线性代数3

导函数女士

已于 2023-12-20 18:31:05 修改

阅读量380

点赞数 10

文章标签：线性代数机器学习人工智能

于 2023-12-17 16:06:31 首次发布

本文链接：https://blog.csdn.net/m0_63747128/article/details/135042712

版权

一.向量

由n个数 $a_{1},a_{2},a_{3},a_{1},....a_{n},$ 组成的有序数组。共n维，一般由 $\alpha \beta \gamma$ 表示。

写成行叫做行向量，写成列就是列向量。

$\begin{pmatrix} 10 & 10 &10 \end{pmatrix}$ $\begin{pmatrix} 10\\ 10\\ 10 \end{pmatrix}$

k $\alpha$ = 0 <--> k = 0 or $\alpha$ = 0.

二 .向量间的线性关系

2.1线性组合

定义： $\beta ,\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{n}$ 是m维向量。

若存在 $k_{1},k_{2},k_{3},k_{n},$ 使得 $\beta$ = $k_{1}\alpha _{1}+k_{2}\alpha _{2}+...k_{n}\alpha _{n},$ 组合。

注：系数可以全取0.

1. 零向量可由任何向量表示。 $0 =0\alpha _{1}+0\alpha _{2}....+0\alpha _{n},$

2.向量组中任一向量都可以由向量组表示。 $\beta _{3} =0\alpha _{1}+0\alpha _{2}+1\alpha _{3}....+0\alpha _{n},$

3任一向量可由 $\varepsilon _{1} = \left ( 1,0,0,...0 \right )$ , $\varepsilon _{2} = \left ( 0,1,0,...0 \right )$ , $\varepsilon _{n} = \left ( 0,0,0,...1 \right )$ 表示

即：(1,2,3) = 1*(1,0,0)+2*(0,1,0)+3*(0,0,3)

例题：

不管给的是行还是列向量， $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{n}$ 均左乘按列做成方程组的系数， $\beta$ 按列做成右边的常数项

$\alpha \beta$ 都写成列向量。

2.2 向量组的等价

$\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{n}$ 和 $\beta _{1},\beta _{2},\beta _{3},...\beta _{n},$ 同维，

则他们可以相互表示：

1 反身性

2 传递性

3 传递性

2.3 线性相关和线性无关

$\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{n}$ 是由n个m维的向量，若存在一组不全为 0 的 $k_{1},k_{2},k_{3},k_{n},$

使得 $k_{1}\alpha _{1}+k_{2}\alpha _{2}+...k_{n}\alpha _{n},$ = 0

则 $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{n}$ 线性相关。

全为 0 ，则线性无关。

2.3.1 结论

1 向量组中两向量成比例，则相关

$\binom{1}{2}$ $\binom{2}{4}$

2 含零向量的任意向量组必相关 $0\alpha _{1}+0\alpha _{2}+...1*0 = 0$

3 一个零向量必相关 1* 0 = 0

4 一个非零向量必无关。

5 一个向量 $\alpha$ 相关<--> $\alpha$ = 0

2.3.2 推论

1 若部分组相关--->则整体线性相关

2 整体组线性组无关-->部分在线性无关

例题

3 线性无关的向量组，接长向量组也无关

4 线性相关的向量组，截短向量组也相关

n个n维向量，D！ =0，则线性无关 D = 0 线性相关

2.3.3 定理

1 $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 线性相关，<--> 至少有一个向量可由其他向量表示。

2 $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 线性无关。 $\alpha _{1} ,\alpha _{2} ,\alpha _{4}... ,\alpha _{s},\beta$ 相关， $\beta$ 可由 $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 唯一表示。

证明定理2

$\beta$ = $m_{1}\alpha _{2}+m_{2}\alpha _{2}+...m_{n}\alpha _{n}$ 1

$\beta$ = $n_{1}\alpha _{2}+n_{2}\alpha _{2}+...n_{n}\alpha _{n}$ 2

1-2 = 0 = $(m_{1}-n_{1})\alpha _{1}+ (m_{2}-n_{2})\alpha _{2}+ (m_{n}-n_{n})\alpha _{n}$

因为当等式为0 时， $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 线性无关，所以他前边的系数必须为0，因此 m1 = n1

m2 = n2.只有唯一解。

替换：

1 $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 无关，可由 $\beta _{1},\beta _{2},\beta _{3},...\beta _{t},$ 表示，则，s<=t

