线性代数及其应用:第二章 向量空间

本文详细介绍了线性代数中的向量空间概念,包括向量空间的定义、子空间的特性,以及如何求解线性方程组Ax=0与Ax=b。讨论了矩阵的秩、线性无关、基与维度,并阐述了矩阵的四大子空间:列空间、零空间、行空间和左零空间。此外,还探讨了线性变换、左逆与右逆,以及这些理论在图与网络中的应用,如图的关联矩阵、零空间与列空间的物理含义等。


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

  1. x + y = y + x x+y=y+x x+y=y+x
  2. x + ( y + z ) = ( x + y ) + z x+(y+z)=(x+y)+z x+(y+z)=(x+y)+z
  3. 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
  4. 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
  5. 1 ⋅ x = x 1·x=x 1x=x
  6. ( c 1 c 2 ) x = c 1 ( c 2 x ) (c_{1}c_{2})x=c_{1}(c_{2}x) (c1c2)x=c1(c2x)
  7. c ( x + y ) = c x + x y c(x+y)=cx+xy c(x+y)=cx+xy
  8. ( 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:

  1. 由线性无关向量张成(spanning);
  2. 满足特殊条件,例如零空间 ( { x ∣ A x = 0 } ) (\{x|Ax=0\}) ({ xAx=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)0x1} 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\} { xx=(x1,x2,x3,x4),xiR}

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:

  1. 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,ysubspacex+ysubspace
  2. 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 xsubspacecxsubspace

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
A ( x − x p = 0 ) A(x-x_{p}=0) A(xxp=0),故 x − x p = x n x-x_{p}=x_{n} xxp=xn
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=100300010110x=uvwy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=121363393274uvwy=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=100300330230uvwy=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=100300010110uvwy=210=d当然,往往不需要化解到 R x = d Rx=d R

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值