线性代数 第四讲 极大线性无关组,等价向量组,向量组的秩

文章目录

1.极大线性无关组

定义 :

在一个向量组中,取部分向量组成新的向量组,这个新向量组是线性无关的。但是假如再往这个新的向量组中再添加一个向量,它就变成线性相关的了。

总结

极大线性无关组一般不唯一。

极大线性无关组,就是在一个向量组中,找出可以张成原先空间的一个最少向量组成的向量组。

2.等价向量组

2.1 等价向量组的判断

  1. 两个向量组可以互相线性表示
  2. 单向线性表示+r(Ⅰ)=r(Ⅱ)即两个向量组秩相同
  3. r(Ⅰ)=r(Ⅱ)=r(Ⅰ,Ⅱ),即两个向量组的秩相同且等于他们拼接的向量组的秩

综上所述,满足任意一条,即可说明两个向量组等价

所以,极大线性无关组和它原本的向量组肯定是等价向量组

3.向量组的秩

定义

极大线性无关组中所包含向量的个数r,称为向量组的秩。

有关向量组的秩的重要结论:

1.三秩相等

r(A)A矩阵的秩=A的行秩(A的行向量组的秩)=A的列秩(A的列向量组的秩)

2.A做初等行变换得到B

1)A的行向量组和B的行向量组是等价向量组

2)A和B任何相应的部分列向量组具有相同的线性相关性。

3.某向量组中任一向量可由另一个向量组表示

向量组a1,a2,a3...和向量组β1,β2,β3...其中每一个βi向量均可由向量组a表示,则说明
r ( β 1 β 2 , . . . β t ) ≤ r ( a 1 a 2 , . . . a t )   r\left(\beta {1}\beta {2},...\beta {t}\right) \leq r\left(a{1}a{2},...a{t}\right)\: r(β1β2,...βt)≤r(a1a2,...at)

4.等价矩阵和等价向量组

等价矩阵要求同时满足两条:
1.形状相同 (意味着行数和列数要相同),但是等价向量组要同维,向量个数可以不同
2.矩阵的秩相同

等价矩阵做初等行变换或列变换之后,还是等价矩阵 PAQ=B

等价向量组的判定法见第二大点

5. 重难点题型总结

5.1 极大线性无关组的计算

根据向量组的秩重要结论二可知,求一个向量组的极大线性无关组,先把向量组的列向量拼起来,做初等行变换,然后化为行阶梯形矩阵,该矩阵秩多大,极大线性无关组中向量个数就是多大,找完之后,他们之间的线性关系,就是原向量之间的线性关系。

流程说明:假设证明向量组A和向量组B等价

先算(A,B),得到r(A)=r(A,B)

再算(B,A),得到r(B)=r(B,A)

综上r(A)=r(B)=r(A,B),得出等价结论

5.2 AB的行向量表示与AB的列向量表示

真题实战1:

设矩阵A,B,C均为n阶矩阵,若AB=C,且B可逆,则()

(A)矩阵C的行向量组与A的行向量组等价

(B)矩阵C的列向量组与A的列向量组等价

(C)矩阵C的行向量组与B的列向量组等价

(D)矩阵C的列向量组与B的列向量组等价

分析如下:

证明向量组等价,意味着要证明向量组之间可以互相线性表示

根据上面的总结结论:

AB=C推出C的列向量可由A的列向量线性表示,C的行向量可由B的行向量线性表示

又因为B可逆,所以A=CB-1,推出A的列向量可由C的列向量线性表示,C的行向量可由B-1的行向量线性表示.

综上所述,C的列向量组与A的列向量组等价

真题实战2 (2018年真题)A,B~n阶

(A)r(A,AB)=r(A)

(B)r(A,BA)=r(A)

(C)r(A,B)=max{r(A),r(B)}

(D)r(A,B)=r(AT,BT)

分析如下:

因为是左右拼接,所以(A,AB)看列向量,AB其实A列向量的线性表示,故A正确

B选项中,AB其实是B列向量的线性表示,故B不一定

C,D简单的举出反例不正确,故选A

相关推荐
hongdou19917 分钟前
AI 多 Agent 图形化开发深度解析:iVX IDE 与主流产品技术架构对比研究
ide·人工智能·架构
电极限35 分钟前
一个实际电路的原理图是怎样设计出来的?附带案例流程图!
人工智能·单片机·嵌入式硬件·支持向量机·动态规划
jndingxin1 小时前
OpenCV CUDA 模块图像过滤------创建一个高斯滤波器函数createGaussianFilter()
人工智能·opencv·计算机视觉
搞IT的放牛娃1 小时前
AI人工智能——Matplotlib绘制各种数据可视化图表的基础方法
人工智能·python·机器学习
鸭鸭鸭进京赶烤1 小时前
第六届电子通讯与人工智能国际学术会议(ICECAI 2025)
大数据·图像处理·人工智能·hadoop·机器学习·数据挖掘
北温凉2 小时前
【学习笔记】机器学习(Machine Learning) | 第七章|神经网络(3)
笔记·机器学习
lihuayong2 小时前
One-shot和Zero-shot的区别以及使用场景
人工智能·大语言模型·few-shot·zero-shot·one-shot
慕卿扬2 小时前
基于python的机器学习(七)—— 数据特征选择
笔记·python·学习·机器学习·scikit-learn
莱茵菜苗2 小时前
Python打卡训练营day33——2025.05.22
人工智能·pytorch·神经网络
一尘之中2 小时前
觉醒三境:在敦煌的风沙中寻找生命的纹路
人工智能