Lecture 8: Solving Ax = b: Row Reduced Form R
Lecture 8: Solving Ax = b: Row Reduced Form R
概述
上一讲（Lecture 7）我们研究了 $A\mathbf{x}=\mathbf{0}$ 的零空间 N(A)：它永远是子空间，永远包含原点，维数是 $n-r$。本讲把右端项换成一般的 $\mathbf{b}$，回答两个问题：（1）什么时候有解？ 答案是 $\mathbf{b}\in C(A)$——即消元后的增广矩阵里不出现”$0=$ 非零”的矛盾行。（2）有解时解长什么样？ 答案是 $\mathbf{x}=\mathbf{x}{\text{particular}}+\mathbf{x}{\text{null}}$：一个特解加上零空间中的任意向量。
这个公式是本讲的心脏。它的几何含义极其重要：解集不是子空间（除非 $\mathbf{b}=\mathbf{0}$），而是零空间被特解平移之后得到的”仿射子空间”——在 $\mathbb{R}^3$ 中是一条不过原点的直线或一个不过原点的平面。同时我们引入 row reduced echelon form（RREF，行最简形）$R$，用它统一处理 $m\times n$ 矩阵、任意右端项的全部情形，并给出 Strang 著名的 $(r,m,n)$ 分类表。
核心概念的几何直觉
概念一：可解性判据（Solvability）
- 定义与目的：$A\mathbf{x}=\mathbf{b}$ 有解 $\iff \mathbf{b}\in C(A)$ $\iff$ 消元过程中增广矩阵 $[A\mid\mathbf{b}]$ 不出现形如 $[\mathbf{0}\mid\text{非零}]$ 的行。等价地：$\mathbf{b}$ 必须满足与 $A$ 的各行完全相同的线性关系。
- 几何直觉（它在空间中是什么样子？）：$A\mathbf{x}$ 的所有可能取值恰好铺满列空间 $C(A)$——一个穿过原点的平面/直线/整个空间。$\mathbf{b}$ 落在里面，就有解；落在外面一点点，就无解，而且没有任何”近似意义上的解”（近似解法要等 Lecture 16 的最小二乘）。”$\mathbf{b}$ 满足与行相同的线性关系”，意思是：若 $A$ 的某几行线性组合为零，则 $\mathbf{b}$ 的对应分量做同样的组合也必须为零。这个”隐藏的约束”正是无解时矛盾行的来源。
具体示例：本讲主例
\[A=\begin{bmatrix}1&2&2&2\\2&4&6&8\\3&6&8&10\end{bmatrix}.\]注意第 2 行与第 1 行的关系：$A$ 的三行满足 $1\cdot\text{row}_1+1\cdot\text{row}_2-1\cdot\text{row}_3=\mathbf{0}$（验算：$[1,2,2,2]+[2,4,6,8]-[3,6,8,10]=[0,0,0,0]$）。所以任何可解的 $\mathbf{b}$ 必须满足 $b_1+b_2-b_3=0$。对 $\mathbf{b}_1$：$1+5-6=0$ ✓ 有解。对 $\mathbf{b}_2=(1,5,7)^T$：$1+5-7=-1\ne 0$ ✗ 无解。这个”$\mathbf{b}$ 必须满足 $b_1+b_2-b_3=0$”就是我们后面会称为左零空间的向量 $\mathbf{y}=(1,1,-1)^T$ 给出的约束（$A^T\mathbf{y}=\mathbf{0}$，验算 $A^T(1,1,-1)=(0,0,0,0)^T$）。
概念二：特解（Particular Solution）$\mathbf{x}_p$
- 定义与目的：$\mathbf{x}_p$ 是满足 $A\mathbf{x}=\mathbf{b}$ 的任意一个解。求法：把所有自由变量取 $0$，然后从 $R$ 中回代解出主元变量。
- 几何直觉（它在空间中是什么样子？）：$\mathbf{x}_p$ 是解集这个”漂浮的直线/平面”上的一个锚点。选哪个都行——不同的锚点给出同样的解集（只是参数化不同）。把自由变量取 $0$，等价于在解集与”自由坐标轴构成的坐标子空间”的交点处下锚，这是最省事的锚点。
- 具体示例：主例对 $\mathbf{b}_1=(1,5,6)^T$ 得到 $\mathbf{x}_p=(-2,\,0,\,\tfrac32,\,0)^T$。验算：直接代入原矩阵 $A\mathbf{x}_p=(1,5,6)^T$ ✓。
概念三：零空间 N(A) 是”解集的形状”
- 定义与目的：N(A) 是 $A\mathbf{x}=\mathbf{0}$ 的全部解，是 $\mathbb{R}^n$ 中的子空间。对主例 $\dim N(A)=n-r=4-2=2$。
- 几何直觉（它在空间中是什么样子？）：N(A) 描述解集的”自由度方向”——你可以沿这些方向任意滑动，$A\mathbf{x}$ 仍然等于 $\mathbf{b}$。在 $\mathbb{R}^n$ 中它是一个穿过原点的平面（这里 $n=4$，所以是 4 维空间里的 2 维平面）。
具体示例：主例的两个特殊解（special solutions）为
\[\mathbf{s}_1=\begin{bmatrix}-2\\1\\0\\0\end{bmatrix},\qquad \mathbf{s}_2=\begin{bmatrix}2\\0\\-2\\1\end{bmatrix}.\]验算 $A\mathbf{s}_1=(0,0,0)^T$、$A\mathbf{s}_2=(0,0,0)^T$ ✓。
概念四：完整解 = 特解 + 零空间（本讲最重要的一张图）
\[A\mathbf{x}=\mathbf{b}\quad\Longrightarrow\quad \mathbf{x}=\mathbf{x}_p+\mathbf{x}_n,\qquad \mathbf{x}_n\in N(A).\]- 定义与目的：把”一个锚点 + 形状”拼起来。任何解都可写成 $\mathbf{x}_p+(\text{某个零空间向量})$；反之任何这种形式的向量都是解（因为 $A(\mathbf{x}_p+\mathbf{x}_n)=\mathbf{b}+\mathbf{0}=\mathbf{b}$）。
几何直觉（它在空间中是什么样子？）：这是本讲的灵魂。解集是 N(A) 被 $\mathbf{x}_p$ 平移的结果，写作 $\mathbf{x}_p+N(A)$，称为 $N(A)$ 的一个陪集（coset）或 affine subspace（仿射子空间）。关键：
它不是子空间，因为它不过原点——$\mathbf{x}=\mathbf{0}$ 一般不是解（$\mathbf{0}$ 是解当且仅当 $\mathbf{b}=\mathbf{0}$）。
