1.3 线性方程组与秩

前两节我们建立了向量—变换的语言体系：向量描述空间中的对象，矩阵描述空间之间的映射。本节把这套语言应用到线性代数古老而实用的问题上——解方程组。线性方程组是数学本身的核心对象，也是几乎所有工程问题的最终落脚点：最小二乘拟合、有限元分析、PageRank 排名、神经网络反向传播，都在求解某个形式的 $A\mathbf{x}=\mathbf{b}$。本节的中心目标，是把解方程这一算术操作提升为对变换结构的几何理解——而连接这两者的关键概念，就是秩（Rank）。

1.3.1 从方程到矩阵：建模与几何直觉

线性方程组的标准代数形式

一个含有 $m$ 个方程、$n$ 个未知数的线性方程组的标准形式为：

$$\{\begin{array}{l}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_n=b_1\\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_n=b_2\\ ⋮\\ a_{m1}{x}_1+a_{m2}{x}_2+\cdots +a_{mn}{x}_n=b_m\end{array}$$

其中 $a_{ij}$ 是第 $i$ 个方程中第 $j$ 个未知数 $x_j$ 的系数，$b_i$ 是第 $i$ 个方程的常数项。线性意味着每个方程中未知数只以一次方的形式出现，且彼此之间没有相乘、没有复合函数。这种简单是其强大的根源——线性结构使得方程组可以被矩阵语言精确刻画，进而利用矩阵理论的全部工具。

矩阵表示法：A x = b

把上述方程组的系数提取为矩阵 $A\in {\mathbb{R}}^{m\times n}$，未知数排成向量 $\mathbf{x}\in {\mathbb{R}}^n$，常数项排成向量 $\mathbf{b}\in {\mathbb{R}}^m$，整个方程组就浓缩为一个矩阵方程：

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

其中 $A=[a_{ij}]$，$\mathbf{x}=(x_1,x_2,\dots ,x_n{)}^T$，$\mathbf{b}=(b_1,b_2,\dots ,b_m{)}^T$。这种表示简洁，更重要的是它把方程组与线性变换统一了起来——求解 $A\mathbf{x}=\mathbf{b}$ 等价于寻找一个输入向量 $\mathbf{x}$，使得 $A$ 把它映射到 $\mathbf{b}$。这一翻译是本节所有几何直觉的起点。

行图像：每个方程是一个超平面

行图像（Row Picture）从方程的视角看问题。每一个方程 $a_{i1}{x}_1+a_{i2}{x}_2+\cdots +a_{in}{x}_n=b_i$ 在 ${\mathbb{R}}^n$ 中定义一个超平面（Hyperplane）——在二维空间中是一条直线，在三维空间中是一个平面，在高维空间中是 $n-1$ 维的平坦子集。方程组的解就是所有这些超平面的公共交点。

以二维两个方程为例，两条直线的位置关系有三种：相交于一点（唯一解）、平行不相交（无解）、完全重合（无穷多解）。这三种几何情形分别对应代数上解的三种状态。行图像的直觉是：方程越多，约束越强，解空间越小。

列图像：寻找列向量的线性组合

列图像（Column Picture）从矩阵的视角看问题。把 $A$ 按列分块为 $A=[{\mathbf{a}}_1,{\mathbf{a}}_2,\dots ,{\mathbf{a}}_n]$，则 $A\mathbf{x}=\mathbf{b}$ 展开为：

$$x_1{\mathbf{a}}_1+x_2{\mathbf{a}}_2+\cdots +x_n{\mathbf{a}}_n=\mathbf{b}$$

也就是说，求解 $A\mathbf{x}=\mathbf{b}$ 等价于寻找 $A$ 的各列向量的线性组合，使其等于 $\mathbf{b}$。这一视角把解方程重新解读为** $\mathbf{b}$ 是否能被 $A$ 的列向量张成**——如果可以，方程组有解；如果不可以，方程组无解。

列图像是后续理解列空间、秩、相容性的基础。它揭示了方程组有解的本质：$\mathbf{b}$ 必须落在 $A$ 的列空间中。

行视角 vs 列视角

行图像关注约束的交点，列图像关注向量的组合。这两种视角是互补的——行视角回答解在哪里，列视角回答解为什么存在或不存在。理解这两种视角的切换，是从算术解方程进入代数理解变换的关键一步。

齐次与非齐次的几何对比

当 $\mathbf{b}=\mathbf{0}$ 时，方程组 $A\mathbf{x}=\mathbf{0}$ 称为齐次方程组（Homogeneous System）。齐次方程组永远有解——至少零向量 $\mathbf{x}=\mathbf{0}$ 是一个解，称为平凡解（Trivial Solution）。几何上，齐次方程组的解集始终是一个过原点的子空间（零空间）。

当 $\mathbf{b}\ne \mathbf{0}$ 时，方程组 $A\mathbf{x}=\mathbf{b}$ 称为非齐次方程组（Non-homogeneous System）。非齐次方程组的解集不过原点，是一个偏移过的子空间——如果 ${\mathbf{x}}_p$ 是一个特解，那么所有解都具有 ${\mathbf{x}}_p+{\mathbf{x}}_h$ 的形式，其中 ${\mathbf{x}}_h$ 是对应齐次方程组的解。这种偏移子空间在几何上称为仿射子空间（Affine Subspace），是后续讨论非齐次解结构的核心。

几何交点的三种可能性

无论行视角还是列视角，方程组解的存在情况都有三种：

1. 唯一解：所有超平面交于一点（行视角）；$\mathbf{b}$ 可由 $A$ 的列向量唯一地线性表示（列视角）。
2. 无解：超平面没有公共交点，如两条平行直线（行视角）；$\mathbf{b}$ 不在 $A$ 的列空间中（列视角）。
3. 无穷多解：超平面交于一条直线、一个平面或更高维子集（行视角）；$\mathbf{b}$ 在 $A$ 的列空间中，但列向量线性相关，表示方式不唯一（列视角）。

这三种情况将在 1.3.3 节用秩这一统一概念严格刻画。

增广矩阵

把常数向量 $\mathbf{b}$ 作为第 $n+1$ 列并入系数矩阵 $A$，得到增广矩阵（Augmented Matrix）：

$$[A\mid \mathbf{b}]=\left[\begin{array}{ccccc}{a}_{11}& \cdots & a_{1n}& |& b_1\\ ⋮& \ddots & ⋮& |& ⋮\\ a_{m1}& \cdots & a_{mn}& |& b_m\end{array}\right]$$

