矩阵的秩+基础解系的秩为什么等于n?
本文证明任何一个m×nm \times nm×n矩阵的秩和对应齐次线性方程组的秩和为n。
Rank-Nullity Theorem叙述如下:
对任意m×nm\times nm×n矩阵AAA
rank(A)+nullity(A)=n(1)rank(A) + nullity(A) = n \tag{1} rank(A)+nullity(A)=n(1)
其中, rank(A)rank(A)rank(A)是矩阵 AAA 的秩,nullity(A)nullity(A)nullity(A) 是矩阵 AAA 的 nullspqcenullspqcenullspqce 的秩。如果之前不知道矩阵 AAA 的nullspace(A),nullity(A)nullspace(A), \quad nullity(A)nullspace(A),nullity(A) 的定义,只需要把 nullity(A)nullity(A)nullity(A) 理解为齐次线性方程组(system of homogenous linear equations)
Ax⃗=0⃗(2)A \vec{x} = \vec{0} \tag{2} Ax=0(2)
的基础解系的秩(rank)即可。
证明如下:
当 rank(A)=nrank(A) = nrank(A)=n 时, 那么 Ax=0⃗Ax=\vec{0}Ax=0 只有唯一的零解,根据空间维度的定义,立刻有方程(2)解空间的维度是0(零向量永远线性相关)。此时等式(1)成立。
当 rank(A)=r<nrank(A) \;= \;r \;< nrank(A)=r<n 时, 对矩阵 AAA 做高斯消元法, 得到一个 行阶梯矩阵(严格要求非零行第一个非零元素为1)。此时,在方程(2)的解 x⃗\vec{x}x 的分量中有 n−r>0n-r>0n−r>0 个自由变量。选取行阶梯矩阵中不存在leading one 的列,对应 x⃗\vec{x}x 中的分量为自由变量(下面有例子说明怎么选取)。leading one指的是,行阶梯矩阵中非零行中第一个1。记
t1,t2,...tn−r(3)t_1,t_2,...t_{n-r} \tag{3} t1,t2,...tn−r(3)
为自由变量(标量)。如下图所示,矩阵的第1,2列有leading one,所以对应解向量的第1, 2个分量不是自由变量,而矩阵的第3,4列不含leading one,所以对应的解向量的第3, 4个分量是自由变量。并且把解向量中的3,4个自由变量分别赋值给t1,t2t_1, \;t_2t1,t2。
把自由变量移项到等号右边,令第tit_iti 对应的分量取1,其余分量取0(i=1,2,3,...,n−ri=1,2,3,...,n-ri=1,2,3,...,n−r ),得到
x⃗1,x⃗2,...x⃗n−r(4)\vec{x}_1,\vec{x}_2,...\vec{x}_{n-r} \tag{4} x1,x2,...xn−r(4)
其实,如下图所示,x⃗1,x⃗2\vec{x}_1,\vec{x}_2x1,x2 对应用红色序号标出来的1对应的x3x_3x3后面的列向量和x4x_4x4后面的列向量
注意到:
{x⃗1,x⃗2,...x⃗n−r}(5)\{\vec{x}_1,\vec{x}_2,...\vec{x}_{n-r}\} \tag{5} {x1,x2,...xn−r}(5)
是一组线性无关组(这里其实需要证明。事实上,因为每个向量 x⃗i\vec{x}_ixi 的构造方法导致了 x⃗i\vec{x}_ixi中 tit_iti对应的分量 取1,而其他tj,j≠it_j\;,j \neq itj,j=i取0,注意这里tit_iti是前文选取的自由变量。那么如果每个向量x⃗i\vec{x}_ixi 都取其中的ti{t_i}ti对应的分量构成新的向量,这些新向量构成的显然是一个线性无关组。然后用反证法证明原来向量组是线性无关即可)。进而,方程(2)的任何一个解都能表示成(3)的一个线性组合(这里其实是把自由变量移项到等号右边而已)
x⃗=t1x⃗1+t2x⃗2+...+tn−rx⃗n−r(6)\vec{x} = t_1\vec{x}_1+t_2\vec{x}_2+...+t_{n-r}\vec{x}_{n-r} \tag{6} x=t1x1+t2x2+...+tn−rxn−r(6)
这表明(5)张成了nullspace(A)nullspace(A)nullspace(A)。即(4)是nullspace(A)nullspace(A)nullspace(A)的一个基,故nullity(A)=n−rnullity(A)\; = \; n-rnullity(A)=n−r 。等式6可能看上去会比较奇怪,拿解向量的分量(标量)tit_iti作向量的xix_ixi的系数。其实不奇怪,只需要认真看一下本文图2即可理解。实际上,x⃗i\vec{x}_ixi 和对应的自由向量所在列在行阶梯矩阵中的列向量有极大关联,大家自己观察就能发现。命题得证。
Proof:
If rank(AAA) = n, , the only solution to the above equation (2)(2)(2) is 0\mathbb 00. Thus nullspace(A)nullspace(A)nullspace(A) is {0}\{\mathbb{0}\}{0} . According to the definition of Linear Dependence, the relation of dimenson of space and number of vector in a maximal linearly independent group. Instanly obtains nullity(A)=0nullity(A)=0nullity(A)=0. Hence, equation(1)equation (1)equation(1) holds.
