MIT 18.06 linear algebra 第十讲笔记
第十课的重点为:
- four Fundamental subspace(for matrices A )
四个子空间分别为:
- 列空间
C(A (columnspace of A ) - 零空间
N(A) (Nullspace of A ) - 行空间
(C(AT) (rowspace) - AT 的零空间 N(AT) (Nullspace of AT )
前面已经见过列空间和零空间了,行空间就是矩阵中行向量所有的线性组合构成的空间。 AT 的零空间即 ATx=0 的所有解构成的空间。 N(AT) 又称为左零矩阵。
假设矩阵 A 是
m×n 的:- N(A) 是在 Rn 中的
- C(AT) 是在 Rn 中的
- N(AT) 是在 Rm 中的
- C(A) 是在 Rm 中的
这四个子空间,其中 C(A) 加 N(AT) 的维度和为m,其中 C(AT) 加 N(A) 的维度和为n。
对于列空间 C(A) 的一组基就是矩阵 A 中的主列。
C(A) 和 C(AT) 的维度都为矩阵 A 的秩r , N(A) 的维度为 n−r , N(AT) 的维度为 m−r 。
A=⎡⎣⎢111212323111⎤⎦⎥−>⎡⎣⎢100010110100⎤⎦⎥=R(1)
式(1)中进行的行变换,矩阵 A 的行空间和R 的行空间是一样的(因为消元进行的是对行的线性变化,所以并不会改变行空间)。但是矩阵 A 的列空间和R 的列空间是不一样的。即 C(A)≠C(R) 。N(AT) 就是 ATy=0 的所有解构成的空间。可以变换为: yTA=0T 。所以 N(AT) 又称为 A 的左零空间。
式(1)中对矩阵
A 进行的变换相当于: EA=R 。那么[ Am×nIm×m ]做相同的变换就成 [Rm×nEm×m] 。EA=⎡⎣⎢−11−12−10001⎤⎦⎥⎡⎣⎢111212323111⎤⎦⎥−>⎡⎣⎢100010110100⎤⎦⎥=R(2)
从式(2)中可以看出来, E 的最后一行的转置就是N(AT) 的一组基。
new “vector” space
对于一个矩阵来说,矩阵之间(同形状)是可以相加的,矩阵也可以数乘。这样就很类似向量空间的概念。
例如:所有的上三角矩阵构成一个空间,所有的对称阵构成一个空间。上三角矩阵与对称阵的交集构成对角阵的空间。假设对角阵的维度为 3×3 ,那么这个空间的基就是3。基的示例如下:
⎡⎣⎢100000000⎤⎦⎥⎡⎣⎢000010000⎤⎦⎥⎡⎣⎢000000001⎤⎦⎥(3)
以上三个矩阵就可以成为3维对角阵的一组基。