从线性方程组角度理解公式 s=n−r(3E−A)

这个公式本质上是 ​齐次线性方程组解空间维度 的直接体现。下面通过三个关键步骤解释其在线性方程组中的含义：

---

1. ​公式对应的线性方程组

考虑矩阵方程：

(3E−A)x=0

其中：

• x 是 n 维未知向量
• 3E−A 是系数矩阵（n×n 阶）
• 0 是零向量

几何意义：
该方程组描述所有被线性变换 A 缩放 3 倍的向量（即满足 Ax=3x 的向量）。

---

2. ​解空间的维度 = 几何重数 s

• 方程组的 ​解集 构成一个向量空间（称为 ​特征子空间）。
• ​**s 的物理意义**：
  解空间的维度，即线性无关解的个数。
  例如：
  • 若 s=2，解空间是一个平面（2 个自由方向）
  • 若 s=1，解空间是一条直线（1 个自由方向）

---

3. ​秩 r(3E−A) 的约束作用

秩的线性方程组解释：

• ​秩 r = 系数矩阵 3E−A 中 ​有效约束方程的数量
• ​秩与自由度的关系：总变量数 独立约束数 自由变量数 ​nrs=n−r​

示例（n=3）：

秩 r	约束效果	解空间维度 s	几何描述
r=0	无约束（所有方程退化）	s=3	整个 3D 空间
r=1	1 个有效约束（如 x+y+z=0)	s=2	一个平面
r=2	2 个独立约束	s=1	一条直线
r=3	3 个独立约束（满秩）	s=0	仅零解（非特征向量）

---

4. ​公式的物理意义

s=n−r(3E−A)​

• ​分子：系统的总自由度（n 个变量）
• ​分母：施加的独立约束数量（秩 r）
• ​结果：剩余的自由度（即特征方向的个数）

这本质上是 ​秩-零化度定理（Rank-Nullity Theorem）​ 的直接应用：

dim(解空间)+\rank(系数矩阵)=变量总数

---

应用实例

设 3 阶矩阵 A 的特征值 λ=3（代数重数 2）：

• ​情况 1：r(3E−A)=1
  → s=3−1=2
  → 解空间是 2 维平面 → 存在 2 个线性无关特征向量 → 矩阵可对角化。

• ​情况 2：r(3E−A)=2
  → s=3−2=1
  → 解空间是 1 维直线 → 仅 1 个线性无关特征向量 → 矩阵不可对角化（需用若尔当标准型）。

---

总结：线性方程组的视角

1. ​**s 是特征方程的自由度**：
   描述 Ax=3x 的解空间的“活动空间大小”。
2. ​秩 r 是约束强度：
   秩越高 → 约束越强 → 特征方向越少。
3. ​公式的核心：
   通过系数矩阵的秩，量化了特征子空间的维度。
   ​这在求解特征向量、判断矩阵对角化可能性时有核心应用。