平移不改变”形状”（维数、方向、平行性），只改变”位置”。所以解集与 N(A) 平行：同维数、同方向，只是挪了一个 $\mathbf{x}_p$。
解集 = x_p + N(A)：与 N(A) 平行的一个"复制品"
┌──────────────────── 以 R^3 为例（r = 2, n = 3, dim N(A) = 1）──────────────┐
│ │
│ N(A)：过原点的直线 解集 x_p + N(A)：与它平行、但不过原点 │
│ │
│ / / ← 解集（一条平移后的直线） │
│ / s / │
│ / / │
│ ───────●──────────► ────/──────────► │
│ origin O / ↑ │
│ （0 是解） / x_p（锚点，特解） │
│ ● │
│ / N(A) 的方向 s 是同一个 │
│ / │
│ │
│ 若 b ≠ 0：解集上的点 = x_p + c·s，c 取遍所有实数 │
│ c = 0 给出 x_p 本身；c 变化时沿直线滑动。 │
│ 注意：把这条直线整体平移 -x_p 就得到 N(A)。 │
└──────────────────────────────────────────────────────────────────────────┘
以 R^3 为例（r = 1, n = 3, dim N(A) = 2）：
解集是一个"不过原点的平面"，它与过原点的 N(A) 平行。
N(A)（过原点） 解集 x_p + N(A)（平行、错开）
／| ／|
／ | ／ |
／____|___ ／____|___ ← 两平面平行
↑
x_p 把整个平面顶出去
概念五：秩 $r$ 与解的结构——$(r,m,n)$ 分类表
- 定义与目的：$r=\operatorname{rank}(A)=$ 主元个数 $=$ 主元列个数 $= \dim C(A)$。只凭 $r,m,n$ 三个数，就能完全判定解的存在性与个数。
- 几何直觉：$r$ 同时量度”列空间有多大”（$r$ 维）与”零空间有多大”（$n-r$ 维）。$r$ 越大，$C(A)$ 越满（越容易命中 $\mathbf{b}$），N(A) 越小（解越少）。$r$ 恰好是这两种”多少”的平衡点。
- 具体示例：见下面的完整分类表（数字均已验算）。
┌─────────────────────── 秩 r 与 Ax = b 的解 ────────────────────────┐
│ m = 方程个数（行数）, n = 未知数个数（列数）, r = rank(A) │
│ │
│ ① r = m = n A 可逆： 唯一解 x = A^{-1} b │
│ （C(A) = R^n，b 永远在里面；N(A) = {0}，无自由度）│
│ │
│ ② r = m < n 行满秩： 无穷多解（永远有解） │
│ （C(A) = R^m，任何 b 都有解；dim N = n-r > 0） │
│ │
│ ③ r = n < m 列满秩： 0 个或 1 个解 │
│ （N(A) = {0}，至多一解；C(A) 是 R^m 中的真子集， │
│ 有的 b 落在外面 → 无解） │
│ │
│ ④ r < m 且 r < n 一般情形： 0 个或无穷多解 │
│ （两个"缺"同时存在） │
└────────────────────────────────────────────────────────────────────┘
记忆口诀：只要 r < m，就可能有"无解"（b 可能落在 C(A) 外）；
只要 r < n，就一定有"多解"（N(A) 非平凡）。
有解时解的个数 = 1（若 r = n，此时 r < m 亦可）或无穷多（若 r < n）。
计算步骤与手算演示
示例 1（必做，有解情形）：$A=\begin{bmatrix}1&2&2&2\\2&4&6&8\\3&6&8&10\end{bmatrix}$，$\mathbf{b}=(1,5,6)^T$
步骤 1：写成增广矩阵 $[A\mid\mathbf{b}]$。
[ 1 2 2 2 | 1 ]
[ 2 4 6 8 | 5 ]
[ 3 6 8 10 | 6 ]
步骤 2：消元（前向消元，得到阶梯形）。
用 row₁ 消去 col₁ 下方：
- row₂ $\leftarrow$ row₂ $-2\cdot$row₁：$[2,4,6,8\mid 5]-[2,4,4,4\mid 2]=[0,0,2,4\mid 3]$
- row₃ $\leftarrow$ row₃ $-3\cdot$row₁：$[3,6,8,10\mid 6]-[3,6,6,6\mid 3]=[0,0,2,4\mid 3]$
[ 1 2 2 2 | 1 ]
[ 0 0 2 4 | 3 ]
[ 0 0 2 4 | 3 ] ← row₃ 与 row₂ 完全相同
再 row₃ $\leftarrow$ row₃ $-$ row₂：
[ 1 2 2 2 | 1 ]
[ 0 0 2 4 | 3 ] ← U（阶梯形），主元在 col 1 与 col 3
[ 0 0 0 0 | 0 ] ← 零行，且右端也是 0：一致（consistent）
步骤 3：继续消元到 RREF（回代 + 主元归 1）。
row₂ $\leftarrow \tfrac12$row₂：
[ 1 2 2 2 | 1 ]
[ 0 0 1 2 | 3/2 ]
[ 0 0 0 0 | 0 ]
row₁ $\leftarrow$ row₁ $-2\cdot$row₂：
[ 1 2 0 -2 | -2 ] ← R（RREF） ┌ d（变换后的右端）
[ 0 0 1 2 | 3/2 ] ← 主元行（pivot rows）│
[ 0 0 0 0 | 0 ] ← 零行（0 = 0） ┘
于是
\[R=\begin{bmatrix}1&2&0&-2\\0&0&1&2\\0&0&0&0\end{bmatrix},\qquad \mathbf{d}=\begin{bmatrix}-2\\3/2\\0\end{bmatrix}.\]步骤 4：读出主元变量与自由变量。 主元列是第 1、3 列（$x_1,x_3$ 是主元变量）；非主元列是第 2、4 列（$x_2,x_4$ 是自由变量）。$r=2$，$\dim N(A)=n-r=4-2=2$——两个自由变量，正好对应两个特殊解。
步骤 5：求特解 $\mathbf{x}_p$（自由变量全取 0）。 令 $x_2=0,\ x_4=0$，则 $R$ 的两行给出
\[x_1=-2,\qquad x_3=\tfrac32.\] \[\boxed{\mathbf{x}_p=\begin{bmatrix}-2\\0\\3/2\\0\end{bmatrix}}\]代回原矩阵验算：
