线性代数 2

最新推荐文章于 2023-05-09 09:46:39 发布

Hundred_Xu

最新推荐文章于 2023-05-09 09:46:39 发布

阅读量1k

点赞数 1

文章标签：线性代数

本文链接：https://blog.csdn.net/Hundred_Xu/article/details/121175471

版权

第五课转置 — 置换 — 向量空间R

一.向量空间

向量运算：相加和数乘(数是标量)

空间：很多向量.一整个空间的向量，但并不是任意向量的组合都能称为空间.

必须满足一定规则，必须能够进行加法和数乘运算，必须能够进行线性组合。

从例子开始(以下讨论均为实数)：

1. $R^{2}$ (这里都是二维实向量)称为一个xy平面,但是这里需要考虑成所有向量组成的向量空间,如:

$\begin{bmatrix} 3\\2 \end{bmatrix}$ $\begin{bmatrix} 0\\0 \end{bmatrix}$ $\begin{bmatrix} \pi \\e \end{bmatrix}$

还可在xy平面中做出图像(通常有箭头),水平(竖直)表示第一(二)分量，整个平面则是 $R^{2}$

$\bigstar$ 论原点的重要性：对于向量空间，有了这个向量，就必须满足这个向量乘以任何数(包括0),或加上向量空间内的任何向量(包括其相反向量)，其结果都必须在向量空间内，而原点显然也在结果之中，所以所有向量空间必须包含0向量(即原点)。

$R^{3}$ (所有三维实向量组成的向量空间) 如: $\begin{bmatrix} 3\\ 2\\ 0 \end{bmatrix}$ 是三维向量,而不是二维向量, $\because$ 0也是一个分量

$R^{n}$ ，向量空间，包含了所有的n维向量(以列的形式,即列向量),且它们的分量都是实数

2.加法和数乘必须满足的8条运算规则，但其关键是能否在运算完成后仍处于空间内

“不能”的例子：只取 $R^{2}$ 的第一象限(所有分量均非负)

相加可以，但是数乘却不行： $-5\begin{bmatrix} 3\\ 2 \end{bmatrix}$ 其结果不在第一象限内

$\because$ 对于实数的数乘来说，它不是封闭的， $\therefore$ 第一象限不构成向量空间

$\therefore$ 向量空间必须对数乘和加法2种运算是封闭的or对线性组合封闭

二.子空间(类比子集)

1. $R^{2}$ 中的向量空间(即 $R^{2}$ 的向量子空间)

$\bullet$ 任意向量乘以任意的数，其结果均在一条直线上(不能对数乘封闭的，都不是向量空间)

检验加法：直线上的向量+直线上其他向量=直线上某个向量

$\therefore$ $R^{2}$ 的向量子空间可以是 $R^{2}$ 内的一条直线，但并不是 $R^{2}$ 内所有的直线都是子空间

只有 $R^{2}$ 内穿过原点的直线才是 $R^{2}$ 的子空间(论原点的重要性)

$\circ$ 如图五-二-1 实线是 $R^{2}$ 的一个向量子空间，而虚线上的向量数乘0将得到 $\begin{bmatrix} 0\\ 0 \end{bmatrix}$ ,不在虚线上，所以虚线并不是 $R^{2}$ 的一个向量子空间。

图五-二-1

综上，a.列出 $R^{2}$ 所有的子空间：1， $R^{2}$ 本身( $R^{2}$ 最大的子空间)

2，穿过原点、两端无限延伸的直线

$\bullet$ $R^{1}$ 也都是直线，但两者并不相同(类似，但截然不同)， $R^{1}$ 只有一个分量，而“2，”中的直线是 $R^{2}$ 中的直线，都有两个量。

3，只包含零向量，通常用Z来表示零向量( $\begin{bmatrix} 0\\ 0 \end{bmatrix}$ )

$\bullet$ 一个零向量就能满足所有法则，它总是构成最小的子空间，而最大的子空间是空间本身

b.列出 $R^{3}$ 所有的子空间：1， $R^{3}$ 本身(最大的子空间)

2，穿过原点、两点无限延伸的直线

3，穿过原点的平面

$\bullet$ 两个向量不共线，构成一个过原点的平面 $\begin{bmatrix} 1\\ 2\\ 4 \end{bmatrix}$ $\begin{bmatrix} 3\\ 3\\ 1 \end{bmatrix}$

两个向量共线，构成一条过原点的直线

4，单个零向量(单个矢量的空间) $\begin{bmatrix} 0\\ 0\\0 \end{bmatrix}$

2.如何得到向量空间？ 矩阵构造

例.如何得到 $R^{3}$ ？

核心思想：通过某些向量(属于 $R^{3}$ )构成一个向量组的空间(属于 $R^{3}$ )

a.通过列向量构造

A $\begin{bmatrix} 1 &3 \\ 2& 3\\ 4&1 \end{bmatrix}$ (在 $R^{3}$ 中)通过一系列的线性组合(加法and数乘)所得到的向量构成一个子空间[即列空间，记作C(A)]

