本文共 6476 字,大约阅读时间需要 21 分钟。
矩阵行变化, 相当于左乘矩阵.
如下矩阵乘法为对第一行进行行变化 r o w 1 : = r o w 1 + 2 ∗ r o w 2 − r o w 3 row1 := row1 + 2*row2 - row3 row1:=row1+2∗row2−row3.
[ 1 2 − 1 0 1 0 0 0 1 ] [ − . r o w 1 − − . r o w 2 − − . r o w 3 − ] \begin{bmatrix} 1 & 2 & -1\\ 0 & 1 & 0\\ 0 & 0 & 1\\ \end{bmatrix} \begin{bmatrix} -. & row1 & - \\ -. & row2 & - \\ -. & row3 & - \\ \end{bmatrix} ⎣⎡100210−101⎦⎤⎣⎡−.−.−.row1row2row3−−−⎦⎤A n × m ⋅ B m × p = C n × p A_{n \times m}\cdot B_{m \times p} = C_{n \times p} An×m⋅Bm×p=Cn×p
C i , j = ∑ k = 1 m A i , k ⋅ B k , j C_{i,j} = \sum_{k=1}^m{A_{i,k} \cdot B_{k,j}} Ci,j=k=1∑mAi,k⋅Bk,j
[ ∣ ∣ ⋯ c o l 1 c o l 2 ⋯ ∣ ∣ ⋯ ] ⋅ [ ∣ ⋯ c o l 1 ⋯ ∣ ⋯ ] = [ ∣ ⋯ c o l 1 ⋯ ∣ ⋯ ] \begin{bmatrix} | & | & \cdots \\ col1 & col2 & \cdots \\ | & | & \cdots \\ \end{bmatrix} \cdot \begin{bmatrix} | & \cdots \\ col1 & \cdots \\ | & \cdots \\ \end{bmatrix}= \begin{bmatrix} | & \cdots \\ col1 & \cdots \\ | & \cdots \\ \end{bmatrix} ⎣⎡∣col1∣∣col2∣⋯⋯⋯⎦⎤⋅⎣⎡∣col1∣⋯⋯⋯⎦⎤=⎣⎡∣col1∣⋯⋯⋯⎦⎤
c o l 1 o f C col1\ of\ C col1 of C是 A A A的每一列的线性组合, 每一列的权重为 c o l 1 o f B col1\ of\ B col1 of B.
[ − . r o w 1 − ⋯ ⋯ ⋯ ⋮ ⋮ ⋮ ] ⋅ [ − . r o w 1 − − . r o w 2 − ⋮ ⋮ ⋮ ] = [ − . r o w 1 − ⋯ ⋯ ⋯ ⋮ ⋮ ⋮ ] \begin{bmatrix} -. & row1 & - \\ \cdots & \cdots & \cdots \\ \vdots & \vdots & \vdots \\ \end{bmatrix} \cdot \begin{bmatrix} -. & row1 & - \\ -. & row2 & - \\ \vdots & \vdots & \vdots \\ \end{bmatrix}= \begin{bmatrix} -. & row1 & - \\ \cdots & \cdots & \cdots \\ \vdots & \vdots & \vdots \\ \end{bmatrix} ⎣⎢⎡−.⋯⋮row1⋯⋮−⋯⋮⎦⎥⎤⋅⎣⎢⎡−.−.⋮row1row2⋮−−⋮⎦⎥⎤=⎣⎢⎡−.⋯⋮row1⋯⋮−⋯⋮⎦⎥⎤
r o w 1 o f C row1\ of\ C row1 of C是 B B B的每一行的线性组合, 每一行的权重为 r o w 1 o f A row1\ of\ A row1 of A.A = [ c o l 1 c o l 2 ⋯ ] , B = [ r o w 1 r o w 2 ⋮ ] A ⋅ B = ∑ i = 1 m c o l i ⋅ r o w i A = \begin{bmatrix} col1 & col2 & \cdots \end{bmatrix}, B = \begin{bmatrix} row1 \\ row2 \\ \vdots \end{bmatrix}\\ A \cdot B = \sum_{i=1}^m{col_i \cdot row_i} A=[col1col2⋯],B=⎣⎢⎡row1row2⋮⎦⎥⎤A⋅B=i=1∑mcoli⋅rowi
例子
c o l 1 = [ 2 3 4 ] , r o w 1 = [ 1 6 ] c o l 1 ⋅ r o w 1 = [ 2 3 4 ] ⋅ [ 1 6 ] = [ 2 12 3 18 4 24 ] col1 = \begin{bmatrix}2 \\ 3 \\ 4 \end{bmatrix},row1=\begin{bmatrix}1 & 6\end{bmatrix}\\ col1 \cdot row1 = \begin{bmatrix}2 \\ 3 \\ 4 \end{bmatrix} \cdot \begin{bmatrix}1 & 6\end{bmatrix}= \begin{bmatrix} 2 & 12\\ 3 & 18\\ 4 & 24\\ \end{bmatrix} col1=⎣⎡234⎦⎤,row1=[16]col1⋅row1=⎣⎡234⎦⎤⋅[16]=⎣⎡234121824⎦⎤以上三种角度都可以用分块角度很直观地看出.
