本篇文章适合个人复习翻阅,不建议新手入门使用
线性空间
定义和性质
定义:(线性空间)
设集合
V
V
V 和数域
K
\mathbb{K}
K,在
V
V
V 上
定义加法
+
:
V
×
V
→
V
,
(
α
,
β
)
↦
α
+
β
+:V\times V\to V,(\alpha,\beta)\mapsto \alpha+\beta
+:V×V→V,(α,β)↦α+β;
定义数乘
⋅
:
V
×
V
→
V
,
(
k
,
α
)
↦
k
⋅
α
\cdot:V\times V\to V,(k,\alpha)\mapsto k\cdot\alpha
⋅:V×V→V,(k,α)↦k⋅α
上述加法和数乘满足以下性质
- 加法交换律
- 加法结合律
- 加法单位元
- 加法逆元
- 数乘单位元
- 数乘结合律
- 分配律1: k ( α + β ) = k α + k β k(\alpha+\beta)=k\alpha+k\beta k(α+β)=kα+kβ
- 分配律2: ( k + l ) α = k α + l α (k+l)\alpha=k\alpha+l\alpha (k+l)α=kα+lα
则称 V V V 是数域 K \mathbb{K} K 上的线性空间
注:若无注明,全篇均默认 V V V 是数域 K \mathbb{K} K 上的线性空间
性质
- 加法单位元是唯一的
- 加法逆元是唯一的
- 加法消去律成立
- 0 ⋅ α = 0 0\cdot\alpha=0 0⋅α=0
- k ⋅ 0 = 0 k\cdot 0=0 k⋅0=0
- ( − 1 ) α = − α (-1)\alpha=-\alpha (−1)α=−α
- 若 k ⋅ α = 0 k\cdot\alpha=0 k⋅α=0,则 α = 0 \alpha =0 α=0或 k = 0 k=0 k=0
线性相关性与秩
线性组合,线性表出,线性相关,线性无关的定义略;线性空间 V V V 中,向量的集合称为向量族,向量的有限集合称向量组
定义:(极大无关组)
设向量族
S
S
S ,若
S
S
S 中存在一组向量
{
α
1
,
…
,
α
r
}
\{\alpha_1,\dots,\alpha_r\}
{α1,…,αr} 满足
- α 1 , … , α r \alpha_1,\dots,\alpha_r α1,…,αr 线性无关
- S S S 中任一向量均可用 α 1 , … , α r \alpha_1,\dots,\alpha_r α1,…,αr 线性表示
则称 { α 1 , … , α r } \{\alpha_1,\dots,\alpha_r\} {α1,…,αr}是向量族 S S S 的极大(线性)无关组
存在性与唯一性
设
S
S
S 是一向量组且至少包含一个非零向量,则
S
S
S 的极大无关组一定存在;一般来说,向量族的极大无关组不唯一
定理:(秩的概念):
设
A
A
A 与
B
B
B 都是向量族
S
S
S 的极大线性无关组,则
A
,
B
A,B
A,B 所含的向量个数相等,称为
S
S
S 的秩,记为
r
(
S
)
r(S)
r(S)
证明思路:
只需证明如下的两个引理
设向量组
A
,
B
A,B
A,B,且
A
A
A 中每个向量可由
B
B
B 线性表出
引理1:若
A
A
A 线性无关,则
r
(
A
)
≤
r
(
B
)
r(A)\leq r(B)
r(A)≤r(B)
引理2:若
A
,
B
A,B
A,B 均线性无关,且
B
B
B 也可被
A
A
A 线性表出,则
r
(
A
)
=
r
(
B
)
r(A)=r(B)
r(A)=r(B)
引理1的证明:
反证法,归纳地证明,在“
A
A
A 中每个向量可由
B
B
B 线性表出”意义下,
B
B
B 中的
β
i
\beta_i
βi 可被替换为
α
i
\alpha_i
αi,由
r
>
s
r>s
r>s 推出
A
A
A 是线性相关的
关于秩的更多结论:
- 两个向量组等价(即可相互线性表出)当且仅当它们有相同的秩,且一个可以被另一个线性表出
- 若向量组 α \alpha α 可被向量组 β \beta β 线性表出,则 r ( α ) ≤ r ( β ) r(\alpha)\leq r(\beta) r(α)≤r(β)
基与维数
定义:(基与维数)
设线性空间
V
V
V ,若
V
V
V 中存在线性无关的向量
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 使得
V
V
V 中任一向量均可由这组向量线性表出,则称
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 是
V
V
V 的一组基,称
V
V
V 具有维数
n
n
