Основы линейной алгебры: Системы линейных алгебраических уравнений (СЛАУ)

Введение в СЛАУ: основные определения, матричная форма записи и классификация систем

Добро пожаловать в курс линейной алгебры! Если вы когда-нибудь пытались решить задачу, где нужно найти стоимость яблока и груши, зная общую сумму двух разных покупок, вы уже сталкивались с системами линейных уравнений. Однако в университете мы переходим от школьных задачек к мощному математическому аппарату, на котором держится современная наука о данных, инженерные расчеты и компьютерная графика.

В этой статье мы разберем фундамент: что такое система линейных алгебраических уравнений (СЛАУ), как записать её компактно с помощью матриц и какие виды систем существуют.

Что такое линейное уравнение?

Прежде чем говорить о системе, давайте уточним, что значит «линейное» уравнение. Это уравнение, в котором все неизвестные переменные находятся только в первой степени. Здесь нет квадратов (), корней (), синусов () или произведений переменных друг на друга ().

Простейший пример линейного уравнения:

Где и — это неизвестные переменные, и — коэффициенты при неизвестных, а — свободный член.

Графически такое уравнение с двумя переменными задает прямую линию на плоскости. Отсюда и название — линейное.

Определение СЛАУ

Система линейных алгебраических уравнений (СЛАУ) — это набор из нескольких линейных уравнений, для которых мы ищем общее решение. То есть, мы ищем такие значения переменных, которые превращают каждое уравнение системы в верное равенство.

В общем виде систему из уравнений с неизвестными записывают так:

Где: * — неизвестные переменные, которые нам нужно найти. * — коэффициенты при неизвестных (числа). Индекс указывает номер уравнения (строки), а индекс — номер переменной (столбца). * — свободные члены (числа в правой части равенства).

> Важно: Количество уравнений () не обязательно должно совпадать с количеством неизвестных (). Система может быть «длинной» или «широкой».

!Структура системы линейных уравнений с обозначением основных элементов.

Матричная форма записи

Писать каждый раз громоздкие системы с долго и неудобно. Математики — люди ленивые (в хорошем смысле), поэтому они придумали матричную форму записи.

Любую СЛАУ можно представить в виде одного короткого уравнения:

Где: * — основная матрица системы (матрица коэффициентов). * — вектор-столбец неизвестных. * — вектор-столбец свободных членов.

Давайте разберем каждый элемент подробнее.

1. Матрица системы ()

Мы берем только коэффициенты и записываем их в таблицу (матрицу) размером :

Где — количество строк (уравнений), а — количество столбцов (неизвестных).

2. Вектор неизвестных ()

Это столбец, содержащий все наши иксы:

Где — искомые переменные.

3. Вектор свободных членов ()

Это столбец из чисел, стоящих в правой части уравнений:

Где — свободные члены каждого уравнения.

Расширенная матрица системы

Для решения систем часто используют понятие расширенной матрицы. Это матрица , к которой справа приписали столбец свободных членов , отделив его вертикальной чертой.

Обозначается она обычно как или :

Где слева от черты находятся коэффициенты при неизвестных, а справа — свободные члены.

Классификация СЛАУ

Не все системы одинаковы. Некоторые решаются легко, некоторые не имеют решений вовсе. Чтобы понимать, с чем мы имеем дело, системы классифицируют по двум основным признакам: по свободным членам и по наличию решений.

!Классификация систем линейных уравнений.

1. По свободным членам

* Однородная система: Если все свободные члены равны нулю (). В матричном виде: . > Однородная система всегда имеет хотя бы одно решение — нулевое (). Это решение называют тривиальным.

* Неоднородная система: Если хотя бы один из свободных членов не равен нулю.

2. По наличию и количеству решений

Это самая важная классификация для практики.

#### А) Совместные и несовместные

* Совместная система: Система, которая имеет хотя бы одно решение. То есть существует такой набор чисел, который удовлетворяет всем уравнениям сразу. * Несовместная система: Система, которая не имеет решений.

Пример несовместной системы:

Где и — переменные. Очевидно, что сумма двух чисел не может быть одновременно равна 2 и 5. Геометрически это две параллельные прямые, которые никогда не пересекутся.

#### Б) Определенные и неопределенные

Если система совместна (решение есть), мы задаем следующий вопрос: сколько этих решений?

