linear algebra
用空間的語言表達向量、矩陣和行列式
向量與空間
基底
- 線性空間是一個只有原點的空間,沒有座標,沒有刻度。所以在線性空間中只能做向量的加法與數乘(數字與向量相乘)運算。
- 但是爲了能夠更好的描述有向線段,所以需要基底。所以作爲基準的一組向量作爲基底,這一組向量中的的每個向量稱爲基向量。
- 基底的選取條件:
- 當前空間中的任何向量都可以表示爲:
- 並且這種表示方法是唯一的。
- 當前空間中的任何向量都可以表示爲:
- 線性組合:
- 將可以用數表示出來的向量稱爲的線性組合表示。
維數
- 維數 = 基向量個數 = 座標的分量數
座標
- 只有在指定基底的情況下,纔有座標。
矩陣與映射
暫時定義
- 當矩陣行數與列數一樣時,表示的是正方矩陣。簡稱爲方陣。
- 矩陣乘積
- 矩陣就是‘平直’關係
- 滿足以及的映射f,稱爲線性映射。(其中x,y爲維度相同的向量,c爲常數,f(x)的值爲向量)
- 因此,從上面的介紹中可以得到,乘以矩陣的運算就是線性運算。反過來說,任意的線性映射f一定可以改寫成’乘以某矩陣的形式‘
- 矩陣就是用座標表示的線性映射。
- 怎麼理解上面這段話,假設看做是輸入,
- 將每個輸入經過f(線性映射)後得到的輸出記爲。那麼,對於輸入來講,對應的輸出就是.其中a表示向量。
- 則將a向量順序排列後,構成矩陣A=(a_1,…,a_n)。這樣的話就可以用矩陣A表示f(x)。
- 則f(x)=Ax,因此可以說矩陣就是用座標來表示的線性映射。
用矩陣來表達各種關係
略
矩陣就是映射
- ,也就是說,制定了矩陣A,就確定了從向量到另外一個向量的映射。實際上,這纔是矩陣最重要的機能。
- 對於矩陣A
如果使用A矩陣對某個向量空間進行線性映射,則就相當於KaTeX parse error: \tag works only in display equations
被移動到了KaTeX parse error: \tag works only in display equations
同時,KaTeX parse error: \tag works only in display equations被移動到KaTeX parse error: \tag works only in display equations - 所以對上面的總結:
- 矩陣的每一列分別是對基向量的映射,例如,矩陣第一列是對第一維基向量的映射,也就是第一維基向量到達的終點。矩陣第二列是對第二維基向量的映射。
矩陣的乘積=映射的合成
- 基本性質,對於數c,,向量x,矩陣A,B,C,有以下各式成立:
- 向量是一種矩陣麼? 是的
- 不隨座標變化而改變的值,稱爲標量。
矩陣的乘方 = 映射的迭代
- 這裏的矩陣一定是方陣。
- 運算性質:
- ,其中I是單位矩陣。一般來說含有0特徵值的矩陣的0次方都是沒有意義的。
零矩陣,單位矩陣,對角矩陣
- 零矩陣
- 所有元素都是0的矩陣稱爲零矩陣。記爲O。
- 零矩陣表示的映射是將所有得點都映射到原點的映射。
- A不等於0,B不等於0,也有可能得到BA=O.
- A不等於0,也有可能得到
- 單位矩陣
- 方陣中,如果除了’\‘(從左上到右下)方向的對角元素是1,其餘元素都是0,則該矩陣稱爲單位矩陣,記爲I。
- 單位矩陣表示的映射是什麼都不做的映射,從中也可以理解單位矩陣爲什麼是對角線爲1的矩陣。
- 對角矩陣
- 在方陣中,’\‘(從左上到右下)方向的對角線上的值稱爲對角元素,對角元素以外的稱爲非對角元素。
- 定義:非對角元素全部爲0的矩陣稱爲對角矩陣。
- 對角矩陣表示的映射是“沿着座標軸伸縮”,其中對角元素就是各軸伸縮的倍率。
- 對角矩陣的乘方與乘法都是直接對對角元素做操作。
- 對角矩陣的概念與座標系的選取有關。在線性空間中的相同線性映射,在不同的座標系中,可能會有不能的映射矩陣,例如對角矩陣,非對角矩陣。既然是相同的線性映射,則對角矩陣計算簡單,所以一般選取適當的座標系,將線性映射等同於對角矩陣。因此,可以說對角矩陣與座標系相關。
- 零矩陣以及單位矩陣與座標系無關。單位矩陣,零矩陣
- '/'方向的對角矩陣表示爲反對角矩陣。
逆矩陣 = 逆映射
- 定義:對於方陣A,它的逆映射對應的矩陣稱爲A的逆矩陣。記爲,(逆矩陣強調方陣)
- 對於任意的向量x,若有,則有,反之亦然。
- 把向量壓扁成一點(扁平化)的映射所對應的逆矩陣不存在。
- 逆矩陣唯一存在:
- 所以,,所以逆矩陣一旦存在就是唯一的。
- 當A是矩陣時,XA=I與AX=I是等價的。具體理解參考45頁。
- ,表示的是已知y,滿足的x只能有一個。
- ,表示只要選擇合適的出發點x,通過y=Ax,無論什麼樣的目標點都能達到。
- 基本性質
- ,將A的逆再逆回去,還是A
- ,對於先B後A的映射的點,要想還原回去,首先要逆一次A,然後再逆一次B.