$\bullet$ 构造矩阵列空间，只用取出矩阵的各列进行线性组合，后所有的线性组合结果构成列空间

第六课用向量空间和列空间理解 Ax=b

$R^{3}$ 中的子空间：平面P，直线L（均过原点）

1.P $\cup$ L不是 $R^{3}$ 的子空间，因为加法不封闭

2.P $\cap$ L=0（L不在P上），所以是 $R^{3}$ 的子空间

推广：任意子空间的交集(一般子空间S $\cap$ T)仍是 $R^{3}$ 的一个子空间

$\bullet$ 向量空间:一些向量对一些运算封闭（即向量空间必须满足两个条件：加法封闭和数乘封闭）

$\bullet$ 所有的线性组合即任意倍的向量v与任意倍的向量w之和，仍在空间中

$\bullet$ 所有子空间必须包含原点

一，列空间

A= $\begin{bmatrix} 1 &1 &2 \\ 2 & 1 & 3\\ 3& 1& 4\\ 4 & 1 & 5 \end{bmatrix}$ (取了3个向量进行线性组合得不到整个 $R^{4}$ )

1.Ax=b

a.并不是对任意的b都有解

$\bigstar$ b.b需满足什么条件，方程组才有解

(1). $\because$ Ax=b有4个方程却只有3个未知数

$\therefore$ 方程组不总是有解( $\because$ 3个列向量的线性组合 $\neq$ $R^{4}$ ， $\therefore$ 有大量的b不是3个列)

(2).Ax=b有解，当且仅当b $\epsilon$ A的列空间（即只有b是A中各列的线性组合时）

列空间包含所有A数乘任意的x得到的向量

$\begin{bmatrix} 1 &1 &2 \\ 2 & 1 & 3\\ 3& 1& 4\\ 4 & 1 & 5 \end{bmatrix}$ $\begin{bmatrix} x_{1}\\ x_{2} \\ x_{3} \end{bmatrix}$ $=\begin{bmatrix} b\\ \end{bmatrix}$

A中的 $c_{1}c_{2}$ 为主列( $R^{4}$ 中的二维子空间)

[主列选取优先考虑靠前的线性无关向量，去掉 $c_{1}$ 也可(相当于去掉 $c_{3}$ ),这里去掉 $c_{3}$ 是因为 $c_{3}$ 没有贡献, $c_{1}c_{2}$ 能构筑同样的裂空间( $c_{3}=c_{1}+c_{2}$ , $c_{3}$ 在 $c_{1}c_{2}$ 的平面上，线性相关，没有贡献)]

二.零空间

$\bullet$ 零空间：一种完全不同的子空间，包含Ax=0所有的解，也必然包括0

$\begin{bmatrix} 1 &1 &2 \\ 2 & 1 & 3\\ 3& 1& 4\\ 4 & 1 & 5 \end{bmatrix}$ $\begin{bmatrix} x_{1}\\ x_{2} \\ x_{3} \end{bmatrix}$ $=\begin{bmatrix} 0\\ 0\\0 \\ 0 \end{bmatrix}$ 零空间是 $R^{3}$ 的子空间

$A_{m*n}$ $\epsilon R^{3=n}$ C(A)是 $R^{4=m}$ 的子空间

对于m*n矩阵，因为列个数n=未知数，所以多少个x乘以这些列是 $R^{3}$ 中的问题

（求列空间，零空间的一般方法——消元）

零空间N(A)是一条 $R^{3}$ 中的直线，包括 $\begin{bmatrix} 0\\ 0\\0 \end{bmatrix},\begin{bmatrix} 1\\ 1 \\-1 \end{bmatrix},\begin{bmatrix} c\\ c\\ -c \end{bmatrix}...$ (c取任意数) $\rightarrow c\begin{bmatrix} 1\\ 1\\ -1 \end{bmatrix}$ 一整条直线(经过原点，两端延伸)

$\bullet$ 回到向量空间和子空间的定义，思考：

怎么知道零空间是向量空间？为什么它能被称作“空间”？

检验：Ax=0的解构成一个子空间

需证明：对任意的一个解x和另一个解 $x^{*}$ ，它们之和仍然是解(这是空间的限制条件,即加法封闭)

如果Av=0，且Aw=0，则A(v+w)=Av+Aw=0 (矩阵乘法规则：分配律)

v和w都在零空间内，它们的和v+w也在零空间内

同理可证：Av=0，则A(12v)=12Av=0 (数乘时数可以提到前面)

