hi@zxh
_

线性代数笔记

Dec 22, 2018 · 13 min · math

MIT 18.06 / Stanford CS229 (Linear Algebra 部分)

1.矩阵乘法

1.1 向量 x 向量

  1. 有向量 x,yRnx,y \in R^nxTyx^Ty 被称为向量内积(Inner Product)点积(Dot Product),结果为一个实数。

    xTyRn=[x1x2...xn][y1y2yn]=i=1nxiyix^Ty \in R^n = \left[ \begin{matrix} x_1 & x_2 & ... & x_n \end{matrix} \right] \left[ \begin{matrix} y_1 \\ y_2 \\ \vdots \\ y_n \end{matrix} \right] = \sum_{i=1}^n x_i y_i

    注:xTy=yTxx^Ty = y^Tx 始终成立。

  2. 有向量 xRn,yRmx \in R^n, y \in R^mxyTRm×nxy^T \in R^{m \times n} 被称为向量外积(Outer Product),结果为一个矩阵,其中 (xyT)ij=xiyi(xy^T)_{ij} = x_i y_i

    xyTRm×n=[x1x2...xm][y1y2...yn]=[x1y1x1y2x1ynx2y1x2y2x2ynxmy1xmy2xmyn]xy^T \in R^{m \times n} = \left[ \begin{matrix} x_1 \\ x_2 \\ ... \\ x_m \end{matrix} \right] \left[ \begin{matrix} y_1 & y_2 & ... & y_n \end{matrix} \right] = \left[ \begin{matrix} x_1y_1 & x_1y_2 & \cdots & x_1y_n \\ x_2y_1 & x_2y_2 & \cdots & x_2y_n \\ \vdots & \vdots & \ddots & \vdots \\ x_my_1 & x_my_2 & \cdots & x_my_n \end{matrix} \right]

1.2 矩阵 x 向量

有矩阵 ARm×nA \in R^{m \times n},向量 xRnx \in R^n,它们的积是一个向量 AxRmAx \in R^m。有两种理解矩阵与向量的乘法的方式:

  1. 行列内积

    如果按行写 AA,可以把 AxAx 表示为:

    y=Ax=[a1Ta2TamT]x=[a1Txa2TxamTx]y = Ax = \left[ \begin{matrix} - & a_1^T & - \\ - & a_2^T & - \\ & \vdots & \\ - & a_m^T & - \end{matrix} \right]x = \left[ \begin{matrix} a_1^Tx \\ a_2^Tx \\ \vdots \\ a_m^Tx \end{matrix} \right]

    可以看出 yy 的第 ii 行是 AA 的第 ii 行和 xx 的内积,即 yi=aiTxy_i = a_i^T x

  2. 整列相乘

    AA 按列表示:

    y=Ax=[a1a2an][x1x2xn]=[a1]x1+[a2]x2++[an]xny = Ax = \left[ \begin{matrix} | & | & & | \\ a_1 & a_2 & \cdots & a_n \\ | & | & & | \end{matrix} \right] \left[ \begin{matrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{matrix} \right] = [ a^1 ] x_1 + [ a^2 ] x_2 + \cdots + [ a^n ] x_n

    可以看到,yyAA 的列的线性组合,其中线性组合的系数由 xx 的元素给出。

也可以在左侧乘以行向量,写为 yT=xTAy^T = x^T A,其中 ARm×n,xRm,yRnA \in R^{m \times n}, x \in R^m, y \in R^n。也有两种理解方式:

  1. AA 按列表示:

    yT=xTA=xT[a1a2an]=[xTa1xTa2xTan]y^T = x^T A = x^T \left[ \begin{matrix} | & | & & | \\ a_1 & a_2 & \cdots & a_n \\ | & | & & | \end{matrix} \right] = \left[ \begin{matrix} x^T a^1 & x^T a^2 & \cdots & x^T a^n \end{matrix} \right]

    可以看出 yTy^T 的第 ii 个元素为 xxAA 的第 ii 列的内积。

  2. 整行相乘

    AA 按行表示:

    yT=xTA=[x1x2xn][a1Ta2TamT]=x1[a1T]+x2[a2T]++xn[anT]y^T = x^T A = \left[ \begin{matrix} x_1 & x_2 & \cdots & x_n \end{matrix} \right] \left[ \begin{matrix} - a_1^T - \\ - a_2^T - \\ \vdots \\ - a_m^T - \end{matrix} \right] = x_1 [- a_1^T -] + x_2 [- a_2^T -] + \cdots + x_n [- a_n^T -]

