首页 > 其他分享 >【学习笔记】代数

【学习笔记】代数

时间:2024-01-28 17:45:21浏览次数:48  
标签:方程组 线性方程组 矩阵 笔记 学习 cdots 代数 sim vdots

向量

咕。

线性方程组

定义

线性方程组指的是形如

\[\begin{aligned} a_{11}&x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1\\ a_{21}&x_1+a_{22}x_2+\cdots+a_{2n}x_n=b_2\\ &\vdots\ \ \ \ \ \ \ \ \ \ \ \ \vdots\ \ \ \ \ \ \ \ \ddots\ \ \ \ \ \ \ \ \ \vdots\ \ \ \ \ \ \ \ \ \ \vdots\\ a_{m1}&x_1+a_{m2}x_2+\cdots+a_{mn}x_n=b_m \end{aligned} \]

的方程组。其中我们肯定很熟悉二元一次方程组的解法,而这也属于线性方程组。

其中数字 \(b_i\) 叫做第 \(i\) 个方程的常数项。特别的,如果所有 \(b_i=0\),那么则称这个方程组是齐次的。这个方程组就是上个方程组相对应齐次方程组,或称上个方程组的诱导组。而未知数的系数正好可以排成一个长方形的表。

\[\begin{pmatrix} &a_{11}&a_{12}&\cdots&a_{1n}&\\ &a_{21}&a_{22}&\cdots&a_{2n}&\\ &\vdots&\vdots&\ddots&\vdots&\\ &a_{m1}&a_{m2}&\cdots&a_{mn}& \end{pmatrix} \]

叫做一个 \(m\times n\) 的矩阵。如果 \(n=m\),则称作是 \(n\) 阶方阵。可以用 \((a_{i,j})\) 或大写字母(通常用 \(A\))简示。第 \(i\) 行,第 \(j\) 列的元素是 \(a_{i,j}\),读作 \(a-i-j\)(zfy 注)。自然地,我们使用 \((a_{i1},a_{i2},\cdots,a_{in})\) 表示上面矩阵的第 \(i\) 行。而对于某一列,我们使用中括号,即 \([a_{1j},a_{2j},\cdots,a_{mj}]\),来表示。当矩阵是一个方阵时,我们称元素 \(a_{11},a_{22},\cdots,a_{nn}\) 组成了该矩阵的主对角线。如果除了主对角线,其他元素都是 \(0\),那么则称该方阵为对角矩阵,有时记作:

\[\operatorname{diag}(a_{11},a_{22},\cdots,a_{nn}) \]

当一个对角矩阵满足 \(a_{11}=a_{22}=\cdots=a_{nn}=k\),那么就称该方阵为纯量矩阵,记作 \(\operatorname{diag}_n(k)\)。\(\operatorname{diag}_n(1)\) 称作单位矩阵,通常记作 \(E_{n}\),当矩阵阶数确定时可简记为 \(E\)。(个人常把它记为 \(I\))

同时,我们定义最开始的方程组的增广矩阵为 \((a_{i,j}|b_j)\)。即在上面那个矩阵后面加一列 \([b_1,b_2,\cdots,b_m]\) 来表示常系数。为清楚起见,我们用竖线将 \(a,b\) 两部分分开。

假如我们用数字 \(y_i\) 代表未知数 \(x_i\),原方程组的所有式子全部变为恒等式,那么就称 \(n\) 个数组成的有序组 \(y_{1},y_{2},\cdots,y_{n}\) 为原方程组的一个,而 \(y_i\) 称为解的第 \(i\) 个分量。这时也称有序组 \(y_1,y_2,\cdots,y_n\) 满足原方程组的每一个方程。没有任何解的方程组叫做不相容的,有解的方程组叫做相容的,如果只有唯一解,就叫做确定的,解的个数多于一个的方程组叫做不定的

前置推论

解这个方程之前,我们先来学习几个前置推论。

假设我们有一个与最开始的方程组未知数个数和方程个数相同的线性方程组,称作方程组 \((1)\)。如果 \((1')\) 是 \((1)\) 中除 \(i,k\) 之外的所有方程不变,而第 \(i,k\) 个方程交换位置,则称 \((1')\) 是由 \((1)\) 经过 I 型初等变换 得到的。

如果 \((1)\) 中除第 \(i\) 个之外的所有方程保持不变,而第 \(i\) 个方程变为:

\[(a_{i1}+ca_{k1})x_1+(a_{i2}+ca_{k2})x_2+\cdots+(a_{in}+ca_{kn})x_n=b_i+cb_k \]

则称变换后的方程组 \((1')\) 是由 \((1)\) 经过 II 型初等变换 得到的。其中,\(c\) 是一个常数。这个变换可以理解为行向量 \([a_i]\) 加上数乘 \(c\) 后的行向量 \([a_k]\) 后得到的。

