Abstract vector spaces | Chapter 16, Essence of linear algebra

Summary

В этом видео скрипте автор освещает фундаментальные вопросы теории векторов, начиная с их описания как стрелочков на плоскости и пары действительных чисел, до их более глубокого понимания как объектов в пространстве. Рассматриваются функции как альтернативные типы векторов, демонстрируя, что они подчиняются тем же операциям сложения и умножения на скаляр, что и классические векторы. Автор также обсуждает линейные преобразования и свойства линейности, подводя итог к понятию векторного пространства и его аксиоматическому определению, что позволяет применять теорию линейной алгебры к различным типам векторов, включая функции и другие абстрактные объекты.

Takeaways

• 🔍 Векторы могут быть представлены в различных формах, таких как стрелки на плоскости, пары вещественных чисел или как функции.
• 📏 Определение векторов как списков вещественных чисел дает четкий и недвусмысленный образ, что упрощает работу с многомерными векторами.
• 🌐 Векторы, в сущности, могут быть рассмотрены как существующие независимо от координатных систем, координаты являются условными и зависят от выбранных базисных векторов.
• 📊 Основные понятия линейной алгебры, такие как определители и собственные векторы, не зависят от выбора координатной системы.
• 📚 Функции также могут рассматриваться как тип векторов, где можно выполнять операции сложения и умножения на скаляр.
• 🔄 Преобразования линейные, такие как производная, являются примером оператора, который преобразует функции в соответствии с определенными свойствами.
• 📐 Определение линейности включает в себя свойства аддитивности и масштабирования, которые позволяют преобразованием сохранять структуру операций с векторами.
• 📈 Применение линейных преобразований к функциям, таким как производная, подтверждается тем, что они соответствуют определению линейности.
• 📝 Векторы могут быть представлены как функции с бесконечным числом координат, что позволяет использовать матричные операции для их преобразования.
• 📚 Векторы в современной линейной алгебре определяются не конкретной формой, а аксиомами, которые описывают правила для сложения и умножения на скаляр.
• 🌟 Основываясь на аксиомах, математические концепты и методы линейной алгебры могут быть применены к различным типам векторных пространств, включая не только пространственные векторы, но и функции.

Q & A

Что такое векторы в математике?

Векторы в математике - это объекты, которые могут быть представлены как стрелки в пространстве или списки чисел, и которые подчиняются определенным правилам сложения и умножения на скаляр.

Почему векторы могут быть представлены как стрелки на плоскости?

Векторы могут быть представлены как стрелки на плоскости для удобства описания их направления и размера, что позволяет визуализировать их геометрические свойства.

Какие свойства определяют, что что-то является вектором?

Чтобы что-то считалось вектором, оно должно удовлетворять определенным аксиомам векторного пространства, таким как законы сложения векторов и умножения на скаляр.

Почему функции могут быть рассмотрены как тип векторов?

Функции могут быть рассмотрены как тип векторов, так как существует понятие сложения функций и умножения их на скаляр, что аналогично операциям над векторами.

Что такое линейная трансформация и как она связана с векторами?

Линейная трансформация - это функция, которая преобразует один вектор в другой, сохраняя свойства аддитивности и скалярного умножения, что делает ее линейной.

Как определяется аддитивность линейной трансформации?

Трансформация называется аддитивной, если приложенная к сумме двух векторов дает тот же результат, что и сумма примененных к этим векторам трансформаций.

Что такое свойство скалярного умножения в контексте линейных трансформаций?

Свойство скалярного умножения означает, что при умножении вектора на скаляр и последующем применении линейной трансформации, результат будет тем же, что и при применении трансформации к умноженному на скаляр вектору.

Как матрица описывает линейную трансформацию векторов?

Матрица описывает линейную трансформацию, указывая, как каждая базисная векторная компонента трансформируется, и позволяет посредством матричного умножения найти трансформированный вектор.

Чем отличается понятие векторного пространства в современной теории линейной алгебры?

Векторное пространство в современной теории линейной алгебры определяется как множество объектов, удовлетворяющих аксиомам векторного пространства, что позволяет применять теорию к различным типам векторов, включая функции и другие абстрактные структуры.

Почему математические тексты часто используют абстрактные термины при описании линейной алгебры?

Абстрактные термины позволяют охватить широкий спектр применений линейной алгебры, не ограничиваясь одним конкретным случаем, и обеспечивают универсальность теории.

