MIT 线性代数（16—18）读书笔记

第十六讲 投影矩阵(Ax=b)和最小二乘法

上一讲中，我们知道了投影矩阵P=A(ATA)−1AT，Pb将会把向量投影在A的列空间中。即只要知道矩阵A的列空间，就能得到投影矩阵P的导出式。

1.投影矩阵（Ax=b无解的情形）

1.1两个极端的例子：

如果b∈C(A)，则Pb=b；

如果b⊥C(A)，则Pb=0。

证明1：Pb=A(ATA)−1ATb=A(ATA)−1ATAx=A((ATA−1)ATA)x=Ax=b

证明2：Pb=A(ATA)−1ATb=A(ATA−1)(ATb)=A((ATA−1)0=0

一般情况下，b将会有一个垂直于A的分量，有一个在A列空间中的分量，投影的作用就是去掉垂直分量而保留列空间中的分量。

1.2一般情形

一般情况下，b将会有一个垂直于A的分量，有一个在A列空间中的分量，投影的作用就是去掉垂直分量而保留列空间中的分量。如图：



向量b投影后，有b=e+p,p=Pb,e=(I−P)b，这里的p是b在C(A)中的分量，而e是b在N(AT)中的分量。

可以理解为：向量b的投影在A的column space，error vector的投影在left null space上，我们知道P，可以将b 投影到p，那么一个什么样的投影矩阵把b投影到了e？因为column space与left null space正交补，所以他们共同组成了整个空间，I的column space就是整个空间，I−P就是把b投影到e的矩阵，它和P有意义的性质。

2. 最小二乘法（Ax=b）

回到上一讲最后提到的例题：

我们需要找到距离图中三个点 (1,1),(2,2),(3,2) 偏差最小的直线：y=C+Dt。



根据条件可以得到方程组 ⎧⎩⎨C+DC+2DC+3D=1=2=2，写作矩阵形式 ⎡⎣⎢111123⎤⎦⎥[CD]=⎡⎣⎢122⎤⎦⎥，也就是我们的Ax=b，很明显方程组无解。

此时我们要找到最接近的解”最优解”，我们要使得解最优即误差最小，定义误差为Ax−b=e的模长的平方即∥Ax−b∥2=∥e∥2=e21+e22+e23。此处使用平方的原因一是排除开根号带来的非线性运算，一是方便利用偏导数求解最小值。

1.利用偏导求解

这里如果使用偏导数我们也能得到关于最优解的方程，展开结果为:

⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪∥e∥2=e21+e22+e22=(C+D−1)2+(C+2D−2)2+(C+3D−2)2=3C2+14D2+9−10C−22D+12CD

然后对C求偏导为6C−10+12D=0；对D求偏导为28D−22+12C=0。

解方程得C^=23,D^=12，则“最佳直线”为y=23+12t，带回原方程组解得p1=76,p2=53,p3=136，即e1=−16,e2=13,e3=−16。

于是我们得到p=⎡⎣⎢⎢⎢7653136⎤⎦⎥⎥⎥,e=⎡⎣⎢⎢−1613−16⎤⎦⎥⎥，易看出b=p+e，同时我们发现p⋅e=0即p⊥e。

可以验证，向量p 与e 正交，并且e 与矩阵A 的列空间正交。

pTe=7/6∗(−1/6)+5/3∗1/3+13/6∗(−1/6)=0eTa1=1∗(−1/6)+1∗1/3+1∗(−1/6)=0eTa2=1∗(−1/6)+2∗1/3+3∗(−1/6)=0

误差向量e不仅垂直于投影向量p，它同时垂直于列空间，如 ⎡⎣⎢111⎤⎦⎥,⎡⎣⎢123⎤⎦⎥。

2.利用矩阵求解

用矩阵的方法求解Ax^=Pb得到的方程是一样的，现在我们尝试解出x^=[C^D^]与p=⎡⎣⎢p1p2p3⎤⎦⎥。

ATAx^=ATbATA=[36614]ATb=[511][36614][C^D^]=[511]

