第二章 向量空间


1.向量空间和子空间

:包含所有n维的列向量(之所以使用R:列向量的元素都是实数)

在所有向量空间内都支持的操作:

?

实数向量空间:

8个规则:

用的较多的还是向量空间和子空间的定义,即乘法和加法的结果仍在集合内。子空间也是向量空间

相反的方面,若一个集合不能构成向量空间,则这个集合的元素相加或相乘的结果可能不在这个集合内。

子空间:

零向量是任何向量空间的子空间。

最小的子空间仅由一个向量构成:0向量。称作0维空间。向量空间不允许是空集。

最大的子空间就是原始的向量空间本身。

3维空间的子空间:

子空间可以缩小维度(由上图),但实质都是从原始空间点集抽出的一个子集和,集合中的元素都来自原始集合。

?

列向量空间:

注意向量空间的原子是‘列‘(概念上的列,列实际可以是各种形式,如一个函数,一个矩阵)。

?

方程解与列向量空间的联系:

对于

Ax = b can be solved if and only if b lies in the plane that is spanned(标定) by the two column vectors .这个plane就是A的列向量空间,同时也是的子空间(过0点)。这个plane是的子空间的证明 p89

C(A):A的列向量空间,是的子空间,证明p89。注意是我们讨论各种问题所在的全集,就类似与1属于自然数n这种关系。

N(A):A的nullspace,是的子空间,证明:

x+x‘在nullspace内,cx也在nullspace内,所以x的全集是的子空间

注意一开始用举线性组合的例子,A里只有两列(这种情况就高斯消元法来讲一定是奇异的情况,pivots个数不够!),这时候列向量空间是个面,A中也可以有三列的------》then?

?

Nullspace:

注意:之前说的向量空间都是由b直接构成,nullspace似乎不是这样,它是由构成0向量空间的线性组合的系数构成的,有点区别,如果A=I的话C(A),N(A)两者是一样的,还有如果A的列数小于行数的话似乎看b更直观一些。

?

独立,或者说成线性无关。

?

了解C(A)和N(A)的目的:

?

?

问题集合:

  1. [??]给出一个或者几个元素,求包含这几个元素的最小向量空间 problem set2.1 14
  2. 的子空间由四种类型:本身,面,线,零。
  3. [??]B的列向量空间已经和A的不同了,列向量空间和解是什么关系呢?C的列向量空间仍和A一致。

    列向量空间和nullspace的关系,进一步和complete solution的关系,见一下节,在解方程的时候做基本变换虽然改变了列向量空间,但是解是没有变的。

    4.a能由两个向量唯一确定,但是不能由三个向量唯一确定

    .

    c和d可以确定任意多个向量如e和e‘,e再和b确定a.

    除非b在A的向量空间内,由上面第二图可知,添加了一个仍在A的向量空间内的d仍是可解的。

  4. 可逆等同于非奇异,非奇异等同于矩阵列向量相互独立(线性无关),则可逆矩阵的线性空间是

    2.解Ax=0和Ax=b

    对于可逆矩阵来说,Ax=0的解只有x=0,Ax=b对于任意b都有解。当nullspace里出现了非零解或者A的列向量空间小于是我们这节要处理的情况。

    ?

    梯队形式(echelon form):

    因为我们使用消元法获得U,将之按照相反的过程还原,自然可以得到原来的矩阵A,因此:

    L是方阵,行数等于A和U的行数

    PA=LU是一般形式:

    获取R: 1.将U的pivots化成1 2.从下往上将pivots正上方的元素化成0,如下:

    * matlab里获取R R=rref(A),对于可逆矩阵,R=I (rref:reduced row echelon form)

    上章中是PA=LDU,Gaus-Jordan方法中[A I]->[U L逆]->[I A逆],涉及A->U,pivots上方元素化0等,求R的方法虽然和这两个方法神似,但是并不是一个方法,问题的出发点并不相同。

    R still contains an identity matrix.in the pivot rows and pivot columns.

    Rx=0 Ux=0 Ax=0 具有相同的解,虽然在变换的时候方程式改变了,但是方程解的交集没有改变。

    pivot variables: variables(in vector x) correspond to columns with pivots

    Free variables: variables(in vector x) correspond to columns without pivots

    从下面可以看出,在对x的表示中pivot varialbes全部由free variables表示了。而free variables之所以叫free variables,是因为这些变量是可以任意取值的。

    ?

    运用R求Ax=0:

    Special solutions for Ax=0:就是③中右侧的每一列是一个special solution.

