首页 > 其他分享 >线性相关性、线性表示、秩

线性相关性、线性表示、秩

时间:2023-07-13 19:44:28浏览次数:37  
标签:表示 ... matrix Leftrightarrow beta 相关性 线性 alpha

@

目录

一、线性相关性

1. 定义

(1)线性相关:设 \(\alpha_1,\alpha_2,...,\alpha_s\) 是 \(n\) 维向量,若 \(\exist\) 不全为 \(0\) 的一组数 \(k_1,k_2,...,k_s\),使得 \(k_1\alpha_1 + k_2\alpha_2+...+k_s\alpha_s = 0\),则称 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关。

(2)线性无关:设 \(\alpha_1,\alpha_2,...,\alpha_s\) 是 \(n\) 维向量,若要使得 \(k_1\alpha_1 + k_2\alpha_2+...+k_s\alpha_s = 0\),当且仅当 \(k_1 = k_2 =... = k_s = 0\),则称 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性无关。

(3)有零向量的向量组一定线性相关。

【注】如未特别说明,所有向量均视为列向量。

2. 线性相关性的运算

(1)线性相关 + 线性相关 = 线性相关:\(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关,\(\beta_1,\beta_2,...,\beta_s\) 线性相关 \(\Rightarrow \alpha_1+\beta_1,\alpha_2+\beta_2,...,\alpha_s+\beta_s\) 线性相关

(2)线性相关 + 线性无关 = 线性无关:\(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关,\(\beta_1,\beta_2,...,\beta_s\) 线性无关 \(\Rightarrow \alpha_1+\beta_1,\alpha_2+\beta_2,...,\alpha_s+\beta_s\) 线性无关

(3)线性无关 + 线性无关 = 线性相关性不确定:\(\alpha_1,\alpha_2,...,\alpha_s\) 线性无关,\(\beta_1,\beta_2,...,\beta_s\) 线性无关 \(\Rightarrow \alpha_1+\beta_1,\alpha_2+\beta_2,...,\alpha_s+\beta_s\) 的线性相关性不确定

3. 延长和缩短

(1)原来无关,延长无关:\(\alpha_1,\alpha_2,...,\alpha_s\) 是 \(n\) 维线性无关的向量 \(\Rightarrow\) 延长至 \(m(m>n)\) 维后仍线性无关

(2)原来相关,缩短相关:\(\alpha_1,\alpha_2,...,\alpha_s\) 是 \(m\) 维线性无关的向量 \(\Rightarrow\) 缩短至 \(n(n<m)\) 维后仍线性无关

(3)特别地,\(n\) 维向量 \(\alpha_1,\alpha_2,...,\alpha_s\) 和 \(m\) 维向量 \(\left( \begin{matrix} \alpha_1 \\ 0 \end{matrix} \right),\left( \begin{matrix} \alpha_2 \\ 0 \end{matrix} \right),...,\left( \begin{matrix} \alpha_s \\ 0 \end{matrix} \right)\) 的线性相关性一致。

【注】从齐次线性方程组的角度来看,是 \(Ax=0\) 中方程个数的增加和减少。

4. 个数和维数

(1)个数 > 维数:\(s>n \Rightarrow\) \(n\) 维向量 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关

(2)个数 = 维数:\(s=n, |\alpha_1,\alpha_2,...,\alpha_s|=0 \Rightarrow\) \(n\) 维向量 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关

(3)个数 < 维数:\(s<n, r(\alpha_1,\alpha_2,...,\alpha_s)<s \Rightarrow\) \(n\) 维向量 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关

5. 整体和部分

设 \(n\) 维向量 \(\alpha_1,\alpha_2,...,\alpha_s,...,\alpha_t(s<t)\),则有:

(1)整体无关,部分无关:\(\alpha_1,\alpha_2,...,\alpha_s,...,\alpha_t\) 线性无关 \(\Rightarrow \alpha_1,\alpha_2,...,\alpha_s\) 线性无关

(2)部分相关,整体相关:\(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关 \(\Rightarrow \alpha_1,\alpha_2,...,\alpha_s,...,\alpha_t\) 线性相关

