高等代数精解【4】

线性空间

向量的加法和数乘运算法则

几何法则

以下内容来自文心一言的自动生成
向量的加法和数乘是向量代数中的两个基本运算，它们分别遵循特定的法则。
向量的加法 向量的加法遵循平行四边形法则或三角形法则。
平行四边形法则 如果两个向量$\vec{a}$和$\vec{b}$有公共起点，那么以这两个向量为邻边作平行四边形，与这两个向量共起点的对角线所表示的向量就是$\vec{a}$与$\vec{b}$的和，记作$\vec{a}+\vec{b}$。
三角形法则 将两个向量首尾相接，从第一个向量的起点到第二个向量的终点的向量就是这两个向量的和。即，若$\vec{a}$的终点是$\vec{b}$的起点，则$\vec{a}+\vec{b}$是从$\vec{a}$的起点到$\vec{b}$的终点的向量。 向量的数乘 向量的数乘是将一个实数$k$与向量$\vec{a}$相乘，结果是一个新的向量，记作$k\vec{a}$。

• 当$k>0$时，$k\vec{a}$与$\vec{a}$同向，且$k\vec{a}$的模是$|\vec{a}|$的$|k|$倍。
• 当$k<0$时，$k\vec{a}$与$\vec{a}$反向，且$k\vec{a}$的模是$|\vec{a}|$的$|k|$倍。
• 当$k=0$时，$k\vec{a}$是零向量，记作$\vec{0}$，它没有方向，也没有模。 性质

1. 交换律：$\vec{a}+\vec{b}=\vec{b}+\vec{a}$
2. 结合律：$(\vec{a}+\vec{b})+\vec{c}=\vec{a}+(\vec{b}+\vec{c})$
3. 数乘分配律：$k(\vec{a}+\vec{b})=k\vec{a}+k\vec{b}$
4. 数乘结合律：$(kl)\vec{a}=k(l\vec{a})$，其中$k$和$l$是实数。 这些性质和运算法则是向量代数的基础，对于理解和应用向量具有重要意义。

代数法则

向量的加法和数乘的代数解通常涉及向量的坐标表示。在二维或三维空间中，向量可以通过其坐标（或分量）来表示，这使得我们可以使用代数方法来执行向量的加法和数乘。

以下内容来自文心一言的自动生成
向量的加法（代数解）
假设有两个二维向量 $\vec{a}=(a_1,a_2)$ 和 $\vec{b}=(b_1,b_2)$，则它们的和 $\vec{a}+\vec{b}$ 可以通过坐标的逐项相加来得到： $$\vec{a}+\vec{b}=(a_1+b_1,a_2+b_2)$$ 类似地，对于三维向量 $\vec{a}=(a_1,a_2,a_3)$ 和
$\vec{b}=(b_1,b_2,b_3)$，它们的和是： $$\vec{a}+\vec{b}=(a_1+b_1,a_2+b_2,a_3+b_3)$$
向量的数乘（代数解） 对于向量 $\vec{a}=(a_1,a_2,\dots ,a_n)$（其中 $n$ 是向量的维数，可以是2、3或更高）和一个实数 $k$，向量 $k\vec{a}$ 的坐标是 $\vec{a}$ 的坐标与 $k$
的逐项相乘： $$k\vec{a}=(k{a}_1,k{a}_2,\dots ,k{a}_n)$$

二维向量加法 设 $\vec{a}=(2,3)$ 和 $\vec{b}=(4,-1)$，则： $$\vec{a}+\vec{b}=(2+4,3+(-1))=(6,2)$$ 三维向量数乘 设 $\vec{a}=(1,2,3)$ 和 $k=-2$，则： $$k\vec{a}=-2\vec{a}=(-2\times 1,-2\times 2,-2\times 3)=(-2,-4,-6)$$
这些代数解使得我们可以在不知道向量具体方向或长度的情况下，仅通过它们的坐标来执行向量的加法和数乘。