    A的nullspace可以看成special solutions的combination的集合

    在上例中,A的nullspace是 2维 的向量空间。

    注意:仔细观察,special solutions的个数等于free variables的个数

    发现没,special solutions是相互独立的

    对于A(m by n,n>m)来说,至少有n-m个free variables.

    一个非常重要的结论:

    从解Rx=0的过程可知,每多出一个free variables,就会多出一个special solution,对于A(m by n,n>m)来说,至少有n-m个free variables,这也是得出2C的原因。又因为free variables可以任意取值,所以解的个数是无限个。

    ?


    Solving Ax = b, U x = c, and Rx = d

    和Ax=0中不同的一点:即使n>m(more unkonwns than equations),也不一定有解。主要是方程右边的b!=0造成了方程的平行(b=0的时候方程重合)。

    ?

    讲解这个问题的顺序:

  5. 先找到一个使方程有解的b,主要使用了b应该在列向量空间的方法。
  6. 使用与上节相同的方法找到方程的解(利用free variables和pivot variables)
  7. 得出结论。

    求Ax=b:


    结论:

    Every solution to Ax = b is the sum of one particular solution and a solution to Ax = 0:

    关于,可以将b看成0+b,按照上节方法b=0的部分的解为,b=b的部分的解为。(由现象到结论,这是一种推广)

    当b=0时也有特解,只不过特解是0.

    将Ax=b化成Rx=d之后就可以直接得出结论,注意这个方法,连同上一节的直接获取结果的方法(就是直接看R就给出结果的方法,R中的列直接对应到special solutions):

    D中值对应到pivot variable对应位置的特解,特解中free variable对应位置为0.free variable columns对应到special solution里。

    Rank of the matrix: 矩阵的秩

    ?

    You see how the rank r is crucial. It counts the pivot rows in the "row space" and the

    pivot columns in the column space. There are n ? r special solutions in the nullspace.

    There are m ? r solvability conditions on b or c or d(之所以这么说,是因为剩下的m-r行决定方程是否有解).

    ?

    ?

    问题集合:

    1.

    方程无解的时候仍可以有nullspace,此时有但是无.

    2.

    ans:

    3.

    也就是说pivot columns所在的列是线性无关的列

    4.[??]

    小于A好证(AB的结果是A的线性组合,逃不出A所在的‘plane‘),小于B呢:行秩等于列秩,AB中每一行都是B的所有行的一个线性组合,其行秩必然小于B

    5.注意若AB=I,在AB不为方阵的时候也可以成立,定义左逆右逆的公式中都是指的方阵,不是方阵的情况下左逆不等于右逆(维数都不相同),逆的定义中是同时满足左逆右逆才叫逆。

    6.

    7.[!!]

    8. A system Ax=b has at most one particular solution:错。它的任意解都可以认做是一个特解。只要Xp+Xn=X成立就可以。

    9.解的情况大概也就这么多了

    (a)rows>rank(A),columns=rank(A) (b).rows=rank(A),columns>rows (c)rows>rank(A),columns>rank(A) (d) invertible

    10.

    用上面的结论很容易就可以做出来:(a)秩为2且有解即是 (b)秩小于列数,无解或无限解。

    ?

    ?

    11.

    方程组相交成点,方程组中没有未知量,相交成线,有一个未知量,因此秩是3.

    (b)

    12. 处于后列的pivot variable是无法使用处于前列的free variable来构成自己的。

    13.why does no 3 by 3 matrix have a nullspace that equals its column space

    可逆时:nullspace只有一个元素,column space为

    秩为2时:nullspace是线,column space是面

    秩为1时:nullspace是面,column space是线

    ?

    3.线性无关(独立),基(basis)和维度

    linear independence和linear dependence:

    从列向量的角度来看线性相关:至少有一个维度无法用列向量的combination表示。或者说列向量空间比(max(m,n))至少少一维。

    从解方程的角度来看线性相关:方程无解或者无限解,方程图形无交点或者至少相交于线。

    A random choice of three vectors,without any special accident,should produce linear independence.也是,随机的三个向量落到同一平面的概率是很小的。

    考虑消元法产生的上三角矩阵,解一定是0.这个角度比较容易理解。

    Pivots所在的行和列是相互独立的

    事实上即使没有线代的知识我们也有类似的经验:方程组中有n个未知量m个等式,m<n,最终肯定得不到唯一解。

    ?

    Span a space:

    没有说对每一个v,c的序列都是唯一的

    Spaning a space的例子:

    Spanning involves the column space and independence involves the nullspace.

    ?

    空间V的基(basis)

    这意味着:

    1.向量空间内每一个向量都是基的一个组合

    2.

    但是基不是唯一的,一个向量空间可以有无限个基

    ?