【注】从齐次线性方程组的角度来看,是 \(Ax=0\) 中未知数个数的增加和减少。

6. 与线性表示的联系

(1)\(n\) 维向量\(\alpha_1,\alpha_2,...,\alpha_s\) 线性无关 \(\Rightarrow \forall \alpha_i(1 \leq i \leq s)\) 不可由其他向量线性表示

(2)\(n\) 维向量\(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关 \(\Rightarrow \exist \alpha_i(1 \leq i \leq s)\) 可由其他向量线性表示

7. 与秩、方程组、行列式的联系

设矩阵 \(A_{n \times s} = (\alpha_1,\alpha_2,...,\alpha_s)\),则有:

(1)\(n\) 维向量 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性无关 \(\Leftrightarrow r(\alpha_1,\alpha_2,...,\alpha_s) = s \Leftrightarrow r(A)=s \Leftrightarrow Ax=0\) 有且仅有零解 \(\Leftrightarrow |A| \neq 0\)(仅当 \(A\) 为方阵)

(2)\(n\) 维向量 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关 \(\Leftrightarrow r(\alpha_1,\alpha_2,...,\alpha_s) < s \Leftrightarrow r(A)<s \Leftrightarrow Ax=0\) 有无穷解(非零解) \(\Leftrightarrow |A| = 0\)(仅当 \(A\) 为方阵)

8. 与矩阵的联系

(1)\(AB=0\)(零向量)

非零矩阵 \(A_{m \times n} = \left( \begin{matrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... \\ a_{m1} & a_{m2} & ... & a_{mn} \end{matrix} \right)\) 可由列向量组表示为 \((\alpha_1,\alpha_2,...,\alpha_m)\)。

非零矩阵 \(B_{n \times s} = \left( \begin{matrix} b_{11} & b_{12} & ... & b_{1s} \\ b_{21} & b_{22} & ... & b_{2s} \\ ... \\ b_{n1} & b_{n2} & ... & b_{ns} \end{matrix} \right)\) 可由行向量组表示为 \(\left( \begin{matrix} \beta_1 \\ \beta_2 \\ ... \\ \beta_s \end{matrix} \right)\)。

(1.1)\(AB=0 \Leftrightarrow (\alpha_1,\alpha_2,...,\alpha_m) \left( \begin{matrix} b_{11} & b_{12} & ... & b_{1s} \\ b_{21} & b_{22} & ... & b_{2s} \\ ... \\ b_{n1} & b_{n2} & ... & b_{ns} \end{matrix} \right) = 0 \Leftrightarrow\) 矩阵 \(A\) 的列向量组线性相关 \(\Leftrightarrow Ax=0\) 有非零解

(1.2)\(AB=0 \Leftrightarrow \left( \begin{matrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... \\ a_{m1} & a_{m2} & ... & a_{mn} \end{matrix} \right) \left( \begin{matrix} \beta_1 \\ \beta_2 \\ ... \\ \beta_m \end{matrix} \right) = 0 \Leftrightarrow\) 矩阵 \(B\) 的行向量组线性相关 \(\Leftrightarrow xB=0 (B^Tx=0)\) 有非零解

(2)左乘矩阵

设有\(m \times n\)矩阵\(A\),则有:

(2.1)\(n\) 维向量 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关 \(\Rightarrow A\alpha_1,A\alpha_2,...,A\alpha_s\) 线性相关

【证明】\(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关 \(\Leftrightarrow r(\alpha_1,\alpha_2,...,\alpha_s) < s\),且 \(r(AB) \leq r(B)\),所以有 \(r(A\alpha_1,A\alpha_2,...,A\alpha_s) \leq r(\alpha_1,\alpha_2,...,\alpha_s) < s\),说明 \(A\alpha_1,A\alpha_2,...,A\alpha_s\) 线性相关。

(2.2)\(n\) 维向量 \(A\alpha_1,A\alpha_2,...,A\alpha_s\) 线性无关 \(\Rightarrow \alpha_1,\alpha_2,...,\alpha_s\) 线性无关

