线性代数学习笔记(二十五) | 您所在的位置:网站首页 › 线性相关求法怎么求的 › 线性代数学习笔记(二十五) |
本篇笔记首介绍了矩阵的行秩和列秩,即矩阵的行秩等于矩阵的列秩等于矩阵的秩,而且矩阵乘积的秩不大于每个因子的秩;还介绍了求矩阵行秩和列秩的方法,即化为阶梯形矩阵;最后重点介绍了极大线性无关组的求法,根据矩阵的初等行(列)变换不改变其列(行)向量间的线性关系,将矩阵化为行简化阶梯形,然后直接写出极大线性无关组和其向量的线性表示。 1 矩阵的行秩和列秩举例:矩阵 A = [ 1 1 1 1 1 3 0 2 1 1 5 6 9 1 0 0 1 1 ] A=\begin{bmatrix}1&1&1&1&1&3\\0&2&1&1&5&6\\9&1&0&0&1&1\end{bmatrix} A= 109121110110151361 , 取出所有的行形成行向量, α 1 = ( 1 1 1 1 1 3 ) \alpha_1=\begin{pmatrix}1&1&1&1&1&3\end{pmatrix} α1=(111113), α 2 = ( 0 2 1 1 5 6 ) \alpha_2=\begin{pmatrix}0&2&1&1&5&6\end{pmatrix} α2=(021156), α 3 = ( 9 1 0 0 1 1 ) \alpha_3=\begin{pmatrix}9&1&0&0&1&1\end{pmatrix} α3=(910011), 全体 α 1 , α 2 , α 3 \alpha_1,\alpha_2,\alpha_3 α1,α2,α3称为矩阵 A A A的行向量组。 取出所有的列形成列向量, β 1 = ( 1 0 9 ) , β 2 = ( 1 2 1 ) , β 3 = ( 1 1 0 ) \beta_1=\begin{pmatrix}1\\0\\9\end{pmatrix},\beta_2=\begin{pmatrix}1\\2\\1\end{pmatrix},\beta_3=\begin{pmatrix}1\\1\\0\end{pmatrix} β1= 109 ,β2= 121 ,β3= 110 , β 4 = ( 1 1 0 ) , β 5 = ( 1 5 1 ) , β 6 = ( 3 6 1 ) \beta_4=\begin{pmatrix}1\\1\\0\end{pmatrix},\beta_5=\begin{pmatrix}1\\5\\1\end{pmatrix},\beta_6=\begin{pmatrix}3\\6\\1\end{pmatrix} β4= 110 ,β5= 151 ,β6= 361 , 全体 β 1 , β 2 , β 3 , β 4 , β 5 , β 6 \beta_1,\beta_2,\beta_3,\beta_4,\beta_5,\beta_6 β1,β2,β3,β4,β5,β6称为矩阵 A A A的列向量组。 定义:矩阵 行向量组的秩 ‾ \underline{行向量组的秩} 行向量组的秩称为矩阵的行秩,矩阵 列向量组的秩 ‾ \underline{列向量组的秩} 列向量组的秩称为矩阵的列秩。 上述例子中,行向量有 3 3 3个,行向量组的秩最大为 3 3 3;而列向量有 6 6 6个,列向量组的秩最大为 6 6 6。那么矩阵的行秩和列秩会不会不一样呢? 答案是否定的。 因为列向量虽然有 6 6 6个,但它是 3 3 3维的,所以秩最大也是 3 3 3。 那么矩阵的行秩和列秩是否相等呢? 定理3.3.4:对任何矩阵 A A A,均有: A 的行秩 = A 的列秩 = r ( A ) \color{red}{A的行秩=A的列秩=r(A)} A的行秩=A的列秩=r(A)。 矩阵的秩是用非零子式定义的,而向量组的秩是用极大无关组定义的,定义方式完全不同,但最终竟然相等! 举例:矩阵 A = [ 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 ] A=\begin{bmatrix}\color{red}{1}&\color{red}{0}&0&0\\\color{red}{0}&\color{red}{1}&0&0\\0&0&0&0\\0&0&0&0\end{bmatrix} A= 1000010000000000 , 其最高阶数的非0子式为 [ 1 0 0 1 ] \begin{bmatrix}1&0\\0&1\end{bmatrix} [1001], 所以 r ( A ) = 2 r(A)=2 r(A)=2; 很明显要找它的行秩或列秩,那么就先找到其极大无关组,如 使用 β 1 = ( 1 0 0 0 ) , β 2 = ( 0 1 0 0 ) \beta_1=\begin{pmatrix}1\\0\\0\\0\end{pmatrix},\beta_2=\begin{pmatrix}0\\1\\0\\0\end{pmatrix} β1= 1000 ,β2= 0100 可以表示所有的列向量,如 β 1 = 1 × β 1 + 0 × β 2 + 0 × β 3 + 0 × β 4 \beta_1=1\times\beta_1+0\times\beta_2+0\times\beta_3+0\times\beta_4 β1=1×β1+0×β2+0×β3+0×β4, β 2 = 0 × β 1 + 1 × β 2 + 0 × β 3 + 0 × β 4 \beta_2=0\times\beta_1+1\times\beta_2+0\times\beta_3+0\times\beta_4 