一.基底（Basis）
1.什么是生成集（Generating Set）？什么是张成空间（Span）？
存在向量空间V=(V，+，*)，和向量集（xi是所说的列向量），如果每一个属于V的向量都能被A中向量线性组合来表示，那么说明 A 是向量空间 V 的生成集，A的所有线性组合（所有线性组合不同）称为A的张成空间。
如果A张成了线性空间V，写成V=span[A]=span[x1,...,xk]。
2.什么是基底（Basis）？
基底是相对于向量空间来说的，每一个向量空间都拥有一个基底。例如向量空间V，向量空间V的基底B是向量空间V最小的（除了B之外没有B的子集可以张成向量空间V）线性无关的生成集。对于基底B，增加任何其他向量到B中都会让这个向量集合线性相关，所以基底B也称作向量空间V中最大线性无关的集合。
举例：的标准基是（当然不止下面这几个）
3.如何定义向量空间的维数（dimension）？
对于一个确定的向量空间V，向量空间V的基底中基向量（列向量）的个数是相同的。并且基底中基向量的个数等于向量空间的维数。
4.给定一个矩阵A（n个列向量），A是向量空间V的子集，如何找到A张成的向量空间的基底？
根据行阶梯法找到A中线性无关的向量组合。
5.什么是标准正交基（ONB）？
对于一组基底，如果
，那么称基底B为标准正交基。
标准正交基构成的矩阵Q有的特点：
和，如果只是正交矩阵的话，那么
二.秩（Rank）
1.什么是矩阵A的秩rk(A)？
矩阵，矩阵A线性无关的行向量的个数=矩阵A线性无关的列向量的个数=rk(A)。
2.矩阵的秩的性质如下：
矩阵A的秩=矩阵A的转置的秩
矩阵的列向量张成一个子空间，dim(U)=rk(A)
如果矩阵是正则的/可逆的，那么rk(A)=n
线性方程组有解的条件是rk(A)=rk(A|b)
对于，的解的维数是n-rk(A)
如果满秩，那么rk(A)=min(m,n)
3.矩阵满秩意味着什么？
矩阵满秩=n阶方阵的n阶子式不等于0=n阶方阵的行列式值为0
=如果不是方阵写成行向量或者列向量时线性无关
三.线性映射（Linear Mapping）
1.什么是线性映射？
对于向量空间V和W，存在一种映射称为线性映射并且要满足下面的条件：
。
2.什么是单射双射满射？
单射满射双射都是基于线性映射，满足不同的情况的时候线性映射称为单射满射双射。
单射（injective）:
原域中的样本对应目标域中的不同元素。
满射（surjective）:
原域中至少存在一个目标域对应元素，原域中的样本就应该把目标域中的样本对应满。
双射（bijective）：单射和满射
3.什么是同构（Isomorpshism）？什么是自同态（Endomorphism）？什么是自同构（Automorphism）？
同构：线性映射and双射，两个有限维度的向量空间同构说明他们的维度相同。如果是同构的，那么也是同构的。
自同态：，线性
自同构：，线性and双射
4.什么是坐标（coordinate）？
对于一个线性空间V，和向量空间V的有序基底B=(b1,...bn)，对于任何一个，我们都能得到一个唯一的线性组合，这些α1...αn称为是向量x相对于基底B的坐标。如果基底B不同，那么表示一个向量x的坐标不同。
5.什么是转换矩阵（Transformation Matrix）？
对于向量空间V和W，考虑向量空间V的基底和向量空间W的基底，并且考虑由V到W的线性映射φ，有：
我们称作转换矩阵A，。
6.什么是恒等变换（Identity mapping）？
,称为恒等映射或者恒等自同态。
7.什么是基变换（Basis Change）？
基变换是指在一个向量空间内，由一组基向量变换为另一组基向量，因为在同一个向量空间中，一个点x在不同基底下的坐标不同。若两组基向量不在同一个向量空间中则不能直接进行基变换。一个向量乘以一个方阵说明这个向量在相同空间变换，如果乘以一个矩阵那么说明这个向量在不同空间变换。
8.什么是核（Kernel）和象（Image）？
9.什么是秩零化度定理（rank-nullity theorem）？
对于向量空间V和W，存在线性映射，那么dim(ker(φ))+dim(Im(φ))=dim(V)
10.什么是仿射变换（Affine mapping）？
仿射变换=线性变换+平移文章来源：https://www.toymoban.com/news/detail-849731.html
对于两个向量空间V和W，存在线性映射，，那么称作为从向量空间V到向量空间W的仿射映射。文章来源地址https://www.toymoban.com/news/detail-849731.html
到了这里，关于保研线性代数复习3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！
