逆矩阵、列空间与零空间
这是关于3Blue1Brown "线性代数的本质"的学习笔记。
多元一次方程组的矩阵形式
对于多元一次方程组:
2
x
+
2
y
=
−
4
1
x
+
3
y
=
−
1
2x+2y=-4 \\ 1x+3y=-1
2x+2y=−41x+3y=−1
可以将其写成矩阵形式:
A
x
⃗
=
v
⃗
A\vec{x} = \vec{v}
Ax=v
这个方程的解依赖于矩阵A代表的变换,是将空间挤压到一条线或一个点等低维空间,还是保持像初始状态一样的完整二维空间。
即:A的行列式为0,或不为0。
线性变换(矩阵)的逆
如果A的行列式不为0,此时空间并未被挤压为零面积的区域。在这种情况下,有且仅有一个向量在变换后和 v ⃗ \vec{v} v重合。并且,可以通过逆向变换来找到这个向量。即解得向量 x ⃗ \vec{x} x。
当逆向进行变换时,实际上对应了另一个线性变换,通常被称为“A的逆”,记为
A
−
1
A^{-1}
A−1。比如:如果A是逆时针旋转90°,那
A
−
1
A^{-1}
A−1就是顺时针旋转90°。总的来说,
A
−
1
A^{-1}
A−1是满足以下性质的唯一变换:首先应用A代表的变换,再应用
A
−
1
A^{-1}
A−1代表的变换,向量会回到原始状态;两个变换相继作用,在代数上体现为矩阵乘法
A
−
1
A
A^{-1}A
A−1A。所以,
A
−
1
A^{-1}
A−1的核心性质就是
A
−
1
A^{-1}
A−1乘以A等于一个“什么都不做”的矩阵,这个“什么都不做”的变换被称为“恒等变换”。
A
−
1
A
=
[
1
0
0
1
]
A^{-1}A=\begin{bmatrix} \ 1 & 0 \\ \ 0 & 1 \\ \end{bmatrix}
A−1A=[ 1 001]
求得
A
−
1
A^{-1}
A−1后,就可以这样解方程
A
−
1
A
x
⃗
=
A
−
1
v
⃗
A^{-1}A\vec{x} = A^{-1}\vec{v}
A−1Ax=A−1v
如果A的行列式为0,此时与这个方程相关的变换将空间压缩到更低的维度上,此时没有逆变换,因为你不能将一条直线“解压缩”为一个平面。
线性变换(矩阵)的秩
除了零行列式之外,还有个特定术语来描述它们,秩。
对于一个3×3的矩阵,当变换的结果为一条直线时,也就是说结果是一维的,我们称这个变换的秩为1;如果变换后的向量落在某个二维平面上,我们称这个变换的秩为2。
所以说,“秩”代表着变换后空间的维数。
对于2×2的矩阵,它的最大秩为2,意味着基向量仍旧能张成整个二维空间,并且矩阵的行列式不为零。但对于3×3的矩阵,秩为2,意味着空间被压缩了。
矩阵的列空间
不管是一条直线、一个平面,还是三维空间等,所有可能的变换结果的集合,被称为矩阵的列空间。
换句话说,列空间就是矩阵的列所张成的空间。因为矩阵的每个列代表一个基向量。所以,更精确的秩的定义是列空间的维数。当秩达到最大值时,意味着秩与列数相等,我们称之为“满秩”。零向量一定在列空间中,因为线性变换必须保持原点位置不变。对于一个满秩变换来说,唯一能在变换后落在原点的就是零向量本身。但对于一个非满秩变换来说,它将空间压缩到一个更低的维度上,也就是说会有一系列向量在变换后称为零向量。
矩阵的零空间
如果一个二维线性变换将空间压缩到一条直线上,那么沿着不同方向直线上的所有向量就被压缩到原点。
如果一个三维线性变换将空间压缩到一个平面上,那么同样也有一整条直线上的向量在变换后落在原点。
如果一个三维线性变换将空间压缩到一个条直线上,那么就有一整个平面上的向量在变换后落在原点。
变换后落在原点的向量的集合,被称为矩阵的“零空间”或“核”。