MIT 线性代数导论 第九讲:四个基本子空间

导读:本篇文章讲解 MIT 线性代数导论 第九讲:四个基本子空间,希望对大家有帮助,欢迎收藏,转发!站点地址:www.bmabk.com

本讲的主要内容:

  • 四种子空间的概念以及维数、基

四种基本子空间

首先了解四种基本子空间是什么:

  • 列空间(column space),简记为

    C

    (

    A

    )

    C(A)

    C(A), 由矩阵的列向量生成的空间

  • 零空间(null space),简记为

    N

    (

    A

    )

    N(A)

    N(A), 方程

    A

    x

    =

    0

    Ax=0

    Ax=0 的解向量生成的空间

  • 行空间(row space),简记为

    C

    (

    A

    T

    )

    C(A^{T})

    C(AT)(注意这里的是矩阵的转置),矩阵的行向量生成的空间

  • 左零空间(the null space of

    A

    T

    A^{T}

    AT),简记为

    N

    (

    A

    T

    )

    N(A^{T})

    N(AT),也就是矩阵转置之后的零空间

接下来讨论这四种子空间所属的空间:
对于一个矩阵

A

A

A

m

×

n

m\times n

m×n)时,结论如下:

  • N

    (

    A

    )

    N(A)

    N(A)属于

    R

    n

    \mathbb{R}^{n}

    Rn

  • C

    (

    A

    )

    C(A)

    C(A) 属于

    R

    m

    \mathbb{R}^{m}

    Rm

  • C

    (

    A

    T

    )

    C(A^{T})

    C(AT)属于

    R

    n

    \mathbb{R}^{n}

    Rn

  • N

    (

    A

    T

    )

    N(A^{T})

    N(AT)属于

    R

    m

    \mathbb{R}^{m}

    Rm

这里注意属于的意思也就是这些空间均是后面空间的子空间。

接下来讨论这几种子空间的维数:
首先来看

C

(

A

)

C(A)

C(A)

N

(

A

)

N(A)

N(A) 列空间和行空间在之前已经进行过讨论,这两个空间的维数的和是矩阵的列空间的数目,也就是

n

n

n:

  • d

    i

    m

     

    C

    (

    A

    )

    =

    r

    dim \space C(A) = r

    dim C(A)=r

  • d

    i

    m

     

    N

    (

    A

    )

    =

    n

    r

    dim \space N(A) = n-r

    dim N(A)=nr

而对与另两个,也就是相当于将矩阵转置之后再进行考虑,因为矩阵的转置不改变矩阵的秩,所以结论如下:

  • d

    i

    m

    C

    (

    A

    T

    )

    =

    r

    dim \enspace C(A^{T}) = r

    dimC(AT)=r

  • d

    i

    m

    N

    (

    A

    T

    )

    =

    m

    r

    dim \enspace N(A^{T}) = m-r

    dimN(AT)=mr

这里还是要理解清楚空间的维数是什么概念(空间的基所含向量的个数),不要搞混了

总结一下上面的两个结论:

R

n

 

{

C

(

A

T

)

d

i

m

=

r

N

(

A

)

d

i

m

=

n

r

\mathbb{R}^{n} \space \left\{\begin{matrix} C(A^{T}) \enspace dim=r\\ N(A) \enspace dim=n-r \end{matrix}\right.

Rn {C(AT)dim=rN(A)dim=nr

R

m

 

{

C

(

A

)

d

i

m

=

r

N

(

A

T

)

d

i

m

=

m

r

\mathbb{R}^{m} \space \left\{\begin{matrix} C(A) \enspace dim=r\\ N(A^{T}) \enspace dim=m-r \end{matrix}\right.

Rm {C(A)dim=rN(AT)dim=mr

注意不要搞混。

这一讲的最后还提到了一个问题,那就是将所有的

3

×

3

3 \times 3

3×3 的矩阵看作向量,由这些 “向量” 生成空间 ,我们可以得到这个空间的一组基为:

(

1

0

0

0

0

0

0

0

0

)

(

0

0

0

0

3

0

0

0

0

)

(

0

0

0

0

0

0

0

0

7

)

\begin{pmatrix} 1 & 0 & 0\\ 0 & 0 & 0\\ 0 & 0 & 0 \end{pmatrix} \begin{pmatrix} 0 & 0 & 0\\ 0 & 3 & 0\\ 0 & 0 & 0 \end{pmatrix} \begin{pmatrix} 0 & 0 & 0\\ 0 & 0 & 0\\ 0 & 0 & 7 \end{pmatrix}

100000000000030000000000007

其实就相当于将我们之前的向量拓展为矩阵,将

R

n

\mathbb{R}^{n}

Rn 延申到

R

n

×

n

\mathbb{R}^{n\times n}

Rn×n,接下来的课程里还会具体讲到。

以上~

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

文章由极客之音整理,本文链接:https://www.bmabk.com/index.php/post/116747.html

(0)
seven_的头像seven_bm

相关推荐

发表回复

登录后才能评论
极客之音——专业性很强的中文编程技术网站,欢迎收藏到浏览器,订阅我们!