n ,记为
d
i
m
K
V
=
n
dim_{\mathbb{K}}V=n
dimKV=n,若不存在有限个向量组成
V
V
V 的一组基,则称
V
V
V 是无限维线性空间
命题:向量组成为基的条件
设
n
n
n 维向量空间
V
V
V,
e
1
,
…
,
e
n
e_1,\dots,e_n
e1,…,en 是
V
V
V 中
n
n
n 个向量,若其适合下列条件之一,则
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 是
V
V
V 的一组基
- e 1 , … , e n e_1,\dots,e_n e1,…,en 线性无关
- V V V 中任一向量均可由 e 1 , … , e n e_1,\dots,e_n e1,…,en 线性表出
注:这也可以作为子向量组成为原向量组极大无关组的条件
基扩张定理
设
n
n
n 维线性空间
V
V
V,
v
1
,
v
2
,
…
,
v
m
v_1,v_2,\dots,v_m
v1,v2,…,vm 是
V
V
V 中
m
(
m
<
n
)
m(m<n)
m(m<n) 个线性无关的向量,又假设
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 是
V
V
V 的一组基,则必可在
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en}中选出
n
−
m
n-m
n−m 个向量,使之和
v
1
,
…
,
v
m
v_1,\dots,v_m
v1,…,vm一起组成
V
V
V 的一组基
证明思路
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 中必然能找到一个
e
i
e_i
ei,加在
{
v
1
,
v
2
,
…
,
v
m
}
\{v_1,v_2,\dots,v_m\}
{v1,v2,…,vm}中仍线性无关;在剩下的向量组中重复这个“找”的过程,直到加到
n
n
n 为止
例子
-
V
1
=
{
A
∈
M
n
(
C
)
∣
A
=
A
‾
′
}
V_1=\{A\in M_n(\mathbb{C})|A=\overline{A}'\}
V1={A∈Mn(C)∣A=A′} 在矩阵加法和实数关于矩阵的数乘下成为
R
\mathbb{R}
R 上的线性空间,一组基为:
{ E i i , E i j + E j i ( i ≠ j ) , i E i j − i E j i ( i ≠ j ) } \{E_{ii},E_{ij}+E_{ji}(i\neq j),iE_{ij}-iE_{ji}(i\neq j)\} {Eii,Eij+Eji(i=j),iEij−iEji(i=j)} -
V
2
=
{
A
∈
M
n
(
C
)
∣
A
=
−
A
‾
′
}
V_2=\{A\in M_n(\mathbb{C})|A=-\overline{A}'\}
V2={A∈Mn(C)∣A=−A′} 在矩阵加法和实数关于矩阵的数乘下成为
R
\mathbb{R}
R 上的线性空间,一组基为:
{ i E i i , E i j − E j i ( i ≠ j ) , i E i j + i E j i ( i ≠ j ) } \{iE_{ii},E_{ij}-E_{ji}(i\neq j),iE_{ij}+iE_{ji}(i\neq j)\} {iEii,Eij−Eji(i=j),iEij+iEji(i=j)} - K \mathbb{K} K 上 n n n 阶上三角矩阵全体,一组基: { E i j ( i ≤ j ) } \{E_{ij}(i\leq j)\} {Eij(i≤j)}
- K \mathbb{K} K 上 n n n 阶对称矩阵全体,一组基: { E i i , E i j + E j i ( i < j ) } \{E_{ii},E_{ij}+E_{ji}(i<j)\} {Eii,Eij+Eji(i<j)}
- K \mathbb{K} K 上 n n n 阶反对称矩阵全体,一组基: { E i j − E j i ( i < j ) } \{E_{ij}-E_{ji}(i<j)\} {Eij−Eji(i<j)}
矩阵的秩
定义
设
m
×
n
m\times n
m×n 阶矩阵
A
A
A,则
A
A
A 的
m
m
m 个行向量的秩称为行秩,
n
n
n个列向量的秩称为列秩
定理
初等变换不改变矩阵的行秩和列秩
推论
任意矩阵的行秩等于列秩
证明思路:相抵标准型
命题:
对任意秩为
r
r
r 的
m
×
n
m\times n
m×n 矩阵
A
A
A ,总存在
m
m
m 阶非异阵
P
P
P,
n
n
n 阶非异阵
Q
Q
