文章目录
正交矩阵、对称矩阵和可数邻域套基
正交矩阵:
- 定义:一个 n × n n \times n n×n的矩阵 Q Q Q,如果满足 Q T Q = Q Q T = I Q^TQ = QQ^T = I QTQ=QQT=I(其中 I I I是 n × n n \times n n×n的单位矩阵, Q T Q^T QT是 Q Q Q的转置),则称 Q Q Q为正交矩阵。
- 性质:正交矩阵的列(或行)向量都是单位向量且两两正交;正交矩阵的逆矩阵等于其转置;正交矩阵乘以任意向量,不会改变该向量的长度(即保范性)。
- 应用:正交矩阵在数值线性代数、信号处理、量子力学等领域有广泛应用。
对称矩阵:
- 定义:一个 n × n n \times n n×n的矩阵 A A A,如果满足 A = A T A = A^T A=AT(即 A A A等于其转置),则称 A A A为对称矩阵。
- 性质:对称矩阵的元素关于主对角线对称;对称矩阵的特征值都是实数;对于任意实数矩阵 B B B, B T B B^TB BTB和 B B T BB^T BBT都是对称矩阵。
- 应用:对称矩阵在二次型、最优化问题、主成分分析等领域有重要应用。
可数邻域套基:
- 定义:在拓扑学中,设 X X X是一个拓扑空间, { U n } n = 1 ∞ \{U_n\}_{n=1}^{\infty} {Un}n=1∞是 X X X中的一个可数开集序列,如果满足:
- 对每个 n n n,有 U n + 1 ⊂ U n U_{n+1} \subset U_n Un+1⊂Un(即序列是嵌套的);
- ⋂ n = 1 ∞ U n ≠ ∅ \bigcap_{n=1}^{\infty} U_n \neq \emptyset ⋂n=1∞Un=∅(即所有开集的交集非空),
则称 { U n } n = 1 ∞ \{U_n\}_{n=1}^{\infty} {Un}n=1∞为 X X X中的一个可数邻域套。进一步,如果存在一个点 x ∈ X x \in X x∈X,使得对每个 n n n,都有 x ∈ U n x \in U_n x∈Un,并且对于 x x x的任意邻域 U U U,都存在某个 n n n,使得 U n ⊂ U U_n \subset U Un⊂U,则称 { U n } n = 1 ∞ \{U_n\}_{n=1}^{\infty} {Un}n=1∞为以 x x x为基的可数邻域套基。
- 性质:可数邻域套基是拓扑空间中的一种重要构造,用于研究空间的分离性、紧致性等性质。
- 应用:在证明某些拓扑定理时,可数邻域套基常常作为关键工具。
- 定义:在拓扑学中,设 X X X是一个拓扑空间, { U n } n = 1 ∞ \{U_n\}_{n=1}^{\infty} {Un}n=1∞是 X X X中的一个可数开集序列,如果满足:
综上所述,正交矩阵、对称矩阵和可数邻域套基是分别属于线性代数和拓扑学的不同概念。正交矩阵和对称矩阵在矩阵理论中占有重要地位,而可数邻域套基则是拓扑学研究中的一个有用工具。
正交投影
正交补
概述
在 R n \mathbb{R}^n Rn中,如果 V V V是一个子空间,那么 V V V的正交补(orthogonal complement),记作 V ⊥ V^\perp V⊥,是另一个与 V V V有特定关系的子空间。具体来说, V ⊥ V^\perp V⊥包含所有与 V V V中每个向量都正交的向量。
定义如下:
V ⊥ = { x ∈ R n : x ⋅ v = 0 对所有 v ∈ V } V^\perp = \{\mathbf{x} \in \mathbb{R}^n : \mathbf{x} \cdot \mathbf{v} = 0 \text{ 对所有 } \mathbf{v} \in V\} V⊥={x∈Rn:x⋅v=0 对所有 v∈V}
这里, ⋅ \cdot ⋅表示向量的点积。
性质
- V 是 R n V是R^n V是Rn的一个子空间, V ⊥ V^\perp V⊥是 R n \mathbb{R}^n Rn的一个子空间
- 对于任意向量 x ∈ R n \mathbf{x} \in \mathbb{R}^n x∈Rn,都可以唯一地分解为 x = v + w \mathbf{x} = \mathbf{v} + \mathbf{w} x=v+w,其中 v ∈ V \mathbf{v} \in V v∈V且 w ∈ V ⊥ \mathbf{w} \in V^\perp w∈V⊥。这是由 V V V和 V ⊥ V^\perp V⊥的正交性保证的。