Outlines

00:00

🔍 Основные вопросы о векторах

В этом параграфе рассматривается фундаментальная проблематика определения векторов. Автор задаёт вопрос: являются ли векторы сутью списков чисел или же проекцией более глубоких пространственных свойств. Обсуждается, что определение векторов как числовой списки даёт четкую и недвусмысленную концепцию, позволяющую представить многомерные векторы. Однако, с точки зрения линейной алгебры, координаты могут быть более или менее произвольными, в зависимости от выбранных базисных векторов. Автор подчёркивает, что основные понятия линейной алгебры, такие как определители и собственные векторы, не зависят от выбора системы координат. Затем вводится аналогия между векторами и функциями, представляя функции как ещё один тип векторов, где операции сложения и умножения на число сохраняются.

05:05

📚 Применение линейной алгебры к функциям

Второй параграф продолжает тему применения линейной алгебры к функциям. Автор объясняет, что функции могут быть рассмотрены как векторы, подчёркивая, что сложение и умножение на скаляр определены и для них. Вводится понятие линейной преобразования для функций, включая пример производной из анализа как такого преобразования. Обсуждается формальное определение линейности, включая свойства аддитивности и масштабирования. Автор утверждает, что линейные преобразования полностью описываются тем, как они влияют на базисные векторы, что также верно и для функций. Пример с производной функции, представленной через матрицу, демонстрирует, как линейная алгебра может быть применена к функциональным пространствам.

10:07

📚 Векторы и векторные пространства

Третий параграф углубляется в обсуждение понятия векторного пространства и его свойств. Автор говорит о том, что векторы могут быть разными вещами, включая стрелки в пространстве, списки чисел или функции, при условии, что они подчиняются определённым правилам сложения и умножения на скаляр. Вводятся осиомы векторного пространства, которые описываются через восемь аксиом, необходимых для того, чтобы теории линейной алгебры применялись. Эти аксиомы служат как интерфейс для обеспечения применимости теоретических результатов к различным типам векторных пространств, включая необычные или гипотетические.

15:09

🎓 Заключение и рекомендации для дальнейшего обучения

В заключительном параграфе автор подчёркивает важность правильного понимания и интуиции линейной алгебры для эффективного дальнейшего обучения. Он рекомендует начать с конкретных и визуализируемых примеров, таких как векторы-стрелки в двумерном пространстве, но также отмечает, что инструменты линейной алгебры применимы гораздо шире. Автор благодарит зрителей за просмотр серии видео и желает им удачи в дальнейших изучении математики.

Keywords

💡Векторы

Векторы в видео определены как объекты, обладающие свойствами, позволяющими их складывать и умножать на скаляры. Они могут быть представлены как стрелки в плоскости или пары вещественных чисел, но суть векторов заключается в их операциях, а не в конкретном представлении. В контексте видео, векторы используются для иллюстрации основ линейной алгебры, таких как сложение, скалярное умножение и линейные преобразования.

💡Двухмерный вектор

Двухмерный вектор в видео представлен как стрелка на плоскости, которую можно описать с помощью координат или пары вещественных чисел. Он служит примером того, как векторы могут быть визуализированы и как они могут быть рассмотрены как конкретные или абстрактные объекты в зависимости от точки зрения.

💡Линейная алгебра

Линейная алгебра - это область математики, изучающая векторы, пространства, линейные преобразования и другие концепции, связанные с линейными системами. В видео линейная алгебра используется для обсуждения свойств векторов, таких как детерминанты и собственные векторы, которые не зависят от выбора системы координат.

💡Координаты

Координаты в видео рассматриваются как способ описания векторов в пространстве. Они могут быть изменены в зависимости от выбранной базисной системы, что подчеркивает, что координаты не являются фундаментальной характеристикой векторов, а скорее их описание в определенной системе.

💡Базисные векторы

Базисные векторы в видео определены как набор векторов, который используется для описания других векторов в пространстве через их скалярные линейные комбинации. Выбор базисных векторов может быть произвольным и влияет на координаты других векторов в этом базисе.

💡Функции

Функции в видео рассматриваются как альтернативный тип векторов, с которыми можно выполнять операции, аналогичные сложению и скалярному умножению векторов. Например, можно складывать две функции, получая новую функцию, сумму значений исходных функций в каждой точке.

💡Линейное преобразование

Линейное преобразование в видео определяется как функция, которая преобразует один вектор в другой, сохраняя операции сложения и скалярного умножения. Примером линейного преобразования в контексте видео является производная, которая преобразует одну функцию в другую.

💡Матрицы

Матрицы в видео используются для описания линейных преобразований векторов. Они представляют собой таблицу чисел, с помощью которой можно вычислить новое значение вектора после применения преобразования. В контексте функции, матрица может быть использована для представления производной.