2 $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 可由 $\beta _{1},\beta _{2},\beta _{3},...\beta _{t},$ 表示。S>T , $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 线性相关

m>n,m个n维向量相关，向量个数>向量维数必相关。

推论：两个等价的线性无关组含向量的个数相同。

三.向量的秩

$\alpha _{1},\alpha _{2},\alpha _{3}...\alpha _{s},$ 的部分组均可由 $\alpha _{1},\alpha _{2},$ 线性表示

满足 1 $\alpha _{1},\alpha _{2},$ 线性无关

2 每个向量均可由 $\alpha _{1},\alpha _{2},$ 表示，

$\alpha _{1},\alpha _{2},$ 是这个向量的极大线性无关组

定理 1 ： $\alpha _{1},\alpha _{2},$ 线性无关 2 ：任意r+1 都是线性相关的。

3.1 向量的秩定义：

极大线性无关组含有的向量的个数 r( $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}$ )

注 1 ： 0<=r( $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ )<=min(向量的个数，向量的维数)

2:如果 $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 线性无关，<-->r = s

3 如果 $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 线性相关，<-->r < s

定理： $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ 可由 $\beta _{1},\beta _{2},\beta _{3},...\beta _{t},$ 表示，

则r（ $\alpha _{1} ,\alpha _{2} ,\alpha _{3} ,\alpha _{4}... ,\alpha _{s}$ ）<=r( $\beta _{1},\beta _{2},\beta _{3},...\beta _{t},$ )

3.2 行秩与列秩

行向量组的秩叫行秩

列向量组的秩叫列秩

定理；行秩数 = 列秩数 = r(A)

定理：r(AB) < = MIN(r(A),r(B)

定理：初等行变换，不改变列向量组间的线性关系

综合例题s

四. 线性方程组

4.1 线性方程组有解的判定

$x_{1}+x_{2}+x_{3} = 1$

$x_{1}-x_{2}-x_{3} = -3$

$2x_{1}+9x_{2}+10x_{3} = 11$

系数矩阵 $A = \begin{pmatrix} 1 &1 &1 \\ 1 &-1 &-1 \\ 2& 9 & 10 \end{pmatrix}$ 增广矩阵 $\hat{A}$ $\hat{A} =\begin{pmatrix} 1 &1 &1 & 1\\ 1 &-1 &-1 &-3 \\ 1& 9 &10 &11 \end{pmatrix}$

$x_{1} \begin{pmatrix} 1\\ 1\\ 2\end{pmatrix}+$ , $x_{2} \begin{pmatrix} 1\\ -1\\ 9\end{pmatrix}+$ $x_{3} \begin{pmatrix} 1\\ -1\\ 10\end{pmatrix}=\begin{pmatrix} 1\\ 3\\ 10\end{pmatrix}$

$x_{1}\alpha _{1}+x_{2}\alpha _{2}+x_{3}\alpha _{3}= \beta$

线性方程的唯一解，无穷解，无解：

当 $r(A) = r(\hat{A}) = n$ 有唯一解

当 $r(A) = r(\hat{A}) < n$ 有无穷多解

当 $r(A) <> r(\hat{A})$ 无解

m是方程的个数，n是未知量的个数

4.2 齐次方程组的解

齐次方程至少有零解

推论：

1 $r(A) = r(\hat{A}) = n$ 有唯一解（零解）

2 齐次方程有非零解 <--> $r(A)<n$

3 方程的个数< 未知数的个数一定有非零解 $r(A)<=MIN{m,n} = m < n$

4 方程的个数 = 未知数的个数有非零解 <--> $\left | A \right | = 0$

例题

（1 3 0 5）（1 2 1 4）（1 1 2 3）（2 5 1 9）（1 -3 6 -1）

解：设 $x_{1}\alpha _{1}+x_{2}\alpha _{2}+x_{3}\alpha _{3}+x_{4}\alpha _{4}+x_{5}\alpha _{5}+ = 0$

