vault backup: 2026-01-14 00:38:29

编写小组/讲义/线性方程组的解与秩的不等式（解析版）.md

@@ -15,6 +15,11 @@ tags:
 3. 有无穷多解的充要条件是 $\text{rank}A = \text{rank}[A\ \ b] < n$。
 注:上述定理也说明非齐次线性方程组有解的充要条件是 $\text{rank}A = \text{rank}[A\ \ b]$。
 
+怎么理解：
+1. 从线性方程组的角度，如果加上一列 $b$ 后的秩变大了，那么化为最简行阶梯型后下面一定多出来一行 $0=$某个常数 ，则必然无解。
+2. 秩等于 $n$ 就是有 $n$ 个无关的方程，则经过消元法后可以解出唯一解。
+3. 秩小于$n$ 就是方程不足 $n$ 个，消元消不完，也能解释为啥秩跟解空间维数的和为 $n$
+
 把以上结论应用到齐次线性方程组，可得
 推论 齐次线性方程组 $A_{m\times n}x=0$ 有非零解（无穷多解）的充要条件是 $\text{rank}A < n$，即系数矩阵的秩小于未知数个数。
 
@@ -248,6 +253,96 @@ $$
 2)也可以从初等变换的角度来理解，方程$\boldsymbol{A}\boldsymbol{x}=\boldsymbol{\beta_1}$有解说明$\boldsymbol{\beta_1}$可以用$\boldsymbol{A}$的列向量线性表示，从而$[\boldsymbol{A\ \beta_1}]$可以通过初等列变换变成$[\boldsymbol{A\ O}]$，故$\mathrm{rank}\boldsymbol{A}=\mathrm{rank}[\boldsymbol{A\ \beta_1}]$；同理可以得出关于$\boldsymbol{\beta_2}$的结论。
 3)同样，怎么直观地理解？我们一样用信息量的观点去看。方程$\boldsymbol{A}\boldsymbol{x}=\boldsymbol{\beta_1}$有解，意味着$\boldsymbol{A}$中包含了$\boldsymbol{\beta_1}$中的所有信息，同理，$\boldsymbol{A}$中也包含了$\boldsymbol{\beta_2}$中的所有信息，这就意味着矩阵$[\boldsymbol{A\ \beta_1\ \beta_2}]$中所有的信息其实只需要用$\boldsymbol{A}$就可以表示，故$\mathrm{rank}\boldsymbol{A}=\mathrm{rank}[\boldsymbol{A\ \beta_1\ \beta_2}]$,反过来也是一样的。这就说明D是正确的。
 
+# 矩阵秩与线性方程组解的关系图解说明
+
+---
+
+## 概念回顾
+
+- **rank[A]** 代表矩阵$A$的秩。
+- 秩的定义：矩阵列向量组中**极大线性无关组所含列向量的个数**。
+- 可以用“圆”或“空间”来表示矩阵列向量组张成的向量空间。
+
+---
+
+## 图解说明
+
+假设  
+$$
+A = [\alpha_1, \alpha_2, \alpha_3]
+$$ 
+是$m \times 3$矩阵，  
+$$
+\beta_1, \beta_2
+$$ 
+是$m$维列向量。
+
+### 1. 方程组有解的条件
+
+方程组  
+$$
+Ax = \beta_1 \quad \text{和} \quad Ax = \beta_2
+$$ 
+有解  
+$\Leftrightarrow$$\beta_1, \beta_2$可由$A$的列向量线性表示。
+
+在几何上，这表示：
+
+- 设$A$的列向量张成的空间为$S_A$。
+-$\beta_1, \beta_2 \in S_A$。
+- 即$S_A$“包含”$\beta_1, \beta_2$。
+
+因此，$S_A$这个“圆”应当能够**覆盖**$\beta_1$和$\beta_2$。
+
+---
+
+### 2. 秩等价条件
+
+已知：
+$$
+\operatorname{rank}[A] = \operatorname{rank}[A \quad \beta_1 \quad \beta_2]
+$$
+表示：
+- 矩阵$A$的秩与增广矩阵$[A \mid \beta_1 \mid \beta_2]$的秩相等。
+- 这意味着$\beta_1, \beta_2$并没有“扩大”$A$的列空间。
+
+因此：
+$$
+\operatorname{rank}[A] = \operatorname{rank}[A \quad \beta_1 \quad \beta_2] 
+\quad\Leftrightarrow\quad 
+\beta_1, \beta_2 \in S_A
+$$
+即$Ax = \beta_1$和$Ax = \beta_2$有解。
+
+---
+
+### 3. 等价写法
+
+把$\beta_1, \beta_2$放在$A$的右侧构成一个更大的矩阵：
+$$
+[A \quad \beta_1 \quad \beta_2]
+$$
+其秩与$A$相同，说明：
+1. 空间$S_{[A \ \beta_1 \ \beta_2]}$与$S_A$相同。
+2. 从初等行变换角度看：在行阶梯形中，$\beta_1, \beta_2$对应的列会被$A$的列线性表示，从而可化为零列（在解方程时体现为消去）。
+3. 存在$x_1, x_2$使得：
+ $$
+   A(-x_1) = \beta_1, \quad A(-x_2) = \beta_2
+ $$
+   这样在增广矩阵中可以通过列操作消去$\beta_1, \beta_2$，使其变为零列。
+
+---
+
+## 总结
+
+- 秩相等 ⇔ 列空间相同 ⇔ 方程组有解。
+- 图示法：把$A$的列空间画成一个圆，$\beta_1, \beta_2$若落在圆内，则方程有解。
+- 矩阵的秩是判断线性方程组解的存在性的核心工具。
+
+---
+
+**注**：这里的“圆”是比喻，实际为**线性子空间**。
+
 # 秩的不等式
 
