高等代数笔记4:线性空间

旧巷老猫 提交于 2020-03-03 05:19:15

线性空间

线性空间的定义与实例

从本节开始,我们将解析几何、向量空间、矩阵空间的一些共同性质作一个进一步的抽象,得到线性空间的概念。所谓线性空间,就是在一个集合上,定义了线性运算,从而形成线性空间。所谓线性运算,就是两类:加法和数域KK上的数乘。回顾解析几何、向量空间、矩阵空间的相关知识,在这些空间上,都定义了加法和数乘,并且加法和数乘都有类似的性质,即以下八条:
A.加法交换律:a+b=b+aa+b=b+a
B.加法结合律:a+b+c=a+(b+c)a+b+c=a+(b+c)
C.存在零元:0+a=a0+a=a
D.存在相反元:a+(a)=0a+(-a)=0
E.数乘结合律:(kl)a=k(la)(kl)a=k(la)
F.1.a=a1.a =a
G.数乘分配律1:(k+l)a=ka+la(k+l)a=ka+la
H.数乘分配律2:k(a+b)=ka+kbk(a+b)=ka+kb
两个运算,加上以上八条运算性质,就形成了抽象的"线性空间":

定义4.1 VV是一集合,KK是一数域,如果在VV上定义了一个二元运算"++",满足:
A.加法交换律:a,bV,a+b=b+a\forall a,b\in V,a+b=b+a
B.加法结合律:a,b,cV,a+b+c=a+(b+c)\forall a,b,c \in V, a+b+c=a+(b+c)
C.存在零元:0V,aV,0+a=a\exists 0 \in V,\forall a\in V,0+a=a
D.存在相反元:aV,aV,a+(a)=0\forall a \in V,\exists -a \in V, a+(-a)=0
又定义了VVKK的运算..,满足:
E.数乘结合律:k,lK,aV,(kl)a=k(la)\forall k,l \in K,\forall a \in V,(kl)a=k(la)
F.aV,1.a=a\forall a \in V,1.a =a
G.数乘分配律1:k,lK,aV,(k+l)a=ka+la\forall k,l \in K,\forall a \in V,(k+l)a=ka+la
H.数乘分配律2:kK,a,bV,k(a+b)=ka+kb\forall k \in K,\forall a,b \in V,k(a+b)=ka+kb
则称VV是数域KK上的线性空间

解析几何中的平面向量空间、空间向量空间、KK上的nn维向量空间,Mm,n(K)M_{m,n}(K)都是线性空间的典型代表。不仅如此,即便看起来与代数毫无关系的数学分析,也有大量线性空间的例子。例如:

例4.1 C[a,b]C[a,b][a,b][a,b]上全体连续函数构成的空间,C[a,b]C[a,b]RR上的线性空间

可见,线性空间存在于世界各个角落,或者可以这么说:只要在一个集合中定义了加法和数乘运算,并且满足八条运算性质,这个集合就是一个"抽象化"的向量空间,集合中的元素,不过是"抽象化"后的点罢了。线性空间,从几何上去理解,就是"抽象化"的向量空间。以连续函数空间为例,从线性空间的角度上看,闭区间上的连续函数,不过是连续函数空间上一个个向量罢了,连续函数空间,不过是抽象的解析几何空间罢了。线性泛函分析,就是以这里为出发点的。认识到这点,对于理解后面许多定理和命题都很有帮助。
命题4.1 VV是数域KK上的线性空间,则
(1)零元是唯一的
(2)aV\forall a \in V,相反元a-a是唯一的
(3)aV,0.a=0\forall a \in V,0.a=0
(4)aV,(1).a=a\forall a \in V,(-1).a=-a

证:
(1)假设a,ba,b都满足:对任意的cVc\in V,都有
a+c=ca+c=cb+c=cb+c=c那么
a+b=b=b+a=aa+b=b=b+a=a由于零元唯一,我们记零元为00\
(2)aV\forall a \in V,若b,cb,c都满足:
a+b=0a+b=0a+c=0a+c=0
a+b+c=c=b+a+c=b+(a+c)=b+0=ba+b+c=c=b+a+c=b+(a+c)=b+0=b从而相反元唯一,相反元记为a-a\
(3)a+0.a=1.a+0.a=(1+0)a=1.a=aa+0.a=1.a+0.a=(1+0)a=1.a=a
(4)(1).a+a=(1).a+1.a=(1+1)a=0.a=0(-1).a+a=(-1).a+1.a=(1+-1)a=0.a=0

