ESC
输入关键词搜索文章
目录

线性方程组

线性代数 · 第四章
解的存在性、唯一性与结构——从消元到通解
Part 0 · 学习目标
线性方程组:从消元到解空间的完整结构

线性方程组是线性代数最核心的应用场景。本章把所有前几章的工具——矩阵、向量、秩、行列式——汇聚到同一个问题:给定 $m$ 个方程、$n$ 个未知数的线性系统,如何判断它是否有解?解是否唯一?如何把所有解(如果有无穷多个)用一种紧凑的方式表达出来?

本章覆盖:高斯消元的矩阵语言、矩阵的秩与解的存在性判定、齐次方程组 $AX=0$ 的解空间与基础解系、非齐次方程组 $AX=b$ 的解的结构(通解 = 特解 + 导出组通解)。

这一章的学习难度有两层。第一层是计算层面——把消元过程规范化成矩阵变换,知道如何求行最简形、如何读解。这一层只要多练就能掌握。第二层是理解层面——为什么要用基础解系来表达通解?为什么自由变量个数是 $n - r$?解空间作为一个向量空间意味着什么?这一层需要把向量空间、线性相关、秩这些概念连贯起来,才能真正理解。

本章的内容在高等代数(通常称为线性代数 II)中还会进一步深化:从 $\mathbb{R}^n$ 推广到一般的域上的线性空间,从矩阵的秩推广到线性映射的核与像的维数关系(秩-零化度定理)。在数值计算课程中,高斯消元法会被进一步细化为 LU 分解,并讨论主元选取策略(部分主元、全主元)与数值稳定性问题。如果将来学习偏微分方程数值解或有限元分析,大型稀疏线性系统的求解将是日常工作的核心。

前置知识回顾

  • 矩阵的基本运算:乘法、转置,来自
    PDF矩阵概念p.1

    pdf/线性代数/1.1.pdf · p.1

    打开原文

  • 矩阵的秩$r(A)$ 是矩阵中最大非零子式的阶数,也是行(列)向量组的最大无关向量个数,来自
    PDF矩阵的秩p.1

    pdf/线性代数/2.5.pdf · p.1

    打开原文

  • 向量组的线性相关性:若存在不全为零的 $k_i$ 使 $\sum k_i a_i = 0$,则向量组线性相关,否则线性无关,来自
    PDF线性相关与线性无关p.1

    pdf/线性代数/4.2.pdf · p.1

    打开原文

  • n 维向量空间$\mathbb{R}^n$ 是所有 n 维向量关于加法与数乘构成的向量空间,来自
    PDFn维向量空间p.1

    pdf/线性代数/4.1.pdf · p.1

    打开原文

Part 1 · 背景问题
从鸡兔同笼到大规模线性系统

线性方程组是数学中最古老也最普遍的问题之一。从中学的二元一次方程组开始,到工程中上千个未知数的大型稀疏线性系统,所有问题的背后是同一个矩阵方程 $AX = b$。在线性代数课程中,解线性方程组既是前三章(矩阵、行列式、向量)的汇聚点,也是后续特征值与二次型的工具基础。

从二元一次方程组开始:

$$\begin{cases} 2x_1 + x_2 = 5 \\ x_1 - x_2 = 1 \end{cases}$$

解这个方程组可以用代入法、加减消元法,也可以用二阶行列式计算。但问题来了:当方程个数 $m$ 和未知数个数 $n$ 都很大(比如 $m=1000, n=1000$)时,人工消元不再可行。我们需要一套 系统的矩阵语言来描述整个消元过程。

线性方程组在实际应用中有三个主要来源:

  • 物理和工程中的离散化,如有限元分析将连续问题离散为成千上万个线性方程;
  • 数据科学中的线性回归,求解 $X^T X \beta = X^T y$ 这样的法方程;
  • 计算机图形学中的坐标变换与投影计算。理解线性方程组的结构,不仅对学好线性代数至关重要,也是进入工程计算的必经之路。
  • 将方程组写成矩阵形式:

    $$AX = b, \quad A = (a_{ij})_{m \times n},\ X \in \mathbb{R}^n,\ b \in \mathbb{R}^m$$