增广矩阵的几何意义在于：把右侧向量也纳入消元过程的考察范围。比较 $A$ 的秩与 $[A\mid \mathbf{b}]$ 的秩，就能判定方程组是否相容——这是后续克罗内克-卡佩利定理的核心思想。

交互演示：行图像 vs 列图像

下面的演示用两种等价视角展示同一个 2×2 方程组 $A\mathbf{x}=\mathbf{b}$。顶部按钮切换三种模式：

1. 行图像：每个方程 $a_{i}x+b_{i}y=c_i$ 是平面上的一条直线，两条直线的交点就是方程组的解（红色与蓝色直线相交于绿色交点）
2. 列图像：矩阵 $A$ 的两个列向量 ${\mathbf{a}}_1=(a_1,a_2)$、${\mathbf{a}}_2=(b_1,b_2)$ 用箭头绘制，目标向量 $\mathbf{b} = (c_1, c_2) 用紫色加粗箭头标记。拖动 $x,y$ 滑块调节线性组合 $x\cdot {\mathbf{a}}_1+y\cdot {\mathbf{a}}_2$（绿色箭头），当其末端落在 $\mathbf{b}$ 上时，$(x,y)$ 就是方程组的解
3. 双栏对比：左右并排同时显示行图像与列图像，直观看到两种视角的等价性

建议实验：

• 拖动 $c_1,c_2$ 滑块，观察行图像中直线平移、列图像中目标向量 $\mathbf{b}$ 移动
• 把 $a_1,b_1,a_2,b_2$ 调成 $a_1{b}_2=a_2{b}_1$（如 $a_1=1,b_1=2,a_2=2,b_2=4$），观察 $det(A)=0$ 时直线平行、列向量共线——方程组失去唯一解

1.3.2 高斯消元法：核心求解算法

消元法的几何本质

高斯消元法的几何本质是：通过初等行变换把超平面摆正，使交点显式显示。每一行代表一个超平面，消元过程就是把这个超平面系统化简为阶梯形——上面的方程约束更多的变量，下面的方程约束更少的变量，直到最后一个方程只剩一个未知数。这种阶梯结构使得解可以从下往上逐个回代求出。

消元法不改变方程组的解集——这一点是关键。所有初等行变换都是可逆的，变换前后的方程组完全等价。这使得我们可以放心地化简，而不必担心丢失解或引入伪解。

初等行变换的三种类型

初等行变换（Elementary Row Operations）有三种：

1. 交换两行（Row Swap）：$R_i\leftrightarrow R_j$。几何上交换两个超平面的顺序，不影响交点。
2. 某行乘以非零常数（Row Scaling）：$R_i\to k{R}_i$（$k\ne 0$）。几何上等价于把方程两边同乘非零数，超平面位置不变。
3. 某行加上另一行的倍数（Row Addition）：$R_i\to R_i+k{R}_j$。几何上把第 $i$ 个超平面沿第 $j$ 个超平面方向滑动，保持与其它超平面的交点不变。

这三种操作都不改变解集，且每一种都对应一个初等矩阵（Elementary Matrix）——左乘该矩阵即等价于执行该行变换。这一观察是后续矩阵分解 = 行变换序列思想的源头。

行阶梯形矩阵（REF）

经过一系列初等行变换后，矩阵可以化为行阶梯形（Row Echelon Form, REF），其特征为：

• 所有非零行都在零行之上
• 每个非零行的首非零元素（主元）的列标严格大于其上一行主元的列标
• 主元下方的所有元素都为零

REF 的阶梯形状使得方程组可以自下而上地回代求解。

主元的概念

主元（Pivot）是消元过程中每一行第一个非零元素。主元的几何意义是维持维度的支点——它对应一个被该方程独立约束的变量。主元的个数就是矩阵的秩，它度量了有效约束的数量。

如果消元过程中遇到某列在当前主元位置为零，且下方所有行该列也为零，那么这一列没有主元——对应的变量是自由变量（Free Variable），可以取任意值。自由变量的存在意味着方程组（如果相容）有无穷多解。

简化行阶梯形矩阵（RREF）

进一步消元，把每个主元上方的元素也化为零，并把主元本身化为 1，就得到简化行阶梯形（Reduced Row Echelon Form, RREF）。RREF 的特征为：

• 它是 REF
• 每个主元为 1
• 每个主元所在列的其它元素全为 0

RREF 的好处是可以直接读出解：主元列对应主变量（值由增广列给出），非主元列对应自由变量（可取任意值）。RREF 对每个矩阵是唯一的，这使得它可以作为矩阵的标准型使用。

高斯消元法的算法流程

高斯消元法（Gaussian Elimination）分两步：

前向消元（Forward Elimination）：从第 1 列开始，逐列消去主元下方的所有元素。如果当前主元位置为零，则在下方寻找该列非零的行进行交换；如果整列下方全零，跳过该列继续下一列。前向消元结束时，矩阵化为 REF。

回代（Back Substitution）：从最后一行开始，逐行向上求解。最后一行给出最后一个主变量的值，代入上一行求出下一个主变量，依此类推。

高斯-若尔当消元法

高斯-若尔当消元法（Gauss-Jordan Elimination）是高斯消元法的扩展——在前向消元后，继续进行后向消元，把每个主元上方的元素也消为零，并把主元化为 1，直接得到 RREF。这样就跳过了回代步骤，可以直接读出解。

高斯-若尔当消元法虽然每步操作更多，但流程统一、易于编程实现，是计算机代数系统中求解线性方程组的标准方法。

import numpy as np

# 示例：3x3 线性方程组
# 2x +  y -  z = 8
# -3x -  y + 2z = -11
# -2x +  y + 2z = -3

A = np.array([[2, 1, -1],
              [-3, -1, 2],
              [-2, 1, 2]])
b = np.array([8, -11, -3])

# 解法 1：np.linalg.solve（内部用 LAPACK 的 LU 分解）
x = np.linalg.solve(A, b)
print(f"解 x = {x}")  # [2, 3, -1]
print(f"验证 A·x = {A @ x}")  # 应等于 b

# 解法 2：用 RREF 手动求解（sympy 提供了 rref 函数）
from sympy import Matrix, Rational
M = Matrix([[2, 1, -1, 8],
            [-3, -1, 2, -11],
            [-2, 1, 2, -3]])
rref, pivot_cols = M.rref()
print(f"\n增广矩阵的 RREF:\n{rref}")
print(f"主元列: {pivot_cols}")  # (0, 1, 2) 表示三列都是主元列
print(f"解: x1={rref[0,3]}, x2={rref[1,3]}, x3={rref[2,3]}")

