zoukankan      html  css  js  c++  java
  • RE: 简单线性代数学习笔记 線形代数は基本的な問題である

    线性代数学习笔记


    0 前言与一些注意事项与定义

    听说明天要讲拟阵,然后就搞一下线性代数.

    大多数内容来自(wfj\_2048)(ppt)

    在这里先解释一下左乘和右乘是啥,(A)左乘(B)就是(AB),(A)右乘(B)就是(BA)

    线性变换是乱七八糟凑.差不多这么理解即可.

    (mathbb{R^n})表示(n)(R)域的空间.(dim X)表示(X)空间的维数.

    1 矩阵

    1.0 矩阵的基本概念

    首先需要了解基本的东西,矩阵.

    定义一个矩阵(A)(m)(n)列,那么可以写成:

    [egin{matrix} A_{1,1} A_{1,2}cdots A_{1,n}\ A_{2,1} A_{2,2}cdots A_{2,n}\ vdots \ A_{m,1} A_{m,2}cdots A_{m,n}\ end{matrix} ]

    我们还可以定义矩阵的数乘为(lambda A),相当于是给矩阵中所有的元素都乘上一个数字.

    然后矩阵有如下性质:

    1. 结合率: (ABC=A(BC))
    2. 数乘结合律: (eta(lambda A)=etalambda A)
    3. ...(自行百度)

    有一些特殊的矩阵,我们称之为(I),(0).

    • (I),单位矩阵,就是对角线全是(1),其他位置都是(0)的矩阵.
    • (0),零矩阵,就是所以位置都是(0)的矩阵.

    1.1 矩阵的运算

    加法就是对应位置加,减法就是对应位置减,乘法就是对应位置乘

    矩阵的乘法,有如下定义:(A)矩阵为((m,n)),(B)矩阵为((n,p)).(C=A*B)

    1. (C(i,j))(A)的第(i)个行向量内积(B)的第(j)个列向量.
    2. (C)的第(i)行向量又等于(A)的第(i)行向量*(B)
    3. 所以(C)的第(i)列向量又等于(A)*((B)的第(i)列向量)。
    4. 最难理解的一条:(C = sum_{i=1}^n a_i imes b_i)((a_i)(A)的第(i)列形成的矩阵,(b_i)(B)的第(i)行形成的矩阵,式中( imes)为矩阵乘法)

    第2,3条直接把矩阵乘法的定义式拆开就是了.

    第4条的话,直接把矩阵乘法拆开然后交换一下(sum)就行了.

    反正都是暴力拆就对了

    1.2 特殊的矩阵变化与矩阵

    1.2.1 特殊矩阵

    特殊矩阵有倍加矩阵,倍乘矩阵和对换矩阵.

    倍加矩阵: P

    [egin{bmatrix} 1& 0&0&cdots &0 ewline 0& 1& 0&cdots &0 ewline 0& c& 1&cdots &0 ewline &&vdots ewline 0& 0& 0&cdots &1 ewline end{bmatrix} ]

    然后这个矩阵中第((i,j))个数字为(c),主对角线上为(1),其他位置都是(0).

    倍乘矩阵: C

    [egin{bmatrix} 1& 0& 0cdots&0 ewline 0& c& 0cdots&0 ewline 0& 0& 1cdots&0 ewline &&vdots ewline 0& 0& 0cdots&1 ewline end{bmatrix} ]

    然后这个矩阵中主对角线上,除一个位置为(c),其他位置为(1),不在主对角线上的数字都是(0).

    对换矩阵: E

    [egin{bmatrix} 1& 0& 0cdots&0 ewline 0& 0& 1cdots&0 ewline 0& 1& 0cdots&0 ewline &&vdots ewline 0& 0& 0cdots&1 ewline end{bmatrix} ]

    这个矩阵相当于是交换(I)矩阵的两行.

    1.2.2 特殊的矩阵变换

    考虑上述的特殊矩阵有啥用,特殊矩阵左乘一个矩阵就是做初等行变换,右乘一个矩阵就是做初等列变换.

    (a_i+a_j*c)就是倍加矩阵(E(i,j))写一个(c).

    倍乘矩阵(C(i,i))(c)表示把第(i)行乘(c).

    对换矩阵就是交换.

    1.3 逆矩阵

    对于方阵而言,存在(AB=I),称(B)(A)的逆矩阵,记做(A^{-1}),(A^{-1}A=AA^{-1}=I).