【证明】\(A\alpha_1,A\alpha_2,...,A\alpha_s\) 线性无关 \(\Leftrightarrow r(A\alpha_1,A\alpha_2,...,A\alpha_s) = s\),且 \(r(AB) \leq r(B)\),所以有 \(s = r(A\alpha_1,A\alpha_2,...,A\alpha_s) \leq r(\alpha_1,\alpha_2,...,\alpha_s)\);又 \(r(\alpha_1,\alpha_2,...,\alpha_s) \leq s\),所以 \(r(\alpha_1,\alpha_2,...,\alpha_s) = s\),说明 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性无关。

二、线性表示

1. 定义

(1)线性表示:设 \(\alpha_1,\alpha_2,...,\alpha_s\) 是 \(n\) 维向量,若 \(\exist\) 一组数\(k_1,k_2,...,k_s\),使得 \(\beta = k_1\alpha_1 + k_2\alpha_2+...+k_s\alpha_s\),则称 \(\beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示。

(2)极大线性无关组:设 \(n\) 维向量组 \(\alpha_1,\alpha_2,...,\alpha_s\) 中有 \(r\) 个向量线性无关,任意 \(r+1\) 个向量(如果有)线性相关,则称 \(r\) 个线性无关的向量为该向量组的一个极大线性无关组,且 \(r(\alpha_1,\alpha_2,...,\alpha_s)=r\)。

(3)向量组等价:设 \(n\) 维向量组 \((I)\alpha_1,\alpha_2,...,\alpha_s\) 和 \((II)\beta_1,\beta_2,...,\beta_t\),若向量组 \((I)\) 可由 \((II)\) 线性表示,向量组 \((II)\) 也可由 \((I)\) 线性表示,则称 \((I)\) 和 \((II)\) 等价。

2. 线性表示的运算

设 \(n\) 维向量组 \(\alpha_1,\alpha_2,...,\alpha_s\),且 \(\beta,\gamma\) 也是 \(n\) 维向量,则有:

(1)线性 + 线性 = 线性:\(\beta,\gamma\) 可用 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Rightarrow\) \(\beta±\gamma\) 可用 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示

(2)非线性 + 非线性 = 不确定:\(\beta,\gamma\) 都可用 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Rightarrow\) \(\beta±\gamma\) 不一定能用 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示

(3)线性 + 非线性 = 非线性:\(\beta\) 可用 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示,\(\gamma\) 不可用 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Rightarrow\) \(\beta±\gamma\) 不可用 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示

3. 整体和部分

设 \(n\) 维向量 \(\alpha_1,\alpha_2,...,\alpha_s,...,\alpha_t(s<t)\),则有:

(1)\(\beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Rightarrow \beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s,...,\alpha_t\) 线性表示

(2)\(\beta\) 不可由 \(\alpha_1,\alpha_2,...,\alpha_s,...,\alpha_t\) 线性表示 \(\Rightarrow \beta\) 不可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示

4. 传递性

(1)线性表示的传递性

(1.1)设 \(n\) 维向量组 \((I)\alpha_1,\alpha_2,...,\alpha_s\) 可由 \((II)\beta_1,\beta_2,...,\beta_t\) 线性表示,则:\(\gamma\) 可由 \((I)\) 线性表示 \(\Rightarrow \gamma\) 可由 \((II)\) 线性表示

(1.2)\(\beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Leftrightarrow \beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 的极大无关组线性表示 \(\Leftrightarrow \alpha_1,\alpha_2,...,\alpha_s\) 与 \(\alpha_1,\alpha_2,...,\alpha_s,\beta\) 等价

(1.3)\(\beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示,\(\alpha\) 可由 \(\alpha_1,\alpha_2,...,\alpha_{s-1}\) 线性表示 \(\Rightarrow \beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_{s-1}\) 线性表示

(2)向量组等价的传递性

若向量组 \((I)\alpha_1,\alpha_2,...,\alpha_s\) 和 \((II)\beta_1,\beta_2,...,\beta_t\) 等价,则有:

(2.1)\(\gamma\) 可由 \((I)\) 线性表示 \(\Leftrightarrow \gamma\) 可由 \((II)\) 线性表示

(2.2)\(\gamma\) 不可由 \((I)\) 线性表示 \(\Leftrightarrow \gamma\) 不可由 \((II)\) 线性表示

5. 与秩、方程组的联系

(1)一个向量可由其他向量组线性表示?