线性空间的结构

接下来,类似于向量空间,我们也可以给出线性组合、线性表示、线性相关、线性无关、极大线性无关组等概念。

定义4.2 VVKK上的线性空间,x1,,xnx_1,\cdots,x_nVV的一个向量组,k1,,knk_1,\cdots,k_nKK上的nn个数,称
k1x1++knxnk_1x_1+\cdots+k_nx_nx1,,xnx_1,\cdots,x_n的一个线性组合,yVy\in V,存在k1,,knKk_1,\cdots,k_n\in K,使得
y=k1x1++knxny=k_1x_1+\cdots+k_nx_n则称yy能被x1,,xnx_1,\cdots,x_n线性表示

定义4.3 VVKK上的线性空间,x1,,xnx_1,\cdots,x_nVV的一个向量组,如果存在不全为00KK的一组数k1,,knk_1,\cdots,k_n,使得
k1x1++knxn=0k_1x_1+\cdots+k_nx_n=0则称x1,,xnx_1,\cdots,x_n线性相关,否则称x1,,xnx_1,\cdots,x_n线性无关

可以看到,一般线性空间上的线性相关和线性无关和向量空间是"一致的",只不过这里是抽象化的线性相关和线性无关,而向量空间是具体的线性相关和线性无关,并且向量空间上,我们可以借助线性方程组来理解线性表示、线性相关和线性无关,一般线性空间上的线性表示、线性相关和线性无关,就很难借助具体的工具来表述。然而,一般线性空间上线性相关、线性无关性质上却和向量空间没有本质差别。

定理4.1 VVKK上的线性空间,x1,,xnx_1,\cdots,x_nVV的一个向量组,x1,,xnx_1,\cdots,x_n线性相关的充分必要条件是某个向量可被其他向量线性表示

定义4.3 VVKK上的线性空间,x1,,xnx_1,\cdots,x_ny1,,ymy_1,\cdots,y_mVV的两个向量组,如果y1,,ymy_1,\cdots,y_m的每一个向量都能被x1,,xnx_1,\cdots,x_n线性表示,则称向量组y1,,ymy_1,\cdots,y_m能被x1,,xnx_1,\cdots,x_n线性表示,如果两个向量组可以相互线性表示,则称两个向量组等价

引理4.1 VVKK上的线性空间,x1,,xnx_1,\cdots,x_ny1,,ymy_1,\cdots,y_mVV的两个向量组,如果x1,,xnx_1,\cdots,x_n线性无关,m>nm>n,则y1,,ymy_1,\cdots,y_m一定线性相关

推论4.1 VVKK上的线性空间,VV上任意两个等价的线性无关的向量组一定有相同数量的向量

类似地可以给出极大线性无关组和向量组的秩
定义4.4 VVKK上的线性空间,x1,,xnx_1,\cdots,x_nVV的一个向量组,如果存在线性无关的子向量组xn1,,xnrx_{n_1},\cdots,x_{n_r}x1,,xnx_1,\cdots,x_n能被xn1,,xnrx_{n_1},\cdots,x_{n_r}线性表示,则称xn1,,xnrx_{n_1},\cdots,x_{n_r}x1,,xnx_1,\cdots,x_n的极大线性无关组,rr称为向量组x1,,xnx_1,\cdots,x_n的秩

命题4.2 VVKK上的线性空间,x1,,xnx_1,\cdots,x_nVV的一个向量组,x1,,xnx_1,\cdots,x_n线性无关,而x1,,xn,yx_1,\cdots,x_n,y线性相关,则yy能被x1,,xnx_1,\cdots,x_n唯一线性表示

按照这个命题,任一向量组的每一个向量能被其极大线性无关组唯一线性表示。极大线性无关组就起到解析几何中的基的作用。

线性空间上的基、基变换与坐标变换

上一小结,我们引出了极大线性无关组,并且说明了,任一向量组的每一个向量都能被极大线性无关组唯一表示。那么,对于整一个线性空间,能不能也找到这么一组线性无关向量,整个空间能被这组线性无关的向量唯一线性表示呢?

