其他相关内容
线性方程组和矩阵
矩阵和行列式
向量组及其线性组合
向量组线性相关性
特征值和特征向量
相似矩阵和相似对角化
二次型
番外
向量空间
矩阵A可逆的和相似的一些性质
常见向量的运算
矩阵向量求导
矩阵对角化相关推导
伴随矩阵及其运算
关于特征值和特征向量的一些公式推导
线性方程组
齐次和非齐次
设有
n
n
n个未知数的
m
m
m个线性方程组
(A)
{
a
11
x
1
+
a
12
x
2
+
⋯
+
a
1
n
x
n
=
b
1
,
a
21
x
1
+
a
22
x
2
+
⋯
+
a
2
n
x
n
=
b
2
,
⋯
⋯
a
m
1
x
1
+
a
m
2
x
2
+
⋯
+
a
m
n
x
n
=
b
m
,
\left\{\begin{aligned} &a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1,\\ &a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n=b_2,\\ &\cdots\cdots\\ &a_{m1}x_1+a_{m2}x_2+\cdots+a_{mn}x_n=b_m,\\ \end{aligned} \right.\tag{A}
⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧a11x1+a12x2+⋯+a1nxn=b1,a21x1+a22x2+⋯+a2nxn=b2,⋯⋯am1x1+am2x2+⋯+amnxn=bm,(A)
其中
a
i
j
a_{ij}
aij是第
i
i
i个方程的第
j
j
j个未知数的系数,
b
i
b_i
bi是第
i
i
i个方程的常数项,
i
=
1
,
2
,
…
,
m
;
j
=
1
,
2
,
…
,
n
i=1,2,\dots,m;j=1,2,\dots,n
i=1,2,…,m;j=1,2,…,n,
当常数项
b
1
,
b
2
,
…
,
b
m
b_1,b_2,\dots,b_m
b1,b2,…,bm不全为零的时候。线性方程组
(
A
)
(A)
(A)叫做
n
n
n元非齐次线性方程组。
当常数项
b
1
,
b
2
,
…
,
b
m
b_1,b_2,\dots,b_m
b1,b2,…,bm全为零的时候。
(B)
{
a
11
x
1
+
a
12
x
2
+
⋯
+
a
1
n
x
n
=
0
,
a
21
x
1
+
a
22
x
2
+
⋯
+
a
2
n
x
n
=
0
,
⋯
⋯
a
m
1
x
1
+
a
m
2
x
2
+
⋯
+
a
m
n
x
n
=
0
,
\left\{\begin{aligned} &a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=0,\\ &a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n=0,\\ &\cdots\cdots\\ &a_{m1}x_1+a_{m2}x_2+\cdots+a_{mn}x_n=0,\\ \end{aligned} \right.\tag{B}
⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧a11x1+a12x2+⋯+a1nxn=0,a21x1+a22x2+⋯+a2nxn=0,⋯⋯am1x1+am2x2+⋯+amnxn=0,(B)
线性方程组
(
A
)
(A)
(A)叫做
n
n
n元齐次线性方程组。
平凡解和非平凡解
对于n元齐次线性方程组
(
B
)
(\mathbf{B})
(B),
x
1
=
x
2
=
⋯
=
x
n
=
0
x_1=x_2=\cdots=x_n=0
x1=x2=⋯=xn=0一定是它的解,这个解叫做其次线性方程组
(
B
)
(\mathbf{B})
(B)的零解(也叫平凡解——大家都有没什么稀奇的)。
如果一组不为零的数是
(
B
)
(\mathbf{B})
(B)的解,则它叫做齐次线性方程组
(
B
)
(B)
(B)的非零解。
其次线性方程组
(
B
)
(\mathbf{B})
(B)一定有零解,但是不一定有非零解。
若
m
<
n
m<n
m<n则,此时
m
×
n
m\times n
m×n的齐次线性方程组有非零解(非平凡解)
##方程组相容与不相容
如果线性方程组无解,则称该线性方程组是不相容的(
i
n
c
o
n
s
i
s
t
e
n
t