    非方阵没有逆矩阵.

    ((AB)^{-1}=B^{-1}A^{-1}).

    证明可以两边同时乘(A,B).

    1. (A)可逆, 且(Avec x=vec b),则 (vec x=A^{-1} vec b)。故对任意(vec b),方程总有唯一解。
    2. 对于(vec b = vec 0),方程只有零解。
    3. (A)可逆,则(A)总能通过初等行变换变为单位阵,可结合高斯约旦消元理解.
    4. 矩阵可逆,当且仅当它消元以后有(n)个主元,满秩即可逆(满秩阵和可逆阵互为充要条件).

    初等行变换不改变矩阵的可逆性,且若(A,B)可逆,(AB)可逆.

    1.4 转置矩阵

    矩阵(A)的转置为(A^T),定义为(A^T(i,j)=A(j,i))

    ((AB)^T=B^TA^T),这个比较显然.

    (A^{-1^T}=A^{T^{-1}})

    这个证明考虑将(A=A,B=A^{-1})带入((AB)^T=B^TA^T),那么有

    [egin{align} (AA^{-1})^T&=(A^{-1})^TA^T\ I^T&=A^{-1^T}A^T\ I&=A^{-1^T}A^T\ A^{T^{-1}}&=A^{-1^T} end{align} ]

    简单证明即可.

    1. (vec xcdot vec y=vec x^Tvec y)左边是内积,右边是矩阵乘法。重点注意这个形式,在线代的理解与证明中非常有用。

      定义:对于(n)阶方阵,若(A=A^T),则(A)为对称阵;若(A=−A^T),则(A)为反对称阵。

    2. 任一方阵都能唯一地表示成一个对称阵与一个反对称阵之和.证明构造即可,类似高数上奇函数偶函数那个证明过程.

    3. 反对称阵的对角元均为0.这个证明直接参照定义即可.

    4. (AA^T)以及(A^TA)都是对称阵,这个也是根据定义证明.

    2 向量空间

    2.1 向量空间(线性空间)

    若存在一个集合(V)与域(P),使得

    1. (V)中有加法,对应唯一的和.
    2. (V)中有数量乘,对应唯一的乘积.
    3. 加法与数乘满足如下八条性质:

    向量空间性质

    那么称(V)(P)上的一个向量空间.

    第3条即满足加有交换律,结合律,与乘有分配率,有0元,有负元(相反数),有单位元,数乘有结合律,分配率.

    2.2 子空间

    线性空间(V)的一个子集(W),满足(W)中存在零向量,W对加法和数乘封闭,则称(W)(V)的子空间。显然子空间也是线性空间。

    封闭的意思就是保证乘完后还在(W)内.

    对于一个(A(m by n)),那么有:

    1. 行空间:矩阵(A)的行张成的空间,记为(C(A^T)).通俗来说就是(A)的行向量线性变换组成的空间.
    2. 列空间:矩阵(A)的列张成的空间,记为(C(A)).通俗来说就是(A)的列向量线性变换组成的空间.
    3. (右)零空间:满足(Avec x=vec 0)的所有解张成的空间.
    4. 左零空间:满足(A^Tvec x=vec 0)的所有解张成的空间.
    5. 行空间和零空间为(mathbb{R^m}) 的子空间,列空间和左零空间为(mathbb{R^n})的子空间。
    6. (Avec x=vec b)有解,则(vec b in C(A));若(A^Tvec x=vec b)有解,则(bin C(A^T )).这个证明的话考虑解相当于是列空间的线性变换.

    3 线性...

    3.1 线性相关与线性无关

    (k_1vec v_1+k_2vec v_2+...+k_nvec v_n=vec 0)的解当且仅当(forall k_i=0),那么这些向量线性无关,否则称它们线性相关.

    若一组向量线性无关,且能表示出一个线性空间的所有向量,那么这组向量就称为这个线性空间的一组基。

    1. 若一组向量中存在一个向量,其能被其他向量线性表出,则这组向量线性相关.这个可以通过定义证明.

    2. 一个线性空间中任意一组基的向量个数相等.不妨令最小基向量个数为(a),那么考虑若增加一个向量(vec x),这个向量一定能够被之前的向量线性表出,与线性无关矛盾.

    3. 一个线性空间的维数为该空间任意一组基所含有的向量个数.感性理解即可.