    从列向量的角度看,$AX = b$ 等价于:

    $$x_1 \begin{pmatrix}a_{11}\\a_{21}\\\vdots\\a_{m1}\end{pmatrix} + x_2 \begin{pmatrix}a_{12}\\a_{22}\\\vdots\\a_{m2}\end{pmatrix} + \cdots + x_n \begin{pmatrix}a_{1n}\\a_{2n}\\\vdots\\a_{mn}\end{pmatrix} = \begin{pmatrix}b_1\\b_2\\\vdots\\b_m\end{pmatrix}$$

    即:方程组有解当且仅当右端向量 $b$ 可以由系数矩阵 $A$ 的列向量线性表示。这个直观在所有后续理论中都会反复出现。

    从这个角度看,$m imes n$ 矩阵 $A$$n$ 个列向量张成了一个 $\mathbb{R}^m$ 中的子空间——列空间 $\operatorname{Col}(A)$。方程组 $AX=b$ 有解的条件等价于 $b \in \operatorname{Col}(A)$。如果 $b$ 在列空间中,解存在;如果不在,解不存在。这个几何视角在后面判断解的存在性时非常有用。

    PDF线性方程组的向量表示p.6

    pdf/线性代数/4.1.pdf · p.6

    打开原文

    线性方程组
    线性方程组引入 · 电子科技大学线性代数课件
    Part 2 · 高斯消元的矩阵语言
    行阶梯形与行最简形

    高斯消元(Gaussian Elimination)是求解线性方程组最核心的算法。它的矩阵视角是:对增广矩阵 $(A \mid b)$ 进行行初等变换,化为行阶梯形(Row Echelon Form),再进一步化为行最简形(Reduced Row Echelon Form),然后直接回代写出解。

    行阶梯形矩阵

    满足三条规则的矩阵:

  • 非零行在零行之上;
  • 每个非零行的首个非零元(称为
  • 主元)的列标严格递增(即"阶梯"形状);
  • 主元下方的所有元素为零。
  • 行最简形矩阵(Reduced Row Echelon Form, RREF)

    在行阶梯形的基础上增加:每个主元均为 $1$,且主元所在列的其余元素均为 $0$

    例:

    $$\begin{pmatrix}1 & 0 & 2 & \mid & 3 \\ 0 & 1 & -1 & \mid & 1 \\ 0 & 0 & 0 & \mid & 0\end{pmatrix}$$

    行初等变换的三种操作(它们都保持方程组的解不变):

    1. 交换两行($r_i \leftrightarrow r_j$
    2. 某行乘以非零常数($r_i \leftarrow k r_i$
    3. 某行加上另一行的倍数($r_i \leftarrow r_i + k r_j$

    高斯消元的标准步骤

  • 前向消元
  • :从上到下逐列消去主元下方的非零元素,得到行阶梯形。

  • 后向回代
  • (或化简为 RREF):从下到上逐行消去主元上方的非零元素,并令主元为 $1$,得到行最简形。

  • 写出解
  • :根据行最简形直接读出约束变量(对应主元列)与自由变量(对应非主元列)的关系。

    行最简形中主元的个数就是系数矩阵 $A$ $r(A)$。主元列对应约束变量,非主元列对应自由变量。自由变量的个数为 $n - r(A)$。这个值是方程组解的自由度——即有多少个独立的参数可以自由取值。

    需要特别注意:行初等变换改变列空间但不改变行空间。消元过程中,矩阵的行向量之间的线性关系被保留(所以行空间的维数不变),但列向量之间的关系可能发生改变。这也是为什么求列向量的极大无关组时要化为列最简形,而不是行最简形。

    高斯消元的算法复杂度为 $O(n^3)$(对于 $n \times n$ 方阵),这是用来求解大型线性系统的基本算法。在实际工程应用中(如有限元分析、电路仿真),$n$ 可以达到百万量级,这时会使用稀疏矩阵技术来加速消元过程。

    PDF线性方程组的矩阵表示与消元p.1

    pdf/线性代数/4.2.pdf · p.1

    打开原文

    Part 3 · 解的存在性判定
    矩阵的秩决定了一切

    对于 $m \times n$ 线性方程组 $AX = b$,引入增广矩阵 $\bar{A} = (A \mid b)$。解的存在性与唯一性完全由 $r(A)$$r(\bar{A})$ 的关系决定:

    定理:线性方程组有解的充要条件

    方程组 $AX = b$ 有解 $\iff$ $r(A) = r(\bar{A})$

    $r(A) = r(\bar{A}) = r$ 时:

    • $r = n$唯一解(约束变量数 = 未知数总数)
    • $r < n$无穷多解,自由变量个数为 $n - r$

    特殊情况速查表

    方程组类型条件解的情况
    齐次 $AX=0$$r(A) = n$只有零解
    齐次 $AX=0$$r(A) < n$有非零解(无穷多解)
    非齐次 $AX=b$$r(A) \neq r(\bar{A})$无解
    非齐次 $AX=b$$r(A) = r(\bar{A}) = n$唯一解
    非齐次 $AX=b$$r(A) = r(\bar{A}) < n$无穷多解
    方阵 $A_{n\times n}$$\det(A) \neq 0$$AX=b$ 有唯一解
    方阵 $A_{n\times n}$$\det(A) = 0$$AX=b$ 无解或无穷多解
    右端向量 b 的影响:对于齐次方程组,右端为零,增广矩阵的最后一行全是零,因此 $r(A) = r(\bar{A})$ 自动成立。齐次方程组永远有解——至少有一个零解。非齐次方程组的右端 $b$ 可能破坏 $r(A) = r(\bar{A})$,导致无解。

    从列向量角度看,$AX = b$ 有解等价于 $b$ 属于 $A$ 的列空间 $\operatorname{Col}(A)$$r(A) = r(\bar{A})$ 的意思是:$b$ 加入后没有产生新的独立方向——$b$ 已经在列空间的张成之中。

    关于齐次方程组,还有两个重要推论:

    1. $m < n$(方程个数少于未知数个数),齐次方程组 $AX=0$ 一定有非零解。因为 $r(A) \le m < n$,所以 $n - r(A) > 0$,自由变量至少有一个。
    2. $m = n$(方阵情形),$AX=0$ 有非零解 $\iff \det(A) = 0$。这建立起了行列式与解空间的直接联系——当系数矩阵退化时,零空间维数至少为 1。
    PDFAX=b 的列向量表示p.6

    pdf/线性代数/4.2.pdf · p.6

    打开原文

    Part 4 · 齐次方程组 AX = 0
    解空间与基础解系

    齐次线性方程组 $AX = 0$ 的所有解构成 $\mathbb{R}^n$ 的一个子空间,称为解空间(也称为 $A$零空间或核,记作 $\operatorname{Null}(A)$):

    $$W = \{ X \in \mathbb{R}^n \mid AX = 0 \}$$

    解空间的两条基本性质(验证它是子空间):

    1. $\xi_1, \xi_2$ 是解,则 $\xi_1 + \xi_2$ 也是解(加法封闭)。
    2. $\xi$ 是解,$k$ 是任意实数,则 $k\xi$ 也是解(数乘封闭)。

    证明很简单:$A(\xi_1+\xi_2) = A\xi_1 + A\xi_2 = 0 + 0 = 0$$A(k\xi) = k(A\xi) = k \cdot 0 = 0$

    基础解系

    齐次方程组 $AX = 0$ 的解空间中,一组向量 $\eta_1, \eta_2, \dots, \eta_t$ 若满足:

    1. $\eta_1, \eta_2, \dots, \eta_t$ 线性无关;
    2. $AX = 0$ 的每一个解都可以由它们线性表示;

    则称 $\eta_1, \dots, \eta_t$$AX=0$ 的一个基础解系

    定理:基础解系的向量个数

    $A$$m \times n$ 矩阵,$r(A) = r$,则 $AX = 0$ 的基础解系含有 $n - r$ 个向量。

    解空间 $\operatorname{Null}(A)$ 的维数 $\dim(\operatorname{Null}(A)) = n - r$

    求基础解系的标准步骤

    1. 将系数矩阵 $A$ 化为行最简形 RREF。
    2. 确定主元列(约束变量)和非主元列(自由变量)。
    3. 令每个自由变量分别取 $1$(其余自由变量取 $0$),代入约束方程写出一个解向量。
    4. 得到的 $n-r$ 个解向量即为基础解系。