$\begin{bmatrix} 1 &1 &2 \\ 2 & 1 & 3\\ 3& 1& 4\\ 4 & 1 & 5 \end{bmatrix}$ $\begin{bmatrix} x_{1}\\ x_{2} \\ x_{3} \end{bmatrix}$ $=\begin{bmatrix} 1\\ 2\\3 \\ 4 \end{bmatrix}$

$\bullet$ 4个方程却只有3个未知数，如果随便选取右侧向量b，很有可能无解

不过这个例子中的b比较特殊(b是A中的 $c_{1}$ ，使得我们可以一眼看出解)

$x=\begin{bmatrix} 1\\ 0 \\ 0 \end{bmatrix},\begin{bmatrix} 0\\ -1\\1 \end{bmatrix}$ 一条不穿过原点的直线

这些解中不包含零向量,所以这些解不构成向量空间/子空间

$\bigstar$ 构造子空间的两种方法

1.列空间：从向量出发，通过线性组合构筑向量空间/子空间

2.零空间：只已知向量必须满足的方程组，从一个方程组中通过让x满足特定条件去得到子空间

第七课求解Ax=0—主变量—特解

$A=\begin{bmatrix} 1 &2 & 2 & 2\\ 2& 4& 6&8 \\ 3& 6& 8&10 \end{bmatrix}$

1. $2c_{2}=c_{1}$ ,作为列向量，它们方向相同， $c_{2}$ 是 $c_{1}$ 的线性组合，即 $c_{2}$ 相关于 $c_{1}$

$r_{1}+r_{2}=r_{3}$ ,所以 $r_3$ 也与 $r_1,r_2$ 相关，这些在消元中都会表现出来

所以选择消元这种算法（对象是长方阵）

所以主元为0时，不必理会，选取0的后一位为主元，继续消元

2.从一个方程减去另一个方程的倍数，方程组的解不会改变，所以在消元过程中，零空间不会改变

3.因为右侧常数向量为0，所以只用处理方程左侧

$A=\begin{bmatrix} 1 &2 & 2 & 2\\ 2& 4& 6&8 \\ 3& 6& 8&10 \end{bmatrix}$ $\sim \begin{bmatrix} 1 & 2&2 & 2\\ 0& 0& 2& 4\\ 0&0 & 2&4 \end{bmatrix}$ $\sim \begin{bmatrix} 1 & 2&2 & 2\\ 0& 0& 2& 4\\ 0&0 & 0&0 \end{bmatrix}=U$ $\xrightarrow[\frac{1}{2}r_{2}]{r_{1}-r_{2}}$ $\begin{bmatrix} 1 & 2&0 & -2\\ 0& 0& 1& 2\\ 0&0 & 0&0 \end{bmatrix}=R$

$r_{1}c_{1}$ 为主元一 $r_{2}c_{3}$ 为主元二 （行)阶梯形 最简行阶梯形

主列(即主变量)为 $c_{1},c_{2}$ (主元所在列) 主元上下全为0

$\bigstar$ 矩阵的秩rank(等级,阶级),表示主元个数 本例中主元数量为2，所以矩阵A的秩为R(A)=2

矩阵进行初等行变换、乘以满秩矩阵/可逆矩阵(可逆 $\Leftrightarrow$ 满秩)、转置，秩都不变

Ax=0 $\to$ Ux=0,但是解和零空间不变

本例中，只有2个主列/主变量( $c_{1},c_{3}$ ),其余的 $c_{2},c_{4}$ 为自由列(可自由/任意分配数值)

$\because c_{2},c_{4}$ 乘数任意， $\therefore x_{2},x_{4}$ 任取， $\therefore$ 只需求解 $x_{1},x_{3}$ (通过回代求解)

$x=\begin{bmatrix} -2\\ 1\\ 0\\0 \end{bmatrix}$ 解1 $x=c\begin{bmatrix} -2\\1 \\ 0 \\ 0 \end{bmatrix}+d\begin{bmatrix} 2\\ 0\\ -2\\ 1 \end{bmatrix}$ 零空间的一个向量，Ax=0的一个解，表示 $-2c_{1}+c_{2}=0$

$\rightarrow x=c\begin{bmatrix} -2\\ 1\\ 0 \\ 0 \end{bmatrix}$ $R^{4}$ 中一条无限延伸的直线,在零空间中,但不是整个零空间,因为自由变量有2个

$x=\begin{bmatrix} 2\\ 0\\ -2\\ 1 \end{bmatrix}$ 解2

解1，解2的线性组合就可求出整个零空间，即Ax=0的所有解

$x=c\begin{bmatrix} -2\\1 \\ 0 \\ 0 \end{bmatrix}+d\begin{bmatrix} 2\\0 \\ -2 \\ 1 \end{bmatrix}$ (c,d取任意数) “+”表示任意线性组合

