置换矩阵、转置矩阵以及向量空间、子空间

导读

MIT矩阵分析课程之后的的二篇笔记。

置换矩阵

在这篇Blog https://blog.csdn.net/LLLLLLLLLLLLLLYYYYYY/article/details/103752865 中对MIT线性代数课程中A=LU内容做了记录。这里需要做一些补充。上述Blog中的矩阵A中主元是非零的，即不能进行行变换，但是在现实当中遇到的矩阵主元常常回到为零的情况，在软件中，如Matlab中，为了数值精确，具有很小数值的主元也是不允许的。所以更为普遍的A=LU应该写为PA=LU，其中P为置换矩阵（Permutation matrix），用于矩阵行变换，PA表示得到所有主元为非零的矩阵。置换矩阵有以下几种有趣的性质。

• 对于一个n阶方阵，它对应的置换矩阵有 n！ 个。
  如一个三阶方阵，它对应的置换矩阵如下所示（0未标明）：
  

• P^T=P^-1

转置矩阵

有矩阵A，对该矩阵进行转置（Tanspose）得到矩阵A^T，两者的关系用矩阵元素表示为 (A^T)_ij=A_ji ，即矩阵 A^T i行j列的元素为转置前矩阵 A j行i列的元素，如下图所示：

提到转置矩阵就必须提及对称矩阵（Symmetric Matrix），见下图示例：

对称矩阵S有以下性质：S^T=S，即
对称矩阵往往很容易构建，如矩阵 A 与其的转置矩阵相乘（A^TA）得到的矩阵即为对称矩阵，可以通过一下证明得到：(A^TA)^T=A^T(A^T)^T=A^TA。

向量空间与子空间

向量空间（Spaces of Vectors） Rⁿ 由所有具有n维的实数向量构成，如果n为2，即为2维向量空间，可以使用直角坐标系直观表示。在向量空间 Rⁿ 中具有如下性质：将任意向量相加或者乘以一个标量（即i. v+w ii. cv），也就是任意向量的线性组合，它们的结果也应该在这个向量空间中。当然具有该性质的向量空间也不止 Rⁿ 如最简单的仅包含一个零向量的向量空间，记为 Z ；向量元素为函数的向量空间，记为 F ；所有2×2的方阵，记为 M ；当然还有向量元素为复数的复数向量空间，记为 C 。要满足上述性质，上述提到的向量空间中一部分向量也可以单独构成向量空间，他称为上述向量空间的向量子空间（Subspaces），不过这些向量子空间必须要包含有零向量。如三维向量空间R³（3-dimensional space）的子空间为：

• R³
• 所有过原点(0,0,0)的直线L 。
• 所有过原点(0,0,0)的平面P 。
• 仅包含零向量的向量空间Z 。