\[A\mathbf{x}_p=\begin{bmatrix}1&2&2&2\\2&4&6&8\\3&6&8&10\end{bmatrix}\begin{bmatrix}-2\\0\\3/2\\0\end{bmatrix}=\begin{bmatrix}-2+0+3+0\\-4+0+9+0\\-6+0+12+0\end{bmatrix}=\begin{bmatrix}1\\5\\6\end{bmatrix}=\mathbf{b}\ ✓\]步骤 6：求零空间的两个特殊解（逐一令某个自由变量为 1，其余自由变量为 0）。
从 RREF 的方程读出：$x_1+2x_2-2x_4=0$，$x_3+2x_4=0$，即
\[x_1=-2x_2+2x_4,\qquad x_3=-2x_4.\]- 令 $x_2=1,\ x_4=0$：$x_1=-2,\ x_3=0$，得 $\mathbf{s}_1=(-2,1,0,0)^T$。
- 令 $x_2=0,\ x_4=1$：$x_1=2,\ x_3=-2$，得 $\mathbf{s}_2=(2,0,-2,1)^T$。
验算 $A\mathbf{s}_1=(0,0,0)^T$、$A\mathbf{s}_2=(0,0,0)^T$ ✓（用原矩阵，不是 $R$！）。
步骤 7：写出完整解（通解）。
\[\boxed{\ \mathbf{x}=\mathbf{x}_p+c_1\mathbf{s}_1+c_2\mathbf{s}_2=\begin{bmatrix}-2\\0\\3/2\\0\end{bmatrix}+c_1\begin{bmatrix}-2\\1\\0\\0\end{bmatrix}+c_2\begin{bmatrix}2\\0\\-2\\1\end{bmatrix},\qquad c_1,c_2\in\mathbb{R}.\ }\]任取一组参数都是解，例如 $c_1=1,c_2=0$ 时 $\mathbf{x}=(-4,1,3/2,0)^T$，验算 $A\mathbf{x}=(1,5,6)^T$ ✓。$c_1=c_2=0$ 时回到 $\mathbf{x}_p$。
【计算机制解说】 为什么可以”$\mathbf{x}_p$ + 零空间”这样拼？设 $\mathbf{x}$ 与 $\mathbf{x}_p$ 都是解，则
\[A(\mathbf{x}-\mathbf{x}_p)=A\mathbf{x}-A\mathbf{x}_p=\mathbf{b}-\mathbf{b}=\mathbf{0},\]所以差 $\mathbf{x}-\mathbf{x}_p$ 必在 N(A) 中，于是 $\mathbf{x}=\mathbf{x}_p+\mathbf{x}_n$。反过来，对任意 $\mathbf{x}_n\in N(A)$，$A(\mathbf{x}_p+\mathbf{x}_n)=\mathbf{b}+\mathbf{0}=\mathbf{b}$。两句话合起来：解集 $=\mathbf{x}_p+N(A)$，不多不少。（注意这个论证用到了 $A$ 是线性的：$A(\mathbf{u}+\mathbf{v})=A\mathbf{u}+A\mathbf{v}$。线性正是”解集可平移”的根源；非线性方程组就没有这种结构。）
为什么特解可以”自由变量取 0”？因为在 RREF 中，自由变量是完全自由的参数：任给自由变量一组值，主元变量都被唯一确定。所以自由变量取 $0$ 一定给出一个合法解。这也是为什么”解的个数”只由 $\dim N(A)=n-r$ 决定。
示例 2（必做，无解情形）：同一个 $A$，$\mathbf{b}=(1,5,7)^T$
步骤 1–3：消元。 前两步与示例 1 完全相同（$A$ 的部分不变），只跟踪右端：
- 初始右端 $(1,5,7)$。
- row₂ $\leftarrow$ row₂$-2$row₁：$5-2=3$。
- row₃ $\leftarrow$ row₃$-3$row₁：$7-3=4$。
- row₃ $\leftarrow$ row₃$-$row₂：$4-3=1$。
[ 1 2 2 2 | 1 ]
[ 0 0 2 4 | 3 ]
[ 0 0 0 0 | 1 ] ← ★ 矛盾行：0·x₁+0·x₂+0·x₃+0·x₄ = 1
化成 RREF：
\[[R\mid\mathbf{d}]=\begin{bmatrix}1&2&0&-2&\mid&-2\\0&0&1&2&\mid&3/2\\0&0&0&0&\mid&1\end{bmatrix}.\]步骤 4：读出矛盾。 最后一行是 $0=1$，矛盾。所以无解。
步骤 5：用”行关系”解释。 $A$ 的行满足 $\text{row}_1+\text{row}_2-\text{row}_3=\mathbf{0}$（前面已验算）。同一个组合作用在 $\mathbf{b}$ 上：
\[b_1+b_2-b_3=1+5-7=-1\ne 0.\]左端是”行的零组合”，右端却不为零，这就是矛盾的来源。换句话说，$\mathbf{y}=(1,1,-1)^T$ 满足 $A^T\mathbf{y}=\mathbf{0}$（验算得 $(0,0,0,0)^T$），而 $\mathbf{y}^T\mathbf{b}=-1\ne 0$。任何位于左零空间 N(Aᵀ) 中的 $\mathbf{y}$，都必须满足 $\mathbf{y}^T\mathbf{b}=0$，否则无解。 这正是 Lecture 10 的可解性定理 $\mathbf{b}\in C(A)\iff \mathbf{b}\perp N(A^T)$ 的雏形。
【计算机制解说】 为什么”零行 + 非零右端”就一定是无解，而不是”有解的另一种形式”？因为消元是对整个增广矩阵的行做可逆的行变换（交换、倍乘非零数、加上另一行的倍数）。这些操作不改变解集：任何让变换前方程组成立的 $\mathbf{x}$ 也让变换后成立，反之亦然。所以变换后的方程组与原方程组同解。而变换后的第三行说的是”对所有 $x_1,x_2,x_3,x_4$：$0=1$”——这是逻辑上永假的命题，任何 $\mathbf{x}$ 都不能满足。既然同解，原方程组也无解。这就是”消元保持解集”的严格含义，也是为什么增广矩阵的右端必须和左端同步消元（只对 $A$ 消元、不同步处理 $\mathbf{b}$ 是初学者最常见的错误）。
示例 3（几何：$\mathbb{R}^3$ 中一条不过原点的直线）
取
\[A_3=\begin{bmatrix}1&2&3\\2&5&8\\3&7&11\end{bmatrix},\qquad \text{row}_3=\text{row}_1+\text{row}_2.\]步骤 1：消元求 RREF。
- row₂ $\leftarrow$ row₂$-2$row₁：$[0,1,2]$。
- row₃ $\leftarrow$ row₃$-3$row₁：$[0,1,2]$。
