第五节 转置、置换和空间
第五节 转置、置换和空间
置换
前三节消元法涉及到的矩阵都是非常巧妙的矩阵,因为在消元过程中它们的的主元都是非零的。如果主元为零,在第二节也提到解决方法,那就是行变换,因此\(LU\)分解由\(A=LU\)变成\(PA=LU\),\(P\)就是对\(A\)进行行变换的置换矩阵
如果在消元过程中进行“行变换”,那就又会出现一堆\(E\),变成类似\(EEEPEA=LU\)的形式,所以不建议在消元过程中进行“行交换”,要事先预测哪些行会出现主元为零的情况,先进行“行交换”得到\({A\mathop{{}}\nolimits^{{*}}}\),变成\({PA=A\mathop{{}}\nolimits^{{*}}=LU}\)的形式
置换矩阵\(P\)是行重新排列了的单位矩阵
比如:
\({\begin{array}{*{20}{l}} {{ \left[ {{\left. \begin{array}{*{20}{l}} {1\text{ }\text{ }0\text{ }\text{ }0\text{ }\text{ }0}\\ {0\text{ }\text{ }1\text{ }\text{ }0\text{ }\text{ }0}\\ {0\text{ }\text{ }0\text{ }\text{ }0\text{ }\text{ }1}\\ {0\text{ }\text{ }0\text{ }\text{ }1\text{ }\text{ }0} \end{array} \right] }}\right. }{ \left[ {{\left. \begin{array}{*{20}{l}} {1\text{ }\text{ }2\text{ }\text{ }3\text{ }\text{ }4}\\ {4\text{ }\text{ }5\text{ }\text{ }6\text{ }\text{ }7}\\ {0\text{ }\text{ }0\text{ }\text{ }0\text{ }\text{ }0}\\ {5\text{ }\text{ }6\text{ }\text{ }7\text{ }\text{ }7} \end{array} \right] }}\right. }={ \left[ {{\left. \begin{array}{*{20}{l}} {1\text{ }\text{ }2\text{ }\text{ }3\text{ }\text{ }4}\\ {4\text{ }\text{ }5\text{ }\text{ }6\text{ }\text{ }7}\\ {5\text{ }\text{ }6\text{ }\text{ }7\text{ }\text{ }7}\\ {0\text{ }\text{ }0\text{ }\text{ }0\text{ }\text{ }0} \end{array} \right] }}\right. }}\\ {\text{ }\text{ }\text{ }\text{ }\text{ }\text{ }\text{ }\text{ }\text{ }P\text{ }\text{ }\text{ }\text{ }\text{ }A\text{ }\text{ }\text{ }\text{ }\text{ }\text{ }\text{ }\text{ }=\text{ }\text{ }\text{ }A\mathop{{}}\nolimits^{{*}}} \end{array}}\)
转置
转置的数学表达式为:\({ \left( A\mathop{{}}\nolimits^{{T}} \left) \mathop{{}}\nolimits_{{ij}}=A\mathop{{}}\nolimits_{{ji}}\right. \right. }\)
若矩阵\(A\)为对称矩阵(关于主对角线对称),那么\({A\mathop{{}}\nolimits^{{T}}=A}\)
矩阵乘积的转置:\({ \left( AB \left) \mathop{{}}\nolimits^{{T}}=B\mathop{{}}\nolimits^{{T}}A\mathop{{}}\nolimits^{{T}}\right. \right. }\)
给定一个矩阵\(R\),\(R\)可以不是方阵,那么\({R\mathop{{}}\nolimits^{{T}}R}\)一定是方阵,证明如下:
\({ \left( R\mathop{{}}\nolimits^{{T}}R \left) \mathop{{}}\nolimits^{{T}}=R\mathop{{}}\nolimits^{{T}} \left( R\mathop{{}}\nolimits^{{T}} \left) \mathop{{}}\nolimits^{{T}}=R\mathop{{}}\nolimits^{{T}}R\right. \right. \right. \right. }\)
向量空间
-
向量可以进行线性计算,即加(\(v+w\))和数乘(\(3v\)),得到向量的线性组合。向量空间的线性运算封闭,即空间中的向量进行线性运算后得到的向量仍在空间内
比如\({R\mathop{{}}\nolimits^{{2}}}\)表示有两个分量的向量空间,是所有二维向量的集合,例如\({ \left[ {{\left. \begin{array}{*{20}{l}} {3}\\ {2} \end{array} \right] }}\right. }{,{ \left[ {{\left. \begin{array}{*{20}{l}} {0}\\ {0} \end{array} \right] }}\right. }},{ \left[ {{\left. \begin{array}{*{20}{l}} { \pi }\\ {e} \end{array} \right] }}\right. }\text{ ……}\)
-
向量\({ \left[ {{\left. \begin{array}{*{20}{l}} {a}\\ {b} \end{array} \right] }}\right. }\)的图像是从原点出发指向\((a,b)\)的箭头,其中第一分量\(a\)为横纵坐标,第二分量\(b\)为纵轴坐标,空间\({R\mathop{{}}\nolimits^{{2}}}\)的图像为整个\(x-y\)平面
-
所有向量空间必须包含\(0\),因为向量空间要满足空间内的向量乘以任何数后的向量也在空间内,任何向量乘以\(0\)还是\(0\),所以零向量必须在向量空间内
-
判断区域是否为向量空间:向量通过线性运算后还在空间内,这个空间就是向量空间
反例:二维空间的第一象限不是向量空间,因为第一象限中的向量乘以负值(即反向延伸)后的向量不在第一象限
子空间
- 包含在向量空间内的向量空间称为原向量空间的子空间,故子空间也必须包含零向量
例:- \({R\mathop{{}}\nolimits^{{2}}}\)的子空间包括:
- \({R\mathop{{}}\nolimits^{{2}}}\)空间本身
- 过原点的一条直线
- 零向量
- \({R\mathop{{}}\nolimits^{{3}}}\)的子空间包括:
- \({R\mathop{{}}\nolimits^{{3}}}\)空间本身
- 过原点的一个平面
- 过原点的一条直线
- 零向量
- \({R\mathop{{}}\nolimits^{{2}}}\)的子空间包括:
列空间
对于矩阵\(A\),它的列向量属于\({R\mathop{{}}\nolimits^{{3}}}\)空间,这些列向量之间的线性组合张成了\({R\mathop{{}}\nolimits^{{3}}}\)空间的一个子空间,即矩阵\(A\)的列空间\(C(A)\)
如果\({A={ \left[ {{\left. \begin{array}{*{20}{l}} {1\text{ }\text{ }3}\\ {2\text{ }\text{ }3}\\ {4\text{ }\text{ }1} \end{array} \right] }}\right. }}\),则\(A\)的列空间是\({R\mathop{{}}\nolimits^{{3}}}\)空间在包含向量\({ \left[ {{\left. \begin{array}{*{20}{l}} {1}\\ {2}\\ {4} \end{array} \right] }}\right. }\)、\({ \left[ {{\left. \begin{array}{*{20}{l}} {3}\\ {3}\\ {1} \end{array} \right] }}\right. }\)和两个向量之间所以线性组合,且过原点的平面