【考研数学】矩阵、向量与线性方程组解的关系梳理与讨论

文章目录

  • 引言
  • 一、回顾
  • 二、梳理
    • 齐次线性方程组
    • 非齐次线性方程组
  • 写在最后


引言

两个原因让我想写这篇文章,一是做矩阵题目的时候就发现这三货经常绑在一起,让人想去探寻其中奥秘;另一就是今天学了向量组的秩,让我想起来了之前遗留下来的一个问题:到底存不存在系数矩阵的秩和增广矩阵的秩之差比 1 大的情况?可能这个问题有点抽象,不过看了下面的具体说明应该就能理解了。


一、回顾

问题起因是这样,我在写行列式的文章中关于克莱姆法则应用的说法是这样的:

在这里插入图片描述
有读者建议,把方程组无解的情况别写成 r ( A ) ≠ r ( A ‾ ) r(A) \ne r(\overline{A}) r(A)=r(A) ,而写成 r ( A ) + 1 = r ( A ‾ ) r(A) +1 = r(\overline{A}) r(A)+1=r(A) . 我当时还未复习到方程组和向量部分,有这样的疑问:为什么非得是相差 1 ,我如果 A A A 有很多行为 0 ,增广矩阵的秩不就可以比系数矩阵大不止 1 吗?

我当时隐约感觉是行秩和列秩模糊的问题。一方面矩阵中,我们比较常用的是初等行变换,忽视了列变换以及列秩,另一方面,列秩在方阵中和行秩是一样的。

起初我也是认为,列秩没什么用的,直到学到了向量这一部分。由于一般我们指的向量是列向量,那么由一个向量组构成的矩阵,自然考虑的是列秩。

因此我们针对一个一般性的 m × n m \times n m×n 矩阵或 n n n m m m 维的向量组进行梳理,请看下文。


二、梳理

对于一般齐次线性方程组:

在这里插入图片描述

以及一般非齐次线性方程组:

在这里插入图片描述

α 1 = ( a 11 , a 21 , … , a m 1 ) T , α 2 = ( a 12 , a 22 , … , a m 2 ) T , … , α n = ( a 1 n , a 2 n , … , a m n ) T , b = ( b 1 , b 2 , … , b m ) T \alpha_1=(a_{11},a_{21},\dots,a_{m1})^T,\alpha_2=(a_{12},a_{22},\dots,a_{m2})^T,\dots,\alpha_n=(a_{1n},a_{2n},\dots,a_{mn})^T,b=(b_{1},b_{2},\dots,b_{m})^T α1=(a11,a21,,am1)T,α2=(a12,a22,,am2)T,,αn=(a1n,a2n,,amn)T,b=(b1,b2,,bm)T ,则方程组(I)(II)可表示为如下向量形式: x 1 α 1 + x 2 α 2 + ⋯ + x n α n = 0 ( 1.1 ) x_1\alpha_1+x_2\alpha_2+\dots+x_n\alpha_n=0 (1.1) x1α1+x2α2++xnαn=01.1 x 1 α 1 + x 2 α 2 + ⋯ + x n α n = b ( 2.1 ) x_1\alpha_1+x_2\alpha_2+\dots+x_n\alpha_n=b (2.1) x1α1+x2α2++xnαn=b2.1

X = ( x 1 , x 2 , … , x n ) T X=(x_1,x_2,\dots,x_n)^T X=(x1,x2,,xn)T ,矩阵 A = [ α 1 , α 2 , … , α n ] A=[\alpha_1,\alpha_2,\dots,\alpha_n] A=[α1,α2,,αn] ,即
在这里插入图片描述
则方程组(I)(II)可表示为如下矩阵形式: A X = 0 ( 1.2 ) AX=0(1.2) AX=01.2 A X = b ( 2.2 ) AX=b(2.2) AX=b2.2

齐次线性方程组

对于齐次线性方程组(I),它有 m m m 个约束方程, n n n 个未知数。首先我们应了解的是,不管方程个数和未知数个数多少,不可能无解,都是存在零解的。我们要讨论,就是讨论有没有非零解。我们分三种情况:

(一) m < n . m < n. m<n.

此时齐次线性方程组约束条件个数小于未知数,必有一个未知数无法受限制,如果那个不受限制的未知数取非零的话,就存在非零解。那么向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 必线性相关,则该向量组的秩 < n <n <n ,根据三秩相等性质, r ( A ) < n . r(A)<n. r(A)<n.

这种情况其实没什么好讨论的,因为肯定存在非零解,所以这也是为什么书上很少提及的情况吧。

(二) m = n . m=n. m=n.

