线性代数基本结论要点

最新推荐文章于 2022-11-16 14:00:03 发布

papaofdoudou

最新推荐文章于 2022-11-16 14:00:03 发布

阅读量1.2k

点赞数 7

分类专栏：数学

本文链接：https://blog.csdn.net/tugouxp/article/details/111772902

版权

数学专栏收录该内容

147 篇文章 19 订阅

订阅专栏

1.线性方程组

若方程组中，第个方程的前个变量的系数均为零，并且 $x_k(k=1,2,\cdots,n)$ 的系数不为0,则称该方程组为严格三角形的．
初等行运算:
1. 交换两行
2. 以非零实数乘以某行
3. 将某行替换为它与其他行的倍数的和
如果的线性方程组可以化简为严格的三角形式，则它将有一个唯一解，并且可以通过三角形方程组的回代法球的，化简过程可以堪称一个步的算法
1. 第一步,从矩阵的第一列所有非零元中选择一个作为主元，包含主元的元素称为主行，如果需要，交换行使得主行成为第一行，然后其余的行减去主行的某个倍数，使得从第二到第行中地一个元素为０．
2. 第二步,从矩阵的第二行到第选择第二列的一个非零元作为主元，将包含主元的行作为主行，并和矩阵的第二行交换作为新的主行，然后，余下的行减去主行的某个倍数，消去第二列中主元下面的所有元．
3. 第三部，从第三列到第列重复相同的过程，直到所有对角元素下面的元素全部变为０
利用第三条表达的行运算，将线性方程组的增广矩阵华为行阶梯的过程称为＂高斯消元法".
注意，在第二步中，第一行和第一列的元素并不发生变化，进行第三步时，前两行以及前两列的元素保持不变，以此类推，在每一个步骤中，方程组的维数实际上有效的减少了１．
如果能像上述方式进行消元，步之后，即可得到一个等价的严格三角形方程组，然而，上述过车给你中欧给你，如果在任何一步所有可能的选则主元均为０，此时该过程就将在这一步停止，这个时候，化成的矩阵就是提醒或者阶梯形的，而非三角形．
若一个线性方程组中方程的个数多于未知量的个数，则称其为超定的．超定方程组通常是（不总是）不相容的．
反之，如果方程的个数小于未知量的个数，则方程组称为亚定的，亚定方程组有可能不相容，但通常都是相容的，相容的情况下，有无穷多组解．亚定方程组不可能只有唯一解(要么无解，要么无穷多解)
例子:

第一步:

$\begin{bmatrix} x & x & x& x& x\\ x & x& x& x&x \\ x& x& x & x&x \\ x& x & x & x & x \end{bmatrix}=>\begin{bmatrix} x & x & x& x& x\\ 0 & x& x& x&x \\ 0& x& x & x&x \\ 0& x & x & x & x \end{bmatrix}$

　第二步:

$\begin{bmatrix} x & x & x& x& x\\ 0 & x& x& x&x \\ 0& x& x & x&x \\ 0& x & x & x & x \end{bmatrix}=>\begin{bmatrix} x & x & x& x& x\\ 0 & x& x& x&x \\ 0& 0& x & x&x \\ 0& 0 & x & x & x \end{bmatrix}$

第三步:

$\begin{bmatrix} x & x & x& x& x\\ 0 & x& x& x&x \\ 0& 0& x & x&x \\ 0& 0 & x & x & x \end{bmatrix}=>\begin{bmatrix} x & x & x& x& x\\ 0 & x& x& x&x \\ 0& 0& x & x&x \\ 0& 0 & 0 & x & x \end{bmatrix}$

2.矩阵

3.线性变换

任何将n维向量空间映射到m维向量空间W的线性变换L可以表示为一个 $m\times n$ 的矩阵A,因此，可以用矩阵A来代替映射L,若线性变换L将V映射到它自身(映射前后没有亏秩)，则表示L的矩阵将依赖于V中有序基的选择，因此，L可表示为依赖V的一个有序基的矩阵A，并且在其它有序基下表示为其它的矩阵B，A和B相似。
一个向量空间V映射到向量空间W的映射L，如果对所有 $v_1,v_2 \in V$ ，以及所有的标量 $\alpha , \beta$ ， $L(\alpha v_1 + \beta v_2) = \alpha L(v_1) + \beta L(v_2)$ ，一个从向量空间V到向量空间W的映射L记作: $L:V\rightarrow W$ ，如果向量空间V和W是相同的，称为线性变换 $L:V\rightarrow V$ 为上的线性算子(linear operator), 因此，一个线性算子是一个向量空间到其自身的线性变换。
如果A为任何 $m\times n$ 阶矩阵，可以定义一个从到的线性变换，对于每一个 $\vec{x}\in R^n$ , $L_A(\vec{x}) = A\vec{x}$

$A_{m\times n}= \begin{bmatrix} a_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ \vdots & \vdots & \ddots & \vdots \\ a_{m1}& a_{m2}& \cdots & a_{mn} \end{bmatrix} \quad \vec{x}=\begin{bmatrix} x_1\\ x_2\\ \vdots \\ x_n \end{bmatrix} \quad L_{A}(\vec{x}) = \begin{bmatrix} l_1\\ l_2\\ \vdots \\ l_m \end{bmatrix}$

所以：

$\begin{bmatrix} a_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ \vdots & \vdots & \ddots & \vdots \\ a_{m1}& a_{m2}& \cdots & a_{mn} \end{bmatrix} \cdot \begin{bmatrix} x_1\\ x_2\\ \vdots \\ x_n \end{bmatrix}= \begin{bmatrix} l_1\\ l_2\\ \vdots \\ l_m \end{bmatrix}$