    可以看出 yTy^TAA 的行的线性组合,其中线性组合的系数由 xx 的元素给出。

1.3 矩阵 x 矩阵

两个矩阵相乘,其中 ARm×n,BRn×pA \in R^{m \times n}, B \in R^{n \times p}AA 的总列数必须与 BB 的总行数相等),则:

C=ABRm×pC = AB \in R^{m \times p}

其中 Cij=rowi×columnj=k=1nAikBkjC_{ij} = \text{row}_i \times \text{column}_j = \sum_{k=1}^n A_{ik}B_{kj}

  1. 行列内积

    显然,CijC_{ij} 等于 AA 的第 ii 行和 BB 的第 jj 列的内积:

    C=AB=[a1Ta2TamT][b1b2bp]=[a1Tb1a1Tb2a1Tbpa2Tb1a2Tb2a2TbpamTb1amTb2amTbp]C = AB = \left[ \begin{matrix} - & a_1^T & - \\ - & a_2^T & - \\ & \vdots & \\ - & a_m^T & - \end{matrix} \right] \left[ \begin{matrix} | & | & & | \\ b_1 & b_2 & \cdots & b_p \\ | & | & & | \end{matrix} \right] = \left[ \begin{matrix} a_1^Tb_1 & a_1^Tb_2 & \cdots & a_1^Tb_p \\ a_2^Tb_1 & a_2^Tb_2 & \cdots & a_2^Tb_p \\ \vdots & \vdots & \ddots & \vdots \\ a_m^Tb_1 & a_m^Tb_2 & \cdots & a_m^Tb_p \end{matrix} \right]
  2. 列乘以行

    用列表示 AA,用行表示 BB,这时 CijC_{ij} 等于 AA 的第 ii 列和 BB 的第 jj 行的外积的和:

    C=AB=[a1a2an][b1Tb2TbnT]=i=1naibiTC = AB = \left[ \begin{matrix} | & | & & | \\ a_1 & a_2 & \cdots & a_n \\ | & | & & | \end{matrix} \right] \left[ \begin{matrix} - & b_1^T & - \\ - & b_2^T & - \\ & \vdots & \\ - & b_n^T & - \end{matrix} \right] = \sum_{i=1}^n a_ib_i^T

    这种情况下,aiRma_i \in R^mbiRpb_i \in R^p,外积 aibiTa_ib_i^T 的维度是 m×pm \times p,与 CC 的维度一致。

    如:

    [273849][1600]=[234][16]+[789][00]=[212318424]\left[ \begin{matrix} 2 & 7 \\ 3 & 8 \\ 4 & 9 \end{matrix} \right] \left[ \begin{matrix} 1 & 6 \\ 0 & 0 \end{matrix} \right] = \left[ \begin{matrix} 2 \\ 3 \\ 4 \end{matrix} \right] \left[ \begin{matrix} 1 & 6 \end{matrix} \right] + \left[ \begin{matrix} 7 \\ 8 \\ 9 \end{matrix} \right] \left[ \begin{matrix} 0 & 0 \end{matrix} \right] = \left[ \begin{matrix} 2 & 12 \\ 3 & 18 \\ 4 & 24 \end{matrix} \right]

    每一次都是用列向量与行向量相乘得到一个矩阵,每次得到的矩阵都有特点。如:

    [234][16]=[212318424]\begin{bmatrix} 2 \\ 3 \\ 4 \end{bmatrix} \begin{bmatrix} 1 & 6 \end{bmatrix} = \begin{bmatrix} 2 & 12 \\ 3 & 18 \\ 4 & 24 \end{bmatrix}

    矩阵 [212318424]\begin{bmatrix} 2 & 12 \\ 3 & 18 \\ 4 & 24 \end{bmatrix} 每一列都和向量 [234]\begin{bmatrix} 2 \\ 3 \\ 4 \end{bmatrix} 同向,即列向量都在 [234]\begin{bmatrix} 2 \\ 3 \\ 4 \end{bmatrix} 这条直线上,列空间是一条直线。同理,行向量都在 [16]\begin{bmatrix} 1 & 6 \end{bmatrix} 这条直线上,行空间(矩阵行所有可能的线性组合)是一条直线。

