跳到主要内容

线性方程组

线性方程组是线性代数的重要应用！掌握线性方程组的求解方法，是学习线性代数的关键。

什么是线性方程组？​

线性方程组（System of Linear Equations）是多个线性方程的集合。

一般形式​

一个 mm 个方程、nn 个未知数的线性方程组：

{a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮am1x1+am2x2+⋯+amnxn=bm\begin{cases} 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 \\ \vdots \\ a_{m1}x_1 + a_{m2}x_2 + \cdots + a_{mn}x_n = b_m \end{cases}

矩阵形式​

线性方程组可以写成矩阵形式：

Ax⃗=b⃗A\vec{x} = \vec{b}

其中：

  • AA：系数矩阵
  • x⃗\vec{x}：未知数向量
  • b⃗\vec{b}：常数向量

线性方程组的解​

解的个数​

线性方程组可能有：

  • 唯一解：有且仅有一个解
  • 无穷多解：有无限多个解
  • 无解：没有解

判断方法​

线性方程组 Ax⃗=b⃗A\vec{x} = \vec{b} 的解的情况：

  • 唯一解：rank(A)=rank([A∣b⃗])=n\text{rank}(A) = \text{rank}([A|\vec{b}]) = n（未知数个数）
  • 无穷多解：rank(A)=rank([A∣b⃗])<n\text{rank}(A) = \text{rank}([A|\vec{b}]) < n
  • 无解：rank(A)<rank([A∣b⃗])\text{rank}(A) < \text{rank}([A|\vec{b}])

求解方法​

方法 1：高斯消元法​

高斯消元法（Gaussian Elimination）是通过初等行变换将增广矩阵化为行阶梯形，然后回代求解。

步骤：

  1. 写出增广矩阵 [A∣b⃗][A|\vec{b}]
  2. 通过初等行变换化为行阶梯形
  3. 回代求解

例子：求解线性方程组

{x+2y=53x+4y=11\begin{cases} x + 2y = 5 \\ 3x + 4y = 11 \end{cases}

增广矩阵：

[12∣534∣11]\begin{bmatrix} 1 & 2 & | & 5 \\ 3 & 4 & | & 11 \end{bmatrix}

初等行变换：

[12∣50−2∣−4]→[12∣501∣2]\begin{bmatrix} 1 & 2 & | & 5 \\ 0 & -2 & | & -4 \end{bmatrix} \to \begin{bmatrix} 1 & 2 & | & 5 \\ 0 & 1 & | & 2 \end{bmatrix}

回代：

从第二个方程：y=2y = 2

代入第一个方程：x+2×2=5x + 2 \times 2 = 5，所以 x=1x = 1

解：x=1x = 1，y=2y = 2

方法 2：逆矩阵法​

如果 AA 是 n×nn \times n 方阵且可逆，则：

x⃗=A−1b⃗\vec{x} = A^{-1}\vec{b}

例子：求解线性方程组

{x+2y=53x+4y=11\begin{cases} x + 2y = 5 \\ 3x + 4y = 11 \end{cases}

矩阵形式：

[1234][xy]=[511]\begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} 5 \\ 11 \end{bmatrix}

逆矩阵：

A−1=[−2132−12]A^{-1} = \begin{bmatrix} -2 & 1 \\ \frac{3}{2} & -\frac{1}{2} \end{bmatrix}

解：

[xy]=[−2132−12][511]=[12]\begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} -2 & 1 \\ \frac{3}{2} & -\frac{1}{2} \end{bmatrix} \begin{bmatrix} 5 \\ 11 \end{bmatrix} = \begin{bmatrix} 1 \\ 2 \end{bmatrix}

方法 3：克莱默法则​

克莱默法则（Cramer's Rule）使用行列式求解线性方程组。

对于线性方程组 Ax⃗=b⃗A\vec{x} = \vec{b}，如果 det⁡(A)≠0\det(A) \neq 0，则：

xi=det⁡(Ai)det⁡(A)x_i = \frac{\det(A_i)}{\det(A)}

其中 AiA_i 是将 AA 的第 ii 列替换为 b⃗\vec{b} 得到的矩阵。

例子：求解线性方程组

{x+2y=53x+4y=11\begin{cases} x + 2y = 5 \\ 3x + 4y = 11 \end{cases} det⁡(A)=∣1234∣=−2\det(A) = \begin{vmatrix} 1 & 2 \\ 3 & 4 \end{vmatrix} = -2 x=∣52114∣−2=−2−2=1x = \frac{\begin{vmatrix} 5 & 2 \\ 11 & 4 \end{vmatrix}}{-2} = \frac{-2}{-2} = 1 y=∣15311∣−2=−4−2=2y = \frac{\begin{vmatrix} 1 & 5 \\ 3 & 11 \end{vmatrix}}{-2} = \frac{-4}{-2} = 2

齐次线性方程组​

定义​

齐次线性方程组是常数项全为 0 的线性方程组：

Ax⃗=0⃗A\vec{x} = \vec{0}

性质​

  • 零解：x⃗=0⃗\vec{x} = \vec{0} 总是解
  • 非零解：当 rank(A)<n\text{rank}(A) < n 时，有非零解

生活中的应用​

工程​

  • ⚙️ 电路分析：分析电路网络
  • 🏗️ 结构分析：分析建筑和机械结构

经济​

  • 💰 经济模型：分析经济模型
  • 📊 投入产出分析：分析投入产出关系

科学​

  • 🔬 物理问题：解决物理问题
  • 🧪 化学问题：解决化学问题

常见错误​

错误 1：矩阵大小不匹配​

要注意系数矩阵和常数向量的维度。

错误 2：无解判断错误​

要正确判断线性方程组是否有解。

错误 3：计算错误​

要仔细计算，注意符号。

小练习​

  1. 用高斯消元法求解：{x+y=32x−y=1\begin{cases} x + y = 3 \\ 2x - y = 1 \end{cases}
  2. 用逆矩阵法求解：{2x+y=5x+2y=4\begin{cases} 2x + y = 5 \\ x + 2y = 4 \end{cases}
  3. 用克莱默法则求解：{x+2y=53x+4y=11\begin{cases} x + 2y = 5 \\ 3x + 4y = 11 \end{cases}
  4. 应用题：一个工厂生产两种产品，已知生产关系和资源限制，建立线性方程组并求解

💡 小贴士：线性方程组是线性代数的重要应用。记住：可以用高斯消元法、逆矩阵法、克莱默法则求解。掌握线性方程组的求解方法，你就能解决很多实际问题！