ 只能扫出 $\mathbb{R}^2$ 中过原点、方向为 $(1,2)$ 的一条直线。这就是列空间 $C(\mathbf{A})$——维数为 $1$（秩 $r=1$）。

步骤 3：分类讨论 $\mathbf{b}$。

(a) $\mathbf{b}=\begin{bmatrix}3\\6\end{bmatrix}$（在 $C(\mathbf{A})$ 上）：

因为 $\mathbf{b}=3\mathbf{a}_1=3\begin{bmatrix}1\\2\end{bmatrix}$，取 $(x,y)=(3,0)$ 即可。但列共线意味着表示不唯一： \((3,0):\ 3+2\cdot0=3\ ✓;\qquad (1,1):\ 1+2\cdot1=3\ ✓;\qquad (-1,2):\ -1+2\cdot2=3\ ✓.\) 通解：设 $y=t$，则 $x+2t=3\Rightarrow x=3-2t$，即 \(\begin{bmatrix}x\\y\end{bmatrix}=\begin{bmatrix}3\\0\end{bmatrix}+t\begin{bmatrix}-2\\1\end{bmatrix},\qquad t\in\mathbb{R}.\) 一条直线上的全部点都是解——无穷多解。

(b) $\mathbf{b}=\begin{bmatrix}0\\1\end{bmatrix}$（不在 $C(\mathbf{A})$ 上）：

需要 $x+2y=0$ 且 $2x+4y=1$。第一个方程给出 $2x+4y=2(x+2y)=0$，第二个要求它等于 $1$。$0=1$ 矛盾。无解。

几何上：$\mathbf{b}=(0,1)$ 与 $\mathbf{a}_1=(1,2)$ 不成比例（$\det\begin{bmatrix}1&0\\2&1\end{bmatrix}=1\neq0$），所以 $\mathbf{b}$ 不在那条直线 $C(\mathbf{A})$ 上。

步骤 4：算一下数一数解的个数。

  b 在 C(A) 上 ?       行图像                        解集
  ---------------------------------------------------------------------
  b = (3,6)  = 3*a1    两直线重合 (同一条线)          无穷多解 (一条直线)
  b = (0,0)            两直线重合, 过原点             无穷多解 (一条直线)
  b = (0,1)            平行不重合 (x+2y=0 与 =0.5)  无解
  b = (5,10) = 5*a1    两直线重合                      无穷多解
  b = (1,3)            不相容 (消元得 0 = 1)          无解

判定口诀：$\mathbf{b}$ 在不在 $C(\mathbf{A})$ 上，等价于 $\mathbf{b}$ 在不在”行图像中两直线重合的那条位置”上。秩 $r=1<n=2$，所以只要相容就必有无穷多解。

【计算机制解说】：奇异情形下”无解/无穷多解”的分野完全由 $\mathbf{b}$ 决定，而与 $\mathbf{A}$ 无关。用列语言说：$\mathbf{A}$ 的作用是把 $\mathbb{R}^2$ 压扁到一条直线上（降维），所以很多不同的 $\mathbf{x}$ 被送到同一个像点；这就是”解不唯一”的来源。而 $\mathbf{b}$ 若在这条直线之外，则根本没有原像，这就是”无解”的来源。压缩 → 多对一 → 无穷多解；像外 → 无原像 → 无解。 这两个现象是同一件事（秩亏损）的两面。

示例 4：奇异 $3\times3$——列向量共面

\(\mathbf{A}=\begin{bmatrix}1&2&3\\2&4&6\\1&0&1\end{bmatrix}.\) 三列：$\mathbf{a}_1=(1,2,1)$，$\mathbf{a}_2=(2,4,0)$，$\mathbf{a}_3=(3,6,1)$。注意 $\mathbf{a}_1+\mathbf{a}_2=(1+2,\,2+4,\,1+0)=(3,6,1)=\mathbf{a}_3$。

步骤 1：验算行列式。

\(\det\mathbf{A}=1(4\cdot1-6\cdot0)-2(2\cdot1-6\cdot1)+3(2\cdot0-4\cdot1)=1(4)-2(-4)+3(-4)=4+8-12=0.\) $\det=0$，奇异。同时第 2 行 $=(2,4,6)=2\cdot(1,2,3)=2\times$ 第 1 行。