首先,如果存在一组线性无关的向量x1,,xnx_1,\cdots,x_n,对任意的xVx\in V,都存在k1,,knKk_1,\cdots,k_n\in K,使得
x=k1x1++knxnx=k_1x_1+\cdots+k_nx_n我们就称x1,,xnx_1,\cdots,x_n是线性空间VV的一组基,显然,任意两组基是等价的,因而,基中向量个数是相等的,这个向量的个数称为VV的维数。

是不是每一个线性空间都存在一个向量组是VV的基呢?答案是否定的。至少,连续函数空间C[a,b]C[a,b]就不存在有限个向量可以线性表示所有的连续函数,不然,连续函数空间不就过分简单,以至于没有研究的价值了吗?如果存在nn个线性无关的向量可以线性表示空间中所有的向量,那么,就称VVnn维线性空间,nnVV的维数,记为dim(V)=n\dim(V)=nVV是有限维线性空间,否则,称VV是无穷维线性空间,记为dim(V)=\dim(V)=\infty。这里我们研究的对象是有限维线性空间,无穷维线性空间主要是一些函数空间,对无穷维线性空间的研究将在泛函分析中进行,这里不作讨论。

定义4.5 VVKK上的线性空间,如果存在线性无关的向量组x1,,xnx_1,\cdots,x_n,对任意的xVx\in Vxx能被x1,,xnx_1,\cdots,x_n线性表示,则称x1,,xnx_1,\cdots,x_nVV的一组基,nnVV的维数,记为dim(V)=n\dim(V)=nVVnn维线性空间,否则,称VV是无穷维线性空间,dim(V)=\dim(V)=\infty

命题4.3 VVKK上的线性空间,dim(V)=n<\dim(V)=n<\inftyx1,,xnx_1,\cdots,x_n是线性无关的向量组,则x1,,xnx_1,\cdots,x_nVV的一组基

证:
首先,设e1,,ene_1,\cdots,e_nVV的一组基,我们首先证明任意n+1n+1个向量都是线性相关的。
按照基的定义,对任意n+1n+1个向量y1,,yn+1y_1,\cdots,y_{n+1},存在n(n+1)n(n+1)KK中的数kij,1in+1,1jnk_{ij},1\le i\le n+1,1\le j \le n,使得
yi=ki1e1++kinen,i=1,,n+1y_i=k_{i1}e_1+\cdots+k_{in}e_{n},i=1,\cdots,n+1
z1y1+z2y2++zn+1yn+1=0z_1y_1+z_2y_2+\cdots+z_{n+1}y_{n+1}=0e1,,ene_1,\cdots,e_n线性无关,得到齐次方程组
{k11z1++k(n+1)1zn+1=0k12z1++k(n+1)2zn+1=0k1nz1++k(n+1)nzn+1=0\begin{cases} k_{11}z_1+\cdots+k_{(n+1)1}z_{n+1}=0\\ k_{12}z_1+\cdots+k_{(n+1)2}z_{n+1}=0\\ \cdots\\ k_{1n}z_1+\cdots+k_{(n+1)n}z_{n+1}=0 \end{cases} 由于变量个数大于方程个数,齐次方程必有非零解,从而y1,,yn+1y_1,\cdots,y_{n+1}线性相关
其次证明x1,,xnx_1,\cdots,x_nVV的一组基,对任意xVx\in V,不妨设xxi,i=1,,nx\neq x_i,i=1,\cdots,n,则x1,,xn,xx_1,\cdots,x_n,x线性相关,而x1,,xnx_1,\cdots,x_n线性无关,从而xx能被x1,,xnx_1,\cdots,x_n唯一线性表示,对于xix_i,自然有
xi=0.x1++0.xi1+1.xi+0.xi+1++0.xnx_i=0.x_1+\cdots+0.x_{i-1}+1.x_{i}+0.x_{i+1}+\cdots+0.x_n因此,x1,,xnx_1,\cdots,x_nVV的一组基

