1 方程组的几何解释
二元一次方程组:
{ 2 x − y = 0 − x + 2 y = 3 \begin{cases} 2x-y=0 \\ -x+2y=3 \\ \end{cases} {2x−y=0−x+2y=3
矩阵形式:
[ 2 − 1 − 1 2 ] [ x y ] = [ 0 3 ] \begin{bmatrix} 2 & -1 \\ -1 & 2 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} 0 \\ 3 \end{bmatrix} [2−1−12][xy]=[03]
记为: A x = b Ax = b Ax=b
列的组合形式:
x [ 2 − 1 ] + y [ − 1 2 ] = [ 0 3 ] x \begin{bmatrix} 2 \\ -1 \end{bmatrix} + y \begin{bmatrix} -1 \\ 2 \end{bmatrix} = \begin{bmatrix} 0 \\ 3 \end{bmatrix} x[2−1]+y[−12]=[03]
乘法运算:
[ 2 5 1 3 ] [ 1 2 ] = 1 [ 1 2 ] + 2 [ 5 3 ] = [ 12 7 ] \begin{bmatrix} 2 & 5 \\ 1 & 3 \end{bmatrix} \begin{bmatrix} 1 \\ 2 \end{bmatrix} = 1 \begin{bmatrix} 1 \\ 2 \end{bmatrix} + 2 \begin{bmatrix} 5 \\ 3 \end{bmatrix} = \begin{bmatrix} 12 \\ 7 \end{bmatrix} [2153][12]=1[12]+2[53]=[127]
或者
[ 2 5 1 3 ] [ 1 2 ] = [ 2 × 1 + 5 × 2 1 × 1 + 3 × 2 ] = [ 12 7 ] \begin{bmatrix} 2 & 5 \\ 1 & 3 \end{bmatrix} \begin{bmatrix} 1 \\ 2 \end{bmatrix} = \begin{bmatrix} 2 \times 1 + 5 \times 2 \\ 1 \times 1 + 3 \times 2 \end{bmatrix} = \begin{bmatrix} 12 \\ 7 \end{bmatrix} [2153][12]=[2×1+5×21×1+3×2]=[127]
2 矩阵消元
{ x + 2 y + z = 2 3 x + 8 y + z = 12 4 y + z = 2 \begin{cases} x + 2y + z = 2 \\ 3x + 8y + z = 12 \\ 4y + z = 2 \\ \end{cases} ⎩⎪⎨⎪⎧x+2y+z=23x+8y+z=124y+z=2
记为: A x = b Ax = b Ax=b
消元过程:
[ 1 2 1 3 8 1 0 4 1 ] → [ 1 2 1 0 2 − 2 0 4 1 ] → [ 1 2 1 0 2 − 2 0 0 5 ] \begin{bmatrix} 1 & 2 & 1 \\ 3 & 8 & 1 \\ 0 & 4 & 1 \end{bmatrix} \rightarrow \begin{bmatrix} 1 & 2 & 1 \\ 0 & 2 & -2 \\ 0 & 4 & 1 \end{bmatrix} \rightarrow \begin{bmatrix} 1 & 2 & 1 \\ 0 & 2 & -2 \\ 0 & 0 & 5 \end{bmatrix} ⎣⎡130284111⎦⎤→⎣⎡1002241−21⎦⎤→⎣⎡1002201−25⎦⎤
最后一个矩阵中,对角线1 2 5为主元,主元不能为0
扩展到增广矩阵:
[ 1 2 1 2 3 8 1 12 0 4 1 2 ] → [ 1 2 1 2 0 2 − 2 6 0 4 1 2 ] → [ 1 2 1 2 0 2 − 2 6 0 0 5 − 10 ] \begin{bmatrix} 1 & 2 & 1 & 2 \\ 3 & 8 & 1 & 12 \\ 0 & 4 & 1 & 2 \end{bmatrix} \rightarrow \begin{bmatrix} 1 & 2 & 1 & 2 \\ 0 & 2 & -2 & 6 \\ 0 & 4 & 1 & 2 \end{bmatrix} \rightarrow \begin{bmatrix} 1 & 2 & 1 & 2 \\ 0 & 2 & -2 & 6 \\ 0 & 0 & 5 & -10 \end{bmatrix} ⎣⎡1302841112122⎦⎤→⎣⎡1002241−21262⎦⎤→⎣⎡1002201−2526−10⎦⎤