    齐次方程组通解的表达

    $\eta_1, \eta_2, \dots, \eta_{n-r}$$AX=0$ 的一个基础解系,则通解为:

    $$X = k_1\eta_1 + k_2\eta_2 + \cdots + k_{n-r}\eta_{n-r}, \quad k_1, k_2, \dots, k_{n-r} \in \mathbb{R}$$

    这里的 $k_i$ 是任意常数。这个形式表明:解空间是一个以 $\eta_1, \dots, \eta_{n-r}$ 为基的向量空间。

    基础解系不是唯一的。同一解空间可以有多个不同的基,但基向量的个数固定为 $n-r$。任何 $n-r$ 个线性无关的解向量都可以作为基础解系。自由变量的选取也不是唯一的——在行最简形中,非主元列对应的变量被默认选为自由变量,但理论上任何 $n-r$ 个变量都可以被指定为自由变量,只要剩下的 $r$ 个变量能由它们唯一确定。不同的自由变量选择会导致不同形式的基础解系,但它们张成的是同一个解空间。
    PDFAX=0 的基础解系p.1

    pdf/线性代数/4.4.pdf · p.1

    打开原文

    Part 5 · 非齐次方程组 AX = b
    解的结构:特解 + 导出组通解

    非齐次线性方程组 $AX = b$ 的解集合本身不是一个向量空间(因为零向量不一定是解——$A \cdot 0 = 0 \neq b$)。但它的解与对应的齐次方程组(称为导出组$AX = 0$ 的解有密切关系。

    非齐次方程组的两条性质

    $\eta_1, \eta_2$$AX = b$ 的解,$\xi$$AX = 0$ 的解。

    1. $\eta_1 - \eta_2$ 是导出组 $AX = 0$ 的解。
    2. $\eta_1 + \xi$$AX = b$ 的解。

    非齐次方程组解的结构定理

    $AX = b$ 有解,且 $\eta^*$ 是它的一个特解$\eta_1, \dots, \eta_{n-r}$ 是导出组 $AX = 0$ 的一个基础解系,则 $AX = b$ 的通解为:

    $$X = \eta^* + k_1\eta_1 + k_2\eta_2 + \cdots + k_{n-r}\eta_{n-r}, \quad k_1, \dots, k_{n-r} \in \mathbb{R}$$

    这个结构可以直观理解:先将问题的结构部分(齐次部分)求解出来,然后通过特解 $\eta^*$ 将整个解空间平移到 $b$ 所在的位置。几何上,非齐次方程组的解集合是一个仿射空间(平移后的向量子空间),而不是向量子空间——因为零向量 $0$ 一般不满足 $A0 = b$

    1. 将增广矩阵 $(A \mid b)$ 化为行最简形。
    2. 判断是否有解:若出现形如 $[0\ 0\ \cdots\ 0 \mid c]$$c \neq 0$)的矛盾行,则无解。
    3. 若有解,写出约束变量的表达式,令自由变量全部为 $0$,得到一个特解 $\eta^*$
    4. 忽略增广矩阵的最后一列,对系数矩阵求导出组的基础解系。
    5. 写出通解 $X = \eta^* + k_1\eta_1 + \cdots + k_{n-r}\eta_{n-r}$
    与齐次方程组的区别:非齐次方程组的通解多了一个特解项 $\eta^*$,它负责"平移"。这个特解不是唯一的——任何具体的解都可以作为特解。
    PDF线性方程组解的结构p.1

    pdf/线性代数/4.3.pdf · p.1

    打开原文

    Part 6 · 线性映射视角
    从线性变换理解解空间

    如果从线性映射 $T: \mathbb{R}^n \to \mathbb{R}^m, T(X) = AX$ 的视角来看线性方程组,$AX = b$ 的解空间结构可以更深刻地理解:

    • 零空间 $\operatorname{Null}(A)$$T$ 的核,即所有被映射到零点的向量。
    • 列空间 $\operatorname{Col}(A)$$T$ 的像,即所有能到达的向量。
    • $b \in \operatorname{Col}(A)$ 意味着 $b$ 在像中,$b$ 的原像就是解集合。
    • 解集合 $T^{-1}(b)$ 是零空间的陪集(coset):$T^{-1}(b) = \eta^* + \operatorname{Null}(A)$