- row₃ $\leftarrow$ row₃$-$row₂：$[0,0,0]$。
- 回代：row₁ $\leftarrow$ row₁$-2$row₂：$[1,0,-1]$。
[ 1 0 -1 ]
[ 0 1 2 ] r = 2, 自由变量 x₃，dim N(A₃) = 3 - 2 = 1
[ 0 0 0 ]
步骤 2：零空间（一条过原点的直线）。 $x_1=x_3,\ x_2=-2x_3$。令 $x_3=1$：$\mathbf{s}=(1,-2,1)^T$。验算 $A_3\mathbf{s}=(0,0,0)^T$ ✓。
步骤 3：取 $\mathbf{b}=(1,3,4)^T$。 检查行关系：$b_1+b_2-b_3=1+3-4=0$ ✓ 有解。增广 RREF：
\[[R\mid\mathbf{d}]=\begin{bmatrix}1&0&-1&\mid&-1\\0&1&2&\mid&1\\0&0&0&\mid&0\end{bmatrix}.\]步骤 4：特解。 $x_3=0\Rightarrow x_1=-1,\ x_2=1$，$\mathbf{x}_p=(-1,1,0)^T$。验算 $A_3\mathbf{x}_p=(1,3,4)^T$ ✓。
步骤 5：通解与几何。
\[\mathbf{x}=\begin{bmatrix}-1\\1\\0\end{bmatrix}+c\begin{bmatrix}1\\-2\\1\end{bmatrix}.\]验算 $c=2$：$\mathbf{x}=(1,-3,2)^T$，$A_3\mathbf{x}=(1,3,4)^T$ ✓；$c=-1$：$\mathbf{x}=(-2,3,-1)^T$，$A_3\mathbf{x}=(1,3,4)^T$ ✓。
几何结论：解集是 $\mathbb{R}^3$ 中一条直线，方向为 $(1,-2,1)$，但它不过原点（$\mathbf{0}$ 不是解，因为 $A_3\mathbf{0}=\mathbf{0}\ne\mathbf{b}$）。它与过原点的 N(A₃)（同一条方向的直线）平行，只是平移了 $\mathbf{x}_p$。这正是”仿射子空间”最直观的形象。
步骤 6：对照无解情形 $\mathbf{b}=(1,3,6)^T$。 $b_1+b_2-b_3=1+3-6=-2\ne 0$，预测无解。增广 RREF：
\[[R\mid\mathbf{d}]=\begin{bmatrix}1&0&-1&\mid&-1\\0&1&2&\mid&1\\0&0&0&\mid&2\end{bmatrix}\ \Rightarrow\ 0=2\ \text{矛盾}\ ✓\]【计算机制解说】 为什么 $r=2<3=n$ 在 $\mathbb{R}^3$ 中给出”直线”而不是”平面”？解集维数 $=n-r=3-2=1$，而 $\mathbb{R}^3$ 中 1 维对象就是直线。这里的维数由 $r<m$ 给出了一个自由的约束：$A$ 的三行其实只有两条独立信息（第三行是前两行之和），所以三个方程只把 $\mathbb{R}^3$ 中的点限制到”两条独立平面之交”＝一条直线。“多余的行”不提供新信息——这正是 $r<m$ 的含义，也是”$m$ 个方程里真正起作用的只有 $r$ 个”的几何翻译。
示例 4（秩分类表四个格子各一个算例，全部验算）
① $r=m=n$：唯一解。 $A=\begin{bmatrix}1&2\\3&4\end{bmatrix}$，$\mathbf{b}=(5,11)^T$。
\[\det A=1\cdot 4-2\cdot 3=-2\ne 0\ \Rightarrow\ A^{-1}\ \text{存在}.\] \[A^{-1}=\frac{1}{-2}\begin{bmatrix}4&-2\\-3&1\end{bmatrix}=\begin{bmatrix}-2&1\\3/2&-1/2\end{bmatrix},\qquad \mathbf{x}=A^{-1}\mathbf{b}=\begin{bmatrix}-2\cdot5+1\cdot11\\ \tfrac32\cdot5-\tfrac12\cdot11\end{bmatrix}=\begin{bmatrix}1\\2\end{bmatrix}.\]验算 $A(1,2)^T=(1+4,\ 3+8)^T=(5,11)^T=\mathbf{b}$ ✓。几何：$C(A)=\mathbb{R}^2$，$\mathbf{b}$ 必在里面；$N(A)=\{\mathbf{0}\}$，无自由度，所以恰好一个解。
② $r=m<n$：无穷多解（永远有解）。 $A=\begin{bmatrix}1&2&3\\2&4&7\end{bmatrix}$（$m=2,n=3$），$\mathbf{b}=(1,3)^T$。
RREF: [ 1 2 0 ] r = 2 = m, 自由变量 x₂, dim N = 3 - 2 = 1
[ 0 0 1 ]
增广：$\begin{bmatrix}1&2&0&\mid&-2\\0&0&1&\mid&1\end{bmatrix}$。特解（$x_2=0$）：$\mathbf{x}_p=(-2,0,1)^T$；零空间（$x_2=1$）：$\mathbf{s}=(-2,1,0)^T$。
\[\mathbf{x}=\begin{bmatrix}-2\\0\\1\end{bmatrix}+c\begin{bmatrix}-2\\1\\0\end{bmatrix}.\]验算 $A\mathbf{x}_p=(-2+0+3,\ -4+0+7)^T=(1,3)^T$ ✓；$A\mathbf{s}=(-2+2+0,\ -4+4+0)^T=(0,0)^T$ ✓。几何：$C(A)=\mathbb{R}^2$（两行独立），所以任何 $\mathbf{b}$ 都有解；$n-r=1$ 给出一个自由方向，解集是 $\mathbb{R}^3$ 中一条不过原点的直线。（注意：只要 $r=m$，$\mathbf{b}$ 就永远可解，这就是”行满秩永不卡壳”。）
③ $r=n<m$：0 个或 1 个解。 $A=\begin{bmatrix}1&1\\1&2\\1&3\end{bmatrix}$（$m=3,n=2$）。
RREF: [ 1 0 ]
[ 0 1 ] r = 2 = n, dim N = 2 - 2 = 0
[ 0 0 ]
- 取 $\mathbf{b}=(1,2,3)^T$：增广 RREF 为 $\begin{bmatrix}1&0&\mid&0\\0&1&\mid&1\\0&0&\mid&0\end{bmatrix}$，唯一解 $\mathbf{x}=(0,1)^T$。验算 $A(0,1)^T=(1,2,3)^T=\mathbf{b}$ ✓。
