贡献者： 零穹; Giacomo; addis
在解释线性方程组的仿射几何意义前，先总结一下矩阵和矢量观点下的意义。
一般的线性方程组具有如下形式：
\begin{equation}
\left\{\begin{aligned}
a_{1 1}x_1 + a_{1 2}x_2 + \dots + a_{1 n}x_n &= y_1, \\
a_{2 1}x_1 + a_{2 2}x_2 + \dots + a_{2 n}x_n &= y_2, \\
\vdots \\
a_{m 1}x_1 + a_{m 2}x_2 + \dots + a_{m n}x_n &= y_m~. \end{aligned}\right.
\end{equation}
写成
矩阵形式则为
\begin{equation}
\boldsymbol{\mathbf{A}} \boldsymbol{\mathbf{x}} = \boldsymbol{\mathbf{y}} ~.
\end{equation}
其中
\begin{equation}
\boldsymbol{\mathbf{A}} =\begin{pmatrix}
a_{11} & a_{12} & \cdots & a_{1n}\\
a_{21} & a_{22} & \cdots & a_{2n}\\
\vdots & \vdots & \vdots & \vdots\\
a_{m1} & a_{m2} & \cdots & a_{mn}
\end{pmatrix}
,\quad \boldsymbol{\mathbf{x}} =\begin{pmatrix}
x_1\\x_2\\\vdots\\x_n
\end{pmatrix}
,\quad \boldsymbol{\mathbf{y}} =\begin{pmatrix}
y_1\\y_2\\\vdots\\y_n
\end{pmatrix}~.
\end{equation}
在
矢量观点下，线性方程组
式 1 又可写为
\begin{equation}
\sum_{i=1}^n x_ia_i=y~.
\end{equation}
其中
\begin{equation}
a_i=(a_{1i},a_{2i},\cdots,a_{mi})^T,\quad y=(y_1,y_2,\cdots,y_m)^T~.
\end{equation}
在矩阵观点下，线性方程组式 2 有解，当且仅当 $\mathrm{rank}\; \boldsymbol{\mathbf{A}} =\mathrm{rank}\;( \boldsymbol{\mathbf{A}} , \boldsymbol{\mathbf{y}} )$。这里，$( \boldsymbol{\mathbf{A}} , \boldsymbol{\mathbf{y}} )$ 是在矩阵 $ \boldsymbol{\mathbf{A}} $ 后再添上一列 $ \boldsymbol{\mathbf{y}} $ 构成的矩阵，即 $ \boldsymbol{\mathbf{A}} $ 的增广矩阵。$\mathrm{rank}\; \boldsymbol{\mathbf{A}} $ 表 $ \boldsymbol{\mathbf{A}} $ 的秩。在有解的情况下，线性方程组的解构成的集合为 $X_s= X_0+x_1 $，其中 $X_0$ 为对应齐次方程组的通解，$x_1$ 是任一特解
未完成：the_LinEq2_1
在矢量观点下，线性方程组式 4 有解，当且仅当矢量 $y$ 可被矢量组 $\{a_1,\cdots,a_n\}$ 线性表示；也可理解为 $y$ 在 $a_1,\cdots,a_n$ 生成的张成空间当中，即 $y\in\langle a_1,\cdots,a_n\rangle$。
在以上解释中，并没有把线性方程组与通常观点下的几何对象（点线面）联系起来。当然，在矩阵理论和矢量空间里，还没有引入点的概念，要将线性方程组与几何对象联系起来，需要在仿射空间当中去完成。在此之前先说明几个必要的概念。
1. 仿射线性函数
在仿射线性映射定义（定义 3 ）中，若 $\mathbb A'=\mathbb F$，$Df$ 是 $V$ 上的线性函数，则仿射线性映射称之为仿射线性函数。
定义 1 仿射线性函数
设 $(\mathbb A,V)$ 是域 $\mathbb {F}$ 上的仿射空间，称 $f:\mathbb A\rightarrow \mathbb F$ 是个仿射线性函数，如果
\begin{equation}
f(\dot p+v)=f(\dot p)+Df\cdot v\quad\forall \dot p\in\mathbb A,v\in V~.