- ,對於經過A映射k次的點,還原時,也要逆k次。
- 當要證明Y是X的逆矩陣,只要證明XY=I即可。
- 對角矩陣的情況:
- 對角矩陣的對角元素表示的是對每個座標軸的伸縮,所以它的映射的還原就是每個座標追相應的伸縮1/a倍,要注意的是,在對角元素其中一個元素爲0時,這樣的映射就無法找到逆映射。這種情況下,A變成了一種扁平化映射。
分塊矩陣
- 定義:以水平線和豎直線將矩陣分割成較小的矩陣,這些較小的矩陣組成一個矩陣,這個矩陣就是分塊矩陣
- 分塊矩陣的運算主要就是將每個小矩陣當做元素來處理。
- 分塊對角矩陣:
- 如果分塊矩陣的’'方向對角線(主對角線)上的區塊都是方陣,並且非對角線上的矩陣都是零矩陣。則稱這樣的矩陣爲分塊對角矩陣
- 參照對角元素的概念,我們稱爲對角區塊。
- 分塊對角矩陣也是與座標系選取有關的概念。
用矩陣表示各種關係
- 高階查分與高階微分(P53)
- 消除常數項(P53)
座標變換與矩陣
- 座標變換:
- 座標變換可以用“乘以方陣A”的形式表示,這裏的A存在逆矩陣。
- 反之,乘以某個存在逆矩陣的方陣A,也可以用座標變換來解釋。
- 用矩陣表示座標變換
- 一般來說,座標變換都可以表示爲‘乘上一個矩陣’的形式
- 座標變換時,作爲向量實體的有向線段是不變的,而其座標表示是變換的。
轉置矩陣
- 對於矩陣A,將其行列互換得到的矩陣,就稱爲A的轉置矩陣,記爲.
- 轉置的運算順序與乘方運算同級別。,..
- 共軛轉置:
- 共軛表示改變複數虛數部分的符號得到的複數,z=3+3i -> z=3-3i
- 定義: ,其中表示將A的各個元素取(復)共軛得到的矩陣。
- 共軛轉置的性質:
行列式與擴大率
行列式 = 體積擴大率
- 一般情況下,對於n階方陣A,‘n維版本的體積’的擴大率,就是行列式det A.
- 2階方陣的行列式也可以解釋爲有向量圍成的平行四邊形的面積。主要就是面積爲1的正方形,經過A的變換之後,得到的就是該平行四邊形。
- 在對圖像進行鏡像翻轉變換的情況下,可以用負的擴大率來表示。
- 圖形扁平化的情況下,體積擴大率爲0.
- 體積擴大率的說法有什麼用?
- 在多重積分的換元法中,行列式起到了關鍵的作用。
- 在研究概率密度函數根據隨機變量的變化而產生的變化時,是要依靠行列式的,
- 行列式可以用來檢驗是否發生了退化。
- 非方陣的情況下,沒有行列式的定義。
- 壓縮扁平化是指把不同的點映射到同一點的意思。這與detA = 0是等價的。
行列式的性質
- 簡單性質
- det I = 1,因爲保持不變,所以變化率是1.
- det(AB) = (det A)(det B),首先映射B造成了det B倍的變化,接下來映射A帶來det A倍的變化。
- 當det A = 0時,不存在。
- 當矩陣中的兩個列或者行完全一樣,或者某一列或者行爲0,則該矩陣的行列式爲0.
- 對角矩陣的行列式爲對角矩陣中各個對角元素的乘積。
- 有用的性質
- 行列式中,把某一列乘以常數,加到另一列上,行列式的值不變。
- 對角線下方全部都是0元素的矩陣,稱爲上三角矩陣。其矩陣的行列式爲對角線元素的乘積。
- 轉置矩陣的行列式
- 轉置矩陣的行列式與原矩陣的行列式相等。即
- 換言之,行列互換之後,行列式的所有性質依然成立。
- 關鍵性質
- det(A+B) != detA+detB.