基与坐标

• $设V是数域K的线性空间，x_1,x_2,...,x_r(r\ge 1)是属于V的任意r个向量，如果它满足$
  $$\begin{gathered} (1)x_1,x_2,...,x_n线性无关 \\ (2)V中任一向量x都是x_1,x_2,...,x_n的线性组合。 \\ 则称x_1,x_2,...,x_n为V的一个基或基底， \\ 并称x_i（i=1,2,...,r）为基向量。 \end{gathered}$$
• 线性空间的基

下面内容来自chatgpt的自动生成
线性空间的基的定义

线性空间（或向量空间）是指由一组向量构成的集合，在这个集合上定义了向量加法和数乘运算，且满足特定的运算规则。线性空间中的向量可以由一组基向量通过线性组合生成。

基的定义如下：

• 一个向量空间 ( V ) 的基是指一组向量 { v 1 , v 2 , … , v n } \{v_1, v_2, \ldots, v_n\} {v1​,v2​,…,vn​}，满足以下两个条件：
  1. 线性无关性：基向量$v_1,v_2,\dots ,v_n$线性无关，即只有当所有系数$c_1,c_2,\dots ,c_n$都为零时，线性组合$c_1{v}_1+c_2{v}_2+\dots +c_n{v}_n=0$才成立。
  2. 生成性：向量空间 $V$中的每个向量都可以表示为基向量的线性组合。

基的个数$n$就是向量空间的维数。

基的计算

要找出一个线性空间的基，可以通过以下步骤：

1. 找出生成组：找到一组可以生成整个空间的向量组，通常这些向量会多于维数。
2. 线性无关性检验：通过行列式或初等行变换的方法，将生成组缩减为一个线性无关的子集。
3. 得到基：经过线性无关性检验后，剩下的向量就是这个空间的基。

例子

例子 1：在二维平面${\mathbb{R}}^2$中，向量$(1,0)和(0,1)$是基向量。这两个向量线性无关，并且它们的线性组合可以生成${\mathbb{R}}^2$中的任何向量。

例子 2：在三维空间${\mathbb{R}}^3$ 中，向量$(1,0,0)、(0,1,0)和(0,0,1)$是标准基。这三个向量线性无关，并且它们可以生成${\mathbb{R}}^3$中的任何向量。

例题

例题 1：设有向量组$\{(1,2),(2,4)\}$。判断这组向量是否为${\mathbb{R}}^2$的基。

解答： 首先检查这两个向量是否线性无关。假设$c_1(1,2)+c_2(2,4)=(0,0)$，我们得到如下方程组：

$$c_1+2c_2=0$$ $$2c_1+4c_2=0$$

解得$c_1=0,c_2=0$，说明这两个向量是线性相关的。由于线性相关，它们不能构成$\mathbb{R}^2 $
的基。因此，这组向量不能作为基。

例题 2：找出向量组 $\{(1,2,3),(4,5,6),(7,8,9)\}$ 的线性无关子集。

解答： 将这三个向量放入矩阵中：

$$A=\left(\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 9\end{array}\right)$$

计算其行列式：

$$\text{det}(A)=1(5\cdot 9-6\cdot 8)-2(4\cdot 9-6\cdot 7)+3(4\cdot 8-5\cdot 7)=0$$

行列式为 0，说明这三个向量线性相关，因此不能同时作为基。但我们可以选择其中的两个向量，例如$(1,2,3)$ 和$(4,5,6)$，通过检查它们的线性无关性：

$$c_1(1,2,3)+c_2(4,5,6)=(0,0,0)$$

解方程组，发现$c_1=0,c_2=0$，它们线性无关。因此，$\{(1,2,3),(4,5,6)$可以作为一个基的候选。

通过这些步骤，你可以理解基的定义、如何计算以及应用在例题中的实际操作。

• 线性空间的维数就是线性空间基中所含向量的个数。
• 齐次线性方程组基础解系
  形如 $Ax=0$ 的线性方程组，其中 $A$ 是一个 $m\times n$ 的矩阵，$x$ 是一个 $n\times 1$ 的向量（即未知数的列向量）。
  基础解系是齐次线性方程组所有解的集合中的一个最大线性无关组，即这些解向量之间线性无关，且方程组的任意解都可以表示为这些解向量的线性组合。