* Определенная система: Имеет единственное решение. Геометрически (на плоскости): две прямые пересекаются в одной точке.

* Неопределенная система: Имеет бесконечно много решений. Геометрически (на плоскости): два уравнения задают одну и ту же прямую (прямые совпадают). Любая точка на этой прямой является решением.

Резюме

СЛАУ — это система уравнений первой степени вида .

Матрица состоит из коэффициентов, вектор — из неизвестных, вектор — из свободных членов.

Расширенная матрица содержит всю информацию о системе.

Системы бывают однородные (всегда имеют решение) и неоднородные.

По количеству решений системы делятся на несовместные (0 решений), определенные (1 решение) и неопределенные ( решений).

Понимание этих определений критически важно. В следующих статьях мы научимся решать эти системы методами Крамера, Гаусса и с помощью обратной матрицы, но для этого вы должны четко понимать, что такое матрица и вектор .

Метод Гаусса: универсальный алгоритм последовательного исключения неизвестных

В предыдущей статье мы научились записывать системы линейных уравнений (СЛАУ) в матричном виде и выяснили, что они бывают совместными (имеют решение) и несовместными. Но как именно найти эти заветные ?

В школе нас учили методу подстановки: выразить через из первого уравнения, подставить во второе, выразить через ... Если переменных две или три, это работает. Но представьте, что у вас система из 10 уравнений с 10 неизвестными. Метод подстановки превратится в хаос из дробей и скобок, где одна ошибка разрушит всё решение.

Здесь на сцену выходит метод Гаусса — строгий, алгоритмический и универсальный способ решения любой СЛАУ. Это самый популярный метод в линейной алгебре, который легко программируется и используется компьютерами.

Суть метода: от хаоса к порядку

Основная идея метода Гаусса проста: мы хотим упростить нашу сложную систему до такого вида, когда решение становится очевидным.

Вспомните, как выглядит «удобная» система уравнений:

Где — неизвестные переменные, а числа справа — свободные члены.

Посмотрите на эту систему. Из последнего уравнения мы сразу видим, что , а значит . Зная , мы поднимаемся на строчку выше, подставляем его и находим . Затем поднимаемся еще выше и находим .

Такой вид системы называется ступенчатым (или треугольным). Метод Гаусса — это инструкция, как превратить любую систему в такую «лесенку».

!Визуализация превращения обычной матрицы в ступенчатую форму.

Элементарные преобразования строк

Чтобы привести матрицу к ступенчатому виду, нам разрешено делать с ней только определенные действия. Эти действия называются элементарными преобразованиями. Самое главное — они не меняют множество решений системы. То есть, корни уравнения остаются теми же, меняется только форма записи.

Работать мы будем с расширенной матрицей системы (матрица коэффициентов + столбец свободных членов).

Разрешены всего три операции:

Перестановка строк местами.

Мы можем поменять местами любое уравнение с любым другим. От перемены мест слагаемых (уравнений) суть системы не меняется.

Умножение (или деление) строки на число, не равное нулю.

Если , то, разделив обе части на 2, мы получим . Равенство осталось верным.

Прибавление к одной строке другой строки, умноженной на некоторое число.

Это самая мощная операция. Она позволяет нам получать нули в нужных местах, уничтожая переменные.

Алгоритм метода Гаусса

Метод состоит из двух этапов:

Прямой ход (сверху вниз): приводим матрицу к ступенчатому виду, получая нули под главной диагональю.

Обратный ход (снизу вверх): находим значения переменных, начиная с последней.

Давайте разберем это на конкретном примере. Решим систему:

Где — неизвестные, которые нам нужно найти.

Шаг 0. Записываем расширенную матрицу

Выписываем коэффициенты и свободные члены:

Где первый столбец соответствует , второй — , третий — , а столбец за чертой — свободным членам.

Шаг 1. Обнуляем первый столбец (под верхней единицей)

Наша цель — получить нули в первом столбце во второй и третьей строках. Для этого мы будем использовать первую строку (она называется «ведущей»).

Чтобы получить ноль во второй строке (где сейчас стоит ), мы умножим первую строку на и прибавим ко второй.

* * Считаем: ; ; ; .

Чтобы получить ноль в третьей строке (где сейчас стоит ), мы просто прибавим первую строку к третьей.

