线性代数的本质第六章——逆矩阵、列空间与零空间

提出正确的问题比回答它更难 ——格奥尔格·康托尔
To ask the right question is harder than to answer it - Georg Cantor

相关名词有：高斯消元法 Gaussian elimination、行阶梯形 Row echelon form。这里着眼的是对抽象的概念建立一个几何直观的理解，计算的任务就交给计算机去做。

逆矩阵

A逆与A相乘
两个变换相继作用在代数上体现为矩阵乘法，A逆的核心性质在于A逆乘以A等于一个“什么都不做”的矩阵，这个“什么都不做”的变换被称为“恒等变换”。

• det(A)≠0
  只要变换不将空间压缩到一个更低的维度上，也就是它的行列式不为零【det(A)≠0】，那它就存在逆变换——A逆使得：
  
  
  而要想求解方程，只需将A逆与向量v相乘即可。
• det(A)=0
  与这个方程组相关的变换将空间压缩到更低的维度上，此时没有逆变换。你不能将一条线“解压缩”为一个平面。

秩

• 当变换的结果为一条直线时，也就是说结果是一维的，我们称这个变换的秩为1.
• 所以说“秩”代表变换后空间的维度
• 比如说对于2×2的矩阵，它的秩最大为2，意味着基向量仍旧能张成整个二维空间，并且矩阵的行列式不为零。但是3×3的矩阵秩为2，就说明空间被压缩了。

列空间

矩阵所对应的线性变换的所有可能的结果的集合（包含原空间及所有它的降维空间）。列空间就是矩阵的列所张成的空间（原空间——列不相关，降一维空间——一个列是其他列的线性组合，即相关）。

• 更精确的秩的定义就是列空间的维数。
• 满秩：秩等于列数。空间不会被压缩维度。
• 零向量一定会被包含在列空间中，因为线性变换必须保持原点位置不变。

零空间

变换后落在原点的向量的集合，称为这个矩阵（再次强调矩阵 = 变换的数字表达）的零空间或核。
二维压缩到一个直线（一维），有一条直线（一维）的点被压缩到原点。
三维压缩到一个面（二维），有一条直线（一维）的点被压缩到原点。
三维压缩到一条线（一维），有一个平面（二维）的点被压缩到原点。

从几何角度理解线性方程组的一个高水平概述。

• 每个方程组都有一个线性变换与之联系，当逆变换存在时，你就能用这个逆变换求解方程组。
• 不存在逆变换时，列空间的概念让我们清楚什么时候存在解。
• 零空间的概念有助于我们理解所有可能得解的集合是什么样的。

非方阵

一个3×2的矩阵，它的几何意义是将二维空间映射到三维空间上。因为矩阵有两列说明输入空间有两个基向量，有三行表明每一个基向量在变换后都用三个独立的坐标来描述。