    选择基的方法:

    注意,是pivots所在的未变换之前的列,变换后的列向量空间可能会发生变化,虽然这不会影响对应列的线性无关性。

    ?

    在考虑列向量空间的基的问题时是不关注矩阵的形状的(形状对线性相关性没有影响)。但是如果列向量空间是,那这个矩阵一定是方阵且可逆。

    向量空间的维度:

    0矩阵的列向量空间仅包含0向量。依照惯例,它的基是空集,维度为0;

    一个向量空间有无限个基,但是每个基由相同个数的向量组成。

    后一句应该是less than吧(下面这种说法也说明应该是less than)

    基是最大的线性无关集,也是最小的spanning set.

    注意:向量空间(子空间)的维度和向量的维度不是一回事。4维的向量空间可以由6维向量构成。6维向量空间内可以有4维的子空间,当然其向量维数至少大于6.

    ?

    问题集合:

    1.基的定义: x的基,再者从线性相关性导出,考虑问题请回到出发点。

    2.同维向量v1,v2,v3,v4,其中v1,v2,v3线性无关,是一个三维向量空间的基,因为三维向量空间内任意4个向量一定线性相关,所以v1~v4线性相关。

    以上逻辑肯定不对的,首先要确定v4在上面的向量空间内才可以,否则的话线性无关。。。如果v是三维向量的话上面的话是正确的,因为隐含了形成的向量空间为,v4一定在内。

    ?

    4.

    秩为1,有三个free variable,所以解是由三个special solution的组合。

    5.

    6.

    rref(A)=左图,所以前两列是相互独立的,主要是前两列所在的面和U的前两列所在的面不同,这和秩什么的都没有关系,就是确定的空间不同。

    c和d在同一个面内

    ?

    7.虽然行秩等于列秩,但是行向量空间和列向量空间却不一定要有什么联系。

    8.

    9.

    [??]10.

    pivot cloumns是线性无关的,pivot rows也是线性无关的,主要是pivot rows是线性无关的,这个该怎么理解

    ?

    11.找出U的行向量空间所在的基:它的基肯定都在两个行向量确定的平面上。因为row1和row2是相互独立的,所以row1,row2是一个基,row1,row2+row1是一个基

    12.special solutions是相互独立的

    这个plane指的就是nullspace,最现成的基就是special solutions

    第二问可以把xy面加到方程组里:0x+0y+z=0;

    第三问就是所有平行于面的法向量的向量构成的向量空间,基应该就是法向量

    ?

    13.

    就比如的二维子空间,可以有好多个,而且每个都对应一个基,并且不同的子空间对应的基是不同的,而[v1 v2 v3 v4]的二维基只有6个,所以无论如何不能对应到这么多子空间上。

    ?

    [??]14.

    15.

    又做一遍,有多少free variable就有多少special solution,special solution是独立的。

    ?

    16.

    17.

    可以认为F3中的向量为(Acosx,Bcos2x,Ccos3x),现在因x=0,向量变成(A,B,C),且满足A+B+C=0;令A,B,C分别为x,y,z,则(A,B,C)形成的向量空间就是[1 1 1]的nullspace,要求的就是其special solutions.

    ?

    18.

    ans:

    注意和17.的区别:17.使用一个函数式说明其向量空间,18.用几个函数式(向量)说明其向量空间。

    ?

    19.

    ans:

    ?

时间: 2024-10-02 17:36:15

第二章 向量空间的相关文章

Machine Learning In Action 第二章学习笔记: kNN算法

本文主要记录<Machine Learning In Action>中第二章的内容.书中以两个具体实例来介绍kNN(k nearest neighbors),分别是: 约会对象预测 手写数字识别 通过“约会对象”功能,基本能够了解到kNN算法的工作原理.“手写数字识别”与“约会对象预测”使用完全一样的算法代码,仅仅是数据集有变化. 约会对象预测 1 约会对象预测功能需求 主人公“张三”喜欢结交新朋友.“系统A”上面注册了很多类似于“张三”的用户,大家都想结交心朋友.“张三”最开始通过自己筛选的

关于《大道至简》第二章的收获

今天阅读了大道至简的第二章,这一章的标题是懒人造就了方法.文章以愚公和李冰作为例子,讲述了好的方法是如何产生的.由此我们可以想到身边的一些例子,假如我们要给一些学生出算数题,题量不大的情况下我们可以直接出题,当要求题量的时候这就是一个大工程了.为此,我们可以写一个简单的软件实现出题的功能.虽然写这个软件会花费一些时间,但是完成之后会省下很大的精力. 我们应该学会将源代码分写在几个文件中,而不是所有的都写在一起,因为都放在一个文件中,到了后期的维护可能会是很大的问题,因此Unit关键字出现了,将一