inconsistent
inconsistent)
如果线性方程组至少存在一个解,这称该方程组是相容的(
c
o
n
s
i
s
t
e
n
t
consistent
consistent)
等价方程组
定义
若两个含有相同变量的方程组具有相同的解集,则称它们是等价的( e q u i v a l e n t equivalent equivalent)
得到等价方程组的方法
- 交换任意两个方程的顺序(交换)
- 任一方程两边同乘一个非零的实数(数乘)
- 任一方程的倍数加到另一个方程上(倍加)
线性方程组的矩阵形式:
A m × n x n × 1 = b m × 1 \mathbf{A}_{m\times n}\mathbf{x}_{n\times 1}=\mathbf{b}_{m\times 1} Am×nxn×1=bm×1
当
b
=
0
\mathbf{b}=\mathbf{0}
b=0时得到
m
m
m个方程的
n
n
n元齐次线性方程组的矩阵形式
A
m
×
n
x
n
×
1
=
0
m
×
1
\mathbf{A}_{m\times n}\mathbf{x}_{n\times 1}=\mathbf{0}_{m\times 1}
Am×nxn×1=0m×1
其中:
A
=
(
a
i
j
)
\mathbf{A}=(a_{ij})
A=(aij)为
b
i
b_i
bi系数矩阵,
x
=
(
x
1
,
x
2
,
…
,
x
n
)
T
\mathbf{x}=(x_1,x_2,\dots,x_n)^T
x=(x1,x2,…,xn)T为未知数矩阵
b
=
(
b
1
,
b
2
,
…
,
b
m
)
T
\mathbf{b}=(b_1,b_2,\dots,b_m)^T
b=(b1,b2,…,bm)T为常数项矩阵
B
=
(
A
,
b
)
=
(
a
11
a
12
⋯
a
1
n
b
1
a
21
a
22
⋯
a
2
n
b
2
⋮
⋮
⋱
⋮
⋮
a
m
1
a
m
2
⋯
a
m
n
b
m
)
\mathbf{B}=\left(\color{green}{\mathbf{A}},\color{pink}{\mathbf{b}}\right)=\begin{pmatrix} \color{green}{a_{11}} & \color{green}{a_{12} }&\color{green} \cdots & \color{green}{a_{1n} }&\color{pink}{b_1}\\ \color{green}{a_{21}} & \color{green}{a_{22}} &\color{green}\cdots & \color{green}{a_{2n}}&\color{pink}{b_2} \\ \color{green} \vdots &\color{green}\vdots &\color{green} \ddots & \vdots&\color{pink}\vdots\\ \color{green} {a_{m1}} & \color{green}{a_{m2}} & \color{green}\cdots & \color{green}{a_{mn}}&\color{pink}{b_m} \\ \end{pmatrix}
B=(A,b)=⎝⎜⎜⎜⎛a11a21⋮am1a12a22⋮am2⋯⋯⋱⋯a1na2n⋮amnb1b2⋮bm⎠⎟⎟⎟⎞
称为增广矩阵
严格三角矩阵
若方程组中,第 k k k个方程的前 k − 1 k-1 k−1个变量的系数均为零,且 x k ( k = 1 , … , n ) x_k(k=1,\dots,n) xk(k=1,…,n)的系数不为零,则称该方程组为严格三角形的(strict triangular form)
关于增广矩阵
增广矩阵的每一行第一个非零元对应的变量称为首变量(lead variables)
化简过程中跳过的列对应的变量称为自由变量(free variables)
线性方程组的超定和亚定
超定:
若一个线性方程组的(
m
>
n
m>n
m>n)方程的个数多于未知量的个数,则称其为超定(
o
v
e
r
d
e
t
e
r
m
i
n
e
d
overdetermined
overdetermined)超定方程组通常是(但不总是)不相容的。
###亚定:
若一个线性方程组的(
m
<
n
m<n
m<n)方程的个数少于未知量的个数,则称其为亚定(
u
n
d
e
r
d
e
t
e
r
m
i
n
e
d
underdetermined