写成方程形式为{3C^+16D^6C^+14D^=5=11，也称作正规方程组（normalequations）。

求的的结果是一样的。

我们现在做的运算也称作线性回归（linearregression），使用误差的平方和作为测量总误差的标准。

注：

如果有另一个点，如(0,100)，在本例中该点明显距离别的点很远，最小二乘将很容易被离群的点影响，通常使用最小二乘时会去掉明显离群的点。

3.证明ATA可逆

3.1 证明可逆

接下来我们观察ATA，如果A的各列线性无关，求证ATA是可逆矩阵。

先假设ATAx=0，两边同时乘以xT有xTATAx=0，即(Ax)T(Ax)=0。一个矩阵乘其转置结果为零，则这个矩阵也必须为零（(Ax)T(Ax)相当于Ax长度的平方）。则Ax=0，结合题设中的“A的各列线性无关”，可知x=0，也就是ATA的零空间中有且只有零向量，得证。

3.2互相垂直线性无关

我们再来看一种线性无关的特殊情况：互相垂直的单位向量一定是线性无关的。

比如：⎡⎣⎢100⎤⎦⎥⎡⎣⎢010⎤⎦⎥⎡⎣⎢001⎤⎦⎥，这三个正交单位向量也称作标准正交向量组（orthonormal vectors）。

另一个例子[cosθsinθ][−sinθcosθ]

下一讲研究标准正交向量组。

4.总结

1.记住图的意义：



2.最小二乘法求解的意义。

3.ATA可逆的条件和正交向量组。

第十七讲：正交矩阵和Gram-Schmidt正交化法

这是关于正交性最后一讲，已经知道正交空间，比如行空间和零空间，今天主要看正交基和正交矩阵

1.标准正交基与正交矩阵

1.1 标准正交基

定义标准正交向量（orthonormal）：qTiqj={0i≠j1i=j;

2.将标准正交向量放入矩阵中，有Q=[q1q2⋯qn],计算QTQ

QTQ=⎡⎣⎢⎢⎢⎢⎢10⋮001⋮0⋯⋯⋱⋯00⋮1⎤⎦⎥⎥⎥⎥⎥=I

我们也把Q成为标准正交矩阵（orthonormal matrix）。

标准正交基：

- 举个置换矩阵的例子：Q=⎡⎣⎢010100001⎤⎦⎥，则QT=⎡⎣⎢001100010⎤⎦⎥，易得QTQ=I。

- 使用上一讲的例子Q=[cosθsinθ−sinθcosθ]，列向量长度为1，且列向量相互正交。

- 其他例子Q=12√[111−1]，列向量长度为1，且列向量相互正交。

- 使用上一个例子的矩阵，令Q′=c[QQQ−Q]，取合适的c另列向量长度为1也可以构造标准正交矩阵：Q=12⎡⎣⎢⎢⎢11111−11−111−1−11−1−11⎤⎦⎥⎥⎥，这种构造方法以阿德玛（Adhemar）命名，对2,4,16,64,⋯阶矩阵有效。

- 再来看一个例子，Q=13⎡⎣⎢122−2−122−21⎤⎦⎥，列向量长度为1，且列向量相互正交。格拉姆-施密特正交化法的缺点在于，由于要求得单位向量，所以我们总是除以向量的长度，这导致标准正交矩阵中总是带有根号，而上面几个例子很少有根号。

标准正交矩阵

QTQ对任意的Q都成立，但我们更关注Q为方阵时的情况，因为其有逆且由QTQ=I⇒Q−1=QT，我们叫这种column vector为标准正交向量组成且为方阵的矩阵为正交矩阵 orthogonal matrix。

注意：标准正交矩阵 orthogonormal matrix不一定是方阵，当它是方阵的时候，我们叫它正交矩阵 orthogonal matrix。

1.2正交矩阵

为什么我们如此关注标准正交矩阵 orthogonormal matrix为方阵 的情形？

上一讲我们研究了ATA的特性，联系我们之前学习的投影矩阵projection matrix，将向量b投影在标准正交矩阵Q的列空间中，根据上一讲的公式得P=Q(QTQ)−1QT，由于标准正交矩阵Q的性质，易得P=QQT。