若存在 x ≠ 0 , A ⋅ x = 0 x \neq 0,\ A \cdot x = 0 x=0, A⋅x=0, 则 A A A是奇异矩阵, 不可逆.
证明:
假设存在 B ⋅ A = I B \cdot A = I B⋅A=I, 则有
A ⋅ x = 0 B ⋅ A x = 0 I ⋅ x = 0 x = 0 A\cdot x = 0\\ B \cdot Ax = 0\\ I \cdot x = 0\\ x = 0 A⋅x=0B⋅Ax=0I⋅x=0x=0 矛盾. 故 B 不 存 在 B不存在 B不存在.Gauss-Jordan消元法对 [ A I ] \begin{bmatrix}A & I\end{bmatrix} [AI]进行消元, 最后100左边消为 I I I, 右边即为 A − 1 A^{-1} A−1. 由于矩阵行变化相当于左乘矩阵, 故
∵ E ⋅ A = I ∴ E ⋅ I = A − 1 E ⋅ [ A I ] = [ I A − 1 ] \because E \cdot A = I\\ \therefore E \cdot I = A^{-1}\\ E \cdot \begin{bmatrix}A & I\end{bmatrix} = \begin{bmatrix}I & A^{-1}\end{bmatrix} ∵E⋅A=I∴E⋅I=A−1E⋅[AI]=[IA−1]把A进行行变化, 得到上三角矩阵U.(不使用行交换).
A 3 × 3 A_{3\times 3} A3×3例子
E 2 , 1 ⋅ E 3 , 1 ⋅ E 3 , 2 ⋅ A = U A = E 3 , 2 − 1 ⋅ E 3 , 1 − 1 ⋅ E 2 , 1 − 1 ⋅ U = L U E_{2,1}\cdot E_{3,1}\cdot E_{3,2}\cdot A = U\\ A = E_{3,2}^{-1}\cdot E_{3,1}^{-1}\cdot E_{2,1}^{-1}\cdot U = LU E2,1⋅E3,1⋅E3,2⋅A=UA=E3,2−1⋅E3,1−1⋅E2,1−1⋅U=LU置换矩阵(permutations)是指可以让矩阵进行 行交换(row exchanges)的矩阵。 n × n n\times n n×n的置换矩阵就是通过单位矩阵行交换的得到,个数为 n ! n! n!。他们的逆矩阵都在这个群里。进一步来说,逆矩阵相当于把做的交换逆回去,故有
P − 1 = P T P^{-1} = P^{T} P−1=PT所以,当需要行交换的时候, LU分解应该写成
P A = L U PA=LU PA=LU对于任意矩阵 R R R, R T R R^{T}R RTR是对称矩阵恒成立。即 ( R T R ) T = R T R (R^TR)^T=R^TR (RTR)T=RTR.
满足数乘和加法封闭性。最小的向量空间只有零向量。
两个子空间 S S S和 T T T的交集也是一个子空间。因为 v , w ∈ S ∩ T v,w\in S\cap T v,w∈S∩T,所以 v + w ∈ S , v + w ∈ T v+w\in S, v+w\in T v+w∈S,v+w∈T,即 v + w ∈ S ∩ T v+w\in S\cap T v+w∈S∩T
A = [ 1 1 2 2 1 3 3 1 4 4 1 5 ] A=\begin{bmatrix}1 & 1 & 2 \\ 2 & 1 & 3 \\ 3 & 1 & 4 \\ 4 & 1 & 5\end{bmatrix} A=⎣⎢⎢⎡123411112345⎦⎥⎥⎤
A的列向量子空间是4维空间中的子空间,不能覆盖整个4维空间。用方程组来说,就是 A x = b Ax=b Ax=b并不是对于所有的 b b b都有解, x x x是各个列向量线性组合的权重。有解的 b b b是各列的线性组合,即 b b b 属于 A A A的列空间 C ( A ) C(A) C(A)。
A ⋅ x = [ 1 1 2 2 1 3 3 1 4 4 1 5 ] ⋅ [ x 1 x 2 x 3 ] = [ b 1 b 2 b 3 b 4 ] A \cdot x = \begin{bmatrix}1 & 1 & 2 \\ 2 & 1 & 3 \\ 3 & 1 & 4 \\ 4 & 1 & 5\end{bmatrix}\cdot \begin{bmatrix}x_1 \\ x_2 \\ x_3 \end{bmatrix}= \begin{bmatrix} b_1\\ b_2\\ b_3\\ b_4 \end{bmatrix} A⋅x=⎣⎢⎢⎡123411112345⎦⎥⎥⎤⋅⎣⎡x1x2x3⎦⎤=⎣⎢⎢⎡b1b2b3b4⎦⎥⎥⎤