underdetermined)亚定方程组通常(但不总是)相容的,而且有无穷多解
亚定方程组不可能唯有一解,这是因为系数矩阵的行阶梯型均有
r
≤
m
r\leq m
r≤m个非零行。因此,必有
r
r
r个首变量和
n
−
r
n-r
n−r个自由变量,其中
n
−
r
≥
n
−
m
>
0
n-r\geq n-m >0
n−r≥n−m>0,因此若方程相容,则可以给自由变量任意赋值,并且同时求得首变量的值,此时一个亚定的方程组会有无穷多解。
向量线性组合
定义:若
a
1
,
a
2
,
…
,
a
n
\mathbf{a_1},\mathbf{a_2},\dots,\mathbf{a_n}
a1,a2,…,an为
R
m
\mathbf{R}^m
Rm中的向量,且
c
1
,
c
2
,
…
,
c
n
c_1,c_2,\dots,c_n
c1,c2,…,cn为标量,则和式
c
1
a
1
+
c
2
a
2
+
⋯
+
c
n
a
n
c_1\mathbf{a_1}+c_2\mathbf{a_2}+\cdots+c_n\mathbf{a_n}
c1a1+c2a2+⋯+cnan
称为向量
a
1
,
a
2
,
…
,
a
n
\mathbf{a_1},\mathbf{a_2},\dots,\mathbf{a_n}
a1,a2,…,an的一个线性组合(linear combination)
线性方程组的相容定理
一个线性方程组 A x = b \color{red}{\mathbf{A}}\color{blue}{\mathbf{x}}=\color{lightgreen}{\mathbf{b}} Ax=b相容的充要条件是向量 b \color{lightgreen}{\mathbf{b}} b可以写成矩阵 A \color{red}{\mathbf{A}} A列向量的一个线性组合
线性方程组的解
定理
n
n
n元线性方程组
A
x
=
b
A\mathbf{x}=\mathbf{b}
Ax=b
(
i
)
(i)
(i)无解的充分必要条件是
R
(
A
)
<
R
(
A
,
b
)
R(A)<R(A,\mathbf{b})
R(A)<R(A,b)
(
i
i
)
(ii)
(ii)有唯一解的充分必要条件是
R
(
A
)
=
R
(
A
,
b
)
=
n
R(A)=R(A,\mathbf{b})=n
R(A)=R(A,b)=n
(
i
i
i
)
(iii)
(iii)有无穷多解的充分必要条件是
R
(
A
)
=
R
(
A
,
b
)
<
n
R(A)=R(A,\mathbf{b})<n
R(A)=R(A,b)<n
定理
n
n
n元齐次线性方程组
A
x
=
0
A\mathbf{x}=0
Ax=0有非零解的充分必要条件是
R
(
A
)
<
n
R(A)<n
R(A)<n
定理
线性方程组
A
x
=
b
A\mathbf{x}=\mathbf{b}
Ax=b有解的充分必要条件是
R
(
A
)
=
R
(
A
,
b
)
R(A)=R(A,\mathbf{b})
R(A)=R(A,b)
定理
矩阵方程
A
m
×
n
X
n
×
l
=
B
m
×
l
A_{m\times n}X_{n\times l}=B_{m\times l}
Am×nXn×l=Bm×l有解的充分必要条件是
R
(
A
)
=
R
(
A
,
B
)
R(A)=R(A,B)
R(A)=R(A,B)
定理
设
A
B
=
C
AB=C
AB=C,则
R
(
C
)
≤
min
{
R
(
A
)
,
R
(
B
)
}
R(C)\leq\min\{R(A),R(B)\}
R(C)≤min{R(A),R(B)}
矩阵
矩阵的定义
由
m
×
n
m\times n
m×n个数
a
i
j
(
i
=
1
,
2
,
⋯
 
,
m
;
j
=
1
,
2
,
⋯
 
,
n
)
a_{ij}(i=1,2,\cdots,m;j=1,2,\cdots,n)
aij(i=1,2,⋯,m;j=1,2,⋯,n)排成
m
m
m行
n
n
n列的数表
a
11
a
12
⋯
a
1
n
a
21
a
22
⋯
a
2
n
⋮
⋮
⋱
⋮
a
m
1
a
m
2
⋯
a
m
n
\begin{matrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots &\vdots & \ddots & \vdots\\ a_{m1} & a_{m2} & \cdots & a_{mn} \\ \end{matrix}