💡Полиномы

Полиномы в видео рассматриваются как функции вида ax^n + bx^(m-1) + ... + z, где каждый коэффициент при степени может быть рассмотрен как скаляр, а степени переменной x — как базисные функции. Примерами полиномиальных функций в видео являются x^2 + 3x + 5 или 4x^7 - 5x^2.

💡Аксиомы

Аксиомы в видео определены как правила, которые должны выполняться операции сложения векторов и скалярного умножения в любом векторном пространстве, чтобы применимы теории линейной алгебры. Они служат как интерфейс между теорией линейной алгебры и ее применением в различных контекстах.

💡Векторное пространство

Векторное пространство в видео определяется как множество объектов, на которые распространяются операции сложения и скалярного умножения, следующие заданным аксиомам. Это понятие обобщает идею векторов, позволяя применять теорию линейной алгебры к различным типам объектов, включая функции, полиномы и другие структуры.

Highlights

Vectors can be conceptualized in multiple ways, including as arrows on a plane or as pairs of real numbers.

Defining vectors as lists of numbers provides clarity and makes high-dimensional vectors more tangible.

The independence of vectors from coordinates is highlighted, with basis vectors being somewhat arbitrary.

Core linear algebra topics such as determinants and eigenvectors are invariant to coordinate system changes.

Functions are introduced as another type of vector, with operations analogous to vector addition and scaling.

The concept of adding functions is explained, similar to adding vectors but with infinitely many 'coordinates'.

Scaling a function by a real number is analogous to scaling a vector, with the operation applied across all outputs.

Linear transformations for functions, such as the derivative in calculus, are discussed.

The formal definition of linearity in transformations is introduced, focusing on additivity and scaling.

Linear transformations are shown to preserve vector addition and scalar multiplication.

The derivative's properties as a linear transformation are explored, including its additivity and scaling.

Matrix representation of the derivative for polynomials is introduced, using an infinite matrix.

The process of assigning coordinates to function spaces, specifically polynomials, is explained.

The concept of basis functions in function spaces is discussed, drawing parallels to vectors as arrows.

The infinite nature of polynomial basis functions and their role in representing vectors is highlighted.

The matrix representation of the derivative is used to demonstrate the linearity of the operation.

The broader applicability of linear algebra concepts to various 'vectorish' things in mathematics is emphasized.

The abstract nature of vectors is discussed, with the focus on the axioms that define vector spaces.

The importance of axioms in ensuring the generalizability of linear algebra results is explained.

The series concludes with an encouragement to apply the intuitions gained from understanding linear algebra.

Transcripts

I'd like to revisit a deceptively simple question

that I asked in the very first video of this series.

What are vectors?

Is a two-dimensional vector, for example, fundamentally an arrow on

a flat plane that we can describe with coordinates for convenience?

Or is it fundamentally that pair of real numbers which

is just nicely visualized as an arrow on a flat plane?

Or are both of these just manifestations of something deeper?

On the one hand, defining vectors as primarily being

a list of numbers feels clear-cut and unambiguous.

It makes things like four-dimensional vectors or 100-dimensional vectors sound like real,

concrete ideas that you can actually work with.

When otherwise, an idea like four dimensions is just a vague geometric

notion that's difficult to describe without waving your hands a bit.

But on the other hand, a common sensation for those who actually work with

linear algebra, especially as you get more fluent with changing your basis,

is that you're dealing with a space that exists independently from the

coordinates that you give it, and that coordinates are actually somewhat arbitrary,

depending on what you happen to choose as your basis vectors.

Core topics in linear algebra, like determinants and eigenvectors,

seem indifferent to your choice of coordinate systems.

The determinant tells you how much a transformation scales areas,

and eigenvectors are the ones that stay on their own span during a transformation.

But both of these properties are inherently spatial,

and you can freely change your coordinate system without changing the underlying

values of either one.

But if vectors are not fundamentally lists of real numbers,

and if their underlying essence is something more spatial,

that just begs the question of what mathematicians mean when they use a

word like space or spatial.

To build up to where this is going, I'd actually like to spend the

bulk of this video talking about something which is neither an arrow

nor a list of numbers, but also has vector-ish qualities – functions.

You see, there's a sense in which functions are actually just another type of vector.

In the same way that you can add two vectors together,

there's also a sensible notion for adding two functions, f and g,

to get a new function, f plus g.

It's one of those things where you kind of already know what it's going to be,

but actually phrasing it is a mouthful.

The output of this new function at any given input, like negative four,

is the sum of the outputs of f and g when you evaluate them each at that same input,

negative four.

Or more generally, the value of the sum function at any

given input x is the sum of the values f of x plus g of x.