步骤 2：列空间的几何。

三列中只有两个独立方向（$\mathbf{a}_3=\mathbf{a}_1+\mathbf{a}_2$），所以 \(C(\mathbf{A})=\operatorname{span}\{\mathbf{a}_1,\mathbf{a}_2\}=\operatorname{span}\{(1,2,1),\,(2,4,0)\}\) 是 $\mathbb{R}^3$ 中过原点的一张平面（二维），秩 $r=2$。

步骤 3：行图像——三张平面。

• $\Pi_1:\ x+2y+3z=b_1$
• $\Pi_2:\ 2x+4y+6z=b_2$（与 $\Pi_1$ 平行或重合）
• $\Pi_3:\ x+z=b_3$

三张平面不交于一点，而是交于一条直线、或两两交线互相平行而无公共点、或完全重合。

步骤 4：两个具体 $\mathbf{b}$ 的对照。

(a) $\mathbf{b}=(3,6,1)$： 由 $\mathbf{a}_3=\mathbf{a}_1+\mathbf{a}_2$，取 $(x,y,z)=(1,1,0)$： \(1\cdot\begin{bmatrix}1\\2\\1\end{bmatrix}+1\cdot\begin{bmatrix}2\\4\\0\end{bmatrix}+0\cdot\begin{bmatrix}3\\6\\1\end{bmatrix}=\begin{bmatrix}3\\6\\1\end{bmatrix}\ ✓\) 解不唯一：因为 $\mathbf{a}_3=\mathbf{a}_1+\mathbf{a}_2$，即 $\mathbf{a}_1+\mathbf{a}_2-\mathbf{a}_3=\mathbf{0}$，所以任何 $(1+t,\,1+t,\,-t)$ 都是解，无穷多解（解集是 $\mathbb{R}^3$ 中一条直线）。

(b) $\mathbf{b}=(0,0,1)$： 设 $x\mathbf{a}_1+y\mathbf{a}_2+z\mathbf{a}_3=(0,0,1)$。用 $\mathbf{a}_3=\mathbf{a}_1+\mathbf{a}_2$ 合并同类项： \((x+z)\begin{bmatrix}1\\2\\1\end{bmatrix}+(y+z)\begin{bmatrix}2\\4\\0\end{bmatrix}=\begin{bmatrix}0\\0\\1\end{bmatrix}.\) 令 $s=x+z,\ t=y+z$（两个”合并后的配方量”），则要求 \(\begin{cases}s+2t=0 & (\text{第 1 分量})\\ 2s+4t=0 & (\text{第 2 分量})\\ s+0t=1 & (\text{第 3 分量})\end{cases}\) 第 3 式给出 $s=1$，代入第 1 式得 $1+2t=0\Rightarrow t=-\tfrac12$，再检验第 2 式：$2(1)+4(-\tfrac12)=2-2=0$ ✓。三式相容，所以 $\mathbf{b}=(0,0,1)$ 确实在 $C(\mathbf{A})$ 中。取 $z=0$ 回代即 $x=s=1$、$y=t=-\tfrac12$： \(1\cdot\begin{bmatrix}1\\2\\1\end{bmatrix}-\tfrac12\begin{bmatrix}2\\4\\0\end{bmatrix}=\begin{bmatrix}1-1\\2-2\\1-0\end{bmatrix}=\begin{bmatrix}0\\0\\1\end{bmatrix}\ ✓\)

这说明 $\mathbf{b}=(0,0,1)$ 恰好落在 $C(\mathbf{A})$ 这张平面上。 顺便注意：两个”合并后的配方量” $(s,t)=(1,-\tfrac12)$ 是唯一的（因为 $\mathbf{a}_1,\mathbf{a}_2$ 独立），但 $(x,y,z)$ 有原方程组 $x+z=1,\ y+z=-\tfrac12$ 的自由度——令 $z$ 任取，就得到无穷多组 $(x,y,z)$。“列空间内的可解性判定”与”解的个数”是两个不同层面的问题：前者看 $\mathbf{b}$ 与 $C(\mathbf{A})$，后者看 $r$ 与 $n$。