此时就有讨论的必要了,因为方程组可能只有零解,也可能有非零解。

若齐次方程组只有零解 ⇔ \Leftrightarrow 向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性无关 ⇔ \Leftrightarrow r ( A ) = n . r(A)=n. r(A)=n.

我们此时可以得出 ∣ A ∣ ≠ 0 |A| \ne 0 A=0,即因为系数矩阵是方阵且满秩。

若齐次方程组有非零解 ⇔ \Leftrightarrow 向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性相关 ⇔ \Leftrightarrow r ( A ) < n . r(A)<n. r(A)<n.

为什么是小于 n n n 呢?因为构成系数矩阵的列向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn的秩小于 n n n ,根据三秩相等性质,该矩阵的秩亦小于 n n n

(三) m > n . m > n. m>n.

此时约束方程个数更多,不过不影响什么。系数矩阵的秩仍然是满足 r ( A ) ≤ n , r(A) \leq n, r(A)n, 同样有和第 2 种情况一样的的结论。

把这三种情况总结起来,其实还是第二种情况的结论。因此不论是否是方阵,未知数和方程的个数如何,都有如下结论:即

  • 齐次方程组只有零解 ⇔ \Leftrightarrow 向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性无关 ⇔ \Leftrightarrow r ( A ) = n . r(A)=n. r(A)=n.
  • 齐次方程组有非零解 ⇔ \Leftrightarrow 向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性相关 ⇔ \Leftrightarrow r ( A ) < n . r(A)<n. r(A)<n.

非齐次线性方程组

对于非齐次线性方程组(II),它有 m m m 个约束方程, n n n 个未知数,右端常数向量为 b = ( b 1 , b 2 , … , b m ) \pmb{b=(b_1,b_2,\dots,b_m)} b=(b1,b2,,bm) ,增广矩阵为 A ‾ = [ A ∣ b ] . \overline{A}=[A|b]. A=[Ab].

我们从其对应的齐次线性方程组(I)出发,由于在齐次方程组中已经讨论了行数和列数的三种情况,因此在非齐次中不再分三种情况了,有兴趣同学可以也分三种情况去讨论,得到的结论应该也是一样的。

若(I)只有零解,根据上述结论,有向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性无关且 r ( A ) = n . r(A)=n. r(A)=n.

接下来我们讨论此时非齐次的情况,若非齐次线性方程组(II)无解,则向量 b \pmb{b} b 不能被无关的向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性表示,故增广矩阵的列向量组 α 1 , α 2 , … , α n , b \pmb{\alpha_1,\alpha_2,\dots,\alpha_n,b} α1,α2,,αn,b 也线性无关,可得 r ( A ‾ ) = n + 1 r(\overline{A})=n+1 r(A)=n+1 . 若非齐方程组(II)有解,则向量 b \pmb{b} b 能被向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性表示,故增广矩阵的列向量组 α 1 , α 2 , … , α n , b \pmb{\alpha_1,\alpha_2,\dots,\alpha_n,b} α1,α2,,αn,b 线性相关,可得 r ( A ‾ ) < n + 1 r(\overline{A})<n+1 r(A)<n+1 . 又因为向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性无关,故 r ( A ‾ ) = n = r ( A ) . r(\overline{A})=n=r(A). r(A)=n=r(A).

若方程组(II)对应的齐次方程组(I)有非零解,根据前一部分的结论,方程组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性相关且 r ( A ) < n . r(A)<n. r(A)<n.

我们讨论此时的非齐次方程组(II)的情况,若方程组(II)无解,则向量 b \pmb{b} b 不能被向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性表示,但由于向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 是线性相关的,故增广矩阵的列向量组 α 1 , α 2 , … , α n , b \pmb{\alpha_1,\alpha_2,\dots,\alpha_n,b} α1,α2,,αn,b 线性相关,可得 r ( A ‾ ) < n + 1 r(\overline{A})<n+1 r(A)<n+1 r ( A ‾ ) = r ( A ) + 1. r(\overline{A})=r(A)+1. r(A)=r(A)+1.

因为向量 b \pmb{b} b 不能被向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性表示,则向量组 α 1 , α 2 , … , α n , b \pmb{\alpha_1,\alpha_2,\dots,\alpha_n,b} α1,α2,,αn,b 的秩比向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 多 1 ,即 r ( A ‾ ) = r ( A ) + 1. r(\overline{A})=r(A)+1. r(A)=r(A)+1.
O.O 这个还是可以直观理解的。向量组是一列一列的,加了一列不能被原来表示的列,肯定秩加了 1 嘛。

若方程组(II)有解,则向量 b \pmb{b} b 能被向量组 α 1 , α 2 , … , α n \pmb{\alpha_1,\alpha_2,\dots,\alpha_n} α1,α2,,αn 线性表示,故 r ( A ‾ ) = r ( A ) < n . r(\overline{A})=r(A)<n. r(A)=r(A)<n.

