维数定理（手推！）：证明dim(v1)+dim(v2) = dim(v1+v2) + dim(v1∩v2)

网上看了很多相关的推导，基本大同小异，相关链接（https://www.cnblogs.com/wdfrog/p/8258417.html）
弄的模棱两可，这里自己手推一下，希望能弄的明白一点，在张凯院老师的矩阵论中的推导方法基本也是这样。重点是在于利用交空间

有什么问题欢迎讨论！/拱手.jpg
证明dim(V1)+dim(V2)=dim(V1+V2)+dim(V1⋂V2)假设存在子空间V1,V2则V1⋂V2=L(z1,z2,...,zk)=L(Z),表示子空间相交由由Z为基的向量集组成得V1=L(z1,z2,...,zk,x1,x2,...,xm)=L(Z,X)V2=L(z1,z2,...,zk,y1,y2,...,yn)=L(Z,Y)以上V1,V2,V1⋂V2之间的关系易得，不再说明(PS:X,Y可能不存在但X,Y,Z线性无关)综上：dim(V1)=len(Z)+len(X)dim(V2)=len(Z)+len(Y)dim(V1⋂V2)=len(Z)根据定义：V1+V2={k1v1+k2v2∣v1∈V1,v2∈V2}即证明V1+V2=L(Z,X,Y)问题转换为向量集X,Y,Z线性无关，即证ifk1x1+...+kmxm+p1y1+...+pnyn+q1z1+...+qkzk=0thenK=P=Q=0证明如下:k1x1+...+kmxm+q1z1+...+qkzk=−p1y1−...−pnyn已知左式属于V1，则{−p1y1−...−pnyn}∈V1⋂V2但从V2的定义已知Z,Y线性无关，得K=P=Q=0得证\begin{aligned} & 证明dim(V_1)+dim(V_2)=dim(V_1+V_2)+dim(V_1 \bigcap V_2) \hspace{20cm}\\ & 假设存在子空间\space V_1,V_2 \\ &则\space V_1 \bigcap V_2 = L(z_1,z_2,\space_{...},z_k)=L(Z),表示子空间相交由由Z为基的向量集组成\\ &得 \\ &V_1=L(z_1,z_2,\space_{...},z_k,x_1,x_2,\space_{...},x_m) = L(Z,X) \\ &V_2 = L(z_1,z_2,\space_{...},z_k,y_1,y_2,\space_{...},y_n)=L(Z,Y) \\ &以上V_1, V_2, V_1 \bigcap V_2 之间的关系易得，不再说明(PS:X,Y可能不存在但X,Y,Z线性无关) \\ & 综上：\\ & \hspace{6.5cm} dim(V_1) = len(Z)+len(X)\\ & \hspace{6.5cm} dim(V_2) = len(Z)+len(Y)\\ & \hspace{6.7cm} dim(V_1 \bigcap V_2) = len(Z) \\ & 根据定义：V_1 \space+ V_2 = \{k_1v_1+k_2v_2|v_1\in V_1,v_2\in V_2\} \\ &即证明 \\ & \hspace{6.7cm} V_1+V_2 = L(Z,X,Y) \\ & 问题转换为向量集X,Y,Z线性无关，即证\\ & \hspace{4.5cm} if \space k_1x_1+\space_{...}+k_mx_m+p_1y_1+\space_{...}+p_ny_n+q_1z_1+\space_{...}+q_kz_k=0 \space \\ & \hspace{7cm} then \space K=P=Q=0 \\ & 证明如下:\\ & \hspace{5cm} k_1x_1+\space_{...}+k_mx_m+q_1z_1+\space_{...}+q_kz_k = -p_1y_1-\space_{...}-p_ny_n \\ & 已知左式属于V_1，则\{-p_1y_1-\space_{...}-p_ny_n\} \in V_1 \bigcap V_2 \\ & 但从V_2 的定义已知 Z,Y线性无关，得\\ & \hspace{7.25cm} K=P=Q=0 \\ & 得证 \end{aligned} 证明dim(V1)+dim(V2)=dim(V1+V2)+dim(V1⋂V2)假设存在子空间 V1,V2则 V1⋂V2=L(z1,z2, ...,zk)=L(Z),表示子空间相交由由Z为基的向量集组成得V1=L(z1,z2, ...,zk,x1,x2, ...,xm)=L(Z,X)V2=L(z1,z2, ...,zk,y1,y2, ...,yn)=L(Z,Y)以上V1,V2,V1⋂V2之间的关系易得，不再说明(PS:X,Y可能不存在但X,Y,Z线性无关)综上：dim(V1)=len(Z)+len(X)dim(V2)=len(Z)+len(Y)dim(V1⋂V2)=len(Z)根据定义：V1 +V2={k1v1+k2v2∣v1∈V1,v2∈V2}即证明V1+V2=L(Z,X,Y)问题转换为向量集X,Y,Z线性无关，即证if k1x1+ ...+kmxm+p1y1+ ...+pnyn+q1z1+ ...+qkzk=0 then K=P=Q=0证明如下:k1x1+ ...+kmxm+q1z1+ ...+qkzk=−p1y1− ...−pnyn已知左式属于V1，则{−p1y1− ...−pnyn}∈V1⋂V2但从V2的定义已知Z,Y线性无关，得K=P=Q=0得证