要找不在 $C(\mathbf{A})$ 上的 $\mathbf{b}$，用法向量一步判定。$\mathbf{a}_1\times\mathbf{a}_2$ 垂直于 $C(\mathbf{A})$： \(\mathbf{a}_1\times\mathbf{a}_2=\begin{vmatrix}\mathbf{i}&\mathbf{j}&\mathbf{k}\\1&2&1\\2&4&0\end{vmatrix}=(2\cdot0-1\cdot4,\ 1\cdot2-1\cdot0,\ 1\cdot4-2\cdot2)=(-4,\ 2,\ 0).\) 平面方程：$-4x+2y+0z=0$，即 $y=2x$。取 $\mathbf{b}=(0,1,0)$（$y=1\neq2\cdot0=0$），则 $\mathbf{b}\notin C(\mathbf{A})$ ⇒ 无解。

步骤 5：小结表格。

  A = [[1,2,3],[2,4,6],[1,0,1]]   rank r = 2 < n = 3
  C(A) = 平面 -4x + 2y = 0 (即 y = 2x), 过原点

  b               在 C(A)?     解集
  ------------------------------------------------------------
  (3,6,1)         是 (r=2)     无穷多解 (一条直线)
  (0,0,1)         是           无穷多解 (一条直线)
  (0,0,0)         是           无穷多解 (一条直线)
  (0,1,0)         否 (1 != 0)  无解
  (1,0,0)         否 (0 != 2)  无解
  (2,4,0)         是 (4 = 4)   无穷多解 (一条直线)
  (2,1,0)         否 (1 != 4)  无解

【计算机制解说】：秩 $r=2<n=3$ 意味着 $\mathbf{A}$ 的零空间 $N(\mathbf{A})$ 非平凡（$\dim N(\mathbf{A})=n-r=1$），也就是存在非零的 $\mathbf{x}_0$ 使 $\mathbf{A}\mathbf{x}_0=\mathbf{0}$。这里 $\mathbf{x}_0=(1,1,-1)$。于是”一个特解 $+$ 任意零空间向量”还是解——这就是无穷多解的代数根源。另一方面，$C(\mathbf{A})$ 的维数是 $r=2<3=m$，所以 $\mathbb{R}^3$ 中必有向量落在 $\mathbf{A}$ 张不到的地方——这就是无解的几何根源。$r=n$ 保证唯一性，$r=m$ 保证存在性。

示例 5：长方形矩阵 $3\times2$——当 $m\neq n$ 时列图像照样好用

行图像在 $m\neq n$ 时会彻底失灵（”2 个未知数、3 个方程”你无法画成三条直线的交点，因为三条直线一般不可能共点）。列图像却毫无障碍。

步骤 1：列图像。

\(\mathbf{a}_1=\begin{bmatrix}1\\0\\1\end{bmatrix},\qquad \mathbf{a}_2=\begin{bmatrix}0\\1\\1\end{bmatrix}.\) 要解 $x\mathbf{a}_1+y\mathbf{a}_2=\mathbf{b}$，即 \(x\begin{bmatrix}1\\0\\1\end{bmatrix}+y\begin{bmatrix}0\\1\\1\end{bmatrix}=\begin{bmatrix}x\\y\\x+y\end{bmatrix}=\begin{bmatrix}2\\3\\5\end{bmatrix}.\) 第 1、2 分量直接给出 $x=2,\ y=3$；第 3 分量复核 $x+y=2+3=5$ ✓。唯一解 $(2,3)$。