* * Считаем: ; ; ; .

Матрица принимает вид:

Где — это обозначения первой, второй и третьей строк соответственно.

Шаг 2. Обнуляем второй столбец (под диагональю)

Теперь нам нужно получить ноль в третьей строке во втором столбце (там сейчас стоит ). Для этого используем вторую строку.

Умножим вторую строку на и прибавим к третьей: * * Считаем второй элемент: . * Считаем третий элемент: . * Считаем свободный член: .

Получаем финальную ступенчатую матрицу:

Где элементы под главной диагональю () стали нулями.

Шаг 3. Обратный ход

Прямой ход завершен. Мы получили треугольник из нулей. Теперь переписываем матрицу обратно в уравнения, начиная с нижней строки.

Из 3-й строки:

Где — коэффициент при , а — свободный член. Отсюда находим :

Где — значение переменной .

Из 2-й строки:

Где и — коэффициенты из второй строки матрицы. Подставляем найденное :

Где — значение второй переменной.

Из 1-й строки:

Подставляем и :

Где — значение первой переменной.

Ответ: Система решена, .

Особые случаи при решении

Не всегда всё идет так гладко. В процессе прямого хода вы можете столкнуться с двумя ситуациями, которые говорят об отсутствии единственного решения.

1. Система не имеет решений (Несовместная)

Если в процессе преобразований вы получили строку вида:

Это означает уравнение , или просто . Это ложное равенство. Значит, система несовместна и решений не имеет.

2. Бесконечно много решений (Неопределенная)

Если вы получили строку, полностью состоящую из нулей:

Это означает . Это истина, но она не дает нам информации о переменных. Такая строка просто вычеркивается. Если после этого количество оставшихся уравнений меньше количества переменных, система имеет бесконечно много решений.

Почему метод Гаусса лучше школьного?

Структурированность. Вы не мечетесь между уравнениями, а планомерно «зачищаете» столбцы слева направо.

Меньше ошибок. Работая только с коэффициентами в матрице, вы не тратите внимание на переписывание букв , что снижает риск описки.

Универсальность. Этим методом решаются системы любого размера — хоть .

В следующей статье мы рассмотрим метод Крамера, который позволяет решать системы с помощью определителей, но помните: метод Гаусса — это «рабочая лошадка» линейной алгебры, которая пригодится вам чаще всего.

Решение квадратных систем: метод Крамера и использование обратной матрицы

Мы продолжаем наше погружение в мир линейной алгебры. В прошлых статьях мы разобрали, что такое системы линейных алгебраических уравнений (СЛАУ), и изучили мощный, универсальный метод Гаусса. Метод Гаусса хорош всем: он работает для любых систем — квадратных, прямоугольных, совместных и несовместных.

Однако в математике часто встречаются задачи, где количество уравнений строго равно количеству неизвестных. Такие системы называют квадратными. Для них существуют элегантные методы решения, которые, возможно, менее универсальны, чем метод Гаусса, но дают глубокое понимание структуры линейной алгебры. Речь пойдет о методе Крамера и матричном методе (через обратную матрицу).

Фундамент: Определитель матрицы

Прежде чем приступать к методам, нам нужно вспомнить (или узнать) ключевое понятие для квадратных матриц — определитель (или детерминант).

Определитель — это число, которое ставится в соответствие квадратной матрице и характеризует её свойства. Если матрица — это таблица чисел, то определитель — это своего рода «свертка» этой таблицы в одно число.

Обозначается он как , или прямыми скобками .

Как вычислить определитель?

Для матрицы :

Где: * — значение определителя. * — элементы главной диагонали (идут из левого верхнего угла в правый нижний). * — элементы побочной диагонали (идут из правого верхнего угла в левый нижний).

Для матрицы формула сложнее (правило треугольника или метод Саррюса), но суть остается прежней: это сумма произведений элементов, взятых по определенным правилам с чередованием знаков.

> Ключевое правило: Если определитель основной матрицы системы равен нулю (), то методы Крамера и обратной матрицы применять нельзя. В этом случае система либо не имеет решений, либо имеет их бесконечно много (здесь нас спасет только метод Гаусса).

Метод Крамера

Габриэль Крамер опубликовал этот метод еще в 1750 году. Суть метода заключается в использовании определителей для нахождения каждой переменной по отдельности.