 ### 1. 和的秩不超过秩的和
@@ -260,7 +355,7 @@ $$ \operatorname{rank}(A+B) \leq \operatorname{rank} A + \operatorname{rank} B $
 设 $A_{m \times n}, B_{n \times k}$，则  
 $$ \operatorname{rank}(AB) \leq \min\{\operatorname{rank} A, \operatorname{rank} B\} $$
 
-### 3. 重要不等式
+### 3. Sylvester(西尔维斯特)不等式
 
 设 $A_{m \times n}, B_{n \times k}$，则  
 $$ \operatorname{rank}(AB) \geq \operatorname{rank} A + \operatorname{rank} B - n $$ 
@@ -311,6 +406,188 @@ B & B
 \end{bmatrix} \geq \text{rank } (A + B)
 $$
 
+注：（2）与（4）结合即第一个不等式的证明方法
+
+> [!note] 证明1：  
+$$\operatorname{rank}(AB) \leq \min\{\operatorname{rank}(A), \operatorname{rank}(B)\}$$
+
+---
+
+### 证明思路  
+设  
+$$
+A \in \mathbb{R}^{m \times n}, \quad B \in \mathbb{R}^{n \times p}, \quad C = AB \in \mathbb{R}^{m \times p}.
+$$
+
+---
+
+#### 1. 先证$\operatorname{rank}(AB) \leq \operatorname{rank}(A)$
+
+- 考虑$C$的列向量：  
+  设$B = [b_1, b_2, \dots, b_p]$，则  
+ $$
+  C = [A b_1, A b_2, \dots, A b_p].
+ $$
+  因此$C$的每一列都是$A$的列向量的线性组合。  
+- 所以$C$的列空间是$A$的列空间的子空间，故  
+ $$
+  \operatorname{rank}(C) \leq \operatorname{rank}(A)。
+ $$
+
+---
+
+#### 2. 再证$\operatorname{rank}(AB) \leq \operatorname{rank}(B)$
+
+- 考虑$C$的行向量：  
+  设$A = \begin{bmatrix} a_1^T \\ a_2^T \\ \vdots \\ a_m^T \end{bmatrix}$，则  
+ $$
+  C = \begin{bmatrix} a_1^T B \\ a_2^T B \\ \vdots \\ a_m^T B \end{bmatrix}.
+ $$
+  因此$C$的每一行都是$B$的行向量的线性组合。  
+- 所以$C$的行空间是$B$的行空间的子空间，故  
+ $$\operatorname{rank}(C) \leq \operatorname{rank}(B)$$
+
+---
+
+#### 3. 综合  
+由 1 和 2 得  
+$$
+\operatorname{rank}(AB) \leq \operatorname{rank}(A) \quad \text{且} \quad \operatorname{rank}(AB) \leq \operatorname{rank}(B),
+$$
+即  
+$$
+\operatorname{rank}(AB) \leq \min\{\operatorname{rank}(A), \operatorname{rank}(B)\}.
+$$
+
+---
+
+**证毕。**
+
+> [!note] 证明2 
+> 证明 Sylvester 秩不等式：
+$$\operatorname{rank}(AB) \ge \operatorname{rank}(A) + \operatorname{rank}(B) - n$$
+其中  
+$A \in \mathbb{R}^{m \times n}, \; B \in \mathbb{R}^{n \times p}, \; AB \in \mathbb{R}^{m \times p}$。
+
+---
+
+### 证明思路
+设：
+-$\operatorname{rank}(A) = r$
+-$\operatorname{rank}(B) = s$
+-$n$是矩阵乘法的中间维度，即$A$的列数、$B$的行数。
+
+---
+
+#### 1. 利用分块矩阵构造
+构造如下分块矩阵：
+$$
+M = \begin{bmatrix}
+A & O \\
+I_n & B
+\end{bmatrix}