- 令和
- 行列式的正負號代表了圖像的鏡像翻轉,於是,交換兩列會改變行列式的正負,這種性質稱爲交替性。
行列式的計算方法
- n階行列式的值等於它的任意一行(列)的元素與其對應的代數餘子式的乘積的和。
- ,其中,表示代數餘子式,i表示行數,j表示列數,其中表示餘子式,是除去某一個元素的所在行列後剩餘矩陣的部分組成的矩陣。
這種展開方式被稱爲行列式按行(列)展開或拉普拉斯展開。 - 逆矩陣公式
- 伴隨矩陣定義:
注意這裏面每個元素都是代數餘子式,而且注意下標行列都是相反的。
- 伴隨矩陣定義:
- 如果,則結果的每個對角元素都等於det A,非對角元素都爲0。結果證明看P94.因此:
因此,可以得到:
從這個式子中可以看出如果不等於0,則。
秩、逆矩陣、線性方程組 — 溯因推理
問題設定:逆問題
- 這類已知結果y去推測原因x的問題,稱爲逆問題。考慮從原因x出發去預測結果y,這樣的問題稱爲順問題。
- 所謂的逆問題,其實就是線性方程組。
良性問題(可逆矩陣)
可逆性與逆矩陣
- 令y=Ax,其中x,y具有相同的維數,則A是方陣。如果A存在逆矩陣,則
上面的公式中,存在逆矩陣的方陣A,稱爲正則矩陣(可逆矩陣,非奇異矩陣),而不是正則矩陣的,則稱爲奇異矩陣。
線性方程組的解法(係數矩陣可逆)
- 用消元法解多元一次方程組
- 通過不斷的變量替換的方法消解變量的個數,反覆使用這個原理求解問題。
- 用分塊矩陣表示線性方程組的求解過程
- 主要就是通過不斷的進行線性變換,每行的開始變爲1,然後不斷的進行消元,可以簡稱爲消元法。
- 只用分塊矩陣求解線性方程組 —Gauss-Jordan法
- 主要就是將每行乘上一個數,或者乘上一個數後加到另一個行上。最終的目的是將矩陣變成單位矩陣。如果在變換時,對角線上的元素不能變成1,而是爲0,則可以換行來處理。
逆矩陣的計算方法
- 線性方程組的解法
- 如果線性方程組能夠求解,則逆矩陣一定能夠求解。
- Ax = I,當求解A的逆矩陣時,只要求解這個方程組時,就可以得到A的逆矩陣x。
- 應用分塊矩陣表示的解法
- 形如 區塊X就正是我們要求的
- 在A的右邊添上單位矩陣I
- 計算步驟:運用線性方程組的筆算法中的變形方法,將左側區塊(最初的A部分)變成I
- 完成後,右側區塊(最初的I部分)就是
- 形如 區塊X就正是我們要求的
初等變換
- 上面的逆矩陣的求法主要可以總結爲:
- 將某行乘以C(c不等於0)
- 將某行的c倍加到另一行上。
- 交換兩行
- 以上的操作都可以用‘乘上一個矩陣表示’,這些操作稱爲初等(行)變換。
- 瞭解上面的內容後,無論是解線性方程組還是逆矩陣,都可以用現行變換的方式理解。
- 對於矩陣(A|y),只要做成矩陣,就可以變成(I|s)的形式,用公式表達就是:
- 將上面的區塊展開,即
- 由第一式可知,由第二式可知
- 如果方陣A可逆,則可以通過初等變換得到單位矩陣I。反之,若A不可逆(奇異),則不能。
- 初等變換與行列式的關係
- 將i行乘以c,行列式值爲原來的c倍
- 將j行乘以c加到第i行,行列式值不變。
- 交換i,j行,行列式值的正負號改變。
惡性問題
惡性問題實例
- 線索不足的情況(矮矩陣、核)
- 首先考慮在中,y的維數比x的維數低,也就是A是矮矩陣。
- 直觀上,可以理解x所在的高維通過A的映射到y的低維。因此對應了"壓縮扁平化"的操作。實質上就是說會有多個x被轉移到同樣的y上。
- 對於給定的A,在映射的作用下,滿足的x的集合稱爲A的核,記爲Ker A。
- 怎麼理解壓縮扁平化操作是不可逆的?
- 從方程來看,可以理解爲什麼要知道x在Ker A中的位置是不可能的。但是對於中y不爲o的情況,該怎麼理解?
- 令x和爲Ker A上的兩點,所以,可以得到,於是我們知道一定位於Ker A中,反之,去除Ker A中的某向量z,令,可以得到,這也就說明了爲什麼在Ker A中平行方向上的點無法確定具體位置。
- 可以認爲在"壓縮扁平化"變換的過程中丟失了一部分信息麼?