回代:
{ x + 2 y + z = 2 2 y − 2 z = 6 5 z = 10 \begin{cases} x + 2y + z = 2 \\ 2y -2z = 6 \\ 5z = 10 \\ \end{cases} ⎩⎪⎨⎪⎧x+2y+z=22y−2z=65z=10
记为: U x = c Ux = c Ux=c
用矩阵乘法表示消元第一步:
[ 1 0 0 − 3 1 0 0 0 1 ] [ 1 2 1 3 8 1 0 4 1 ] = [ 1 2 1 0 2 − 2 0 4 1 ] \begin{bmatrix} 1 & 0 & 0 \\ -3 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} 1 & 2 & 1 \\ 3 & 8 & 1 \\ 0 & 4 & 1 \end{bmatrix}= \begin{bmatrix} 1 & 2 & 1 \\ 0 & 2 & -2 \\ 0 & 4 & 1 \end{bmatrix} ⎣⎡1−30010001⎦⎤⎣⎡130284111⎦⎤=⎣⎡1002241−21⎦⎤
整个消元过程为: E 32 ( E 21 A ) = ( E 32 E 21 ) A = U E_{32} ( E_{21} A) = (E_{32} E_{21}) A = U E32(E21A)=(E32E21)A=U
矩阵乘法满足结合律,不满足交换律。
逆矩阵:
[ 1 0 0 3 1 0 0 0 1 ] [ 1 0 0 − 3 1 0 0 0 1 ] = [ 1 0 0 0 1 0 0 0 1 ] \begin{bmatrix} 1 & 0 & 0 \\ 3 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} 1 & 0 & 0 \\ -3 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}= \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix} ⎣⎡130010001⎦⎤⎣⎡1−30010001⎦⎤=⎣⎡100010001⎦⎤
E − 1 E = I E^{-1} E = I E−1E=I
3 乘法和逆矩阵
矩阵乘法:
A m × p B p × n = C m × n A_{m \times p} B_{p \times n} = C_{m \times n} Am×pBp×n=Cm×n
其 中 : C i j = ∑ k = 1 p a i k b k j , C i j 为 A 的 第 i 行 乘 以 B 的 第 j 列 其中:C_{ij} = \sum_{k=1}^{p} a_{ik} b_{kj} , C_{ij} 为 A 的第 i 行乘以 B 的第 j 列 其中:Cij=∑k=1paikbkj,Cij为A的第i行乘以B的第j列
C
的
每
一
列
可
看
作
A
的
列
的
线
性
组
合
C的每一列可看作A的列的线性组合
C的每一列可看作A的列的线性组合
C
的
每
一
行
可
看
作
B
的
行
的
线
性
组
合
C的每一行可看作B的行的线性组合
C的每一行可看作B的行的线性组合
A B = A 的 每 一 列 乘 以 B 的 每 一 行 的 和 A B = A的每一列乘以B的每一行的和 AB=A的每一列乘以B的每一行的和
可以将矩阵分成块进行乘法。
逆矩阵:
非奇异矩阵:可逆
奇异矩阵:不可逆
G-J消元法求逆:
[ 1 3 1 0 2 7 0 1 ] → [ 1 3 1 0 0 1 − 2 1 ] → [ 1 0 7 − 3 0 1 − 2 1 ] \left[ \begin{array}{cc|cc} 1 & 3 & 1 & 0 \\ 2 & 7 & 0 & 1 \end{array} \right] \rightarrow \left[ \begin{array}{cc|cc} 1 & 3 & 1 & 0 \\ 0 & 1 & -2 & 1 \end{array} \right] \rightarrow \left[ \begin{array}{cc|cc} 1 & 0 & 7 & -3 \\ 0 & 1 & -2 & 1 \end{array} \right] [12371001]→[10311−201]→[10017−2−31]