Now suppose rank(A)=r<nrank(A) \;= \;r \;< nrank(A)=r<n, do Gauss Elimination to matrix AAA, obtain a Row-Echelon matrix. In this case, there are n−r>0n\;-\;r\;>\;0n−r>0 free variables in the solution to equation (2). Let
t1,t2,...tn−rt_1,t_2,...t_{n-r} t1,t2,...tn−r
denote these free variables(chosen as those variables not attached to a leading one in any row-echelon form of AAA), and let
x⃗1,x⃗2,...x⃗n−r(7)\vec{x}_1,\vec{x}_2,...\vec{x}_{n-r} \tag{7} x1,x2,...xn−r(7)
denote the solutions obtained by sequentially setting each free variable to 1 and the remaining free variables to zero. Note that
{x⃗1,x⃗2,...x⃗n−r}(8)\{\vec{x}_1,\vec{x}_2,...\vec{x}_{n-r}\} \tag{8} {x1,x2,...xn−r}(8)
is linearly independent, since there is only one sequential element in each vector does not equas zeros. Moreover, every solution to equation (2) is a linear combination of (8) :
x⃗=t1x⃗1+t2x⃗2+...+tn−rx⃗n−r(9)\vec{x} = t_1\vec{x}_1+t_2\vec{x}_2+...+t_{n-r}\vec{x}_{n-r} \tag{9} x=t1x1+t2x2+...+tn−rxn−r(9)
which shows that (4) spans nullspace(A)nullspace(A)nullspace(A). Thus, (4) is a basis for nullspace(A)nullspace(A)nullspace(A), and nullity(A)=n−r.nullity(A)\; = \; n-r.nullity(A)=n−r. So the Rank-Nullity Theorem has been proved.
矩阵的秩+基础解系的秩为什么等于n?相关推荐
- 线性代数拾遗(3)—— “系数矩阵的秩” 和 “齐次线性方程组基础解系向量个数” 的关系
本文说明以下重要结论 nnn 元齐次线性方程组的解空间的维数(基础解系中向量个数),加上此方程组系数矩阵的秩 rrr,等于未知量个数 nnn 考虑一个 nnn 元齐次线性方程组如下,它总共有 nnn ...
- 线代[2]|对极易混淆概念的梳理—线性相关与线性无关、极大线性无关部分组与秩与基础解系、向量空间的基与维数
原创首发于CSDN,转载请注明出处(CSDN:古希腊的汉密士),谢谢! 文章目录 一般形式的线性方程组 线性相关与线性无关 线性极大无关部分组与秩与基础解系 |齐次线性方程组的解 向量空间的基与维数 ...
- 【线性代数】结合 Ax=b 的通解结构,直观理解秩、线性变换、相关无关、基础解系
1. 前言 本文的理论知识基于系列视频: 线性代数的本质.侵删 阅读本文需要的前置知识: 向量组的概念 矩阵可以视为一种线性变换 任意的线性变换"零点"位置不改变 行列式 ≠ 0 ...
- 为什么基础解系的个数是n-r
Ax=b的解(满足公式的x)有三种情况,无解,有唯一解和有无穷解.基础解系讲的是有无穷解的情况.只有在A不满秩的时候,才会有无解或有无穷解的情况出现. 基础解系的"个数"不是指有多 ...
- 齐次线性方程组的基础解系
对于n元齐次线性方程组 (n个未知数:x1,x2,-,xn) 令 则上述方程组即为 该方程的解 视为n维向量(含有n个未知数的解), 则所有解向量构成一个向量组(一个解向量组,包含多个n维解向量). ...
- 再理解:零空间、行空间、列空间、左零空间、基础解系、极大线性无关组、齐次解、非齐次解之间的关系
再理解:零空间.行空间.列空间.左零空间.基础解系.极大线性无关组.齐次解.非齐次解之间的关系 1.再理解:零空间.行空间.列空间.左零空间.基础解系.极大线性无关组.齐次解.非齐次解之间的关系 1. ...
- 2.2 齐次方程组基础解系
基本解法 在线性空间求基的时候,经常会遇到齐次方程组基础解系的问题,比如以下齐次线性方程组: ( 3 2 1 0 0 0 0 0 0 ) v = ( 0 0 0 ) \begin{pmatrix} ...
- 线性代数让我想想:基础解系的个数为何是n-r
基础解系的个数为何是n-r [作为回顾知识的絮絮叨叨,过于基础可以跳过] 首先给出基础解系的背景知识和它相关的概念: 对于齐次线性方程组,我们给出它的系数矩阵 A m × n A_{m×n} Am×n ...
- 线性代数学习笔记——第五十二讲——齐次方程组解的性质和基础解系
1. 齐次方程组的平凡解及有非零解的等价命题(矩阵非满秩:矩阵列向量组线性相关) 2. 齐次线性方程组解的性质(两解之和.解的数乘.解的线性组合均是解) 3. 齐次线性方程组的全部解构成的集合中包括零 ...
最新文章
- python 字符串大小写相关函数
- Linux下各文件夹的含义和用途
- 读书笔记--101个shell脚本 之#13--猜数字
- VS2008编译boost库
- 【每日SQL打卡】​​​​​​​​​​​​​​​DAY 3丨删除重复的电子邮箱【难度简单】
- 二、Linxu的目录结构
- HTTP基础--chapter2结束了
- 魔兽美服服务器维护,美服《魔兽世界》低人口密度服务器合并计划最新动态
- Angular之双向数据绑定(上)
- 计算机组成原理第七章测试题,计算机组成原理 课堂练习-第七章
- 【转】java枚举类型enum的使用
- “DropDownList1”有一个无效 SelectedIndex,因为它不在项目列表中。
- 解码H264文件的一些基础知识
- 查询各科成绩的前三名的学生
- bignumber.js API
- gmail无法登陆的解决!!
- 水浒传108将都是怎么死的
- ubuntu16.04 + caffe + SSD 硬件配置
- 2022年全国资质认证补贴政策汇总详情!
- 毕设-基于SSM酒品进销存