步骤 2：几何——$C(\mathbf{A})$ 是一张平面。

两个列向量在 $\mathbb{R}^3$ 中张开一张过原点的平面。法向量 \(\mathbf{a}_1\times\mathbf{a}_2=\begin{vmatrix}\mathbf{i}&\mathbf{j}&\mathbf{k}\\1&0&1\\0&1&1\end{vmatrix}=(0\cdot1-1\cdot1,\ 1\cdot0-1\cdot1,\ 1\cdot1-0\cdot0)=(-1,-1,1).\) 平面方程：$-x-y+z=0$，即 $z=x+y$。判定 $\mathbf{b}$ 只需一行算术：$b_3\overset{?}{=}b_1+b_2$。

  b              b3 == b1+b2 ?    结论
  ---------------------------------------------------
  (2,3,5)        5 == 2+3  ✓       在 C(A) 内, 唯一解 (2,3)
  (1,1,2)        2 == 1+1  ✓       在 C(A) 内, 唯一解 (1,1)
  (0,1,1)        1 == 0+1  ✓       在 C(A) 内, 唯一解 (0,1)
  (1,1,3)        3 != 1+1  ✗       不在 C(A), 无解
  (1,2,4)        4 != 1+2  ✗       不在 C(A), 无解

步骤 3：为什么这里”有解就唯一”？

$n=2$，两列 $\mathbf{a}_1,\mathbf{a}_2$ 不成比例（$x\mathbf{a}_1+y\mathbf{a}_2=\mathbf{0}$ 强制 $x=0$ 且 $y=0$），所以 $r=n=2$，$\dim N(\mathbf{A})=n-r=0$。没有零空间方向可供滑动，所以解一旦存在就唯一。 这跟示例 4（$r=2<n=3$）恰好形成对照：同样是 $r=2$，一个唯一、一个无穷多，差别全在 $r$ 与 $n$ 的关系。

步骤 4：$m<n$ 的情形（宽矩阵，方程少于未知数）。

把上面的 $\mathbf{A}$ 转置，得 $2\times3$ 矩阵 \(\mathbf{A}^T=\begin{bmatrix}1&0&1\\0&1&1\end{bmatrix}.\) 此时 $n=3>m=2$，$r=2$，于是 $\dim N(\mathbf{A}^T)=n-r=3-2=1\neq0$。对任何相容的右端，解集都是 $\mathbb{R}^3$ 中一条直线——$m<n$ 时若有解必有无穷多解，绝不可能唯一。 例如 $\mathbf{b}=(1,1)$，则 $x+z=1$ 与 $y+z=1$，通解 $(1-t,\ 1-t,\ t)$；取 $t=0$ 得 $(1,1,0)$，取 $t=1$ 得 $(0,0,1)$，两者都满足。

【计算机制解说】：$m\neq n$ 时行图像之所以失灵，是因为”$m$ 个方程”对应 $n$ 维空间中的 $m$ 张超平面，而 $m>n$ 时它们一般不可能有公共点，$m<n$ 时一般会交出一条低维的集合。行图像的”是不是正好交于一点”这个问题依赖 $m=n$ 的巧合；列图像的”$\mathbf{b}$ 在不在 $C(\mathbf{A})$ 上”哪怕 $m\ne n$ 也照样有意义，因为 $C(\mathbf{A})$ 永远是 $\mathbb{R}^m$ 中一个良定义的子空间。这就是”列图像才是核心视角”最直接的证据。

示例 6（可视化）：把 $\mathbf{A}$ 当成线性变换——单位正方形被送成什么？

仍取 $\mathbf{A}=\begin{bmatrix}2&-1\\-1&2\end{bmatrix}$。跟踪 $\mathbb{R}^2$ 中单位正方形的四个顶点被送到哪里：

  输入 (单位正方形)                    输出 (平行四边形)
  y                                     y
  2|                                    4|        (0,1)->(-1,2)
  1+-----+ (1,1)                        3|       /|
   |     |                              2|  (-1,2)●  /  ●(2,-1)... 见下
   |     |                              1|      /  ● (1,1)->(1,1)
  0+-----+---- x                        0+-----●---------- x
   0     1                              -1|   (1,0)->(2,-1)
                                        
  四个顶点的像 (已验算):
    (0,0)  ->  (0, 0)
    (1,0)  ->  (2, -1)      = a1
    (0,1)  ->  (-1, 2)      = a2
    (1,1)  ->  (1, 1)       = a1 + a2
  面积: 原来 1, 现在 |det A| = |3| = 3

