矩阵列向量作为基向量组成的空间叫列空间
两个子空间的并集不一定是一个空间,但是他们的交集一定还是一个空间,虽然这个空间可能只有0
A中几个线性无关的列叫主列(pivot column)
这可以从一些新的角度理解矩阵运算
- A x Ax Ax 是 矩阵A的列空间中坐标 x x x在原始空间中的值,也可以说是把 x x x从列空间转换到标准欧式空间空间中
-
A
=
B
C
A=BC
A=BC是 矩阵B线性组合得到A的每一列,第
i
i
i列 线性组合的系数恰好是C的第
i
i
i列向量,
因此最终的A列向量和B的列向量等长,简单地说就是他们行数相同,
并且矩阵A列数目等同于C的列数目,也就是说他们的列数相同 - A = B Δ A=B \Delta A=BΔ 是对B按列缩放, Δ \Delta Δ是对角矩阵
类似的,矩阵也有行空间。
对
A
=
B
C
A=BC
A=BC转置可以从列空间的角度理解行空间
- A = B C A=BC A=BC 表示 矩阵A的行向量,是C的行空间的线性组合,其中系数就是B的行向量
- A = Δ C A=\Delta C A=ΔC 是对C按行放大,对角元素的值
零空间是 Ax=0所有解的组合
- 零空间和行空间在正交,在几何上互相垂直
- 零空间的真实维度是n-r,r是矩阵的秩,n是列数
A
x
1
=
0
;
A
x
2
Ax_1=0 ;Ax_2
Ax1=0;Ax2=0,那么
A
(
x
1
+
x
2
)
=
0
A(x_1+x_2)=0
A(x1+x2)=0 这说明零空间是封闭的
Ax=0,可以知道x与A的任意行向量正交,所以他们是正交的
我们知道如果矩阵不是满秩的,那么行向量长度为n,但是它组成的子空间不能铺满整个n维欧式空间。
矩阵秩为r,其实就是有r个独立的行向量,它们就是行空间的有效基向量,其他基向量可以被他们线性组合得出,所以是无效的,所以我们可以认为行空间本质上是r维子空间。
完整的n维空间有r个维度已经被行空间所表达,那么剩下的n-r的维度就是零空间所能表达的子空间。他们各自分别能拿出r个独立的基向量和n-r个独立的基向量,这些组合起来就是完整的n维空间,不过需要注意的是行空间和零空间的并集并不是完整的n维空间,这两个空间的正交而不是互补的,不过他们的基向量互补可以组成完成的n维空间