+\in \mathbb{R}^{(m+n) \times (n+p)}
+$$
+其中$I_n$是$n \times n$单位矩阵，$O$是零矩阵。
+
+---
+
+#### 2. 对$M$进行初等变换
+从$M$的第二块行减去第一块行左乘某个矩阵（这里相当于对$M$做列初等变换），实际上我们可以对$M$做以下变换：
+$$
+\begin{bmatrix}
+A & O \\
+I_n & B
+\end{bmatrix}
+\xrightarrow{\text{右乘 } \begin{bmatrix} I_n & -B \\ O & I_p \end{bmatrix}}
+\begin{bmatrix}
+A & -AB \\
+I_n & O
+\end{bmatrix}
+$$
+初等变换不改变矩阵的秩，所以：
+$$
+\operatorname{rank}(M) = \operatorname{rank}\begin{bmatrix}
+A & -AB \\
+I_n & O
+\end{bmatrix}
+$$
+
+---
+
+#### 3. 估计$\operatorname{rank}(M)$
+另一方面，由分块矩阵的秩不等式：
+$$
+\operatorname{rank}(M) \ge \operatorname{rank}(A) + \operatorname{rank}(B)
+$$
+这是因为$M$左上块为$A$，右下块为$B$，中间有单位矩阵，所以$A$和$B$的秩可以同时取到。
+
+更严格地，我们可以直接写：
+$$
+\operatorname{rank}(M) \ge \operatorname{rank}\begin{bmatrix}
+A \\
+I_n
+\end{bmatrix} + \operatorname{rank}\begin{bmatrix}
+I_n & B
+\end{bmatrix} - n
+$$
+但更简单的常用方法是利用：
+$$
+\operatorname{rank}\begin{bmatrix}
+A & O \\
+I_n & B
+\end{bmatrix} \ge \operatorname{rank}(A) + \operatorname{rank}(B)
+$$
+因为$I_n$的存在使得两个子块的秩可以同时保持。
+
+---
+
+#### 4. 从变换后的矩阵得到下界
+观察变换后的矩阵：
+$$
+\operatorname{rank}\begin{bmatrix}
+A & -AB \\
+I_n & O
+\end{bmatrix}
+\ge \operatorname{rank}\begin{bmatrix}
+I_n & O
+\end{bmatrix} + \operatorname{rank}([-AB])
+$$
+实际上更直接的方法是注意到：
+$$
+\operatorname{rank}\begin{bmatrix}
+A & -AB \\
+I_n & O
+\end{bmatrix}
+= \operatorname{rank}\begin{bmatrix}
+O & -AB \\
+I_n & O
+\end{bmatrix} \quad (\text{列变换})
+$$
+即：
+$$
+= \operatorname{rank}\begin{bmatrix}
+I_n & O \\
+O & AB
+\end{bmatrix} = \operatorname{rank}(I_n) + \operatorname{rank}(AB) = n + \operatorname{rank}(AB)
+$$
+
+---
+
+#### 5. 联立
+由初等变换保秩，得：
+$$
+n + \operatorname{rank}(AB) = \operatorname{rank}(M) \ge \operatorname{rank}(A) + \operatorname{rank}(B)
+$$
+整理得：
+$$
+\operatorname{rank}(AB) \ge \operatorname{rank}(A) + \operatorname{rank}(B) - n
+$$
+
+---
+
+## 重点思路
+
 >[!information] 思路1
 >通过矩阵的秩的不等式，最大限度限制所求的表达式的取值范围，或者将其**限制到一个具体的值**.
 >在希望求一个矩阵的秩的确切值时，也可以考虑用不等式关系来“夹逼”，常见的不等式：
@@ -322,4 +599,53 @@ $$
 > [!note] 思路2
 > 在遇到诸如 $AB=O$ 的情况，务必要想到$\mathrm{rank}\boldsymbol{A}+\mathrm{rank}\boldsymbol{B}-n\le\mathrm{rank}(\boldsymbol{AB}) \Rightarrow \mathrm{rank}\boldsymbol{A}+\mathrm{rank}\boldsymbol{B}\le n$
 