下面内容来自文心一言的自动生成
求解步骤

1. 写出方程组的增广矩阵：首先，将方程组的系数矩阵 $A$ 写出，但因为是齐次方程组，所以没有常数项列，所以直接写出 $A$ 即可。

2. 进行行变换：使用高斯消元法（或高斯-约旦消元法）对 $A$ 进行行变换，将其化为行阶梯形矩阵或行最简形矩阵。这一步的目的是为了更容易地找到自由变量和主变量。

3. 确定自由变量：在行最简形矩阵中，那些没有主元的列对应的变量就是自由变量。自由变量的数量等于 $n-\text{rank}(A)$，其中 $\text{rank}(A)$ 是矩阵 $A$ 的秩。

4. 写出基础解系：对于每一个自由变量，我们可以令其为1（其他自由变量为0），然后解出其他变量（包括主变量）的值。这样，对于每一个自由变量，我们都可以得到一个解向量。这些解向量就构成了方程组的基础解系。

示例

考虑以下齐次线性方程组：

$$\{\begin{array}{l}{x}_1+2x_2+x_3=0\\ x_1+x_2+2x_3=0\\ 2x_1+3x_2+x_3=0\end{array}$$

1. 写出增广矩阵（实际上是系数矩阵）：

   $$A=\left(\begin{array}{ccc}1& 2& 1\\ 1& 1& 2\\ 2& 3& 1\end{array}\right)$$

2. 进行行变换（这里省略具体过程，直接给出行最简形）：

   $$\left(\begin{array}{ccc}1& 0& -1\\ 0& 1& 1\\ 0& 0& 0\end{array}\right)$$

3. 确定自由变量：从行最简形可以看出，$x_3$ 是自由变量。

4. 写出基础解系：

   • 令 $x_3=1$，则 $x_1=1,x_2=-1$，得到解向量 ${\alpha }_1=\left(\begin{array}{c}1\\ -1\\ 1\end{array}\right)$。
   • 因为只有一个自由变量，所以基础解系只包含一个解向量，即 { α 1 } \{\alpha_1\} {α1​}。

注意：如果方程组有更多的自由变量，你需要为每个自由变量分别设置值为1（其他自由变量为0），并解出对应的解向量。这些解向量将共同构成方程组的基础解系。

• 齐次线性方程组简介
  齐次线性方程组是指所有常数项为零的线性方程组。它的形式如下：

$$A\mathbf{x}=0$$

其中，$A$是$m\times n$ 的系数矩阵，$\mathbf{x}$ 是$n$维列向量，$0$ 是零向量。

求解齐次线性方程组的目标是找到满足方程的所有向量$\mathbf{x}$。因为这个方程组总是有零解（即 $\mathbf{x}=0$，所以解集至少包含零向量。除此之外，如果系数矩阵$A$的秩$r<n$，则方程组有无穷多解，解集是一个$n-r$维的向量空间。

下面内容来自chatgpt的自动生成
基础解系的计算

基础解系是齐次线性方程组的解空间中的一个向量组，这个向量组的线性组合可以生成所有解。计算基础解系的步骤如下：

1. 构造增广矩阵：将系数矩阵$A$与零向量拼接成增广矩阵$[A|0]$。

2. 化为行简化阶梯形矩阵：通过初等行变换，将增广矩阵化为行简化阶梯形矩阵（RREF）。

3. 解出基础解向量：通过自由变量的取值，表达出所有的基础解向量。

例子

考虑以下齐次线性方程组：

$$\begin{array}{rl}{x}_1+2x_2+3x_3& =0,\\ 2x_1+4x_2+6x_3& =0.\end{array}$$

我们用上述步骤来计算它的基础解系。

1. 构造增广矩阵：

$$\left[\begin{array}{cccc}1& 2& 3& 0\\ 2& 4& 6& 0\end{array}\right]$$

2. 行简化阶梯形矩阵：

通过初等行变换，我们将其化为行简化阶梯形矩阵： $$\left[\begin{array}{cccc}1& 2& 3& 0\\ 0& 0& 0& 0\end{array}\right]$$