这个关于x的表达式就是正交分解。 - dim V + dim V ⊥ = n \dim V + \dim V^\perp = n dimV+dimV⊥=n,即 V V V和 V ⊥ V^\perp V⊥的维数之和等于 R n \mathbb{R}^n Rn的维数。这是由维数定理(也称为秩-零化度定理)得出的。
- V V V和 V ⊥ V^\perp V⊥可以张成 R n R^n Rn空间。
- v 和 w \mathbf{v} 和 \mathbf{w} v和w叫做 x \mathbf{x} x在子空间 V V V和 V ⊥ V^\perp V⊥上的正交投影
- 如果 V V V是由一组向量 { v 1 , v 2 , … , v k } \{\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_k\} {v1,v2,…,vk}张成的,那么 V ⊥ V^\perp V⊥可以由所有与这组向量都正交的向量张成。
- 特别地,如果这组向量是线性无关的,并且 k < n k < n k<n,那么可以通过解一个齐次线性方程组来找到 V ⊥ V^\perp V⊥的基。
- 如果 V V V是一个闭子空间(在拓扑意义上),那么 V ⊥ V^\perp V⊥也是闭的。这在无限维空间中尤其重要,但在有限维空间 R n \mathbb{R}^n Rn中,所有子空间都是闭的。
- V ∩ V ⊥ = { 0 } V \cap V^\perp = \{\mathbf{0}\} V∩V⊥={0},即 V V V和 V ⊥ V^\perp V⊥只包含零向量这一共同元素(如果 V V V是非平凡的,即 V ≠ { 0 } V \neq \{\mathbf{0}\} V={0}且 V ≠ R n V \neq \mathbb{R}^n V=Rn)。
正交分解
概述
定义:
- 正交分解是将一个向量空间(通常是Hilbert空间,如欧几里得空间或更一般的内积空间)中的向量表示为两个(或更多)相互正交的子空间中的向量的和。
- 这种分解是唯一的,并且每个分量都是与另一个子空间正交的。
计算:
- 假设 V V V和 W W W是Hilbert空间 H H H中的两个正交子空间,即对于任意 v ∈ V v \in V v∈V和 w ∈ W w \in W w∈W,都有 ⟨ v , w ⟩ = 0 \langle v, w \rangle = 0 ⟨v,w⟩=0。
- 对于任意 h ∈ H h \in H h∈H,存在唯一的 v ∈ V v \in V v∈V和 w ∈ W w \in W w∈W,使得 h = v + w h = v + w h=v+w。
- 这可以通过构造投影算子或使用Gram-Schmidt正交化过程来实现。
性质:
- 唯一性:正交分解是唯一的,即给定 h ∈ H h \in H h∈H,存在唯一的 v ∈ V v \in V v∈V和 w ∈ W w \in W w∈W,使得 h = v + w h = v + w h=v+w。
- 正交性:分解中的两个分量 v v v和 w w w是正交的。
- 线性性:正交分解是线性的,即如果 h 1 = v 1 + w 1 h_1 = v_1 + w_1 h1=v1+w1和 h 2 = v 2 + w 2 h_2 = v_2 + w_2 h2=v2+w2,那么对于任意标量 α \alpha α和 β \beta β,都有 α h 1 + β h 2 = ( α v 1 + β v 2 ) + ( α w 1 + β w 2 ) \alpha h_1 + \beta h_2 = (\alpha v_1 + \beta v_2) + (\alpha w_1 + \beta w_2) αh1+βh2=(αv1+βv2)+(αw1+βw2)。
例子:
在三维欧几里得空间中,考虑平面 z = 0 z = 0 z=0(即 x y xy xy平面)和直线 x = y = 0 x = y = 0 x=y=0(即 z z z轴)。这两个子空间是正交的。任意三维向量 v = ( x , y , z ) \mathbf{v} = (x, y, z) v=(x,y,z)都可以唯一地分解为平面上的向量 ( x , y , 0 ) (x, y, 0) (x,y,0)和 z z z轴上的向量 ( 0 , 0 , z ) (0, 0, z) (0,0,z)的和。