主元为零的处理策略

消元过程中如果遇到主元位置为零，需要在下方寻找该列非零的行进行行交换。这是一种正常的处理步骤，不影响最终结果。但如果某列从当前行到最后一行全为零，说明这一列没有主元，对应变量是自由变量。

消元失败的条件

消元失败的真正含义是发现方程组不相容。具体表现为：在增广矩阵的某一行出现形如 $[00\cdots 0\mid c]$（$c\ne 0$）的矛盾行——它对应方程 $0=c$，显然无解。这种情况下，矩阵 $A$ 的秩小于增广矩阵 $[A\mid \mathbf{b}]$ 的秩，方程组无解。

如果消元过程中没有出现矛盾行，但存在自由变量，那么方程组有无穷多解；如果没有自由变量且无矛盾行，则存在唯一解。

交互演示：高斯消元分步可视化

下面的演示把高斯消元法的完整过程分步可视化。左侧 3D 场景显示三个原始平面相交，右侧表格实时显示增广矩阵 $[A\mid \mathbf{b}]$ 的状态。

操作流程：

1. 选择预设示例：唯一解（三平面交于一点）、无穷解（三平面交于一条直线）、无解（出现矛盾行 $0=1$）
2. 点击 下一步 逐步执行消元，每一步显示：
   • 当前操作的行变换（如行 2 ← 行 2 - (-1.5) × 行 1）
   • 增广矩阵的实时变化（主元位置绿色高亮，增广列黄色高亮）
   • 3D 场景中被操作的平面加深高亮
3. 唯一解情况下，最后一步回代求出 $x,y,z$ 并在 3D 场景中用紫色球体标记交点

关键观察：

• 每消去一个主元下方的元素，相当于把对应平面摆正，使交点逐步显示
• 无穷解示例中，消元后会出现全零行（对应自由变量）
• 无解示例中，消元后会出现 $[000\mid 1]$ 形式的矛盾行——这就是 $\mathrm{rank}(A)<\mathrm{rank}([A\mid \mathbf{b}])$ 的直观体现

1.3.3 秩：解的存在性与唯一性的核心判据

秩的严格定义

矩阵 $A$ 的秩（Rank）定义为它线性无关列向量的最大数目。等价地，秩也是线性无关行向量的最大数目。这一等价性（行秩 = 列秩）是线性代数的重要定理之一。

代数定义虽然严格，但不够直观。更几何化的定义是：秩是矩阵 $A$ 所代表的线性变换的像空间（列空间）的维度。如果把 $A$ 看作 ${\mathbb{R}}^n\to {\mathbb{R}}^m$ 的映射，那么像空间 $\text{Im}(A)=\{A\mathbf{x}:\mathbf{x}\in {\mathbb{R}}^n\}$ 是 ${\mathbb{R}}^m$ 中的一个子空间，其维度就是 $\text{rank}(A)$。

行秩等于列秩定理

行秩等于列秩定理：矩阵的行秩与列秩总相等。这一定理虽然表述简单，但意义重要——它表明行视角与列视角在度量信息量时给出相同的答案。无论从方程的视角（行）还是从变量组合的视角（列）看，矩阵所承载的独立信息总量是相同的。

秩的取值范围

对于 $A\in {\mathbb{R}}^{m\times n}$，秩满足：

$$0\le \text{rank}(A)\le min(m,n)$$

秩为 0 当且仅当 $A$ 是零矩阵。秩等于 $min(m,n)$ 时称为满秩（Full Rank）。

满列秩与满行秩

满列秩（Full Column Rank）：$\text{rank}(A)=n$（要求 $m\ge n$）。此时 $A$ 的所有列线性无关，映射 $A:{\mathbb{R}}^n\to {\mathbb{R}}^m$ 是单射——不同的输入对应不同的输出。从方程组角度，没有自由变量，如果方程组有解则唯一。但解未必存在——$\mathbf{b}$ 必须落在 $A$ 的列空间中。

满行秩（Full Row Rank）：$\text{rank}(A)=m$（要求 $n\ge m$）。此时 $A$ 的所有行线性无关，映射 $A:{\mathbb{R}}^n\to {\mathbb{R}}^m$ 是满射——${\mathbb{R}}^m$ 中的每个向量都是某个 $\mathbf{x}$ 的像。从方程组角度，对任意 $\mathbf{b}$ 都有解。但解未必唯一——可能有自由变量。

满列秩 vs 满行秩的几何对比

满列秩 = 单射 = 输入不混淆 = 解若存在则唯一。满行秩 = 满射 = 输出全覆盖 = 解总存在。同时满足两者（即方阵满秩）= 双射 = 解总存在且唯一 = 矩阵可逆。这三种情形是线性代数核心的分类。

秩的几何判别力

从消元角度看，秩等于消元后主元的个数。每一个主元对应一个有效约束，主元总数就是矩阵实际提供的独立信息量。这是秩实用的计算方式——不必直接检查线性无关性，只需消元数主元即可。

克罗内克-卡佩利定理

克罗内克-卡佩利定理（Kronecker-Capelli Theorem）：线性方程组 $A\mathbf{x}=\mathbf{b}$ 有解（相容）的充要条件是：

$$\text{rank}(A)=\text{rank}([A\mid \mathbf{b}])$$

这一定理的几何含义清晰——$\text{rank}(A)$ 是 $A$ 的列空间维度，$\text{rank}([A\mid \mathbf{b}])$ 是把 $\mathbf{b}$ 并入后列空间的维度。如果两者相等，说明 $\mathbf{b}$ 已经在 $A$ 的列空间中，方程组有解；如果 $\mathbf{b}$ 让列空间维度增加，说明 $\mathbf{b}$ 不在原列空间中，方程组无解。

秩-零度定理

秩-零度定理（Rank-Nullity Theorem）：对于 $A\in {\mathbb{R}}^{m\times n}$，

$$\text{rank}(A)+\text{nullity}(A)=n$$

其中 $\text{nullity}(A)$ 是零空间 $\text{Null}(A)=\{\mathbf{x}:A\mathbf{x}=\mathbf{0}\}$ 的维度，称为零度（Nullity）。

这一定理的几何含义是：输入空间 ${\mathbb{R}}^n$ 的维度 $n$，被分成两部分——一部分被 $A$ 压扁为零（零空间，维度 $\text{nullity}$），另一部分被 $A$ 保留为非零像（像空间，维度 $\text{rank}$）。两者之和等于输入总维度。零度恰好等于自由变量的个数，这把代数（自由变量）与几何（零空间维度）严格对应起来。