- 取 $\mathbf{b}=(1,2,4)^T$：增广 RREF 为 $\begin{bmatrix}1&0&\mid&0\\0&1&\mid&1\\0&0&\mid&1\end{bmatrix}$，矛盾行 $0=1$，无解。
几何：$N(A)=\{\mathbf{0}\}$（两列独立，验算 $\det\begin{bmatrix}1&1\\1&2\end{bmatrix}=1\ne0$），所以最多一解；$C(A)$ 是 $\mathbb{R}^3$ 中的平面（不是整个 $\mathbb{R}^3$），所以大多数 $\mathbf{b}$ 落在平面外，无解。要看 $\mathbf{b}$ 是否在平面上，可以用左零空间给出的约束：$m=3,r=2\Rightarrow\dim N(A^T)=m-r=1$，所以恰好有一条独立约束。求 $\mathbf{y}$：由 $\text{row}_2-\text{row}_1=[0,1,1]$、$\text{row}_3-\text{row}_1=[0,2,2]$ 可见行关系为 $1\cdot\text{row}_1-2\cdot\text{row}_2+1\cdot\text{row}_3=\mathbf{0}$（验算：$[1,1]-[2,4]+[1,3]=[0,0]$ ✓）。所以可解条件为 $b_1-2b_2+b_3=0$。检：$(1,2,3)$：$1-4+3=0$ ✓；$(1,2,4)$：$1-4+4=1\ne0$ ✗。这条约束把 $\mathbb{R}^3$ 中的 $\mathbf{b}$ 限制到一个过原点的平面，正是 $C(A)$ 本身。
④ $r<m$ 且 $r<n$：0 个或无穷多解。 就是示例 1/2 的主例：$A$（$3\times4$，$r=2$）。$\mathbf{b}_1=(1,5,6)^T$ 给出无穷多解（两个自由变量）；$\mathbf{b}_2=(1,5,7)^T$ 无解。几何：$C(A)$ 是 $\mathbb{R}^3$ 中的平面（$r=2<m=3$），所以可能有解可能没有；$N(A)$ 是 $\mathbb{R}^4$ 中的 2 维平面（$r=2<n=4$），所以有解时必有无穷多。
示例 5（$\mathbb{R}^3$ 中一个不过原点的平面）
取 $A_1=\begin{bmatrix}1&2&3\\2&4&6\\3&6&9\end{bmatrix}$（每行成比例，$r=1$），$\mathbf{b}=(1,2,3)^T$。
步骤 1：RREF。 第 2、3 行都是第 1 行的倍数，消元后全变零行：
[ 1 2 3 ] r = 1, 自由变量 x₂, x₃, dim N(A₁) = 3 - 1 = 2
[ 0 0 0 ]
[ 0 0 0 ]
步骤 2：特解。 $x_2=x_3=0\Rightarrow x_1=1$，$\mathbf{x}_p=(1,0,0)^T$。验算 $A_1\mathbf{x}_p=(1,2,3)^T=\mathbf{b}$ ✓。
步骤 3：零空间的两个特殊解。 $x_1=-2x_2-3x_3$。
- $x_2=1,x_3=0$：$\mathbf{s}_1=(-2,1,0)^T$，验算 $A_1\mathbf{s}_1=(0,0,0)^T$ ✓。
- $x_2=0,x_3=1$：$\mathbf{s}_2=(-3,0,1)^T$，验算 $A_1\mathbf{s}_2=(0,0,0)^T$ ✓。
步骤 4：通解。
\[\mathbf{x}=\begin{bmatrix}1\\0\\0\end{bmatrix}+c_1\begin{bmatrix}-2\\1\\0\end{bmatrix}+c_2\begin{bmatrix}-3\\0\\1\end{bmatrix} =\begin{bmatrix}1-2c_1-3c_2\\ c_1\\ c_2\end{bmatrix}.\]验算 $c_1=1,c_2=2$：$\mathbf{x}=(-7,1,2)^T$，第一行点积 $-7+2+6=1$ ✓（且三行同值 $1,2,3$）。
几何：解集是 $\mathbb{R}^3$ 中的一个平面——那正是方程 $x_1+2x_2+3x_3=1$ 的图形。它不过原点（$0+0+0=0\ne1$）。它平行于过原点的 N(A₁)（即平面 $x_1+2x_2+3x_3=0$）。当 $r=1$ 时，$A\mathbf{x}=\mathbf{b}$ 本质上只是”一个方程”，其余两行和它重复。 注意 $A_1$ 对称、$r=1$、$n=3$，是”最退化的非零矩阵”。
示例 6（窄矩阵 $m<n$：$r=m$ 时 $\mathbf{b}$ 永远可解，用两个不同的 $\mathbf{b}$ 对照）
取 $A=\begin{bmatrix}1&2&3\\1&3&5\end{bmatrix}$（$m=2,\ n=3$，两行线性无关）。
步骤 1：消元求 RREF。 $\text{row}_2\leftarrow\text{row}_2-\text{row}_1=[0,1,2]$；再 $\text{row}_1\leftarrow\text{row}_1-2\text{row}_2=[1,0,-1]$：
RREF(A) = [ 1 0 -1 ] r = 2 = m < n = 3
[ 0 1 2 ] 主元列 1、2；自由变量 x₃；dim N(A) = 3 - 2 = 1
步骤 2：取 $\mathbf{b}=(1,1)^T$。 增广消元：
\[[R\mid\mathbf{d}]=\begin{bmatrix}1&0&-1&\mid&1\\0&1&2&\mid&0\end{bmatrix}.\]步骤 3：特解（$x_3=0$）。 $x_1=1,\ x_2=0$，$\mathbf{x}_p=(1,0,0)^T$。验算 $A\mathbf{x}_p=(1,1)^T=\mathbf{b}$ ✓。
步骤 4：零空间（$x_3=1$）。 $x_1=x_3=1$，$x_2=-2x_3=-2$，$\mathbf{s}=(1,-2,1)^T$。验算 $A\mathbf{s}=(1-4+3,\ 1-6+5)^T=(0,0)^T$ ✓。
步骤 5：通解。
\[\mathbf{x}=\begin{bmatrix}1\\0\\0\end{bmatrix}+c\begin{bmatrix}1\\-2\\1\end{bmatrix}.\]步骤 6：换 $\mathbf{b}=(1,2)^T$ 再算一遍（这就是 $r=m$ 的威力）。 增广消元：
\[[R\mid\mathbf{d}^{\prime}]=\begin{bmatrix}1&0&-1&\mid&-1\\0&1&2&\mid&1\end{bmatrix}.\]特解（$x_3=0$）：$\mathbf{x}_p^{\prime}=(-1,1,0)^T$。通解：