向量的直和(Direct Sum of Vectors)
是一个数学概念,通常用于描述两个或多个向量空间按照特定方式合并成一个新的向量空间的过程。在这个过程中,每个向量空间中的向量都被视为是独立的,即它们之间没有线性关系能够跨越不同的向量空间。
定义
设 V 1 , V 2 , … , V n V_1, V_2, \ldots, V_n V1,V2,…,Vn 是向量空间,它们的直和 V 1 ⊕ V 2 ⊕ … ⊕ V n V_1 \oplus V_2 \oplus \ldots \oplus V_n V1⊕V2⊕…⊕Vn 是一个向量空间,其元素是形如 ( v 1 , v 2 , … , v n ) (v_1, v_2, \ldots, v_n) (v1,v2,…,vn) 的有序组,其中 v i ∈ V i v_i \in V_i vi∈Vi( i = 1 , 2 , … , n i = 1, 2, \ldots, n i=1,2,…,n)。直和中的加法和标量乘法定义如下:
- 加法:若 u = ( u 1 , u 2 , … , u n ) u = (u_1, u_2, \ldots, u_n) u=(u1,u2,…,un) 和 v = ( v 1 , v 2 , … , v n ) v = (v_1, v_2, \ldots, v_n) v=(v1,v2,…,vn),则 u + v = ( u 1 + v 1 , u 2 + v 2 , … , u n + v n ) u + v = (u_1 + v_1, u_2 + v_2, \ldots, u_n + v_n) u+v=(u1+v1,u2+v2,…,un+vn)。
- 标量乘法:若 k k k 是一个标量, v = ( v 1 , v 2 , … , v n ) v = (v_1, v_2, \ldots, v_n) v=(v1,v2,…,vn),则 k v = ( k v 1 , k v 2 , … , k v n ) kv = (kv_1, kv_2, \ldots, kv_n) kv=(kv1,kv2,…,kvn)。
性质
- 维数:如果 V 1 , V 2 , … , V n V_1, V_2, \ldots, V_n V1,V2,…,Vn 是有限维的,那么它们的直和的维数是各向量空间维数之和。
- 线性无关性:如果 V 1 , V 2 , … , V n V_1, V_2, \ldots, V_n V1,V2,…,Vn 中的向量组分别是线性无关的,那么它们在直和中也是线性无关的。
- 子空间:直和中的每个 V i V_i Vi 可以看作是直和向量空间的一个子空间。
例子
- 二维空间与三维空间的直和:设 V 1 V_1 V1 是二维实数空间 R 2 \mathbb{R}^2 R2, V 2 V_2 V2 是三维实数空间 R 3 \mathbb{R}^3 R3,则它们的直和 V 1 ⊕ V 2 V_1 \oplus V_2 V1⊕V2 是一个五维空间,其元素是形如 ( ( x 1 , x 2 ) , ( y 1 , y 2 , y 3 ) ) ((x_1, x_2), (y_1, y_2, y_3)) ((x1,x2),(y1,y2,y3)) 的有序组。
- 多项式空间的直和:设 P n P_n Pn 表示次数不超过 n n n 的实系数多项式空间,则 P 1 ⊕ P 2 P_1 \oplus P_2 P1⊕P2 是一个由一次和二次多项式组成的四维空间(考虑到一次多项式有两个系数,二次多项式有三个系数,但直和中会去掉一个重复的常数项系数)。
直和的概念在数学、物理和工程等领域中有广泛应用,特别是在需要处理多个独立变量或系统时。通过直和,可以将复杂的问题分解为更简单的子问题,从而更容易地进行分析和求解。
正交投影概述
正交投影的定义和性质
- 定义:正交投影是一种将三维物体投影到二维平面(或更低维空间)上的方法,其特点是投影线与投影平面垂直。
- 在三维空间中,这通常意味着投影线是平行于某一坐标轴的,如平行于z轴的投影,会将物体的x-y平面上的形状准确地映射到投影平面上,而不受物体在z轴方向上的位置或形状的影响。
