向量 vector
1). 由n个数 a 1 , a 2 , ⋯   , a n a_1, a_2, \cdots, a_n a1,a2,⋯,an组成的有序数组 ( a 1 , a 2 , ⋯   , a n ) (a_1, a_2, \cdots, a_n) (a1,a2,⋯,an)，向量元素成为分量，写成行为行向量，写成列为列向量
向量的线性关系
1). 零向量可由任意向量表示
2). 向量组中任一向量可由向量组表示
3). 任意向量可由n维单位（基本）向量组表示
线性相关与线性无关
若存在一组不全为0的
k
i
k_i
ki，使
k
1
⋅
α
1
+
k
2
⋅
α
2
+
⋯
+
k
n
⋅
α
n
=
0
k_1 \cdot \alpha_1 + k_2 \cdot \alpha_2 + \cdots + k_n \cdot \alpha_n = 0
k1⋅α1+k2⋅α2+⋯+kn⋅αn=0，则
α
1
,
α
2
,
⋯
 
,
α
n
\alpha_1, \alpha_2, \cdots, \alpha_n
α1,α2,⋯,αn线性相关，否则为线性无关
1). 向量组中两向量曾比例，一定线性相关
2). 含零向量的任意向量组一定线性相关
3). 一个零向量必线性相关
4). 任意一个非零向量必线性无关
5). 线性无关的向量组，接长向量组也无关
6). 线性相关的向量组，截短向量组也相关
例
{
α
s
=
(
a
1
a
2
⋯
a
n
)
β
s
=
(
b
1
b
2
⋯
b
m
)
\begin {cases} \alpha_s = (a_1 ~ a_2 ~ \cdots ~ a_n) \\ \beta_s = (b_1 ~ b_2 ~ \cdots ~ b_m) \end {cases}
{αs=(a1 a2 ⋯ an)βs=(b1 b2 ⋯ bm)
{
α
l
=
(
a
1
a
2
⋯
a
n
⋯
a
s
)
β
l
=
(
b
1
b
2
⋯
b
m
⋯
b
k
)
\begin {cases} \alpha_l = (a_1 ~ a_2 ~ \cdots ~ a_n ~ \cdots ~ a_s) \\ \beta_l = (b_1 ~ b_2 ~ \cdots ~ b_m ~ \cdots ~ b_k) \end {cases}
{αl=(a1 a2 ⋯ an ⋯ as)βl=(b1 b2 ⋯ bm ⋯ bk)
线性组合与线性相关
定理1.
α
1
,
α
2
,
⋯
 
,
α
s
\alpha_1, \alpha_2, \cdots, \alpha_s
α1,α2,⋯,αs线性相关
⟺
\Longleftrightarrow
⟺至少一个向量可由其余向量表示
定理2.
α
1
,
α
2
,
⋯
 
,
α
s
\alpha_1, \alpha_2, \cdots, \alpha_s
α1,α2,⋯,αs线性无关
α
1
,
α
2
,
⋯
 
,
α
s
,
β
\alpha_1, \alpha_2, \cdots, \alpha_s, \beta
α1,α2,⋯,αs,β线性相关
⟺
β
\Longleftrightarrow \beta
⟺β可由
α
1
,
α
2
,
⋯
 
,
α
s
\alpha_1, \alpha_2, \cdots, \alpha_s
α1,α2,⋯,αs唯一表示
替换定理
1).
α
1
,
α
2
,
⋯
 
,
α
s
\alpha_1, \alpha_2, \cdots, \alpha_s
α1,α2,⋯,αs线性无关，可由
β
1
,
β
2
,
⋯
 
,
β
t
\beta_1, \beta_2, \cdots, \beta_t
β1,β2,⋯,βt表示，则
s
≤
t
s \leq t
s≤t；
2).
α
1
,
α
2
,
⋯
 
,
α
s
\alpha_1, \alpha_2, \cdots, \alpha_s
α1,α2,⋯,αs可由
β
1
,
β
2
,
⋯
 
,
β
t
\beta_1, \beta_2, \cdots, \beta_t
β1,β2,⋯,βt表示，若
s
>
t
s > t
s>t，则
α
1
,
α
2
,
⋯
 
,
α
s
\alpha_1, \alpha_2, \cdots, \alpha_s
α1,α2,⋯,αs线性相关
推论1. m个n维向量必线性相关，
m
>
n
m > n
m>n
两个等价的线性无关向量组含向量的个数相同
向量组的秩：极大线性无关组含向量的个数
极大线性无关组：
α
1
,
α
2
,
⋯
 