(1.1)\(r(\alpha_1,\alpha_2,...,\alpha_s) \leq r(\alpha_1,\alpha_2,...,\alpha_s,\beta) \leq r(\alpha_1,\alpha_2,...,\alpha_s)+1\)

(1.2)\(\beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Leftrightarrow r(\alpha_1,\alpha_2,...,\alpha_s,\beta) = r(\alpha_1,\alpha_2,...,\alpha_s) \leq s\)

从非齐次线性方程组的角度来看,是 \(Ax=b\) 有无穷多解 \(\Leftrightarrow r(A) = r(A,b) < n\)。

(1.3)\(\beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 唯一线性表示 \(\Leftrightarrow r(\alpha_1,\alpha_2,...,\alpha_s,\beta) = r(\alpha_1,\alpha_2,...,\alpha_s) = s\)

从非齐次线性方程组的角度来看,是 \(Ax=b\) 有唯一解 \(\Leftrightarrow r(A) = r(A,b) = n\)。

(1.4)\(\beta\) 不可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Leftrightarrow r(\alpha_1,\alpha_2,...,\alpha_s,\beta) = r(\alpha_1,\alpha_2,...,\alpha_s) + 1\)

从非齐次线性方程组的角度来看,是 \(Ax=b\) 无解 \(\Leftrightarrow r(A) \neq r(A,b)\)。

【注】\(\beta\) 不可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示,则:

  • 原来无关,加入后无关:\(\alpha_1,\alpha_2,...,\alpha_s\) 线性无关 \(\Leftrightarrow \alpha_1,\alpha_2,...,\alpha_s,\beta\) 线性无关
  • 原来相关,加入后相关:\(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关 \(\Leftrightarrow \alpha_1,\alpha_2,...,\alpha_s,\beta\) 线性相关

(2)一个向量组可由其他向量组线性表示?【结论(1)的推广】

(2.1)\(r(\alpha_1,\alpha_2,...,\alpha_s) \leq r(\alpha_1,\alpha_2,...,\alpha_s,\beta_1,\beta_2,...,\beta_t) \leq r(\alpha_1,\alpha_2,...,\alpha_s)+t\)

(2.2)\(\beta_1,\beta_2,...,\beta_t\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Leftrightarrow r(\alpha_1,\alpha_2,...,\alpha_s,\beta_1,\beta_2,...,\beta_t) = r(\alpha_1,\alpha_2,...,\alpha_s) \leq s\)

从非齐次线性方程组的角度来看,是 \(Ax=B\) 有无穷多解 \(\Leftrightarrow r(A) = r(A,B) < n\)。

【注】\(\beta_1,\beta_2,...,\beta_t\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Rightarrow r(\beta_1,\beta_2,...,\beta_t) \leq r(\alpha_1,\alpha_2,...,\alpha_s)\),但逆命题不成立。

(2.3)\(\beta_1,\beta_2,...,\beta_t\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 唯一线性表示 \(\Leftrightarrow r(\alpha_1,\alpha_2,...,\alpha_s,\beta_1,\beta_2,...,\beta_t) = r(\alpha_1,\alpha_2,...,\alpha_s) = s\)

从非齐次线性方程组的角度来看,是 \(Ax=B\) 有唯一解 \(\Leftrightarrow r(A) = r(A,B) = n\)。

(2.4)\(\beta_1,\beta_2,...,\beta_t\) 不可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示 \(\Leftrightarrow r(\alpha_1,\alpha_2,...,\alpha_s,\beta_1,\beta_2,...,\beta_t) = r(\alpha_1,\alpha_2,...,\alpha_s) + t\)

从非齐次线性方程组的角度来看,是 \(Ax=B\) 无解 \(\Leftrightarrow r(A) \neq r(A,B)\)。

【注】\(\beta_1,\beta_2,...,\beta_t\) 不可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示,则:

