线性代数的学习和整理13: 函数与向量/矩阵

这篇具有很好参考价值的文章主要介绍了线性代数的学习和整理13: 函数与向量/矩阵。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

1 函数与 向量/矩阵

2 初等数学的函数

2.1 函数

2.2 函数的定义:定义域  →映射→  值域

3  高等数学里的函数:定义域和陪域/到达域(非值域)的映射关系

3.1 函数

3.2 单射,满射,双射等都是针对定义域 和 陪域的

3.3 易错地方:值域较小且是被决定的

3.4 单射,满射,双射

4 函数和反函数 → 矩阵和逆矩阵

4.1 函数和反函数

4.2 矩阵和逆矩阵 (待完善)


1 函数与 向量/矩阵

下面两者形式类似,本质也类似

  • 函数的:  ax=y    ,常规函数里,a,x,y 一般都是单个数
  • 矩阵:     AX=Y  , 矩阵乘法,这里 A,x,y 一般都是向量/矩阵
  • 线性代数,就是处理 数组和矩阵(数组的数组)的学科

2 初等数学的函数

2.1 函数

形如  ax=y=f(x)的就是函数

  • 自变量 input:x ,原像
  • 因变量 output:y=f(x) ,像
  • 函数/变化规则/映射法则 function :f
  • 定义域domain: 自变量x的取值范围就是定义域,集合x
  • 值域 range:      因变量f(x)=y 的取值范围就是值域, 所有x的像的集合?

2.2 函数的定义:定义域  →映射→  值域

从映射的角度来看,定义域,值域

  • 函数定义域里的每个值x,必须有且只有一个值y与之对应
  1. 每个x不能是0个y对应
  2. 每个x都必须对应1个y
  3. 每个x不能对应多个y
  • 函数值域里的每个值y,必须有一个定义域的x与之对应
  1. 每个y都有1个x对应
  2. 有的y可能都多个x对应到它

如果从图形上来说

  • 函数f(x) 是从定义域 → 值域
  • 下面定义域里打叉×的点都是错的
  • 下面值域里打叉×的点都是错的

线性代数的学习和整理13: 函数与向量/矩阵,线性代数,学习,矩阵

3  高等数学里的函数:定义域和陪域/到达域(非值域)的映射关系

3.1 函数

形如  ax=y=f(x)的就是函数

  • 自变量 input:x ,原像
  • 因变量 output:y=f(x) ,像
  • 函数/变化规则/映射法则 function :f
  • 定义域domain: 自变量x的取值范围就是定义域,集合x
  • 值域 range:      因变量f(x)=y 的取值范围就是值域, 所有x的像的集合?
  • 陪域/ 到达域codomain :因变量f(x)=y 可能的范围,集合y

3.2 单射,满射,双射等都是针对定义域 和 陪域的

  • 理清概念
  • 这个只针对 定义域 →  陪域/到达域
  • 不针对       定义域 →  值域
  • 就这么简单粗暴
  • 前面的函数的映射定义,可能算初等数学的把
  • 这个加入了 陪域/到达域的映射定义,可能算高等函数的把

3.3 易错地方:值域较小且是被决定的

  • 定义域,值域取值范围都选 R 或者 R+
  • 而值域,一般不存在选范围的问题,因为是同感 y=f(x) 一一映射决定的,一般肯定都是R的一个较小的子集!!

比如提前一个例题

  • 为什么y=x^2 不是满射,因为都是针对 定义域 R→  陪域/到达域R,而值域是R+,因此不是满射

3.4 单射,满射,双射

  • 非函数:  定义域里有的x对应了多个y,这种情况还是非函数
  • 单射:     定义域里的每个x 都有唯一的y对应。(但是有的y可能没有x对应)
  • 非单射: 定义域里的每个x 都有y对应,但是可能对应相同的y
  • 满射:     到达域里(非值域)的每个y 都有x对应 (但是有的y可能对应的2个x)
  • 非满射: 到达域里(非值域)不是每个y 都有x对应,有些y值没有x映射
  • 特例
  • 双射:    定义域中的x 和值域中y 分别一一对应
  • 双射的意义,只有满秩的双射矩阵,一定可逆矩阵(见下面)
  1. 单射非满射:   普通单射,只单射,不满射
  2. 单射&满射:    双射
  3. 非单射&满射:
  4. 非单射&非满射:

线性代数的学习和整理13: 函数与向量/矩阵,线性代数,学习,矩阵

线性代数的学习和整理13: 函数与向量/矩阵,线性代数,学习,矩阵

4 函数和反函数 → 矩阵和逆矩阵

双射的意义,只有满秩的双射矩阵,一定可逆矩阵(见下面)

  • 普通函数,直接让y 映射到x,很可能就不是函数
  • 下面图可以看到,直接让y 映射到x,很可能1个y会映射多个x,这样就不是函数

线性代数的学习和整理13: 函数与向量/矩阵,线性代数,学习,矩阵

4.1 函数和反函数

如果一个函数 y=f(x)=ax 反过来 x=f(y)

  • 如果x和y调换,如果不是满射,反过来就不是单射,函数就不存在反函数
  • 所以 函数必须是 双射,这个函数才会有反函数。
  • 双射的函数,一定有反函数,见下图

线性代数的学习和整理13: 函数与向量/矩阵,线性代数,学习,矩阵文章来源地址https://www.toymoban.com/news/detail-676625.html

4.2 矩阵和逆矩阵 (待完善)

