10 MIT线性代数-四个基本子空间 four fundamental subspaces

这篇具有很好参考价值的文章主要介绍了10 MIT线性代数-四个基本子空间 four fundamental subspaces。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。

1. 四个子空间 Four subspaces (mxn)

列空间 Column space C(A) in 

零空间Nullspace N(A) in 

行空间Row space = all combs of rows = all combs of columns of AT= C(AT) in 

左零空间Left nullspace = Nullspace of AT = N(AT) = left nullspace of A in 

10 MIT线性代数-四个基本子空间 four fundamental subspaces,线性代数,线性代数

2. 基和维数 Basis& Dimension 

列空间 dim C(A)=r

零空间 dim N(A)=n-r

行空间

10 MIT线性代数-四个基本子空间 four fundamental subspaces,线性代数,线性代数

different col space but same row space

R的前r行阶梯型“行向量”就是矩阵A行空间C( AT )的一组基

Basis for row space is first r rows of R

左零空间 dim N(AT) = m-r

10 MIT线性代数-四个基本子空间 four fundamental subspaces,线性代数,线性代数

为找到左零空间的基,我们应用增广矩阵 10 MIT线性代数-四个基本子空间 four fundamental subspaces,线性代数,线性代数

EA=R in chap. 2, R was I, Then E was 

10 MIT线性代数-四个基本子空间 four fundamental subspaces,线性代数,线性代数

则矩阵E最下面的m-r个行向量使得矩阵A的行向量线性组合成为0

矩阵E的这m-r个行向量满足yTA=0,它组成了矩阵A左零空间的一组基

3. 新向量空间 New vector space

All 3x3矩阵构成的集合是一个向量空间,符合对于线性运算封闭,称之为M A+B, CA

subspace of  M:

upper triangular 上三角阵

symmetric matrices 对称阵

diagonal matrices 对角阵 对角阵是前两个子空间的交集,其维数为3,具有以下一组基 

10 MIT线性代数-四个基本子空间 four fundamental subspaces,线性代数,线性代数

概念延伸文章来源地址https://www.toymoban.com/news/detail-731113.html

到了这里,关于10 MIT线性代数-四个基本子空间 four fundamental subspaces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|证明:线性空间的基本性质

    性质 1 零向量是唯一的。 证明 设 0 1 , 0 2 boldsymbol{0}_1, boldsymbol{0}_2 0 1 ​ , 0 2 ​ 是线性空间 V V V 中的两个零向量,即对任何 α ∈ V boldsymbol{alpha} in V α ∈ V ,有 α + 0 1 = α α + 0 2 = α begin{align*} boldsymbol{alpha} + boldsymbol{0}_1 = boldsymbol{alpha} tag{1} \\\\ boldsymbol{alpha} + bold

    2024年02月07日
    浏览(46)
  • MIT线性代数详细笔记(更新中)

    2022.10.15 ~ 2022.11. 立个flag,每天一到两刷。 行图像: 对于行图像,n=2,即两方程两未知数,两条直线的交点就是方程的解。 列图像 该方程的目的是什么?         目的是寻找正确的线性组合。上图红框部分就是列向量的线性组合。 x=1,y=2的线性组合可以得出b。而所有的

    2024年02月15日
    浏览(42)
  • MIT_线性代数笔记:复习二

    正交矩阵 Q,用矩阵形式描述正交性质。 投影矩阵 P,最小二乘法,在方程无解时求“最优解”。 Gram-Schmidt 正交化——从任意一组基得到标准正交基,策略是从向量 中减去投影到其它向量方向的分量。 行列式 det(A) 三个性质定义了行列式,可以推导出之后的性质 4~10。 行列

    2024年01月23日
    浏览(54)
  • MIT线性代数笔记-第31讲-线性变换及对应矩阵

    线性变换相当于是矩阵的抽象表示,每个线性变换都对应着一个矩阵 例: 考虑一个变换 T T T ,使得平面上的一个向量投影为平面上的另一个向量,即 T : R 2 → R 2 T:R^2 to R^2 T : R 2 → R 2 ,如图: ​   图中有两个任意向量 v ⃗ , w ⃗ vec{v} , vec{w} v , w 和一条直线,作 v ⃗

    2024年02月03日
    浏览(57)
  • MIT线性代数-方程组的几何解释

    假设有一个方程组 A X = B AX=B A X = B 表示如下 2 x − y = 0 (1) 2x-y=0tag{1} 2 x − y = 0 ( 1 ) − x + 2 y = 3 (2) -x+2y=3tag{2} − x + 2 y = 3 ( 2 ) 矩阵表示如下: [ 2 − 1 − 1 2 ] [ x y ] = [ 0 3 ] (3) begin{bmatrix}2-1\\\\\\\\-12end{bmatrix}begin{bmatrix}x\\\\\\\\yend{bmatrix}=begin{bmatrix}0\\\\\\\\3end{bmatrix}tag{3} ​ 2 − 1 ​

    2024年04月15日
    浏览(45)
  • 06 MIT线性代数-线性无关,基和维数Independence, basis, and dimension

    Suppose A is m by n with mn (more unknowns than equations) Then there are nonzero solutions to Ax=0  Reason: there will be free variables!  A 中具有至少一个自由变量,那么 A x = 0 一定具有非零解。 A 的列向量可以线性组合得到零向量,所以 A 的列向量是线性相关的。 independence:vectors X1, X2,...,Xn are independ

    2024年02月08日
    浏览(43)
  • MIT - 线性代数-LU_LDU分解|单位矩阵

    U为消元结果(行变换),L为行变换矩阵的逆矩阵 D为主元(Pivot)A的主对角线元素,在这里为2、3,U为对D做列变换使其得到LU中的U 为什么要写成A=LU而不是E21A=U呢?因为A=LU中L只包含行变换信息,E21A=U还有额外的数字 2×2 2 3×3 3×2=6 4×4 4×3×2=24 结论:单位矩阵的逆=转置矩阵(

    2024年01月23日
    浏览(48)
  • 信号与系统的一些基本问题之信号分解完备正交基[1]—线性代数向量空间与向量基的基础

      由于一些前后概念是嵌套在一起,密切相关的,但是它们的认知深度的层次又有先后差异,所以为循序渐进,这里在讲解时会存在部分的后面的概念往前提以帮助当前概念的理解以确保大家每一步都能看得懂,并为后续概念作铺垫,文中所有存在这种概念嵌套的情况都有

    2024年04月26日
    浏览(53)
  • MIT线性代数笔记-第27讲-复数矩阵,快速傅里叶变换

    对于实矩阵而言,特征值为复数时,特征向量一定为复向量,由此引入对复向量的学习 求模长及内积 假定一个复向量 z ⃗ = [ z 1 z 2 ⋮ z n ] vec{z} = begin{bmatrix} z_1 \\\\ z_2 \\\\ vdots\\\\ z_n end{bmatrix} z = ​ z 1 ​ z 2 ​ ⋮ z n ​ ​ ​ ,其中 z 1 , z 2 , ⋯   , z n z_1 , z_2 , cdots , z_n z 1 ​

    2024年02月05日
    浏览(52)
  • MIT_线性代数笔记:第 26 讲 复矩阵;快速傅里叶变换

    实矩阵也可能有复特征值,因此无法避免在矩阵运算中碰到复数,本讲学习处理复数矩阵和复向量。 最重要的复矩阵是傅里叶矩阵,它用于傅里叶变换。而对于大数据处理快速傅里叶变换(FFT)显得更为重要,它将傅立叶变换的矩阵乘法中运算的次数从 n 2 n^2 n 2 次降至 n l

    2024年01月17日
    浏览(44)

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