Q,使得
P
A
Q
=
(
I
r
O
O
O
)
PAQ = \begin{pmatrix} I_r&O\\ O&O\\ \end{pmatrix}
PAQ=(IrOOO)
推论
- n n n 阶方阵非奇异当且仅当 A A A 满秩
- 两个同尺寸的矩阵相抵当且仅当秩相同
- 设 m × n m\times n m×n 矩阵 A A A, 则 r ( A ) = r r(A)=r r(A)=r 当且仅当存在一个 r r r 阶子式不等于零,且 A A A 中任意 r + 1 r+1 r+1 阶子式(若存在)都等于零
常见计算问题的解法
- 求矩阵的秩:用初等变换将矩阵化为阶梯型,阶梯点个数即为秩
- 求向量组的秩:将向量组拼成一个矩阵,矩阵秩即为向量组的秩
- 判定向量组的线性相关性:秩等于向量个数则为线性无关组,否则线性相关
- 求向量组的极大无关组:将列向量组拼成一个矩阵,用初等行变换将矩阵化为阶梯型,求其秩 r r r ,则选出秩为 r r r 的列向量即为所求
- 判断 β \beta β 是否能被列向量组线性表示:若 β \beta β 的加入不改变列向量组拼成矩阵的秩,则可被线性表出,否则不能。
为了思考方便,需要熟悉以下的等价形式:
命题:等价形式
设向量组
β
=
{
β
1
,
…
,
β
n
}
,
α
=
{
α
1
,
…
,
α
m
}
\beta =\{\beta_1,\dots,\beta_n\},\alpha=\{\alpha_1,\dots,\alpha_m\}
β={β1,…,βn},α={α1,…,αm},记
A
=
(
a
i
j
)
n
×
m
A=(a_{ij})_{n\times m}
A=(aij)n×m,考虑形式(1)
{
β
1
=
a
11
α
1
+
a
12
α
2
+
⋯
+
a
1
m
α
m
β
2
=
a
21
α
1
+
a
22
α
2
+
⋯
+
a
2
m
α
m
⋮
β
n
=
a
n
1
α
1
+
a
n
2
α
2
+
⋯
+
a
n
m
α
m
\begin{cases} \beta_1=a_{11}\alpha_1+a_{12}\alpha_2+\cdots+a_{1m}\alpha_m\\ \beta_2=a_{21}\alpha_1+a_{22}\alpha_2+\cdots+a_{2m}\alpha_m\\ \vdots\\ \beta_n=a_{n1}\alpha_1+a_{n2}\alpha_2+\cdots+a_{nm}\alpha_m\\ \end{cases}
⎩
⎨
⎧β1=a11α1+a12α2+⋯+a1mαmβ2=a21α1+a22α2+⋯+a2mαm⋮βn=an1α1+an2α2+⋯+anmαm该方程组等价于形式(2)
若
β
,
α
\beta,\alpha
β,α 均为行向量组,则有
(
β
1
β
2
⋮
β
n
)
=
A
(
α
1
α
2
⋮
α
m
)
\begin{pmatrix} \beta_1\\\beta_2\\\vdots\\\beta_n \end{pmatrix} =A\begin{pmatrix} \alpha_1\\\alpha_2\\\vdots\\\alpha_m \end{pmatrix}
β1β2⋮βn
=A
α1α2⋮αm
若
β
,
α
\beta,\alpha
β,α 均为列向量组,则有
(
β
1
,
β
2
,
⋯
,
β
n
)
=
(
α
1
,
α
2
,
⋯
,
α
m
)
A
′
\begin{pmatrix} \beta_1,\beta_2,\cdots,\beta_n\\ \end{pmatrix} =\begin{pmatrix} \alpha_1,\alpha_2,\cdots,\alpha_m \end{pmatrix}A'
(β1,β2,⋯,βn)=(α1,α2,⋯,αm)A′
仍记
α
,
β
\alpha,\beta
α,β 分别为向量组
α
,
β
\alpha,\beta
α,β 拼成的矩阵,则
方程组等价于形式(3)
若
β
,
α
\beta,\alpha
β,α 均为行向量组,则有
β
=
A
α
\beta =A\alpha
β=Aα
若
β
,
α
\beta,\alpha
β,α 均为列向量组,则有
β
=
α
A
′
\beta =\alpha A'
β=αA′
记
A
i
A_i
Ai 为
A
A
A 的行向量,有等价形式(4)
若
β
\beta
β 为行向量组,则有
(
β
1
β
2
⋮
β
n
)
=
(
A
1
A
2
⋮
A
n
)
α
\begin{pmatrix} \beta_1\\\beta_2\\\vdots\\\beta_n \end{pmatrix} =\begin{pmatrix} A_1\\A_2\\\vdots\\A_n \end{pmatrix}\alpha