这也就意味着,只要你选择nn个线性无关的向量,就能找到VV的一组基。反过来,不存在一组基,也就是说,只要不是平凡的线性空间(只有零元),那么一定能找到一个非零的向量,如果dim(V)1\dim(V)\neq 1,那么说明,有一个向量不能被这个向量线性表示,加入到向量组中,就是两个线性无关的向量,以此类推,如果无论找多少个线性无关的向量(有限个),都无法表示全空间,那么说明这个线性空间有"无穷个"基,这就不难理解为何称为无穷维线性空间了。

类似地,容易证明如下命题:

命题4.4 VVKK上的线性空间,dim(V)=n<\dim(V)=n<\inftye1,,ene_1,\cdots,e_nVV的一组基,则VV中任意向量可表为e1,,ene_1,\cdots,e_n的一个唯一的线性组合

与定义不同的是,这个命题强调线性组合系数的唯一性,这个唯一线性组合的系数称为xx的坐标。当然,同一个向量在不同的基下,有不同的坐标,那么,同一个向量在不同基下的坐标,究竟有何联系呢?这就是基变换和坐标变换讨论的话题。

假设e1,,ene_1,\cdots,e_nε1,,εn\varepsilon_1,\cdots,\varepsilon_nnn维线性空间VV的两组基,那么按照基的定义:
{ε1=k11e1+k12e2++k1nenε2=k21e1+k22e2++k2nenεn=kn1e1+kn2e2++knnen \begin{cases} \varepsilon_1=k_{11}e_1+k_{12}e_2+\cdots+k_{1n}e_n\\ \varepsilon_2=k_{21}e_1+k_{22}e_2+\cdots+k_{2n}e_n\\ \cdots\\ \varepsilon_n=k_{n1}e_1+k_{n2}e_2+\cdots+k_{nn}e_n \end{cases} 这在形式上,就类似于向量空间上的线性变换,实际上,在下一章中,我们会讲到这是一种"特殊"的线性变换,是从一组基变换到另一组基的线性变换,只不过,这里的线性变换,比向量空间上线性变换更加"广义"。回到我们正在讨论的话题当中,假设xVx\in Vε1,,εn\varepsilon_1,\cdots,\varepsilon_n下的坐标为x1,,xnx_1,\cdots,x_n,则
x=x1ε1++xnεnx=x_1\varepsilon_1+\cdots+x_n\varepsilon_n于是,按照坐标的唯一性,设y1,,yny_1,\cdots,y_nxxe1,,ene_1,\cdots,e_n下的坐标,就有
{y1=x1k11+x2k21++xnkn1y2=x1k12+x2k22++xnkn2yn=x1k1n+x2k2n++xnknn \begin{cases} y_1=x_1k_{11}+x_2k_{21}+\cdots+x_nk_{n1}\\ y_2=x_1k_{12}+x_2k_{22}+\cdots+x_nk_{n2}\\ \cdots\\ y_n=x_1k_{1n}+x_2k_{2n}+\cdots+x_nk_{nn} \end{cases} 很显然,同一个向量在两组基下的坐标,竟然是线性变换的关系。这就是在一般有限维线性空间上的基变换和坐标变换,更加具体的内容我们在下一章再作详细的补充。

子空间与商空间

子空间的定义

讨论每一个空间,我们都会给出子空间的概念,所谓子空间,就是空间的一个子集,但是这个子集不是任意的,一定是保有空间的最基本性质,对于线性空间,这个最基本的性质就是加法和数乘。

定义4.6 VVKK上的线性空间,MVM\subset V,如果MM满足:
(1)x1,x2M,x1+x2M\forall x_1,x_2\in M,x_1+x_2\in M
(2)xM,kK,kxM\forall x\in M,\forall k\in K,kx\in M
则称MMVV的子空间

可见子空间就是就是线性空间保有加法和数乘运算的子集。该如何理解子空间呢?实际上,对于平面来说,过原点的直线上每一个点构成的集合就是平面的一个子空间,对空间来说,过原点的平面,过原点的直线的集合就是空间的子空间。可见,子空间的几何含义,就是空间中的平面或直线,平面中的直线,比原空间的维度要低。对有限维线性空间,任意子空间都是有限维线性空间,都有各自的一组基。