交互演示：秩与维度塌缩

下面的演示用3D 立方体的变换直观展示秩的几何意义——变换后像空间的真实维度。3D 场景中灰色虚线立方体是原始单位立方体，被矩阵 $A$ 作用后变为彩色形状，颜色由 rank 决定。

4 个预设按钮（点击观察维度塌缩动画）：

1. 满秩 rank=3：立方体变为绿色平行六面体（体积 $=|det(A)|\ne 0$），变换可逆
2. 秩 2：立方体被压成黄色平面（体积 $=0$，降一维），变换不可逆
3. 秩 1：立方体被压成橙色直线（极度压缩，降二维）
4. 秩 0：立方体塌缩为红色原点（零变换）

关键观察：

• 切换预设时立方体顶点用 lerp 动画平滑过渡，直观展示维度塌缩过程
• 右侧实时显示 $\text{rank}(A)$、主元数量、像空间维度、零度 $\text{nullity}=3-\text{rank}$、$det(A)$
• 验证秩-零度定理：$\text{rank}+\text{nullity}=3$ 恒成立
• 9 个滑块可任意调节矩阵元素，观察自定义变换的像空间维度

1.3.4 齐次线性方程组 Ax = 0：零空间解的结构

平凡解永远存在

齐次方程组 $A\mathbf{x}=\mathbf{0}$ 永远有解——零向量 $\mathbf{x}=\mathbf{0}$ 始终满足方程，称为平凡解（Trivial Solution）。这意味着齐次方程组永远相容，无需讨论是否有解的问题，只需讨论是否有非零解。

非平凡解的存在条件

非平凡解（Non-trivial Solution，即 $\mathbf{x}\ne \mathbf{0}$ 的解）存在的充要条件是：

$$\text{rank}(A)<n$$

即矩阵不满列秩。等价地说，存在自由变量。这一条件的几何含义是：$A$ 把 ${\mathbb{R}}^n$ 压缩到更低维的像空间，必然有非零向量被压为零——这些向量构成零空间。

自由变量与主变量的划分

消元为 RREF 后，每一列要么是主元列（含主元），要么是自由列（不含主元）。主元列对应的变量称为主变量（Pivot Variables），其值由方程唯一确定；自由列对应的变量称为自由变量（Free Variables），可以取任意值。

自由变量的个数恰好等于零度：$\text{nullity}(A)=n-\text{rank}(A)$。这一对应把代数（自由变量计数）与几何（零空间维度）统一起来。

基础解系的求解方法

零空间的基础解系（Fundamental Set of Solutions）是一组线性无关的解向量，它们的线性组合给出全部解。求解方法：

1. 化 $A$ 为 RREF
2. 对每个自由变量，令它取 1，其余自由变量取 0
3. 回代求出主变量的值
4. 得到一个基础解向量

如果有 $k=n-\text{rank}(A)$ 个自由变量，就得到 $k$ 个基础解向量 ${\mathbf{v}}_1,{\mathbf{v}}_2,\dots ,{\mathbf{v}}_k$。

齐次通解的通式

齐次方程组的通解为基础解系的线性组合：

$$\mathbf{x}=c_1{\mathbf{v}}_1+c_2{\mathbf{v}}_2+\cdots +c_k{\mathbf{v}}_k$$

其中 $c_1,c_2,\dots ,c_k$ 为任意常数。每个 ${\mathbf{v}}_i$ 是一个基础解向量，$k=\text{nullity}(A)$。

零空间的几何本质

齐次解集的几何本质是一个过原点的子空间——零空间 $\text{Null}(A)$。它是 ${\mathbb{R}}^n$ 的子空间，因为：零向量在其中（平凡解）；如果 $\mathbf{x}$ 在其中，则 $k\mathbf{x}$ 也在其中（齐次性）；如果 $\mathbf{x},\mathbf{y}$ 都在其中，则 $\mathbf{x}+\mathbf{y}$ 也在其中（可加性）。这三条性质合起来是子空间的定义。

零空间的维度与可视化

零空间的维度等于零度：$\dim (\text{Null}(A))=\text{nullity}(A)=n-\text{rank}(A)$。

在三维空间中可视化：

• 如果 $\text{rank}(A)=3$（满秩），零度 $=0$，零空间只含原点——一个 0 维的点
• 如果 $\text{rank}(A)=2$，零度 $=1$，零空间是一条过原点的直线
• 如果 $\text{rank}(A)=1$，零度 $=2$，零空间是一个过原点的平面
• 如果 $\text{rank}(A)=0$（零矩阵），零度 $=3$，零空间是整个 ${\mathbb{R}}^3$

齐次解的几何退化

当 $\text{rank}(A)=n$（满列秩）时，零空间仅包含原点——变换 $A$ 是单射，不同的输入对应不同的输出，没有任何非零向量被压为零。这是信息无损的情形，是可逆性的几何基础。

import numpy as np
from sympy import Matrix

# 示例：3x4 齐次方程组（必有非平凡解，因为 n > rank）
A = np.array([[1, 2, 3, 4],
              [2, 4, 7, 9],
              [1, 2, 3, 5]])

# 用 sympy 求 RREF 与零空间
M = Matrix(A)
rref, pivot_cols = M.rref()
print(f"RREF:\n{rref}")
print(f"主元列: {pivot_cols}")  # 第 0, 2 列
print(f"秩 = {len(pivot_cols)}")  # 2
print(f"零度 = {M.shape[1] - len(pivot_cols)}")  # 4 - 2 = 2

# 零空间基础解系
null_space = M.nullspace()
print(f"\n零空间基础解系（{len(null_space)} 个向量）:")
for i, v in enumerate(null_space):
    print(f"  v{i+1} = {v.T}")

# 验证 A·v = 0
A_np = np.array(A, dtype=float)
for i, v in enumerate(null_space):
    v_np = np.array(v, dtype=float).flatten()
    print(f"  A·v{i+1} = {A_np @ v_np}")  # 应为零向量

交互演示：零空间的可视化

下面的演示把零空间 $\text{Null}(A)=\{\mathbf{x}:A\mathbf{x}=\mathbf{0}\}$ 在 3D 场景中直接绘制出来。绿色子空间就是零空间，形状随 $\text{rank}(A)$ 变化。