Рассмотрим систему в общем виде:

Где: * — квадратная матрица коэффициентов. * — столбец неизвестных. * — столбец свободных членов.

Алгоритм метода Крамера

Вычисляем главный определитель системы (). Это определитель, составленный из коэффициентов при неизвестных (матрица ). Если , идем дальше. Если , метод не работает.

Вычисляем вспомогательные определители ().

Чтобы найти , мы берем матрицу и заменяем -й столбец на столбец свободных членов .

!Визуализация замены столбцов для метода Крамера

Находим неизвестные.

Каждая переменная вычисляется по простой формуле:

Где: * — искомая -я переменная ( и т.д.). * — вспомогательный определитель для этой переменной. * — главный определитель системы.

Пример решения методом Крамера

Решим систему:

Шаг 1. Главный определитель. Выписываем коэффициенты:

Где — коэффициенты при и . Результат , значит, решение существует и оно единственное.

Шаг 2. Вспомогательные определители.

Для заменяем первый столбец (коэффициенты при ) на свободные члены ( и ):

Для заменяем второй столбец (коэффициенты при ) на свободные члены:

Шаг 3. Находим корни.

Ответ: .

Матричный метод (с помощью обратной матрицы)

Этот метод ближе всего к тому, как мы решаем простейшие уравнения вида . В обычной алгебре, чтобы найти , мы делим обе части на (или умножаем на ). В матричной алгебре деления не существует, но существует умножение на обратную матрицу.

Если записать систему как матричное уравнение:

То решение можно найти, умножив обе части уравнения на слева:

Где: * — вектор неизвестных. * — обратная матрица к матрице . * — вектор свободных членов.

> Важно: Порядок множителей критичен! Умножать нужно именно , а не , так как матричное умножение не коммутативно (от перестановки мест множителей произведение меняется).

Что такое обратная матрица?

Обратная матрица — это такая матрица, при умножении на которую исходная матрица превращается в единичную матрицу (аналог единицы в числах).

Где: * — единичная матрица (на главной диагонали единицы, остальные нули).

Как найти обратную матрицу?

Формула для нахождения обратной матрицы:

Где: * — определитель матрицы . * — транспонированная матрица алгебраических дополнений (союзная матрица).

Процесс нахождения для матрицы довольно трудоемкий, поэтому разберем алгоритм на примере , где есть удобный лайфхак.

Для матрицы обратная матрица находится так:

Меняем местами элементы главной диагонали ( и ).

Меняем знаки у элементов побочной диагонали ( и ).

Делим все элементы на определитель.

Пример решения матричным методом

Возьмем ту же систему:

Матрица , вектор .

1. Находим определитель: (мы это уже считали).

2. Находим обратную матрицу : По нашему правилу для : * Меняем и местами. * Меняем знаки у и .

Пока не будем вносить дробь внутрь матрицы, чтобы не возиться с дробями раньше времени.

3. Умножаем на :

Вспоминаем правило умножения матриц «строка на столбец»:

Теперь применяем коэффициент :

Ответ: . Результат совпал!

Сравнение методов: Гаусс, Крамер или Матрица?

Теперь у вас в арсенале три метода. Какой выбрать?

| Метод | Плюсы | Минусы | | :--- | :--- | :--- | | Метод Гаусса | Универсален (для любых систем). Самый быстрый по количеству операций для больших систем. | Требует аккуратности при последовательных вычислениях. | | Метод Крамера | Дает формулу для каждой переменной отдельно. Удобен, если нужно найти только один из всей системы. | Очень трудоемкий для больших систем (сложность растет факториально). Работает только если . | | Матричный метод | Полезен в программировании и теоретических выкладках. Решение записывается одной формулой . | Требует нахождения обратной матрицы, что вычислительно сложно. Работает только если . |

Резюме: * Для решения задач «руками» на бумаге для систем часто удобен Крамер или Гаусс. * Для систем и больше — только Гаусс. * Если вы решаете матричные уравнения вида в теории — используйте обратную матрицу.

В следующей части курса мы углубимся в геометрию линейной алгебры и поговорим о векторах, линейной зависимости и базисах.