4 A的LU分解
公
式
:
公式:
公式:
(
A
B
)
−
1
=
B
−
1
A
−
1
(AB)^{-1}=B^{-1}A^{-1}
(AB)−1=B−1A−1
(
A
−
1
)
T
=
(
A
T
)
−
1
,
A
T
为
A
的
转
置
{(A^{-1}})^T={(A^{T}})^{-1}, A^{T}为A的转置
(A−1)T=(AT)−1,AT为A的转置
A
的
L
U
分
解
:
A的LU分解:
A的LU分解:
E
A
=
U
EA=U
EA=U
A
=
L
U
A=LU
A=LU
令 A = [ 1 2 1 2 1 1 1 5 3 ] 令A=\begin{bmatrix} 1 & 2 & 1 \\ 2 & 1 & 1 \\ 1 & 5 & 3 \end{bmatrix} 令A=⎣⎡121215113⎦⎤
计 算 E A = U : 计算EA=U: 计算EA=U:
[ 1 0 0 − 2 1 0 − 1 0 1 ] [ 1 2 1 2 1 1 1 5 3 ] = [ 1 2 1 0 − 3 − 1 0 3 2 ] \begin{bmatrix} 1 & 0 & 0 \\ -2 & 1 & 0 \\ -1 & 0 & 1 \end{bmatrix} \begin{bmatrix} 1 & 2 & 1 \\ 2 & 1 & 1 \\ 1 & 5 & 3 \end{bmatrix}= \begin{bmatrix} 1 & 2 & 1 \\ 0 & -3 & -1 \\ 0 & 3 & 2 \end{bmatrix} ⎣⎡1−2−1010001⎦⎤⎣⎡121215113⎦⎤=⎣⎡1002−331−12⎦⎤
[ 1 0 0 0 1 0 0 1 1 ] [ 1 2 1 0 − 3 − 1 0 3 2 ] = [ 1 2 1 0 − 3 − 1 0 0 1 ] = U \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 1 & 1 \end{bmatrix} \begin{bmatrix} 1 & 2 & 1 \\ 0 & -3 & -1 \\ 0 & 3 & 2 \end{bmatrix}= \begin{bmatrix} 1 & 2 & 1 \\ 0 & -3 & -1 \\ 0 & 0 & 1 \end{bmatrix}=U ⎣⎡100011001⎦⎤⎣⎡1002−331−12⎦⎤=⎣⎡1002−301−11⎦⎤=U
则:
E
=
[
1
0
0
0
1
0
0
1
1
]
[
1
0
0
−
2
1
0
−
1
0
1
]
=
[
1
0
0
−
2
1
0
−
3
1
1
]
E=\begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 1 & 1 \end{bmatrix} \begin{bmatrix} 1 & 0 & 0 \\ -2 & 1 & 0 \\ -1 & 0 & 1 \end{bmatrix}= \begin{bmatrix} 1 & 0 & 0 \\ -2 & 1 & 0 \\ -3 & 1 & 1 \end{bmatrix}
E=⎣⎡100011001⎦⎤⎣⎡1−2−1010001⎦⎤=⎣⎡1−2−3011001⎦⎤
计 算 A = L U , 同 上 : 计算A=LU,同上: 计算A=LU,同上:
L = [ 1 0 0 2 1 0 1 0 1 ] [ 1 0 0 0 1 0 0 − 1 1 ] = [ 1 0 0 2 1 0 1 − 1 1 ] L=\begin{bmatrix} 1 & 0 & 0 \\ 2 & 1 & 0 \\ 1 & 0 & 1 \end{bmatrix} \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & -1 & 1 \end{bmatrix}= \begin{bmatrix} 1 & 0 & 0 \\ 2 & 1 & 0 \\ 1 & -1 & 1 \end{bmatrix} L=⎣⎡121010001⎦⎤⎣⎡10001−1001⎦⎤=⎣⎡12101−1001⎦⎤
A=LU的形式比EA=U更好,因为L中的元素就是消元的乘数。
5 转置-置换-向量空间R
转置:将矩阵的行变成列,列变成行,记做
A
T
A^T
AT
(
A
T
)
i
j
=
A
j
i
(A^T)_{ij}=A_{ji}
(AT)ij=Aji
置换:交换矩阵的行或列
置换矩阵是行重新排列的单位矩阵,记做
P
P
P
n阶置换矩阵个数为
n
!
n!
n!