  3. 整列相乘

    BB 用列表示,则可以将 CC 的列视为 AABB 的列的矩阵向量积(1.2 节):

    C=AB=A[b1b2bp]=[Ab1Ab2Abp]C = AB = A \left[ \begin{matrix} | & | & & | \\ b_1 & b_2 & \cdots & b_p \\ | & | & & | \end{matrix} \right] = \left[ \begin{matrix} | & | & & | \\ Ab_1 & Ab_2 & \cdots & Ab_p \\ | & | & & | \end{matrix} \right]

    cj=Abjc_j = Ab_j,可以看做 CC 的第 jj 列是 AA 的列向量以 BB 的第 jj 列作为系数所求得的线性组合。

  4. 整行相乘

    AA 用行表示,则可以将 CC 的行视为 AABB 的列的矩阵向量积(1.2 节):

    C=AB=[a1Ta2TamT]B=[a1TBa2TBamTB]C = AB = \left[ \begin{matrix} - & a_1^T & - \\ - & a_2^T & - \\ & \vdots & \\ - & a_m^T & - \end{matrix} \right] B = \left[ \begin{matrix} - & a_1^TB & - \\ - & a_2^TB & - \\ & \vdots & \\ - & a_m^TB & - \end{matrix} \right]

    ciT=aiTbc_i^T = a_i^Tb,可以看做 CC 的第 ii 行是 BB 的行向量以 AA 的第 ii 行作为系数所求得的线性组合。

  5. 分块乘法

    [A1A2A3A4][B1B2B3B4]=[A1B1+A2B3A1B2+A2B4A3B1+A4B3A3B2+A4B4]\left[ \begin{array}{c|c} A_1 & A_2 \\ \hline A_3 & A_4 \end{array} \right] \left[ \begin{array}{c|c} B_1 & B_2 \\ \hline B_3 & B_4 \end{array} \right] = \left[ \begin{array}{c|c} A_1B_1+A_2B_3 & A_1B_2+A_2B_4 \\ \hline A_3B_1+A_4B_3 & A_3B_2+A_4B_4 \end{array} \right]

    在分块合适的情况下,可以简化运算。

2.矩阵消元

2.1 消元法

三元方程组 {x+2y+z=23x+8y+z=124y+z=2\begin{cases} x& + 2y& + z& = 2 \\ 3x& + 8y& + z& = 12 \\ &4y& + z& = 2 \end{cases} 对应的矩阵形式 Ax=bAx=b 为:

[121381041][xyz]=[2122]\begin{bmatrix} 1 & 2 & 1 \\ 3 & 8 & 1 \\ 0 & 4 & 1 \end{bmatrix} \begin{bmatrix} x \\ y \\ z \end{bmatrix} = \begin{bmatrix} 2 \\ 12 \\ 2 \end{bmatrix}

消元[Ab][A \| b] 为方程组的增广矩阵形式):

[Ab]=[1212381120412]r23r1[121202260412]r32r2[1212022600510][A \mid b] = \left[ \begin{array}{c c c |c} \underline{1} & 2 & 1 & 2 \\ 3 & 8 & 1 & 12 \\ 0 & 4 & 1 & 2 \end{array} \right] \underrightarrow{r_2 - 3r_1} \left[ \begin{array}{c c c |c} \underline{1} & 2 & 1 & 2 \\ 0 & \underline{2} & -2 & 6 \\ 0 & 4 & 1 & 2 \end{array} \right] \underrightarrow{r_3 - 2r_2} \left[ \begin{array}{c c c |c} \underline{1} & 2 & 1 & 2 \\ 0 & \underline{2} & -2 & 6 \\ 0 & 0 & \underline{5} & -10 \end{array} \right]

下划线的元素为主元,主元不能为零。如果在消元时遇到主元位置为零,则需要看它的后面的行对应位置是否为 0,如果不为 0,就交换这两行,将非零数视为主元。

消元失效:如果它后面所有行的对应位置都为 0,则该矩阵不可逆,消元法求出的解不唯一。(如:把第三个方程 zz 前的系数成 -4,会导致第二步消元时最后一行全部为零,则第三个主元就不存在了,消元就不能继续进行了。)

消元后方程组变为 {x+2y+z=22y2z=65z=10\begin{cases} x & +2y & +z & = 2 \\ & 2y & -2z & = 6 \\ & & 5z & = -10 \end{cases}