\[\mathbf{x}=\begin{bmatrix}-1\\1\\0\end{bmatrix}+c\begin{bmatrix}1\\-2\\1\end{bmatrix}.\]步骤 7：对照与结论。
┌─────────── r = m = 2 < n = 3：b 永远可解，自由方向恒定 ───────────┐
│ │
│ b = (1,1) → 解集 = (1,0,0) + c·(1,-2,1) │
│ b = (1,2) → 解集 = (-1,1,0) + c·(1,-2,1) │
│ └──────── 方向完全相同 ────────┘ │
│ │
│ 两条平行直线（都不过原点，都平行于 N(A) 的方向 (1,-2,1)） │
│ 不同的 b 只是把同一方向的直线平移到不同的位置。 │
│ 再换任何 b（如 (2,5) → xp=(-4,3,0)）也是同样结构。 │
└──────────────────────────────────────────────────────────────────┘
（$(2,5)^T$ 的验算：增广 RREF 为 $\begin{bmatrix}1&0&-1&\mid-4\\0&1&2&\mid3\end{bmatrix}$，$x_3=0$ 给 $\mathbf{x}_p=(-4,3,0)^T$，且 $A\mathbf{x}_p=(-4+6,\ -4+9)^T=(2,5)^T$ ✓。）
【计算机制解说】 为什么 $r=m$ 时无论 $\mathbf{b}$ 是什么都可解，而 $r<m$ 就可能无解？看消元后 $R$ 的形状：$r=m$ 意味着每一行都有主元，所以 $R$ 里没有零行，也就不可能出现”$0=$ 非零”。既然矛盾的唯一来源（零行）不存在，$\mathbf{b}$ 必可解。反之，$r<m$ 时 $R$ 至少有 $m-r$ 个零行，这些零行对应的右端分量就成了必须为零的约束（即 $\mathbf{y}^T\mathbf{b}=0$ 对 $\mathbf{y}\in N(A^T)$），一旦违反就无解。“零行的个数 $m-r$”恰好等于”$\mathbf{b}$ 必须满足的独立约束个数”，这也与 $\dim N(A^T)=m-r$ 一致——无解的可能性正是由这些零行带来的。
同时，$r=m<n$ 时自由变量个数 $n-r>0$ 恒成立，所以有解就必有无穷多解。“永远可解 + 永远多解”是 $r=m<n$ 这一格的完整特征。
矩阵分解的核心思想
本讲的主角虽然是一组消元动作，但它对应着一条完整的分解线索。
（1）消元 $\leftrightarrow$ $A=LU$（回顾 Lecture 2–4）。 对 $A$ 的前向消元给出 $A=LU$：$L$ 是下三角乘子矩阵（对角线为 1），$U$ 是阶梯形。本讲主例中
前向消元得到 [ 1 2 2 2 ] 乘子
[ 0 0 2 4 ] = U L[1,0] = 2, L[2,0] = 3, L[2,1] = 1
[ 0 0 0 0 ]
（第三行的乘子在一开始是 $3$，减掉 row₂ 后 row₃ 变零行，说明 row₃ 最终是 row₁、row₂ 的线性组合。）
（2）消元 $\leftrightarrow$ $R=EA$：RREF 是行变换的产物。 每一步消元都是一次左乘初等矩阵。把所有初等矩阵乘起来得 $E$，则 $R=EA$。$R$ 是 $A$ 经过可逆行变换后的唯一标准形——这就是 $R$ 的唯一性（uniqueness of RREF）：同一矩阵的 RREF 与消元顺序无关。原因很直观：$R$ 的两件”标准化”工作（① 主元为 1；② 主元列其余位置全为 0）已经把每一列在主元列上的坐标唯一确定，不留任何残余自由度。
$R$ 的最重要结构：$R$ 的主元列构成单位向量 $\mathbf{e}_1,\mathbf{e}_2,\dots,\mathbf{e}_r$（在 $\mathbb{R}^r$ 意义下），非主元列则是主元列的精确线性组合。本讲主例 $R$ 的非主元列：
\[R\ \text{的 col}_2=\begin{bmatrix}2\\0\\0\end{bmatrix}=2\mathbf{e}_1,\qquad R\ \text{的 col}_4=\begin{bmatrix}-2\\2\\0\end{bmatrix}=-2\mathbf{e}_1+2\mathbf{e}_2.\]因为行变换不改变列之间的线性关系，这些关系原封不动地搬回 $A$：
\[A\ \text{的 col}_2=\begin{bmatrix}2\\4\\6\end{bmatrix}=2\begin{bmatrix}1\\2\\3\end{bmatrix}=2\cdot(A\ \text{的 col}_1),\] \[A\ \text{的 col}_4=\begin{bmatrix}2\\8\\10\end{bmatrix}=-2\begin{bmatrix}1\\2\\3\end{bmatrix}+2\begin{bmatrix}2\\6\\8\end{bmatrix}=-2\cdot\text{col}_1+2\cdot\text{col}_3.\]（两式均已验算 ✓。）这是从 RREF 读列关系的标准技术，也预告了下一讲的秩含义：主元列是列空间的一组基。
（3）指向 $A=CR$（Lecture 11）。 $A$ 的主元列（这里是 col₁、col₃）作为列构成 $C$，$R$ 的非零行作为行构成 $R$，则 $A=CR$。这个分解把”$A$ 的所有列都是主元列的线性组合”这一事实浓缩成一次乘法，并在 Lecture 11 揭示 rank 的更深含义。
（4）与 Lecture 7 / 10 的对接。 本讲的特殊解 $\mathbf{s}_1,\mathbf{s}_2$ 就是 Lecture 7 中”N(A) 的基”。Lecture 10 会用 $\dim N(A)=n-r$ 与 $\dim N(A^T)=m-r$ 组成”四个基本子空间”的维数定理，而本讲的可解性判据 $\mathbf{y}^T\mathbf{b}=0\ (\forall\mathbf{y}\in N(A^T))$ 就是那条定理的应用面。
与其他讲次的关联
- 回看 Lecture 7（零空间）：$A\mathbf{x}=\mathbf{0}$ 的解集就是 N(A)；本讲的”$+\mathbf{x}_n$”部分完全是第七讲的成果。求特殊解的”自由变量取 1/0”手法也直接复用。
- 回看 Lecture 2–4（消元、$A=LU$、置换）：本讲的前向消元就是那里学的算法，只是增广矩阵多了一列 $\mathbf{b}$；行变换保持解集的性质在那里已经建立。
- 回看 Lecture 6（列空间）：可解性判据”$\mathbf{b}\in C(A)$”正是 Lecture 6 的列空间定义。本讲把它变成可操作的算法判据（看矛盾行）。