3. 解出基础解向量：

根据行简化阶梯形矩阵，得到方程：

$$x_1+2x_2+3x_3=0$$

$我们可以将x_1表示为x_2和x_3的线性组合$：

$$x_1=-2x_2-3x_3$$

$我们可以令x_2=t_1，x_3=t_2，其中t_1和t_2是任意实数。这样，解\mathbf{x}可以写成$：

$$\mathbf{x}=t_1\left(\begin{array}{c}-2\\ 1\\ 0\end{array}\right)+t_2\left(\begin{array}{c}-3\\ 0\\ 1\end{array}\right)$$

因此，基础解系为：

$$\left\{\left(\begin{array}{c}-2\\ 1\\ 0\end{array}\right),\left(\begin{array}{c}-3\\ 0\\ 1\end{array}\right)\right\}$$

例题

例题: 求以下齐次线性方程组的基础解系：

$$\begin{array}{rl}{x}_1+3x_2-2x_3& =0,\\ 2x_1+6x_2-4x_3& =0,\\ -x_1-3x_2+2x_3& =0.\end{array}$$

解答:

1. 构造增广矩阵：

$$\left[\begin{array}{cccc}1& 3& -2& 0\\ 2& 6& -4& 0\\ -1& -3& 2& 0\end{array}\right]$$

2. 化为行简化阶梯形矩阵：

$$\left[\begin{array}{cccc}1& 3& -2& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$$

3. 解出基础解向量：

得到方程：

$$x_1+3x_2-2x_3=0$$

所以：

$$x_1=-3x_2+2x_3$$

取$x_2=t_1$，$x_3=t_2$，则解 $\mathbf{x}$为：

$$\mathbf{x}=t_1\left(\begin{array}{c}-3\\ 1\\ 0\end{array}\right)+t_2\left(\begin{array}{c}2\\ 0\\ 1\end{array}\right)$$

因此，基础解系为：

$$\left\{\left(\begin{array}{c}-3\\ 1\\ 0\end{array}\right),\left(\begin{array}{c}2\\ 0\\ 1\end{array}\right)\right\}$$

这个例题进一步展示了如何通过化简矩阵和选择自由变量来计算基础解系。

• 矩阵的秩
  矩阵的秩（rank）是线性代数中的一个基本概念，反映了矩阵列向量或行向量的线性无关性。秩的重要性在于它能帮助我们理解线性方程组的解的结构、向量空间的维数等。
  矩阵的秩可以定义为以下几种等价的方式：

1. 列秩：矩阵的列向量组的最大线性无关向量个数，称为矩阵的列秩。

2. 行秩：矩阵的行向量组的最大线性无关向量个数，称为矩阵的行秩。

3. 零化矩阵后的主元个数：通过初等行变换将矩阵化为行简化阶梯形矩阵（RREF），其中非零行的个数就是矩阵的秩。

值得注意的是，对于任意矩阵，列秩等于行秩，因此我们通常将它们统称为矩阵的秩。

下面内容来自chatgpt的自动生成
矩阵秩的计算

计算矩阵的秩通常采用以下方法：

1. 行简化阶梯形矩阵：通过一系列初等行变换（如交换两行、将一行乘以一个非零常数、将一行加到另一行），将矩阵化为行简化阶梯形矩阵。行简化阶梯形矩阵的非零行的个数即为矩阵的秩。

2. 列简化阶梯形矩阵：类似地，可以对矩阵进行列变换，将矩阵化为列简化阶梯形矩阵，其中非零列的个数为矩阵的秩。

3. 通过行列式计算：对于方阵，可以通过计算主子式（从矩阵中取出若干行和列组成的方阵）的行列式来确定秩。最大的非零主子式的阶数就是矩阵的秩。

例子

考虑一个 $3\times 3$矩阵：

$$A=\left(\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 9\end{array}\right)$$