正交投影是指将一个向量投影到另一个向量(或子空间)上,同时保持投影结果与原始向量之间的夹角为直角(即正交)。在三维空间中,这通常意味着将一个三维向量投影到一个平面、直线或点上。
性质
- 保持长度:在正交投影下,投影向量的长度(或范数)通常不会增加,即投影是一种非膨胀的变换。特别地,当投影到单位向量上时,投影向量的长度等于原始向量与该单位向量内积的绝对值。
- 线性变换:正交投影是一种线性变换,可以用一个矩阵来表示。这个矩阵通常是正交矩阵的一个子矩阵或与其相关的矩阵。
- 几何意义:正交投影在几何上有着直观的解释,它可以将一个向量分解为与给定子空间平行和垂直的两个分量。平行分量就是投影结果,而垂直分量则与给定子空间正交。
- 正交投影保持物体的形状和大小不变(在投影平面上),但会丢失深度信息。
- 它不会产生透视效果,即远近物体在投影平面上的大小保持一致。
- 此外,正交投影是线性的,意味着投影结果可以通过线性变换(如矩阵乘法)来计算。
正交投影在数学和物理中的应用
- 数学应用:在计算机图形学中,正交投影是生成二维图像的一种基本方法。它简化了三维物体到二维屏幕的映射过程,使得物体的几何性质(如长度、角度)在投影后保持不变,便于进行后续的图像处理和分析。
- 物理应用:在物理学中,正交投影常用于分析力学系统中的运动轨迹和受力情况。例如,在机械设计中,可以通过正交投影来绘制零件的二维图纸,以便进行加工和制造。在光学中,正交投影也用于描述光线在平面镜上的反射规律。
- 正交投影与其他投影方式的区别和联系:
- 与透视投影的区别:透视投影考虑到了观察者的位置和视角,因此远近物体在投影平面上的大小会有所不同,产生透视效果。而正交投影则不考虑这些因素,所有物体在投影平面上的大小都保持一致。
- 与斜投影的区别:斜投影是投影线与投影平面不垂直的投影方式。与正交投影相比,斜投影会改变物体的形状和大小,因此在实际应用中较少使用。
- 联系:尽管正交投影、透视投影和斜投影在投影方式和结果上有所不同,但它们都是将三维物体映射到二维平面上的方法。在实际应用中,可以根据具体需求和场景选择合适的投影方式。例如,在计算机图形学中,可以根据游戏或应用的需求选择使用正交投影或透视投影来生成图像。在机械设计和建筑制图中,则更多地使用正交投影来确保图纸的准确性和可读性。
与正交矩阵的关系
正交矩阵的一个重要性质是它们可以表示旋转和反射等保持长度不变的线性变换。在正交投影中,如果我们投影到一个由正交矩阵的列向量张成的子空间上,那么投影变换可以用该正交矩阵的某个子矩阵(通常是列向量构成的矩阵)与其转置矩阵的乘积来表示。特别地,如果投影到整个空间(即没有进行实际的投影),那么这个乘积就是单位矩阵,对应于恒等变换。
计算方法
假设我们要将向量 v \mathbf{v} v投影到由向量 u \mathbf{u} u张成的一维子空间上(这里 u \mathbf{u} u是单位向量)。那么投影向量 p \mathbf{p} p可以用以下公式计算:
p = ( v ⋅ u ) u \mathbf{p} = (\mathbf{v} \cdot \mathbf{u})\mathbf{u} p=(v⋅u)u
其中, ⋅ \cdot ⋅表示向量的点积。更一般地,如果我们要投影到由多个正交向量张成的子空间上,我们可以使用类似的方法,但需要构造一个包含所有这些向量的正交矩阵,并利用其性质进行计算。
应用
正交投影在计算机图形学、信号处理、机器学习等领域有着广泛的应用。例如,在计算机图形学中,正交投影常用于生成物体的二维视图(如正视图、侧视图等);在信号处理中,它可以用于提取信号中的特定成分(如频率分量);在机器学习中,它可以用于降维和特征提取等任务。
正交投影算子
概述
定义:
正交投影算子是作用于向量空间上的线性算子,它将向量投影到某个子空间上,同时保持与原始向量的正交性。即,如果 V V V是 H H H的一个子空间,那么正交投影算子 P V : H → V P_V: H \to V PV:H→V满足 P V ( h ) ∈ V P_V(\mathbf{h}) \in V PV(h)∈V且 ( h − P V ( h ) ) ⊥ V (\mathbf{h} - P_V(\mathbf{h})) \perp V (h−PV(h))⊥V。
计算:
假设 V V V是由一组正交基 { v 1 , v 2 , … , v n } \{\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_n\} {v1,v2,…,vn}张成的子空间。对于任意 h ∈ H \mathbf{h} \in H h∈H,正交投影 P V ( h ) P_V(\mathbf{h}) PV(h)可以通过以下公式计算:
P V ( h ) = ∑ i = 1 n ⟨ h , v i ⟩ ⟨ v i , v i ⟩ v i P_V(\mathbf{h}) = \sum_{i=1}^n \frac{\langle \mathbf{h}, \mathbf{v}_i \rangle}{\langle \mathbf{v}_i, \mathbf{v}_i \rangle} \mathbf{v}_i PV(h)=i=1∑n⟨vi,vi⟩⟨h,vi⟩vi
如果基向量是单位向量,则公式简化为:
P V ( h ) = ∑ i = 1 n ⟨ h , v i ⟩ v i P_V(\mathbf{h}) = \sum_{i=1}^n \langle \mathbf{h}, \mathbf{v}_i \rangle \mathbf{v}_i PV(h)=i=1∑n⟨h,vi⟩vi
性质:
- 线性性:正交投影算子是线性的。
- 自伴性:在正交投影下,算子的伴随算子等于其本身(即 P V ∗ = P V P_V^* = P_V PV∗=PV)。
- 幂等性:对于任意 h ∈ H \mathbf{h} \in H h∈H,都有 P V ( P V ( h ) ) = P V ( h ) P_V(P_V(\mathbf{h})) = P_V(\mathbf{h}) PV(PV(h))=PV(h)。
- 与零空间的关系:正交投影算子的零空间是 V V V的正交补 V ⊥ V^\perp V⊥。
例子:
考虑二维平面中的直线 y = x y = x y=x。对于平面中的任意点 ( x , y ) (x, y) (x,y),其在直线上的正交投影是点 ( x + y 2 , x + y 2 ) (\frac{x+y}{2}, \frac{x+y}{2}) (2x+y,2x+y)。这可以通过计算点到直线的距离并找到垂足来得到。
正交投影算子的解释说明
1. 基本概念和性质
正交投影算子是一种线性算子,它将一个向量投影到另一个向量或子空间上,同时保持投影结果与原始向量之间的正交性。在几何上,这意味着投影向量与原始向量之间的夹角为90度(或说它们垂直)。正交投影算子具有许多重要性质,如线性性、保范性(在投影子空间上)和自伴性(在实内积空间中,投影算子等于其转置)。
2. 应用场景
在数学和物理领域中,正交投影算子的应用场景广泛:
数学:在数值分析、线性代数和矩阵理论中,正交投影用于求解线性方程组、计算最小二乘解和进行矩阵分解(如QR分解)。此外,在函数空间中,正交投影用于构造正交基和进行函数逼近。
物理:在量子力学中,正交投影算子用于描述量子态的测量和坍缩。在经典力学中,它们用于计算物体在特定方向上的投影,如力的分解和合成。
工程学:在信号处理中,正交投影用于滤波和降噪。在图像处理中,它们用于图像压缩和重建(如JPEG压缩算法中的离散余弦变换)。
计算机科学:在计算机图形学中,正交投影用于渲染三维场景到二维屏幕上的过程。在机器学习中,投影方法用于降维(如主成分分析PCA)和特征提取。
3. 具体计算公式和推导过程
设向量 v ⃗ \vec{v} v在向量 u ⃗ \vec{u} u上的正交投影为 p ⃗ \vec{p} p,则根据正交投影的定义, p ⃗ \vec{p} p与 u ⃗ \vec{u} u共线,且 v ⃗ − p ⃗ \vec{v} - \vec{p} v−p与 u ⃗ \vec{u} u正交。设 u ⃗ \vec{u} u为单位向量(若不是,则先将其归一化),则投影 p ⃗ \vec{p} p可以表示为:
p ⃗ = ( v ⃗ ⋅ u ⃗ ) u ⃗ \vec{p} = (\vec{v} \cdot \vec{u})\vec{u} p=(v⋅u)u
其中, v ⃗ ⋅ u ⃗ \vec{v} \cdot \vec{u} v⋅u表示 v ⃗ \vec{v} v和 u ⃗ \vec{u} u的内积。
推导过程如下:
- 设 p ⃗ = k u ⃗ \vec{p} = k\vec{u} p=ku,其中 k k k为待求系数。
