本文共 6734 字,大约阅读时间需要 22 分钟。
- 零向量Z
- 经过原点的直线L
- 整个 R 2 R^2 R2
R 3 R^3 R3中的 subspace:
- 零向量Z
- 经过原点的直线L
- 经过原点的面P
- 整个 R 3 R^3 R3
A的列空间由所有列的线性组合构成。
A x = b Ax=b Ax=b有解
⟺ \Longleftrightarrow ⟺当且仅当b是A的线性组合 ⟺ \Longleftrightarrow ⟺当且仅当b属于A的列空间
A x = 0 Ax=0 Ax=0 的 解 x x x 就是零空间。
若 A m × n A_{m\times n} Am×n,那么 A A A的列空间 in R m R^m Rm,而零空间 in R n R^n Rn 性质:对于 A x = 0 Ax=0 Ax=0,消元会改变列空间,但是不改变解,也就是不改变零空间。
r(A):有多少个方程起作用
r(A)=主元个数=主变量 x p i v o t x_{pivot} xpivot=A主列的个数= A T A^T AT主列的个数=A列空间的维数, n-r(A)=A自由变量 x f r e e x_{free} xfree=A自由列的个数=A特解的个数。性质:自由列的本质是主列的一个线性组合。
消元后,主元所在列是主列,其余列是自由列,通过对 x f r e e x_{free} xfree分配数值,令其中一变量为1,其余均为0
如何求解 A x = 0 Ax=0 Ax=0:
A x = b Ax=b Ax=b要有解,需满足b in A的列空间,也就是b是A各列的线性组合。
⟺ \Longleftrightarrow ⟺若A经行变换,某行为零行,则b经相同的行变换后,对应位置应为0。 A x = b Ax=b Ax=b如何求解:A m × n A_{m\times n} Am×n
⟹ \Longrightarrow ⟹无自由变量
⟹ \Longrightarrow ⟹零空间只有零向量 ⟹ A x = 0 \Longrightarrow Ax=0 ⟹Ax=0只有零解 ⟹ A x = b \Longrightarrow Ax=b ⟹Ax=b只有0或1个解(当b是A列向量的线性组合(b in A的列空间)时,有解)⟹ \Longrightarrow ⟹A消元后,无零行
⟹ A x = b \Longrightarrow Ax=b ⟹Ax=b必有特解 x p x_p xp ⟹ \Longrightarrow ⟹有 n-m 个自由变量⟹ \Longrightarrow ⟹R = I
⟹ A x = b \Longrightarrow Ax=b ⟹Ax=b有唯一解 ⟹ \Longrightarrow ⟹零空间只有零向量r与m,n的关系 | r = m = n r = m = n r=m=n | r = n < m r = n < m r=n<m | r = m < n r = m < n r=m<n | r < m , r < n r < m,r < n r<m,r<n |
---|---|---|---|---|
R的形式 | R = I R = I R=I | R = [ I O ] R=\begin{bmatrix}I\\O\end{bmatrix} R=[IO] | R = [ I F ] R=\begin{bmatrix}I&F\end{bmatrix} R=[IF] | R = [ I F O O ] R=\begin{bmatrix}I&F\\O&O\end{bmatrix} R=[IOFO] |
A x = b Ax=b Ax=b的解的个数 | 1 | 0 or 1 | ∞ \infty ∞ | 0 or ∞ \infin ∞ |
结论:矩阵的秩决定方程组解的个数,r包含了除具体计算结果之外的所有信息。
若矩阵A的列向量组为 v 1 , v 2 , . . . , v n v_1,v_2,...,v_n v1,v2,...,vn
列向量组是线性无关的 ⟺ \Longleftrightarrow ⟺A的零空间中只有零向量 ⟺ \Longleftrightarrow ⟺n个列均是主列 ⟺ \Longleftrightarrow ⟺r(A) = n 列向量组是线性相关的 ⟺ \Longleftrightarrow ⟺存在非零向量c,使Ac=0 ⟺ \Longleftrightarrow ⟺A的零空间中存在其它向量 ⟺ \Longleftrightarrow ⟺r(A) < n一个列向量组的生成空间:它的列空间覆盖了整个列向量组的列空间。