读法： $\mathbf{A}$ 把”输入空间 $\mathbb{R}^2$ 的坐标轴方向”送成”$\mathbf{A}$ 的两个列向量”。单位正方形的像正是由 $\mathbf{a}_1,\mathbf{a}_2$ 张成的平行四边形，面积放大倍数就是 $\vert \det\mathbf{A}\vert =3$。解 $\mathbf{A}\mathbf{x}=\mathbf{b}$ 就是在问：”哪一个输入点被送到输出点 $\mathbf{b}$？”

再对比奇异矩阵 $\mathbf{S}=\begin{bmatrix}1&2\\2&4\end{bmatrix}$：$\mathbf{S}\begin{bmatrix}1\\0\end{bmatrix}=\begin{bmatrix}1\\2\end{bmatrix}$，$\mathbf{S}\begin{bmatrix}0\\1\end{bmatrix}=\begin{bmatrix}2\\4\end{bmatrix}$，两列共线，单位正方形的像被压扁成一条线段，面积倍数 $\vert \det\mathbf{S}\vert =0$。降维就是不可逆——这句几何直觉将来会在行列式与秩的每一讲反复出现。

矩阵分解的核心思想

本讲没有正式引入矩阵分解，但要指出两个方向的伏笔。

伏笔一：消元 ↔ $\mathbf{A}=\mathbf{L}\mathbf{U}$。 本讲示例 1 与示例 2 的求解过程，本质上都是消元：

• 示例 1：把第 1 个方程乘 $\tfrac12$ 得 $x-\tfrac12 y=0$，加到第 2 个方程上，得 $\tfrac32 y=3\Rightarrow y=2$，再回代得 $x=1$。写成分解： \(\mathbf{L}=\begin{bmatrix}1&0\\-\tfrac12&1\end{bmatrix},\qquad \mathbf{U}=\begin{bmatrix}2&-1\\0&\tfrac32\end{bmatrix},\qquad \mathbf{L}\mathbf{U}=\begin{bmatrix}2&-1\\-1&2\end{bmatrix}=\mathbf{A}.\) 乘数（multiplier）$\ell_{21}=-\tfrac12$ 正是 $\mathbf{L}$ 左下角那个数。两个主元 $2$ 与 $\tfrac32$，乘积 $2\cdot\tfrac32=3=\det\mathbf{A}$。
• 示例 2 的消元步骤给出 $\mathbf{L}=\begin{bmatrix}1&0&0\\0&1&0\\1&-1&1\end{bmatrix}$，$\mathbf{U}=\begin{bmatrix}1&1&0\\0&1&1\\0&0&2\end{bmatrix}$，且 $\mathbf{L}\mathbf{U}=\mathbf{A}$（已验算）。三个主元乘积 $=2=\det\mathbf{A}$。

伏笔二：$\mathbf{A}=\mathbf{C}\mathbf{R}$（列 $\times$ 行）。 示例 4 的奇异矩阵，三列中只有 $\mathbf{a}_1,\mathbf{a}_2$ 独立，于是 \(\mathbf{A}=\begin{bmatrix}1&2\\2&4\\1&0\end{bmatrix}\begin{bmatrix}1&0&1\\0&1&1\end{bmatrix},\) 其中左因子是 $\mathbf{A}$ 的独立列，右因子记录”每列如何由独立列组合而成”。这就是 $\mathbf{A}=\mathbf{C}\mathbf{R}$ 分解的雏形，也是讲次 10（矩阵的四个基本子空间）里”秩 = 独立列数 = 独立行数”的直观来源。

为什么需要系统化算法。 本讲靠”彩排”和”相加技巧”解出了 $2\times2$ 与精心构造的 $3\times3$。但真实问题是 $1000\times1000$，人眼找不到技巧。消元法把”求解”化为固定三步：消元成上三角 → 数主元定可解性 → 回代。对 $n$ 个未知数，这只是三重循环，计算机每秒能做十亿次——人找技巧，机器跑算法。这就是讲次 2 的主题。