我们断言，当列向量为标准正交基时，QQT是投影矩阵。极端情况，假设矩阵是方阵，而其列向量是标准正交的，则其列空间就是整个向量空间，而投影整个空间的投影矩阵就是单位矩阵，此时QQT=I。

投影矩阵的两个性质：

1. (QQT)T=QQT，

证明：(QQT)T=(QT)TQT=QQT

2.(QQT)2=QQT

证明：(QQT)2=QQTQQT=Q(QTQ)QT=QQT

我们计算的ATAx^=ATb，现在变为QTQx^=QTb，也就是x^=QTb，分解开来看就是x^i=qTib−−−−−−−，这个式子在很多数学领域都有重要作用。当我们知道标准正交基，则解向量第$i$个分量为基的第$i$个分量乘以b，在第$i$个基方向上的投影就等于qTib。

2. Gram-Schmidt正交化法

这是一种将矩阵转化为标准正交向量orthogonormal matrix的方法。按老师的说法Schmidt教我们如何将一个向量标准化normalized，而Graham教我们如何使得各个向量正交orthogonal。

总思路：

已知相互无关的向量a,b，目标要将a,b 变成相互正交且长度为1的q1,q2，可将向量a 固定，然后b投影到a上，误差e=B.

我们有两个线性无关的向量a,b，先把它们化为单位正交向量A,B：

我们取定a向量的方向，a=A；

接下来将b投影在A的法方向上得到B，也就是求子空间投影一讲中，我们提到的误差向量e=b−p，即B=b−ATbATAA。检验一下A⊥B，ATB=ATb−ATATbATAA=ATb−ATAATAATb=0。（ATbATAA就是Ax^=p）；

再将它们单位化，变为单位正交向量q1=A∥A∥,q2=B∥B∥。

如果我们有三个线性无关的向量a,b,c，则我们现需要求它们变换成单位正交向量A,B,C：

前两个向量我们已经得到了，我们现在需要求第三个向量同时正交于A,B；

我们依然沿用上面的方法，从c中减去其在A,B上的分量，得到正交与A,B的C：C=c−ATcATAA−BTcBTBB；

再将它们单位化，变为单位正交向量q1=A∥A∥,q2=B∥B∥,q3=C∥C∥。



例子：

现在我们试验一下推导出来的公式，a=⎡⎣⎢111⎤⎦⎥,b=⎡⎣⎢102⎤⎦⎥：

则A=a=⎡⎣⎢111⎤⎦⎥；

根据公式有B=a−hA，h是比值ATbATA=33，则B=⎡⎣⎢111⎤⎦⎥−33⎡⎣⎢102⎤⎦⎥=⎡⎣⎢0−11⎤⎦⎥。验证一下正交性有A⋅B=0。

单位化，q1=13√⎡⎣⎢111⎤⎦⎥,q2=12√⎡⎣⎢102⎤⎦⎥，则标准正交矩阵为Q=⎡⎣⎢⎢⎢⎢13√13√13√0−12√12√⎤⎦⎥⎥⎥⎥，对比原来的矩阵D=⎡⎣⎢111102⎤⎦⎥，有D,Q的列空间是相同的，我们只是将原来的基标准正交化了。

3.QR分解

我们曾经用矩阵的眼光审视消元法，有A=LU。同样的，我们也用矩阵表达标准正交化，A=QR，这里的R是一个上三角矩阵upper triangular matrix 。

设矩阵A有两个列向量[a1a2]，则标准正交化后有[a1a2]=[q1q2][aT1q1aT1q2aT2q1aT2q2]，而左下角的aT1q2始终为0，因为Gram-Schmidt正交化总是使得a1⊥q2，后来构造的向量总是正交于先前的向量。所以这个R矩阵是一个上三角矩阵。