a11a21⋮am1a12a22⋮am2⋯⋯⋱⋯a1na2n⋮amn
此时称其为
m
m
m行
n
n
n列的矩阵,简称
m
×
n
m\times n
m×n矩阵,为了表示它是一个整体,总是加一个括号,并且使用大写字母表示它。
A
=
(
a
11
a
12
⋯
a
1
n
a
21
a
22
⋯
a
2
n
⋮
⋮
⋱
⋮
a
m
1
a
m
2
⋯
a
m
n
)
\mathbf{A}=\begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots &\vdots & \ddots & \vdots\\ a_{m1} & a_{m2} & \cdots & a_{mn} \\ \end{pmatrix}
A=⎝⎜⎜⎜⎛a11a21⋮am1a12a22⋮am2⋯⋯⋱⋯a1na2n⋮amn⎠⎟⎟⎟⎞
矩阵的几种表示形式:
以
a
i
j
a_{ij}
aij作为
(
i
,
j
)
(i,j)
(i,j)元的矩阵可以简记为
(
a
i
j
)
(a_{ij})
(aij)或者
(
a
i
j
)
m
×
n
(a_{ij})_{m\times n}
(aij)m×n
m
×
n
m\times n
m×n的矩阵
A
\mathbf{A}
A也可以记作
A
m
×
n
\mathbf{A}_{m\times n}
Am×n
几种特殊矩阵
行向量( 1 × n 1\times n 1×n)
只有一行的矩阵
A
=
(
a
1
,
a
2
,
…
,
a
n
)
\mathbf{A}=(a_1,a_2,\dots,a_n)
A=(a1,a2,…,an)
称为行矩阵,或者行向量
列向量( m × 1 m\times 1 m×1)
只有一列的矩阵
B
=
(
b
1
b
2
⋮
b
m
)
\mathbf{B}=\begin{pmatrix} b_{1} \\ b_{2} \\ \vdots \\ b_{m} \\ \end{pmatrix}
B=⎝⎜⎜⎜⎛b1b2⋮bm⎠⎟⎟⎟⎞
称为列矩阵,又称列向量
方阵
如果矩阵的行数和列数都为 n n n则称矩阵 A \mathbf{A} A为** n n n阶方阵**,或者** n n n阶矩阵**
同型矩阵
如果两个矩阵的行数和列数相同,则称他们是同型矩阵
###矩阵相等
如果两个矩阵
A
=
(
a
i
j
)
\mathbf{A}=(a_{ij})
A=(aij)和
B
=
(
b
i
j
)
\mathbf{B}=(b_{ij})
B=(bij)是同型矩阵,并且他们的对应元素相等
即:
a
i
j
=
b
i
j
(
i
=
1
,
2
,
…
,
m
;
j
=
1
,
2
,
…
,
n
)
a_{ij}=b_{ij}(i=1,2,\dots,m;j=1,2,\dots,n)
aij=bij(i=1,2,…,m;j=1,2,…,n)
则称矩阵
A
A
A和矩阵
B
B
B相等
零矩阵
如果矩阵的元素都为零则称矩阵为零矩阵,记作 O O O,不同型的零矩阵是不同的。
三角和对角矩阵(方阵)
三角
一个
n
×
n
n\times n
n×n的矩阵
A
\mathbf{A}
A
当
i
>
j
i>j
i>j则称其是上三角形的矩阵
当
i
<
j
i<j
i<j则称其是下三角形的矩阵
当矩阵
A
A
A为上三角形矩阵或者下三角形的矩阵则称
A
A
A为三角形矩阵
对角
一个
n
×
n
n\times n
n×n的矩阵
A
\mathbf{A}
A
当
i
≠
j
i\neq j
i̸=j时,
a
i
j
=
0
a_{ij}=0
aij=0则称其是对角矩阵
单位矩阵(方阵)
正如数字
1
1
1是实数乘法中的单位元一样,也存在一个特殊矩阵
I
I
I是矩阵乘法中的单位元,即:
I
A
=
A
I
=
A
\mathbf{IA}=\mathbf{AI}=\mathbf{A}
IA=AI=A
对任意的
n
×
n
n\times n
n×n矩阵
A
\mathbf{A}
A都成立。
定义
n
×
n
n\times n
n×n的单位矩阵(identity matrix)为矩阵
I
=
(
δ
i
j
)
\mathbf{I}=(\delta_{ij})
I=(δij),其中
δ
i
j
=
{
1
当
i
=
j
0
当
i
≠
j
\delta_{ij}=\left\{\begin{aligned} &1&\text{当}i=j\\ &0&\text{当}i\neq j\\ \end{aligned}\right.