如下图所示,讨论了所有情况下的秩的特征

在这里插入图片描述

总结一下可以得到如下一般性的结论:

  • 非齐次方程组有解 ⇔ \Leftrightarrow r ( A ‾ ) = r ( A ) . r(\overline{A})=r(A). r(A)=r(A).
  • 非齐次方程组无解 ⇔ \Leftrightarrow r ( A ‾ ) ≠ r ( A ) , r(\overline{A})\ne r(A), r(A)=r(A), r ( A ‾ ) = r ( A ) + 1. r(\overline{A})=r(A)+1. r(A)=r(A)+1.

有解其实还可以再做讨论,就放在后面方程组那一章再来细说吧。


写在最后

看来还是自己疏忽了三秩相等的性质,才会产生开头那样的疑问。

现在也越来越认同,其实向量才是贯穿线性代数的重要工具。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/113554.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

基于jenkins自动化部署PHP环境

实验环境 操作系统 IP地址 主机名 角色 CentOS7.5 192.168.147.141 git git服务器 CentOS7.5 192.168.147.142 Jenkins git客户端 jenkins服务器 CentOS7.5 192.168.147.143 web web服务器 具体环境配置见上一篇&#xff01; 准备git仓库 [rootgit ~]# su -…

无涯教程-Android - Absolute Layout函数

Absolute Layout 可让您指定其子级的确切位置(x/y坐标)&#xff0c;绝对布局的灵活性较差且难以维护。 Absolute Layout - 属性 以下是AbsoluteLayout特有的重要属性- Sr.NoAttribute & 描述1 android:id 这是唯一标识布局的ID。 2 android:layout_x 这指定视图的x坐标…

【Git】(六)子模块跟随主仓库切换分支

场景 主仓库&#xff1a;TestGit 子模块&#xff1a;SubModule 分支v1.0 .gitmodules文件 [submodule "Library/SubModule"]path Library/SubModuleurl gitgitee.com:sunriver2000/SubModule.gitbranch 1.0.0.0 分支v2.0 .gitmodules文件 [submodule "Li…

工服穿戴检测算法 工装穿戴识别算法

工服穿戴检测算法 工装穿戴识别算法利用yolo网络模型图像识别技术&#xff0c;工服穿戴检测算法 工装穿戴识别算法可以准确地识别现场人员是否穿戴了正确的工装&#xff0c;包括工作服、安全帽等。一旦检测到未穿戴的情况&#xff0c;将立即发出警报并提示相关人员进行整改。Yo…

W5100S-EVB-PICO主动PING主机IP检测连通性(十)

前言 上一章节我们用我们开发板在UDP组播模式下进行数据回环测试&#xff0c;本章我们用开发板去主动ping主机IP地址来检测与该主机之间网络的连通性。 什么是PING&#xff1f; PING是一种命令&#xff0c; 是用来探测主机到主机之间是否可通信&#xff0c;如果不能ping到某台…

自然语言处理(二):近似训练

近似训练 近似训练&#xff08;Approximate Training&#xff09;是指在机器学习中使用近似的方法来训练模型&#xff0c;以降低计算复杂度或提高训练效率。这种方法通常用于处理大规模数据集或复杂模型&#xff0c;其中精确的训练算法可能过于耗时或计算资源不足。 近似训练…

java安全问题处理

一、客户端的计算不可信 1、服务端计算价格&#xff0c;如果不这么做的话&#xff0c;很可能会被黑客利用&#xff0c;商品总价被恶意修改为比较低的价格。 二、客户端提交的参数需要校验 1、误以为客户端的数据来源是服务端&#xff0c;客户端就不可能提交异常数据 2、对参数进…

无涯教程-Android - Frame Layout函数

Frame Layout 旨在遮挡屏幕上的某个区域以显示单个项目&#xff0c;通常&#xff0c;应使用FrameLayout来保存单个子视图&#xff0c;因为在子视图彼此不重叠的情况下&#xff0c;难以以可扩展到不同屏幕尺寸的方式组织子视图。 不过&#xff0c;您可以使用android:layout_grav…

TSMaster小功能分享—Python小程序如何导入外部库

今天给大家介绍TSMaster功能之Python小程序如何导入外部库。通过在 TSMaster 默认的解析器路径下导入外部库来介绍&#xff0c;以便我们去使用 Python 外部库。TSMaster 默认 Python 解析器下安装外部库。 步骤一 在 TSMaster 工具->系统信息->python 环境设置中选择打开…

未来科技城携手加速科技 共建集成电路测试公共服务平台!

