Linear Algebra 1


如果本科线代能有这样的教育方式和路线,我何苦现在还要来听这门公开课(

记录一下听的过程中觉得有用的信息好了。

#从线性方程组开始

教授(下简称 GS)认为线性代数的基本用途是解线性方程组,比如有这样一个方程组:

{2xy=0x+2y=3\begin{cases} 2x-y = 0 \\[2ex] -x+2y=3 \end{cases}

我们可以从以下三个角度考虑其解法。

  1. 行图像:对于每个方程,我们都可以在二维平面上画出一条直线,这些直线的交点就是我们想要的解;

  2. 列图像:对于每个变量的参数,我们都可以把方程组写成若干向量线性组合的形式(本例中是 x[21]+y[12]=[03]x\left[\begin{matrix}2 \\ -1\end{matrix}\right] + y\left[\begin{matrix}-1 \\ 2\end{matrix}\right] = \left[\begin{matrix}0 \\ 3\end{matrix}\right])。只要找到一个合适的组合,方程组得解;

    此处如果如果每次取任意的 x 与 y,则等式左侧的向量的组合能布满整个二维平面。

    拓展到多元方程组也是同理。

我们构造一个系数矩阵 A=[2112]{A} = \left[\begin{matrix}2 & -1 \\ -1 & 2\end{matrix}\right],令 x=[xy],b=[03]\mathbf{x} = \left[\begin{matrix}x \\ y\end{matrix}\right], \mathbf{b} = \left[\begin{matrix}0 \\ 3\end{matrix}\right],然后方程组可以写成这样子:

Ax=bA\mathbf{x} = \mathbf{b}

#是否有解?

这时要考虑一个问题:是否任意 b\mathbf{b} 都能让上面那个方程有解呢?

行图像的角度来讲,如果方程组有解,则所有方程在坐标系上对应的图像(直线、平面、体积)存在交集。如果某一个 b\mathbf{b} 不能满足上面条件,则无解(反之有解)。

列图像的角度来讲,如果某一个 b\mathbf{b} 不能成为 A{A} 列向量的线性组合,则无解(反之有解)。

#如何求解?

计算机软件(以及人类)计算时最常用的方法是高斯消元法,将原方程 Ax=b{A}\mathbf{x} = \mathbf{b} 转换为新的方程 Ux=c{U}\mathbf{x}=\mathbf{c}

其中 U{U} 为行阶梯最简型矩阵。

#消元过程

每一步消元都可以视为将原矩阵乘上一个置换矩阵。左乘置换矩阵可以完成原矩阵的行变换,右乘置换矩阵则为列变换。

#逆矩阵

对于消元过程,每一步都是可逆的。对于一个置换矩阵 E1E_1,我做了其相反的操作即可得到原矩阵,若这一相反的操作用 E1E_1^{'} 表示,则有 E1E1A=AE_1^{'} E_1 A = A

得到 E1E1=IE_1^{'} E_1 = {I},从而可以用 E1=E11E_1^{'} = { E_1}^{-1} 表示逆矩阵。第一个式子代表了逆矩阵的定义与性质。同样也有 (E1)1=E1(E_1^{'})^{-1} = {E_1}E1E1=IE_1 E_1^{'} = {I}

其中 II单位矩阵(对角线元素全为 1,其它元素全为 0 的方阵)

#怎么求逆矩阵?

高斯-若尔当消元法(Gauss-Jordan Elimination)告诉我们,通过构造 [ A  I ]\left[\begin{matrix}\ {A}\ |\ {I}\ \end{matrix}\right],再通过消元法将左侧矩阵变为单位矩阵 I{I},易得这一系列行变换操作对应的矩阵是 A1{A}^{-1},相当于左乘了一个矩阵 A1{A}^{-1},则右侧矩阵乘完后自然就变为了 A1{A}^{-1}

#接下来引入拓展到向量空间

#向量空间

一个向量空间应该满足这样一个封闭性条件:对于空间中的任意向量 u,v\mathbf{u}, \mathbf{v},其任意线性组合 au+bv(a,bR)a\mathbf{u}+b\mathbf{v}(a, b\in R) 必然存在于空间中。显然,所有向量空间必须包括零向量。

#子空间

包含于向量空间之内的一个向量空间称为原向量空间的一个子空间。

R3{R}^3 为例(它代表具有三个实数分量的所有向量的集合),其子空间包括:

  • 其本身(三维)

  • 任一过原点的平面(二维)

  • 任一过原点的直线(一维)