,
α
s
\alpha_1, \alpha_2, \cdots, \alpha_s
α1,α2,⋯,αs的部分组
α
1
,
α
2
,
⋯
 
,
α
r
\alpha_1, \alpha_2, \cdots, \alpha_r
α1,α2,⋯,αr
1).
α
1
,
α
2
,
⋯
 
,
α
r
\alpha_1, \alpha_2, \cdots, \alpha_r
α1,α2,⋯,αr线性无关；
2). 每个向量均可由
α
1
,
α
2
,
⋯
 
,
α
r
\alpha_1, \alpha_2, \cdots, \alpha_r
α1,α2,⋯,αr表示；
3).
α
1
,
α
2
,
⋯
 
,
α
r
,
α
r
+
1
\alpha_1, \alpha_2, \cdots, \alpha_r, \alpha_{r+1}
α1,α2,⋯,αr,αr+1线性相关
定理：
α
1
,
α
2
,
⋯
 
,
α
s
\alpha_1, \alpha_2, \cdots, \alpha_s
α1,α2,⋯,αs可由
β
1
,
β
2
,
⋯
 
,
β
t
\beta_1, \beta_2, \cdots, \beta_t
β1,β2,⋯,βt表示，则
r
(
α
1
,
α
2
,
⋯
 
,
α
s
)
≤
r
(
β
1
,
β
2
,
⋯
 
,
β
t
)
r(\alpha_1, \alpha_2, \cdots, \alpha_s) \leq r(\beta_1, \beta_2, \cdots, \beta_t)
r(α1,α2,⋯,αs)≤r(β1,β2,⋯,βt)
行秩
矩阵每行为一个行向量，组成行向量组，其极大线性无关组的数量即为行秩，同理由列秩。
行秩 = 列秩 = 矩阵的秩
r
(
A
B
)
=
m
i
n
{
r
(
A
)
,
r
(
B
)
}
r(AB) = min\{r(A), r(B)\}
r(AB)=min{r(A),r(B)}
行向量的线性关系与列向量的线性关系完全一样
极大线性无关组的求法：
1). 不管原向量是行或列，均按列构成矩阵；
2). 只做初等行变换，化为行简化阶梯形；
3). 首非零元所在列做极大线性无关组；
4). 其余向量表示系数直接写出即可
例3.3.3
求
α
1
=
(
1
−
2
2
−
1
)
\alpha_1 = \begin {pmatrix} 1 \\ -2 \\ 2 \\ -1 \end {pmatrix}
α1=⎝⎜⎜⎛1−22−1⎠⎟⎟⎞，
α
2
=
(
2
−
4
8
0
)
\alpha_2 = \begin {pmatrix} 2 \\ -4 \\ 8 \\ 0 \end {pmatrix}
α2=⎝⎜⎜⎛2−480⎠⎟⎟⎞，
α
3
=
(
−
2
4
−
2
3
)
\alpha_3 = \begin {pmatrix} -2 \\ 4 \\ -2 \\ 3 \end {pmatrix}
α3=⎝⎜⎜⎛−24−23⎠⎟⎟⎞，
α
4
=
(
3
−
6
0
−
6
)
\alpha_4 = \begin {pmatrix} 3 \\ -6 \\ 0 \\ -6 \end {pmatrix}
α4=⎝⎜⎜⎛3−60−6⎠⎟⎟⎞的一个线性无关组，并用该线性无关组表示
解：
(
1
2
−
2
3
−
2
−
4
4
−
6
2
8
−
2
0
−
1
0
3
−
6
)
\begin {pmatrix} 1 & 2 & -2 & 3 \\ -2 & -4 & 4 & -6 \\ 2 & 8 & -2 & 0 \\ -1 & 0 & 3 & -6 \end {pmatrix}
⎝⎜⎜⎛1−22−12−480−24−233−60−6⎠⎟⎟⎞
初
等
行
变
换
→
\underrightarrow{初等行变换}
初等行变换
(
1
0
−
3
6
0
1
1
2
−
3
2
0
0
0
0
0
0
0
0
)
\begin {pmatrix} 1 & 0 & -3 & 6 \\ 0 & 1 & \frac{1}{2} & -\frac{3}{2} \\ 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 \end {pmatrix}
⎝⎜⎜⎛10000100−321006−2300⎠⎟⎟⎞
极大线性无关组为
β
1
=
(
1
0
0
0
)
\beta_1 = \begin {pmatrix} 1 \\ 0 \\ 0 \\ 0 \end {pmatrix}
β1=⎝⎜⎜⎛1000⎠⎟⎟⎞，
β
2
=
(
0
1
0
0
)
\beta_2 = \begin {pmatrix} 0 \\ 1 \\ 0 \\ 0 \end {pmatrix}
β2=⎝⎜⎜⎛0100⎠⎟⎟⎞，
β
3
=
−
3
β
1
+
1
2
β
2