与其他讲次的关联

• 讲次 2（Elimination with Matrices）：本讲的”相加技巧”将被升级为系统的消元算法与消元矩阵 $\mathbf{E}$；示例 1、2 里出现的 $\mathbf{L},\mathbf{U}$ 会正式登场，形成 $\mathbf{A}=\mathbf{L}\mathbf{U}$。
• 讲次 4（Factorization into $\mathbf{A}=\mathbf{L}\mathbf{U}$）：本讲示例 2 的 $\mathbf{L}=\begin{bmatrix}1&0&0\\0&1&0\\1&-1&1\end{bmatrix}$ 就是那一讲的核心对象——单位下三角矩阵，元素就是消元乘数。
• 讲次 6（Column Space and Nullspace）：本讲示例 3、4 里”$\mathbf{b}$ 是否在列向量张成的直线/平面上”会正式定义为 $\mathbf{b}\in C(\mathbf{A})$，并引入零空间 $N(\mathbf{A})$；示例 4 中 $\mathbf{x}_0=(1,1,-1)$ 正是 $N(\mathbf{A})$ 的基向量。
• 讲次 8（Solving $\mathbf{A}\mathbf{x}=\mathbf{b}$: Complete Solution）：本讲”无穷多解 = 特解 + 零空间”的观察将升级为完整解公式 $\mathbf{x}=\mathbf{x}_p+\mathbf{x}_n$，并给出可解性的充要条件（$\mathbf{b}\in C(\mathbf{A})$，等价于对 $\mathbf{A}^T\mathbf{y}=\mathbf{0}$ 的每个解都有 $\mathbf{y}^T\mathbf{b}=0$）。
• 讲次 10（The Four Fundamental Subspaces）：本讲的列空间 $C(\mathbf{A})\subseteq\mathbb{R}^m$ 会被放进四子空间框架，并用 $r$ 统一刻画：$\dim C(\mathbf{A})=r$，$\dim N(\mathbf{A})=n-r$。示例 4 的 $r=2,m=3,n=3$ 是标准练习。
• 讲次 18-20（Determinants）：本讲反复用 $\det=0$ 判定奇异、用主元乘积核对 $\det$，这些将在行列式一讲得到系统证明：$\det\mathbf{A}=$ 主元之积 $=$ 列向量张成的”体积”。

关键要点

1. 一个方程组，三张面孔。 行图像 = 超平面求交（在 $\mathbb{R}^n$ 中看）；列图像 = 列向量的线性组合（在 $\mathbb{R}^m$ 中看）；矩阵形式 $\mathbf{A}\mathbf{x}=\mathbf{b}$ 是二者的统一记号。做线性代数请默认用列图像思考。

2. $\mathbf{A}\mathbf{x}$ 就是”以 $\mathbf{x}$ 为系数对 $\mathbf{A}$ 的列做线性组合”（Strang 的核心语录）。即 \(\mathbf{A}\mathbf{x}=x_1\mathbf{a}_1+x_2\mathbf{a}_2+\cdots+x_n\mathbf{a}_n.\) 等价读法是”行与 $\mathbf{x}$ 做点积”，但只有列读法能解释可解性、秩与子空间。

3. 可解性判据：$\mathbf{A}\mathbf{x}=\mathbf{b}$ 有解 $\iff \mathbf{b}\in C(\mathbf{A})$。 当 $\det\mathbf{A}\neq0$（等价于 $n$ 个主元全部非零、$r=n$）时，对任意 $\mathbf{b}$ 都可解且解唯一：$\mathbf{x}=\mathbf{A}^{-1}\mathbf{b}$。

4. 奇异情形（$r<n$）的两分法：若 $\mathbf{b}\in C(\mathbf{A})$，则有无穷多解（解集 $=$ 特解 $+$ $N(\mathbf{A})$）；若 $\mathbf{b}\notin C(\mathbf{A})$，则无解。$\mathbf{b}$ 在不在列空间里，是唯一的开关。

5. 列空间是”$\mathbf{A}$ 能造出的全部向量的集合”，它是 $\mathbb{R}^m$ 中过原点的子空间，维数等于秩 $r$。行列式为零 = 列向量线性相关 = 列空间被压成低维子空间（直线或平面）= 不是所有 $\mathbf{b}$ 都有解。