一个列向量组的基:既要覆盖整个列向量组的空间,又要线性无关。 如果基的向量个数不够,无法覆盖整个空间; 如果基的向量个数太多,会线性相关。 R n R^n Rn的基:n个n维向量组成的矩阵可逆。 维数:基向量的个数。 线性无关:着眼于线性组合不为零 生成:着眼于所有的线性组合 基:一组无关的向量,并生成空间列空间的维数 = 矩阵的秩
维数+空间中一组线性无关的向量 ⟶ \longrightarrow ⟶基零空间的维数 = 自由变量的个数 = n-r(A)
A m × n A_{m\times n} Am×n
列向量是 m 维
⟹ \Longrightarrow ⟹ in R m R^m Rm dim C ( A ) = r ( A ) \dim C(A) = r(A) dimC(A)=r(A) A的主列 就是 C(A)的一组基。 C ( R ) = / C ( A ) C(R){=}\mathllap{/\,}C(A) C(R)=/C(A)n 维向量,是 A x = 0 Ax=0 Ax=0的解
⟹ \Longrightarrow ⟹ in R n R^n Rn dim N ( A ) = n − r ( A ) \dim N(A) = n - r(A) dimN(A)=n−r(A) Ax=0的特殊解们 就是 N(A)的一组基。行向量是 n 维
⟹ \Longrightarrow ⟹ in R n R^n Rn dim C ( A T ) = r ( A ) \dim C(A^T) = r(A) dimC(AT)=r(A) 行最简形R的前r(A)行 就是 C ( A T ) C(A^T) C(AT)的一组基。∵ \because ∵R的行向量是A行向量线性组合的结果。
∴ \therefore ∴R的行向量仍在A行空间中,只是基改变了。
m 维向量,是 A T x = 0 A^Tx=0 ATx=0的解
⟹ \Longrightarrow ⟹ in R m R^m Rm dim N ( A T ) = m − r ( A ) \dim N(A^T) = m - r(A) dimN(AT)=m−r(A) [ A m × n ∣ I m × m ] 行 变 换 → [ R m × n ∣ E m × m ] \begin{bmatrix}A_{m\times n}&|&I_{m\times m}\end{bmatrix}\underrightarrow{行变换}\begin{bmatrix}R_{m\times n}&|&E_{m\times m}\end{bmatrix} [Am×n∣Im×m]行变换[Rm×n∣Em×m] 即:EA=R E的后m-r(A)行 就是 N ( A T ) N(A^T) N(AT)的一组基。基本子空间 | in R? | 维数 | 基 |
---|---|---|---|
列空间 C ( A ) C(A) C(A) | R m R^m Rm | r(A) | A的主列 |
零空间 N ( A ) N(A) N(A) | R n R^n Rn | n-r(A) | Ax=0的特殊解们 |
行空间 C ( A T ) C(A^T) C(AT) | R n R^n Rn | r(A) | 行最简形R的前r(A)行 |
左零空间 N ( A T ) N(A^T) N(AT) | R m R^m Rm | m-r(A) | E的后m-r(A)行 |
for example,
A = [ 1 2 3 1 1 1 2 1 1 2 3 1 ] ⟶ [ 1 0 1 1 0 1 1 0 0 0 0 0 ] = R A=\begin{bmatrix}1&2&3&1\\1&1&2&1\\1&2&3&1\end{bmatrix} \longrightarrow\begin{bmatrix}1&0&1&1\\0&1&1&0\\0&0&0&0\end{bmatrix}=R A=⎣⎡111212323111⎦⎤⟶⎣⎡100010110100⎦⎤=R显然, dim C ( A ) = 2 \dim C(A)=2 dimC(A)=2,A的主列为1、2,
∴ \therefore ∴A列空间的基为 [ 1 1 1 ] , [ 2 1 2 ] \begin{bmatrix}1\\1\\1\end{bmatrix}, \begin{bmatrix}2\\1\\2\end{bmatrix} ⎣⎡111⎦⎤,⎣⎡212⎦⎤。显然, dim N ( A ) = 2 \dim N(A)=2 dimN(A)=2, A x = 0 Ax=0 Ax=0的自由变量为 x 3 、 x 4 x_3、x_4 x3、x4。
