矩阵秩的定义

一． 矩阵等价

行等价：矩阵A经若干次初等行变换变为矩阵B

列等价：矩阵A经若干次初等列变换变为矩阵B

矩阵等价:矩阵A经若干次初等行变换可以变为矩阵B，矩阵B经若干次初等行变换可以变成矩阵A，则成矩阵A和B等价

矩阵等价的充要条件

1. 存在可逆矩阵P和Q,PAQ=B

2. R(A)=R(B)

二． 向量的线性表示

Case1：向量br能由向量组A线性表示:

充要条件:

1.线性方程组Axr=b有解

2.R(A)=R(A,b)

Case2：向量组B能由向量组A线性表示

充要条件：

R(A)=R(A,B)

推论 ∵R(A)=R(A,B),R(B) ≤R(A,B) ∴R(B) ≤R(A)

Case3：向量组A能由向量组B线性表示

充要条件：

R(B)=R(B,A)

推论 ∵R(B)=R(A,B),R(A) ≤R(A,B) ∴R(A) ≤R(B)

Case4：向量组A和B能相互表示，即向量组A和向量组B等价

充要条件:

R(A)=R(B)=R(A,B)=R(B,A)

Case5：n维单位坐标向量组能由矩阵A的列向量组线性表示

充要条件是:

R(A)=R(A,E)

n=R(E)<=R(A),又R(A)>=n，所以R(A)=n=R(A,E)

三． 线性方程组的解

1. 非齐次线性方程组

（1） R(A)=R(A,B),方程有解.

（2） R(A)=R(A,B)=n，解唯一.

（3） R(A)=R(A,B)

（4） R(A) ≠R(A,B)

2．齐次线性方程组

（1） 一定有解

（2） 有非零解的充要条件R(A)

四．向量组线性相关性

向量组线性相关：

存在不全为0的实数、,满足=0

充要条件:

（1） R(A)

（2） 向量组中至少有一个向量能由其余n-1个向量线性表示

（3） n 元齐次线性方程组 Ax = 0 有非零解．

矩阵的秩与行列式的几何意义

这里首先讨论一个长期以来困惑工科甚至物理系学生的一个数学问题，即，究竟什么是面积，以及面积的高维推广（体积等）？

1 关于面积：一种映射

大家会说，面积，不就是长乘以宽么，其实不然。我们首先明确，这里所讨论的面积，是欧几里得空间几何面积的基本单位：平行四边形的面积。平行四边形面积的定义，几何上说是相邻两边边长乘以他们之间的夹角的正弦。

然而为了应对更一般情形和更高维度的数理问题，我们有必要把面积的定义推广开来。注意到以下事实：

面积是一个标量，它来自于（构成其相邻边）两个矢量。因此，我们可以将面积看成一个映射：

其中V就是一个矢量，V*V代表两个矢量的有序对；f就是面积的值。

下面我们将说明这个映射是一个线性映射。

从最简单的例子出发。如果第一个矢量是（1，0），第二个矢量是（0，1）；也就是说，两个矢量分别是X和Y轴上的单位正向量，那么由这两个矢量张成的四边形就是一个正方形，其面积根据定义，就是长乘以宽=1*1=1。

因此有： 如果我们把第一个矢量”缩放“a倍，面积将会相应是原来的a倍；把第二个矢量“缩放”b倍，面积也会成为原来的b倍。如果同时缩放，很显然，面积将会变成原面积的ab倍。这表明，面积映射对于其两个操作数（矢量）的标量积是各自线性的，如下：

最后，我们要说明，面积映射对于其操作数（矢量）的矢量加法也是线性的。因为矢量加法操作的本身是线性的，那么其面积映射理应对此也是一个线性映射。这里我们打算从几个实际的例子出发，说明映射的加法线性性的后果。

显然（两个共线矢量所张成的平行四边形还是一条线，因此面积为0）：

假定面积映射是一个关于矢量加法的线性映射，那么我们有：

注意计算过程中用到了上面的结论。这说明： 也就是说，交换相互垂直操作数矢量的顺序，面积映射取负。孰正孰负取决于认为的定义。一般，我们把X轴单位矢量在前，Y轴单位矢量在后，从X轴到Y轴张成的一个平行四边形的面积，取做正号。

矩阵的秩的定义

矩阵在数学中具有重要的地位，秩是矩阵的一个重要性质。矩阵的秩定义是矩阵经过初等行变换化简后，最简行阶梯矩阵中非零行的行数。在这里，我们将会对矩阵的秩进行详细探讨。