- 前瞻 Lecture 9（无关、基、维数）：本讲示例 4 中出现的”主元列”将在下一讲被证明是 $C(A)$ 的基；$r$ 就是 $C(A)$ 的维数；$\dim N(A)=n-r$ 将由”基中向量个数唯一”来保证是良定义的。
- 前瞻 Lecture 10（四个基本子空间）：本讲的左零空间约束 $\mathbf{y}^T\mathbf{b}=0$ 在那里被总结为可解性定理，并给出 $\dim N(A^T)=m-r$。
- 前瞻 Lecture 16（最小二乘）：无解时我们只能求 $\hat{\mathbf{x}}$ 使 $\vert A\hat{\mathbf{x}}-\mathbf{b}\vert $ 最小；那时”解集为空”不再可怕，因为在 $C(A)$ 中找最近点是另一套机制（投影）。
- 前瞻 Lecture 11（$A=CR$）：本讲 RREF 里的”列关系读法”在那里升级为完整分解。
关键要点
- 可解性判据：$A\mathbf{x}=\mathbf{b}$ 有解 $\iff \mathbf{b}\in C(A)$ $\iff$ 消元后 $[A\mid\mathbf{b}]$ 不出现 $[0\ \cdots\ 0\mid\text{非零}]$ 行 $\iff$ 对一切 $\mathbf{y}\in N(A^T)$ 有 $\mathbf{y}^T\mathbf{b}=0$。
- 完整解的结构：$\boxed{\mathbf{x}=\mathbf{x}_p+\mathbf{x}_n}$，其中 $\mathbf{x}_p$ 是任一特解（自由变量取 $0$ 最方便），$\mathbf{x}_n$ 取遍 N(A)。有解时自由变量个数 $=n-r$，每个自由变量贡献一个参数。
- 解集的几何：解集 $=\mathbf{x}_p+N(A)$，是仿射子空间（陪集）。它与 N(A) 平行、同维数，但不过原点，因此 $\mathbf{b}\ne\mathbf{0}$ 时不是子空间。
- 秩分类表：$r=m=n$ 唯一解；$r=m<n$ 无穷多解（必有解）；$r=n<m$ 0 或 1 解；$r<m,r<n$ 0 或无穷多解。口诀：$r<m$ 可能无解，$r<n$ 必然多解。
- RREF 的唯一性：$R=EA$ 与消元顺序无关；$R$ 的主元列是单位向量，非主元列给出列之间的精确关系，这些关系与 $A$ 中一致。
常见误区与注意事项
- 只对 $A$ 消元，忘了同步处理 $\mathbf{b}$。 典型错误：先把 $A$ 化成 $R$，然后拿原 $\mathbf{b}$ 去解 $R\mathbf{x}=\mathbf{b}$。必须对增广矩阵 $[A\mid\mathbf{b}]$ 整体做行变换；$R\mathbf{x}=\mathbf{b}$ 与 $A\mathbf{x}=\mathbf{b}$ 不同解（一般甚至不同可解性）。正确做法是读 $[R\mid\mathbf{d}]$，解 $R\mathbf{x}=\mathbf{d}$。
- 说”解集是子空间”。 只要 $\mathbf{b}\ne\mathbf{0}$，$\mathbf{x}=\mathbf{0}$ 就不是解，解集不含原点，不是子空间（对加法、数乘都不封闭）。它是子空间 N(A) 的平移。判断子空间的三条件是 Lecture 5–6 的重点，这里是最经典的”看起来像但不是”的例子。
- 把 $r=m<n$ 的”无穷多解”误推广为”$r<m$ 也有解”。 $r=m$ 时 $C(A)=\mathbb{R}^m$，$\mathbf{b}$ 永远命中；$r<m$ 时 $C(A)$ 是 $\mathbb{R}^m$ 的真子空间，多数 $\mathbf{b}$ 会落在外面。“行满秩”和”有左零空间”是互斥的两种处境。
- 把矛盾行误读为”$x=0$”或忽略它。 $[0\ 0\ 0\mid 1]$ 的含义是对所有 $\mathbf{x}$ 都要求 $0=1$，是彻底的无解信号，不是”某变量为零”。同理 $[0\ 0\ 0\mid 0]$ 是”没有新信息”，它对解集毫无限制，要直接忽略。
- 两个”数不清”的错误：① 维度公式记反——$\dim N(A)=n-r$（列数减秩），不是 $m-r$；$m-r$ 属于 $\dim N(A^T)$。本讲主例 $m=3,n=4,r=2$ 给出 $\dim N(A)=2$、$\dim N(A^T)=1$，别写成 $\dim N(A)=1$。② 混淆”特解不唯一”与”解集不唯一”——特解可以任意选（不同自由变量赋值给出不同的 $\mathbf{x}_p$，如主例中取 $x_2=1,x_4=0$ 得 $(-4,1,3/2,0)$），但解集本身始终是同一个，只是参数化变了。
思考题（带答案）
Q1. 设 $A=\begin{bmatrix}1&2&2&2\\2&4&6&8\\3&6&8&10\end{bmatrix}$（本讲主例）。对 $\mathbf{b}=(0,0,0)^T$ 求完整解；再对 $\mathbf{b}=(1,5,6)^T$ 求完整解，并说明两个解集的关系。
答案
$A$ 的 RREF 是 $R=\\begin{bmatrix}1&2&0&-2\\\\0&0&1&2\\\\0&0&0&0\\end{bmatrix}$，$r=2$，主元列 1、3，自由变量 $x_2,x_4$。 **对 $\\mathbf{b}=\\mathbf{0}$**：增广列全为 0，特解只能取 $\\mathbf{x}_p=\\mathbf{0}$。于是解集就是 N(A) 本身： $$\mathbf{x}=c_1\begin{bmatrix}-2\\1\\0\\0\end{bmatrix}+c_2\begin{bmatrix}2\\0\\-2\\1\end{bmatrix}.$$ （验算 $A\\mathbf{s}_1=A\\mathbf{s}_2=\\mathbf{0}$ ✓。）这是一个**子空间**（过原点）。 **对 $\\mathbf{b}=(1,5,6)^T$**：$\\mathbf{x}_p=(-2,0,3/2,0)^T$（验算 $A\\mathbf{x}_p=(1,5,6)^T$ ✓），解集为 $$\mathbf{x}=\begin{bmatrix}-2\\0\\3/2\\0\end{bmatrix}+c_1\begin{bmatrix}-2\\1\\0\\0\end{bmatrix}+c_2\begin{bmatrix}2\\0\\-2\\1\end{bmatrix}.$$ **关系**：后者是前者（N(A)）被 $\\mathbf{x}_p$ 平移的结果。两者**平行、同维数（都是 2 维）、方向相同**，但后者**不过原点**，因此不是子空间。$\\mathbf{b}=\\mathbf{0}$ 的那一个恰好过原点，是唯一的子空间情形。Q2. （纯计算）设 $A=\begin{bmatrix}1&2&3\\2&4&6\\1&2&4\end{bmatrix}$。