子空间的交空间、和空间

子空间是VV的子集,自然可以考虑集合的运算,但是,两个子空间的并不一定还是子空间,但两个子空间之交还是子空间。

命题4.5 VVKK上的线性空间,M1,M2M_1,M_2VV的两个子空间,则M1M2M_1\cap M_2VV的子空间

只要按照子空间的定义直接验证即可,显然,交空间的维度小于两个子空间。更重要地,我们来考虑子空间的另一个运算——和空间。

定义4.7 VVKK上的线性空间,M1,M2M_1,M_2VV的两个子空间,
M1+M2={x1+x2:x1M1,x2M2}M_1+M_2=\{x_1+x_2:x_1\in M_1,x_2\in M_2\}称为M1,M2M_1,M_2的和空间

当然,按照定义可以直接验证M1+M2M_1+M_2是子空间。下面我们给出一个维度公式

命题4.6(维度公式) VVKK上的有限维线性空间,V=M1+M2V=M_1+M_2,则
dim(V)=dim(M1)+dim(M2)dim(M1M2)\dim(V)=\dim(M_1)+\dim(M_2)-\dim(M_1\cap M_2)

线性空间的直和分解

下面我们先给出和空间的几何意义,我们知道,子空间在几何上表现为平面上的直线,空间上平面和直线。对平面上两条过原点不重合的直线,任一平面向量都可以唯一表示成两个子空间各取一个向量的和。

值得注意的是,这里我们加了"唯一"二字,说明,不仅能够分解,还能被唯一分解。下面我们给出直和分解的定义:

定义4.8 VVKK上的线性空间,M1,M2M_1,M_2VV的两个子空间,如果对于任意的xM1+M2x\in M_1+M_2,如果xx的分解是唯一的,即:x=x1+x2=y1+y2,x1,y1M1,x2,y2M2x=x_1+x_2=y_1+y_2,x_1,y_1\in M_1,x_2,y_2\in M_2,则x1=y1,x2=y2x_1=y_1,x_2=y_2,则称M1,M2M_1,M_2的和是直和,记为M1M2M_1\oplus M_2

把一个线性空间分解为两个子空间的直和,有两层含义:
(1)VV的每一个向量能表为M1,M2M_1,M_2向量的和(能分解)
(2)每一个向量分解式都是唯一的(分解的唯一性)
因此验证直和需要验证能分解以及分解的唯一性。

接下来,我们来给出判断是否是直和分解的另一些充要条件。

命题4.7 VVKK上的有限维线性空间,M1,M2M_1,M_2是两个子空间,V=M1+M2V=M_1+M_2,则以下命题等价:
(1)V=M1M2V=M_1\oplus M_2
(2)M1M2=0M_1\cap M_2 = {0}
(3)0=x1+x2,x1M1,x2M20=x_1+x_2,x_1\in M_1,x_2\in M_2,则x1=x2=0x_1=x_2=0
(4)dim(V)=dim(M1)+dim(M2)\dim(V)=\dim(M_1)+\dim(M_2)

证:
(1)\rightarrow(2):
xM1M2\forall x \in M_1\cap M_2x=x+0=0+xx=x+0=0+x
由分解的唯一性,就有x=0x=0
(2)\rightarrow(3):
0=x1+x2,x1M1,x2M20=x_1+x_2,x_1\in M_1,x_2\in M_2,就有
x1=x2M2x_1=-x_2\in M_2因此,x1M1M2x_1\in M_1\cap M_2,于是x1=0x_1=0,从而x2=0x_2=0
(3)\rightarrow(1):
xV\forall x \in V,设x=x1+x2=y1+y2x=x_1+x_2=y_1+y_2
其中x1,y1M1,x2,y2M2x_1,y_1\in M_1,x_2,y_2\in M_2
于是,0=(x1x2)+(y1y2)0=(x_1-x_2)+(y_1-y_2),因此
x1=x2,y1=y2x_1=x_2,y_1=y_2从而V=M1M2V=M_1\oplus M_2

商空间与线性流形(未完成)

子空间是过原点的直线或平面,那么不过原点的直线或平面在一般的线性空间中应当如何表示呢?实际上,不过原点的直线可以考虑成过原点的直线再平移一个向量,整个平面就被这些密密麻麻的直线划分成若干个部分,以每一条直线作为向量,再赋予加法和数乘运算,又可以产生一个新的线性空间。

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!