文章目录
前言:这篇blog是《 Linear Algebra and Its Applications》第二章的一些学习笔记
第二章 向量空间
基本方法:高斯消去法
重点:向量空间(矩阵不只是一堆数,如果想更具象的理解矩阵,向量空间的概念一定要清楚,换句话说,要通过向量空间理解矩阵),线性变换
1. 向量空间与子空间
1.1. 向量空间的定义
在线性代数中,向量空间=线性空间。
向量空间就是满足下面8个性质的向量集, x , y , z x,y,z x,y,z为向量集中的向量, c c c为常数
- x + y = y + x x+y=y+x x+y=y+x;
- x + ( y + z ) = ( x + y ) + z x+(y+z)=(x+y)+z x+(y+z)=(x+y)+z;
- 有一个"零向量"使得对所有向量 x x x满足 x + 0 = x x+0=x x+0=x;
- 对每一个向量 x x x有一个向量 ( − x ) (-x) (−x)满足 x + ( − x ) = 0 x+(-x)=0 x+(−x)=0;
- 1 ⋅ x = x 1·x=x 1⋅x=x;
- ( c 1 c 2 ) x = c 1 ( c 2 x ) (c_{1}c_{2})x=c_{1}(c_{2}x) (c1c2)x=c1(c2x);
- c ( x + y ) = c x + x y c(x+y)=cx+xy c(x+y)=cx+xy;
- ( c 1 + c 2 ) x = c 1 x + c 2 x (c_{1}+c_{2})x=c_{1}x+c_{2}x (c1+c2)x=c1x+c2x。
向量空间产生的方法:
- 由线性无关向量张成(spanning);
- 满足特殊条件,例如零空间 ( { x ∣ A x = 0 } ) (\{x|Ax=0\}) ({ x∣Ax=0})。
向量空间举例:平面所有向量, 3 × 2 3\times 2 3×2 矩阵, C [ 0 , 1 ] = { f ( x ) ∣ f ( x ) 连 续 且 0 ≤ x ≤ 1 } C[0,1]=\{f(x)|f(x)连续且0\leq x\leq 1\} C[0,1]={ f(x)∣f(x)连续且0≤x≤1}, R ∞ R^{\infty} R∞(希尔伯特空间)= { x ∣ x = ( x 1 , x 2 , x 3 , x 4 …   ) , x i ∈ R } \{x|x=(x_{1},x_{2},x_{3},x_{4}\dots),x_{i}\in R\} { x∣x=(x1,x2,x3,x4…),xi∈R}。
1.2. 子空间定义
子空间是向量空间的非空子集,且满足下面两式:
- x , y ∈ s u b s p a c e , x + y ∈ s u b s p a c e x,y \in subspace,x+y \in subspace x,y∈subspace,x+y∈subspace;
- x ∈ s u b s p a c e , c x ∈ s u b s p a c e x\in subspace,cx \in subspace x∈subspace,cx∈subspace。
子空间举例: 3 × 3 3\times 3 3×3矩阵的上三角矩阵,矩阵的四大子空间(行空间,列空间,零空间,左零空间)。
2. 求解Ax=0与Ax=b
对所有的线性方程组 A x = b Ax=b Ax=b,其解都可以写成 x = x p + x n x=x_{p}+x_{n} x=xp+xn,其中 x p x_{p} xp为特解,满足 A x p = b Ax_{p}=b Axp=b, x n x_{n} xn为A的零空间中的某一个解向量,满足 A x n = 0 Ax_{n}=0 Axn=0。零空间为矩阵的四大子空间之一,这篇blog的后面会说明,下面先证明一下这一结论。
证明:
解向量 x x x满足 A x = b Ax=b Ax=b,且 A x p = b Ax_{p}=b Axp=b
则 A ( x − x p = 0 ) A(x-x_{p}=0) A(x−xp=0),故 x − x p = x n x-x_{p}=x_{n} x−xp=xn
即 x = x p + x n x=x_{p}+x_{n} x=xp+xn
2.1. 主元变量与自由变量
主元变量:对应到主元(pivot)上的变量
自由变量:对应到非主元上的变量
例如:求解 A x = b Ax=b Ax=b, A = [ ∗ 1 3 0 − 1 0 0 ∗ 1 1 0 0 0 0 ] , x = [ ∗ u v ∗ w y ] A=\left[ \begin{matrix} *1 & 3 & 0 & -1\\ 0 & 0 & *1 & 1\\ 0 & 0 & 0 & 0\\ \end{matrix} \right] ,x=\left[ \begin{matrix} *u\\ v\\ *w\\ y \end{matrix} \right] A=⎣⎡∗1003000∗10−110⎦⎤,x=⎣⎢⎢⎡∗uv∗wy⎦⎥⎥⎤其中, A A A中加" ∗ * ∗“的数字为主元(pivot),那么对应 x x x中加” ∗ * ∗“的变量就是主元变量,即 u , w u,w u,w,就是矩阵乘法中和 A A A中主元相乘的变量;不加” ∗ * ∗"的变量为非主元变量,即 v , y v,y v,y。
2.2. 求Ax=b
求解顺序是先求 A x = 0 Ax=0 Ax=0的通解 x n x_{n} xn,在求Ax=b的一个特解 x p x_{p} xp,最后组合成组合解 x = x n + x p x=x_{n}+x_{p} x=xn+xp即为线性方程组的解。下面举例说明
A x = [ 1 3 3 2 2 6 9 7 − 1 − 3 3 4 ] [ u v w y ] = [ 1 5 5 ] = b Ax=\left[ \begin{matrix} 1 & 3 & 3 & 2\\ 2 & 6 & 9 & 7\\ -1 & -3 & 3 & 4\\ \end{matrix} \right]\left[ \begin{matrix} u\\ v\\ w\\ y \end{matrix} \right]=\left[ \begin{matrix} 1\\ 5\\ 5 \end{matrix} \right]=b Ax=⎣⎡12−136−3393274⎦⎤⎣⎢⎢⎡uvwy⎦⎥⎥⎤=⎣⎡155⎦⎤=b经过高斯消去后,方程组变为 U x = [ 1 3 3 2 0 0 3 3 0 0 0 0 ] [ u v w y ] = [ 1 3 0 ] = c Ux=\left[ \begin{matrix} 1 & 3 & 3 & 2\\ 0 & 0 & 3 & 3\\ 0 & 0 & 0 & 0\\ \end{matrix} \right]\left[ \begin{matrix} u\\ v\\ w\\ y \end{matrix} \right]=\left[ \begin{matrix} 1\\ 3\\ 0 \end{matrix} \right]=c Ux=⎣⎡100300330230⎦⎤⎣⎢⎢⎡uvwy⎦⎥⎥⎤=⎣⎡130⎦⎤=c把主元列的非主元也消为0, R x = [ 1 3 0 − 1 0 0 1 1 0 0 0 0 ] [ u v w y ] = [ − 2 1 0 ] = d Rx=\left[ \begin{matrix} 1 & 3 & 0 & -1\\ 0 & 0 & 1 & 1\\ 0 & 0 & 0 & 0\\ \end{matrix} \right]\left[ \begin{matrix} u\\ v\\ w\\ y \end{matrix} \right]=\left[ \begin{matrix} -2\\ 1\\ 0 \end{matrix} \right]=d Rx=⎣⎡100300010−110⎦⎤⎣⎢⎢⎡uvwy⎦⎥⎥⎤=⎣⎡−210⎦⎤=d当然,往往不需要化解到 R x = d Rx=d R