学习视频来源:麻省理工公开课_线性代数导论 讲师:Gilbert Strang
http://open.163.com/special/opencourse/daishu.html
Lecture 10 四个基本子空间
4 subspaces 四个子空间
- column space 列空间 C(A) C ( A ) : A A 的列的所有线性组合。
- row space 行空间: A A 的行的所有线性组合。<=> : AT A T 的列的所有线性组合。
- null space 零空间 N(A) N ( A ) : Ax=0 A x = 0 的所有 x x 。
- left null space 左零空间: ATx=0 A T x = 0 的所有 x x 。
为 m×n m × n 时, C(A) C ( A ) 在 ℝm R m 中, C(AT) C ( A T ) 在 ℝn R n 中, N(A) N ( A ) 在 ℝn R n 中, N(AT) N ( A T ) 在 ℝm R m 中。
理解了这些空间,就掌握了线性代数的半壁江山。那什么是“理解这些空间”呢?我们要知道它们的一组基以及它们的维数:
C(A) C ( A ) 的维数是主变量的个数(秩) r r ,它的一组基就是的主列。
R(A) R ( A ) 或 C(AT) C ( A T ) 的维数也是 r r (行空间和列空间有同样的维数),它的一组基就是的最简形矩阵 R R 的前行( C(A)≠C(R) C ( A ) ≠ C ( R ) , R(A)=R(R) R ( A ) = R ( R ) )。
N(A) N ( A ) 的维数是自由变量的个数 n−r n − r ,它的一组基就是 Ax=0 A x = 0 特殊解(见Lecture 7 和 8)。
N(AT) N ( A T ) 的维数是自由变量的个数 m−r m − r ( AT A T 是 n×m n × m 的矩阵)。
让我们仔细分析一下 N(AT) N ( A T ) 的基:
已知 ATy=0 A T y = 0 ,对方程的两边进行转置,得 yTA=0T y T A = 0 T ,这就是称为左零空间的原因。
我们通过 Gauss - Jordan 消元法求得矩阵 [Am×nIm×m] [ A m × n I m × m ] 的最简阶梯形 [Rm×nEm×m] [ R m × n E m × m ] , EA=R E A = R 。当 R=I R = I , E=A−1 E = A − 1 。
于是在 E E 中和相乘得到 R R 中零行的行向量就组成了的基。
假设有一个由所有的 3×3 3 × 3 矩阵组成的矩阵空间 M M ,我们将矩阵们都视为向量。 M M 的子空间有upper triangles 上三角矩阵、symmetric matrices 对称矩阵、diagonal matrices 对角矩阵等。则对角矩阵的一组基可以是 ⎛⎝⎜⎜⎜100000000⎞⎠⎟⎟⎟ ( 1 0 0 0 0 0 0 0 0 ) 、 ⎛⎝⎜⎜⎜000030000⎞⎠⎟⎟⎟ ( 0 0 0 0 3 0 0 0 0 ) 、 ⎛⎝⎜⎜⎜000000007⎞⎠⎟⎟⎟ ( 0 0 0 0 0 0 0 0 7 ) 。
这种思想就像把 ℝn R n 的概念延伸到 ℝn×n R n × n ,这时空间仍对加法和数乘封闭。