线性代数知识汇总

最近在磕 PCA 主成分分析的原理,在理解协方差矩阵的特征向量和特征值部分,对其计算的数学原理的理解上碰到了不少关于线性代数的问题,而在大学时期接触的线性代数到现在都已经忘得七七八八。看到数学算法俱乐部的这篇线性代数总结,非常不错,作为 PCA 原理的基础知识,这里分享一下。后面有空再给大家总结一下个人在学习 PCA 主成分分析的一些理解。

算法数学之美

日期:2019年5月24日

正文共:2295字135图

预计阅读时间:6分钟

来源king110108


1.  线性代数知识图谱


线性代数是代数学的一个分支,主要处理线性关系问题。线性关系意即数学对象之间的关系是以一次形式来表达的。例如,在解析几何里,平面上直线的方程是二元一次方程;空间平面的方程是三元一次方程,而空间直线视为两个平面相交,由两个三元一次方程所组成的方程组来表示。含有 n个未知量的一次方程称为线性方程。变于关量是一次的函数称为线性函数。线性关系问题简称线性问题。解线性方程组的问题是最简单的线性问题。

线性(linear)指量与量之间按比例、成直线的关系,在数学上可以理解为一阶导数为常数的函数

非线性(non-linear)则指不按比例、不成直线的关系,一阶导数不为常数。

行列式非零35aad311-da0b-487b-b72d-5b1934fa3384.svg矩阵可逆35aad311-da0b-487b-b72d-5b1934fa3384.svg方阵满秩35aad311-da0b-487b-b72d-5b1934fa3384.svg向量组满秩(向量个数等于维数)。

738c37ff-1bee-4104-aeb7-fc790d25b210.jpg


2. 行列式


2.1 定义

      矩阵的行列式,determinate(简称det),是基于矩阵所包含的行列数据计算得到的一个标量。是为求解线性方程组而引入的。

2.2 二阶行列式

      计算方式:对角线法则

      c296453f-42c3-4c04-b506-4c90671dd706.png

2.3 三阶行列式

      计算方式:对角线法则

      c2faaa9f-1515-4f82-ae82-88c2a98c156b.png

2.4 n阶行列式

2.4.1 计算排列的逆序数

      e18f160b-c606-4605-8000-eefb09b52731.png   

2.4.2 计算n阶行列式

      69127152-5c4c-45c9-91ec-8ab330b2be0d.png

87bc779c-303b-4006-a4ff-5379362ead65.png

2.4.3 简化计算总结

8d3718dc-94f5-42e3-80c1-a9deff37d5e4.png

305f392f-5a26-42ef-8c8e-e262db4595c7.png

2.4.4 行列式的3种表示方法

c1505f2e-7bcd-4847-ac76-b88888638370.png

2.5 行列式的性质

性质1  行列式与它的转置行列式相等
       
注:行列式中行与列具有同等的地位,行列式的性质凡是对行成立的对列也同样成立.
性质2  互换行列式的两行(列),行列式变号
推论    如果行列式有两行(列)完全相同,则此行列式为零
性质3  行列式的某一行(列)中所有的元素都乘以同一个倍数k,等于用数k乘以此行列式.
推论    行列式的某一行(列)中所有元素的公因子可以提到行列式符号的外面.
性质4  行列式中如果有两行(列)元素成比例,则此行列式为零.
性质5  若行列式的某一列(行)的元素都是两数之和,则等于对应的两个行列式之和.

b42563a3-e87d-43a6-990f-20eeb2e7f95e.png

性质6  把行列式的某一列(行)的各元素乘以同一个倍数然后加到另一列(行)对应的元素上去,行列式不变.

51d87029-953b-4c19-a1e8-316f66d8ded0.png

2.6 计算行列式的方法

     1)利用定义
     2)利用性质把行列式化为上三角形行列式,从而算得行列式的值

c7cd1198-4568-4c33-ba05-0aa72eede28d.png

e99b7baa-616d-4baa-8431-706efeca895b.png

    定理中包含着三个结论:
       1)方程组有解;(解的存在性) 
       2)解是唯一的;(解的唯一性)
       3)解可以由公式(2)给出.

