向量组等价、矩阵等价与方程组可互推的关系
前置知识:
- 【定义】向量与向量组
前置定理 1 设 A \boldsymbol{A} A 和 B \boldsymbol{B} B 为 $m \times n $ 矩阵,那么
- A ∼ r B \boldsymbol{A} \stackrel{r}{\sim} \boldsymbol{B} A∼rB 的充分必要条件是存在 m m m 阶可逆矩阵 P \boldsymbol{P} P,使 P A = B \boldsymbol{P} \boldsymbol{A} = \boldsymbol{B} PA=B;
- A ∼ c B \boldsymbol{A} \stackrel{c}{\sim} \boldsymbol{B} A∼cB 的充分必要条件是存在 n n n 阶可逆矩阵 Q \boldsymbol{Q} Q,使 A Q = B \boldsymbol{A} \boldsymbol{Q} = \boldsymbol{B} AQ=B;
- A ∼ B \boldsymbol{A} \sim \boldsymbol{B} A∼B 的充分必要条件是存在 m m m 阶可逆矩阵 P \boldsymbol{P} P 和 n n n 阶可逆矩阵 Q \boldsymbol{Q} Q,使 P A Q = B \boldsymbol{P} \boldsymbol{A} \boldsymbol{Q} = \boldsymbol{B} PAQ=B。
证明见 “矩阵初等变换与矩阵乘法的联系”。
1 向量组等价与矩阵等价的关系
下面讨论向量组等价与矩阵变换的关系。
把向量组 A A A 和 B B B 所构成的矩阵依次记作 A = ( a 1 , a 2 , ⋯ , a m ) A = (\boldsymbol{a}_1,\boldsymbol{a}_2,\cdots,\boldsymbol{a}_m) A=(a1,a2,⋯,am) 和 B = ( b 1 , b 2 , ⋯ , b l ) B = (\boldsymbol{b}_1,\boldsymbol{b}_2,\cdots,\boldsymbol{b}_l) B=(b1,b2,⋯,bl)。若向量组 B B B 能由向量组 A A A 线性表示,则有向量组 B B B 中的每个向量 b j ( j = 1 , 2 , ⋯ , l ) \boldsymbol{b}_j \ (j=1,2,\cdots,l) bj (j=1,2,⋯,l) 都能由向量组 A A A 线性表示,根据定义 5,即存在一组数 k 1 j , k 2 j , ⋯ , k m j k_{1j},k_{2j},\cdots,k_{mj} k1j,k2j,⋯,kmj,使
b j = k 1 j a 1 + k 2 j a 2 + ⋯ + k m j a m = ( a 1 , a 2 , ⋯ , a m ) ( k 1 j k 2 j ⋮ k m j ) \boldsymbol{b}_j = k_{1j} \boldsymbol{a}_1 + k_{2j} \boldsymbol{a}_2 + \cdots + k_{mj} \boldsymbol{a}_m = (\boldsymbol{a}_1,\boldsymbol{a}_2,\cdots,\boldsymbol{a}_m) \begin{pmatrix} k_{1j} \\ k_{2j} \\ \vdots \\ k_{mj} \end{pmatrix} bj=k1ja1+k2ja2+⋯+kmjam=(a1,a2,⋯,am)⎝ ⎛k1jk2j⋮kmj⎠ ⎞
从而有
( b 1 , b 2 , ⋯ , b l ) = ( a 1 , a 2 , ⋯ , a m ) ( k 11 k 12 ⋯ k 1 l k 21 k 22 ⋯ k 2 l ⋮ ⋮ ⋮ k m 1 k m 2 ⋯ k m l ) (\boldsymbol{b}_1,\boldsymbol{b}_2,\cdots,\boldsymbol{b}_l) = (\boldsymbol{a}_1,\boldsymbol{a}_2,\cdots,\boldsymbol{a}_m) \begin{pmatrix} k_{11} & k_{12} & \cdots & k_{1l} \\ k_{21} & k_{22} & \cdots & k_{2l} \\ \vdots & \vdots & & \vdots \\ k_{m1} & k_{m2} & \cdots & k_{ml} \end{pmatrix} (b1,b2,⋯,bl)=(a1,a2,⋯,am)⎝ ⎛k11k21⋮km1k12k22⋮km2⋯⋯⋯k1lk2l⋮kml⎠ ⎞
这里,矩阵 K m × l = ( k i j ) \boldsymbol{K}_{m \times l} = (k_{ij}) Km×l=(kij) 称为这一线性表示的系数矩阵。
由此可知,若 C m × n = A m × l B l × n \boldsymbol{C}_{m \times n} = \boldsymbol{A}_{m \times l} \boldsymbol{B}_{l \times n} Cm×n=Am×lBl×n,则矩阵 C \boldsymbol{C} C 的列向量组能由矩阵 A \boldsymbol{A} A 的列向量组线性表示, B \boldsymbol{B} B 为这一表示的系数矩阵:
( c 1 , c 2 , ⋯ , c n ) = ( a 1 , a 2 , ⋯ , a l ) ( b 11 b 12 ⋯ b 1 n b 21 b 22 ⋯ b 2 n ⋮ ⋮ ⋮ b l 1 b l 2 ⋯ b l n ) (\boldsymbol{c}_1,\boldsymbol{c}_2,\cdots,\boldsymbol{c}_n) = (\boldsymbol{a}_1,\boldsymbol{a}_2,\cdots,\boldsymbol{a}_l) \begin{pmatrix} b_{11} & b_{12} & \cdots & b_{1n} \\ b_{21} & b_{22} & \cdots & b_{2n} \\ \vdots & \vdots & & \vdots \\ b_{l1} & b_{l2} & \cdots & b_{ln} \end{pmatrix} (c1,c2,⋯,cn)=(a1,a2,⋯,al)⎝ ⎛b11b21⋮bl1b12b22⋮bl2⋯⋯⋯b1nb2n⋮bln⎠ ⎞
同理可知,矩阵 C \boldsymbol{C} C 的行向量组能由矩阵 B \boldsymbol{B} B 的行向量组线性表示, A \boldsymbol{A} A 为这一表示的系数矩阵:
( γ 1 T γ 2 T ⋮ γ m T ) = ( a 11 a 12 ⋯ a 1 l a 21 a 22 ⋯ a 2 l ⋮ ⋮ ⋮ a m 1 a m 2 ⋯ a l l ) ( β 1 T β 2 T ⋮ β l T ) \begin{pmatrix} \boldsymbol{\gamma}_1^T \\ \boldsymbol{\gamma}_2^T \\ \vdots \\ \boldsymbol{\gamma}_m^T \end{pmatrix} = \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1l} \\ a_{21} & a_{22} & \cdots & a_{2l} \\ \vdots & \vdots & & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{ll} \end{pmatrix} \begin{pmatrix} \boldsymbol{\beta}_1^T \\ \boldsymbol{\beta}_2^T \\ \vdots \\ \boldsymbol{\beta}_l^T \end{pmatrix} ⎝ ⎛γ1Tγ2T⋮γmT⎠ ⎞=⎝ ⎛a11a21⋮am1a12a22⋮am2⋯⋯⋯a1la2l⋮all⎠ ⎞⎝ ⎛β1Tβ2T⋮βlT⎠ ⎞
根据前置定理 1:设矩阵 A \boldsymbol{A} A 与 B \boldsymbol{B} B 行等价,即矩阵 A \boldsymbol{A} A 经初等行变换变成矩阵 B \boldsymbol{B} B,则 B \boldsymbol{B} B 的每个行向量都是 A \boldsymbol{A} A 的行向量组的线性组合,即 B \boldsymbol{B} B 的行向量组能由 A \boldsymbol{A} A 的行向量组线性表示。由于初等变换可逆,知矩阵 B \boldsymbol{B} B 亦可经初等行变换变为 A \boldsymbol{A} A,从而 A \boldsymbol{A} A 的行向量组也能由 B \boldsymbol{B} B 的行向量组线性表示。于是 A \boldsymbol{A} A 的行向量组与 B \boldsymbol{B} B 的行向量组等价。
类似可知,设矩阵 A \boldsymbol{A} A 与 B \boldsymbol{B} B 列等价,则 A \boldsymbol{A} A 的列向量组与 B \boldsymbol{B} B 的列向量组等价。
于是得到定理如下:
定理 1 若矩阵 A \boldsymbol{A} A 与 B \boldsymbol{B} B 行等价,则 A \boldsymbol{A} A 的行向量组与 B \boldsymbol{B} B 的行向量组等价。若矩阵 A \boldsymbol{A} A 与 B \boldsymbol{B} B 列等价,则 A \boldsymbol{A} A 的列向量组与 B \boldsymbol{B} B 的列向量组等价。
2 向量组等价与方程组可互推的关系
对方程组 A A A 的各个方程作线性运算所得到的一个方程就称为方程组 A A A 的一个线性组合;若方程组 B B B 的每个方程都是方程组 A A A 的线性组合,就称方程组 B B B 能由方程组 A A A 线性表示,这时方程组 A A A 的解一定是方程组 B B B 的解;若方程组 A A A 与方程组 B B B 能相互线性表示,就称这两个方程组可互推,可互推的线性方程组一定同解。
向量组等价、矩阵等价与方程组可互推的关系相关推荐
- matlab 向量方程组,Matlab 线性代数(二)--向量组的线性相关性及方程组的特解
1. %求齐次线性方程组的通解 clear A=[2,4,-1,4,16;-3,-6,2,-6,-23;3,6,-4,6,19;1,2,5,2,19]; %输入系数矩阵A b=[-2;7;-23;43 ...
