线性代数【四】:向量(1):线性相关及其判别,极大线性无关组,等价向量组
本节为线性代数复习笔记的第二部分,矩阵的概念与计算(1),主要包括:线性相关的概念,五个判别定理,极大线性无关组和等价向量组。
1. 线性相关
对m个n维向量α1⃗,α2⃗,...,αm⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_m}α1,α2,...,αm,若存在一组不全为零的数k1,k2,...,kmk_1,k_2,...,k_mk1,k2,...,km,使得线性组合k1α1⃗+k2α2⃗+...+kmαm⃗=0k_1\vec{\alpha_1}+k_2\vec{\alpha_2}+...+k_m\vec{\alpha_m}=0k1α1+k2α2+...+kmαm=0,则称向量组α1⃗,α2⃗,...,αm⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_m}α1,α2,...,αm线性相关。(含有零向量或者有成比例的向量,向量组必然线性相关)
注意有几个等价的判断,即:
1)向量组α1⃗,α2⃗,...,αm⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_m}α1,α2,...,αm线性相关⇔\Leftrightarrow⇔
2)A=(α1⃗,α2⃗,...,αm⃗)可逆⇔2)A=(\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_m})可逆\Leftrightarrow2)A=(α1,α2,...,αm)可逆⇔
3)∣α1⃗,α2⃗,...,αm⃗∣=03)|\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_m}|=03)∣α1,α2,...,αm∣=0
若只有当k1=k2=...=km=0k_1=k_2=...=k_m=0k1=k2=...=km=0时k1α1⃗+k2α2⃗+...+kmαm⃗=0k_1\vec{\alpha_1}+k_2\vec{\alpha_2}+...+k_m\vec{\alpha_m}=0k1α1+k2α2+...+kmαm=0才成立,则称向量组线性无关。
2. 线性相关判别的五个定理
2.1 判别定理(1)
向量β\betaβ可由向量组α1⃗,α2⃗,...,αs⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}α1,α2,...,αs线性表出
⇔\Leftrightarrow⇔
非齐次方程组α1x1+α2x2+...+αsxs=β有解\alpha_1x_1+\alpha_2x_2+...+\alpha_sx_s=\beta有解α1x1+α2x2+...+αsxs=β有解
⇔\Leftrightarrow⇔
r[α1⃗,α2⃗,...,αs⃗]=r[α1⃗,α2⃗,...,αs⃗,β⃗]r[\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}]=r[\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s},\vec{\beta}]r[α1,α2,...,αs]=r[α1,α2,...,αs,β]
2.2 判别定理(2)
向量组α1⃗,α2⃗,...,αs⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}α1,α2,...,αs线性相关
⇔\Leftrightarrow⇔
齐次线性方程组α1x1+α2x2+...+αsxs=0\alpha_1x_1+\alpha_2x_2+...+\alpha_sx_s=0α1x1+α2x2+...+αsxs=0有非零解
⇔\Leftrightarrow⇔
r[α1⃗,α2⃗,...,αs⃗]<sr[\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}]<sr[α1,α2,...,αs]<s
⇔\Leftrightarrow⇔
∣α1⃗,α2⃗,...,αs⃗∣=0|\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}|=0∣α1,α2,...,αs∣=0
2.3 判别定理(3)
线性相关充要条件:向量组中至少有一个向量可由其他s-1个向量线性标出
2.4 判别定理(4)
若α1⃗,α2⃗,...,αs⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}α1,α2,...,αs线性无关,而向量组α1⃗,α2⃗,...,αs⃗,β⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s},\vec{\beta}α1,α2,...,αs,β线性相关,则β⃗\vec{\beta}β可由α1⃗,α2⃗,...,αs⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}α1,α2,...,αs唯一线性表出。
2.5 判别定理(5)
I.β1⃗,β2⃗,...,βs⃗,II.α1⃗,α2⃗,...,αt⃗I.\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_s},II.\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_t}I.β1,β2,...,βs,II.α1,α2,...,αt
若III中每一个向量均可由IIIIII中向量线性表出,且s>t,则向量组III线性相关;
若III中每一个向量均可由IIIIII中向量线性表出,且向量组III线性相关,则s≤ts\leq ts≤t。
3. 极大线性无关组
若α1⃗,α2⃗,...,αs⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}α1,α2,...,αs中存在部分组αi1⃗,αi2⃗,...,αir⃗\vec{\alpha_{i1}},\vec{\alpha_{i2}},...,\vec{\alpha_{ir}}αi1,αi2,...,αir满足:
1)αi1⃗,αi2⃗,...,αir⃗\vec{\alpha_{i1}},\vec{\alpha_{i2}},...,\vec{\alpha_{ir}}αi1,αi2,...,αir线性无关;
2)任一向量αi⃗\vec{\alpha_{i}}αi均可由αi1⃗,αi2⃗,...,αir⃗\vec{\alpha_{i1}},\vec{\alpha_{i2}},...,\vec{\alpha_{ir}}αi1,αi2,...,αir线性表出。
则称αi1⃗,αi2⃗,...,αir⃗\vec{\alpha_{i1}},\vec{\alpha_{i2}},...,\vec{\alpha_{ir}}αi1,αi2,...,αir是原向量组的极大线性无关组。(一般不唯一,线性无关向量组的极大线性无关组即为本身)
4. 等价向量组
I.α1⃗,α2⃗,...,αs⃗,II.β1⃗,β2⃗,...,βt⃗I.\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s},II.\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_t}I.α1,α2,...,αs,II.β1,β2,...,βt
若III中每个αi⃗\vec{\alpha_i}αi均可由IIIIII中向量线性表出且反之亦然,则称向量组I,III,III,II等价,记为I≅III \cong III≅II
等价具有自反性、等价性和传递性且向量组总是与其极大线性无关组等价。
欢迎扫描二维码关注微信公众号 深度学习与数学 [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读,算法和其他互联网技能的学习,概率论、线性代数等高等数学知识的回顾]
线性代数【四】:向量(1):线性相关及其判别,极大线性无关组,等价向量组相关推荐
- 两个向量组线性相关是不是也能说成两个向量组等价 向量组等价 线性相关 向量组等价和矩阵等价的区别
目录 两个向量组线性相关是不是也能说成两个向量组等价 向量组等价 线性相关
- 极大线性无关组的定义与性质
1. 线性无关: 2. 新加向量必然线性相关: 3. 极大无关组不唯一: 4. 极大无关组的个数唯一:称作秩(rank): 5. 极大无关组与向量组等价: 6. 线性无关的向量组的极大无关组为自身 $ ...