\beta_3 = -3 \beta_1 +\frac{1}{2} \beta_2
β3=−3β1+21β2，
β
4
=
6
β
1
−
3
2
β
2
\beta_4 = 6 \beta_1 - \frac{3}{2} \beta_2
β4=6β1−23β2
行向量的线性关系与列向量的线性关系完全一样，故有极大线性无关组为
α
1
=
(
1
−
2
2
−
1
)
\alpha_1 = \begin {pmatrix} 1 \\ -2 \\ 2 \\ -1 \end {pmatrix}
α1=⎝⎜⎜⎛1−22−1⎠⎟⎟⎞，
α
2
=
(
2
−
4
8
0
)
\alpha_2 = \begin {pmatrix} 2 \\ -4 \\ 8 \\ 0 \end {pmatrix}
α2=⎝⎜⎜⎛2−480⎠⎟⎟⎞
α
3
=
−
3
α
1
+
1
2
α
2
\alpha_3 = -3 \alpha_1 +\frac{1}{2} \alpha_2
α3=−3α1+21α2，
α
4
=
6
α
1
−
3
2
α
2
\alpha_4 = 6 \alpha_1 - \frac{3}{2} \alpha_2
α4=6α1−23α2
线性方程组
鸡兔同笼问题：
例，有鸡兔共10只，脚30只，问鸡几只，兔几只
解：设鸡
x
1
x_1
x1只，兔
x
2
x_2
x2只，有
{
x
1
+
x
2
=
10
2
x
1
+
4
x
2
=
30
\begin {cases} x_1 + x_2 = 10 \\ 2 x_1 + 4 x_2 = 30 \end {cases}
{x1+x2=102x1+4x2=30
表
示
为
增
广
矩
阵
→
\underrightarrow{表示为增广矩阵}
表示为增广矩阵
(
1
1
10
2
4
30
)
\left( \begin {array} {cc|c} 1 & 1 & 10 \\ 2 & 4 & 30 \end {array} \right)
(12141030) 经初等行变换得
(
1
0
5
0
1
5
)
\left( \begin {array} {cc|c} 1 & 0 & 5 \\ 0 & 1 & 5 \end {array} \right)
(100155)，则有
{
x
1
=
5
x
2
=
5
\begin {cases} x_1 = 5 \\ x_2 = 5 \end {cases}
{x1=5x2=5
例：有
{
x
1
+
x
2
+
x
3
=
1
x
1
−
x
2
−
x
3
=
−
3
2
x
1
+
9
x
2
+
10
x
3
=
11
\begin {cases} x_1 + x_2 + x_3 = 1 \\ x_1 - x_2 - x_3 = -3 \\ 2x_1 + 9x_2 + 10x_3 = 11 \end {cases}
⎩⎪⎨⎪⎧x1+x2+x3=1x1−x2−x3=−32x1+9x2+10x3=11，求
x
1
,
x
2
,
x
3
x_1, x_2, x_3
x1,x2,x3
解：表示为增广矩阵
A
‾
\overline{A}
A
=
(
1
1
1
1
1
−
1
−
1
−
3
2
9
10
11
)
= \left( \begin {array} {ccc|c} 1 & 1 & 1 & 1 \\ 1 & -1 & -1 & -3 \\ 2 & 9 & 10 & 11 \end {array} \right)
=⎝⎛1121−191−1101−311⎠⎞经初等变换有
=
(
1
0
0
−
1
0
1
0
7
0
0
1
−
5
)
= \left( \begin {array} {ccc|c} 1 & 0 & 0 & -1 \\ 0 & 1 & 0 & 7 \\ 0 & 0 & 1 & -5 \end {array} \right)
=⎝⎛100010001−17−5⎠⎞，则有
{
x
1
=
−
1
x
2
=
7
x
3
=
−
5
\begin {cases} x_1 = -1 \\ x_2 = 7 \\ x_3 = -5 \end {cases}
⎩⎪⎨⎪⎧x1=−1x2=7x3=−5
当
r
(
A
)
=
r
(
A
‾
)
=
n
=
r(A) = r(\overline{A}) = n =
r(A)=r(A)=n=未知量个数，方程有唯一解；
当
r
(
A
)
=
r
(
A
‾
)
<
n
=
r(A) = r(\overline{A}) < n =
r(A)=r(A)<n=未知量个数，方程有无穷解；
当
r
(
A
)
=
̸
r
(
A
‾
)
r(A) =\not r(\overline{A})
r(A)≠r(A)，方程无解
扫一扫
6829
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