- 向量组和矩阵秩的计算
1. 向量组的秩 设有向量组(α1,α2........αn)(\alpha_1,\alpha_2........\alpha_n)(α1,α2........αn)其中所含有的极大线性无关组的 ...
- 两个向量组的秩相等说明什么_如果两个向量组的秩相等且他们构成的矩阵同型能推出两个向量组等价吗?...
展开全部 不等价. 在代数中,矩阵等价和向量组等e69da5e887aa62616964757a686964616f31333431373234价是不一样的. 矩阵等价的充要条件是秩相等,向量组等价的 ...
- 线性代数:第四章 向量组的线性相关性(2)向量空间 线性方程组解的结构
第三节 向量空间 一.数字概念 定义3.1 设V是n维向量集合,且非空,若 (i) 则, : (ii) 则 . 则称V是一个向量空间. 定义3.2 设 是两个向量空间,若 ,则称 的 ...
- AI笔记: 数学基础之向量组的线性表示与线性相关
向量组 向量组:有限个相同维度的行向量或列向量组合成的一个集合就叫做向量组A 如果是行向量,那么表示为:A=(a1⃗a2⃗a3⃗⋮an⃗⋮)A = \left (\begin{array}{cccc} ...
- 向量组秩及其极大线性无关组求解浅析
向量组秩和极大线性无关组求解 问题来源阐述 线性代数课程中,在学习了向量组的线性相关性和向量组的秩后,一类常见的计算问题是给出向量组,求解其秩和极大线性无关组.课程中一般给出的方法都是以向量为列组成矩 ...
- 【定义】向量与向量组
前置知识: [定义]矩阵 线性方程组与矩阵的秩 前置定理 1 线性方程组 A x = b \boldsymbol{A} \boldsymbol{x} = \boldsymbol{b} Ax=b 有解的 ...
- 线性代数第四章 向量组的线性相关性
向量组及其线性组合 一.向量.向量组 1.向量 n个有次序的数a1,a2,...,an所组成的数组称为n维向量,这n个数称为该向量的n个分量,第i个数ai称为第 i个分量 n维向量可以写成一行,也可以 ...
- 线性代数笔记3 - 向量组的线性相关性
**向量及其线性组合** n 个有次序的数 a 1,a 2,-,a n 所组成的数组称为n 维向量,这 n 个 数称为该向量的 n 个分量,第i个数 a 称为第i个分量 向量组的概念 若干个同维数的列 ...
最新文章
- python写出的程序如何给别人使用-python如何写出表白程序
- 创建线程安全的单例(ARC或 非ARC)
- $ is not defined 如何解决
- python输出一棵松树_松树程序间距
- php 接收传值_PHP在函数体中传递与接收参数
- 用deque模拟栈解决八皇后问题
- 解决org.hibernate.QueryException illegal attempt to dereference collection 异常错误
- Mapreduce概念及流程介绍
- Debian9安装QT5.12.3
- 提供两个卡巴斯基的授权文件
- java如何向服务器传文件,详解Java向服务端发送文件的方法
- IIS 部署,发布 报错 500.19
- 记一篇IT培训日记005-Hello Java
- android x86 usb检查不到,【android9.0】system/core下的usbhost模块无法输出log到logcat
- BUCT2021年ACM竞赛班训练(四)全题解(0x3f3f3f3f)
- 我对kvm,qemu,vmware,xen,virtualbox等虚拟化产品的简单理解
- niosII处理器与串行D/A转换器接口设计
- JWT的数字签名的简单理解
- esx linux 硬盘 扩容,ESX虚拟机添加新磁盘并扩容逻辑卷
- python通过qq邮箱发邮件
热门文章
- 2023上半年数学建模竞赛汇总(报名时间、比赛时间、难易程度、含金量、竞赛官网)
- 云原生系列 【基于CCE Kubernetes编排实战】
- pip安装wxpython报错traceback_使用源码编译wxpython-基于python2.7
- LU分解法(又名Doolittle分解法,直接三角分解法)C++实现
- 基于对比学习的目标检测预训练方法
- 为啥叫四川?是有四条河吗?
- AES-128加解密工具类
- 阿里P8携手腾讯T4谈微服务架构实战:深入浅出Cloud+boot+Docker
- plsql和navicate有什么区别_plsql和navicat连接远程oracle(易错点)
- mete20可以升级鸿蒙,从微信小程序到鸿蒙js开发【12】——storage缓存自动登录