一. 初等行变换

要了解矩阵的秩，首先得了解什么是初等行变换。初等行变换是指对矩阵的行进行的操作，包括以下三种：

1. 换行：把一个行换到另外一个位置；

2. 乘行：把某一行乘上一个非零数；

3. 加行：把某一行乘上一个非零数，然后加到其他行。

在进行初等行变换时，要注意的是，只有对行进行操作，列不会发生变化。

二. 简化行阶梯形矩阵

在进行初等行变换后，矩阵会得到一个简化行阶梯形矩阵。简化行阶梯形矩阵的定义是一个矩阵，它满足以下四个条件：

1. 如果一行的元素全为0，则在这一行下面的所有行的元素也都为0。

2. 已经化简好的行不能再次进行初等行变换。 3. 行阶梯形矩阵中，每个阶梯的首元素都为1。

4. 行阶梯形矩阵中，每个阶梯的首元素所在列，其余元素都为0。

简化行阶梯形矩阵就是对矩阵进行初等行变换后得到的最简形式。

三. 矩阵的秩的定义

有了简化行阶梯形矩阵的定义，我们就可以来讲解矩阵的秩的定义了。矩阵的秩是指矩阵经过初等行变换后，得到的最简行阶梯矩阵中，非零行的行数。

例如，下面的矩阵就是一个简化行阶梯形矩阵：

[ 1 3 5 ]

[ 0 1 2 ]

[ 0 0 0 ]

[ 0 0 0 ]

在这个简化行阶梯矩阵中，有两个非零行，因此矩阵的秩为2。

四. 矩阵秩的性质

矩阵的秩具有一些基本性质：

1. 矩阵的秩等于其转置矩阵的秩。 2. 对于矩阵AB，它的秩小于等于A的秩和B的秩的最小值。

3. 如果一个矩阵的行数和列数相等，那么矩阵的秩等于其行列式不为0的子阵的阶数。也就是说，如果一个n阶方阵的行列式不为0，那么它的秩就是n。

4. 一个m×n的矩阵的秩最大为min(m，n)。

最后，我们再来看一个例子：

矩阵秩的概念

矩阵秩的概念

矩阵是线性代数中的重要概念，它是由若干行和列组成的矩形数组。在矩阵中，每个元素都可以用一个行列坐标来表示。而矩阵秩则是描述了一个矩阵所包含的信息量大小的指标。

一、定义

在数学中，一个m×n（m行n列）的矩阵A的秩，也称为矩阵A的维数或者等级，通常记作rank(A)。它表示该矩阵所包含信息量大小的指标。简单来说，就是该矩阵所包含非零行或非零列的最大个数。

二、求解方法

1. 高斯消元法

高斯消元法就是将一个增广矩阵通过初等变换化为行最简形式，然后统计出非零行（列）个数即可得到该矩阵的秩。

2. 初等变换法

初等变换法就是将一个矩阵通过初等变换化为行最简形式，然后统计出非零行（列）个数即可得到该矩阵的秩。

3. 行列式法

对于一个n*n方阵A，在进行初等变换时如果其主对角线上有0，则可以通过行列式法将其转化为一个上三角矩阵。此时，该矩阵的秩就等于其主对角线上非零元素的个数。

三、性质

1. 对于任意矩阵A，rank(A) <= min(m,n)，其中m和n分别表示A的行数和列数。

2. 对于任意矩阵A，rank(A) = rank(A^T)，其中A^T表示A的转置矩阵。

3. 对于任意矩阵A和B，有rank(AB) <= min(rank(A), rank(B))。

4. 对于任意矩阵A和B，有rank(A+B) <= rank(A) + rank(B)。

四、应用

1. 线性方程组求解

对于一个线性方程组Ax=b，如果rank(A)=rank([A|b])，则该方程组有唯一解；如果rank(A)

2. 线性变换求解

对于一个线性变换T：V→W（其中V和W分别表示两个向量空间），其维数为dim(V)*dim(W)，而T的秩则是指T所映射出来的向量空间的维数。因此，在求解线性变换时可以通过计算其秩来判断其映射出来的向量空间的维数。

3. 矩阵分解

在矩阵分解中，对于一个m×n的矩阵A，可以将其分解为A=UV，其中U和V分别是m×r和r×n的矩阵，而r则是A的秩。这种分解方式被广泛应用于数据压缩、图像处理等领域。