4 个预设按钮：

1. 满秩 rank=3：零空间仅原点（零度 = 0，只有平凡解）
2. 秩 2（零度 = 1）：零空间是绿色直线（过原点，沿基础解系 ${\mathbf{v}}_1$ 方向）
3. 秩 1（零度 = 2）：零空间是绿色平面（过原点，由 ${\mathbf{v}}_1,{\mathbf{v}}_2$ 张成）
4. 秩 0（零度 = 3）：零空间是整个 ${\mathbb{R}}^3$（任意向量都是解）

关键交互：

• 拖动 $c_1,c_2$ 滑块调节线性组合 $\mathbf{x}=c_1{\mathbf{v}}_1+c_2{\mathbf{v}}_2$，黄色球体在零空间内移动
• 红色、蓝色箭头是基础解系向量 ${\mathbf{v}}_1,{\mathbf{v}}_2$
• 右侧实时验证 $A\mathbf{x}=\mathbf{0}$——结果应恒为零向量，证明 $\mathbf{x}$ 确实在零空间内
• 验证秩-零度定理：$\text{rank}+\text{nullity}=3$ 恒成立

1.3.5 非齐次线性方程组 Ax = b：解的结构与仿射空间

相容与不相容的判定

非齐次方程组 $A\mathbf{x}=\mathbf{b}$ 的相容性（是否有解）由克罗内克-卡佩利定理判定：

• 相容（Consistent，有解）：$\text{rank}(A)=\text{rank}([A\mid \mathbf{b}])$
• 不相容（Inconsistent，无解）：$\text{rank}(A)<\text{rank}([A\mid \mathbf{b}])$

不相容的情形在消元中表现为出现矛盾行 $[00\cdots 0\mid c]$（$c\ne 0$），对应方程 $0=c$。

相容时解的三种情况

在相容的前提下，根据秩与未知数个数 $n$ 的关系，解有三种情况：

1. 唯一解：$\text{rank}(A)=\text{rank}([A\mid \mathbf{b}])=n$（满列秩，无自由变量）
2. 无穷多解：$\text{rank}(A)=\text{rank}([A\mid \mathbf{b}])<n$（有自由变量，零空间非平凡）
3. （无解的情况已由不相容判定处理）

注意：当 $m<n$（方程数少于未知数）且相容时，必有 $\text{rank}(A)\le m<n$，因此必有无穷多解——欠定方程组不可能有唯一解。

非齐次通解的结构定理

结构定理：若 $A\mathbf{x}=\mathbf{b}$ 相容，${\mathbf{x}}_p$ 是它的一个特解（Particular Solution，任意一个满足方程的解），则通解为：

$$\mathbf{x}={\mathbf{x}}_p+{\mathbf{x}}_h$$

其中 ${\mathbf{x}}_h$ 是对应齐次方程组 $A\mathbf{x}=\mathbf{0}$ 的通解。

这一公式的含义是：非齐次解集 = 特解 + 齐次解集。特解决定了偏移量，齐次解集决定了自由度。所有解都共享同一个齐次解集结构，只是平移了 ${\mathbf{x}}_p$ 这么多。

特解的求法

特解 ${\mathbf{x}}_p$ 的求法：把增广矩阵 $[A\mid \mathbf{b}]$ 化为 RREF，将所有自由变量设为 0，解出主变量的值。这样得到的 ${\mathbf{x}}_p$ 是一个简单的特解。

import numpy as np
from sympy import Matrix

# 示例：相容但有无穷多解的方程组
# x1 + 2x2 + 3x3 = 6
# 2x1 + 4x2 + 6x3 = 12   (第 2 行是第 1 行的 2 倍)

A = Matrix([[1, 2, 3],
            [2, 4, 6]])
b = Matrix([6, 12])

# 增广矩阵
Ab = A.row_join(b)
rref, pivots = Ab.rref()
print(f"增广矩阵 RREF:\n{rref}")
print(f"主元列: {pivots}")  # (0, 3) —— 第 0 列是主元，第 3 列是增广列

# 特解：自由变量 x2, x3 都设为 0
# RREF 第 1 行：x1 + 2x2 + 3x3 = 6 → x1 = 6
xp = Matrix([6, 0, 0])
print(f"\n特解 xp = {xp.T}")
print(f"验证 A·xp = {(A * xp).T}")  # [6, 12]

# 齐次方程的零空间
null_space = A.nullspace()
print(f"\n零空间基础解系（{len(null_space)} 个向量）:")
for i, v in enumerate(null_space):
    print(f"  v{i+1} = {v.T}")

# 通解：xp + c1*v1 + c2*v2
print(f"\n通解: x = xp + c1·v1 + c2·v2")
print(f"     = {xp.T} + c1·{null_space[0].T} + c2·{null_space[1].T}")

非齐次解集的几何本质

非齐次解集的几何本质是仿射子空间（Affine Subspace）——即零空间这一线性子空间平移 ${\mathbf{x}}_p$ 后得到的集合。形式化地：

$$\{\mathbf{x}:A\mathbf{x}=\mathbf{b}\}={\mathbf{x}}_p+\text{Null}(A)=\{{\mathbf{x}}_p+\mathbf{v}:\mathbf{v}\in \text{Null}(A)\}$$

仿射子空间与线性子空间的差别在于是否过原点：线性子空间必须包含原点，仿射子空间一般不包含原点（除非 ${\mathbf{x}}_p=\mathbf{0}$，即 $\mathbf{b}=\mathbf{0}$ 的齐次情形）。

解集不过原点的几何意义

非齐次解集不过原点，意味着它无法构成线性子空间——因为线性子空间必须包含零向量，而 $\mathbf{x}=\mathbf{0}$ 不满足 $A\mathbf{x}=\mathbf{b}$（当 $\mathbf{b}\ne \mathbf{0}$）。这是非齐次与齐次的本质区别。

尽管如此，仿射子空间仍然保留了许多平坦的几何性质：过任意两点的连线仍在其内，有明确的维度（等于零空间的维度），可以用一个点加一个方向子空间描述。这些性质使得仿射子空间成为几何与代数的桥梁。

唯一解时的退化

当 $\text{rank}(A)=n$（满列秩）且方程组相容时，零空间只含原点（$\text{nullity}=0$），通解 $\mathbf{x}={\mathbf{x}}_p+\mathbf{0}={\mathbf{x}}_p$ 退化为一个孤立点。这是 0 维的仿射子空间——一个点。几何上，所有超平面交于唯一点，没有自由度。