  • 原来无关,加入后无关:\(\alpha_1,\alpha_2,...,\alpha_s\) 线性无关 \(\Leftrightarrow \alpha_1,\alpha_2,...,\alpha_s,\beta_1,\beta_2,...,\beta_t\) 线性无关
  • 原来相关,加入后相关:\(\alpha_1,\alpha_2,...,\alpha_s\) 线性相关 \(\Leftrightarrow \alpha_1,\alpha_2,...,\alpha_s,\beta_1,\beta_2,...,\beta_t\) 线性相关

(2.5)以少表多,多的相关:若 \(\beta_1,\beta_2,...,\beta_t\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示,则有:

  • (2.5.1)\(s<t \Rightarrow \beta_1,\beta_2,...,\beta_t\) 线性相关
  • (2.5.2)\(\beta_1,\beta_2,...,\beta_t\) 线性无关 \(\Rightarrow s \geq t\)

【证明】结论(2.5.1)和结论(2.5.2)互为逆否命题,只需证明结论(2.5.1)即可:

\(\beta_1,\beta_2,...,\beta_t\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 线性表示

\(\Rightarrow r(\beta_1,\beta_2,...,\beta_t) \leq r(\alpha_1,\alpha_2,...,\alpha_s) \leq s < t\)

\(\Rightarrow\beta_1,\beta_2,...,\beta_t\) 线性相关

(3)向量组等价【结论(2)的推广】

设 \((I)\alpha_1,\alpha_2,...,\alpha_s\) 和 \((II)\beta_1,\beta_2,...,\beta_t\),则有:

(3.1)\((I)\) 和 \((II)\) 等价 \(\Leftrightarrow (I)\) 可由 \((II)\) 线性表示,\((II)\) 也可由 \((I)\) 线性表示 \(\Leftrightarrow r(I) = r(I,II) = r(II)\)

(3.2)\(r(I) = r(II) \nRightarrow\) \((I)\) 和 \((II)\) 等价

从齐次线性方程组的角度来看,是 \(Ax=0\) 和 \(Bx=0\) 同解 \(\Leftrightarrow r(A) = r(B) =r \left(\begin{matrix} A \\ B \end{matrix} \right)\)。

6. 与线性相关性的联系

\(\beta\) 可由 \(\alpha_1,\alpha_2,...,\alpha_s\) 唯一表示 \(\Leftrightarrow \alpha_1,\alpha_2,...,\alpha_s\) 线性无关,\(\alpha_1,\alpha_2,...,\alpha_s,\beta\) 线性相关

7. 与矩阵的联系(\(AB=C\))

非零矩阵 \(A_{m \times n} = \left( \begin{matrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... \\ a_{m1} & a_{m2} & ... & a_{mn} \end{matrix} \right)\) 可由列向量组表示为 \((\alpha_1,\alpha_2,...,\alpha_m)\)。

非零矩阵 \(B_{n \times s} = \left( \begin{matrix} b_{11} & b_{12} & ... & b_{1s} \\ b_{21} & b_{22} & ... & b_{2s} \\ ... \\ b_{n1} & b_{n2} & ... & b_{ns} \end{matrix} \right)\) 可由行向量组表示为 \(\left( \begin{matrix} \beta_1 \\ \beta_2 \\ ... \\ \beta_s \end{matrix} \right)\)。

非零矩阵 \(C_{m \times s}\) 可由列向量组表示为 \((\gamma_1,\gamma_2,...,\gamma_s)\),也可由行向量组表示为 \(\left( \begin{matrix} \delta_1 \\ \delta_2 \\ ... \\ \delta_m \end{matrix} \right)\)。

(1)\(AB=C \Leftrightarrow (\alpha_1,\alpha_2,...,\alpha_m) \left( \begin{matrix} b_{11} & b_{12} & ... & b_{1s} \\ b_{21} & b_{22} & ... & b_{2s} \\ ... \\ b_{n1} & b_{n2} & ... & b_{ns} \end{matrix} \right) = (\gamma_1,\gamma_2,...,\gamma_s) \Leftrightarrow\) 矩阵 \(C\) 的列向量组可用矩阵 \(A\) 的列向量组线性表示 \(\Leftrightarrow r(A)=r(A,C) \Leftrightarrow Ax=C\) 有解

