【矩阵的秩系列2】极大线性无关组向量个数唯一

【引理1】

首先设齐次线性方程组为

Ax=0\mathbf{Ax} = \mathbf{0}Ax=0

其中A\mathbf{A}A是m×nm \times nm×n大小的矩阵,这表示方程个数为mmm,未知变量个数为nnn,若m<nm < nm<n,则该齐次线性方程组必然有非零解。

【证明】

求解方程的过程就是对A\mathbf{A}A进行初等行变换的过程,由于矩阵A\mathbf{A}A的行最简形唯一,而m<nm < nm<n,所以必然多出至少一个列向量(假设是第jjj列)可以用其他列向量线性表示,

αj=k1αt1+k1αt1+...+klαtl\mathbf{\alpha}{\mathbf{j}} = k{1}\mathbf{\alpha}{\mathbf{t}{\mathbf{1}}} + k_{1}\mathbf{\alpha}{\mathbf{t}{\mathbf{1}}} + \ldots + k_{l}\mathbf{\alpha}{\mathbf{t}{\mathbf{l}}}αj=k1αt1+k1αt1+...+klαtl

这是因为其它主列(αt1,αt2...αtl\mathbf{\alpha}{\mathbf{t}{\mathbf{1}}},\mathbf{\alpha}{\mathbf{t}{\mathbf{2}}}\ldots\mathbf{\alpha}{\mathbf{t}{\mathbf{l}}}αt1,αt2...αtl)有且仅有一个非零元111。于是设该列对应的xj=1x_{j} = 1xj=1,主列向量为线性表示系数k1,k2...klk_{1},k_{2}\ldots k_{l}k1,k2...kl,剩余的xxx的分量值均为000。这样就找到了一个非零解。

【引理2】

若向量组β1,β2...βt\mathbf{\beta}{\mathbf{1}}\mathbf{},\mathbf{\beta}{\mathbf{2}}\ldots\mathbf{\beta}{\mathbf{t}}β1,β2...βt​ 线性无关,且每个βj\mathbf{\beta}{\mathbf{j}}βj都能被向量组α1,α2...αr\mathbf{\alpha}{\mathbf{1}},\mathbf{\alpha}{\mathbf{2}}\ldots\mathbf{\alpha}_{\mathbf{r}}α1,α2...αr​线性表示,则必有t≤rt \leq rt≤r。

【证明】

设

{β1=k11α1+k12α2+...+k1rαrβ2=k21α1+k22α2+...+k2rαr⋮βt=kt1α1+kt2α2+...+ktrαr \left\{ \begin{aligned} \mathbf{\beta}{\mathbf{1}} & = k{11}\mathbf{\alpha}{\mathbf{1}} + k{12}\mathbf{\alpha}{\mathbf{2}} + \ldots + k{1r}\mathbf{\alpha}{\mathbf{r}} \\ \mathbf{\beta}{\mathbf{2}} & = k_{21}\mathbf{\alpha}{\mathbf{1}} + k{22}\mathbf{\alpha}{\mathbf{2}} + \ldots + k{2r}\mathbf{\alpha}{\mathbf{r}} \\ \vdots \\ \mathbf{\beta}{\mathbf{t}} & = k_{t1}\mathbf{\alpha}{\mathbf{1}} + k{t2}\mathbf{\alpha}{\mathbf{2}} + \ldots + k{tr}\mathbf{\alpha}_{\mathbf{r}} \end{aligned} \right.\ ⎩ ⎨ ⎧β1β2⋮βt=k11α1+k12α2+...+k1rαr=k21α1+k22α2+...+k2rαr=kt1α1+kt2α2+...+ktrαr

写成矩阵便是

(β1,β2...βt)=(α1,α2...αr)(k11k12⋯k1tk21k22⋯k2t⋮⋮⋱⋮kr1kr2⋯krt)=(α1,α2...αr)K\left( \mathbf{\beta}{\mathbf{1}}\mathbf{},\mathbf{\beta}{\mathbf{2}}\ldots\mathbf{\beta}{\mathbf{t}} \right) = \left( \mathbf{\alpha}{\mathbf{1}},\mathbf{\alpha}{\mathbf{2}}\ldots\mathbf{\alpha}{\mathbf{r}} \right)\begin{pmatrix} k_{11} & k_{12} & \cdots & k_{1t} \\ k_{21} & k_{22} & \cdots & k_{2t} \\ \vdots & \vdots & \ddots & \vdots \\ k_{r1} & k_{r2} & \cdots & k_{rt} \end{pmatrix} = \left( \mathbf{\alpha}{\mathbf{1}},\mathbf{\alpha}{\mathbf{2}}\ldots\mathbf{\alpha}_{\mathbf{r}} \right)\mathbf{K}(β1,β2...βt)=(α1,α2...αr) k11k21⋮kr1k12k22⋮kr2⋯⋯⋱⋯k1tk2t⋮krt =(α1,α2...αr)K

由于向量组β1,β2...βt\mathbf{\beta}{\mathbf{1}}\mathbf{},\mathbf{\beta}{\mathbf{2}}\ldots\mathbf{\beta}_{\mathbf{t}}β1,β2...βt​线性无关,所以

x1β1+x2β2+...+xtβt=0⇒x1=x2=...xt=0x_{1}\mathbf{\beta}{\mathbf{1}} + x{2}\mathbf{\beta}{\mathbf{2}} + \ldots + x{t}\mathbf{\beta}{\mathbf{t}}\mathbf{= 0} \Rightarrow x{1} = x_{2} = \ldots x_{t} = 0x1β1+x2β2+...+xtβt=0⇒x1=x2=...xt=0

代入前面的矩阵等式可得

(α1,α2...αr)(k11k12⋯k1tk21k22⋯k2t⋮⋮⋱⋮kr1kr2⋯krt)(x1x2⋮xt)=0\left( \mathbf{\alpha}{\mathbf{1}},\mathbf{\alpha}{\mathbf{2}}\ldots\mathbf{\alpha}{\mathbf{r}} \right)\begin{pmatrix} k{11} & k_{12} & \cdots & k_{1t} \\ k_{21} & k_{22} & \cdots & k_{2t} \\ \vdots & \vdots & \ddots & \vdots \\ k_{r1} & k_{r2} & \cdots & k_{rt} \end{pmatrix}\left( \begin{array}{r} x_{1} \\ x_{2} \\ \vdots \\ x_{t} \end{array} \right) = \mathbf{0}(α1,α2...αr) k11k21⋮kr1k12k22⋮kr2⋯⋯⋱⋯k1tk2t⋮krt x1x2⋮xt =0

若t>rt > rt>r,根据前面的【**引理1】**可知存在非全零的x1,x2...x_tx_{1},x_{2}\ldots x\_ tx1,x2...x_t使得

(k11k12⋯k1tk21k22⋯k2t⋮⋮⋱⋮kr1kr2⋯krt)(x1x2⋮xt)=0\begin{pmatrix} k_{11} & k_{12} & \cdots & k_{1t} \\ k_{21} & k_{22} & \cdots & k_{2t} \\ \vdots & \vdots & \ddots & \vdots \\ k_{r1} & k_{r2} & \cdots & k_{rt} \end{pmatrix}\left( \begin{array}{r} x_{1} \\ x_{2} \\ \vdots \\ x_{t} \end{array} \right) = \mathbf{0} k11k21⋮kr1k12k22⋮kr2⋯⋯⋱⋯k1tk2t⋮krt x1x2⋮xt =0

这就与向量组β1,β2...βt\mathbf{\beta}{\mathbf{1}}\mathbf{},\mathbf{\beta}{\mathbf{2}}\ldots\mathbf{\beta}_{\mathbf{t}}β1,β2...βt​ 线性无关矛盾,故而只能是t≤rt \leq rt≤r。

【定理】

对于任意的向量组,它们的极大线性无关组向量个数唯一。

【证明】

根据定义,不同的极大线性无关组之间可以互相线性表示,所以根据前面的**【引理2】**,所以它们的向量个数是相等的,所以极大线性无关组向量个数唯一。

相关推荐
lisw056 天前
Dayhoff的PAM替换矩阵理论评介!
线性代数·算法·矩阵
莱茶荼菜12 天前
【slam公式】
人工智能·线性代数·机器学习
伯奥克客服13 天前
2026年视频矩阵厂家技术评估:从EDID到控制协议开放度的六维筛选法
线性代数·矩阵·音视频
释厄62314 天前
三角基底律——矩阵3x6 是所有三角形的基底·3D中高就是边
线性代数·3d·矩阵
桑年15 天前
四、Pandas数据处理
人工智能·python·线性代数·pandas·数据可视化·数据处理
zhongben_keji18 天前
家政小程序开发全解:经营模式、品类矩阵、派单约束与信用核验
线性代数·矩阵·apache
silvamux_18 天前
微头条爆款体平台适配实测:把交付要求变成可计算的指标
java·线性代数·算法·决策树·矩阵
晒太羊的猫20 天前
hot100矩阵问题
线性代数·矩阵
轻口味20 天前
启元无真机二开实战1:54 个接口能做什么、不能做什么——启元 Q1/T1 SDK 能力全景与版本矩阵
线性代数·矩阵·ros2·具身智能·启元机器人
Angel Q.21 天前
协方差矩阵:3DGS 里“椭球的形状说明书“
线性代数·3d·矩阵