【网络原理】期末复习笔记 第二章 物理层

第二章 物理层 2.1物理层的基本概念 物理层定义:解决如何在连接各种计算机的传输媒体上传输数据比特流,而不是具体的传输媒体. 物理层的主要任务为:确定与传输媒体的接口的特性 机械特性:接口形状,大小,引线数目 功能特性:电压强度决定信号大小 电器特性 :规定电压范围 过程特性:建立连接时各个相关部件的工作步骤. 2.2 通讯模型(通讯的目的是传递数据) 信息:文字/图片/视频 数据:信息在传输之前需要编码,编码之后的信息就是数据 信号:数据在通信线路上传递需要变成光信号.电信号 码元:时间间隔

深入浅出Zabbix 3.0 -- 第二章 Zabbix Web操作与定义

第二章  Zabbix Web操作与定义 本章介绍Zabbix 中一些基本概念的定义和web前端页面的操作,包括Zabbix中使用的一些术语的定义,Web页面中用户管理.主机和主机组的管理,以及监控项.模板.触发器.告警的管理和操作,还有Graphs.Screens.Maps及Reports等.通过本章的学习掌握一些基本概念并能够通过Web页面的操作完成对Zabbix的管理. 2.1 定义 hosts(主机) Zabbix中需要监控的服务器.交换机及其他设备我们都统一称作host,这些设备与Za

构建之法第二章个人技术和流程

如果说第一章我还有点概念,那么第二章我可以说一窍不通,什么是VSTS,什么是单元测试,什么是回归测试,还是什么是效能分析--好多的新名称,第一次看见,是那么的没有头绪.要不是百度了,仅仅看书,我完全不知VSTS--Visual Studio Team System,是由微软开发的一套具有高生产力.高集成性.可扩展的生命周期开发工具. 2.1.1节图文并茂的告诉我,单元测试重要作用,可能是自己的能力不足,相关知识了解的太少了,一边看还一边想,单元测试怎么写?写在哪里?什么时候写?就算是按照书本上的

Java 第二章 变量 、数据类型和运算符 笔记

Java 第二章 变量 .数据类型和运算符 一.变量:存储数据的一个基本单元. 二.变量的声明和赋值: 1)声明并赋值:数据类型 变量名=值;      例:int  price=1000; 2)声明.赋值分两步:数据类型 变量名;   例: int  price; 变量名=值;              price=1000; 三.数据类型2种: 1)基本数据类型8种: Byte 长度:-128~127(-2的7次方到2的7次方减1) Short   -2的15次方到2的15次方减1 Int

《大道至简》第二章阅读笔记

<大道至简>这本书在第二章中的主要内容是“懒人创造方法”!因为一个勤勤恳恳.老实工作的人是不太可能会懂得创新的,因为他只知道认真仔细的工作,一点一滴.一丝不苟.按部就班的按照上司交给他的内容,因为他认真负责,不容许自己出现一点纰漏.而懒人则不一样了,因为工作量庞大,所以他们自己因为懒惰而各种寻找方法,从而减轻自己的工作量,动脑筋让自己的实际工作量减到最小,而这时就需要开动脑筋,让自己想出一个可行的办法,从而实现自己的目的. 在这本书的第二章开头,还是延续了这本书的惯例,用一个寓言小故事来引入本

大道至简第二章读后感

 读了大道至简第一章的老愚公的故事,我们知道了勤劳的人总会能够完成所有的困难,最终完成自己的任务,完成自己的目标,愚公移山,看似不能完成,但是与共凭借着子又生孙,孙又生子,活生生的完成了这一个不可能完成的任务,但是在旁人眼里看来,又有一些古板,耗时,毕竟动用了不知道多少代子孙的时间,反而观之第二章的李冰,修建都江堰,也需要“移山”,而且山上又全是石头,要是按照愚公的办法,那得修到什么时候才能完工?但是他发现了最终的方法,用火烧石头,然后浇水,石头就会变得酥脆容易挖走,这就是一种智慧. 从某种情况

第二章读后感

第二章讲述了如何搭建Android底层开发的环境,主要包括Android应用程序开发环境.AndroidNDK开发环境和交叉编译环境的搭建. 开发.测试和调试linux驱动.hal程序库需要的工具:jdk6或以上版本.eclipse3.4或以上版本 adt.cdt androidsdk.android ndk.交叉编译环境.linux内核源代码.android源代码.用于调试开发板的串口工具:minicom. 安装jdk:下载压缩包.将其解压.在终端输入命令打开profile文件来设置环境变量.