从第三个方程求出 z=2z=-2,代入第二个方程求出 y=1y=1,再代入第一个方程求出 x=2x=2

2.1 消元矩阵

8.求解 Ax = b:可解性和解的结构

8.1 Ax = b 的解

举例,同上一讲:有 3×43 \times 4 矩阵 AA

A=[1222246836810]A= \left[ \begin{matrix} 1 & 2 & 2 & 2\\ 2 & 4 & 6 & 8\\ 3 & 6 & 8 & 10 \end{matrix} \right]

Ax=bAx=b 的特解:

写出其增广矩阵(augmented matrix)[Ab][A \mid b]

[1222b12468b236810b3]消元[1222b10024b22b10000b3b2b1]\left[ \begin{array}{c c c c|c} 1 & 2 & 2 & 2 & b_1 \\ 2 & 4 & 6 & 8 & b_2 \\ 3 & 6 & 8 & 10 & b_3 \end{array} \right] \underrightarrow{\text{消元}} \left[ \begin{array}{c c c c|c} 1 & 2 & 2 & 2 & b_1 \\ 0 & 0 & 2 & 4 & b_2-2b_1 \\ 0 & 0 & 0 & 0 & b_3-b_2-b_1 \end{array} \right]

显然,有解的必要条件为 b3b2b1=0b_3-b_2-b_1=0

8.1.1 Ax = b 可解性

讨论 bb 满足什么条件才能让方程 Ax=bAx=b 有解(solvability condition on bb):

  1. 从列空间看:当且仅当 bb 属于 AA 的列空间时;
  2. 如果 AA 的各行线性组合得到 0 行,则 bb 端分量做同样的线性组合,结果也为 0 时,方程才有解。

8.1.2 Ax = b 的解结构

  1. 特解

    解法:令所有自由变量取 0,则有 {x1+2x3=12x3=3\Big\lbrace \begin{aligned} x_1 + 2x_3 & = 1 \\ 2x_3 & = 3 \end{aligned} ,解得 {x1=2x3=32\Big\lbrace \begin{aligned} x_1 & = -2 \\ x_3 & = \frac{3}{2} \end{aligned}

    代入 Ax=bAx=b 求得特解: xp=[20320]x_p= \begin{bmatrix}-2 \\ 0 \\ \frac{3}{2} \\ 0 \end{bmatrix}

  2. 通解

    Ax=bAx=b 成立的所有解: {Axp=bAxn=0A(xp+xn)=b\Big\lbrace \begin{aligned} A x_p & = b \\ A x_n & = 0 \end{aligned} \quad \rightarrow{} \quad A(x_p+x_n)=b

    Ax=bAx=b 的解集为其特解加上零空间。对本例有:

    xcomplete=[20320]+c1[2100]+c2[2021]x_{\text{complete}}= \begin{bmatrix}-2 \\ 0 \\ \frac{3}{2} \\ 0 \end{bmatrix} +c_1 \begin{bmatrix} -2\\ 1\\ 0\\ 0 \end{bmatrix} +c_2 \begin{bmatrix} 2\\ 0\\ -2\\ 1 \end{bmatrix}

8.2 秩 r 与 Ax = b 的解关系

对于 m×nm \times n 矩阵 AA,有矩阵 AA 的秩 rmin(m,n)r \leq \min(m, n)

8.2.1 列满秩

主元变量为 nn,没有自由变量。因为没有自由变量可以赋值,所以列的线性组合得不到 0(因为如果存在非零 xx 使 Ax=0Ax=0 成立,那么 AA 中有一列是没有贡献的,既然没有贡献,那么也就不存在列满秩的情况了)。

所以列满秩的解的情况:0 或 1 个特解。

举例:

列满秩 r=nr=n 情况:

A=[13216151],R=[10010000]A= \begin{bmatrix} 1 & 3 \\ 2 & 1 \\ 6 & 1 \\ 5 & 1 \end{bmatrix} , R= \begin{bmatrix} 1 & 0 \\ 0 & 1 \\ 0 & 0 \\ 0 & 0 \end{bmatrix}

rank(A)=2\text{rank}(A)=2,要使 Ax=b,b0Ax=b, b \neq 0 有非零解,bb 必须取 AA 中各列的线性组合,此时 AA 的零空间中只有 00 向量。