- 答案是是的。Ker A中的具有平行關係的點的相關信息倍丟掉了。
- 線索過剩的情況
- 考慮當y的維數比較大時的情況,也就是A是長矩陣。因爲是從低維到高維的映射,所以不可能把目標的3維空間全部覆蓋。
- 對於給定的A,將x進行各種不同的變換,在A的作用下,y=Ax構成的集合稱爲A的像,記爲Im A。
- 換言之,像就是把原空間通過A變換到目標空間中時對應的領域。
- 線索的個數正好(奇異矩陣)
- 可能出現跟"線索不足"的情況一樣,在知道y的情況下不能從候選中唯一確定x。線索有冗餘。也就是說方陣A可以線性變換成矮矩陣的樣子。即某一行或幾行全部爲0.
- 所以,綜上要想知道問題是良性的還是惡性的,僅憑矩陣的大小是不能輕易下結論的,本質在於Ker A和像Im A是什麼樣子
問題的惡劣程度 — 核與像
- 對於上面的討論總結一下:
- 對於相同的結果y,引起它的原因x是唯一的嗎
- 無論什麼樣的結果y,都可以找到導致它的相應的原因x嗎
- 當前一個會帶是肯定時,y=Ax是單射。當後一個回答是肯定時,映射y=Ax是滿射。當二者同事成立時,映射y=Ax是雙射。
- 利用Ker A 和 Im A 的概念,正式的表述一下上面的內容:
- Ker A 僅包含原點0 <-> 映射是單射
- Im A與目標空間(值域)一致 <-> 映射爲滿射。
- 以上是對線性方程組的解的存在性與唯一性的解答。
維數定理
- 對於m * n 矩陣A,有
其中dim X表示X的維數。 - 對上式稍加變形,可得,從直觀上看,A是從n維空間到m維空間的映射,那麼從原來的n維中,壓縮掉Ker A對應的維數,剩下的自然就是Im A的維數。
- 由此可以得到:
- 若$ m < n $ (A是矮矩陣),則A不會是單射。(Im A是目標m維空間的一部分,所以,這時假設m < n,可以得到$dim Im A < n dim Ker A>0$)
- 若(A是長矩陣),則A不會是滿射。(維數一定不小於0,所以對於Ker A,我們有dim Ker A>=0.於是,根據維數定理,有,進而假設$ m > n dim Im A<m $)
- 如何理解dim Ker A以及dim Im A?
- 線性子空間定義: 對於線性空間,若V內的區域w滿足以下條件,則稱w是v的線性子空間:
- 對於w中的向量x和,它們的和也在w內。
- 對於w中的向量和數c,數量乘積cx也在W內。
- 因此,Ker A和Im A等也構成線性子空間。具體證明見P123.
- 基底:向量空間W內的任意向量都可以用這組基底表示。並且表示方式是唯一的。
- 線性子空間定義: 對於線性空間,若V內的區域w滿足以下條件,則稱w是v的線性子空間:
- 如何證明維數定理?
- 具體證明參見P124.
用式子表示’壓縮扁平化’變換(線性無關,線性相關)
- 定義: 所謂的’壓縮扁平化’就是把不同的x和 變換到相同的y上。
- 令以及,。這樣一來就可以表示是爲:
- 令以及,。這樣一來就可以表示是爲:
- 對於壓縮扁平化的映射,在x不等於的前提下,使得x,是存在的,這種情況下,稱爲線性相關的。反之不是線性相關的情況,稱爲線性無關的。
- A的各個列向量線性相關 = ‘壓縮’
- A的各個列向量線性無關 = ‘不壓縮’
- 另外,對於數,當
成立時有,則稱爲線性無關。 - 聯想 -> 基底:基底必須線性無關 -> 維數: 如果最多能取得n個線性無關的向量,則空間的維數爲n。
線索的實際個數
- 這節主要是討論目標空間全體是否能夠倍全部覆蓋到。
- 秩的定義: 令A是m * n矩陣,也就是說把n維向量x變成m維向量的這一映射,這裏我們把像Im A的維數dim Im A命名爲矩陣A的秩,記爲rank A。
這裏就可以用rank A代替dim Im A維數定理。 - 秩與核、像與單射、滿射
- rank A = n(秩與原空間(定義域)的維數相等) <-> A是單射
- rank A = m(秩與目標空間(值域)的維數相等) <-> A是滿射a
- 秩的基本性質:
- 對於m * n 矩陣A,有以下的性質:
- rank A <= m
- rank A <= n
- 在乘以可逆矩陣後,維數不發生變化,也就是說如P,Q可逆,則
- rank(PA) = rank A
- rank(AQ)= rank A
- 對於一般的矩陣A,B,有
- rank(BA) <= rank A
- rank(BA) <= rank B
- 對於m * n 矩陣A,有以下的性質:
- 瓶頸型分解
- 待續。。。。