若加上前提条件:矩阵 \(B\) 可逆,则有:\(A=CB^{-1} \Rightarrow\) 矩阵 \(A\) 的列向量组也可用矩阵 \(C\) 的列向量组线性表示 \(\Rightarrow\) (结合上述结论可得)矩阵 \(A\) 的列向量组与矩阵 \(C\) 的列向量组等价 \(\Leftrightarrow r(A)=r(C)=r(A,C) \Leftrightarrow r(A^T)=r(C^T)=r \left(\begin{matrix} A^T \\ C^T \end{matrix} \right)\)

(2)\(AB=C \Leftrightarrow \left( \begin{matrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... \\ a_{m1} & a_{m2} & ... & a_{mn} \end{matrix} \right) \left( \begin{matrix} \beta_1 \\ \beta_2 \\ ... \\ \beta_s \end{matrix} \right) = \left( \begin{matrix} \delta_1 \\ \delta_2 \\ ... \\ \delta_m \end{matrix} \right) \Leftrightarrow\) 矩阵 \(C\) 的行向量组可用矩阵 \(B\) 的行向量组线性表示 \(\Leftrightarrow r(B)=r\left(\begin{matrix} B \\ C \end{matrix} \right) \Leftrightarrow xB=C (B^Tx=C^T)\) 有解

若加上前提条件:矩阵 \(A\) 可逆,则有:\(B=CA^{-1} \Rightarrow\) 矩阵 \(B\) 的行向量组也可用矩阵 \(C\) 的行向量组线性表示 \(\Rightarrow\) (结合上述结论可得)矩阵 \(C\) 的行向量组与矩阵 \(B\) 的行向量组等价 \(\Leftrightarrow r(B)=r(C)=\left(\begin{matrix} B \\ C \end{matrix} \right) \Leftrightarrow r(B^T)=r(C^T)=r(B^T,C^T)\)

三、矩阵的秩

1. 秩的定义

(1)秩:\(r(A)=\) 非 \(0\) 子式(行列式)的阶数的最大值

(2)\(r(A)=\) 行向量组的秩 \(=\) 列向量组的秩

(3)设矩阵 \(A_{m \times n}\),则有:

  • \(0 \leq r(A) \leq min(m,n)\)
  • \(r(A)=m \Leftrightarrow A\) 行满秩 \(\Leftrightarrow\) \(A\) 的行向量组线性无关
  • \(r(A)=n \Leftrightarrow A\) 列满秩 \(\Leftrightarrow\) \(A\) 的列向量组线性无关

(4)设矩阵 \(A_{n \times n}\),则有:

  • \(A\) 满秩 \(\Leftrightarrow\) \(A\) 行满秩且列满秩
  • \(A\) 满秩 \(\Leftrightarrow\) \(r(A)=n\) \(\Leftrightarrow\) \(A\) 的行向量组和列向量组均线性无关 \(\Leftrightarrow\) \(|A| \neq 0\) \(\Leftrightarrow\) \(A\) 可逆

(5)矩阵等价:矩阵 \(A\) 和 \(B\) 可通过初等变换互相转化,称 \(A\) 和 \(B\) 等价。

  • \(A\) 和 \(B\) 等价 \(\Leftrightarrow\) \(A\) 和 \(B\) 的行列对应相等,\(r(A)=r(B)\)

2. 秩的性质

(1)关于转置矩阵的性质:

  • \(r(A^TA)=r(AA^T)=r(A^T)=r(A)\)
  • \(r(A,B)=\left(\begin{matrix} A^T \\ B^T \end{matrix} \right)\)

(2)\(r(cA)=r(A) (c \neq 0)\)

(3)\(|r(A)-r(B)| \leq r(A±B) \leq r(A)+r(B)\)

(4)关于拼接矩阵 \((A,B)\) 和 \(\left(\begin{matrix} A \\ B \end{matrix} \right)\) 的性质:

  • \(r(A,B) \geq r(A,O) = r(A)\),\(r(A,B) \geq r(O,B) = r(B)\)
  • \(r(A±B) \leq r(A,B) \leq r(A)+r(B)\)
  • \(r(A,AB)=r(A)=r \left(\begin{matrix} A \\ BA \end{matrix} \right)\)