P.S. 因为行向量是 2 维的,且前两行线性无关,2 维平面中有两个向量线性无关,那该平面的所有向量都可以由这两个向量线性组合得到,所以后面两行一定会是 0 行。

8.2.2 行满秩

每行都有主元,不存在 0 行,那么 bb 就没有要求,而且有 nrn-r 个自由变量,所以解有无穷多个。

举例:

行满秩 r=mr=m 情况:

A=[12653111],R=[1001]A= \begin{bmatrix} 1 & 2 & 6 & 5 \\ 3 & 1 & 1 & 1 \end{bmatrix}, R= \begin{bmatrix} 1 & 0 & - & - \\ 0 & 1 & - & - \end{bmatrix}

rank(A)=2\text{rank}(A)=2bRm\forall b \in R^m 都有 x0x \neq 0 的解,因为此时 AA 的列空间为 RmR^mbRmb \in R^m 恒成立,组成 AA 的零空间的自由变量有 nrn-r 个。

8.2.3 行列满秩

代表的是满秩方阵,消元到最简形式是单位矩阵,是一个可逆矩阵,结合 r=mr=mr=nr=n 的解的情况得出此时一定有一个解 bbbb 满足是 AA 向量的线性组合。

举例:

行列满秩情况:r=m=nr=m=n,如:

A=[1234]A= \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}

AA 最终可以化简为 R=IR=I,其零空间只包含 00 向量。

8.2.4 总结

r=m=nr=n<mr=m<nr<m,r<nR=IR=[I0]R=[IF]R=[IF00]1 solution0 or 1 solution solution0 or  solution\begin{array}{c|c|c|c} r=m=n & r=n<m & r=m<n & r<m,r<n \\ R=I & R=\begin{bmatrix}I\\0\end{bmatrix} & R=\begin{bmatrix}I&F\end{bmatrix} & R=\begin{bmatrix}I&F\\0&0\end{bmatrix} \\ \text{1 solution} & \text{0 or 1 solution} & \infty \text{ solution} & \text{0 or } \infty \text{ solution} \end{array}

9. 线性相关性、基、维数

9.1 线性相关性

v1, v2, , vnv_1,\ v_2,\ \cdots,\ v_nm×nm \times n 矩阵 AA 的列向量:

  • 如果 AA 零空间中有且仅有 00 向量,则各向量线性无关,rank(A)=n\text{rank}(A)=n

  • 如果存在非零向量 cc 使得 Ac=0Ac=0,则存在线性相关向量,rank(A)<n\text{rank}(A)\lt n

9.2 基

向量空间 SS 中的一组基(basis),具有两个性质:

  1. 他们线性无关;
  2. 他们可以生成 SS

对于向量空间 RnR^n,如果 nn 个向量组成的矩阵为可逆矩阵,则这 nn 个向量为该空间的一组基,而数字 nn 就是该空间的维数(dimension)。

9.3 维数

举例:

A=[123111211231]A= \begin{bmatrix} 1 & 2 & 3 & 1 \\ 1 & 1 & 2 & 1 \\ 1 & 2 & 3 & 1 \end{bmatrix}

AA 的列向量线性相关,其零空间中有非零向量,所以:

rank(A)=2=主元存在的列数=列空间维数\text{rank}(A)=2=\text{主元存在的列数}=\text{列空间维数}

可以很容易的求得 Ax=0Ax=0 的两个解,如:

x1=[1110],x2=[1001]x_1= \begin{bmatrix}-1 \\ -1 \\ 1 \\ 0 \end{bmatrix}, x_2= \begin{bmatrix} -1 \\ 0 \\ 0 \\ 1 \end{bmatrix}

根据前几讲,我们知道特解的个数就是自由变量的个数,所以:

nrank(A)=2=自由变量存在的列数=零空间维数n-\text{rank}(A) = 2 = \text{自由变量存在的列数} = \text{零空间维数}

可以得到:列空间维数 dimC(A)=rank(A)\dim C(A)=\text{rank}(A),零空间维数 dimN(A)=nrank(A)\dim N(A)=n-\text{rank}(A)

参考

  1. MIT - 18.06 Linear Algebra

  2. Stanford - CS229 Machine Learning (Linear Algebra)

  3. Github - zlotus/notes-linear-algebra

  4. Github - apachecn/18.06-linalg-notes

Edit this page on GitHub Last updated: 7/11/2024, 12:52:11 AM