矩阵论 - Part II

拜拜、爱过 提交于 2020-01-25 21:31:26

矩阵论 - Part II

概念索引

4 向量空间, 最大线性无关组, 线性(子)空间, 线性空间的维数, 基和坐标, 同构映射, 同构空间, 基变换, 过度矩阵, 坐标变换, 线性变换, 线性变换的矩阵表示, 相似矩阵, 欧式空间, 內积, 范数, Schwartz不等式, 夹角, 规范正交基, Schmidt正交化过程, 正交矩阵

4 矩阵空间

向量空间

向量空间: nn维向量的集合VV, 如果对加法和数乘运算封闭, 则集合VV称为向量空间

生成向量空间

子空间

空间维数

0空间

最大线性无关组: 向量组AA中有rr个向量(设为向量组A0A_0)线性无关, 任意r+1r+1个向量线性相关, 则称A0A_0是一个最大线性无关组, rr称为向量组的, 只含有0向量的向量组没有最大无关组, 规定其秩为00

矩阵的秩等于其列向量组的秩, 也等于其行向量组的秩

向量组BB可以由向量组AA线性表示, 则向量组BB的秩不大于向量组AA的秩

  • 等价的向量组秩相等
  • C=ABC = AB, 则 {R(C)R(A)R(C)R(B)\left \{ \begin{aligned} R(C) \leq R(A) \\ R(C) \leq R(B) \end{aligned} \right.
  • 最大线性无关组的等价定义: 设BBAA的部分组, 若BB是线性无关组, 且AA可以由BB线性表示, 则BBAA的最大无关组

线性空间

非空集合VV, 实数域RR(可以为其他数域), 定义加法数乘运算两种运算, 满足如下性质(λ,μR\lambda, \mu \in R, α,β,γV\alpha, \beta, \gamma \in V):

  • 性质1: 加法交换律, α+β=β+α\alpha + \beta = \beta + \alpha
  • 性质2: 加法结合律 (α+β)+γ=α+(β+γ)(\alpha + \beta) + \gamma = \alpha + (\beta + \gamma)
  • 性质3: VV中有OO元素 α+O=α\alpha + O = \alpha
  • 性质4: VV中任何元素有负元素 αV,βV\forall \alpha \in V, \exist\beta\in V, s.t. α=β\alpha = -\beta
  • 性质5: VV中有单位元II Iα=αI \cdot \alpha=\alpha
  • 性质6: λ(μα)=(λμ)α\lambda(\mu\alpha)=(\lambda\mu)\alpha
  • 性质7: (λ+μ)α=λα+μα(\lambda + \mu)\alpha = \lambda\alpha + \mu\alpha
  • 性质8: λ(α+β)=λα+λβ\lambda(\alpha + \beta) = \lambda\alpha + \lambda\beta
    满足上述性质的加法和数乘运算称为线性运算, 定义线性运算的集合VV称为线性空间

线性空间的性质

零元素唯一

任一元素的负元素唯一

0α=O,(1)α=α,λO=O0\alpha=O, (-1)\alpha = -\alpha, \lambda O = O

λα=0\lambda\alpha=0, 则必有α=O\alpha=O, 或λ=0\lambda=0

线性子空间

线性空间的非空子集, 对于原线性空间加法和数乘运算也构成一个线性空间, 则称该子集为原线性空间的线性子空间

线性空间VV上的一个非空子集LL构成线性子空间的充要条件是: LLVV中的线性运算封闭.

线性空间的维数, 基和坐标

a1,a2,,ana_1, a_2, \cdots, a_n, 维数nn

VV中的元素用基元素α\alpha线性表示为: α=x1α1+x2α2++xnαn\alpha = x_1\alpha_1 + x_2\alpha_2 + \cdots + x_n\alpha_n, (x1,x2,,xn)(x_1, x_2, \cdots, x_n)称为元素alphaalpha在这组基下的坐标.

