《線性代數應該這樣學》解讀「10」

2020-12-06 工科學習乾貨

hi,今天 我又來更新啦!給自己打個氣。

昨天我們介紹了「重要定理」,今天我們要進入新的一章,介紹一個更重要的傢伙:矩陣啦!

慢著,還是先給矩陣的介紹做一點鋪墊。

鋪墊來了:

3.1兩個推論之後的兩個結論

昨天我們根據「重要定理」得到了兩個推論,即:

推論一:現在我們可以證明,從一個有限維向量空間到比它更小的向量空間的線性映射不可能是單的,這裡「更小」是用維數來衡量的。

或者說:

如果V和W都是有限維向量空間,並且dimV >dimW,那麼V到W的線性映射一定不是單的.

推論二:推論二在某種意義上是推論一的對偶,它表明從一個有限維向量空間到比它更大的向量空間的線性映射不可能是滿的,這裡「更大」是用維數來衡量的。

或者說:

如果V和W都是有限維向量空間,並且dimV <dimW,那麼V到W的線性映射一定不是滿的。

這兩個推論又有兩個和線性方程組有關的結論。對,這個時候我們開始接觸方程組。

這就是我們得到的線性方程組。

先看第一個結論

現在考慮方程Tx= 0(其中xF^n, 0是F^m的加法單位元,即,等式右邊是由0組成的長度為m的組)。設x=(X1, ……,Xn),那麼方程Tx= 0可以重新寫成一一個齊次方程組

把其中的這些a(都是係數嘛)都看作已知的,我們感興趣的是變量X1,……,Xn的解。

首先,對比房程數和變量數,我們有m個方程和n個變量。

再,我們先猜一個解(就像解微分方程有時也需要猜特解一樣)顯然X1=……=Xm=0是一個解,左邊右邊都等於0嘛。

關鍵問題是,是否還有其他解。也就是說,我們想知道nullT是否嚴格大於{0}。

這種情形恰好當T不是單的時才出現。由推論一可知,如果n> m,那麼T不是單的。結論:當變量多於方程時,齊次線性方程組必有非零解。

我們再來看看第二個結論

把剛剛方程組的等號右邊換成一組常數。重新寫一遍,這個時候我們就得到了非齊次方程組Tx=C。分開到每一個就是如下這樣表示:

和剛剛一樣,把其中的這些a都看作已知的。現在的關鍵問題是,是不是對於每一組常數項C1……Cm,變量X1……Xn都至少有一個解.也就是說,我們想知道rangeT是否等於F^m。由推論二,如果n<m,那麼T不是滿的。結論:當方程多於變量時,必有一組常數項使得相應的非齊次線性方程組無解。

線性方程組已經出現,那麼矩陣即將來臨。

3.2矩陣

我們為什麼要引入矩陣?

因為矩陣是一種很方便的記錄值域的方法。

OK下面我們正經一點規定一下構造矩陣需要規定哪些東西。

我們要看到,第一個下標代表行數,第二個下標代表列數哦。

設T∈L(V,W) (V1,......,Vn)是V的基,(W1,......,Wm)是W的基:那麼對於每個k= 1,...... ,n; TVx都可以唯一地寫成這些w的線性組合:

矩陣今天閃亮登場,明天我們一起深入研究,謝謝大家的支持與鼓勵!

