9.【线性代数】—— 线性相关性, 向量空间的基,维数

九 线性相关性, 向量空间的基,维数

    • [Ax=0 什么情况下无解(x不为零向量)](#Ax=0 什么情况下无解(x不为零向量))
    • [1. 向量组的线性无关性](#1. 向量组的线性无关性)
    • 2.向量组生成一个空间(S)
    • [3. 向量空间的一组基:都满足向量个数相同](#3. 向量空间的一组基:都满足向量个数相同)
    • [4. 空间维数 = 基向量的个数](#4. 空间维数 = 基向量的个数)

Ax=0 什么情况下无解(x不为零向量)

Ax=0无解,当且仅当,A矩阵通过消元后,转化为单位矩阵,没有自由变量。

A 的矩阵大小为 m ∗ n ,当 m < n , 可以转换为 R 矩阵, A x = 0 有解,因为存在自由变量。秩最多为 m ,自由变量为 n − m A的矩阵大小为 m*n,当 m<n,可以转换为R矩阵,Ax=0有解,因为存在自由变量。秩最多为m,自由变量为 n-m A的矩阵大小为m∗n,当m<n,可以转换为R矩阵,Ax=0有解,因为存在自由变量。秩最多为m,自由变量为n−m

1. 向量组的线性无关性

记: 有一组向量, x 1 , x 2 , x 3 . . . x n ,当不存在 c 1 x 1 + c 2 x 2 + . . . + c n x n ≠ 0 时,则称 x 1 , x 2 , x 3 . . . x n 是线性无关的。 有一组向量,x_1,x_2,x_3...x_n,当不存在 c_1x1+c_2x_2+...+c_nx_n\neq0时,则称x_1,x_2,x_3...x_n是线性无关的。 有一组向量,x1,x2,x3...xn,当不存在c1x1+c2x2+...+cnxn=0时,则称x1,x2,x3...xn是线性无关的。

如果 v 1 , v 2 . . . v n 是矩阵 A 的列向量,如果向量组线性无关,那么 A x = 0 无解, A 的秩为 n 。 如果v_1,v_2...v_n是矩阵A的列向量,如果向量组线性无关,那么Ax=0无解,A的秩为n。 如果v1,v2...vn是矩阵A的列向量,如果向量组线性无关,那么Ax=0无解,A的秩为n。

2.向量组生成一个空间(S)

等价于 空间包含向量组的线性组合 空间包含向量组的线性组合 空间包含向量组的线性组合

3. 向量空间的一组基:都满足向量个数相同

那么 向量组有两个性质, 1. 线性无关 2. 生成一整个空间 向量组有两个性质,1. 线性无关 2. 生成一整个空间 向量组有两个性质,1.线性无关2.生成一整个空间

R 3 R^3 R3的一组基

1 0 0 \] , \[ 0 1 0 \] , \[ 0 0 1 \] \\begin{bmatrix} 1\\\\0\\\\0 \\end{bmatrix}, \\begin{bmatrix} 0\\\\1\\\\0 \\end{bmatrix}, \\begin{bmatrix} 0\\\\0\\\\1 \\end{bmatrix} 100 , 010 , 001 当 A n ∗ n A_{n\*n} An∗n可逆 ⇒ \\xRightarrow{} 满秩 ⇒ \\xRightarrow{} n个向量是 R n R\^n Rn的基 ### 4. 空间维数 = 基向量的个数 例子 A = \[ 1 2 3 1 1 1 2 1 1 2 3 1 \] A = \\begin{bmatrix} 1\&2\&3\&1\\\\ 1\&1\&2\&1\\\\ 1\&2\&3\&1\\\\ \\end{bmatrix} A= 111212323111 A的基为 \[ 1 2 1 1 1 2 \] \\begin{bmatrix} 1\&2\\\\ 1\&1\\\\ 1\&2\\\\ \\end{bmatrix} 111212 N ( A ) = c \[ − 1 − 1 1 0 \] + d \[ − 1 0 0 1 \] N(A) = c\\begin{bmatrix} -1\\\\-1\\\\1\\\\0 \\end{bmatrix} + d\\begin{bmatrix} -1\\\\ 0\\\\ 0\\\\ 1 \\end{bmatrix} N(A)=c −1−110 +d −1001 ,求法详见[7.【线性代数】------求解Ax=0,主列和自由列](https://blog.csdn.net/sda42342342423/article/details/145705296) > r a n k ( A ) = 主列数 = 空间的维数 C ( A ) = r rank(A) = 主列数 = 空间的维数 C(A) = r rank(A)=主列数=空间的维数C(A)=r > d i m ( N ( A ) ) = 自由列的列数 = n − r dim(N(A)) = 自由列的列数 = n - r dim(N(A))=自由列的列数=n−r

相关推荐
前端炒粉3 天前
18.矩阵置零(原地算法)
javascript·线性代数·算法·矩阵
大千AI助手3 天前
HOSVD(高阶奇异值分解):高维数据的“解剖术”
人工智能·线性代数·矩阵·张量·svd·hosvd·高阶奇异值分解
marsggbo3 天前
尝试从源头理解 SVD 原理和计算
线性代数·奇异值分解·svd
贝塔实验室3 天前
LDPC 码的度分布
线性代数·算法·数学建模·fpga开发·硬件工程·信息与通信·信号处理
西***63474 天前
从信号零损耗到智能协同:高清混合矩阵全链路技术拆解,分布式可视化系统十大趋势重塑行业
分布式·线性代数·矩阵
charlie1145141914 天前
2D 计算机图形学基础速建——2
笔记·学习·线性代数·教程·计算机图形学
Jay叶湘伦4 天前
非齐次方程解的结构与几何意义的探讨
线性代数
大千AI助手4 天前
Householder变换:线性代数中的镜像反射器
人工智能·线性代数·算法·决策树·机器学习·qr分解·householder算法
长颈鹿仙女4 天前
数学基础-线性代数(向量、矩阵、运算、范数、特征向量、特征值)
线性代数·机器学习·矩阵
救救孩子把5 天前
30-机器学习与大模型开发数学教程-3-4 矩阵的逆与伪逆
线性代数·机器学习·矩阵