【注】\(r(A,BA) \neq r(A)\),这是因为 \((A,BA) = (E,B)A\) 中,\((E,B)\) 的列数和 \(A\) 的行数不相等,矩阵乘法无意义。

  • \(r \left(\begin{matrix} A \\ B \end{matrix} \right) \geq r \left(\begin{matrix} A \\ O \end{matrix} \right) =r(A)\),\(r \left(\begin{matrix} A \\ B \end{matrix} \right) \geq r \left(\begin{matrix} O \\ B \end{matrix} \right) =r(B)\)
  • \(r(A±B) \leq r \left(\begin{matrix} A \\ B \end{matrix} \right) \leq r(A)+r(B)\)
  • \(r \left(\begin{matrix} A & O \\ O & B \end{matrix} \right) = r(A)+r(B)\)
  • \(r \left(\begin{matrix} A & C \\ O & B \end{matrix} \right) \geq r \left(\begin{matrix} A & O \\ O & B \end{matrix} \right) = r(A)+r(B)\)

【注】有些资料使用 \((A|B)\) 的形式表示拼接矩阵。

(5)关于矩阵乘积 \(AB\) 的性质:

  • \(r(AB) \leq r(A),r(AB) \leq r(B)\)
  • \(A\) 列满秩 \(\Rightarrow r(AB)=r(B)\)(左乘列满秩矩阵,秩不变)
  • \(B\) 行满秩 \(\Rightarrow r(AB)=r(A)\)(右乘行满秩矩阵,秩不变)
  • \(A_{m \times n}B_{n \times s}=O \Rightarrow r(A)+r(B) \leq n\)
  • \(A_{m \times n}B_{n \times s}=O,r(A)=n \Rightarrow B=O\)

(6)关于伴随矩阵 \(A^*\) 的性质:

\[r(A^*)= \begin{cases} n, & r(A) = n\\ 1, & r(A) = n-1 \\ 0, & r(A) < n-1 \end{cases} \]

3. 秩与方程组

(1)齐次线性方程组

(1.1)齐次线性方程组 \(A_{m \times n}x=0\),表示有 \(m\) 个方程,\(n\) 个未知数,其解的判定为:

\[Ax=0 \begin{cases} 无穷解, & r(A)<n(有效方程个数<未知数个数) \\ 仅有0解, & r(A)=n(有效方程个数=未知数个数) \end{cases} \]

(1.2)解的性质:

  • \(Ax=0\) 恰有 \(s\) 个线性无关的解 \(\Leftrightarrow Ax=0\) 的基础解系解向量个数为 \(s=n-r(A)\)
  • 若 \(\eta_1,\eta_2,...,\eta_s\) 是 \(Ax=0\) 的基础解系,则通解为 \(k_1\eta_1 + k_2\eta_2+...+k_s\eta_s\)

(1.3)判断 \(\eta_1,\eta_2,...,\eta_s\) 是 \(Ax=0\) 的基础解系的步骤:

  • \(\eta_1,\eta_2,...,\eta_s\) 是 \(Ax=0\) 的一组解
  • \(\eta_1,\eta_2,...,\eta_s\) 线性无关
  • 解向量个数需满足 \(s=n-r(A)\)

(2)非齐次线性方程组

(2.1)非齐次线性方程组 \(A_{m \times n}x=b\),表示有 \(m\) 个方程组,\(n\) 个未知数,,其解的判定为:

\[Ax=b \begin{cases} 无穷解, r(A)<r(A,b) \\ 有解 \begin{cases} 无穷解, & r(A)=r(A,b)<n \\ 唯一解, & r(A)=r(A,b)=n \end{cases} \end{cases} \]

(2.2)另外,对于方程个数 \(m\),有:

  • \(r(A) \leq m\),\(r(A,b) \leq m\)
  • \(r(A)=m \Rightarrow Ax=b\) 一定有解
  • \(m < n \Rightarrow Ax=b\) 一定不是唯一解

(2.3)解的性质:

  • \(Ax=b\) 有两个不同解 \(\Leftrightarrow Ax=b\) 有无穷解 \(\Leftrightarrow r(A)<n\)
  • \(Ax=b\) 恰有 \(s\) 个线性无关的解 \(\Leftrightarrow Ax=0\) 恰有 \(s-1\) 个线性无关的解 \(\Leftrightarrow Ax=0\) 的基础解系解向量个数为 \(s-1\) \(\Leftrightarrow Ax=b\) 的解向量个数为 \(n-r(A)+1\)
  • 若 \(\eta_1,\eta_2,...,\eta_s\) 是其导出组 \(Ax=0\) 的基础解系,\(\xi\) 是 \(Ax=b\) 的一个特解,则通解为 \(k_1\eta_1 + k_2\eta_2+...+k_s\eta_s+\xi\)

标签:表示,...,matrix,Leftrightarrow,beta,相关性,线性,alpha
From: https://www.cnblogs.com/Mount256/p/17551941.html

相关文章

  • 02-信息的表示和处理
    二进制&十进制&十六进制二进制转十六进制(分组转换)四位二进制可表示一位十六进制,那么对于一个00001011,转换后的结果为0x0B,只需要记住关键的十六进制和二进制对应关系即可,关系表如下:对某个二进制如001000000000,可将其拆分为:\(2^n\)中\(n=i+4j\),即\(2^9\)进行上述拆分结......
  • 机器学习一 解析解方法求解线性回归_用解析法对线性回归实例求解
     机器学习一解析解方法求解线性回归_用解析法对线性回归实例求解_Starry-sky(jing)的博客-CSDN博客更正博客中一处求导公式: ......
  • 折线图怎么设置横坐标表示年份python 来解决一个具体问题的方案
    折线图怎么设置横坐标表示年份在使用Python绘制折线图时,可以通过设置横坐标来表示年份。本文将介绍如何根据年份绘制折线图,并给出一个具体的问题来解决。问题描述假设我们有一份数据,记录了某城市从2010年到2020年每年的降水量。我们想要使用折线图来展示这些数据,横坐标表示年份,......
  • R语言线性混合效应模型(固定效应&随机效应)和交互可视化3案例|附代码数据
    全文下载链接:http://tecdat.cn/?p=23050最近我们被客户要求撰写关于线性混合效应模型的研究报告,包括一些图形和统计输出。在本文中,我们将用R语言对数据进行线性混合效应模型的拟合,然后可视化你的结果线性混合效应模型是在有随机效应时使用的,随机效应发生在对随机抽样的单位进行......
  • 线性代数基础
    本文内容非常初等。基础知识来不及了,先凑活一下吧。向量向量运算解方程线性代数很大一部分在干的事就是解方程,对于一个方程组,我们可以写成\(Ax=b\)的形式。其中\(A\)是系数矩阵,\(x,b\)是向量。高斯消元线性基......
  • HJ96 表示数字
    1.题目读题 HJ96 表示数字 考查点 2.解法思路 代码逻辑 具体实现  自有实现publicclassHJ96{publicstaticvoidmain(String[]args){Scannersc=newScanner(System.in);System.out.println(showNum(sc.nextLine()));}......
  • 【深入理解计算机系统】2.信息的表示和处理
    2.1信息存储机器级的程序将存储器视为一个字节数组,称为虚拟存储器(virtualmemory)。存储器的每个字节都由一个唯一数字标识,称为该字节的地址(address),所有地址的集合称为虚拟地址空间(virtualaddressspace)。2.1.1字每台计算机都有一个字长(wordsize),指明整数和指针数据的标称大......
  • 【做题笔记】线性dp——线段树优化
    线段树优化是用来对于\(DP\)数组区间赋值的。主要是区间取最值来优化线性dp真没什么可写的了挂两个题目:P4644[USACO05DEC]CleaningShiftsSP1545[USACO04DEC]DividingthePathGUSACO的小清新线段树优化dp好题......
  • 双线性插值
    本文摘自:(三十六)通俗易懂理解——ROIAlign的基本原理及rpn与rcnnhead锚框标签制作-知乎(zhihu.com) ......
  • 多元线性回归预测MATLAB代码 代码注释清楚。 可以读取EXCEL数据,使用
    多元线性回归预测MATLAB代码代码注释清楚。可以读取EXCEL数据,使用换自己数据集。很方便,初学者容易上手。ID:8418656625367341......