Исследование совместности системы: ранг матрицы и теорема Кронекера-Капелли

В предыдущих статьях мы научились решать системы линейных уравнений методами Гаусса, Крамера и с помощью обратной матрицы. Мы рассматривали случаи, когда решение существует и оно единственное, или когда решений нет вовсе. Но как заранее узнать, имеет ли система смысл? Не тратим ли мы время, пытаясь решить то, что не имеет решения?

Сегодня мы познакомимся с фундаментальной теорией, которая позволяет ответить на вопросы: «Есть ли решение?» и «Сколько этих решений?» еще до того, как мы найдем сами корни. Ключевыми понятиями здесь станут ранг матрицы и теорема Кронекера-Капелли.

Понятие ранга матрицы

Представьте, что вы пишете конспект лекции. Если вы запишете одно и то же предложение три раза разными словами, объем текста увеличится, но количество информации останется прежним. В математике похожая ситуация: уравнения в системе могут быть «лишними» или зависимыми друг от друга.

Ранг матрицы — это число, которое показывает реальное количество независимых строк (или столбцов) в матрице. Это индикатор того, сколько «настоящей», уникальной информации содержится в системе.

Обозначается ранг обычно как , или .

Линейная зависимость

Чтобы понять ранг, нужно вспомнить про линейную зависимость. Строки (или уравнения) называются линейно зависимыми, если одну из них можно получить из других путем сложения или умножения на число.

Пример:

Здесь вторая строка — это просто первая строка, умноженная на 2. Новой информации она не несет. Ранг такой матрицы равен 1, хотя строк в ней две.

Как найти ранг матрицы?

Самый надежный способ найти ранг — использовать метод Гаусса, который мы изучили ранее. Мы приводим матрицу к ступенчатому (трапециевидному) виду.

Алгоритм нахождения ранга:

Берем матрицу.

С помощью элементарных преобразований (как в методе Гаусса) обнуляем элементы под главной диагональю.

Если в процессе получается нулевая строка (все элементы — нули), мы её вычеркиваем.

Ранг матрицы равен количеству ненулевых строк, оставшихся после приведения к ступенчатому виду.

Пример:

Вычтем из второй строки первую, умноженную на 2, и из третьей — первую, умноженную на 3:

Вторая строка полностью обнулилась, вычеркиваем её. Меняем местами вторую и третью строки для красоты «ступеньки»:

Осталось 2 ненулевые строки. Значит, .

Теорема Кронекера-Капелли

Теперь, вооружившись понятием ранга, мы можем сформулировать одну из самых важных теорем линейной алгебры. Она названа в честь немецкого математика Леопольда Кронекера и итальянского математика Альфредо Капелли.

Эта теорема дает необходимое и достаточное условие совместности системы (то есть существования хотя бы одного решения).

Для системы рассмотрим две матрицы:

Основная матрица системы () — матрица, составленная только из коэффициентов при неизвестных.

Расширенная матрица системы ( или ) — матрица , к которой справа приписан столбец свободных членов .

> Теорема Кронекера-Капелли: Система линейных алгебраических уравнений совместна тогда и только тогда, когда ранг основной матрицы равен рангу расширенной матрицы.

Математически это записывается так:

Где: * — ранг матрицы коэффициентов. * — ранг расширенной матрицы (с добавленным столбцом свободных членов).

!B". Весы находятся в равновесии. Под весами подпись "Решение существует". Рядом перечеркнутые весы, где правая чаша тяжелее, с подписью "Решений нет". | Визуализация условия теоремы Кронекера-Капелли: равенство рангов означает наличие решения.

Алгоритм исследования системы

На практике мы не просто проверяем наличие решения, но и определяем, сколько их будет. Полный алгоритм исследования выглядит так:

Пусть — количество неизвестных переменных ().

Находим ранги матриц и (обычно это делается одновременно в одной таблице методом Гаусса).

Сравниваем ранги.

Возможны три случая:

Случай 1. Система несовместна (Нет решений)

Если ранг расширенной матрицы больше ранга основной матрицы:

Это означает, что столбец свободных членов создает противоречие. В процессе решения методом Гаусса вы получите строку вида , где . То есть уравнение , что невозможно.

Вывод: Решений нет.

Случай 2. Система определена (Одно решение)

Если ранги равны между собой и равны количеству неизвестных:

Это идеальный случай. У нас достаточно уравнений, чтобы найти каждую переменную, и нет противоречий.