解集的几何分类

把解集视为 ${\mathbb{R}}^n$ 中的几何对象，可以统一分类：无解 = 空集（0 维空）；唯一解 = 一个点（0 维仿射空间）；无穷多解 = $k$ 维仿射子空间（$k=n-\text{rank}(A)>0$）。这三种情形的判据完全由秩决定——这就是秩作为解方程核心判据的全部意义。

交互演示：仿射解集 = 特解 + 零空间

下面的演示把非齐次通解 $\mathbf{x}={\mathbf{x}}_p+{\mathbf{x}}_h$ 的结构在 3D 场景中完整可视化。

3 个预设按钮：

1. 唯一解：$A=I$，$\mathbf{b}=(1,1,1)$，特解 ${\mathbf{x}}_p=(1,1,1)$，零空间仅原点，解集退化为一个点
2. 无穷多解：$A=\text{diag}(1,1,0)$，$\mathbf{b}=(1,2,0)$，特解 ${\mathbf{x}}_p=(1,2,0)$，零空间 $=z$ 轴，解集是沿 $z$ 轴平移的紫色直线
3. 无解：$A=\text{diag}(1,1,0)$，$\mathbf{b}=(1,2,3)$，$\mathbf{b}$ 不在列空间中，$\text{rank}(A)<\text{rank}([A\mid \mathbf{b}])$

3D 场景中的关键元素：

• 金色箭头 ${\mathbf{x}}_p$：特解（满足 $A{\mathbf{x}}_p=\mathbf{b}$ 的一个解）
• 蓝色箭头 ${\mathbf{x}}_h$：零空间向量（满足 $A{\mathbf{x}}_h=\mathbf{0}$），拖动 $c$ 滑块可调节其大小
• 绿色箭头 $\mathbf{x}={\mathbf{x}}_p+{\mathbf{x}}_h$：通解（首尾相连动画展示加法过程）
• 紫色半透明直线/平面：解集（零空间沿 ${\mathbf{x}}_p$ 平移得到的仿射子空间，不过原点）
• 紫色小球阵：解集上的若干实例（离散采样）

关键观察：

• 紫色解集与蓝色零空间平行但不重合——解集不过原点（因为 $\mathbf{x}=\mathbf{0}$ 不满足 $A\mathbf{x}=\mathbf{b}$）
• 拖动 $c$ 滑块时，绿色通解箭头末端沿紫色解集移动
• 右侧实时验证 $A\mathbf{x}=\mathbf{b}$——结果应恒等于 $\mathbf{b}$
• 无解情况下，3D 场景只显示零空间（蓝色），无紫色解集

1.3.6 秩的深度几何解读与可视化映射

行列式与秩的关系

对于方阵 $A\in {\mathbb{R}}^{n\times n}$，行列式与秩有严格的等价关系：

$$det(A)\ne 0⟺\text{rank}(A)=n$$

即行列式非零当且仅当矩阵满秩。这一等价性把 1.2 节讨论的行列式 = 面积缩放因子与秩 = 像空间维度严格联系起来——行列式为零意味着面积被压为零，即维度发生了塌缩，也就是秩亏损。

秩的维度损失几何意义

矩阵 $A\in {\mathbb{R}}^{m\times n}$ 把 ${\mathbb{R}}^n$ 映射到 ${\mathbb{R}}^m$。输入空间维度为 $n$，输出像空间维度为 $\text{rank}(A)$，因此维度损失为：

$$\text{维度损失}=n-\text{rank}(A)=\text{nullity}(A)$$

维度损失恰好等于零度，这是秩-零度定理的直接推论。被损失的维度被压缩为零向量——它们构成零空间。

二维平面变换中的秩

考虑 $A\in {\mathbb{R}}^{2\times 2}$（二维到二维的变换）：

• rank = 2（满秩）：平面被映射到平面。变换可逆，$det(A)\ne 0$。几何上，整个 ${\mathbb{R}}^2$ 被扭曲但仍覆盖 ${\mathbb{R}}^2$。
• rank = 1（欠秩）：整个平面被压缩成一条过原点的直线。变换不可逆，$det(A)=0$。零空间是另一条过原点的直线（所有被压到原点的向量）。
• rank = 0（零变换）：所有向量被映射到原点。$A$ 是零矩阵。零空间是整个 ${\mathbb{R}}^2$。

三维空间中的秩

考虑 $A\in {\mathbb{R}}^{3\times 3}$（三维到三维的变换）：

• rank = 3（满秩）：立体映射到立体，变换可逆。
• rank = 2：立体被压成一个平面。一个维度的信息丢失——零空间是一条直线。
• rank = 1：立体被压成一条直线。两个维度的信息丢失——零空间是一个平面。
• rank = 0：所有向量被映射到原点。

行视角与列视角下的秩

从行视角看，秩等于有效方程的数量——消元后剩余的非零行数。如果原方程组有 $m$ 个方程但秩只有 $r<m$，说明有 $m-r$ 个方程是冗余的（可由其它方程线性表示），不提供新的约束信息。

从列视角看，秩等于列向量张成空间的真实维度。如果 $A$ 有 $n$ 列但秩只有 $r<n$，说明有 $n-r$ 列是冗余的（可由其它列线性表示），不增加新的方向。

这两种视角给出的秩数值相同（行秩 = 列秩定理），但揭示了不同的冗余——行冗余意味着方程多余，列冗余意味着变量多余。

解的判定流程图

综合本节所有结论，线性方程组 $A\mathbf{x}=\mathbf{b}$ 的解可以由以下流程判定：

1. 比较 $\text{rank}(A)$ 与 $\text{rank}([A\mid \mathbf{b}])$

   • 若 $\text{rank}(A)<\text{rank}([A\mid \mathbf{b}])$ → 无解（不相容）
   • 若 $\text{rank}(A)=\text{rank}([A\mid \mathbf{b}])$ → 有解，继续下一步

2. 比较 $\text{rank}(A)$ 与 $n$

   • 若 $\text{rank}(A)=n$ → 唯一解
   • 若 $\text{rank}(A)<n$ → 无穷多解

这一流程把秩作为唯一判据，把所有情形归为三类。下面通过交互演示直观感受这一判定。

交互演示：秩的综合判定与三重视角

下面的演示用三重视角并排联动展示同一个 2×2 方程组，并用判定流程图实时显示解的情况。

三重视角：

1. 视角 1 · 行图像：两条直线（红/蓝）的相交情况，绿色点标记唯一解
2. 视角 2 · 列图像：列向量（红/蓝）张成的空间，紫色箭头是目标 $\mathbf{b}$，验证 $\mathbf{b}$ 是否在列空间中
3. 视角 3 · 变换视角：单位正方形被矩阵 $A$ 变换后的形状，rank=2 绿色平行四边形、rank=1 红色线段、rank=0 灰色点