4.总结

1.标准正交基与正交矩阵；

2.Gram-Schmidt正交标准化；

3.QR分解（与LU分解的区别）。

第十八讲：行列式及其性质

行列式最早是应用在用来判断方程组是否有解，在矩阵被发明后，行列式就拥有了更多的性质和应用。其强大之处在于将整个矩阵的信息压缩到了一个值当中。

行列式的英文名为determinant：决定因素，因为他可以决定方程组是否有解即矩阵是否可逆，从另外一个角度来理解，行列式代表了这个矩阵的特征，这是学习特征分解的前置概念。

1.基础性质

本讲我们讨论出行列式（determinant）的性质：

行列式的基本性质：

性质1： detI=1，单位矩阵行列式值为一。

性质2：交换行，行列式变号。

性质3： a. ∣∣∣tatctbtd∣∣∣=t∣∣∣acbd∣∣∣。

b. ∣∣∣a+a′cb+b′d∣∣∣=∣∣∣acbd∣∣∣+∣∣∣a′cb′d∣∣∣。

由性质1和2可知，对置换矩阵有detP={1−1evenodd。

举例：∣∣∣1001∣∣∣=1,∣∣∣0110∣∣∣=−1，于是我们猜想，对于二阶方阵，行列式的计算公式为∣∣∣acbd∣∣∣=ad−bc。

性质3(b)对于每行都单独成立，其他行则不变，即不能同时组合第一行和第二行。det(A+B)≠det(A)+det(B)。

2. 推导出的性质

更多的性质可以从以上的三条性质中推导出来。

性质4：如果两行相等，则行列式为零。使用性质2交换两行易证。

性质5 ：从第k行中减去第i行的l倍，行列式不变。

解析：这条性质是针对消元的，我们可以先消元，将方阵变为上三角形式后再计算行列式。

举例：∣∣∣ac−labd−lb∣∣∣=3.b∣∣∣acbd∣∣∣+∣∣∣a−lab−lb∣∣∣=3.a∣∣∣acbd∣∣∣−l∣∣∣aabb∣∣∣=4∣∣∣acbd∣∣∣

性质6：如果方阵的某一行为零，则其行列式值为零。

证明：使用性质3（a）对为零行乘以不为零系数l，使ldetA=detA即可证明；或使用性质5将某行加到为零行，使存在两行相等后使用性质4即可证明。

性质7：有上三角行列式U=∣∣∣∣∣∣∣d10⋮0∗d2⋮0⋯⋯⋱⋯∗∗⋮dn∣∣∣∣∣∣∣，则detU=d1d2⋯dn。

证明：使用性质5，从最后一行开始，将对角元素上方的∗元素依次变为零，可以得到型为D=∣∣∣∣∣∣∣d10⋮00d2⋮0⋯⋯⋱⋯00⋮dn∣∣∣∣∣∣∣的对角行列式，再使用性质3将对角元素提出得到dndn−1⋯d1∣∣∣∣∣∣∣10⋮001⋮0⋯⋯⋱⋯00⋮1∣∣∣∣∣∣∣，得证。

性质8：当矩阵A为奇异矩阵时，detA=0；当且仅当A可逆时，有detA≠0。

证明：如果矩阵可逆，则化简为上三角形式后各行都含有主元，行列式即为主元乘积；如果矩阵奇异，则化简为上三角形式时会出现全零行，行列式为零。

再回顾二阶情况：∣∣∣acbd∣∣∣−→−消元∣∣∣a0bd−cab∣∣∣=ad−bc，前面的猜想得到证实。

性质9：detAB=(detA)(detB)。

解析：使用这一性质，detI=detA−1A=detA−1detA，所以detA−1=1detA。

同时还可以得到：detA2=(detA)2，以及det2A=2ndetA，这个式子就像是求体积，对三维物体有每边翻倍则体积变为原来的八倍。

性质10：detAT=detA。

前面一直在关注行的属性给行列式带来的变化，有了这条性质，行的属性同样适用于列，比如对性质2就有“交换列行列式变号”。

证明：∣∣AT∣∣=|A|→∣∣UTLT∣∣=|LU|→∣∣UT∣∣∣∣LT∣∣=|L||U|，值得注意的是，L,U的行列式并不因为转置而改变，得证。