好久没更新了啊~~~~最近忙着各种事情，就耽搁了，感觉每日一更大概是不能实现了，但会努力保证至少两日一更！

本节是Gilbert Strang的MIT线性代数Linear Algebra公开课中【第10讲 矩阵的四个基本子空间（lecture 10 The Four Fundamental Subspaces）】的笔记，参考他在 MIT Linear Algebra课程网站上公开分享的 lecture summary (PDF) & Lecture video transcript (PDF)等文档，整理笔记如下，笔记中的大部分内容是从 MIT Linear Algebra课程网站上的资料中直接粘贴过来的，本人只是将该课程视频中讲述的内容整理为文字形式，前面的章节可在本人的其他博客中找到（此处戳第一讲，第二讲，第三讲，第四讲，第五讲，第六讲，第七讲，第八讲，第九讲），后面的章节会按照视频顺序不断更新~

lecture 10 The Four Fundamental Subspaces

1 Four subspaces

任意的 $m×n$m×n 的矩阵 $A$A 都确定了四个subspaces（有可能只包含零向量）:

1. Column space, $C(A)$C(A) ，在 $\mathcal{R}^m$Rm 中，包含了 $A$A 各列的所有线性组合；

2. Nullspace, $N(A)$N(A) ，在 $\mathcal{R}^n$Rn 中，包含了 $Ax=0$Ax=0 的所有解；

3. Row space, $C(A^T)$C(AT) ，在 $\mathcal{R}^n$Rn 中，是 All combinations of the rows of $A$A = all combinations of the columns of $A^T$AT （这是为了不处理行向量，而保持一直处理列向量，故将矩阵转置，则可以将行向量当做列向量处理）；

4. Left nullspace, $N(A^T)$N(AT) ： $A^T$AT 的零空间，在 $\mathcal{R}^m$Rm 中。

2 Basis and Dimension

如何构造一组基？维数是多少？（要构造一组基，得先知道需要多少向量来组成一组基）

2.1 Column space

——列空间的一组基是什么？维数是多少？

——矩阵的 $r$r 个主列就构成列空间的一组基，维数 $\operatorname{dim} C(A)=r$dimC(A)=r 。（利用初等行变换确定主列）

行空间的维数也是秩 $r$r ，行空间和列空间的维数相等。

Example 1：
$\left[\begin{array}{llll} {1} & {2} & {3} \\ {1} & {2} & {3} \\ {2} & {5} & {8} \end{array}\right]$⎣⎡​112​225​338​⎦⎤​
看列不易发现，但是行空间很明显是个二维子空间，行空间的一组基：行一和行三，秩为2，因此，列空间也是二维的，故有两个主列，这三列线性相关。

2.2 Nullspace

——零空间的基是什么？零空间的维数是多少？

—— $Ax=0$Ax=0 的special solutions构成零空间的一组基，维数 $\operatorname{dim} N(A)=n-r$dimN(A)=n−r 。将矩阵 $A$A 进行行变换变成 $U$U 或 $R$R ，得出special solutions，每个*变量都能得到一个special solution（将一个*变量赋值为 $1$1 ，其余为 $0$0 ，得到一个special solution），共有 $n-r$n−r 个special solution，即为*变量的个数。

2.3 Row space

——行空间的一组基？

——通过转置矩阵的行最简形式得到行空间的一组基（行变列，消元，行最简，主列）， $\operatorname{dim} C\left(A^{T}\right)=r$dimC(AT)=r .

Example 2：
$A=\left[\begin{array}{r} {1} & {2} & {3} & {1} \\ {1} & {1} & {2} & {1} \\ {1} & {2} & {3} & {1} \end{array}\right] \rightarrow\left[\begin{array}{r} {1} & {2} & {3} & {1} \\ {0} & {-1} & {-1} & {0} \\ {0} & {0} & {0} & {0} \end{array}\right] \rightarrow\left[\begin{array}{r} {1} & {0} & {1} & {1} \\ {0} & {1} & {1} & {0} \\ {0} & {0} & {0} & {0} \end{array}\right]=\left[\begin{array}{r} {I} & {F} \\ {0} & {0} \end{array}\right]=R$A=⎣⎡​111​212​323​111​⎦⎤​→⎣⎡​100​2−10​3−10​100​⎦⎤​→⎣⎡​100​010​110​100​⎦⎤​=[I0​F0​]=R

1. 行变换不改变行空间，改变列空间。经过行变换后，矩阵的列空间改变了， $C(R) \not= C(A)$C(R)​=C(A) ，如 $A$A 中的$\left[\begin{array}{llll}{1} \\{1} \\{1} \end{array}\right]$⎣⎡​111​⎦⎤​ 在 $C(A)$C(A) 中，但是显然不在 $C(R)$C(R) 中。行变换后的各行仍然在原始矩阵 $A$A 的行空间内，因为行变换的结果都是原始矩阵 $A$A 的行向量的线性组合，故得到的结果仍然在它的行空间中，行空间没有变化；但是，基发生了变化，最终得到了一个最佳答案。
2. $R$R 的行空间的基也就是原矩阵 $A$A 的行空间的基：前两行。行空间由这三行的线性组合构成，但是由于他们相关，不构成行空间的基，即行空间可以由前两行生成，第三行没有作用。不管是对矩阵 $A$A 还是对矩阵 $R$R 来说，对应的行空间的基都是矩阵 $A$A 的行最简形式 $R$R 的前 $r$r 行（注意：不是 $A$A 的前 $r$r 行）。
3. 行空间的维数是 $r$r ，因为共有 $r$r 个主元， $r$r 个非零行，刚好有 $r$r 个向量均在行空间中，且线性无关，即为行空间的一组基。

——为什么 $A$A 的各行都是行空间的基的线性组合？

——通过各行消元的逆操作（由相反的操作从 $R$R 得到 $A$A ），即从 $R$R 的各行出发，进行线性组合，只需要执行之前减法运算的逆运算，即可得到 $A$A 的各行，故 $A$A 的各行是 $R$R 的各行的线性组合，他们的行空间相同，他们的基也相同。行空间在行最简 $R$R 中以最佳形式表现出来。

如果单位矩阵的各列是 $\mathcal{R}^3$R3 或 $\mathcal{R}^n$Rn 的最佳基，那么行最简形式中的行就是行空间的最佳的基，最佳的意义在于：它的形式最为简洁。

2.4 Left nullspace

左零空间 $N(A^T)$N(AT) ：若有 $A^T y=0$ATy=0 ，那么向量 $y$y 就在 $A^T$AT 的零空间中，表示矩阵乘以列向量等于一列零向量，等式两边同时转置： $y^TA=0^T$yTA=0T ，即一个行向量对 $A$A 进行左乘等于零，故称为左零空间( $y$y 在 $A$A 的左侧)。

2.4.1 左零空间的维数

矩阵 $A^T$AT 有 $m$m 列，矩阵 $A^T$AT 的秩为 $r$r ，则 $A^T$AT 的*列的数量为 $m-r$m−r ，故 $\operatorname{dim} N\left(A^{T}\right)=m-r$dimN(AT)=m−r .

2.4.2 左零空间的基

之前讲Gauss-Jordan消元法，可以求出一个可逆矩阵的逆，现在的矩阵不是方阵（可能是长方形），但是同样可以在它后面加一个单位阵，然后通过消元法求解矩阵的行最简：
$\left[\begin{array}{ll} A_{m \times n} & I_{m \times n} \end{array}\right] \longrightarrow\left[\begin{array}{ll} R_{m \times n} & E_{m \times n} \end{array}\right]$[Am×n​​Im×n​​]⟶[Rm×n​​Em×n​​]
可见 $EA=R$EA=R 。（当 $A$A 为可逆方阵时， $R=I, E=A^{-1}$R=I,E=A−1 ）。

$E$E 把行变换的过程都记录下来了：根据 $A$A 的行变换过程，对 $I$I 进行相同的操作，可得到 $E$E 。

Example 3：
$E A=\left[\begin{array}{rrr} -1 & 2 & 0 \\ 1 & -1 & 0 \\ -1 & 0 & 1 \end{array}\right]\left[\begin{array}{llll} 1 & 2 & 3 & 1 \\ 1 & 1 & 2 & 1 \\ 1 & 2 & 3 & 1 \end{array}\right]=\left[\begin{array}{llll} 1 & 0 & 1 & 1 \\ 0 & 1 & 1 & 0 \\ 0 & 0 & 0 & 0 \end{array}\right]=R$EA=⎣⎡​−11−1​2−10​001​⎦⎤​⎣⎡​111​212​323​111​⎦⎤​=⎣⎡​100​010​110​100​⎦⎤​=R
矩阵 $A$A 的秩为 $2$2 ，则左零空间的维数是 $m-r=3-2=1$m−r=3−2=1 ，即存在一种线性组合，使得矩阵 $A$A 的各行的线性组合结果是零行，这个线性组合可以确定左零空间的基。该矩阵的左零空间的基只有一个向量，这个基就是矩阵 $E$E 的最后一行，它对应的线性组合方式为： $-1$−1 倍的行一加上 $1$1 倍的行三 等于 $0$0 。

综上，求矩阵的左零空间，就是寻找一个产生零行向量的行组合；求矩阵的零空间，就是寻找一个产生零列向量的列组合。

3 New vector space

一种新的向量空间：All $3×3$3×3 matrices，称为 $M$M .

可以把矩阵看作“向量”，因为它服从向量空间的运算律：满足相加、数乘、线性组合、有零矩阵以及向量空间的八条运算律。但是实际上矩阵还可以互乘，但是目前先不关心互乘，因为这对向量空间没有影响，因此我们此时忽略互乘这一特点，就当做向量来看。

$M$M 的子空间包含：

1. 所有的上三角矩阵（all upper triangular matrices）；

2. 所有的对称矩阵（all symmetric matrices）；

3. 两个子空间的交集同样是子空间，前两个子空间的交集为所有的对角阵（ $D$D , all diagonal matrices）；

   子空间 $D$D 的维数为 $3$3 ，如子空间 $D$D 的一组基可以为：
   $\left[\begin{array}{lll} 1 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{array}\right],\left[\begin{array}{lll} 1 & 0 & 0 \\ 0 & 3 & 0 \\ 0 & 0 & 0 \end{array}\right],\left[\begin{array}{lll} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 7 \end{array}\right]$⎣⎡​100​000​000​⎦⎤​,⎣⎡​100​030​000​⎦⎤​,⎣⎡​000​000​007​⎦⎤​
   ​

   他们可以生成对角矩阵空间。

这个新的向量空间就相当于把概念 $\mathcal{R}^n​$Rn​ 扩展到 $\mathcal{R}^{n*n}​$Rn∗n​ ，但此时的空间仍对加法和数乘封闭。