同构

UU, VV是数域FF上的两个线性空间, ffUUVV的一个映射, 如果满足:
(1) ff是双射
(2) α,βU\forall \alpha, \beta \in U,有f(α+β)=f(α)+f(β)f(\alpha + \beta) = f(\alpha) + f(\beta)
(3) αU\forall \alpha \in U, λF\lambda \in F, 有f(λα)=λf(α)f(\lambda \alpha) = \lambda f(\alpha)
则称ffUUVV同构映射, 如果UUVV的同构映射存在, 则称UUVV同构, 记为UVU \cong V.

数域FF上的任意nn维线性空间都与FnF^n同构

同构映射的基本性质

ff是线性空间UUVV的同构映射, 则:
(1) f(0)=0f(0) = 0
(2) αU\forall \alpha \in U, 有f(α)=f(α)f(-\alpha) = - f(\alpha)
(3) αiU,λiF\forall \alpha_i \in U, \lambda_i \in F, 有f(λ1α1++λnαn)=λ1f(α1)++λnf(αn)f(\lambda_1\alpha_1 + \cdots + \lambda_n\alpha_n) = \lambda_1f(\alpha_1) + \cdots + \lambda_nf(\alpha_n)
(4) UU中的向量α1,α2,,αn\alpha_1, \alpha_2, \cdots, \alpha_n线性相关的充要条件是f(α1),f(α2),,f(αn)f(\alpha_1), f(\alpha_2), \cdots, f(\alpha_n)线性相关
(5) α1,α2,,αn\alpha_1, \alpha_2, \cdots, \alpha_nUU的一个基的充要条件是f(α1),f(α2),,f(αn)f(\alpha_1), f(\alpha_2), \cdots, f(\alpha_n)VV的一个基
(6) UU的子空间在ff下的象集是VV的子空间
(7) VV的子空间在ff下的原集是UU的子空间
(8) ff的逆映射是VVUU的同构映射
(9) 若gg是线性空间VVWW的t同构映射, 则gfgfUUWW的同构映射

同构关系的性质

反身性: VVV \cong V
对称性: 若UVU \cong V, 则VUV \cong U
传递性: 若UVU \cong V, VWV \cong W, 则UWU \cong W

线性空间同构的一个充要条件

数域FF上两个有限维线性空间同构的充要条件是它们有相同的维数.

同构的线性空间是不加区别的(代数角度), 维数是有限维线性空间的唯一本质特征.

一般无限维空间可以用有限维逼近, 因此有限维空间应用广泛, 如FFT

基变换

α1,,αn\alpha_1, \cdots, \alpha_nβ1,,βn\beta_1, \cdots, \beta_nnn维线性空间VnV_n的两组基. 则存在变换使得[β1,,βn]=[α1,,αn]P[\beta_1, \cdots, \beta_n]=[\alpha_1, \cdots, \alpha_n]P PP过度矩阵, 上式称基变换表示式.

坐标变换

设线性空间VV中的元素α\alpha在两组基α1,,αn\alpha_1, \cdots, \alpha_nβ1,,βn\beta_1, \cdots, \beta_n下的坐标分别是[x1,,xn]T[x_1, \cdots, x_n]^T[x1,,xn]T[x_1^\prime, \cdots, x_n^\prime]^T, PP为过度矩阵(同上定义), 则两组基下的坐标表示满足如下坐标变换[x1,,xn]T=P[x1,,xn]T[x_1, \cdots, x_n]^T = P[x_1^\prime, \cdots, x_n^\prime]^T[x1,,xn]T=P1[x1,,xn]T[x_1^\prime, \cdots, x_n^\prime]^T = P^{-1}[x_1, \cdots, x_n]^T

线性变换

Vn,UmV_n, U_m分别是nn维和mm维线性空间, 如果变换T:VnUmT: V_n\rightarrow U_m满足:
(1) 可加性: T(α1+α2)=T(α1)+T(α2)T(\alpha_1 + \alpha_2) = T(\alpha_1) + T(\alpha_2)
(2) 可数乘性: T(kα)=kT(α)T(k\alpha) = kT(\alpha)
则称该变换为线性变换

若果Um=VnU_m = V_n, 即TTVnV_n到自身的线性变换, 称线性空间VnV_n中的线性变换

线性变换的性质

T(0)=0,T(α)=T(α)T(0) = 0, \quad T(-\alpha) = - T(\alpha)

β=λ1α1++λnαn\beta=\lambda_1\alpha_1 + \cdots + \lambda_n\alpha_nT(β)=T(λ1α1++λnαn)=λ1T(α1)++λnT(αn)T(\beta) =T(\lambda_1\alpha_1 + \cdots + \lambda_n\alpha_n) = \lambda_1T(\alpha_1) + \cdots + \lambda_nT(\alpha_n)

α1,α2,,αn\alpha_1, \alpha_2, \cdots, \alpha_n线性相关, 则T(α1),T(α2),,T(αn)T(\alpha_1), T(\alpha_2), \cdots, T(\alpha_n)线性相关

线性变换TT的象T(Vn)T(V_n)是一个线性空间(UmU_m的子空间), 称为线性空间TT的象空间

集合ST={ααVn,T(α)=0}S_T=\{\alpha |_{\alpha\in V_n},T(\alpha)=0\}的是VnV_n的子空间, 集合STS_T称为线性变换TT的核

用矩阵表示线性变换

y=T(x)=Axy=T(x) = Ax

Rn\mathbb{R^n}中任何线性变换TT都可以用矩阵表示 T(x)=Ax,xRn T(x) = Ax, \quad x\in \mathbb{R^n} A=[T(e1),T(e2),,T(en)] A=[T(e_1), T(e_2), \cdots, T(e_n)] 其中e1,,ene_1, \ldots, e_n是一组基, 称AA是线性变换TT在这组基下的线性表示

上述情况可以推广到一般的线性空间VnV_n中, 设α1,,αn\alpha_1, \ldots, \alpha_n是一组基, 此时对于VnV_n中的任意元α=i=1nxiαi\alpha=\sum_{i=1}^n x_i \alpha_i, 其线性变换T(α)=T(i=1nxiαi)=[T(α1),,T(αn][x1,,xn]T=[α1,,αn]A[x1,,xn]T T(\alpha)=T(\sum_{i=1}^n x_i \alpha_i)=[T(\alpha_1), \ldots, T(\alpha_n][x_1, \ldots, x_n]^T=[\alpha_1, \ldots, \alpha_n]A[x_1, \ldots, x_n]^T
自行思考此时AA的形式

不同基的变换矩阵

VnV_n线性空间中, 取定两组基: α1,,αn\alpha_1, \ldots, \alpha_nβ1,,βn\beta_1, \ldots, \beta_n, 由基alpha1,,αnalpha_1, \ldots, \alpha_n到基β1,,βn\beta_1, \ldots, \beta_n的过度矩阵为PP, VnV_n的线性变换TT在这两组基条件下的矩阵分别为AABB, 则有 B=P1APB = P^{-1}AP

相似矩阵

nn阶方阵AABB称为相似矩阵, 如果存在可逆矩阵PP, 使得B=P1APB = P^{-1}AP成立, PP称为相似变换矩阵

欧式空间

欧式空间在一般线性空间的基础上, 引入长度(范数)的定义, 如三维空间中向量(x,y,z)(x, y, z)的长度平方为r2=x2+y2+z2r^2 = x^2 + y^2 + z^2后来在长度定义的基础上进一步定义了內积, 形成內积空间. 內积空间不仅仅有长度, 还有夹角, 正交等.

欧式空间定义

有內积定义的实线性空间称为欧式空间

向量內积

[x,y]=[y,x][x, y] = [y, x]
[kx,y]=k[x,y][kx, y] = k[x, y]
[x+y,z]=[x,z]+[y,z][x + y, z] = [x, z] + [y, z]
满足上述3条性质的运算为內积运算

无限维空间及內积定义

函数线性空间
[f,g]=[g,f]=abgfdx[f, g] = [g, f] = \int_a^bgfdx
[kf,g]=k[f,g]=kabfgdx[kf, g] = k[f, g]=k\int_a^bfgdx
[f1+f2,g]=ab(f1+f2)gdx=abf1gdx+abf2gdx=[f1,g]+[f2,g][f_1 + f_2, g] = \int_a^b (f_1 + f_2)gdx = \int_a^bf_1gdx + \int_a^bf_2gdx=[f_1, g] + [f_2, g]
上述函数空间也是內积空间

向量范数

非负性
齐次性 kx=kx\|kx\| = |k|\|x\|
三角不等式 x+yx+y\|x+y\| \leq \|x\| + \|y\|

Schwartz不等式

[x,y]2[x,x][y,y][x, y]^2 \leq [x, x][y, y] [x,y]xy|[x, y]| \leq \|x\|\|y\|当且仅当x,yx, y线性相关时等号成立

向量的夹角

x,y0\|x\|,\|y\|\neq 0, 则x,yx, y之间的夹角定义为θ=arccos[x,y]xy\theta =\arccos \frac{[x, y]}{\|x\| \|y\|}

正交

[x,y]=0[x, y] = 0, 则x,yx, y正交, 00向量和所有向量正交

函数空间中也有夹角和正交的概念θ=arccos[f,g]fg\theta =\arccos \frac{[f, g] }{||f||||g||} abfg=0\int_a^bfg=0

两两正交向量组线性无关

如果向量组α1,,αn\alpha _1, \ldots, \alpha_n是两两正交的非零向量, 则α1,,αn\alpha _1, \ldots, \alpha_n线性无关,

正交基

nn维空间中nn个两两正交的基, 构成该空间的一组正交基

规范正交基

都是单位向量的正交基称规范正交基

规范正交基下的坐标表示

e1,,ene_1, \ldots, e_n是规范正交基, 元素α\alpha在这组基下的坐标满足 xi=[α,ei],i=1,2,,n x_i = [\alpha, e_i], \quad i=1, 2, \ldots, n

Schmidt正交化过程

{b1=a1b2=a2[b1,a2][b1,b1]b1b3=a3[b1,a3][b1,b1]b1[b2,a3][b2,b2]b2br=ar[b1,ar][b1,b1]b1[b2,ar][b2,b2]b2[br1,ar][br1,br1]br1\left \{ \begin{aligned} &b_1 = a_1 \\ &b_2 = a_2 - \frac{[b_1, a_2]}{[b_1, b_1]}b_1 \\&b_3 = a_3 - \frac{[b_1, a_3]}{[b_1, b_1]}b_1 - \frac{[b_2, a_3]}{[b_2, b_2]}b_2 \\ & \qquad \vdots \\&b_r = a_r - \frac{[b_1, a_r]}{[b_1, b_1]}b_1 - \frac{[b_2, a_r]}{[b_2, b_2]}b_2 - \cdots - \frac{[b_{r-1} , a_r]}{[b_{r-1} , b_{r-1} ]}b_{r-1} \end{aligned} \right.
归一化过程 e1=b1b1,e2=b2b2,,en=bnb1e _1 = \frac{b_1}{||b_1||}, \quad e _2 = \frac{b_2}{||b_2||}, \quad \cdots, \quad e _n = \frac{b_n}{||b_1||}

正交矩阵

n×nn\times n的方阵, 满足ATA=EA^TA=EAT=A1A^T = A^{-1}

正交矩阵是内积不变的线性变换, 所以也称正交变换矩阵

坐标旋转矩阵是正交矩阵, 但正交矩阵不一定是坐标旋转矩阵

方阵AA是正交矩阵的充要条件AA的行向量(列向量)是Rn\mathbb{R^n}中的规范正交基

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!