maths.free › Linear Algebra › Vector spaces, span and linear independence
Vector spaces, span and linear independence
The axioms, spanning sets, independence, basis and dimension.
A vector space is a set closed under addition and scaling. Vectors are independent when no combination cancels; a basis is an independent spanning set, and every basis has the same size: the dimension. Picture it: two vectors spanning a plane unless they are parallel, the 3D view of the column vectors. Think it: rank is the dimension of the column space; rank + nullity = number of columns.
പ്രവര്‍ത്തിപ്പിച്ച ഉദാഹരണം · rank of [[1,2],[2,4]]
പടിയിലൂടെ
- \left[\begin{matrix}1 & 2\\2 & 4\end{matrix}\right]
Row-reduce; the rank is the number of non-zero rows (pivots).
- \left[\begin{matrix}1 & 2\\0 & 0\end{matrix}\right]
R2 ← R2 − (2)·R1 to clear column 1.
- \operatorname{rank} A = 1
ഉത്തരം വെളിപ്പെടുത്തുക
ഇപ്പോള്‍ നീ ഓരോ പടിയും ഒരു ചിത്രം ചോദിക്കുന്നതുവരെ മറഞ്ഞിരിക്കുന്ന ഉത്തരം ഒളിപ്പിച്ചുവെക്കുക.
ഒരു സ്വതന്ത്ര അക്കൗണ്ട്, നിങ്ങൾ പഠിച്ച കാര്യങ്ങൾ, നിങ്ങളുടെ പ്രശ്‌നങ്ങൾ പരിഹരിച്ചിരിക്കുന്ന പ്രശ്‌നങ്ങൾ, ഒരു സ്ഥലത്ത്‌ ഒരു ടീച്ചർ, ഈ പേജിനെ കുറിച്ച് ചോദിക്കാവുന്നതാണ്‌.
മുകളില്‍ ഒപ്പ് വയ്ക്കുക ലോഗിന്ഇവിടെ ഉപയോഗിച്ചിരിക്കുന്ന ചിഹ്നങ്ങള്‍
ഒരു പ്രത്യേക പത്രികയിൽ, ഒരു ചിത്രത്തിന്‍റെ പ്രതീകം, അതിലുള്ള എല്ലാ അക്ഷരങ്ങൾ എന്നിവയ്‌ക്കും വേണ്ടിയുള്ളതാണ്‌.
എങ്ങനെ: Vector spaces, span and linear independence
- Put the vectors as columns of a matrix and row-reduce.
- Pivot columns are a basis of the span; the number of pivots is the rank.
- Free columns give the null space: the dependencies among the vectors.
ആളുകൾ ചോദിക്കുന്നു
What does a determinant mean geometrically?
It is the factor by which the matrix scales area (2×2) or volume (3×3), with a negative sign if orientation flips. Zero means the matrix flattens space and cannot be undone.
What is an eigenvector?
A direction the matrix does not turn: it only stretches it by the eigenvalue. Along eigenvectors a complicated matrix acts like multiplication by a number.
Why is matrix multiplication not commutative?
Because a matrix is a transformation and AB means "do B, then A". Rotating then reflecting is not the same as reflecting then rotating.
കൂടുതല്‍ Linear Algebra
DeterminantsMatrix inverseEigenvalues and eigenvectorsMatrix multiplicationRow reductionOrthogonality, projections and least squaresDiagonalisation and matrix powersLinear transformations and change of basis