判定流程图：

• 流程图根据 $\text{rank}(A)$ 与 $\text{rank}([A\mid \mathbf{b}])$ 的关系自动判定
• 当前判定路径用绿色高亮，其余路径半透明
• 三种结果：无解（左路径）、唯一解（右上路径）、无穷多解（右下路径）

3 个预设按钮：

1. 唯一解：$A=\left[\begin{array}{cc}2& 1\\ 1& -1\end{array}\right]$，$\mathbf{b}=(3,0)$，$det(A)=-3\ne 0$
2. 无穷多解：$A=\left[\begin{array}{cc}1& 2\\ 2& 4\end{array}\right]$，$\mathbf{b}=(3,6)$，两行成比例
3. 无解：$A=\left[\begin{array}{cc}1& 2\\ 2& 4\end{array}\right]$，$\mathbf{b}=(3,7)$，增广矩阵秩更高

import numpy as np

# 秩的判定流程演示
def analyze_system(A, b):
    """分析线性方程组 A·x = b 的解的情况"""
    A = np.array(A, dtype=float)
    b = np.array(b, dtype=float)
    m, n = A.shape

    # 计算秩
    rank_A = np.linalg.matrix_rank(A)
    rank_Ab = np.linalg.matrix_rank(np.column_stack([A, b]))

    print(f"矩阵 A ({m}x{n}):\n{A}")
    print(f"向量 b: {b}")
    print(f"rank(A)   = {rank_A}")
    print(f"rank([A|b]) = {rank_Ab}")

    # 判定流程
    if rank_A < rank_Ab:
        print("→ 无解（不相容）")
        return None
    elif rank_A == n:
        x = np.linalg.solve(A, b)
        print(f"→ 唯一解: x = {x}")
        return x
    else:
        print(f"→ 无穷多解（自由变量个数 = {n - rank_A}）")
        # 用最小范数解作为示例
        x_min = np.linalg.pinv(A) @ b
        print(f"  最小范数解: x = {x_min}")
        return x_min

# 案例 1：唯一解
print("=== 案例 1：唯一解 ===")
analyze_system([[1, 1], [1, -1]], [3, 1])

# 案例 2：无解
print("\n=== 案例 2：无解 ===")
analyze_system([[1, 1], [2, 2]], [3, 5])

# 案例 3：无穷多解
print("\n=== 案例 3：无穷多解 ===")
analyze_system([[1, 1], [2, 2]], [3, 6])

1.3.7 本节小结

从解方程到理解变换的认知跃迁

本节完成了从算术解方程到几何理解变换的认知跃迁。线性方程组 $A\mathbf{x}=\mathbf{b}$ 可以理解为寻找被 $A$ 映射到 $\mathbf{b}$ 的输入向量这一几何问题。连接代数与几何的核心概念是秩——它度量了变换的像空间维度，决定了方程组是否有解、解是否唯一。克罗内克-卡佩利定理与秩-零度定理合在一起，给出了一个完整的判定框架：用 $\text{rank}(A)$ 与 $\text{rank}([A\mid \mathbf{b}])$ 判定相容性，用 $\text{rank}(A)$ 与 $n$ 判定唯一性。这一框架适用于手工解方程，也是后续学习最小二乘、SVD、广义逆的理论基础。

接下来 1.4 节将把视角从解方程提升到空间结构——系统讨论向量空间、四大基本子空间（列空间、零空间、行空间、左零空间），把本节的秩、零空间等概念纳入一个统一的几何框架。这一框架是线性代数的重要成果之一，也是理解 SVD、PCA 等高级方法的基础。

练习题

第 1 题 概念推导

设 $A\in {\mathbb{R}}^{m\times n}$。证明秩-零度定理 $\text{rank}(A)+\text{nullity}(A)=n$，其中 $\text{nullity}(A)=\dim (\text{Null}(A))$。提示：从 $A$ 的列向量中选出一组极大线性无关列，构造从 ${\mathbb{R}}^n$ 到列空间的同构。

参考答案

设 $\text{rank}(A)=r$，$A$ 的列空间有一组基 $\{{\mathbf{a}}_{i_1},\dots ,{\mathbf{a}}_{i_r}\}$（$r$ 个线性无关列）。把 $A$ 按列分块为 $A=[A_1\mid A_2]$，其中 $A_1\in {\mathbb{R}}^{m\times r}$ 由这 $r$ 个基列构成，$A_2\in {\mathbb{R}}^{m\times (n-r)}$ 由其余列构成。由于 $A_2$ 的每一列都能被 $A_1$ 的列线性表出，存在矩阵 $C\in {\mathbb{R}}^{r\times (n-r)}$ 使 $A_2=A_{1}C$。

定义线性映射 $T:{\mathbb{R}}^n\to {\mathbb{R}}^m$，$T(\mathbf{x})=A\mathbf{x}$。$\text{Null}(A)=\ker T$。把 $\mathbf{x}\in {\mathbb{R}}^n$ 分块为 $\left[\begin{array}{c}{\mathbf{x}}_1\\ {\mathbf{x}}_2\end{array}\right]$（${\mathbf{x}}_1\in {\mathbb{R}}^r$，${\mathbf{x}}_2\in {\mathbb{R}}^{n-r}$），则

$$A\mathbf{x}=A_1{\mathbf{x}}_1+A_2{\mathbf{x}}_2=A_1({\mathbf{x}}_1+C{\mathbf{x}}_2).$$

由于 $A_1$ 列满秩，$A_1\mathbf{z}=\mathbf{0}$ 当且仅当 $\mathbf{z}=\mathbf{0}$。故 $A\mathbf{x}=\mathbf{0}$ 当且仅当 ${\mathbf{x}}_1+C{\mathbf{x}}_2=\mathbf{0}$，即 ${\mathbf{x}}_1=-C{\mathbf{x}}_2$。${\mathbf{x}}_2\in {\mathbb{R}}^{n-r}$ 可任取，每组 ${\mathbf{x}}_2$ 唯一确定一组 ${\mathbf{x}}_1$，故 $\text{Null}(A)$ 与 ${\mathbb{R}}^{n-r}$ 同构，$\text{nullity}(A)=n-r$。代入即得 $\text{rank}(A)+\text{nullity}(A)=r+(n-r)=n$。

