• 线性代数导引(英文版)9787030721631
21年品牌 40万+商家 超1.5亿件商品

线性代数导引(英文版)9787030721631

正版图书,可开发票,请放心购买。

61.62 7.9折 78 全新

仅1件

广东广州
认证卖家担保交易快速发货售后保障

作者金小庆[等著]

出版社科学出版社

ISBN9787030721631

出版时间2021-02

装帧平装

开本16开

定价78元

货号11732189

上书时间2024-12-16

亿临书店

四年老店
已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:全新
商品描述
目录
Chapter 1 Linear Systems and Matrices

 1.1 Introduction to Linear Systems and Matrices

 1.1.1 Linear equations and linear systems

 1.1.2 Matrices

 1.1.3 Elementary row operations

 1.2 Gauss-Jordan Elimination

 1.2.1 Reduced row-echelon form

 1.2.2 Gauss-Jordan elimination

 1.2.3 Homogeneous linear systems

 1.3 Matrix Operations

 1.3.1 Operations on matrices

 1.3.2 Partition of matrices

 1.3.3 Matrix product by columns and by rows

 1.3.4 Matrix product of partitioned matrices

 1.3.5 Matrix form of a linear system

 1.3.6 Transpose and trace of a matrix

 1.4 Rules of Matrix Operations and Inverses

 1.4.1 Basic properties of matrix operations

 1.4.2 Identity matrix and zero matrix

 1.4.3 Inverse of a matrix

 1.4.4 Powers of a matrix

 1.5 Elementary Matrices and a Method for Finding A-1

 1.5.1 Elementary matrices and their properties

 1.5.2 Main theorem of invertibility

 1.5.3 A method for finding A-1

 1.6 Further Results on Systems and Invertibility

 1.6.1 A basic theorem

 1.6.2 Properties of invertible matrices

 1.7 Some Special Matrices

 1.7.1 Diagonal and triangular matrices

 1.7.2 Symmetric matrix

 Exercises

Chapter 2 Determinants

 2.1 Determinant Function

 2.1.1 Permutation, inversion, and elementary product

 2.1.2 Definition of determinant function

 2.2 Evaluation of Determinants

 2.2.1 Elementary theorems

 2.2.2 A method for evaluating determinants

 2.3 Properties of Determinants

 2.3.1 Basic properties

 2.3.2 Determinant of a matrix product

 2.3.3 Summary

 2.4 Cofactor Expansions and Cramer’s Rule

 2.4.1 Cofactors

 2.4.2 Cofactor expansions

 2.4.3 Adjoint of a matrix

 2.4.4 Cramer’s rule

 Exercises

Chapter 3 Euclidean Vector Spaces

 3.1 Euclidean n-Space

 3.1.1 n-vector space

 3.1.2 Euclidean n-space

 3.1.3 Norm, distance, angle, and orthogonality

 3.1.4 Some remarks

 3.2 Linear Transformations from Rn to Rm

 3.2.1 Linear transformations from Rn to Rm

 3.2.2 Some important linear transformations

 3.2.3 Compositions of linear transformations

 3.3 Properties of Transformations

 3.3.1 Linearity conditions

 3.3.2 Example

 3.3.3 One-to-one transformations

 3.3.4 Summary

 Exercises

Chapter 4 General Vector Spaces

 4.1 Real Vector Spaces

 4.1.1 Vector space axioms

 4.1.2 Some properties

 4.2 Subspaces

 4.2.1 Definition of subspace

 4.2.2 Linear combinations

 4.3 Linear Independence

 4.3.1 Linear independence and linear dependence

 4.3.2 Some theorems

 4.4 Basis and Dimension

 4.4.1 Basis for vector space

 4.4.2 Coordinates

 4.4.3 Dimension

 4.4.4 Some fundamental theorems

 4.4.5 Dimension theorem for subspaces

 4.5 Row Space, Column Space, and Nullspace

 4.5.1 Definition of row space, column space, and nullspace

 4.5.2 Relation between solutions of Ax = 0 and Ax=b

 4.5.3 Bases for three spaces

 4.5.4 A procedure for finding a basis for span(S)

 4.6 Rank and Nullity

 4.6.1 Rank and nullity

 4.6.2 Rank for matrix operations

 4.6.3 Consistency theorems

 4.6.4 Summary

 Exercises

Chapter 5 Inner Product Spaces

 5.1 Inner Products

 5.1.1 General inner products

 5.1.2 Examples

 5.2 Angle and Orthogonality

 5.2.1 Angle between two vectors and orthogonality

 5.2.2 Properties of length, distance, and orthogonality

 5.2.3 Complement

 5.3 Orthogonal Bases and Gram-Schmidt Process

 5.3.1 Orthogonal and orthonormal bases

 5.3.2 Projection theorem

 5.3.3 Gram-Schmidt process

 5.3.4 QR-decomposition

 5.4 Best Approximation and Least Squares

 5.4.1 Orthogonal projections viewed as approximations

 5.4.2 Least squares solutions of linear systems