我们来计算这个矩阵的秩。

方法 1: 行简化阶梯形矩阵

通过初等行变换，我们将矩阵$A$化为行简化阶梯形矩阵：

1. 用$R_1$ 乘以 4 并减去 $R_2$，用$R_1$ 乘以 7 并减去$R_3$：

$$\left(\begin{array}{ccc}1& 2& 3\\ 0& -3& -6\\ 0& -6& -12\end{array}\right)$$

2. 用 $R_2$乘以 2 并减去$R_3$：

$$\left(\begin{array}{ccc}1& 2& 3\\ 0& -3& -6\\ 0& 0& 0\end{array}\right)$$

此时，矩阵的行简化阶梯形矩阵有 2 个非零行，因此矩阵的秩为 2。

方法 2: 行列式计算

计算 $A$的行列式：

$$\text{det}(A)=1(5\times 9-6\times 8)-2(4\times 9-6\times 7)+3(4\times 8-5\times 7)=0$$

因为$A$的行列式为零，所以矩阵的秩小于 3。接下来，我们计算它的主子式：

考虑矩阵$A$ 的$2\times 2$ 主子式，例如：

$$\text{det}\left(\begin{array}{cc}1& 2\\ 4& 5\end{array}\right)=1\times 5-2\times 4=-3\ne 0$$

由于存在非零的$2\times 2$主子式，所以矩阵的秩为 2。

例题

例题: 计算以下矩阵的秩：

$$B=\left(\begin{array}{cccc}2& 4& 1& 3\\ 1& 2& 2& 3\\ 3& 6& 3& 6\end{array}\right)$$

解答:

通过行简化阶梯形矩阵的方法：

1.$R_2$ 乘以 2 减去$R_1$：

$$\left(\begin{array}{cccc}2& 4& 1& 3\\ 0& 0& 3& 3\\ 3& 6& 3& 6\end{array}\right)$$

2. $R_3$ 减去$R_1$乘以 1.5：

$$\left(\begin{array}{cccc}2& 4& 1& 3\\ 0& 0& 3& 3\\ 0& 0& 1.5& 1.5\end{array}\right)$$

3. $R_3$ 乘以 2 减去 $R_2$：

$$\left(\begin{array}{cccc}2& 4& 1& 3\\ 0& 0& 3& 3\\ 0& 0& 0& 0\end{array}\right)$$

最后得到行简化阶梯形矩阵，其中有 2 个非零行，所以矩阵$B$的秩为 2。

这个例题展示了通过初等行变换来计算矩阵的秩的过程。

矩阵零空间与齐次线性方程组

• 矩阵的零空间

1. 零空间的定义

矩阵的零空间（Null Space）是由所有使得矩阵 $A$乘以向量 $\mathbf{x}$等于零向量的向量 $\mathbf{x}$组成的向量空间。形式上，给定一个 $m\times n$矩阵 $A$，零空间定义为：

Null ( A ) = { x ∈ R n : A x = 0 } \text{Null}(A) = \{ \mathbf{x} \in \mathbb{R}^n : A\mathbf{x} = \mathbf{0} \} Null(A)={x∈Rn:Ax=0}

2. 零空间的计算

计算矩阵 $A$的零空间的步骤如下：

1. 写出齐次线性方程组：将 $A\mathbf{x}=0$写为线性方程组的形式。

2. 将矩阵化为简化行阶梯形矩阵（RREF）：对矩阵 $A$进行行变换，将其化为简化行阶梯形矩阵。

3. 找出自由变量和主变量：在简化行阶梯形矩阵中，找出哪些变量是自由变量，哪些是主变量。

4. 表达解的通解形式：根据主变量和自由变量之间的关系，写出解的通解。

5. 找出零空间的基：通过将自由变量取为基向量，找出零空间的基。

下面内容来自chatgpt的自动生成
例子

例子 1

考虑矩阵 $A$为： $$A=\left(\begin{array}{ccc}1& 2& -1\\ 2& 4& -2\end{array}\right)$$

步骤 1：写出齐次线性方程组

我们需要解决方程 $A\mathbf{x}=0$，即 $$\left(\begin{array}{ccc}1& 2& -1\\ 2& 4& -2\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right)=\left(\begin{array}{c}0\\ 0\end{array}\right)$$

步骤 2：化为简化行阶梯形矩阵

通过对矩阵 $A$进行行变换，可以得到简化行阶梯形矩阵： $$\left(\begin{array}{ccc}1& 2& -1\\ 0& 0& 0\end{array}\right)$$

步骤 3：找出自由变量和主变量

• $x_1$是主变量，因为它对应的列有一个主元（1）。
• $x_2$和 $x_3$是自由变量。

步骤 4：表达通解

根据第一行，我们有 $x_1=x_3-2x_2$。因此，解可以表示为： $$\mathbf{x}=x_2\left(\begin{array}{c}-2\\ 1\\ 0\end{array}\right)+x_3\left(\begin{array}{c}1\\ 0\\ 1\end{array}\right)$$

步骤 5：找出零空间的基

零空间的基是 $$\left\{\left(\begin{array}{c}-2\\ 1\\ 0\end{array}\right),\left(\begin{array}{c}1\\ 0\\ 1\end{array}\right)\right\}$$

零空间的维度为 2。

#例子 2

考虑矩阵 $A$为： $$A=\left(\begin{array}{cccc}1& 2& 3& 4\\ 2& 4& 6& 8\\ 3& 6& 9& 12\end{array}\right)$$

步骤 1：写出齐次线性方程组

我们需要解决方程 $A\mathbf{x}=0$，即 $$\left(\begin{array}{cccc}1& 2& 3& 4\\ 2& 4& 6& 8\\ 3& 6& 9& 12\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\\ x_4\end{array}\right)=\left(\begin{array}{c}0\\ 0\\ 0\end{array}\right)$$

步骤 2：化为简化行阶梯形矩阵

通过行变换，矩阵 $A$的简化行阶梯形矩阵为： $$\left(\begin{array}{cccc}1& 2& 3& 4\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right)$$

步骤 3：找出自由变量和主变量

• $x_1$是主变量。
• $x_2,x_3,x_4$是自由变量。

步骤 4：表达通解

根据第一行，$x_1=-2x_2-3x_3-4x_4$。因此，解可以表示为： $$\mathbf{x}=x_2\left(\begin{array}{c}-2\\ 1\\ 0\\ 0\end{array}\right)+x_3\left(\begin{array}{c}-3\\ 0\\ 1\\ 0\end{array}\right)+x_4\left(\begin{array}{c}-4\\ 0\\ 0\\ 1\end{array}\right)$$

步骤 5：找出零空间的基

零空间的基是 $$\left\{\left(\begin{array}{c}-2\\ 1\\ 0\\ 0\end{array}\right),\left(\begin{array}{c}-3\\ 0\\ 1\\ 0\end{array}\right),\left(\begin{array}{c}-4\\ 0\\ 0\\ 1\end{array}\right)\right\}$$

零空间的维度为 3。

4. 例题

例题 1：求矩阵 $$A=\left(\begin{array}{ccc}2& 4& -2\\ -2& -4& 2\\ 4& 8& -4\end{array}\right)$$ 的零空间。

解：

1. 写出齐次线性方程组：$A\mathbf{x}=0$。
2. 化为简化行阶梯形矩阵： $$\left(\begin{array}{ccc}1& 2& -1\\ 0& 0& 0\\ 0& 0& 0\end{array}\right)$$
3. $x_1$是主变量，$x_2,x_3$是自由变量。
4. 解得 $x_1=x_3-2x_2$。
5. 零空间的基为： $$\left\{\left(\begin{array}{c}-2\\ 1\\ 0\end{array}\right),\left(\begin{array}{c}1\\ 0\\ 1\end{array}\right)\right\}$$ 零空间的维度为 2。

通过这些例子和步骤，你可以清楚地理解如何计算矩阵的零空间，以及它在解决线性代数问题中的作用。

• 零空间的详细定义

下面内容来自chatgpt的自动生成
零空间（Null
Space）是线性代数中的一个重要概念，它描述了一个线性变换或矩阵在将某些向量映射到零向量时的行为。为了深入理解零空间的定义，我们需要从矩阵和线性变换的角度来考察。

1. 零空间的定义

给定一个 $m\times n$ 的矩阵 $A$，零空间是所有满足 $A\mathbf{x}=0$ 的向量
$\mathbf{x}$ 的集合。其中，$\mathbf{x}$ 是一个 $n$ 维列向量，而 $0$ 是一个 $m$
维的零向量。形式化地，零空间可以表示为：

Null ( A ) = { x ∈ R n : A x = 0 } \text{Null}(A) = \{ \mathbf{x} \in \mathbb{R}^n : A\mathbf{x} = \mathbf{0} \} Null(A)={x∈Rn:Ax=0}

2. 零空间的性质

• 向量空间的子空间：零空间本身是一个向量空间，属于 ${\mathbb{R}}^n$ 的子空间。这意味着零空间是闭合的，对于加法和数乘操作都封闭。

• 包含零向量：零空间始终包含零向量 $0$，因为 $A0=0$ 对于任何矩阵 $A$ 都成立。

• 维度（空秩）：零空间的维度称为矩阵 $A$ 的空秩（nullity）。根据线性代数中的秩-空秩定理，有： $$\text{rank}(A)+\text{nullity}(A)=n$$ 其中，rank(A)
  是矩阵的秩，表示矩阵列向量的线性独立向量的个数，而 $n$ 是矩阵的列数。

3. 零空间的几何意义

在几何上，零空间代表了所有被线性变换 $A$ 映射到原点的向量。换句话说，零空间中的向量是那些在经过变换 $A$ 后“消失”的向量。对于一个
$m\times n$ 矩阵 $A$ 来说，如果零空间只有零向量，那么 $A$
将是满秩矩阵，其列向量是线性无关的。如果零空间包含非零向量，则这些向量构成一个更高维度的子空间。

4. 零空间的计算方法

零空间的计算通常涉及以下步骤：

1. 设立齐次方程组：解方程 $A\mathbf{x}=0$。

2. 行化简矩阵：将矩阵 $A$ 通过初等行变换化为简化行阶梯形矩阵（RREF），以便识别出线性方程组中的自由变量和主变量。

3. 表达零空间：利用自由变量和主变量之间的关系，找出所有可能的解，并用这些解来构造零空间的基。

4. 确定零空间的维度：根据自由变量的个数确定零空间的维度。

5. 零空间的作用

• 解齐次线性方程组：零空间直接提供了齐次线性方程组 $A\mathbf{x}=0$ 的所有解。

• 分析线性变换：零空间可以用来分析线性变换的核，帮助理解哪些输入被映射到零向量。

• 理论基础：零空间在各种线性代数理论中起到了基础性作用，如秩-空秩定理、基本子空间定理等。

6. 零空间的例子

假设我们有矩阵 $A$： $$A=\left(\begin{array}{ccc}1& 2& -1\\ 2& 4& -2\end{array}\right)$$ 我们要找出 $A$ 的零空间。

1. 设立方程 $A\mathbf{x}=0$，即 $$\left(\begin{array}{ccc}1& 2& -1\\ 2& 4& -2\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right)=\left(\begin{array}{c}0\\ 0\end{array}\right)$$

2. 行化简矩阵 $A$： $$\left(\begin{array}{ccc}1& 2& -1\\ 0& 0& 0\end{array}\right)$$

3. 解得 $x_1=x_3-2x_2$，因此零空间表示为： $$\mathbf{x}=x_2\left(\begin{array}{c}-2\\ 1\\ 0\end{array}\right)+x_3\left(\begin{array}{c}1\\ 0\\ 1\end{array}\right)$$