    这个视角的价值在于:它将线性代数中的四个基本子空间(行空间、列空间、零空间、左零空间)统一到了一个完整的画面中。前两章讲的行列式告诉我们在 $m=n$ 时解的唯一性;第三章讲的秩告诉我们解空间的结构;而本章则是将这些工具应用到实际求解中。

    四个基本子空间的关系

    $A$$m \times n$ 矩阵,秩为 $r$

    • $\operatorname{Row}(A) \subseteq \mathbb{R}^n$,维数 $r$
    • $\operatorname{Col}(A) \subseteq \mathbb{R}^m$,维数 $r$
    • $\operatorname{Null}(A) \subseteq \mathbb{R}^n$,维数 $n-r$
    • $\operatorname{Null}(A^T) \subseteq \mathbb{R}^m$,维数 $m-r$

    注意:行空间和零空间正交(任意行向量与任意零空间向量内积为 $0$),且互为 $\mathbb{R}^n$ 中的正交补。

    Part 7 · 例题精讲
    三道典型例题全面覆盖核心方法

    例题 1:求齐次方程组的基础解系与通解

    题目:求下列齐次线性方程组的基础解系和通解。

    $$\begin{cases} x_1 + 2x_2 + x_3 - x_4 = 0 \\ 3x_1 + 6x_2 - x_3 - 3x_4 = 0 \\ 5x_1 + 10x_2 + x_3 - 5x_4 = 0 \end{cases}$$

    目标:掌握行最简形化简、确定自由变量、构造基础解系的标准流程。

    1. 写出系数矩阵$A = \begin{pmatrix}1 & 2 & 1 & -1 \\ 3 & 6 & -1 & -3 \\ 5 & 10 & 1 & -5\end{pmatrix}$
    2. 化为行最简形$\xrightarrow{r_2-3r_1}\begin{pmatrix}1 & 2 & 1 & -1 \\ 0 & 0 & -4 & 0 \\ 0 & 0 & -4 & 0\end{pmatrix} \xrightarrow{r_3-r_2}\begin{pmatrix}1 & 2 & 1 & -1 \\ 0 & 0 & -4 & 0 \\ 0 & 0 & 0 & 0\end{pmatrix} \xrightarrow{-\frac{1}{4}r_2}\begin{pmatrix}1 & 2 & 1 & -1 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0\end{pmatrix} \xrightarrow{r_1-r_2}\begin{pmatrix}1 & 2 & 0 & -1 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0\end{pmatrix}$
    3. 确定主元与自由变量:主元在第 1、3 列,对应 $x_1,x_3$ 是约束变量;第 2、4 列非主元,$x_2,x_4$ 是自由变量。$r=2$$n=4$,基础解系含 $4-2=2$ 个向量。
    4. 写出约束方程$\begin{cases} x_1 + 2x_2 - x_4 = 0 \\ x_3 = 0 \end{cases}$,即 $\begin{cases} x_1 = -2x_2 + x_4 \\ x_3 = 0 \end{cases}$
    5. 赋值自由变量构造基础解系
      $(x_2, x_4) = (1, 0)$$\eta_1 = (-2, 1, 0, 0)^T$
      $(x_2, x_4) = (0, 1)$$\eta_2 = (1, 0, 0, 1)^T$
    6. 验证$A\eta_1 = 0$✓,$A\eta_2 = 0$✓,且 $\eta_1, \eta_2$ 明显线性无关。基础解系为 $\{\eta_1, \eta_2\}$

    答案:通解 $X = k_1\begin{pmatrix}-2 \\ 1 \\ 0 \\ 0\end{pmatrix} + k_2\begin{pmatrix}1 \\ 0 \\ 0 \\ 1\end{pmatrix},\quad k_1,k_2 \in \mathbb{R}$

    验算:代入原方程组验证第一组:$1\cdot(-2)+2\cdot1+1\cdot0+(-1)\cdot0 = -2+2+0+0 = 0$ ✓。第二组:$1\cdot1+2\cdot0+1\cdot0+(-1)\cdot1 = 1+0+0-1=0$ ✓。两个解向量确实满足方程组。

