文章目录
1.01方程组的几何解释
对于二元方程组：row picture
方程转化为矩阵 * 向量 = 向量的形式，并且二维三维可以用图像几何表示出来（解析几何）
用column picture进行表示（线性组合）：
x [ 2 − 1 ] + y [ − 1 2 ] = [ 0 3 ] x\begin{bmatrix}2 \\ -1 \\ \end{bmatrix}+y\begin{bmatrix}-1 \\ 2 \\ \end{bmatrix}= \begin{bmatrix}0 \\ 3 \\ \end{bmatrix} \\ x[2−1]+y[−12]=[03]
x=1,y=2，上述是用向量的角度进行求解。
任意两个不共线的非零向量能够表示平面中的任意向量
对于三元方程组：row picture
column picture（向量表示）：
x=0,y=0,z=1
A x = b Ax=b Ax=b
是否对于任意b都有上式可解 = 列的线性组合是否能覆盖整个三维（n维）空间
非奇异矩阵/可逆矩阵可达到上面的要求（可逆矩阵被称为非奇异矩阵，因为可逆矩阵的行列式不为0，在数学中如果一个矩阵的行列式为0，则称这个矩阵为奇异矩阵。）
是3个向量都处于同一平面，即维度减一，所以涉及第三维度的向量b无法构造。
对于n个向量也是如果最后消解只有n-1维那也无解（一种平面只能覆盖n维空间的某n-1维平面，最后的求解也只能在这n-1维平面展开）。
方程组的矩阵形式：
A x = b ( A x 看做 A 各列的线性组合 ) Ax=b(Ax看做A各列的线性组合) Ax=b(Ax看做A各列的线性组合)
2.02矩阵消元
x + 2 y + z = 2 3 x + 8 y + z = 12 4 y + z = 2 A = [ 1 2 1 3 8 1 0 4 1 ] x+2y+z=2\\ 3x+8y+z=12\\ 4y+z=2\\ A=\begin{bmatrix}1 & 2 & 1 \\3 & 8 & 1 \\0 & 4 &1 \end{bmatrix} x+2y+z=23x+8y+z=124y+z=2A= 130284111
消元
增广矩阵：Ab
回代（也就是加入b进行求解）
方程从上往下消元，从下往上回代求解
消元矩阵：
由上式可知，我们把左边的矩阵（初等矩阵）当成3个1*3的行向量，右边的结果的第一行=左边第一行的第一个数 * 中间第一行 + 左边第一行的第二个数 * 中间第二行 + 左边第一行的第三个数 *中间第三行，所以结果为：1,0,0，以此类推第二行为-3,1,0（-3 * 中间第一行+1 * 中间第二行），第三行为0,0,1
E 21 表示初等矩阵第二行第一个位置发生了变换：变为 0 E_{21}表示初等矩阵第二行第一个位置发生了变换：变为0 E21表示初等矩阵第二行第一个位置发生了变换：变为0
E 32 ( E 21 A ) = U 相当于 ( E 32 E 21 ) A = U 结合律 E_{32}(E_{21}A)=U \\ 相当于(E_{32}E_{21})A=U\\结合律 E32(E21A)=U相当于(E32E21)A=U结合律
置换矩阵P
行变换左乘，列变换右乘
矩阵中基本没有交换律
逆矩阵：从U变回A
我们要取消这次消元，我们就希望E'EA=A，所以让E'E等于单位矩阵即可，E'是逆矩阵
变换后的矩阵EA，如何变回A？以行变换为例（左侧乘），就是找一个矩阵X使得XEA为A，此时若XE为单位阵，则XEA为A
E − 1 E = I E^{-1}E=I E−1E=I
3.03乘法和逆矩阵
乘法
方法一：行与列之间的点积
C 34 = ( r o w 3 o f A ) ⋅ ( c o l u m n 4 o f B ) C_{34}=(row3ofA) ·(column4ofB) C34=(row3ofA)⋅(column4ofB)
A是m * n，B是n * P，C=AB大小为m * P