- 由于 v ⃗ − p ⃗ \vec{v} - \vec{p} v−p与 u ⃗ \vec{u} u正交,所以 ( v ⃗ − p ⃗ ) ⋅ u ⃗ = 0 (\vec{v} - \vec{p}) \cdot \vec{u} = 0 (v−p)⋅u=0。
- 将 p ⃗ = k u ⃗ \vec{p} = k\vec{u} p=ku代入上式,得 v ⃗ ⋅ u ⃗ − k u ⃗ ⋅ u ⃗ = 0 \vec{v} \cdot \vec{u} - k\vec{u} \cdot \vec{u} = 0 v⋅u−ku⋅u=0。
- 由于 u ⃗ \vec{u} u是单位向量,所以 u ⃗ ⋅ u ⃗ = 1 \vec{u} \cdot \vec{u} = 1 u⋅u=1,从而 k = v ⃗ ⋅ u ⃗ k = \vec{v} \cdot \vec{u} k=v⋅u。
- 因此, p ⃗ = ( v ⃗ ⋅ u ⃗ ) u ⃗ \vec{p} = (\vec{v} \cdot \vec{u})\vec{u} p=(v⋅u)u。
对于更一般的情况,如果投影到子空间 U U U上,且 U U U由一组正交基 { u ⃗ 1 , u ⃗ 2 , … , u ⃗ n } \{\vec{u}_1, \vec{u}_2, \ldots, \vec{u}_n\} {u1,u2,…,un}张成,则向量 v ⃗ \vec{v} v在 U U U上的投影为:
p ⃗ = ∑ i = 1 n ( v ⃗ ⋅ u ⃗ i ) u ⃗ i \vec{p} = \sum_{i=1}^{n} (\vec{v} \cdot \vec{u}_i)\vec{u}_i p=i=1∑n(v⋅ui)ui
4. 重要性和价值
正交投影算子在理论和实际应用中都具有重要性和价值。它们提供了一种将向量或函数分解到特定子空间上的方法,从而简化了问题的分析和求解。在数值计算和数据处理中,正交投影有助于减少计算量、提高精度和稳定性。在物理和工程学中,它们用于建模和解决实际问题,如力的分解、信号处理、图像压缩和渲染等。此外,正交投影还与许多其他数学概念(如正交基、正交变换和特征值问题等)紧密相关,是数学和物理领域中的基础工具之一。因此,正交投影算子在相关领域中的广泛应用体现了其重要性和价值。
零空间
定义:
零空间(也称为核或零化空间)是线性算子或矩阵的一个重要子集。对于线性算子 T : V → W T: V \to W T:V→W,其零空间是 V V V中所有满足 T ( v ) = 0 T(\mathbf{v}) = \mathbf{0} T(v)=0的向量 v \mathbf{v} v的集合。用数学符号表示,零空间为:
Null ( T ) = { v ∈ V : T ( v ) = 0 } \text{Null}(T) = \{\mathbf{v} \in V : T(\mathbf{v}) = \mathbf{0}\} Null(T)={v∈V:T(v)=0}
计算:
对于给定的矩阵或线性算子,可以通过解齐次线性方程组来找到其零空间。即,解方程组 T ( v ) = 0 T(\mathbf{v}) = \mathbf{0} T(v)=0。
性质:
- 子空间性:零空间是 V V V的一个子空间。
- 维度关系:对于有限维空间,零空间的维度与算子的秩和定义域的维度之间有关系(即秩-零化度定理)。
- 与正交投影的关系:对于正交投影算子 P V P_V PV,其零空间是 V V V的正交补 V ⊥ V^\perp V⊥。
例子:
考虑矩阵 A = ( 1 2 3 6 ) A = \begin{pmatrix} 1 & 2 \\ 3 & 6 \end{pmatrix} A=(1326)。其零空间是满足 A x = 0 A\mathbf{x} = \mathbf{0} Ax=0的所有向量 x \mathbf{x} x的集合。解这个方程组,我们得到 x = k ( − 2 1 ) \mathbf{x} = k\begin{pmatrix} -2 \\ 1 \end{pmatrix} x=k(−21),其中 k k k是任意实数。因此,零空间是由向量 ( − 2 1 ) \begin{pmatrix} -2 \\ 1 \end{pmatrix} (−21)张成的一维子空。
参考文献
文心一言