- 线代复习小结 矩阵等价、相似、合同的区别以及向量组等价 2019/09/13
向量组等价: 向量组等价<=>可以相互表出 向量组等价=>等秩 但是项链组等秩≠>向量组等价 向量组等价,则该向量组的秩相同,从而A矩阵跟B矩阵的秩相同,所以矩阵A跟矩阵B等价 ...
- 【线性代数(11)】极大线性无关组、向量组的秩
向量组的秩 1 极大线性无关组 2 向量组的秩 3 极大线性无关组的求解 手动反爬虫: 原博地址 知识梳理不易,请尊重劳动成果,文章仅发布在CSDN网站上,在其他网站看到该博文均属于未经作者授权的恶意 ...
- 线性代数——求给定向量组的极大线性无关组
极大线性无关组: 在向量组α1,α2,...,αs\alpha_1,\alpha_2,...,\alpha_sα1,α2,...,αs中,若存在部分组αi1,αi2,...,αir\alpha_ ...
- 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 ...
- 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 ...
- 用matlab证明向量组等价,线性代数常见面试题
特征值.特征根.秩.计算行列式.线性相关性.矩阵的相似.你可以想到有几种方法证明一个矩阵满秩.奇异值分解.线性相关与线性无关.什么叫矩阵的迹.正定是什么意思.什么是线性方程组有解/无解/有唯一解的条件 ...
- 怎么根据矩阵判断极大无关组_如何判断向量是否是矩阵的极大无关组?
首先你这个提问不是很严谨哦ε3ε 极大无关组是向量组里面的概念,而在矩阵里没有极大无关组这个概念,虽然向量组合并在一起可以看成一个矩阵,但不能说矩阵有极大无关组. 我们先从概念出发,极大线性无关组:在 ...
最新文章
- spring el表达式解析_Spring之旅第一篇-初识Spring
- 【转载】使用Nexus搭建Maven服务器详细配置
- python鸡兔同笼编程输出不存在合理答案_Python 解答鸡兔同笼和五家共井问题
- [Win32]一个调试器的实现(四)读取寄存器和内存
- 双目标帕累托优化_多目标稳健性决策规划(MORDM)
- img超出div width时, jQuery动态改变图片显示大小
- 前端学习(417):京东制作页面25中间部分的准备工作
- 颜宁问4对科研夫妻:男女搭配,如何不累?
- cassandra可视化工具_耗时1个月整理!160种Python标准库、第三方库和外部工具都有了...
- 数据结构笔记(九)-- 单链队列
- 从零开始学习搜索引擎(开篇)---Searcharoo.net
- 银行业数据安全建设要点分析2022
- python实现根据前序序列和中序序列求二叉树的后序序列
- GATK RNA-Seq Snps Indel 分析
- linux运行360wifi,在Linux下使用“360随身WiFi 2”
- Python入门篇(下)
- vcruntime140_1.dll无法继续执行代码,vcruntime140_1.dll丢失修复方法
- 计算机与艺术传媒用英语怎么说,经济学人:艺术评论和计算机 数字图画
- intel历代架构演进6—— SIMD指令集
- 基于Matlab的PIV图像处理
热门文章
- JQuery中bind和unbind函数
- xftp传输文件失败的解决方法
- matlab数值拟合r2_用MATLAB求RMSE怎么用MATLAB计算均方误差
- VBA Dictionary引用
- Android如何判断当前手机是否正在播放音乐,并获取到正在播放的音乐的信息
- STM32F7的中文参考手册
- Centos安装Python3,yum4, dnf, neofetch
- 第二款应用 红色警戒2秘籍
- [CF600] E. Lomsat gelral ( 经典树上启发式合并 dus on tree )
- 使用Python+OpenCV探索鲸鱼识别