1 $x_{1}+x_{2}+x_{3}+2x_{4}+x_{5} =0$

2 $3x_{1}+2x_{2}+x_{3}+5x_{4}-3x_{5} =0$

3 $x_{2}+2x_{3}+x_{4}+6x_{5} =0$

4 $5x_{1}+4x_{2}+3x_{3}+9x_{4}-x_{5} =0$

由 1 2 3 4式可得

$x_{1} = x_{3} -x_{4} +5x_{5}$

$x_{2} = 2x_{3} - x_{4} -6x_{5}$

假定让 $x_{3} =x_{4} =x_{5} = 1$ .可得到一个解

$\begin{pmatrix} 5\\ -9\\ 1\\ 1\\ 1\end{pmatrix}$

假定让 $x_{3} =x_{4} =x_{5} =$ 其他时。。。。。，可以无数解

4.3 方程组解的结构

方程组结构有零解，无解，无穷解，这里主要探讨无穷解

4.3.1 齐次方程的解 $AX = 0$

其中 $A$ 是矩阵， $X$ x是列向量

1 齐次方程组2个解相加仍然时这个齐次方程的解

$A(\eta _{1} \ + \eta _{2}) = A\eta _{1} +A\eta _{2} = 0+0 =0$

2 齐次方程的解的倍数也是齐次方程的解

$\eta$ 是 $AX = 0$ 的解， $c\eta$ 也是解 $A(c\eta ) = cA\eta = c*0 = 0$

4.3.2 基础解系

$\eta _{1} \eta _{2} \eta _{3} \eta _{n}$ 都是方程的解

满足 1 互相之间线性无关，2 任意解可由 $\eta _{1} \eta _{2} \eta _{s}$ 表示。

基础解系的个数：n-r(A)个（n是未知量的个数，r(A)矩阵的秩）

4.4 非齐次方程组的解

$AX = b$

如果令 $b = 0$ ,即 $AX = 0$ 则齐次方程组叫非齐次方程组的导出组。

1: $\alpha _{1}, \alpha _{2}$ 是 $AX = b$ 的解， $\alpha _{1}-\alpha _{2}$ 是 $AX = 0$ 的解

$A(\alpha _{1}- \alpha _{2}) = A\alpha _{1}-A\alpha _{2} = b-b =0$

2: $\alpha _{0}$ 是 $AX = b$ 的解 $\eta$ 是 $AX = 0$ 的解 $\alpha _{0}+\eta$ 是 $AX = b$ 的解

$A(\alpha _{0}+\eta ) = A\alpha _{0}+A\eta = b+0 = b$

4.4.1 非齐次方程组的结构

$\alpha _{0}$ 是 $AX = b$ 的一个解：特解

$\eta$ 是 $AX = 0$ 的一个解：通解

$\eta = c_{1}\eta _{1}+ c_{2}\eta _{2}+...+ c_{n-r}\eta _{n-r}$ 其中 $\eta _{1},\eta _{2},...\eta _{n-r}$ 是 $AX = 0$ 的基础解系

$\alpha _{0}+$ $c_{1}\eta _{1}+ c_{2}\eta _{2}+...+ c_{n-r}\eta _{n-r}$ 是 $AX = b$ 的全部的解或者叫通解。

$AX = b$ 可以由 $AX = b$ 的一个特解+ $AX = 0$ 基础解析的线性组合来表示

步骤写出增广矩阵即A横线，

1 只做行简化阶梯型

2 非零行的首非零元的系数1 留在左边，其余挪到右边

3 写出非齐次方阵组，指出谁是自由未知量，右边的都是自由未知量，

4 令自由未知量均取0.得 $AX = b$ 的一个特解

5 令同解方程组的右边常数项均为0，得 $AX = 0$ 的同样方程组得到基础解析

6 组合特解和系数*基础解析的线性组合

五. 特征值特征向量

5.1 特征值特征向量定义

A是n阶的方阵，数 $\lambda$ 存在非零列向量 $\alpha$ 使得 $A\alpha =\lambda \alpha$ ,那么 $\lambda$ 是特征值， $\alpha$ 是对应的特征向量。

$\lambda$ 可以为0 ， $\alpha$ 不能为0 的列向量

$\begin{pmatrix} & & & \\ & & & \\ & & & \end{pmatrix}$ 3*4 $\begin{pmatrix} \\ \\ \\ \end{pmatrix}$ 4*1 = $\lambda$ * $\begin{pmatrix} \\ \\ \\ \end{pmatrix}$ 4*！