  • 零向量

#列空间

矩阵 Am×n{A}_{m\times n} 的所有列向量张成的空间称为其列空间,以 C(A)C({A}) 表示。C(A)RmC({A})\subset R^m

#零空间

所有满足方程 Ax=0{A}\mathbf{x} = \mathbf{0} 的解的集合称为矩阵 Am×n{A}_{m\times n} 的零空间,以 N(A)N({A}) 表示。N(A)RnN({A})\subset R^n

#计算零空间

相当于求方程 Ax=0{A}\mathbf{x} = \mathbf{0} 的所有解。通过消元法与列交换构造出新的方程 Ux=0{U}\mathbf{x}=\mathbf{0},其中 U{U} 是由 rr主元列nrn-r自由列组成的形如下式的行阶梯型矩阵:

U=[Ir×rFr×nr00]U = \left[ \begin{matrix} \quad I_{r\times r} & F_{r\times n-r} \quad \\ \quad 0 & 0 \quad \end{matrix} \right]

自由列可以表示为其左侧主元列的线性组合。

原方程变为 U{U} 的主元行乘以 x\mathbf{x},即 [ I  F ][ xpivot xfree ]=0\left[\begin{matrix}\ {I}\ |\ {F}\ \end{matrix}\right] \left[\begin{matrix}\ \mathbf x_{pivot} \\ \ \mathbf x_{free} \ \end{matrix}\right] = 0。如果对 xfree\mathbf x_{free}nrn-r 的变量自由取值,我们能得到 nrn-r 个线性无关的特解,N(A)N({A}) 则是由这些特解张成的向量空间(维度nrn-r)。若把这些特解作为列向量写到一个矩阵 N{N} 中,则有 UN=0{U}{N} = {0},易得:

N=[ Fr×nr  Inr×nr ]N = \left[\begin{matrix}\ {-F}_{r\times n-r} \ \\ \ I_{n-r\times n-r} \ \end{matrix}\right]

其中 F{-F} 对应 xpivot\mathbf{x}_{pivot}I{I} 对应 xfree\mathbf{x}_{free}

#如果方程右侧不为零向量

首先抛出结论:若 bC(A)\mathbf{b} \in C({A}),则方程 Ax=b{A}\mathbf{x} = \mathbf{b} 有解。

当方程有解时,可以先找到方程一个特解,再与 N(A)N({A}) 进行线性组合,即可得到最后的解。

#

矩阵的等于矩阵的主元数。若 rank(Am×n)=rrank({A}_{m\times n}) = r,则必有 rm,rnr\leq m, r\leq n

  1. 列满秩:即 r=n<mr=n<m,每一列都是主元列,矩阵没有自由列,N(A)N({A}) 中只有零向量,方程 Ax=b{A}\mathbf{x} = \mathbf{b} 要么无解,要么有唯一解。

  2. 行满秩:即 r=mnr=m\leq n,方程 Ax=b{A}\mathbf{x} = \mathbf{b} 有无穷多解。

  3. 方阵满秩:即 r=m=nr=m=n,方程 Ax=b{A}\mathbf{x} = \mathbf{b} 总有唯一解。

  4. 行列均不满秩:即 r<m,r<nr<m, r<n,方程 Ax=b{A}\mathbf{x} = \mathbf{b} 要么无解,要么有无穷多解。

#线性相关性

若一组向量的非零线性组合可以得到零向量,则称这组向量线性相关;反之,则称其线性无关

#

向量空间的是一组线性无关的向量,且这些向量能够张成该向量空间。

#维数

空间中的每一组基都有相同的向量数,这个数值就是空间的维数,通常用 dimdim 表示。

#基本子空间

除了列空间和零空间,还有

  1. 行空间:矩阵 Am×n{A}_{m\times n} 的所有行向量张成的空间称为其列空间,以 R(A)R({A}) 表示。R(A)RnR({A})\subset R^n

  2. 左零空间:所有满足方程 ATx=0{A^T}{x} = {0} 的解的集合称为矩阵 Am×n{A}_{m\times n} 的左零空间,以 L(A)L({A}) 表示。L(A)RmL({A})\subset R^m

A{A}rr 个主元列构成了 C(A)C({A}) 的一组基。

Ax=0{A}\mathbf{x}=\mathbf{0} 的一组特解对应于 A{A}nrn-r 个自由列,并构成了 N(A)N({A}) 的一组基。

则得到这样一个结论:

rank(A)=#Cpivot=dim(C(A))=r=dim(R(A))rank(A) = \# C_{pivot} = dim(C(A)) = r = dim(R(A))

同样的:

#Cfree=dim(N(A))=nrdim(L(A))=mr\#C_{free} = dim(N(A)) = n - r \\[2ex] dim(L(A)) = m-r

不妨用下图来表示这一切

image-20220929160748771

  目录