常见误区与注意事项

1. 把”行列式为 $0$”直接等同于”无解”。 这是最常见也最致命的错误。示例 3 中 $\mathbf{b}=(3,6)$ 就有无穷多解。正确的说法是：$\det=0$ 意味着”要么无解，要么无穷多解“，究竟哪一种取决于 $\mathbf{b}$ 是否落在 $C(\mathbf{A})$ 里。行列式只回答”唯一性”，不回答”存在性”。

2. 把行空间和列空间混为一谈，或写错所在空间。 本讲所有列向量都住在 $\mathbb{R}^m$（$m$ 是方程个数、矩阵的行数），所以 $C(\mathbf{A})\subseteq\mathbb{R}^m$；行向量住在 $\mathbb{R}^n$，所以行空间 $C(\mathbf{A}^T)\subseteq\mathbb{R}^n$。示例 4 中 $\mathbf{A}$ 是 $3\times3$，两者都落在 $\mathbb{R}^3$，看起来一样，但换成 $3\times2$ 的 $\mathbf{A}$ 就完全不同了——绝不能用示例 4 的巧合掩盖这个区别。

3. 数错维度：把 $n-r$ 和 $m-r$ 张冠李戴。 $\dim N(\mathbf{A})=n-r$（$n$ 是列数、未知数个数），$\dim N(\mathbf{A}^T)=m-r$（$m$ 是行数、方程个数）。示例 4 中 $m=n=3,r=2$，两个都是 $1$，所以看不出差别；请务必记住公式里 $n$ 跟 $\mathbf{A}$ 走、$m$ 跟 $\mathbf{A}^T$ 走。

4. 在列图像里把组合系数搞成”列向量的分量”。 在 $x\mathbf{a}_1+y\mathbf{a}_2=\mathbf{b}$ 中，$x,y$ 是配方比例，不是任何向量的坐标。示例 3 里 $\mathbf{b}=(3,6)=3\mathbf{a}_1$ 是对的，但千万不要写成”$\mathbf{b}$ 的第 1 个分量是 $x$”。

5. 以为”$m=n$ 就一定有唯一解”。 只有当 $m=n$ 且 $\det\mathbf{A}\neq0$ 时才成立。示例 3、4 都是 $m=n$ 但奇异的反例。$m=n$ 只保证”这是一张方表”，不保证”这张表可逆”。

思考题（带答案）

Q1.（计算题：判断 $\mathbf{b}$ 是否在列空间中） 设 \(\mathbf{A}=\begin{bmatrix}1&0&2\\0&1&3\\1&1&5\end{bmatrix}.\) (a) 求 $\det\mathbf{A}$ 与 $\operatorname{rank}\mathbf{A}$，并说明 $C(\mathbf{A})$ 是什么。 (b) 判断 $\mathbf{b}_1=(1,1,3)$ 是否在 $C(\mathbf{A})$ 中；若在，给出一个组合系数。 (c) 判断 $\mathbf{b}_2=(3,5,8)$ 是否在 $C(\mathbf{A})$ 中；若在，给出两个不同的组合系数。

Q2.（计算题：$3\times3$ 列组合求解） 设 \(\mathbf{A}=\begin{bmatrix}1&1&0\\0&1&1\\1&0&1\end{bmatrix},\qquad \mathbf{b}=\begin{bmatrix}2\\3\\3\end{bmatrix}.\) 用列组合的视角求 $\mathbf{x}$，并用行视角（三平面交点）验证。

Q3.（概念题：为什么列图像优于行图像） 请从”可解性判断”与”高维推广”两个角度说明：为什么 Strang 坚持列图像才是线性代数的核心视角，而行图像在课程中很快就不再被使用？

Q4.（概念题：奇异情形的计数） 设 $\mathbf{A}$ 是 $3\times3$ 矩阵，$\det\mathbf{A}=0$，且已知 $\mathbf{b}_0\neq\mathbf{0}$ 使得 $\mathbf{A}\mathbf{x}=\mathbf{b}_0$ 无解。问 $\mathbf{A}\mathbf{x}=\mathbf{0}$ 是否有非零解？$\mathbf{A}\mathbf{x}=\mathbf{b}_0$ 若改为有解，解集的”大小”是什么？请说明理由。