8月26日&#xff0c;2023未来产业发展大会在杭州未来科技城国际会议中心开幕&#xff01;会上&#xff0c;发布了未来科技城培育发展未来产业行动计划&#xff0c;启动了未来产业发展共同体&#xff0c;进行了未来产业公共服务平台签约仪式。未来科技城与加速科技签约共建集成电…

创建一个空的vue项目,配置及步骤

查看需要的环境及插件版本 创建vue命令 默认配置 手动配置 其他 hash和history的区别&#xff1a; hash 模式&#xff0c;url后&#xff0c;会带着#&#xff0c;改变hash&#xff0c;页面不会刷新&#xff0c;不会更改整个页面&#xff0c;只会更改#后面路由配置的内容&#x…

JVM类加载机制

自己编写的Java代码&#xff0c;是如何在各种各样的操作系统上运行起来的&#xff1f; Java文件通过javac编译成class文件&#xff0c;这种中间码被称为字节码&#xff0c;然后由jvm加载字节码&#xff0c;运行时解释器将字节码解释为一行行机器码来执行&#xff0c;在程序运行…

SQL Server 2019导入txt数据

1、选择导入数据 2、选择Flat file Source 选择文件&#xff0c;如果第一行不是列名&#xff0c;就不勾选。 3、下一步 可以看看数据是否是对的 4、下一步 选择SQL server Native Client 11&#xff0c;数据库选择导入进的库 输入连接数据库的名字和要导入的数据库 下一…

手敲视觉slam14讲 ch7 / pose_estimation_3d2d.cpp (1)

首先理清我们需要实现什么功能&#xff0c;怎么实现&#xff0c;提供一份整体逻辑&#xff1a;包括主函数和功能函数 主函数逻辑&#xff1a; 1. 读图,两张rgb&#xff08;cv::imread&#xff09; 2. 找到两张rgb图中的特征点匹配对 2.1定义所需要的参数&#xff1a;keypoints…

扎根嵌入式行业需要什么学历文凭?

在嵌入式行业&#xff0c;学历并不是唯一关键。我本人拥有电子工程学士学位&#xff0c;但嵌入式行业更看重实际技能和经验。视频后方有免费的嵌入式学习资料&#xff0c;入门和进阶内容都涵盖其中。嵌入式行业一般接纳各种学历&#xff0c;从专科到本科到研究生&#xff0c;甚…

在Ubuntu Linux系统上安装RabbitMQ服务并解决公网远程访问问题

文章目录 前言1.安装erlang 语言2.安装rabbitMQ3. 内网穿透3.1 安装cpolar内网穿透(支持一键自动安装脚本)3.2 创建HTTP隧道 4. 公网远程连接5.固定公网TCP地址5.1 保留一个固定的公网TCP端口地址5.2 配置固定公网TCP端口地址 前言 RabbitMQ是一个在 AMQP(高级消息队列协议)基…

2023高教社杯数学建模思路 - 复盘:人力资源安排的最优化模型

文章目录 0 赛题思路1 描述2 问题概括3 建模过程3.1 边界说明3.2 符号约定3.3 分析3.4 模型建立3.5 模型求解 4 模型评价与推广5 实现代码 建模资料 0 赛题思路 &#xff08;赛题出来以后第一时间在CSDN分享&#xff09; https://blog.csdn.net/dc_sinor?typeblog 1 描述 …

2023-8-31 Dijkstra求最短路(二)

题目链接&#xff1a;Dijkstra求最短路 II #include <iostream> #include <cstring> #include <algorithm> #include <vector> #include <queue>using namespace std;typedef pair<int, int> PII;const int N 150010;int n, m; int h[N…

el-upload调用内部方法删除文件

从Element UI 的官方文档中&#xff0c; Upload 上传组组件提供了on-remove和before-remove的文件删除的钩子属性&#xff08;回调方法名&#xff09;&#xff0c;但如何调用组件删除方法&#xff08;让该方法删除本地上传文件列表以及触发这两个钩子&#xff09;并无相关说明。…

Running transaction check,yum卡在这个地方不动了

问题&#xff1a;运行yum update卡在这个地方不动 解决办法&#xff1a;运行下面的命令 # /bin/rm /var/lib/rpm/__db.* # cd /var/cache/yum # /bin/rm -rf * # yum clean all # yum update如果运行还不成功&#xff0c;那么重启服务器试试。我的服务器用了各种办法不行&…