(a) 求 RREF 与 $r$；(b) 判断 $\mathbf{b}=(1,2,3)^T$ 与 $\mathbf{b}^{\prime}=(1,2,4)^T$ 是否可解；(c) 对可解的 $\mathbf{b}$ 写出完整解。
答案
**(a)** 消元：$\\text{row}_2-2\\text{row}_1=[0,0,0]$；$\\text{row}_3-\\text{row}_1=[0,0,1]$。交换后回代： ```text [ 1 2 0 ] [ 0 0 1 ] r = 2, 主元列 1、3, 自由变量 x₂, dim N(A) = 3 - 2 = 1 [ 0 0 0 ] ``` （验算：$R$ 的第 2 列 $=[2,0,0]^T=2\\mathbf{e}_1$，对应 $A$ 的第 2 列 $=(2,4,2)^T=2\\cdot(1,2,1)^T=2\\cdot\\text{col}_1$ ✓。） **(b)** 增广消元（对 $[A\\mid\\mathbf{b}]$ 整体做行变换）： - $\\mathbf{b}=(1,2,3)$：$\\text{row}_2\\leftarrow\\text{row}_2-2\\text{row}_1$ 得 $[0,0,0\\mid 0]$；$\\text{row}_3\\leftarrow\\text{row}_3-\\text{row}_1$ 得 $[0,0,1\\mid 2]$。交换 row₂、row₃，再 $\\text{row}_1\\leftarrow\\text{row}_1-3\\text{row}_2$： $$[R\mid\mathbf{d}]=\begin{bmatrix}1&2&0&\mid&-5\\0&0&1&\mid&2\\0&0&0&\mid&0\end{bmatrix}\quad\textbf{可解}\ ✓$$ - $\\mathbf{b}^{\\prime}=(1,3,4)$：同样的行变换，右端为 $3-2\\cdot1=1$、$4-1=3$；交换后第三行变成 $[0,0,0\\mid 1]$： $$[R\mid\mathbf{d}^{\prime}]=\begin{bmatrix}1&2&0&\mid&-8\\0&0&1&\mid&3\\0&0&0&\mid&1\end{bmatrix}\quad\textbf{无解（}0=1\textbf{ 矛盾）}\ ✓$$ **用左零空间复核。** $\\dim N(A^T)=m-r=3-2=1$。解 $A^T\\mathbf{y}=\\mathbf{0}$（$A^T=\\begin{bmatrix}1&2&1\\\\2&4&2\\\\3&6&4\\end{bmatrix}$，其 RREF 为 $\\begin{bmatrix}1&2&0\\\\0&0&1\\\\0&0&0\\end{bmatrix}$，故 $y_1+2y_2=0,\\ y_3=0$），取 $y_2=1$ 得 $$\mathbf{y}=\begin{bmatrix}-2\\1\\0\end{bmatrix},\qquad \text{验算 } -2\,\text{row}_1+\text{row}_2=(-2,-4,-6)+(2,4,6)=\mathbf{0}\ ✓$$ 可解条件为 $\\mathbf{y}^T\\mathbf{b}=0$，即 $-2b_1+b_2=0$（等价于 $b_2=2b_1$）。检：$(1,2,3)$：$-2+2=0$ ✓ 可解；$(1,3,4)$：$-2+3=1\\ne0$ ✗ 无解。（顺带一提，$(1,2,4)$ 也满足 $-2b_1+b_2=0$，所以它**是可解的**——RREF 给出 $[R\\mid\\mathbf{d}^{\\prime}]=\\begin{bmatrix}1&2&0&\\mid-8\\\\0&0&1&\\mid3\\\\0&0&0&\\mid0\\end{bmatrix}$，特解 $(-8,0,3)^T$。这提醒我们：判断可解性必须看**完整的左零空间约束**，而不能凭"某个分量看着别扭"下结论。） **(c)** 对 $\\mathbf{b}=(1,2,3)$，$[R\\mid\\mathbf{d}]=\\begin{bmatrix}1&2&0&\\mid&-5\\\\0&0&1&\\mid&2\\\\0&0&0&\\mid&0\\end{bmatrix}$，即 $x_1+2x_2=-5$、$x_3=2$。 特解（$x_2=0$）：$x_1=-5,\\ x_3=2$， $$\mathbf{x}_p=\begin{bmatrix}-5\\0\\2\end{bmatrix},\qquad \text{验算 } A\mathbf{x}_p=\begin{bmatrix}-5+0+6\\-10+0+12\\-5+0+8\end{bmatrix}=\begin{bmatrix}1\\2\\3\end{bmatrix}=\mathbf{b}\ ✓$$ （**必须代回原矩阵 $A$ 验算，不能代回 $R$**——这一步是发现算术错误的关键。） 零空间（$x_2=1$）：$x_1=-2,\\ x_3=0$，$\\mathbf{s}=(-2,1,0)^T$；验算 $A\\mathbf{s}=(-2+2+0,\\ -4+4+0,\\ -2+2+0)^T=(0,0,0)^T$ ✓。 $$\boxed{\ \mathbf{x}=\begin{bmatrix}-5\\0\\2\end{bmatrix}+c\begin{bmatrix}-2\\1\\0\end{bmatrix},\qquad c\in\mathbb{R}.\ }$$ $\\mathbf{b}^{\\prime}=(1,3,4)$ 的增广 RREF 第三行为 $[0\\ 0\\ 0\\mid 1]$，**无解**，与 (b) 一致。 **教训**：$\\mathbf{d}$ 必须用"整行行变换"从头算，任何一处算术失误都会污染特解；而**特解一定要代回原矩阵 $A$ 验算**，这是唯一可靠的自检手段。Q3. （概念）判断对错并说明理由：
(a) 若 $A\mathbf{x}=\mathbf{b}$ 有两个不同的解，则它有无穷多解。 (b) 若 $A$ 是 $3\times3$ 且 $A\mathbf{x}=\mathbf{b}$ 对某个 $\mathbf{b}$ 无解，则 $A$ 必不可逆。 (c) $A\mathbf{x}=\mathbf{b}$ 的解集若含 $\mathbf{0}$，则 $\mathbf{b}=\mathbf{0}$。 (d) 若 $A$ 的行向量线性无关，则 $A\mathbf{x}=\mathbf{b}$ 对每个 $\mathbf{b}\in\mathbb{R}^m$ 可解。