1.n维向量组 α1,α2,α3,...,αs 线性相关,
⟺ 齐次方程组
s是向量的个数。个数减掉秩得到的是自由变量的个数。
由此引申出一些好用的推论:
+ n个n维向量线性相关,则等价于行列式为0。
+ n+1个n维向量必然线性相关。
+ 如果 α1,α2,α3,...,αr 线性相关,则 α1,α2,α3,...,αr,αr+1,...,αs 必然线性相关。
这个解释为:瘦时相关,长胖了并不改变内核。数学角度看,原本的几个相关,那么加入的新的向量赋予系数为0即可,所以还是满足相关的定义。
这个可以理解为:矮的时候无人关心,长高了仍然无人关心。数学角度理解便是:原始的数据都找不到不全为零的系数满足方程,现在加了新的,老问题未解决,新的就更不可能解决了。
2.n维向量组 β 可以由向量组 α1,α2,..,αm 线性表出 ⟺ 非齐次方程 x1α1+x2α2+...+xmαm=β 有解 ⟺ 秩 r(α1,α2,..,αm)=r(α1,α2,..,αm,β)
3.两个n维向量组(I) α1,α2,..,αs , (II) β1,β2,...,βt
如果(I)能由(II)线性表出且s > t, 则 α1,α2,..,αs 线性相关。
这个公式总是要转换一番才能运用起来。这里思考一下:s > t表示的是I向量组的向量个数较多,但是少的那个可以表达多的,那么多的这个向量组一定线性相关。简称:以少表多,多必相关。这里不必限定任何一个向量组是线性无关。
一个更常用的推论:若I可以由II表出,且I线性无关。反推s和t的关系:则 s≤t
用一个向量组表达一个已知的线性无关的向量组,则必须要相同数目甚至更多数目的向量。