β2=0×β1+1×β2+0×β3+0×β4, β 3 = 0 × β 1 + 0 × β 2 + 0 × β 3 + 0 × β 4 \beta_3=0\times\beta_1+0\times\beta_2+0\times\beta_3+0\times\beta_4 β3=0×β1+0×β2+0×β3+0×β4, β 4 = 0 × β 1 + 0 × β 2 + 0 × β 3 + 0 × β 4 \beta_4=0\times\beta_1+0\times\beta_2+0\times\beta_3+0\times\beta_4 β4=0×β1+0×β2+0×β3+0×β4, 可以看出,这两列是“最重要”且不可缺少的,用这两列就可以表示其他所有的列, 而这两个列向量 β 1 , β 2 \beta_1,\beta_2 β1,β2就是矩阵 A A A列向量组 β 1 , β 3 , β 1 , β 4 \beta_1,\beta_3,\beta_1,\beta_4 β1,β3,β1,β4的极大无关组, 所以 r ( β 1 , β 3 , β 1 , β 4 ) = 2 r(\beta_1,\beta_3,\beta_1,\beta_4)=2 r(β1,β3,β1,β4)=2, 即矩阵 A 的列秩为 2 A的列秩为2 A的列秩为2, 故 A 的列秩 = r ( A ) A的列秩=r(A) A的列秩=r(A), 同理可得, A 的行秩 = r ( A ) A的行秩=r(A) A的行秩=r(A), 故 A 的行秩 = A 的列秩 = r ( A ) A的行秩=A的列秩=r(A) A的行秩=A的列秩=r(A)。 定理3.3.5:(考研用的多)矩阵乘积的秩不大于每个因子的秩。 即: r ( A B ) ≤ m i n { r ( A ) , r ( B ) } \color{red}{r(AB){\le}min\{r(A),r(B)\}} r(AB)≤min{r(A),r(B)}, 显然,可以推广到有限个矩阵相乘的情形上去: r ( A 1 A 2 . . . A n ) ≤ m i n 1 ≤ i ≤ n r ( A i ) \color{red}{r(A_1A_2...A_n){\le}\underset{1{\le}i{\le}n}{min}r(A_i)} r(A1A2...An)≤1≤i≤nminr(Ai)。 2 求秩举例例1:求矩阵 A = [ 3 3 3 2 − 1 5 − 5 3 − 13 4 − 3 11 ] A=\begin{bmatrix}3&3&3\\2&-1&5\\-5&3&-13\\4&-3&11\end{bmatrix} A= 32−543−13−335−1311 的行秩和列秩。 解:使用初等行变换化为阶梯形, A = [ 3 3 3 2 − 1 5 − 5 3 − 13 4 − 3 11 ] → 初等行变换 [ 1 1 1 0 − 3 3 0 0 0 0 0 0 ] A=\begin{bmatrix}3&3&3\\2&-1&5\\-5&3&-13\\4&-3&11\end{bmatrix}\xrightarrow[]{初等行变换}\begin{bmatrix}1&1&1\\0&-3&3\\0&0&0\\0&0&0\end{bmatrix} A= 32−543−13−335−1311 初等行变换 10001−3001300 , 由此可见 r ( A ) = 2 r(A)=2 r(A)=2,所以矩阵 A A A的行秩和列秩都是 2 2 2。 例2:求向量组 α 1 = ( 1 , − 2 , 2 , − 1 ) , α 2 = ( 2 , − 4 , 8 , 0 ) , α 3 = ( − 2 , 4 , − 2 , 3 ) , α 4 = ( 3 , − 6 , 0 , − 6 ) \alpha_1=(1,-2,2,-1),\alpha_2=(2,-4,8,0),\alpha_3=(-2,4,-2,3),\alpha_4=(3,-6,0,-6) α1=(1,−2,2,−1),α2=(2,−4,8,0),α3=(−2,4,−2,3),α4=(3,−6,0,−6)的秩,并判断是否线性相关。 解:以 α 1 T , α 2 T , α 3 T , α 4 T \alpha_1^T,\alpha_2^T,\alpha_3^T,\alpha_4^T α1T,α2T,α3T,α4T为列向量构成矩阵 A A A,并将矩阵 A A A实施初等行变换,化为阶梯形矩阵, A = [ 1 2 − 2 3 − 2 − 4 4 − 6 2 8 − 2 0 − 1 0 3 − 6 ] → 初等行变换 [ 1 2 − 2 3 0 2 1 − 3 0 0 0 0 0 0 0 0 ] A=\begin{bmatrix}1&2&-2&3\\-2&-4&4&-6\\2&8&-2&0\\-1&0&3&-6\end{bmatrix}\xrightarrow[]{初等行变换}\begin{bmatrix}1&2&-2&3\\0&2&1&-3\\0&0&0&0\\0&0&0&0\end{bmatrix} A= 1−22−12−480−24−233−60−6 初等行变换 10002200−21003−300 显然, r ( A ) = 2 r(A)=2 r(A)=2,所以 r ( α 1 , α 2 , α 3 , α 4 ) = 2 < 4 r(\alpha_1,\alpha_2,\alpha_3,\alpha_4)=2 |
CopyRight 2018-2019 实验室设备网 版权所有 |