相關焦點

  • 《線性代數應該這樣學》解讀「13」
    《線性代數應該這樣學》解讀系列為慶祝本號開通原創,時隔三天強勢回歸!感謝百度爸爸!今天一看被邀請成為原創作者了,好開心!咳咳,回歸正題。上一期的最後我們介紹了什麼是可逆性,現在我們有了可逆性的概念之後,去說明一些新的概念。3.10同構同構是建立在可逆基礎上的一種概念,具體來說,先回想一下我們是怎麼形象的說明可逆的?
  • 《線性代數應該這樣學》解讀「1」
    來了老弟應用到線性代數學習上,也是一樣的操作。線性代數偏重於理解,很抽象,很雜,很繁,很煩。除開少部分天賦異稟的平推型選手,很多人應該都需要先觀其大略,有了直觀的大體的掌握,再去細細地計較一些具體操作,才能深刻理解這門學科。
  • 《線性代數應該這樣學》解讀「14」
    實際上到目前為止,我們的線性代數學習,都是理解概念為主,真正涉及到計算還比較少,當然以後會有一些矩陣的計算。理解概念講究準確且通俗易懂,這也是我們這一系列文章的初心。今天呢我們先學習一下與多項式有關的一些知識,休息一下,(其實學習多項式也是打基礎)明天再開始很重要的一章:本徵值和本徵向量。
  • 《線性代數應該這樣學》解讀「8」
    歡迎大家關注我來查看往期文章,一起交流如何學習線性代數。言歸正傳,昨天實在太困了,就沒說線性映射為什麼不具備交換性,來,我們今天給出一個例子看一下,順便幫大家複習一下。線性映射不具備交換性的例子懂了吧!大家自己也可以舉一些例子。自己舉例子實際上也是一種很好的學習方法哦!
  • 線性代數的非主流經典名作:《線性代數應該這樣學》
    本書是公認的闡述線性代數的經典佳作。從線性代數基礎講起,無需更多數學預備知識。拋棄晦澀難懂的行列式,從向量空間和線性映射出發描述線性算子。包含561道習題和大量示例,提高學生理解和熟練運用線性代數知識的能力並闡明線性代數的主要思想。對術語、結論、證明思路、提及的數學家做了注釋,增加行文趣味性。
  • 《線性代數應該這樣學》解讀「6」
    在研究向量的映射之前,我們先來回顧一下高中學過的函數的映射。我們對於y=f(x)這樣一個函數形式很熟悉吧,還記得我們是怎麼說的嗎?x叫作自變量,自變量有一個集合,y叫作因變量(函數),也有一個集合。f叫作對應法則,通過f我們把x和y對應起來,可以有多個x對應一個y,也可以是一個x對應一個y,注意不能有多個x對應一個y哦!
  • 《線性代數應該這樣學》解讀「11」
    前者,我們一般用這樣的數學語言來表達:「M(v)是向量v關於基(V1,…… ,Vn)的矩陣」後者則是:「M(T)是線性映射T關於基(V1,…… ,Vn)和(W1,…… ,Wn)的矩陣」。實際上,如果基(V1,…… ,Vn)和(W1,…… ,Wn)在上下文中是自明的。那麼將M(T,(V1,…… ,Vn),(W1,…… ,Wn))簡記為M(T)。
  • 線性代數重要,選對教材更重要:同濟版《線性代數》引發激烈爭議
    以下是對於這些觀點的簡單總結:結構編排不合理很多發帖的同學都指出,同濟版《線性代數》最大的問題就是「結構混亂」,第一章就從「行列式」開始講。對於沒有學過線性代數基本概念的大一同學來講,這種毫無鋪墊的引入方式讓很多同學無法接受。
  • 資料下載 | 線性代數應該這樣學(中文第三版)
    《線性代數應該這樣學》 中文版第三版內容簡介:描述線性算子的結構是線性代數的中心任務之一,傳統的方法多以行列式為工具
  • 線性代數應該這樣學一
    這樣的一類問題,經常讓使用線性代數已經很多年的人都感到為難。然而,這樣的問題如果不能獲得回答,線性代數對於我們來說就是一個粗暴的、不講道理的、莫名其妙的規則集合,我們會感到,自己並不是在學習一門學問,而是被不由分說地「拋到」一個強制的世界中,只是在考試的皮鞭揮舞之下被迫趕路,全然無法領略其中的美妙、和諧與統一。直到多年以後,我們已經發覺這門學問如此的有用,卻仍然會非常迷惑:怎麼這麼湊巧?我認為這是我們的線性代數教學中直覺性喪失的後果。
  • 線性代數應該這樣學