∴ \therefore ∴A零空间的基为 [ − 1 − 1 1 0 ] , [ − 1 0 0 1 ] \begin{bmatrix}-1\\-1\\1\\0\end{bmatrix}, \begin{bmatrix}-1\\0\\0\\1\end{bmatrix} ⎣⎢⎢⎡−1−110⎦⎥⎥⎤,⎣⎢⎢⎡−1001⎦⎥⎥⎤。显然, dim C ( A T ) = 2 \dim C(A^T)=2 dimC(AT)=2,且 A T A^T AT的基为A或R的前两行,即
[ 1 0 1 1 ] , [ 0 1 1 0 ] \begin{bmatrix}1\\0\\1\\1\end{bmatrix},\begin{bmatrix}0\\1\\1\\0\end{bmatrix} ⎣⎢⎢⎡1011⎦⎥⎥⎤,⎣⎢⎢⎡0110⎦⎥⎥⎤。显然, dim N ( A T ) = 1 \dim N(A^T)=1 dimN(AT)=1,
[ A ∣ I ] = [ 1 2 3 1 ∣ 1 0 0 1 1 2 1 ∣ 0 1 0 1 2 3 1 ∣ 0 0 1 ] ⟶ [ 1 0 1 1 ∣ − 1 2 0 0 1 1 0 ∣ 1 − 1 0 0 0 0 0 ∣ − 1 0 1 ] = [ R ∣ E ] \begin{bmatrix}A&|&I\end{bmatrix}=\begin{bmatrix}1&2&3&1&|&1&0&0\\1&1&2&1&|&0&1&0\\1&2&3&1&|&0&0&1\end{bmatrix} \longrightarrow\begin{bmatrix}1&0&1&1&|&-1&2&0\\0&1&1&0&|&1&-1&0\\0&0&0&0&|&-1&0&1\end{bmatrix}=\begin{bmatrix}R&|&E\end{bmatrix} [A∣I]=⎣⎡111212323111∣∣∣100010001⎦⎤⟶⎣⎡100010110100∣∣∣−11−12−10001⎦⎤=[R∣E] ∴ N ( A T ) \therefore N(A^T) ∴N(AT)的基为 [ − 1 0 1 ] \begin{bmatrix}-1\\0\\1\end{bmatrix} ⎣⎡−101⎦⎤。设 S = ∀ v ( v 1 , v 2 , v 3 , v 4 ) ∈ R 4 S=\forall v(v_1,v_2,v_3,v_4)\in R^4 S=∀v(v1,v2,v3,v4)∈R4 满足 v 1 + v 2 + v 3 + v 4 = 0 v_1+v_2+v_3+v_4=0 v1+v2+v3+v4=0,
显然 S S S是一个子空间, 且 S = N ( A ) S=N(A) S=N(A),其中 A = [ 1 1 1 1 ] A=\begin{bmatrix}1&1&1&1\end{bmatrix} A=[1111].∵ dim C ( A T ) = r ( A ) = 1 \because \dim C(A^T) = r(A) = 1 ∵dimC(AT)=r(A)=1
∴ dim N ( A ) = n − r ( A ) = 3 \therefore \dim N(A)=n - r(A) = 3 ∴dimN(A)=n−r(A)=3,且它的基为 [ − 1 1 0 0 ] , [ − 1 0 1 0 ] , [ − 1 0 0 1 ] \begin{bmatrix}-1\\1\\0\\0\end{bmatrix}, \begin{bmatrix}-1\\0\\1\\0\end{bmatrix}, \begin{bmatrix}-1\\0\\0\\1\end{bmatrix} ⎣⎢⎢⎡−1100⎦⎥⎥⎤,⎣⎢⎢⎡−1010⎦⎥⎥⎤,⎣⎢⎢⎡−1001⎦⎥⎥⎤ 注:1+3=4=n ∵ dim C ( A ) = 1 \because \dim C(A)=1 ∵dimC(A)=1 ∴ C ( A ) = R 1 \therefore C(A)=R^1 ∴C(A)=R1 ∵ N ( A T ) = 0 \because N(A^T)={0} ∵N(AT)=0 ∴ dim N ( A T ) = 0 \therefore \dim N(A^T)=0 ∴dimN(AT)=0 注:1+0=1=m
Ax的结果b 相当于 A中各列向量的线性组合
零空间满足封闭性
R表示行最简形矩阵
将所有特解作为列的矩阵
I与F的列可以相间
转载地址:http://yymzi.baihongyu.com/