A x = 0 Ax=0 Ax=0的所有解 x ∈ R 4 x\in R^4 x∈R4组成零空间 N ( A ) N(A) N(A)。至少包含零向量。
用上面的例子,零空间的向量形如以下形式,是一条直线。
[ c c − c ] \begin{bmatrix} c\\ c\\ -c\\ \end{bmatrix} ⎣⎡cc−c⎦⎤ 证明为什么 A x = 0 Ax=0 Ax=0得到的所有向量一定构成一个向量空间设 x , x ∗ 为 两 个 解 x,x^*为两个解 x,x∗为两个解,则有
A x = 0 , A x ∗ = 0 Ax=0,\ Ax^*=0\\ Ax=0, Ax∗=0 则 A ( x + x ∗ ) = A x + A x ∗ = 0 + 0 = 0 A ( k x ) = k A x = 0 A(x + x^*) =Ax+Ax^*=0+0=0\\ A(kx)=kAx=0 A(x+x∗)=Ax+Ax∗=0+0=0A(kx)=kAx=0 故向量加法和数乘都在向量空间内,故符合向量空间的定义。A x = 0 Ax=0 Ax=0 的解不会因对 A A A矩阵进行初等行变化而改变。可以从两个角度得到这个结论。
矩阵的秩就是矩阵进行行变化之后的主元的个数。
A = [ 1 2 2 2 2 4 6 8 3 6 8 10 ] = > U = [ 1 2 2 2 0 0 2 4 0 0 0 0 ] = > R = [ 1 2 0 − 2 0 0 1 2 0 0 0 0 ] A=\begin{bmatrix}1 & 2 & 2 & 2\\ 2 & 4 & 6 & 8 \\ 3 & 6 & 8 & 10\end{bmatrix}\\ =>\\ U=\begin{bmatrix}1 & 2 & 2 & 2\\ 0& 0& 2 & 4 \\ 0 & 0& 0 & 0\end{bmatrix}\\ =>\\ R=\begin{bmatrix}1 & 2 & 0 & -2\\ 0& 0& 1 & 2 \\ 0 & 0& 0 & 0\end{bmatrix}\\ A=⎣⎡1232462682810⎦⎤=>U=⎣⎡100200220240⎦⎤=>R=⎣⎡100200010−220⎦⎤ A A A的秩 r = 2 r=2 r=2。 U U U的第一列和第三列为主列(pivot columns),第二列和第四列为自由列(free columns)。 A x = 0 Ax=0 Ax=0的自由元的个数为 n − r = 4 − 2 = 2 n-r=4-2=2 n−r=4−2=2。零空间就是让自由元逐一等于1得到的向量之间的线性组合。 x = c ⋅ [ − 2 1 0 0 ] + d ⋅ [ 2 0 − 2 1 ] x=c\cdot \begin{bmatrix} -2\\ 1\\ 0\\ 0 \end{bmatrix} +d \cdot \begin{bmatrix} 2\\ 0\\ -2\\ 1 \end{bmatrix} x=c⋅⎣⎢⎢⎡−2100⎦⎥⎥⎤+d⋅⎣⎢⎢⎡20−21⎦⎥⎥⎤ 把 R R R矩阵中的主列凑在一起,把自由列组合在一起,就可以得到rref形式的 R R R矩阵。 I = [ 1 0 0 1 ] , F = [ 2 − 2 0 2 ] R = [ [ 1 0 0 1 ] [ 2 − 2 0 2 ] 0 0 0 0 ] I=\begin{bmatrix}1&0\\0&1\end{bmatrix},F=\begin{bmatrix}2&-2\\0&2\end{bmatrix} R=\begin{bmatrix}\begin{bmatrix}1&0\\0&1\end{bmatrix}&\begin{bmatrix}2&-2\\0&2\end{bmatrix}\\ \begin{matrix}0&0\end{matrix}&\begin{matrix}0&0\end{matrix}\end{bmatrix} I=[1001],F=[20−22]R=⎣⎡[1001]00[20−22]00⎦⎤则可以通过解 R N = 0 RN=0 RN=0来得到列向量为 A x = 0 Ax=0 Ax=0的 n − r n-r n−r个特解,即得到了零基。
N = [ − F I ] N=\begin{bmatrix} -F\\ I\\ \end{bmatrix} N=[−FI]转载地址:http://fwuzi.baihongyu.com/