  • 同理,矩阵必须是满秩的,才会有逆矩阵
  • 详细的需要写

到了这里,关于线性代数的学习和整理13: 函数与向量/矩阵的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 线性代数的学习和整理19,特征值,特征向量,以及引入的正交化矩阵概念

    目录 1 什么是特征值和特征向量? 1.1 特征值和特征向量这2个概念先放后 1.2 直观定义 1.3 严格定义 2 如何求特征值和特征向量 2.1 方法1:结合图形看,直观方法求 2.1.1 单位矩阵的特征值和特征向量 2.1.2 旋转矩阵 2.2  根据严格定义的公式 A*X=λ*X 来求 2.3  特征方程 2.4 互异特

    2024年02月09日
    浏览(37)
  • 线性代数的学习和整理23:用EXCEL和python 计算向量/矩阵的:内积/点积,外积/叉积

      目录 1 乘法 1.1 标量乘法(中小学乘法) 1.1.1 乘法的定义 1.1.2 乘法符合的规律 1.2 向量乘法 1.2.1 向量:有方向和大小的对象 1.2.2 向量的标量乘法 1.2.3 常见的向量乘法及结果 1.2.4 向量的其他乘法及结果 1.2.5 向量的模长(长度) 模长的计算公式 1.2.6 距离 2 向量的各种乘法 2

    2024年01月23日
    浏览(33)
  • 线性代数的学习和整理21,向量的模,矩阵的模,矩阵的模和行列式比较(未完成)

    目录 1 模的定义 2 向量的模是距离 2.1 向量的模的定义 2.2 向量的模的计算公式 3  矩阵的模 3.1 矩阵/向量组的模的定义 3.2 矩阵的模的公式 4 矩阵的模和行列式的关系? 模,又称为范数。 范数,是具有“长度”概念的函数。 在线性代数、泛函分析及相关的数学领域,范数是

    2024年02月09日
    浏览(29)
  • 线性代数的学习和整理14: 线性方程组求解的3种方法,重点讲矩阵函数求解

    目录 0 写在前面的一些内容 0.1 学习心得: 0.2 参考其他书籍总结的知识点,对照学习 1 线性方程组求解 1.1 常见的线性方程组如下 1.2 记住常见的 矩阵函数的维数的关系 1.3  需要求解的方程组和矩阵的对应关系,需要先厘清 1.3.1 如果只需要求解x,是类 Ax=b的形式 1.3.2   如

    2024年02月05日
    浏览(40)
  • 线性代数的学习和整理3:标量,向量和张量的定义和对比

    目录 1 标量 scalar 2 向量 /矢量 vector 2.1 什么是向量(直观) 2.2 什么是向量(严格定义) 2.3 向量如何表示?在向量空间的表示方法 3 矩阵(matrix) 3.1 矩阵的定义 3.2 矩阵和向量的关系 3.3  方阵 4 ​张量(tensor):向量,矩阵都可以看成张量 4.1 张量的定义 4.2 更多维度的张量,举

    2024年02月04日
    浏览(41)
  • 机器学习——线性代数中矩阵和向量的基本介绍

    矩阵的基本概念(这里不多说,应该都知道) 而向量就是一个特殊的矩阵,即向量只有一列,是个n*1的矩阵 注 :一般矩阵用大写字母表示,向量用小写字母表示 先从简单开始,即一个矩阵和一个向量相乘的运算 矩阵相乘的结果的维度为 m*k 矩阵乘法满足结合律不满足交换律

    2024年02月21日
    浏览(30)
  • 线性代数的学习和整理16:什么是各种空间(类型),向量空间,距离(类型)?

    目录 1 空间相关的群,环,域,集合,空间的预备知识 1.1:群,环,域,集合,空间的定义(表示不懂,只是做个标记) 2 空间 2.1 各种空间概念 3 标量空间 4 向量空间/张成空间/线性空间(vector space/ linear space) 4.1 线性空间定义 4.2  向量空间的表现 4.3 加法和数乘的封闭性

    2024年02月10日
    浏览(33)
  • 线性代数的学习和整理17:向量空间的基,自然基,基变换等(未完成)

    目录 1 从颜色说起 1.1 用简单的枚举 → 一一映射到某种颜色 1.1.1  自然语言里的颜色对应 1.1.2 举个例子:VB里的colorindex 1.1.3 接下来的关键问题就是:如何对应更多的颜色,无限穷举么? 1.2 升级版的颜色映射思路:RGB颜色 1.2.1 RGB颜色大家都明白原理 1.2.2 表达方式1:用一个

    2024年02月10日
    浏览(25)
  • 线性代数的学习和整理7:各种特殊效果矩阵汇总

    目录 1 矩阵 1.1 1维的矩阵 1.2 2维的矩阵 1.3 没有3维的矩阵---3维的是3阶张量 1.4  下面本文总结的都是各种特殊效果矩阵特例 2 方阵: 正方形矩阵 3 单位矩阵 3.1 单位矩阵的定义 3.2 单位矩阵的特性 3.3 为什么单位矩阵I是 [1,0;0,1] 而不是[0,1;1,0] 或[1,1;1,1] 3.4 零矩阵 3.4 看下这个矩

    2024年02月11日
    浏览(29)
  • 线性代数的学习和整理22:矩阵的点乘(草稿)

    4  矩阵乘法 A,B两个同阶同秩N阵,看上去结构一样,但两厢相乘,在做在右,地位差别巨大。 在左,你就是基,是空间的根本,是坐标系,是往哪去、能到哪的定海神针,是如来佛手;在右,你就只是乾坤已定后数量的选择,你是翻十个跟头,还是翻十一个(都出不了如来佛

    2024年02月09日
    浏览(30)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包