+> [!example] 例1
+> 设 $A$ 是 $m\times n$ 实矩阵， $\beta \neq 0$ 是 $m$ 维实列向量，证明：
+> (1) $\mathrm{rank}A=\mathrm{rank}(A^\mathrm{T}A)$ .
+> (2) 线性方程组 $A^\mathrm{T}Ax = A^\mathrm{T}\beta$ 有解.（这一问用到这个方法）
+
+解析：证明如下：
+>(1)（10分）
+> 对于方程组$Ax=0$ (a)和 $A^\mathrm{T}Ax=0$ (b)，b的解空间一定包含a的解空间（5分）；
+>而方程b两边同时乘以$x^\mathrm{T}$，得 $x^\mathrm{T}A^\mathrm{T}Ax=0$ ，即 $(x^\mathrm{T}A^\mathrm{T})(Ax)=0 \to Ax=0$，
+>所以a的解空间包含b的解空间（5分），
+>所以a,b同解，所以$\mathrm{rank}A=\mathrm{rank}{A^\mathrm{T}A}$
+>(2) （10分）
+>$A^\mathrm{T}Ax=A^\mathrm{T}\beta \iff \mathrm{rank}(A^\mathrm{T}A)=\mathrm{rank}(\begin{bmatrix}A^\mathrm{T}A&A^\mathrm{T}\beta\end{bmatrix})$
+>而由(1)的结论得等式左边 $\mathrm{rank}(A^\mathrm{T}A)=\mathrm{rank}A$；
+>等式右边 $\mathrm{rank}(\begin{bmatrix}A^\mathrm{T}A&A^\mathrm{T}\beta\end{bmatrix})\ge \mathrm{rank}A^\mathrm{T}A=\mathrm{rank}A$ （5分）
+>又$\mathrm{rank}(A^\mathrm{T}\begin{bmatrix}A&\beta\end{bmatrix})\le \min{(\mathrm{rank}A^\mathrm{T},\ \mathrm{rank}\begin{bmatrix}A&\beta\end{bmatrix})}=\mathrm{rank}A$ （5分）
+>所以$\mathrm{rank}(\begin{bmatrix}A^\mathrm{T}A&A^\mathrm{T}\beta\end{bmatrix})=\mathrm{rank}A$
+>故 $\mathrm{rank}(A^\mathrm{T}A)=\mathrm{rank}(\begin{bmatrix}A^\mathrm{T}A&A^\mathrm{T}\beta\end{bmatrix})$ 得证.
+
+>[!example] 例2 
+>已知$A, B, C, D$都是 4 阶非零矩阵，且$ABCD = O$，如果$|BC| \neq 0$，记$$r(A) + r(B) + r(C) + r(D) = r$$ 
+>则$r$的最大值是（ ）。
+>(A) 11  
+>(B) 12  
+>(C) 13  
+>(D) 14  
+
+**解析思路**：  
+- 由$|BC| \neq 0$知$B, C$均可逆。  
+- 由$ABCD = O$，故$r(AB) + r(CD) \le 4$，$r(A) + r(D) \le 4$
+- 又$B, C$满秩，即$r(B) = r(C) = 4$。  
+- 于是$r = r(A) + r(B) + r(C) + r(D) \le 4 + 4 + 4 = 12$。  
+- 存在构造使等号成立，故最大值为$12$。 
+- 例如$$A = 
+\begin{pmatrix}
+1 & 0 & 0 & 0 \\
+0 & 1 & 0 & 0 \\
+0 & 0 & 0 & 0 \\
+0 & 0 & 0 & 0
+\end{pmatrix},
+\quad 
+D = 
+\begin{pmatrix}
+0 & 0 & 0 & 0 \\
+0 & 0 & 0 & 0 \\
+1 & 0 & 0 & 0 \\
+0 & 1 & 0 & 0
+\end{pmatrix}$$
+**答案**： (B) 12