方法二：把B看做是P个单独的列向量，像上一节课一样对每个列向量单独乘积最后再合并：
方法三：把A看做m个单独的行向量，向上节课一样对每个行向量单独乘积最后再合并：
方法四：A中的列 * B中的行
矩阵分块：把每个块都看成单独的元素运用方法一就得到下图
逆
逆矩阵（非奇异矩阵） * 原矩阵 = I（单位矩阵）
奇异矩阵（非逆）可以找到一个向量x 使得Ax=0，也就是A中的向量组共面
Ax=0 有非零解，说明A中有的列没有贡献，所以不可逆
反证法：逆乘原得到单位矩阵，单位矩阵乘任一矩阵得原矩阵，所以得到X=0，但是X≠0，所以不成立
如何求逆矩阵：对于下列矩阵本质上就求两个二元一次方程组
同时求解两个方程：增广矩阵形式
高斯-若尔当消元法：
原理可理解为，假定有B矩阵，BA=I，那么右乘A逆得BI=A逆，如此可以得到逆矩阵
相当于对AI同时乘以A逆，得到I和A逆
A I = = > A ∗ A ′ I A ′ = = > I A ′ AI==>A*A^{\prime}I{\,}A^{\prime}==>IA^{\prime} AI==>A∗A′IA′==>IA′
4.04矩阵A的LU分解
两矩阵相乘，且它们的逆均已知，那么AB的逆是什么 B − 1 A − 1 B^{-1} A^{-1} B−1A−1
A转置乘以A逆的转置等于单位E,定理A转置乘以A转置的逆等于单位E，所以A逆转置等于A转置的逆
如果还是不明白，因为我们已经知道A * A逆=A逆 * A=E，所以下面那个式子还可以写成，A转置的逆*A的转置=E，逆矩阵又是唯一的，所以A逆的转置=A转置的逆
这个由"行"组成的系数矩阵的每一行应该和之前A-1代表的系数矩阵的"列"相对应，因此就是（A-1）T*AT
将原本的A*A-1=I中左侧的A中的所有列看作用于线性组合的列向量，A-1中的每一列代表每次线性组合的系数组成
A A − 1 = I ( A − 1 ) T A T = I ( A − 1 ) T = ( A T ) − 1 AA^{-1}=I\\ (A^{-1})^TA^T=I\\ (A^{-1})^T=(A^{T})^{-1} AA−1=I(A−1)TAT=I(A−1)T=(AT)−1
把-4倍的第一行和1倍的第二行相加，放到第二行
E 21 = [ 1 0 − 4 1 ] E_{21}=\begin{bmatrix}1 & 0 \\-4 & 1 \end{bmatrix} E21=[1−401]
L = E 21 − 1 L=E_{21}^{-1} L=E21−1
E 32 E 31 E 21 A = U ( n o r o w e x c h a n g e ) A = E 21 − 1 E 31 − 1 E 32 − 1 U E_{32}E_{31}E_{21}A=U(no{\,\,} row{\,}exchange)\\ A=E_{21}^{-1}E_{31}^{-1}E_{32}^{-1}U E32E31E21A=U(norowexchange)A=E21−1E31−1E32−1U
1 0 0 2 1 0 0 5 1 \] = L ( l e f t o f U ) E A = U A = L U \\begin{bmatrix}1 \&0 \& 0\\\\2 \& 1\&0\\\\0\&5\&1 \\end{bmatrix}=L(left{\\,}of{\\,}U)\\\\ EA=U A=LU 120015001 =L(leftofU)EA=UA=LU 原因：然而L是恢复为original矩阵的逆过程，也就是从下向上处理的，同样使用较上的行来处理较下的行，然而自下而上不会更改较上的行。 原因：E是从上向下处理的，使用较上的行来处理较下的行，然而较上的行不一定是original的，有可能是经过处理修改的。 1. L中的矩阵相乘的顺序很好，从左往右从上往下 2. 初等矩阵都是单位阵来的，对角线都是1  类似于时间复杂度如果n=100，对于n \* n的矩阵A需要进行多少次操作（每个元素一次乘法+一次减法进行小消元）变成下三角矩阵？ 