定理4   如果线性方程组(1)的系数行列式不等于零,则该线性方程组一定有解,而且解是唯一的 .
定理4′ 如果线性方程组无解或有两个不同的解,则它的系数行列式必为零.

0bb1f31c-da0d-460d-9572-f1caf822aef0.png

齐次线性方程组的相关定理
定理5   如果齐次线性方程组的系数行列式D不等于0,则齐次线性方程组只有零解,没有非零解.
定理5′ 如果齐次线性方程组有非零解,则它的系数行列式必为零.   

1. 用克拉默法则解线性方程组的两个条件
    1) 方程个数等于未知量个数;
    2) 系数行列式不等于零.
2. 克拉默法则的意义主要在于建立了线性方程组的解和已知的系数以及常数项之间的关系.它主要适用于理论推导.

2.8 行列式按行(列)展开

      对角线法则只适用于二阶与三阶行列式.
      本节主要考虑如何用低阶行列式来表示高阶行列式.

f4454c1d-719c-455f-b5e8-11f467c3a50c.png

14a3b242-4817-4ba6-a1ea-957c20e19f26.png

b02dc9a6-aa4a-415f-bfbb-b86271618b2e.png

2b8ea478-0d66-4822-9af6-03f6a255238d.png


3. 矩阵


3.1 矩阵的定义

86e55e80-cc24-4467-be74-6c6918c1844a.png

3.1.1 矩阵与行列式的区别

937a3fbd-e12e-4e8b-b651-bf4d7771a5a1.png

3.2 特殊矩阵

6716cfe9-7385-4cf2-a16e-f872403474a7.png

4b2e1ced-2331-4138-b9ae-2e26d2719175.png

5567842a-c909-433e-9ab8-98b8124dd257.png

3.3 矩阵与线性变换

340ed9bb-0684-492b-ac0e-8cf2b8da9992.png

7028a0a8-1a17-4dcc-ae29-d4ed29ae02ae.png

5b13e05b-f869-46b2-8f5d-e3e22e39a4c0.png

3.4 矩阵的运算

3.4.1 矩阵的加法

b9ec64b8-9b8e-49c5-87c7-0aed6461fe94.png

行列式与矩阵加法的比较:

02c3d28a-14af-4ffd-a025-4870676b367c.png

3be71d6a-8fa0-478c-b0b6-93a9a13301d5.png

3.4.2 数乘矩阵

76d8a941-2f74-481d-8212-aedd32b94690.png

c273898e-994a-4f43-9b4c-73746f2892cd.png

f277a1ef-0d4e-4691-bb8f-487cf4e9205d.png

3.4.3 矩阵与矩阵相乘

a198ef35-10ac-4c9d-bdde-26a5a5fa6fdf.png

946a809f-985f-4ae9-9adc-f2f27c980994.png

62829e3a-75a7-4189-9eb7-e703293dd891.png

3.4.4 矩阵的转置

4a18e39b-0d48-4ebb-a659-6b9bce09588b.png

9a8849ed-d2c9-409c-b8de-51833547aa5a.png

反对称矩阵(skew symmetric matrix)

3e0e838f-edb3-40df-aca2-985e55368567.png

3.4.5 方阵的行列式

ed46874a-0315-449b-b9e2-63b05b5fe59b.png

3.4.6 伴随矩阵

0a89d622-ee87-498a-b384-8287aa824bc2.png

3.4.7 共轭矩阵

ec2b4b26-99e4-4424-a641-0195361a9fab.png

3.5 可逆矩阵(或称非奇异矩阵)

4ccff5fb-aa53-47d1-a2f0-aa346486b44c.png

193690e3-d6f9-4555-869b-a77d2c3c7c3a.png

98e7ba79-996f-4e9b-a768-b214aef52189.png

12279e5b-6d33-4f51-a50d-b895ece84d83.png

3.6 矩阵分块法

7a7941c6-8311-4809-95ce-28d1adaa5806.png

2eac3c41-dae4-4849-b5a4-0dd5508088fc.png

ae8564f0-a063-49d2-9581-fa93f6c9eb2d.png

3ae98dc7-37bc-49cf-ac5c-966f97fd1151.png

0e94e348-fdb9-4ea7-b02c-4fd0ea12a77e.png

分块矩阵不仅形式上进行转置,而且每一个子块也进行转置.