β1β2⋮βn
=
A1A2⋮An
α
若
β
\beta
β 为列向量组,则有
(
β
1
,
β
2
,
⋯
,
β
n
)
=
α
(
A
1
′
,
A
2
′
,
⋯
,
A
n
′
)
\begin{pmatrix} \beta_1,\beta_2,\cdots,\beta_n\\ \end{pmatrix} =\alpha\begin{pmatrix} A'_1,A'_2,\cdots,A'_n \end{pmatrix}
(β1,β2,⋯,βn)=α(A1′,A2′,⋯,An′)
考虑
A
α
=
β
A\alpha=\beta
Aα=β,
若记
A
i
A_i
Ai 为
A
A
A 的行向量,
α
i
\alpha_i
αi 为
α
\alpha
α 列向量,则 形式(5)
A
i
α
j
=
β
i
j
A_i\alpha_j=\beta_{ij}
Aiαj=βij若记
A
i
A_i
Ai 为
A
A
A 的列向量,
α
i
\alpha_i
αi 为
α
\alpha
α 行向量,则形式(6)
∑
A
i
α
i
=
β
\sum A_i\alpha_i=\beta
∑Aiαi=β
文字向量组的秩的结论
- 设 A A A 是 n × m n\times m n×m 阶矩阵, B B B 是 m × n m\times n m×n 阶矩阵,且 A B = I n AB=I_n AB=In,则 A A A 的行向量线性无关, B B B 的列向量线性无关
- 设 A A A 是 n × m n\times m n×m 阶矩阵, α \alpha α 是 m × k m\times k m×k 阶满秩矩阵,且 β = A α \beta =A\alpha β=Aα,则 r ( A ) = r ( β ) r(A)=r(\beta) r(A)=r(β)
证明思路
1的证明:考虑等价形式(5)易证
2的证明:考虑等价形式(4)易证
同构
定义
设
V
,
U
V,U
V,U 是数域
K
\mathbb{K}
K 上的两个线性空间,若存在
V
V
V 到
U
U
U 上的一个双射
ϕ
\phi
ϕ ,使得对任意
V
V
V 中向量
α
,
β
\alpha,\beta
α,β 以及
k
∈
K
k\in\mathbb{K}
k∈K,均有
ϕ
(
α
+
β
)
=
ϕ
(
α
)
+
ϕ
(
β
)
,
ϕ
(
k
α
)
=
k
ϕ
(
α
)
\phi(\alpha+\beta)=\phi(\alpha)+\phi(\beta),\phi(k\alpha)=k\phi(\alpha)
ϕ(α+β)=ϕ(α)+ϕ(β),ϕ(kα)=kϕ(α)
则称
V
V
V 与
U
U
U 同构,记为
V
≅
U
V\cong U
V≅U,称
ϕ
\phi
ϕ 为同构映射
命题
- 同构映射将线性相关(无关)向量组映为线性相关(无关)向量组
- 同构关系是等价关系:1.自反 2.对称 3.传递
- K \mathbb{K} K上两个有限维线性空间同构当且仅当它们维数相同
坐标
定义:(坐标)
设
n
n
n 维线性空间
V
V
V 的一组基
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en},
α
∈
V
\alpha\in V
α∈V,则有
α
=
a
1
e
1
+
⋯
+
a
n
e
n
\alpha=a_1e_1+\cdots+a_ne_n
α=a1e1+⋯+anen称
(
a
1
,
…
,
a
n
)
′
(a_1,\dots,a_n)'
(a1,…,an)′ 为
α
\alpha
α 在基
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 下的坐标
命题
设
{
e
1
,
…
,
e
m
}
\{e_1,\dots,e_m\}
{e1,…,em} 是
m
m
m 维线性空间
V
V
V 的基,
α
1
,
…
,
α
n
\alpha_1,\dots,\alpha_n
α1,…,αn 是
V
V
V 中向量,其在基下的坐标向量依次为
α
~
1
,
…
,
α
~
n
\tilde{\alpha}_1,\dots,\tilde{\alpha}_n
α~1,…,α~n,则
- 向量组 α 1 , … , α n \alpha_1,\dots,\alpha_n α1,…,αn 与 α ~ 1 , … , α ~ n \tilde{\alpha}_1,\dots,\tilde{\alpha}_n α~1,…,α~n 有相同秩
