去年10月份学线性代数时的课程笔记
Week 2 Linear Transformations and Matrices
函数f(x)是线性变换的充要条件:
1 f(ax) = af(x) (a是常数)
2 f(x+y) = f(x) + f(y)
或者,f(x) 可表示为,一个矩阵A与x的乘法。
Week 6: Gaussian Elimination
高斯变换是高斯消元的矩阵表示形式。
矩阵LU分解,指另矩阵A=LU, L是单元下三角矩阵,U是上三角矩阵。
求解Ax = b的过程如下:
1 先做LU分解。
2 求解Lz = b, 令b=z。这一步等价于forward substitution。
3 求解Ux = z。这一步等价于backward substitution。
Week 9: Vector Spaces
向量空间s具有如下性质:
1 0向量属于s
2 如果u,v 属于s,那么(u+v) 属于s
3 如果v属于s,那么av属于s(a是常数)
矩阵A的列空间C(A) 可以看做所有A的列的线性组合的集合。
Ax = b 有解的充要条件是b在A的列空间中。
矩阵A的零空间(null space) N(A)的性质如下,x属于N(A),那么Ax = 0。
向量集合的线性独立性:集合中任何一个向量都不能写成其他向量的线性组合。
如果向量集合是线性独立的,那么把它们写成矩阵的形式A,N(A) = {0}。
矩阵A的秩,等于A的列空间的基的向量数。
对于一个在R上n*n维的矩阵A,以下论断是等价的:
1 A是非奇异的。
2 A是可逆的。(1的定义)
3 A-1(上标)存在。(2的定义)
4 AA-1(上标) = A-1(上标)A = I。(3的定义)
5 A是一个双射的线性变换。(假设存在“多对一”,那么这个“一”通过A-1是没法还原回去的,以为它们只能对应到同一个值)
6 Ax = b 有唯一解对于 b属于Rn(上标)。(Ax = I 有唯一解,通过拓展矩阵Ax = (I,B,C...),可知道任意b都有唯一解)
7 Ax = 0 即 x = 0。(由6可知,有唯一解,0向量肯定是一个解,所以唯一解就是0)
8 Ax = ej 有解对于j属于{0,...,n-1}
9 A的行列式不等于0。(不加证明给出)
10 LU with partial pivoting 不会崩溃。(由分解的过程可知)
11 A的列空间是Rn(上标)。(等价于6)
12 A有线性独立的列。(等价于7)
13 A的零空间是{0}。(等价于7)
14 A的秩是n。(由12可得)
- Determine when linear systems of equations have a unique solution, an infinite number of solutions, or only approximate solutions.