维数定理（手推！）：证明dim(v1)+dim(v2) = dim(v1+v2) + dim(v1∩v2)相关推荐

Pell方程初识以及技巧性的求解Pell方程整数解（附带手推详细证明）
什么是Pell方程形如: x2−Ny2=1(n∈Z,n≠0)x^2-Ny^2=1(n\in \mathbb{Z},n\not= 0) x2−Ny2=1(n∈Z,n=0) 且N为奇非平方数可以 ...
《流浪地球》里的引力弹弓人类真的实现过！张朝阳在线手推旅行者号木星之旅...
鱼羊发自凹非寺量子位 | 公众号 QbitAI <三体>.<流浪地球2>等科幻大作轮番轰炸,想来不少盆友的物理DNA最近都活跃了起来. MIT物理博士张朝阳,就再次上演手 ...
机器学习从零开始-常见算法手推pure python
简单线性回归概念简单线性回归代码 # 平均值函数 def calculate_mean(a_list_of_values):mean=sum(a_list_of_values)/float(len ...
西瓜书重温(四): 决策树手推版
1. 写在前面今天复习的决策树模型, 对应的是西瓜书的第四章内容, 关于决策树模型,重要性不言而喻了, 这个是后面集成学习模型的基础, 集成学习里面不管是bagging家族里面的代表随机森林,还是b ...
（二十四）手推BP神经网络的前向传播和反向传播
手推BP神经网络的前向传播和反向传播一.基本术语 1.监督学习与非监督学习 Supervised Learning有监督式学习: 输入的数据被称为训练数据,一个模型需要通过一个训练过程,在这个过程中 ...
985博士《深度学习》手推公式笔记开源PDF下载！
前几天为大家找到的王博(Kings)的笔记[机器学习手推笔记],大家都非常喜欢,近几天发现王博的Github又更新了深度学习版本笔记 GitHub地址(点击原文阅读可直达GitHub): https: ...
【干货】105页周志华教授《机器学习手推公式》开源PDF
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 上述内容是手推公式的主要内容,本项目的Github主页如下:https://git ...
opencv机器学习线性回归_全面讲解手推实战机器学习之线性回归
点击上方"蓝字",发现更多精彩. 这个主题是讲解机器学习,会全面的讲解理论,知识干货.学了理论不会实践怎么办?调了包不懂实现?每个算法都会配备实践,手推和简单实现,让你知其然,还要 ...
更新！机器学习手推笔记《规则学习》
点上方计算机视觉联盟获取更多干货在右上方 ··· 设为星标 ★,与你不见不散计算机视觉联盟笔记作者:王博Kings.Sophia 本文内容概述王博Kings<机器学习>手推笔 ...

维数定理（手推！）：证明dim(v1)+dim(v2) = dim(v1+v2) + dim(v1∩v2)

维数定理（手推！）：证明dim(v1)+dim(v2) = dim(v1+v2) + dim(v1∩v2)相关推荐

最新文章

热门文章