This is pretty similar to adding vectors coordinate by coordinate,

it's just that there are, in a sense, infinitely many coordinates to deal with.

Similarly, there's a sensible notion for scaling a function by a real number,

just scale all of the outputs by that number.

And again, this is analogous to scaling a vector coordinate by coordinate,

it just feels like there's infinitely many coordinates.

Now, given that the only thing vectors can really do is get added together or scaled,

it feels like we should be able to take the same useful constructs and problem

solving techniques of linear algebra that were originally thought about in

the context of arrows and space and apply them to functions as well.

For example, there's a perfectly reasonable notion of a linear transformation

for functions, something that takes in one function and turns it into another.

One familiar example comes from calculus, the derivative.

It's something which transforms one function into another function.

Sometimes in this context you'll hear these called operators instead of transformations,

but the meaning is the same.

A natural question you might want to ask is what it

means for a transformation of functions to be linear.

The formal definition of linearity is relatively abstract and symbolically driven

compared to the way that I first talked about it in chapter 3 of this series.

But the reward of abstractness is that we'll get something

general enough to apply to functions as well as arrows.

A transformation is linear if it satisfies two properties,

commonly called additivity and scaling.

Additivity means that if you add two vectors, v and w,

then apply a transformation to their sum, you get the same result as if you added the

transformed versions of v and w.

The scaling property is that when you scale a vector v by some number,

then apply the transformation, you get the same ultimate vector as

if you scaled the transformed version of v by that same amount.

The way you'll often hear this described is that linear transformations

preserve the operations of vector addition and scalar multiplication.

The idea of gridlines remaining parallel and evenly spaced that I've

talked about in past videos is really just an illustration of what

these two properties mean in the specific case of points in 2D space.

One of the most important consequences of these properties,

which makes matrix vector multiplication possible,

is that a linear transformation is completely described by where it

takes the basis vectors.

Since any vector can be expressed by scaling and adding the basis vectors in some way,

finding the transformed version of a vector comes down to scaling and adding

the transformed versions of the basis vectors in that same way.

As you'll see in just a moment, this is as true for functions as it is for arrows.

For example, calculus students are always using the fact that the derivative is

additive and has the scaling property, even if they haven't heard it phrased that way.

If you add two functions, then take the derivative,

it's the same as first taking the derivative of each one separately,

then adding the result.

Similarly, if you scale a function, then take the derivative,

it's the same as first taking the derivative, then scaling the result.

To really drill in the parallel, let's see what it

might look like to describe the derivative with a matrix.

This will be a little tricky, since function spaces have a tendency to be

infinite dimensional, but I think this exercise is actually quite satisfying.

Let's limit ourselves to polynomials, things like x squared plus 3x plus 5,

or 4x to the seventh minus 5x squared.

Each of the polynomials in our space will only have finitely many terms,

but the full space is going to include polynomials with arbitrarily large degree.

The first thing we need to do is give coordinates to this space,

which requires choosing a basis.

Since polynomials are already written down as the sum of scaled powers of the variable x,

it's pretty natural to just choose pure powers of x as the basis function.

In other words, our first basis function will be the constant function, b0 of x equals 1.

The second basis function will be b1 of x equals x,

then b2 of x equals x squared, then b3 of x equals x cubed, and so on.

The role that these basis functions serve will be similar to the roles of i-hat,

j-hat, and k-hat in the world of vectors as arrows.

Since our polynomials can have arbitrarily large degree,

this set of basis functions is infinite.

But that's okay, it just means that when we treat our polynomials as vectors,

they're going to have infinitely many coordinates.

A polynomial like x squared plus 3x plus 5, for example,

would be described with the coordinates 5, 3, 1, then infinitely many zeros.

You'd read this as saying that it's 5 times the first basis function,

plus 3 times that second basis function, plus 1 times the third basis function,

and then none of the other basis functions should be added from that point on.

The polynomial 4x to the seventh minus 5x squared would have the coordinates 0,

0, negative 5, 0, 0, 0, 0, 4, then an infinite string of zeros.

In general, since every individual polynomial has only finitely many terms,

its coordinates will be some finite string of numbers with an infinite tail of zeros.

In this coordinate system, the derivative is described with

an infinite matrix that's mostly full of zeros,

but which has the positive integers counting down on this offset diagonal.

I'll talk about how you could find this matrix in just a moment,

but the best way to get a feel for it is to just watch it in action.

Take the coordinates representing the polynomial x cubed plus 5x squared plus 4x plus 5,

then put those coordinates on the right of the matrix.

The only term that contributes to the first coordinate of the result is 1 times 4,

which means the constant term in the result will be 4.

This corresponds to the fact that the derivative of 4x is the constant 4.

The only term contributing to the second coordinate of the matrix vector product

is 2 times 5, which means the coefficient in front of x in the derivative is 10.

That one corresponds to the derivative of 5x squared.

Similarly, the third coordinate in the matrix

vector product comes down to taking 3 times 1.

This one corresponds to the derivative of x cubed being 3x squared.

And after that, it'll be nothing but zeros.

What makes this possible is that the derivative is linear.

And for those of you who like to pause and ponder,

you could construct this matrix by taking the derivative of each

basis function and putting the coordinates of the results in each column.

So, surprisingly, matrix vector multiplication and taking a derivative,

which at first seem like completely different animals,

are both just really members of the same family.

In fact, most of the concepts I've talked about in this series with

respect to vectors as arrows in space, things like the dot product or eigenvectors,

have direct analogs in the world of functions,

though sometimes they go by different names, things like inner product or eigenfunction.

So back to the question of what is a vector.

The point I want to make here is that there are lots of vectorish things in math.

As long as you're dealing with a set of objects where there's a reasonable notion of

scaling and adding, whether that's a set of arrows in space, lists of numbers, functions,

or whatever other crazy thing you choose to define,

all of the tools developed in linear algebra regarding vectors,

linear transformations and all that stuff, should be able to apply.

Take a moment to imagine yourself right now as a

mathematician developing the theory of linear algebra.

You want all of the definitions and discoveries of your work to apply to

all of the vectorish things in full generality, not just to one specific case.

These sets of vectorish things, like arrows or lists of numbers or functions,

are called vector spaces.

And what you as the mathematician might want to do is say,

hey everyone, I don't want to have to think about all the

different types of crazy vector spaces that you all might come up with.

So what you do is establish a list of rules that

vector addition and scaling have to abide by.

These rules are called axioms, and in the modern theory of linear algebra,

there are eight axioms that any vector space must satisfy if all of

the theory and constructs that we've discovered are going to apply.

I'll leave them on the screen here for anyone who wants to pause and ponder,

but basically it's just a checklist to make sure that the notions of vector

addition and scalar multiplication do the things that you'd expect them to do.

These axioms are not so much fundamental rules of nature as they are an

interface between you, the mathematician, discovering results,

and other people who might want to apply those results to new sorts of vector spaces.

If, for example, someone defines some crazy type of vector space,

like the set of all pi creatures with some definition of adding and scaling pi creatures,

these axioms are like a checklist of things that they need to verify about

their definitions before they can start applying the results of linear algebra.

And you, as the mathematician, never have to think about

all the possible crazy vector spaces people might define.

You just have to prove your results in terms of these axioms so

anyone whose definitions satisfy those axioms can happily apply your results,

even if you never thought about their situation.

As a consequence, you'd tend to phrase all of your results pretty abstractly,

which is to say, only in terms of these axioms,

rather than centering on a specific type of vector, like arrows in space or functions.

For example, this is why just about every textbook you'll find will

define linear transformations in terms of additivity and scaling,

rather than talking about gridlines remaining parallel and evenly spaced.

Even though the latter is more intuitive, and at least in my view,

more helpful for first-time learners, even if it is specific to one situation.

So the mathematician's answer to what are vectors is to just ignore the question.

In the modern theory, the form that vectors take doesn't really matter.

Arrows, lists of numbers, functions, pi creatures, really, it can be anything,

so long as there's some notion of adding and scaling vectors that follows these rules.

It's like asking what the number 3 really is.

Whenever it comes up concretely, it's in the context of some triplet of things,

but in math, it's treated as an abstraction for all possible triplets of things,

and lets you reason about all possible triplets using a single idea.

Same goes with vectors, which have many embodiments,

but math abstracts them all into a single, intangible notion of a vector space.

But, as anyone watching this series knows, I think it's better

to begin reasoning about vectors in a concrete, visualizable setting,

like 2D space, with arrows rooted at the origin.

But as you learn more linear algebra, know that these tools apply much more generally,

and that this is the underlying reason why textbooks and lectures tend to be phrased,

well, abstractly.

So with that, folks, I think I'll call it an in to this essence of linear algebra series.

If you've watched and understood the videos, I really do believe that

you have a solid foundation in the underlying intuitions of linear algebra.

This is not the same thing as learning the full topic, of course,

that's something that can only really come from working through problems,

but the learning you do moving forward could be substantially more efficient if you have

all the right intuitions in place.

So, have fun applying those intuitions, and best of luck with your future learning.