    关键点:自由变量的选取不是唯一的,但基础解系中向量个数固定为 $n-r = 2$。赋值时通常取 $(1,0)$$(0,1)$ 的标准形式,这样可以保证线性无关。另外要注意,虽然每个自由变量的赋值方式可以改变,但最终的解空间必须保持不变——不同基础解系张成的是同一个子空间。

    例题 2:求非齐次方程组的通解

    题目:求解线性方程组。

    $$\begin{cases} x_1 + 2x_2 + 3x_3 + x_4 = 3 \\ x_1 + 2x_2 + 2x_3 + x_4 = 2 \\ 2x_1 + 4x_2 + 5x_3 + 2x_4 = 5 \end{cases}$$

    目标:掌握增广矩阵化简、判断是否有解、求特解 + 导出组通解的标准流程。

    1. 写出增广矩阵$(A\mid b) = \begin{pmatrix}1 & 2 & 3 & 1 & \mid & 3 \\ 1 & 2 & 2 & 1 & \mid & 2 \\ 2 & 4 & 5 & 2 & \mid & 5\end{pmatrix}$
    2. 化为行最简形
      $\xrightarrow{r_2-r_1}\begin{pmatrix}1 & 2 & 3 & 1 & \mid & 3 \\ 0 & 0 & -1 & 0 & \mid & -1 \\ 0 & 0 & -1 & 0 & \mid & -1\end{pmatrix} \xrightarrow{r_3-r_2}\begin{pmatrix}1 & 2 & 3 & 1 & \mid & 3 \\ 0 & 0 & -1 & 0 & \mid & -1 \\ 0 & 0 & 0 & 0 & \mid & 0\end{pmatrix}$
      $\xrightarrow{-r_2}\begin{pmatrix}1 & 2 & 3 & 1 & \mid & 3 \\ 0 & 0 & 1 & 0 & \mid & 1 \\ 0 & 0 & 0 & 0 & \mid & 0\end{pmatrix} \xrightarrow{r_1-3r_2}\begin{pmatrix}1 & 2 & 0 & 1 & \mid & 0 \\ 0 & 0 & 1 & 0 & \mid & 1 \\ 0 & 0 & 0 & 0 & \mid & 0\end{pmatrix}$
    3. 判断有解:最后一行是 $[0\ 0\ 0\ 0 \mid 0]$,无矛盾。$r(A)=r(\bar{A})=2 < 4=n$,无穷多解。
    4. 求特解:令自由变量 $x_2, x_4$ 全为零,代入约束方程 $\begin{cases} x_1 + 2x_2 + x_4 = 0 \\ x_3 = 1 \end{cases}$,得 $\eta^* = (0, 0, 1, 0)^T$
    5. 求导出组的基础解系:忽略最后一列,导入方程组约束方程为 $\begin{cases} x_1 = -2x_2 - x_4 \\ x_3 = 0 \end{cases}$
      $(x_2,x_4)=(1,0)$$\eta_1 = (-2,1,0,0)^T$
      $(x_2,x_4)=(0,1)$$\eta_2 = (-1,0,0,1)^T$
    6. 写出通解$X = \eta^* + k_1\eta_1 + k_2\eta_2$

    答案:通解 $X = \begin{pmatrix}0 \\ 0 \\ 1 \\ 0\end{pmatrix} + k_1\begin{pmatrix}-2 \\ 1 \\ 0 \\ 0\end{pmatrix} + k_2\begin{pmatrix}-1 \\ 0 \\ 0 \\ 1\end{pmatrix},\quad k_1,k_2 \in \mathbb{R}$

    验证:$A\eta^* = (3,2,5)^T = b$ ✓。齐次部分 $A(k_1\eta_1+k_2\eta_2) = 0$ ✓。通解由 1 个特解和 2 个基础解系向量组成,完整覆盖了 $4-2=2$ 个自由度。

    几何理解:这个方程组的解集合是一个 $\mathbb{R}^4$ 中的二维平面(通过原点的齐次部分)平移后得到的二维仿射平面。特解 $\eta^*$ 确定了平面的位置,而基础解系 $\eta_1, \eta_2$ 给出了平面内的两个独立方向。

    例题 3:含参数方程组的解情况讨论

    题目:$\lambda$ 取何值时,方程组有唯一解?无穷多解?无解?

