学习笔记: 线性代数-零空间的基 与 秩-零度化定理

简介: 线性代数个人学习笔记

零空间是对于一个矩阵$A$,满足线性系统$Ax=0$,所有的解$x$组成的向量空间。由于矩阵$A$零空间本身隐藏在矩阵$A$的内部,所以它的存在相对抽象。

构造零空间的基

构造一个矩阵$A$的零空间的基,本质是对求出线性系统$Ax=0$的解空间进行简单变形,从而得到零空间的基。

  • 示例说明:
    存在矩阵A,通过高斯消元求取它的行最简形式:

    从系数矩阵A 的行最简形式得到线性系统$Ax=0$的解$\vec x$的形式如下:

    这个解的形式显示了组成线性系统$Ax=0$的任意一个解的内部分量所存在的线性关系,$x_1$和$x_2$这两个分量可以由其它四个分量$x_3,x_4,x_5,x_6$的线性组合所表示。将所有解改写成列向量形式:

    从解的列向量形式可以看到对分量$x_3,x_4,x_5,x_6$取任意实数$R$,就可以得到线性系统$Ax=0$的所有解空间的其中一组解$\vec x=(x_1,x_2.x_3,x_4,x_5,x_6)$,这个解可通过单独提出分量$x_3,x_4,x_5,x_6$拆分成以下形式的线性组合进行表示:

    拆分后得到的四个线性无关的向量$\vec v_1=(1,-2,1,0,0,0),\vec v_2=(2,-3,0,1,0,0),\vec v_3=(3,-4,0,0,1,0),\vec v_4=(5,-6,0,0,0,1)$,通过这四个向量的线性组合$k_1 \vec v_1+k_2 \vec v_2+k_3 \vec v_3+k_4 \vec v_4$就可以表示出线性系统的解$\vec x$,意味着线性系统的解$\vec x$构成的空间就是向量$\vec v_1, \vec v_2, \vec v_3,\vec v_4$的生成空间,也就是系线性系统系数矩阵$A$的零空间。由空间的基的定义(给定$n$维空间的一组基,则空间中的任意一个向量都可以表示成这组基的线性组合)可知,这个四个线性无关向量$\vec v_1, \vec v_2, \vec v_3,\vec v_4$就是它们生成空间的基,也是线性系统系数矩阵$A$的零空间的基,这个空间的维度就是$4$

综上,对于线性系统$Ax=0$,把系数矩阵$A$化为行最简形式之后,自由列的列数就是矩阵A的零空间的维度:

矩阵的行最简形式的一般形式


秩-零度化定理

对于一个$m*n$的矩阵有,将其化为行最简形式后,主元列数为其列空间的维度,也就是矩阵的秩,同时也是矩阵行空间的维度。当求出矩阵的主元列列数$r$,则矩阵的自由列列数(也就是矩阵的零空间的维度)等于$n-r$。就有 $\color {#e94513} {矩阵的列空间的维度+ 零空间的维度 = n}$ 。

列空间的维度也就是矩阵的秩,零空间的维度的专业名词叫做$零化度(Nullity)$
$\therefore 秩-零度化定理: \ \ \ 秩(rank) +零化度(Nullity) = n $

零空间的维度为0

零空间的维度等于一个矩阵的行最简形式中自由列的个数,当一矩阵全部都是主元列的时候,也就是一个$m*n$的矩阵的列空间的维度为$n$的时候,矩阵的零空间维度为0。对于一个方阵来说,即为满秩的时候,矩阵的零空间维度为0


理解上一章节线代--零空间中最后的疑惑
为什么对于两个平面(二维欧式空间),它们在三维空间内不可能正交的,它们只可能在四维空间中出现正交。

首先,矩阵的零空间是与矩阵的行空间正交的一个空间,零空间内的任意向量垂直于行空间的所有向量;
对于一个$m*n$的矩阵来说,行空间和零空间都是一个$n$维空间的子空间;
假设矩阵的行空间是一个二维欧式空间的话,那么矩阵的零空间的维度是$n-2$;
如果$n=3$,就是在一个三维空间内,同时能存在一个二维子空间和一个一维子空间正交;
当$n \ge 4$,就是在一个四维以上的空间内,当存在一个二维的子空间(矩阵的行空间)的前提下,能找到另一个二维子空间(矩阵的零空间)与矩阵的二维行空间正交。所以两个二维欧式空间正交只能在四维以上的空间内发生。

目录
相关文章
学习笔记: 线性代数-矩阵的相似性
线性代数个人学习笔记
116 0
|
移动开发
|
算法
线性代数(二)矩阵代数
线性代数(二)矩阵代数
92 0
|
算法
线性代数(一)矩阵和方程组
线性代数(一)矩阵和方程组
161 0
|
机器学习/深度学习
【机器学习中的矩阵求导】(三)矩阵向量求导(微分法)
从上面可以发现:标量对向量的求导,和向量的微分,之间存在一个转置的一项。 推广到矩阵微分:
238 0
【机器学习中的矩阵求导】(三)矩阵向量求导(微分法)
|
机器学习/深度学习 人工智能
线性代数01:函数对向量、矩阵的梯度(向量、矩阵求导)
线性代数01:函数对向量、矩阵的梯度(向量、矩阵求导)
609 0