δij={10当i=j当i̸=j
逆矩阵(方阵)
定义
若存在一个矩阵
B
\mathbf{B}
B使得
B
A
=
A
B
=
I
\mathbf{BA}=\mathbf{AB}=\mathbf{I}
BA=AB=I,则称矩阵
A
\mathbf{A}
A为非奇异的(nonsingular)或者可逆的(invertible)(大概是因为
n
×
n
n\times n
n×n的矩阵行列式大多数都不为零)
此时矩阵
B
\mathbf{B}
B称为矩阵
A
\mathbf{A}
A的乘法逆元(multiplicative inverse)
逆元的唯一性
若
B
\mathbf{B}
B和
C
\mathbf{C}
C都是
A
\mathbf{A}
A的乘法逆元,则
B
=
B
I
=
B
(
A
C
)
=
(
B
A
)
C
=
I
C
=
C
\mathbf{B}=\mathbf{BI}=\mathbf{B(AC)}=\mathbf{(BA)C}=\mathbf{IC}=\mathbf{C}
B=BI=B(AC)=(BA)C=IC=C
初等矩阵(方阵)
定义
从单位矩阵 I \mathbf{I} I开始,只进行一次初等行变化,得到的矩阵称为初等矩阵
三类初等矩阵
原先的矩阵
I
=
E
0
=
(
1
0
0
0
1
0
0
0
1
)
\mathbf{I}=\mathbf{E}_0=\begin{pmatrix} 1&0&0\\ 0&1&0\\ 0&0&1\\ \end{pmatrix}
I=E0=⎝⎛100010001⎠⎞
交换
第一类初等矩阵由交换
I
\mathbf{I}
I的两行得到
E
1
=
(
0
1
0
1
0
0
0
0
1
)
\mathbf{E}_1=\begin{pmatrix} 0&1&0\\ 1&0&0\\ 0&0&1\\ \end{pmatrix}
E1=⎝⎛010100001⎠⎞
数乘
第二类初等矩阵由
I
\mathbf{I}
I的某一行乘以一个非零常数得到
E
2
=
(
1
0
0
0
1
0
0
0
3
)
\mathbf{E}_2=\begin{pmatrix} 1&0&0\\ 0&1&0\\ 0&0&3\\ \end{pmatrix}
E2=⎝⎛100010003⎠⎞
倍加
第一类初等矩阵由
I
\mathbf{I}
I的一行倍加到另一行得到
E
3
=
(
1
0
3
0
1
0
0
0
1
)
\mathbf{E}_3=\begin{pmatrix} 1&0&3\\ 0&1&0\\ 0&0&1\\ \end{pmatrix}
E3=⎝⎛100010301⎠⎞
一般的假设:
如果
A
\mathbf{A}
A是一个
m
×
n
m\times n
m×n的矩阵,
A
\mathbf{A}
A左乘
E
\mathbf{E}
E等价于对
A
\mathbf{A}
A进行相应的行运算。
如果
B
\mathbf{B}
B是一个
m
×
n
m\times n
m×n的矩阵,
B
\mathbf{B}
B右乘
E
\mathbf{E}
E等价于对
B
\mathbf{B}
B进行相应的列运算。
(i)
A
∼
r
B
\mathbf A \mathop{\sim}\limits^{r} \mathbf B
A∼rB
⇔
\Leftrightarrow
⇔存在
m
m
m阶可逆矩阵
P
P
P使得
P
A
=
B
PA=B
PA=B
(ii)
A
∼
c
B
\mathbf A \mathop{\sim}\limits^{c}\mathbf B
A∼cB
⇔
\Leftrightarrow
⇔存在
n
n
n阶可逆矩阵
Q
Q
Q使得
A
Q
=
B
AQ=B
AQ=B
(iii)
A
∼
B
\mathbf A\sim\mathbf B
A∼B
⇔
\Leftrightarrow
⇔存在
m
m
m阶可逆矩阵
P
P
P,
n
n
n阶可逆矩阵
Q
Q
Q使得
P
A
Q
=
B
PAQ=B
PAQ=B
相关概念
定理:
若
E
\mathbf{E}
E为一个初等矩阵,则
E
\mathbf{E}
E是非奇异的,则
E
−
1
\mathbf{E}^{-1}
E−1为与它同类型的初等矩阵
定义:
若存在一个有限初等矩阵的序列
E
1
,
E
1
,
…
,
E
k
\mathbf{E}_1,\mathbf{E}_1,\dots,\mathbf{E}_k
E1,E1,…,Ek,使得
B
=
E
k
E
k
−
1
,
⋯
 
,
E
1
A
\mathbf{B}=\mathbf{E}_k\mathbf{E}_{k-1},\cdots,\mathbf{E}_1\mathbf{A}
B=EkEk−1,⋯,E1A
则称