462327cc-ad73-4bf6-994c-09631543680b.png

2f94dc06-702c-482c-a389-88f99173bc9a.png

3f942112-c10f-402c-988e-5ce1dd8d5353.png


4. 矩阵的初等变换与线性方程组


4.1 矩阵的初等变换

9a4fb1ec-f36c-4965-a9d9-99569fe2930b.png

010fc567-7c5b-4221-92fe-ce32ee70990a.png

d788b6a1-16e3-4246-aab8-6a93760e6fbf.png

4.2 矩阵之间的等价关系

e3870204-30a6-4887-b0f2-ebff04958402.png

70ce7c06-f68f-4100-9648-5f57c8409f2f.png

b34177f9-6033-4139-8a2a-cd4584a30b69.png

cc7be2f2-91d0-4d2e-a7e7-93d141afc560.png

d88c2a17-0e51-428f-ab00-f085887a9451.png

4.3 初等变换与矩阵乘法的关系

45880d7a-8aed-4a42-a80d-62fca6532fc3.png

773c10d1-a96f-4801-87a4-acda5453dec5.png

647ff252-8092-4302-8706-e54426936a71.png

1b817467-4c7a-4e13-8969-d2c3e80b3dbe.png

4.4 矩阵的秩

50ebda7b-f0ca-46d9-b2d4-456e75d067c9.png

de0e863c-741b-479f-8908-3426185f70cf.png

e0054ef2-2524-406a-badf-dff426c597d7.png

41358626-b3e9-4b77-8208-2d76b75ece7d.png

393b71b1-7640-47b3-b4d6-fbc0214bcd01.png

d3b6f7de-3732-43b3-b521-71209837a5d6.png

4.5 线性方程组的多解

e7d0e213-8436-4187-843b-b38eae90ecee.png

2cccc891-c712-457f-948f-6e6296f1f046.png

4183fc94-c11a-48fa-9745-3b007e93fe97.png

62046ba0-5336-4338-b9c4-249ac563a7e3.png


5. 向量组的线性相关性


5.1 向量组及其线性组合

1d10d9f6-1219-4494-b64b-784fe9c1e196.png

aeba8e5a-08af-480f-878e-8a95e4b190e3.png

f081409e-9c0a-4bb5-bc8c-59b69a9ca929.png

88e40dfb-7074-450d-8ff6-bb2fd18d50d4.png

b244a5d0-079f-436e-aa77-06dd96f21c3a.png

8893b7d5-de06-4277-9c9c-92a04a483773.png

d0d5fbdb-371c-44c3-96e7-b1f5430d93b3.png

70ad3828-a137-46d4-b01d-4f40735dbe99.png


f6e312ea-fe0b-46fb-a234-162184b6ec62.png

5.2 向量组的线性相关性

6f604924-7479-41a9-812f-d41436b38714.png

7494c32c-a941-4537-b38a-56b8e4ec5964.png

272c96a0-541b-49fa-b87b-375727913621.png

5.3 向量组的秩

1ef817c3-a701-4576-b191-e25b93a63686.png

0081c4bb-636b-4552-b5ce-383e82c7eb9f.png

结论:矩阵的最高阶非零子式一般不是唯一的,但矩阵的秩是唯一的.

ebe13ec0-de00-4b2b-b318-86a86f708c6c.png

83fe430b-49e2-4cc2-8688-1d75a5f6458e.png

dbf714b3-a6c4-404a-9b75-c711287a15fc.png

afbe443e-8535-44f8-9084-924f1bbc2d47.png

5.4 线性方程组的解的结构

问题:什么是线性方程组的解的结构?
答:所谓线性方程组的解的结构,就是当线性方程组有无限多个解时,解与解之间的相互关系.

备注:
   1)当方程组存在唯一解时,无须讨论解的结构.
   2)下面的讨论都是假设线性方程组有解.

5687ff58-cf84-4422-a1b7-bbfed6fa495b.png

30218836-0953-429d-86fd-389226ecdccd.png

deb47ab4-9577-4635-aeef-002916796152.png

8ff88513-61d3-493b-b591-0caabdf1ed62.png

5db2ea0f-1805-4575-ba8b-065b27406338.png

5.5 向量空间

5.5.1 封闭的概念

         定义:所谓封闭,是指集合中任意两个元素作某一运算得到的结果仍属于该集合.

