线性代数 听课笔记【上】

• 画图好累~

---

• 域：实数、有限域

向量

• 向量，$x\in F^n$

  

  • $F^n$ 向量空间——运算满足线性性

    • 加、数乘

      • 八条公理：
        • $u,v,w\in V$，$V$ 为向量空间，$c,d\in F$，$F$ 为域
        • $u+v=v+u$
        • $(u+v)+w=u+(v+w$
        • $\exists 0\in F,u+0=0+u=u$
        • $\exists (-u)\in F,u+(-u)=0$
        • $1u=u$
        • $c(u+v)=cu+cv$
        • $(c+d)u=cu+du$
        • $c(du)=(cd)u$
          

    • 一些不正常的线性空间

      • $V=R,F=Q$，数乘的数是有理数，每个数当成一个向量
      • $V=C,F=R$
      • $V=Q,F=Z$，不是线性空间，因为 $Z$ 不是域（$2$ 在，$\frac{1}{2}$ 不在）
      • $[a,b],V=C[a,b],F=R$

矩阵

矩阵 $A\in F^{n\times m}$ ，$a_{i,j}\in F$

矩阵代表的是线性变换

• 矩阵乘向量，$A\in F^{n\times m},x\in F^m$，要定义一个运算 $Ax$。把 $F^m-\to F^n$，这是一个线性变换。

线性变换

• 线性变换性质（2个）：
• $f:v\to w$，$v,w$ 线性空间（$u,v\in V$，$c\in F$），$f$ 为线性变换
  $f(u\to v)=f(u)+f(v)$
  • $f(cu)=cf(u)$

• $Ax=y$，即 $y_i={\sum }_j{a}_{i,j}{x}_j$

矩阵乘矩阵

• 线性变换的复合。$A,B$ 矩阵，希望定义 $(AB)=C$，$C$ 也为矩阵。且对于 $\forall x\in F^k$，有 $C_x=A(Bx)$（相当于能做两次线性变换）

• 线性变换的复合依然是一个线性变换。$f,g$ 为线性变换，$(f\circ g)(x)=f(g(x))$

• $f(g(u+v))=f(g(u)+g(v))=f(g(u))+f(g(v))$

• $f(g(cu))=cf(g(u))$

• $A\in F^{n\times m}$，$F^n\to F^m$。$Bx\in F^m$，则 $B$ 为 $F^k\to F^m$，即 $B\in F^{m\times k}$。则 $C:F^k\to F^m\to F^n$，因此 $C$ 为 $F^{n\times k}$
  

• $C_{i,j}={\sum }_k{a}_{i,k}{b}_{k,j}$

• 矩阵乘法枚举顺序（代码）：$i,k,j$，矩阵乘法提速！

矩阵转置

• $T$（transpose）

• $(A^T{)}_{i,j}=A_{j,i}$
  

• $A^{T}A$ 和 $A{A}^T$ 特判有意义！

• 求转置：直接转即可。

方阵

• $A$ 可以乘自己，即 $A^n$ 有意义

单位阵 $I$

• $Ix=x$
• $AIx=Ax$，$AI=A$，$IA=A$

线性独立

向量线性独立

• 定义 $n$ 个向量 { v 1 , v 2 , … v n } \{v_1,v_2,\dots v_n\} {v1​,v2​,…vn​} 线性独立。不存在一个 $i$ 满足 $v_i{\sum }_{j\ne i}{v}_i{v}_j$。
• 一组向量的张成：span ( { v 1 , v 2 , … v n } \{v_1,v_2,\dots v_n\} {v1​,v2​,…vn​}) = { v ∣ α 1 v 1 + α 2 v 2 + α 3 v 3 + … α n v n } =\{v|\alpha_1v_1+\alpha_2v_2+\alpha_3v_3+\dots\alpha_nv_n\} ={v∣α1​v1​+α2​v2​+α3​v3​+…αn​vn​}（线性空间）
  
• 线性空间的基 $B$：它的所有线性组合能表示所有元素。即一组线性独立，张成 $V$ 的向量集。
• 线性空间的维度：$\dim (V)=card(B)$
• $\dim (F^n)=n$
• 以上都是指有限集的线性独立
• 无线集合线性独立
• 定义：所有有限子集都线性独立
• 张成：所有有限子集的并
• 例子：$V=R,F=Q$，它的维度不是有限的。思考是多少维的？维度和实数个数是一样的。