    3.2 线性基

    就提两句话:

    1. 线性基中一个数能有(2^{n-k})中表示方法,其中(n)是个数,(k)是线性基中的个数.
    2. 线性基是一个只有(0,1)元素的线性空间.

    4 解方程

    4.1 解(Avec x=vec 0)

    4.1.0 定义

    首先定义行阶梯形矩阵(U): ( ext{Upper Triangular Matrix}).

    1. 每个阶梯只有一行,即绝无可能一下子存在中间有零行.
    2. 元素不全为零的行(非零行)的第一个非零元素所在列的下标随着行标的增大而严格增大(列标一定不小于行标).
    3. 元素全为零的行(如果有的话)必在矩阵的最下面几行.

    简化行阶梯形矩阵(R = rref(A))

    1. 非零行的第一个非零元素全是1.
    2. 且非零行的第一个元素1所在列的其余元素全为零

    来一个练手题,将下面的矩阵化成简化行阶梯形矩阵:

    [egin{bmatrix} 1& 0& 2& 0& 4 ewline 1& 1& 5& 0& 9 ewline 3& 1 & 9& 1& 23 ewline 1& 1 & 5& 1& 15 ewline end{bmatrix} ]

    答案:

    [egin{bmatrix} 1& 0& 2& 0& 4 ewline 0& 1&3& 0& 5 ewline 0& 0& 0& 1& 6 ewline 0& 0& 0& 0& 0 ewline end{bmatrix} ]

    4.1.1 正言

    (N(A)=N(U)=N(R)),因为初等行变换不改变矩阵零元的情况.

    (Avec x=vec 0),先将(A)化为(rref(A)).

    可以发现,所有非主元都能自由取值。那么我们的解向量显然由(n)-主元数个线性无关的向量组成。

    (A vec x=vec 0)的通解为这些向量的线性组合。所以(dim N(A)=n-)主元个数.同时可以发现,非主元所在的列是其前面的列的线性组合,故(dim C(A) =)主元个数.

    故:(dim N(A) +dim C(A) = n)

    显然(rref(A))的非零行数对应着(C(A^T))的维数.可以发现其非零行数等于主元个数,故(dim C(A^T)=dim C(A)).

    4.2 秩

    称一个矩阵的主元个数为它的秩,记为(r(A)).

    1. (r(A) = dim C(A) = dim C(A^T) = r(A^T), r(A) le min(m, n)).
    2. (r(AB) le min(r(A), r(B))).
    3. 矩阵左乘或右乘一个可逆阵不改变秩.
    4. A为(m imes n)矩阵,B为(n imes p)矩阵,则(r(AB) ge r(A) + r(B) − n).老邬都没有证,我怎么会证.
    5. 满秩方阵可逆(之前提过).

    考虑第2条性质的证明:

    首先证明(r(AB)le r(B)).

    [AB=egin{bmatrix}Ab_1,Ab_2,...,Ab_pend{bmatrix} ]

    考虑这是(B)的列向量的空间组合,那么显然基的大小不会变大.

    又因为(r(A)=dim C(A)),所以(r(AB)le r(B)).

    基本相同的道理可以证明(r(AB) le r(A)),所以(r(AB) le min(r(A),r(B))).

    4.3 解(Avec x=vec b)

    (Avec x=vec b),先将(A)化为(U),同时(vec b)进行同样的初等行变换,然后判断是否有解.

    判断有解就是类似判断一元一次方程的解一样.

    然后再化为(rref(A)),此时令非主元都为(0),可以直接得到一个特解.

    然后再求出(Avec x=vec 0)的通解。那么它的解可表示为特解+通解的线性组合.

    1. (r(A)=m)的矩阵称为行满秩矩阵,该矩阵(C(A) = mathbb{R^m}).易证.
    2. (r(A)=n)的矩阵称为列满秩矩阵,该矩阵(N(A) = {vec 0}).易证.

    至此,线代基础告一段落,行列式为下一部分内容

    抱歉它鸽了.

  • 相关阅读:
    Ajax基础:3.Json
    Head First Design Patterns State Pattern
    Head First Design Patterns Template Method Pattern
    Articles For CSS Related
    Head First Design Patterns Decorator Pattern
    代码审查工具
    How To Be More Active In A Group
    Head First Design Patterns Factory Method Pattern
    Head First Design Patterns Composite Pattern
    Tech Articles
  • 原文地址:https://www.cnblogs.com/fexuile/p/12193165.html
Copyright © 2011-2022 走看看