4. 零空间的基为 $$\left\{\left(\begin{array}{c}-2\\ 1\\ 0\end{array}\right),\left(\begin{array}{c}1\\ 0\\ 1\end{array}\right)\right\}$$ 零空间的维度为 2。

综上所述，零空间描述了矩阵作用下被映射到零的所有向量，反映了矩阵的内在特性和线性变换的性质。

• 矩阵的零空间（Null Space）和齐次线性方程组之间有着密切的联系。
  零空间通常与线性代数中的线性变换和矩阵的列空间相联系，而齐次线性方程组则是线性代数中方程组的一种形式。
  以下是两者的详细解释及其关系：

下面内容来自chatgpt的自动生成

1. 矩阵的零空间

• 定义：矩阵 $A$ 的零空间是由所有满足 $A\mathbf{x}=0$ 的向量 $\mathbf{x}$ 组成的向量空间。换句话说，零空间是所有被矩阵 $A$ 变换到零向量的向量的集合。

• 符号表示：如果 $A$ 是一个 $m\times n$ 的矩阵，那么零空间可以表示为： Null ( A ) = { x ∈ R n : A x = 0 } \text{Null}(A) = \{ \mathbf{x} \in \mathbb{R}^n : A\mathbf{x} = \mathbf{0} \} Null(A)={x∈Rn:Ax=0}

• 性质：零空间是一个向量空间，其维度称为矩阵 $A$ 的空秩（nullity）。空秩和矩阵的秩（rank）之间有如下关系： $$\text{rank}(A)+\text{nullity}(A)=n$$ 其中 $n$ 是矩阵 $A$ 的列数。

2. 齐次线性方程组

• 定义：齐次线性方程组是形如 $A\mathbf{x}=0$ 的方程组，其中 $A$ 是一个已知的 $m\times n$ 矩阵，$\mathbf{x}$ 是未知向量，而 $0$ 是零向量。

• 解集：方程组的解集就是所有满足 $A\mathbf{x}=0$ 的向量 $\mathbf{x}$。这正是矩阵 $A$ 的零空间。

• 解的结构：对于齐次线性方程组 $A\mathbf{x}=0$，总是至少有一个解，即零向量 $\mathbf{x}=0$。如果零空间的维度大于
  0，那么还存在无数个非零解，所有解的集合构成一个向量空间，这个向量空间就是矩阵 $A$ 的零空间。

3. 关系总结

• 齐次线性方程组的解与零空间：矩阵 $A$ 的零空间就是齐次线性方程组 $A\mathbf{x}=0$ 的解空间。换句话说，零空间包含了所有使得齐次方程成立的向量。

• 零空间的维度与解的个数：零空间的维度（空秩）表示齐次线性方程组解的自由度，即非零解向量的独立参数的数量。

例子

设矩阵 $A$ 为： $$A=\left(\begin{array}{ccc}1& 2& -1\\ 2& 4& -2\end{array}\right)$$

考虑齐次线性方程组 $A\mathbf{x}=0$：

$$\left(\begin{array}{ccc}1& 2& -1\\ 2& 4& -2\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right)=\left(\begin{array}{c}0\\ 0\end{array}\right)$$

这个方程组有无数个解，因为第二行是第一行的两倍，所以其实只有一个独立的方程：

$$x_1+2x_2-x_3=0$$

解得 $x_1=x_3-2x_2$，因此零空间中的向量可以表示为： $$\mathbf{x}=x_2\left(\begin{array}{c}-2\\ 1\\ 0\end{array}\right)+x_3\left(\begin{array}{c}1\\ 0\\ 1\end{array}\right)$$ 零空间的维度为 2，意味着有两个自由变量 $x_2$ 和 $x_3$。

总之，矩阵的零空间与齐次线性方程组之间的关系可以帮助我们理解解的结构以及线性变换的特性。

参考文献

1.文心一言
2.《矩阵论》第三版
3.ChatGPT