    引言線性代數是以解線性方程組為出發點,主要研究線性空間及其上的線性變換.考慮如下的線性方程組: 我們引入矩陣有了線性運算和乘法運算,上述線性方程組就可以分別表示為向量形式和矩陣形式:線性代數主要是圍繞著上述兩種形式來求解線性方程組的.1. 矩陣形式我們已通過矩陣乘法將線性方程組表示為矩陣形式
  • 86歲還在錄網課:MIT教授Gilbert Strang最新「線性代數」課程上線
    無論你是在學校、油管、B 站還是其他地方學《線性代數》,相信你對 MIT 的 Gilbert Strang 老爺子都不會陌生。去年,清華將「線性代數」課本改成英文教材引發熱議,用的就是 Gilbert Strang 寫的《Introduction to Linear Algebra》。
  • 如何學好線性代數?
    我明白了!」老實講,我不認為有哪個老師或那本教科書可以讓學生「第一次學線代就上手」。真正全面性的理解線性代數需要時間,需要勤奮練習與堅持思考。客觀上,線性代數之所以不容易學好的主要原因在於這個科目是由許多「人造的概念」架構而成的理論,而且它們經常以化的形式出現:定義 ─ 定理 ─ 證明(其實近代數學基本上都是這樣)。
  • 【經典書】線性代數,352頁pdf教你應該這樣學
    好的線性代數教材和資源往往能讓我們學習起來事半功倍!
  • 85歲MIT教授上線全新「線性代數」公開課:大牛幫你重新梳理知識點
    這門名為「A 2020 Vision of Linear Algebra」的課程一共分為6節,每節課的長度不超過15分鐘。在這門課中,Strang教授以獨立向量和矩陣的列空間作為學習線性代數的起點,逐步引出正交向量、特徵值和特徵向量、奇異值等知識點。
  • 人工智慧中的線性代數:如何理解並更好地應用它
    因此,線性代數是一套非常通用的思想和工具,可以應用於各個領域。但是「天下沒有免費的午餐」,通用性的代價是:某些定義和定理有著毫無必要的複雜度。不過事實並非如此:實際上,許多抽象目的是簡化而非複雜化。「如果它看起來像鴨子,像鴨子一樣遊泳,像鴨子一樣嘎嘎叫,那麼它可能就是鴨子」這實際上就是一種抽象,如果你習慣了這種抽象概念,將會非常方便。線性代數也是一樣。
  • 二十年前的全民學英語風潮,如今變成了「學 Python」
    雖然 Python 「出圈」是這兩年的事,但它問世已有近 30 年歷史。稍微接觸過 Python 的人,大多都聽說過這樣一句話:人生苦短,我用 Python。他可以熟練地列舉 Python 的各種好處:「資源太豐富了,你想學人工智慧,框架和庫一堆一堆,多到你不知道用哪個好。」「應該這麼說,大家都用 Python,可以說是生態環境決定了吧。底層和類庫,你當然也可以用其他語言,不過這一大堆東西,你自己再擼一遍,那不是重複造輪子嗎?」阿峰總結道。還有一些人,他們學 Python 並不指望用它解決實際的問題。
  • 這是一份文科生都能看懂的線性代數簡介
    為了得到結果向量中的第一個元素 16,選擇拿來和矩陣相乘的向量中的元素 1 和 5,把它們與矩陣第一行中的元素 1 和 3 相乘,像這樣:1*1 + 3*5 = 16。對矩陣第二行的元素進行相同的計算:4*1 + 0*5 = 4。同樣,再計算矩陣第三行的元素:2*1 + 1*5 = 7。
  • 沉浸式學習線性代數!這裡有一本全交互的線性代數書
    線性代數的書籍那麼多,這本卻獨具特色。準確來講,量詞似乎不能用「本」,因為它需要在網頁上閱讀,更重要的是,書裡的圖是可以動的,讀者還可以拖動圖。這種交互式圖看起來很有意思~書籍地址:http://immersivemath.com/ila/index.html書中的三維立體動態插圖。《Immersive Linear Algebra》的作者是 J.
  • 冥王星與「言過其實」
    隨著「可怕的」土冥合相將在2020年一月發生,現在就可以看到這個狀況。以下是一些在我臉書上看到的,這個「百年難遇」事件的相關話題下的回覆。看到這樣的用詞,彷佛我們面臨的是一件自2014年開創星座大十字以來,最為重要的、驚天動地的星象事件。別忘了,大部分科學家已不再認為冥王星是一顆行星。