    $$\begin{cases} \lambda x_1 + x_2 + x_3 = 1 \\ x_1 + \lambda x_2 + x_3 = 1 \\ x_1 + x_2 + \lambda x_3 = 1 \end{cases}$$

    目标:熟练使用行列式与秩两种工具讨论含参方程组的解情况。

    1. 方法一:系数行列式(方阵情形)。
      系数矩阵 $A = \begin{pmatrix}\lambda & 1 & 1 \\ 1 & \lambda & 1 \\ 1 & 1 & \lambda\end{pmatrix}$,计算 $\det(A) = \begin{vmatrix}\lambda & 1 & 1 \\ 1 & \lambda & 1 \\ 1 & 1 & \lambda\end{vmatrix}$
      先第 2、3 行加到第 1 行:$\det(A) = \begin{vmatrix}\lambda+2 & \lambda+2 & \lambda+2 \\ 1 & \lambda & 1 \\ 1 & 1 & \lambda\end{vmatrix} = (\lambda+2)\begin{vmatrix}1 & 1 & 1 \\ 1 & \lambda & 1 \\ 1 & 1 & \lambda\end{vmatrix}$
      再化简:$\det(A) = (\lambda+2)\begin{vmatrix}1 & 1 & 1 \\ 0 & \lambda-1 & 0 \\ 0 & 0 & \lambda-1\end{vmatrix} = (\lambda+2)(\lambda-1)^2$
    2. 情况一:唯一解——$\det(A) \neq 0$,即 $\lambda \neq -2$$\lambda \neq 1$
    3. 情况二:$\lambda = 1$,矩阵退化为全 1 矩阵。
      $(A\mid b) = \begin{pmatrix}1 & 1 & 1 & \mid & 1 \\ 1 & 1 & 1 & \mid & 1 \\ 1 & 1 & 1 & \mid & 1\end{pmatrix}$$r(A)=1$$r(\bar{A})=1$,有无穷多解。
    4. 情况三:$\lambda = -2$
      $(A\mid b) = \begin{pmatrix}-2 & 1 & 1 & \mid & 1 \\ 1 & -2 & 1 & \mid & 1 \\ 1 & 1 & -2 & \mid & 1\end{pmatrix} \xrightarrow{\text{消元}}\begin{pmatrix}1 & 1 & -2 & \mid & 1 \\ 0 & -3 & 3 & \mid & 0 \\ 0 & 0 & 0 & \mid & 3\end{pmatrix}$
      出现矛盾行 $[0\ 0\ 0 \mid 3]$$r(A)=2$$r(\bar{A})=3$,无解。

    答案:

    $\lambda$ 取值$\det(A)$$r(A)$$r(\bar{A})$解的情况
    $\lambda \neq -2$$\lambda \neq 1$$\neq 0$$3 = 3$唯一解
    $\lambda = 1$$0$$1 = 1$无穷多解
    $\lambda = -2$$0$$2 \neq 3$无解
    常见错误:找到 $\det(A)=0$ 的根后,直接下结论"无穷多解"——这是错误的。$\det(A)=0$ 只是说非唯一解,还需要检查增广矩阵的秩才能区分无解和无穷多解。
    Part 8 · 复习速查
    核心概念与公式速查表
    概念定义 / 公式关键点
    增广矩阵$\bar{A} = (A \mid b)$用于判断有解与否
    有解条件$r(A) = r(\bar{A})$$r(A) \neq r(\bar{A})$ 时无解
    唯一解条件$r(A) = r(\bar{A}) = n$约束变量数等于未知数个数
    无穷多解条件$r(A) = r(\bar{A}) < n$自由变量 $n-r$
    齐次方程组$AX=0$ 总有解(至少零解)有非零解 $\iff r(A) < n$
    解空间$W = \{X \mid AX=0\}$$\mathbb{R}^n$ 的子空间,维数 $n-r$
    基础解系解空间的基包含 $n-r$ 个线性无关的解向量
    齐次通解$X = k_1\eta_1 + \cdots + k_{n-r}\eta_{n-r}$$k_i$ 为任意常数
    非齐次通解$X = \eta^* + \text{齐次通解}$特解 + 导出组通解
    自由变量非主元列对应的变量赋值 $(1,0,\dots,0)$ 等构造基础解系