（线性）子空间 $V$

• $W\subseteq V$， $W$ 也是线性空间。
• $0\in W$，$W\cap V=W$
• $W_1\subseteq V,W_2\subseteq V$，则 $W_1\cap W_2$ 也是（线性空间的交为线性空间可以直接代入验证）
• 矩阵——列空间： 看成 $m$ 列，每列为一个向量还是线性空间（忘了）
• 行空间同理
• 矩阵的秩rank：列空间的维度
• 满秩矩阵：方阵。秩=行数
  $A$ 满秩的充要条件 $Ax=0$，则 $x=0$
• $rank(A+B)\le rank(A)+rank(B)$（矩阵加对矩阵秩的变化很大）

逆矩阵

• 矩阵线性变换的逆变换
• $A^{-1}$，即 $A_x=y\to A^{-1}y=x$，即 $A{A}^{-1}x=x$，即 $A{A}^{-1}=I,A^{-1}A=I$
• 逆变换必然存在，所以逆矩阵必然存在吗？
• 可逆矩阵 = 满秩矩阵，即 $rank(A)=n,A\in F^{n\times m}$
• 可逆：定义域和值域一样（线性的），一定是方阵
• $A_x\in A\text{的列空间}$。也就是 $\dim (A\text{的列空间})=\dim (x\text{所属空间的维度})$
• 矩阵求逆：解方程。$A{A}^{-1}=I$，高斯消元法

行变换

1. 交换行
2. 一行乘一个数
3. 一行加上一个数

• 意义：$A_x=y$

化为特殊形式，得原方程的解。

• 求 $A^{-1}$:
  

• 日常生活中求逆

• CF1070L：bitset+优化

• CF963E：主元法。手动消一些元

行列式

• $\det (A)$，把方阵变成一个数。$\det (A)={\sum }_p(-1{)}^{\delta (p)}{\prod }_{i-1}^n{a}_{i,p_i}$。（其中 $p$ 为排列，$\delta (p)$ 为逆序对个数）

• 性质

  • $\det (I)=1$
  • 交换两行：$\det \times =-1$
  • 行乘 $c$：$\det \times =c$
  • 一行加另一行：$\det$ 不变。

• 所以可以高斯消元算了。
  

• 矩阵满秩：行列式不为0。

• $\det (AB)=\det A\det B$

行列式的应用

矩阵树定理（Matrix tree）

• 求一个图的生成树个数

• Kirchhoff矩阵 $K=DA$，$D$ 为度数矩阵（只有对角线上有数），$A$ 为邻接矩阵（这东西应用原不止矩阵树定理，机器学习、物理领域）

• 性质1：$\det K=0$，即不满秩。（$A$ 满秩当且仅当，$\forall x\ne 0$，都有 $A_x\ne 0$）。所以 $K1=0$。

• 性质2：$K$ 的所有代数余子式相同。

  • 运用性质：所有列的和为0。
    

• 事实上，$K$ 的代数余子式 = 原图的生成树个数

• 应用：

  • 树的边权积的和。邻接矩阵变邻接边权矩阵，度数矩阵同理。
  • 所有边权和的和（省选原题P6624）。边权和为另一个形式的边权积。$w_i^{\prime }=1+w_x$。$w_1^{\prime }\times w_2^{\prime }=(1+w_{1}k)(1+w_{2}k)=1+(w_1+w_2)x+w_1{w}_2{x}^2=\dots \mathrm{mod}{x}^2=1+(w_1+w_2)x$
  • 本质：$A\in F^{n\times n}$，现在把 $F$ 变成一个多项式了。
  • CF578F

LGV引理

定义矩阵 $M$。其中 $a_{i,j}$ 表示从 $A_i$ 到 $B_j$ 的路径数。

则 $\det M={\sum }_p(-1{)}^{\delta (p)}\sum \text{从Ai到Bj的n条不交路径方案数}$（不经过同一个点）。LGV引理是把不交这个条件加上去。

假设交了：

两种方案抵消了。

• P7736 板子题
• Gym 102978A