\end{equation}
其中 $Df$ 是 $V$ 上的一个线性函数，称为 $f$ 的
线性部分（或
微商）。
如此一来，线性部分为零的仿射线性函数对应常值仿射线性函数。
定理 1
$f:\mathbb A\rightarrow \mathbb F$ 是仿射线性函数，当且仅当在坐标系 $\{\dot o;e_1,\cdots,e_n\}$ 下，对 $\forall \dot p\in \mathbb A$，有
\begin{equation}
f(\dot p)=\sum_{i=1}^n\alpha_ix_i+\alpha_0~.
\end{equation}
其中 $\alpha_0=f(\dot o),\alpha_i=Df\cdot e_i$，$x_1,\cdots,x_n$ 是点 $\dot p$ 坐标。
证明：1. $\Rightarrow$
\begin{equation}
f(\dot p)=f(\dot o+\vec{op})=f(\dot o)+Df\cdot \vec{op}=\sum_{i=1}^n \alpha_i x_i+\alpha_0~.
\end{equation}
2. $\Leftarrow$
设 $v=\sum\limits_{i=1}^n v_ie_i$，于是由定理 3 第 2 条，$\dot p+v$ 的坐标为 $x_i+v_i,i=1,\cdots ,n$。由式 7 ，有
\begin{equation}
\begin{aligned}
f(\dot p+v)&=\sum_{i=1}^n\alpha_i(x_i+v_i)+\alpha_0= \left(\sum_{i=1}^n\alpha_i x_i+\alpha_0 \right) +\sum_{i=1}^n\alpha_i v_i\\
&=f(\dot p)+Df\cdot v~.
\end{aligned}
\end{equation}
证毕！
2. 线性方程组的仿射解释
令
\begin{equation}
f_i(\dot p)=\sum_{j=1}a_{ij}x_j-y_i~.
\end{equation}
则线性方程组
式 1 可写为
\begin{equation}
f_i(\dot p)=0,\quad i=1,\cdots,m~.
\end{equation}
由定理 1 ，每个 $f_i(\dot p)$ 都是仿射线性函数。
设线性方程组有解，而 $x_1^0,\cdots,x_n^0$ 是它的一个解，并用它作为在坐标系 $\{\dot o;e_1,\cdots,e_n\}$ 下点 $\dot p_0$ 的坐标（因此 $f_i(\dot o)=-y_i$），并说点 $\dot p_0$ 本身是个解。
如此一来，式 11 的其它解必形如 $\dot p=\dot p_0+x, x\in V$ 且
\begin{equation}
Df_i \cdot x=0,\quad i=1,\cdots,m~,
\end{equation}
其中 $Df_i$ 是 $f_i$ 的线性部分。
式 12 的解，构成一维数为 $n-r$ 的子空间 $U\subset V$。$r$ 是线性函数组 $Df_1,\cdots,Df_m$ 的秩（
子节 4 ），$n=\dim V$。所以线性方程组解的集合就是 $n-r$ 维的平面 $\dot p_0+U$。
定理 2
设 $\mathbb A$ 是个 $n$ 维仿射空间，则 $\mathbb A$ 中所有坐标满足一秩为 $r$、有解的线性方程组的点构成一 $n-r$ 维的平面 $\Pi=\dot p_0+U$。且 $\mathbb A$ 的任一平面都可这样得到。
证明：定理后一部分由前面已得证明。现证明第二部分。
首先，任一 $n-r$ 维的矢量子空间 $U$ 就是一个秩为 $r$ 的形如式 11 的线性方程组的解空间（链接）。
其次，$\dot p\in\Pi\Leftrightarrow\vec{p_0p}\in U$。若设 $\dot p_0,\dot p$ 坐标分别为 $x^0_1,\cdots,x^0_n$ 和 $x_1,\cdots,x_n$，则 $\vec{p_0p}=\sum_{j}(x_j-x^0_j)e_i$。那么方程组
\begin{equation}
\sum_{j=1}^n a_{ij}(x_j-x_j^0)=0,\quad i=1,\cdots m~.
\end{equation}
满足条件。
证毕！
由该定理，一个超平面相当于一个线性方程，于是秩为 $r$ 的线性方程组相当于 $r$ 个超平面，该方程组的解相当于这 $r$ 个超平面的交集，其给出一个 $n-r$ 维的平面 $\Pi$。
致读者： 小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此，我们请求广大读者
热心打赏 ，使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损， 并在接下来的一年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款， 他们的付出帮助了 99% 的读者免费获取知识， 我们在此表示感谢。