    求解线性方程组的完整流程(决策树)

    • 将增广矩阵 $(A\mid b)$ 化为行最简形 RREF
    • 检查是否有矛盾行($[0\ \cdots\ 0 \mid c], c \neq 0$
      有矛盾 → 无解
      无矛盾 → 向下
    • 数主元个数 $r$
      $r = n$唯一解
      $r < n$无穷多解,进入下一步
    • 确定自由变量($n-r$ 个),令它们全为 $0$ 得一个特解 $\eta^*$
    • 对系数矩阵(忽略最后一列)求导出组的基础解系 $\eta_1, \dots, \eta_{n-r}$
    • 通解 = $\eta^* + \sum k_i\eta_i$

    学习路线建议

    掌握线性方程组章节建议分三步走:

    第一步:掌握计算。熟练地将增广矩阵化为行最简形,能快速找出主元列和自由变量,能正确构造基础解系。这一阶段需要做 5-10 道计算题来建立肌肉记忆。

    第二步:理解理论。弄清为什么解空间的维数是 $n-r$、为什么非齐次解 = 特解 + 齐次通解。理解每个公式背后的线性空间和线性映射原理。这一阶段建议画图辅助思考。

    第三步:建立联系。将本章与前面章节联系起来——行列式为什么能判断唯一解?秩如何决定解的结构?向量组的线性相关与解的存在性有何关系?将点连成线,建立完整的知识网络。

    Part 9 · 与后续章节的联系
    线性方程组的系统性连接
    → 向量空间(4.1 节)
    解空间是向量空间的核心实例
    齐次方程组 $AX=0$ 的解空间直接验证了向量空间的 8 条公理。理解解空间的子空间结构有助于理解第五章的线性空间公理。
    PDFn维向量空间p.1

    pdf/线性代数/4.1.pdf · p.1

    打开原文

    → 矩阵的秩(1.4 节)
    秩驱动解空间的维数
    $\dim(\operatorname{Null}(A)) + r(A) = n$。这个关系称为秩-零化度定理
    PDF矩阵的秩p.1

    pdf/线性代数/2.5.pdf · p.1

    打开原文

    → 行列式(第二章)
    方阵情形:行列式可直接判定
    $n\times n$ 方阵 $A$$\det(A) \neq 0 \iff$ 唯一解。克拉默法则是线性方程组的行列式表示。
    PDF克拉默法则p.1

    pdf/线性代数/2.4.pdf · p.1

    打开原文

    → 特征值与特征向量(第五章)
    特征向量满足 $(A-\lambda I)X = 0$
    特征向量的定义就是一个齐次线性方程组问题。特征空间 $\operatorname{Eig}(A,\lambda)$ 就是 $(A-\lambda I)X=0$ 的解空间——特征值分解的基础就是解空间结构。
    PDF特征值与特征向量p.1

    pdf/线性代数/5.1.pdf · p.1

    打开原文

    秩-零化度定理的更深层意义

    $A$$m\times n$ 矩阵,则 $\dim(\operatorname{Col}(A)) = r(A)$$\dim(\operatorname{Null}(A)) = n - r(A)$。两者之和为 $n$——这是线性代数基本定理的核心内容:列空间的维数与零空间的维数互补。对应线性映射 $T: \mathbb{R}^n \to \mathbb{R}^m$,零空间是被映射到零的向量,列空间是映射的像。整个 $\mathbb{R}^n$ 分解为 $\operatorname{Null}(A) \oplus (\operatorname{Null}(A))^\perp$

    本章知识点在考研中的常见题型

    考研数学中线性方程组是必考内容,常见题型包括:给定含参数的方程组讨论解的情况(例 3 就是典型)、已知齐次方程组的基础解系数目反求矩阵的参数、利用解的结构求特征向量和特征值、以及通过矩阵方程 $AX=B$ 转化为多个线性方程组求解。

    解这类题目的核心是牢牢掌握三个等价关系:

  • 齐次方程组 $AX=0$ 有非零解 $\iff r(A) < n$
  • 非齐次方程组 $AX=b$ 有解 $\iff r(A) = r(\bar{A})$
  • 解空间的维数 $= n - r(A)$。这三个关系是所有复杂题目的出发点。
  • 参考来源