P
T
=
P
−
1
P^T=P^{-1}
PT=P−1
对称矩阵:
A
T
=
A
A^T=A
AT=A
对
任
意
矩
阵
R
,
(
R
T
R
)
T
=
R
T
R
对任意矩阵R,(R^TR)^T=R^TR
对任意矩阵R,(RTR)T=RTR
对A进行置换后的LU分解:
P
A
=
L
U
PA=LU
PA=LU
向量空间:
有加法和数乘运算,空间中向量经过加法和数乘运算得到的新向量仍在该空间内(对线性组合封闭)。
举例:
R
2
:
实
数
组
成
的
2
维
空
间
R^2:实数组成的2维空间
R2:实数组成的2维空间
R
3
:
实
数
组
成
的
3
维
空
间
R^3:实数组成的3维空间
R3:实数组成的3维空间
R
n
:
实
数
组
成
的
n
维
空
间
R^n:实数组成的n维空间
Rn:实数组成的n维空间
子空间:
举
例
,
R
2
的
子
空
间
:
举例,R^2的子空间:
举例,R2的子空间:
1
、
R
2
自
己
1、R^2自己
1、R2自己
2
、
经
过
零
点
的
直
线
2、经过零点的直线
2、经过零点的直线
3
、
单
个
0
向
量
,
记
做
Z
3、单个0向量,记做Z
3、单个0向量,记做Z
矩阵构造子空间:
A
=
[
1
3
2
3
4
1
]
A= \begin{bmatrix} 1 & 3 \\ 2 & 3 \\ 4 & 1 \end{bmatrix}
A=⎣⎡124331⎦⎤
A
中
每
一
列
是
R
3
中
的
向
量
,
这
两
列
组
成
的
空
间
为
R
3
的
子
空
间
,
称
作
列
空
间
,
记
做
C
(
A
)
。
A中每一列是R^3中的向量,这两列组成的空间为R^3的子空间,称作列空间,记做C(A)。
A中每一列是R3中的向量,这两列组成的空间为R3的子空间,称作列空间,记做C(A)。
几
何
上
,
C
(
A
)
构
成
一
个
平
面
。
几何上,C(A)构成一个平面。
几何上,C(A)构成一个平面。
6 列空间和零空间
对 任 意 子 空 间 S 和 T , 交 集 S ⋂ T 是 子 空 间 。 对任意子空间S和T,交集 S \bigcap T 是子空间。 对任意子空间S和T,交集S⋂T是子空间。
设 A = [ 1 1 2 2 1 3 3 1 4 4 1 5 ] , 则 C ( A ) 是 R 4 的 子 空 间 。 设A=\begin{bmatrix} 1 & 1 & 2 \\ 2 & 1 & 3 \\ 3 & 1 & 4 \\ 4 & 1 & 5 \end{bmatrix},则C(A)是R^4的子空间。 设A=⎣⎢⎢⎡123411112345⎦⎥⎥⎤,则C(A)是R4的子空间。
A x = b 有 解 , 当 且 仅 当 b 属 于 A 的 列 空 间 。 Ax=b有解,当且仅当b属于A的列空间。 Ax=b有解,当且仅当b属于A的列空间。
零
空
间
:
A
x
=
0
的
解
构
成
的
子
空
间
。
零空间:Ax=0的解构成的子空间。
零空间:Ax=0的解构成的子空间。
在
本
例
中
零
空
间
是
一
条
直
线
。
在本例中零空间是一条直线。
在本例中零空间是一条直线。