Вывод: Единственное решение.

Случай 3. Система неопределена (Бесконечно много решений)

Если ранги равны, но они меньше количества неизвестных:

Это значит, что уравнений «не хватает», чтобы зафиксировать все переменные. Часть переменных (их количество равно ) мы сможем выразить, а остальные () останутся свободными параметрами. Придавая свободным параметрам любые значения, мы будем получать разные решения.

Вывод: Бесконечное множество решений.

Практический пример

Исследуем систему на совместность:

Здесь количество неизвестных .

Шаг 1. Записываем расширенную матрицу.

Шаг 2. Применяем метод Гаусса. Обнуляем первый столбец. Из второй строки вычитаем первую, умноженную на 2. Из третьей строки вычитаем первую.

Обратите внимание: вторая строка полностью обнулилась (, , , ). Это значит, что второе уравнение было зависимым (просто удвоенным первым).

Вычеркиваем нулевую строку и меняем местами вторую и третью для порядка:

Шаг 3. Считаем ранги. * Сколько ненулевых строк в основной части (слева от черты)? Две. Значит, . * Сколько ненулевых строк во всей матрице (включая столбец справа)? Тоже две. Значит, .

Шаг 4. Делаем вывод.

. Значит, система совместна (решения есть).

Сравниваем с количеством неизвестных .

(Ранг меньше числа неизвестных).

Итог: Система имеет бесконечно много решений.

Базисные и свободные неизвестные

В случае, когда решений бесконечно много (), переменные делятся на две группы:

Базисные неизвестные ( штук) — те, которые стоят на «ступеньках» матрицы (обычно это первые переменных, если определитель при них не ноль).

Свободные неизвестные ( штук) — все остальные. Их мы можем обозначать произвольными константами (например, ) и переносить в правую часть уравнений.

В нашем примере выше: * Ранг , переменных . * Базисных переменных: 2 (например, и ). * Свободных переменных: (переменная ).

Мы можем выразить и через , и это будет называться общим решением системы.

Резюме

Ранг матрицы — это количество линейно независимых строк. Находится подсчетом ненулевых строк после метода Гаусса.

Теорема Кронекера-Капелли гласит: решение есть, только если ранг матрицы коэффициентов равен рангу расширенной матрицы.

Если — решений нет.

Если — решение одно.

Если — решений бесконечно много.

Понимание этой темы переводит вас с уровня «калькулятора», который просто считает цифры, на уровень аналитика, который понимает структуру задачи. В следующей статье мы поговорим о том, что такое однородные системы и фундаментальная система решений.

Структура общего решения: однородные системы и фундаментальная система решений (ФСР)

В предыдущей статье мы разобрали теорему Кронекера-Капелли и выяснили, что системы линейных уравнений могут иметь бесконечно много решений. Это происходит, когда ранг матрицы меньше количества неизвестных ().

Но фраза «бесконечно много решений» звучит слишком абстрактно для инженера или программиста. Нам нужна конкретная формула, которая опишет все возможные решения. Нам нужен способ «упаковать» эту бесконечность в компактную запись.

Сегодня мы разберем, как устроена эта запись, что такое фундаментальная система решений (ФСР) и как решаются однородные системы.

Однородные системы уравнений

Начнем с особого класса систем. Система линейных алгебраических уравнений называется однородной, если все её свободные члены равны нулю.

В матричном виде она записывается так:

Где: * — матрица коэффициентов системы. * — вектор-столбец неизвестных. * — нулевой вектор-столбец (все элементы равны 0).

Свойства однородных систем

Они всегда совместны. Вспомните теорему Кронекера-Капелли: так как столбец свободных членов состоит из нулей, добавление его к матрице не может увеличить её ранг. Ранг основной матрицы всегда равен рангу расширенной.

У них всегда есть «тривиальное» решение. Если мы подставим вместо всех неизвестных нули (), то получим верное равенство . Это решение называют нулевым или тривиальным.

Главный вопрос, который нас интересует: есть ли у системы другие решения, кроме нулевого?

Ответ зависит от ранга матрицы: * Если ранг равен числу неизвестных (), то решение единственное — только нулевое. * Если ранг меньше числа неизвестных (), то существуют ненулевые решения, и их бесконечно много.