如果两个线性方程组同时是不相容的,或者同时是相容的且有相同的解,那么就称这两个线性方程组是等价的。两个等价的方程组 \((a)\) 和 \((b)\) 记作: \((a)\sim (b)\)。注意到该等价满足自反性,即 \((a)\sim(a)\);还满足对称性,即 \((a)\sim(b)\leftrightarrow (b)\sim(a)\);也满足传递性,即 \((a)\sim(b),(b)\sim(c)\to (a)\sim(c)\)。

标签:方程组,线性方程组,矩阵,笔记,学习,cdots,代数,sim,vdots
From: https://www.cnblogs.com/xingyuxuan/p/17993062/algebra

相关文章

  • 1/28 学习进度笔记
    SQL风格语法-注册DataFrame成为表DataFrame的一个强大之处就是我们可以将它看作是一个关系型数据表,然后可以通过在程序中使用spark.sql()来执行SQL语句查询,结果返回一个DataFrame。如果想使用SQL风格的语法,需要将DataFrame注册成表,采用如下的方式:df.createTempView(""score"......
  • perf_event_open学习 —— mmap方式读取
    目录示例程序2采集单个值采集多个值示例程序2示例程序3示例程序2Linuxperf子系统的使用(二)——采样(signal方式)在上一篇《Linuxperf子系统的使用(一)——计数》已经讲解了如何使用perf_event_open、read和ioctl对perf子系统进行编程。但有时我们并不需要计数,而是要采样。比如这......
  • Rust学习之Diesel setup报错解决
    Dieselsetup报错解决Diesel是一个安全、可扩展的RustORM和查询生成器。Diesel是Rust中与数据库交互最高效的方式,因为它对查询进行了安全且可组合的抽象。1.报错信息diesel_demoonmaster[?]via......
  • BUIR论文阅读笔记
    这个领域不熟悉,是看的第一篇论文,记录细一点Abstract单类协作过滤(OCCF)的目标是识别出与之呈正相关但尚未交互的用户-项目对,其中只有一小部分积极的用户-项目交互被观察到,对于积极和消极交互的区分建模,以往的工作在一定程度上依赖于负抽样,即将未观察到的用户项目对视为负对,因为实......
  • SelfCF论文阅读笔记
    Abstract讲述现存的挑战,现有的方法通常采用负抽样来区分不同的项目,也就是观察到的用户-项目对被视为正实例,未观察到的对被称为负实例,并且在一个定义的分布下进行采样以进行训练。在大数据集上进行负采样的计算成本高,所以负项目应该在定义的分布下仔细的进行抽样,避免在数据集中观......
  • FastAPI学习-31 FastAPI 如何集成 socket.io
    前言socket.io就是基于websocket封装的一个库,主要特点是能够进行实时的双向通讯,主要应用场景有实时的聊天,数据实时分析,数据传输,文件协同合作。有个socket.io的fastapi-socketio官方库,该库依赖传统的python-socketio库环境准备pipinstallfastapi-socketiofastapi服......
  • panghu week04 笔记
    长度最小的子数组一开始想的是框定一个区间,然后如果大于等于target,从区间头弹出一个元素,从尾部append进入一个元素,发现并不能覆盖所有的区间看了题解以后,可以定尾,然后移动头部进行比较funcminSubArrayLen(targetint,nums[]int)int{slide:=make([]int,0)slid......
  • 《Confusion Graph: Detecting Confusion Communities in Large Scale Image Classifi
    论文标题《ConfusionGraph:DetectingConfusionCommunitiesinLargeScaleImageClassification》混淆图:在大规模图像分类中检测混淆社区作者RuochunJin、YongDou、YueqingWang和XinNiu来自国防科技大学并行和分布式处理国家实验室,和上一篇是姊妹篇。初读摘要......
  • Docker学习笔记05:私有库
    DockerRegistry基本流程下载DockerRegistry镜像启动Registry容器推动镜像到自建Registry查看从自建Registry拉镜像。启动镜像dockerpullregistry#运行registry映射端口挂载映射容器卷开启特权模式dockerrun-d-p5000:5000-v/opt/registry:/tmp/registry--privilege......
  • 【学习笔记】部分树上算法(概念篇)
    本文包括:轻重链剖分(done)线段树合并(done)tobeupd:长链剖分DSUontree(树上启发式合并)点分治边分治LCT有待更新本文非例题代码大多未经过编译,谨慎使用本文本来只有重剖长剖dsu,但是发现不会写,另外几个甚至更简单就带歪了.jpgpart1轻重链剖分树剖是一类算法的总......