首先把矩阵留下第一行第一列的主元，第n行第一列为0，需要大约100\^2次运算 同理，把矩阵留下第二行第二列的主元，第n行第二列为0，需要大约99\^2次运算... 总操作数是:大约是 1 / 3 ∗ n 3 1/3\*n\^3 1/3∗n3的总操作次数 a l l o p r a t i o n s = n 2 + ( n − 1 ) 2 + . . . 1 2 = n （ n + 1 ）（ 2 n + 1 ） / 6 all{\\,}oprations=n\^2+(n-1)\^2+...1\^2=n（n+1）（2n+1）/6 alloprations=n2+(n−1)2+...12=n（n+1）（2n+1）/6  对于增广矩阵右侧的b，需要n\^2次操作次数 n \* n的矩阵有 n ! n! n!种置换矩阵 P − 1 = P T P\^{-1}=P\^{T} P−1=PT  ## 5.05转置，置换，向量空间 ### 置换 permutations P：execute row exchanges A=LU的分解其实就是L是A行变换的过程U是行变换的结果 如果要进行 行变换A=LU 就要变成PA=LU 置换矩阵是行重新排列了的单位矩阵 n \* n的矩阵有n!种置换矩阵，就是各行重新排列后所有可能的数目 P都是可逆的，并且满足以下式子 P − 1 = P T P T P = I P\^{-1}=P\^{T}\\\\ P\^{T}P=I P−1=PTPTP=I  ### 转置 R\^TR 得出来的矩阵都是对称的  ( R T R ) T = R T R T T = R T R (R\^TR)\^T=R\^{T}R\^{TT}=R\^TR (RTR)T=RTRTT=RTR ### 向量空间  向量空间对数乘和加法两种运算（线性组合）是封闭的 子空间内必须包含0向量 二维空间的子空间是过原点的一条直线   这一讲的核心思想是，通过某些向量构成一个向量组成的空间如果这些空间属于R3，那么它们构成的空间也在R3内，关键是，对其进行线性组合后仍然在子空间内 子空间：过原点、点（1，2，4）、点（3，3，1）的平面 如何构造矩阵列空间：取出每一列，线性组合，所有的线性组合就能构成列空间 ## 6.06列空间和零空间 子空间S和T的交集是一个子空间 交集必含有零向量，线与线的交集是原点，线与面的交集要么是原点要么是线本身，面与面的交集要么是一条过原点的线要么是面本身 S和T的交集取向量v和w，则v,w既属于S也属于T，而S,T中的v,w是满足"加和数乘"规则的    三个列向量的线性组合无法充满整个四维空间 那么理解：四维空间里的三个向量最多只能组成四维空间里的三维空间，而要让B有解，就必须充满四维空间才行，因为B是四维空间里任意一个向量 问题：什么b让方程组有解：Ax=b 只有b是各列的线性组合时，Ax=b才有解  对于A，去掉某一列得到同样的列空间：去掉列三，因为列一和列二的线性组合能得到列三，也就是说列三没有贡献，列一列二为主列。（同理也可以去掉列一） A的零空间是指是的Ax=0成立的向量空间   C ( A ) i n R 4 ， x = \[ x 1 x 2 x 3 \] i n R 3 C(A) in R\^4， x=\\begin{bmatrix}x_1 \\\\ x_2\\\\x_3 \\end{bmatrix}in R\^3 C(A)inR4，x= x1x2x3 inR3  Ax=0包括 c \[ 1 1 − 1 \] c\\begin{bmatrix}1 \\\\ 1 \\\\-1 \\end{bmatrix} c 11−1 的一条直线  如果b不为零，Ax=b中x的解不构成子空间（0不是解），它是不过原点的一条直线。这条直线是 \[c+1, c, -c\]，过(1,0,0)  ## 7.07求解Ax=0：主变量，特解