Фундаментальная система решений (ФСР)

Представьте, что вы строите дом из конструктора. У вас есть бесконечное количество деталей, но всего несколько типов блоков (красный кубик, синяя пластина, желтый кирпич). Комбинируя эти базовые типы в разных количествах, вы можете собрать любую конструкцию.

В линейной алгебре роль этих «базовых блоков» играет Фундаментальная система решений (ФСР).

ФСР — это набор линейно независимых решений однородной системы, из которых можно составить (с помощью линейной комбинации) любое другое решение этой системы.

Сколько векторов в ФСР?

Количество векторов в ФСР строго определено. Если в системе неизвестных, а ранг матрицы равен , то количество фундаментальных решений вычисляется по формуле:

Где: * — количество векторов в ФСР (количество свободных переменных). * — общее количество неизвестных переменных. * — ранг матрицы системы.

!Визуализация принципа разделения переменных на базисные и свободные для построения ФСР.

Общее решение однородной системы

Если мы нашли векторы ФСР (обозначим их ), то общее решение однородной системы () записывается как их линейная комбинация:

Где: * — вектор общего решения однородной системы. * — векторы фундаментальной системы решений. * — произвольные постоянные числа (константы), которые могут принимать любые значения.

Меняя значения констант , мы получаем все возможные варианты решений системы.

Алгоритм нахождения ФСР

Давайте разберем это на практике. Пусть нам нужно решить однородную систему:

Здесь (четыре неизвестных: ).

Шаг 1. Приводим матрицу к ступенчатому виду (Метод Гаусса)

Записываем матрицу (столбец свободных членов писать не обязательно, он всегда нулевой):

Вычтем из второй строки первую, умноженную на 2:

Матрица ступенчатая. Ранг (две ненулевые строки).

Шаг 2. Определяем количество векторов в ФСР

Где: * — значит, в ФСР будет 2 вектора.

Шаг 3. Разделяем переменные на базисные и свободные

Базисные переменные — те, что стоят на «ступеньках» (ведущие элементы строк). В нашей матрице это первый столбец (соответствует ) и третий столбец (соответствует ).

* Базисные: . * Свободные: (остальные).

Шаг 4. Выражаем базисные через свободные

Перепишем упрощенную систему обратно в уравнения:

Из второго уравнения выражаем :

Подставляем это в первое уравнение и выражаем :

Мы получили формулы для базисных переменных:

Шаг 5. Строим векторы ФСР

У нас две свободные переменные: и . Чтобы найти векторы ФСР, мы по очереди придаем им значения 1 и 0.

Вектор : Пусть , а . Считаем базисные: * *

Получили вектор .

Вектор : Пусть , а . Считаем базисные: * *

Получили вектор .

Шаг 6. Записываем общее решение

Это и есть ответ. Любое решение этой системы можно получить, подставив конкретные числа вместо и .

Структура решения неоднородной системы

А что делать, если система неоднородная ()?

Здесь работает красивое правило, которое называют теоремой о структуре общего решения неоднородной системы.

Общее решение неоднородной системы () равно сумме общего решения соответствующей однородной системы () и любого частного решения неоднородной системы ().

Где: * — общее решение неоднородной системы (то, что мы ищем). * — общее решение однородной системы (с константами ), полученной заменой на . * — частное решение неоднородной системы (любой конкретный набор чисел, который подходит в исходное уравнение).

!Геометрическая интерпретация решения неоднородной системы как сдвиг подпространства решений однородной системы на вектор частного решения.

Пример (кратко)

Пусть дана система . Мы нашли, что для решение . И мы угадали (или нашли методом Гаусса), что вектор подходит в уравнение .

Тогда ответ будет:

Это означает, что множество решений неоднородной системы — это то же самое подпространство, что и у однородной, но сдвинутое в пространстве на вектор частного решения.

Резюме

Однородная система () всегда имеет решение (как минимум нулевое).

Если , существует ФСР — набор из независимых векторов.

Общее решение однородной системы — это линейная комбинация векторов ФСР ().

Общее решение неоднородной системы — это сумма общего однородного и частного неоднородного ().

Теперь вы знаете, как математически грамотно записать «бесконечно много решений». В следующей статье мы перейдем к векторной алгебре, чтобы лучше понимать геометрический смысл этих абстрактных столбцов чисел.