 5.4.3 Uniqueness of least squares solut

内容摘要

Chapter 1

 Linear Systems and Matrices

 “No beginner’s course in mathematics can do without linear algebra,”

 —Lars Garding

 “Matrices act They don’t just sit there.”

 —Gilbert Strang

 Solving linear systems (a system of linear equations) is the most important problem of linear algebra and possibly of applied mathematics as well. Usually, information in a linear system is often arranged into a rectangular array, called a “matrix”. The matrix is particularly important in developing computer programs to solve linear systems with huge sizes because computers are suitable to manage numerical data in arrays. Moreover, matrices are not only a simple tool for solving linear systems but also mathematical objects in their own right. In fact, matrix theory has a variety of applications in science, engineering, and mathematics. Therefore, we begin our study on linear systems and matrices in the first chapter.

 1.1 Introduction to Linear Systems and Matrices

 Let IR denote the set of real numbers. We now introduce linear equations, linear systems, and matrices.

 1.1.1 Linear equations and linear systems

 We consider

 where are coefficients,are variables (unknowns), n is a positive integer, and 6 G R is a constant. An equation of this form is called a Zinear equation, in which all variables occur to the first power., the linear equation is called a homogeneous linear equation. A sequence of numbers si, sn is called a solution of the equation if,xn = sn such that

 The set of all solutions of the equation is called the solution set of the equation.

 In the book, we always use example(s) to make our points clear.

 Example We consider the following linear equations:

 (a)

 (b)

 It is easy to see that the solution set of (a) is a line in xy-plane and the solution set of (b) is a plane in xyz-space.

 We next consider the following m linear equations in n variables:

 (1-1)

 where are coefficients,are variables, and bi are constants. A system of linear equations in this form is called a linear system. A sequence of numbers si,is called a solution of the system if,is a solution of each equation in the system. A linear system is said to be consistent if it has at least one solution.Otherwise, a linear system is said to be inconsistent if it has no solution.

 Example Consider the following linear system

 The graphs of these equations are lines called li and We have three possible cases of lines l\ and I2 in xy-plane. See Figure 1.1.

 When l\ and I2 are parallel, there is no solution of the system.

 When li and I2 intersect at only one point, there is exactly one solution of the system.

 When l1 and I2 coincide, there are infinitely many solutions of the system.

 Figure 1.1

 1.1.2 Matrices

 The term matrix was first introduced by a British mathematician James Sylvester in the 19th century. Another British mathematician Arthur Cayley developed basic algebraic operations on matrices in the 1850s. Up to now, matrices have become the language to know.

 Definition A matrix is a rectangular array of numbers. The numbers in the array are called the entries in the matrix.

 Remark The size of a matrix is described in terms of the number of rows and columns it contains. Usually, a matrix with m rows and n columns is called an m x n matrix. If A is an m x n matrix, then we denote the entry in row i and column j of A by the symbol (A)ij = a々.Moreover, a matrix with real entries will be called a real matrix and the set of all m x n real matrices will be denoted by the symbol Rmxn. For instance, a matrix A in IRmxn can be written as

 where G IR for any i and j. When compactness of notation is desired, the preceding matrix can be written as

 We now introduce some important matrices with special sizes. A row matrix is a general 1 x n matrix a given by

   相关推荐   

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP