MIT-线性代数笔记（中）.pdfVIP

麻省理工大学公开课 MIT OpenCourseWare 18.06 线性代 数 Linear Algebra 第二单元 最小二乘法、行列式和特征值 Unit 2 the Least squares, Determinants Eigenvalues 第 14 讲 正交向量与正交子空间 第 15 讲 子空间投影 第 16 讲 投影矩阵和最小二乘法 第 17 讲 正交矩阵和施密特正交化 第 18 讲 行列式及其性质 第 19 讲 行列式公式和代数余子式 第 20 讲 克拉默法则、逆矩阵、体积 第 21 讲 特征值和特征向量 第 22 讲 对角化和矩阵的幂 At 第 23 讲 微分方程和 e 第 24 讲 马尔可夫矩阵；傅里叶级数 复习（二） 第 14 讲 正交向量与正交子空间 Orthogonal vectors subspaces 本讲我们讨论正交（orthogonal）概念对于向量、基和子空间的意义。 A 的行空间 A 的列空间 T dim C(A)=r dim C(A )=r 正交 Orthogonal Rn Rm 零空间 左零空间 dim N(A)=n-r T dim N(A )=m-r 图中绘制空间成 90 度角，这是表示这两个空间正交。这张图是 GS 最得意的作 品之一，它反映了四个子空间的关系，在后面的课程中可以看到其两两形成正交补， 在 Rn 空间中的向量会向两个子空间射影，并向 Rm 空间形成映射，反之亦然。 正交向量 Orthogonal vectors x+y y x 正交就是垂直（perpendicular）的另一种说法。两向量正交的判据之一是其点 积 xT T y =y x =0。当两个向量的夹角为 90 度时，按照勾股定理（毕达哥拉斯定理 Pythagorean theorem）x ，y 满足： 2 2 2 其中 2 T x  y x y x =x x 1 2 3             2 2 2 例如 x = 2 ，y = 1 ，则x +y = 1 ，x