第 2 题 代码验证

利用本节的 <RankSummaryDemo> 交互组件，依次加载三个预设：唯一解（$A=\left[\begin{array}{cc}2& 1\\ 1& -1\end{array}\right]$，$\mathbf{b}=(3,0)$）、无穷多解（$A=\left[\begin{array}{cc}1& 2\\ 2& 4\end{array}\right]$，$\mathbf{b}=(3,6)$）、无解（$A=\left[\begin{array}{cc}1& 2\\ 2& 4\end{array}\right]$，$\mathbf{b}=(3,7)$）。记录每组的 $\text{rank}(A)$、$\text{rank}([A\mid \mathbf{b}])$、$n$，对照判定流程图验证三类情形的判据。

参考答案

三组数据如下：唯一解情形 $\text{rank}(A)=2$，$\text{rank}([A\mid \mathbf{b}])=2$，$n=2$，满足 $\text{rank}(A)=\text{rank}([A\mid \mathbf{b}])=n$，判定为唯一解，行图像中两直线交于一点，列图像中 $\mathbf{b}$ 落在列空间内。无穷多解情形 $\text{rank}(A)=1$，$\text{rank}([A\mid \mathbf{b}])=1$，$n=2$，满足 $\text{rank}(A)=\text{rank}([A\mid \mathbf{b}])<n$，判定为无穷多解，行图像中两直线重合，自由变量个数为 $n-\text{rank}(A)=1$。无解情形 $\text{rank}(A)=1$，$\text{rank}([A\mid \mathbf{b}])=2$，满足 $\text{rank}(A)<\text{rank}([A\mid \mathbf{b}])$，判定为无解，行图像中两直线平行不相交，$\mathbf{b}$ 脱离列空间。三组数据完整覆盖判定流程的三条路径。

第 3 题 概念推导

求解方程组 $\{\begin{array}{l}{x}_1+2x_2+3x_3=6\\ 2x_1+4x_2+6x_3=12\end{array}$，写出通解形式 $\mathbf{x}={\mathbf{x}}_p+c_1{\mathbf{v}}_1+c_2{\mathbf{v}}_2$，并从仿射子空间角度说明解集的几何形状与维度。

参考答案

系数矩阵 $A=\left[\begin{array}{ccc}1& 2& 3\\ 2& 4& 6\end{array}\right]$，第二行是第一行的 $2$ 倍，$\text{rank}(A)=1$，$\text{nullity}(A)=3-1=2$。$\text{rank}([A\mid \mathbf{b}])=1$（$\mathbf{b}=(6,12{)}^T$ 也满足同样的比例关系），方程组相容且有无穷多解。

特解：令自由变量 $x_2=x_3=0$，由 $x_1+2\cdot 0+3\cdot 0=6$ 得 $x_1=6$，故 ${\mathbf{x}}_p=(6,0,0{)}^T$。

齐次基础解系：解 $x_1+2x_2+3x_3=0$。令 $(x_2,x_3)=(1,0)$ 得 ${\mathbf{v}}_1=(-2,1,0{)}^T$；令 $(x_2,x_3)=(0,1)$ 得 ${\mathbf{v}}_2=(-3,0,1{)}^T$。

通解为 $\mathbf{x}=(6,0,0{)}^T+c_1(-2,1,0{)}^T+c_2(-3,0,1{)}^T$，$c_1,c_2\in \mathbb{R}$。

几何上，解集是 ${\mathbb{R}}^3$ 中一个二维仿射子空间（平面），由零空间（过原点、由 ${\mathbf{v}}_1,{\mathbf{v}}_2$ 张成的平面）沿 ${\mathbf{x}}_p$ 平移得到，不过原点。该平面与零空间平面平行，维度等于 $\text{nullity}(A)=2$。

常见错误

错误 1 · 用行列式判定非方阵方程组的解

原因：方阵情形下 $det(A)\ne 0$ 是唯一解的判据，初学时容易把这条规则套用到 $m\times n$（$m\ne n$）矩阵上。非方阵没有行列式定义，套用会直接失效；即便对方阵，$det(A)\ne 0$ 也只能判定唯一解，无法区分无解与无穷多解。

解决：统一使用秩判据：先比较 $\text{rank}(A)$ 与 $\text{rank}([A\mid \mathbf{b}])$ 判定相容性，再比较 $\text{rank}(A)$ 与 $n$ 判定唯一性。秩判据适用于任意 $m\times n$ 矩阵，覆盖全部三种情形。

错误 2 · 混淆 $\text{rank}(A)$ 与 $\text{rank}([A\mid \mathbf{b}])$ 的判定角色

原因：把相容性判据记反，写成 $\text{rank}(A)>\text{rank}([A\mid \mathbf{b}])$ 时无解。增广矩阵的秩只会大于或等于系数矩阵的秩（增广矩阵包含 $A$ 的所有列，秩不会减少），不可能出现 $\text{rank}(A)>\text{rank}([A\mid \mathbf{b}])$。

解决：明确增广矩阵秩只增不减这一性质：$\text{rank}([A\mid \mathbf{b}])\ge \text{rank}(A)$ 恒成立。相容要求两者相等，无解对应增广矩阵秩更高（$\mathbf{b}$ 引入了新的独立方向，脱离列空间）。

错误 3 · 把非齐次解集当作线性子空间

原因：非齐次方程组 $A\mathbf{x}=\mathbf{b}$（$\mathbf{b}\ne \mathbf{0}$）的解集是仿射子空间，不过原点，对加法与数乘不封闭。初学时容易把它当作线性子空间处理，例如试图求解集的基或验证零向量是否在解集中。

解决：明确非齐次解集 = 特解 + 齐次解集这一结构。齐次解集 $\text{Null}(A)$ 才是线性子空间，有基（零空间基础解系）；非齐次解集是零空间沿特解方向平移得到的仿射子空间，不过原点（除非 $\mathbf{b}=\mathbf{0}$），讨论基时务必回到齐次情形。

错误 4 · 自由变量个数按行数 $m$ 计算

原因：把自由变量个数误记为 $m-\text{rank}(A)$（方程数减秩），实际应为 $n-\text{rank}(A)$（未知数减秩）。这一错误源于混淆冗余方程数与自由变量数。

解决：区分两个量：$m-\text{rank}(A)$ 是冗余方程数（行视角，被其他方程线性表示的方程数），$n-\text{rank}(A)$ 是自由变量数（列视角，等于零度）。自由变量数由未知数 $n$ 与秩共同决定，与方程数 $m$ 无直接关系。