解1，解2均为零空间上的一条线，线上都是方程组的解

特解(特定的解) 两个特解的线性组合，每个自由变量对应一个特解

“特定”在于给自由变量分配的特定值，构造出整个零空间

有了特解，就有了其任意倍(都在零空间内)

零空间内所包含的正是特解的线性组合

$\bigstar$ m*n矩阵，n个变量，其秩为r

如果有r个变量是主变量，则有(n-r)个自由变量 [本例中为(4-2)个自由变量]

r个主变量表示只有r个方程起作用，剩下(n-r)个变量均可自由选取数值

$\bullet$ 最简行阶梯形R：1.可看出主行，主列；2.包含一个单位阵( $c_{2}\leftrightarrow c_{3}$ ) $\begin{bmatrix} 1 &0 \\ 0& 1 \end{bmatrix}$ ;3.还有一行0

（全为0的行表示原行是其他行的线性组合，所以实际上只有2行）

（除单位阵之外，还得到了自由列，特解很快便知）

$\bullet$ 求特解：Ax=0 $\rightarrow$ Ux=0 $\rightarrow$ Rx=0 <解不变>

由R可知， $x_{1}+2x_{2}-2x_{4}=0$ 且 $x_{3}+3x_{4}=0$

令 $\binom{x_{2}}{x_{4}}=\binom{1}{0}$ 主列：I $\begin{bmatrix} 1 &0 \\0 &1 \\0 & 0 \end{bmatrix}$ 自由列：F $\begin{bmatrix} 2 &-2 \\0 & 2\\0 & 0 \end{bmatrix}$

回代 $R=\begin{bmatrix} I_{r*r} &F \\ O& O \end{bmatrix}$ r个主行，r个主列，(n-r)个自由列

构造零空间N(各列由特解组成) RN=0 $N=\begin{bmatrix} -F\\I \end{bmatrix}$ 零基

RN=0：主变量=-F*自由变量 $\begin{bmatrix} I &F \end{bmatrix}\begin{bmatrix} principal\,variable\\ free\, variable \end{bmatrix}=0$ principal variable:主变量

第八课求解Ax=b 可解性和解的结构

Ax=b通过消元确认有解(唯一/很多,并求出所有的解)/无解

(以上一讲矩阵A为例)

要有 $r_{1}+r_{2}=r_{3}$ ,则须有 $b_{1}+b_{2}=b_{3}$ ；

若系数矩阵A各行线性组合得到0，则常数矩阵b也以相同的线性组合得到0

增广矩阵 $\begin{bmatrix} A &b \end{bmatrix}=\begin{bmatrix} 1 &2 & 2 &2 &b_{1} \\ 2 & 4 & 6 & 8 &b_{2} \\ 3 & 6& 8 & 10& b_{3} \end{bmatrix}\rightarrow \begin{bmatrix} 1 &2 & 2 &2 &b_{1} \\ 0 &0 &2 &4 & b_{2}-2b_{1}\\ 0 &0 &2 &4 &b_{3}-3b_{1} \end{bmatrix}$

若 $0=b_{3}-b_{2}-b_{1}$ ,则 $b=\begin{bmatrix} 1\\ 5 \\ 6 \end{bmatrix}$ 有解

可解性：Ax=b有解时，1,当且仅当 $b\in C\left ( A \right )$ ，即b需是A各列的线性组合

2,若A各行线性组合得到零行，则b中元素相同线性组合须是0

(因为只有2个参数，所以零空间是 $R^{4}$ 中的二维平面，但不过原点，不是二维子空间。它表示可任意选取的自由无关数字的个数。)

求解Ax=b所有的解，即通解：

特解 $x_{p}$ (最后一行均为0)：设所有的自由变量 $x_{2}=x_{4}=0$ ，

求出主变量(唯一) $x_{1}=-2$ $x_{3}=\frac{3}{2}$

得 $x_{p}=\begin{bmatrix} -2\\ 0\\ \frac{3}{2} \\0 \end{bmatrix}$ 代入原方程检验

基础解系/基(零空间内任意解 $x_{null\: space}$ ，即 $x_{n}$ ):因为有两个自由变量，所以有两个特殊解

取一个自由变量=1，其余自由变量=0

通解 $x=x_{p}+x_{n}=\begin{bmatrix} -2\\0 \\ \frac{3}{2} \\ 0 \end{bmatrix}+c_{1}\begin{bmatrix} -2\\1 \\ 0 \\ 0 \end{bmatrix}+c_{2}\begin{bmatrix} 2\\ 0\\ -2 \\ 1 \end{bmatrix}$ (其中 $c_{1}$ , $c_{2}$ 取任意值)