A
\mathbf{A}
A和
B
\mathbf{B}
B 为行等价
行阶梯型矩阵
若非零矩阵
A
A
A满足:
(i)非零行在零行上面
(ii)非零行的首非零元所在列的上一行(如果存在的话)的首非零元所在列的右面,则称此矩阵为行阶梯形矩阵
进一步:
如果
A
A
A是行阶梯形矩阵,并且还满足:(i)非零行的首非零元为
1
1
1
(ii)非零行所在的列的其他元均为0,则称
A
A
A为行最简形矩阵
矩阵的秩
定义:
在
m
×
n
m\times n
m×n矩阵
A
A
A中,任意取
k
k
k行和
k
k
k列(
k
≤
m
,
k
≤
n
k\leq m,k\leq n
k≤m,k≤n),位于这些行列式交叉处的
k
2
k^2
k2个元素,不改变他们在
A
A
A中所处的位置次序而得到的
k
k
k阶行列式,称为矩阵
A
A
A的
k
k
k阶子式
引理:
假设
A
∼
r
B
A\mathop{\sim}\limits^{r}B
A∼rB则
A
A
A与
B
B
B中非零子式的最高阶数相等
定义:
假设在矩阵
A
A
A中有一个不等于
0
0
0的
r
r
r阶子式
D
D
D,且所有
r
+
1
r+1
r+1阶子式(如果存在的话)全等于
0
0
0,那么
D
D
D称为
A
A
A的最高阶非零子式,数
r
r
r称为矩阵
A
A
A,记作
R
(
A
)
R(A)
R(A),并且规定零矩阵的秩等于
0
0
0
对于方阵
可逆矩阵$\Leftrightarrow
<
f
o
n
t
c
o
l
o
r
=
"
r
e
d
"
s
i
z
e
=
"
5
"
>
满
秩
矩
阵
<
/
f
o
n
t
>
<
f
o
n
t
c
o
l
o
r
=
"
b
l
u
e
"
s
i
z
e
=
"
5
"
>
不
可
逆
可
逆
矩
阵
(
奇
异
矩
阵
)
<
/
f
o
n
t
>
<font color="red" size="5">满秩矩阵</font> <font color="blue" size="5">不可逆可逆矩阵(奇异矩阵)</font>
<fontcolor="red"size="5">满秩矩阵</font><fontcolor="blue"size="5">不可逆可逆矩阵(奇异矩阵)</font>\Leftrightarrow $降秩矩阵
矩阵秩的基本性质
对于
1
:
0
≤
R
(
A
m
×
n
)
≤
min
{
m
,
n
}
1:0\leq{R(A_{m\times n})\leq\min\{m,n\}}
1:0≤R(Am×n)≤min{m,n}
2
:
R
(
A
n
×
m
T
)
=
R
(
A
m
×
n
)
2:R(A^T_{n\times m})=R(A_{m\times n})
2:R(An×mT)=R(Am×n)
3
:
若
A
m
×
n
∼
B
m
×
n
,
则
R
(
A
m
×
n
)
=
R
(
B
m
×
n
)
3:若A_{m\times n}\sim B_{m\times n},则R(A_{m\times n})=R(B_{m\times n})
3:若Am×n∼Bm×n,则R(Am×n)=R(Bm×n)
4
:
若
P
m
×
m
、
Q
n
×
n
可
逆
,
则
R
(
P
m
×
m
A
m
×
n
Q
n
×
n
)
=
R
(
A
m
×
n
)
4:若P_{m\times m}、Q_{n\times n}可逆,则R(P_{m\times m}A_{m\times n}Q_{n\times n})=R(A_{m\times n})
4:若Pm×m、Qn×n可逆,则R(Pm×mAm×nQn×n)=R(Am×n)
5
:
max
{
R
(
A
)
,
R
(
B
)
}
≤
R
(
A
,
B
)
≤
R
(
A
)
+
R
(
B
)
5:\max\{R(A),R(B)\}\leq R(A,B)\leq R(A)+R(B)
5:max{R(A),R(B)}≤R(A,B)≤R(A)+R(B)
6
:
R
(
A
+
B
)
≤
R
(
A
)
+
R
(
B
)
6:R(A+B)\leq R(A)+R(B)
6:R(A+B)≤R(A)+R(B)
7
:
R
(
A
B
)
≤
min
{
R
(
A
)
,
R
(
B
)
}
7:R(AB)\leq \min\{R(A),R(B)\}
7:R(AB)≤min{R(A),R(B)}
8
:
若
A
m
×
n
B
n
×
l
,
则
R
(
A
)
+
R
(
B
)
≤
n
8:若A_{m\times n}B_{n\times l},则R(A)+R(B)\leq n
8:若Am×nBn×l,则R(A)+R(B)≤n