5.5.2 向量空间的概念

         定义:设 V 是 n 维向量的集合,如果
         ① 集合 V 非空,
         ② 集合 V 对于向量的加法和乘数两种运算封闭,
             具体地说,就是:
             若 a ∈ V, b ∈ V,则a + b ∈ V .(对加法封闭)
             若 a ∈ V, l ∈ R,则 l a ∈ V .(对乘数封闭)
             那么就称集合 V 为向量空间.

5.5.3 子空间的概念

         定义:如果向量空间 V 的非空子集合 V1 对于 V 中所定义的加法及乘数两种运算是封闭的,则称 V1 是 V 的子空间.

5.5.4 向量空间的基的概念

f247dc07-6595-46d7-811c-59bdfe8370c0.png


15fbd57c-036f-4960-a7f5-470e498b4301.png


6. 相似矩阵及二次型


6.1  向量的内积、长度及正交性

6.1.1 向量的内积

ab14c95b-967b-42aa-b5fd-0879d1ebc61e.png

0fce8c96-f92e-4d2b-9c7d-2bef11cece03.png

6.1.2 向量的长度或范数

单位向量:长度为1的向量。

bd04561b-af4e-4c66-8729-ddbd9984126b.png

6.1.3 向量的正交性

向量正交:向量内积为0。

7c2eedfd-c25b-4c3d-b2de-b97b58e14a0d.png

2a96a2ba-bd3c-4ddd-9ca7-71499686ab82.png

75e16082-e6e8-4030-85c6-ebcc7cee51a6.png

a587fb43-0b0a-4e4c-a61d-610c2e5b3159.png

23d740e9-94c2-4e2e-9519-b6bdea50d27c.png

6.1.4 正交矩阵或正交阵

8c35712c-c19a-4529-9ae5-8c26ac34da66.png

6.1.5 正交矩阵的性质

c42a516d-e407-4bc1-9327-7818dfc3cea9.png

6.2 方阵的特征值与特征向量

b0930925-2694-4064-8df7-54ba6122c106.png

fea748d3-7996-414f-886c-378394378d52.png

a9fbb697-489a-402d-b202-26fcfd7c0372.png

1f51351b-91fb-4d12-8c54-309055ea4266.png

6fce40a0-2a7d-495a-b59f-5638547275c6.png

6.2.1  正定矩阵/半正定矩阵

1)矩阵半正定当且仅当它的每个特征值大于等于零(>=0)。

2)矩阵正定当且仅当它的每个特征值都大于零(>0)。

6.3 相似矩阵

13a92202-ddea-410b-b8ae-bf82df2b2704.png

3ed05321-e096-423f-8b05-5d33a9c3f52e.png

6.4 对称矩阵的对角化

fa94f335-ec08-474c-936e-a87b800e33e5.png

38147901-204d-4363-86e9-141adf2d5e3e.png

4d8b33c3-c9a9-4d30-b3d4-542dd7546698.png

30d06579-40f7-41ba-a24f-1fae557ecb0f.png

4dd0986b-f861-492c-ad9a-887518d04c93.png

bfed869d-a888-4a3f-8a58-4d800dc0e827.png

f47c4d5a-40a2-4136-886f-79e73bdd45f2.png

6.5 二次型及其它标准型

      11485cca-5953-4174-b287-fe1ad29c02bc.png

874721d3-d61e-4c88-99d1-4713d5d3437e.png

1da67803-1bb2-403a-b125-53e8dd387048.png


a15c2b0f-188e-478b-8c3c-10be82260eec.png

b8673b79-fd1d-4600-9f68-94ab1168187b.png

52d09681-1152-4561-bf81-36ace1db12f5.png

5c9ef8b8-50e5-4157-8a5c-72edaecc0452.png

9946fade-e278-4271-a139-ca7acf3c1135.png


-- End --


63b7fa35-eacf-4362-a592-eff41ba36b58.png

本文分享自微信公众号 - 生信科技爱好者(bioitee)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

posted @ 2020-06-25 07:30  章鱼猫先生  阅读(297)  评论(0编辑  收藏  举报