- β \beta β 可由 α 1 , … , α n \alpha_1,\dots,\alpha_n α1,…,αn 线性表出当且仅当 β ~ \tilde{\beta} β~ 可由 α ~ 1 , … , α ~ n \tilde{\alpha}_1,\dots,\tilde{\alpha}_n α~1,…,α~n 线性表出
- α i 1 , … , α i r \alpha_{i_1},\dots,\alpha_{i_r} αi1,…,αir 是 α 1 , … , α n \alpha_1,\dots,\alpha_n α1,…,αn 的极大无关组 当且仅当 α ~ i 1 , … , α ~ i r \tilde{\alpha}_{i_1},\dots,\tilde{\alpha}_{i_r} α~i1,…,α~ir 是 α ~ 1 , … , α ~ n \tilde{\alpha}_1,\dots,\tilde{\alpha}_n α~1,…,α~n 的极大无关组
证明
同构映射将
α
1
,
…
,
α
n
\alpha_1,\dots,\alpha_n
α1,…,αn 的极大无关组映为
α
~
1
,
…
,
α
~
m
\tilde{\alpha}_1,\dots,\tilde{\alpha}_m
α~1,…,α~m 的极大无关组
定义:(过渡矩阵)
设
{
e
1
,
…
,
e
n
}
,
{
f
1
,
…
,
f
n
}
\{e_1,\dots,e_n\},\{f_1,\dots,f_n\}
{e1,…,en},{f1,…,fn} 是线性空间
V
V
V 的基,则有
{
f
1
=
a
11
e
1
+
⋯
+
a
1
n
e
n
⋮
f
n
=
a
n
1
e
1
+
⋯
+
a
n
n
e
n
\begin{cases} f_1=a_{11}e_1+\cdots+a_{1n}e_n\\ \vdots\\ f_n=a_{n1}e_1+\cdots+a_{nn}e_n\\ \end{cases}
⎩
⎨
⎧f1=a11e1+⋯+a1nen⋮fn=an1e1+⋯+annen称系数矩阵的转置为从
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 到
{
f
1
,
…
,
f
n
}
\{f_1,\dots,f_n\}
{f1,…,fn} 的过渡矩阵
命题
设
{
e
1
,
…
,
e
n
}
,
{
f
1
,
…
,
f
n
}
\{e_1,\dots,e_n\},\{f_1,\dots,f_n\}
{e1,…,en},{f1,…,fn} 是线性空间
V
V
V 的基,且
α
=
λ
1
e
1
+
⋯
+
λ
n
e
n
=
u
1
f
1
+
⋯
+
u
n
f
n
\alpha=\lambda_1e_1+\cdots+\lambda_ne_n=u_1f_1+\cdots+u_nf_n
α=λ1e1+⋯+λnen=u1f1+⋯+unfn则
(
λ
1
⋮
λ
n
)
(
a
11
⋯
a
n
1
⋮
⋮
a
n
1
⋯
a
n
n
)
=
(
u
1
⋮
u
n
)
\begin{pmatrix} \lambda_1\\ \vdots\\ \lambda_n \end{pmatrix} \begin{pmatrix} a_{11}&\cdots&a_{n1}\\ \vdots&&\vdots\\ a_{n1}&\cdots&a_{nn}\\ \end{pmatrix} =\begin{pmatrix} u_1\\ \vdots\\ u_n\\ \end{pmatrix}
λ1⋮λn
a11⋮an1⋯⋯an1⋮ann
=
u1⋮un
当且仅当
(
a
11
⋯
a
n
1
⋮
⋮
a
n
1
⋯
a
n
n
)
\begin{pmatrix} a_{11}&\cdots&a_{n1}\\ \vdots&&\vdots\\ a_{n1}&\cdots&a_{nn}\\ \end{pmatrix}
a11⋮an1⋯⋯an1⋮ann
是从
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 到
{
f
1
,
…
,
f
n
}
\{f_1,\dots,f_n\}
{f1,…,fn} 的过渡矩阵
命题
设
A
A
A 为从
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 到
{
f
1
,
…
,
f
n
}
\{f_1,\dots,f_n\}
{f1,…,fn} 的过渡矩阵,则从
{
f
1
,
…
,
f
n
}
\{f_1,\dots,f_n\}
{f1,…,fn} 到
{
e
1
,
…
,
e
n
}
\{e_1,\dots,e_n\}
{e1,…,en} 的过渡矩阵为
A
−
1
A^{-1}
A−1
下面举一个有趣的应用:
命题:证明 Taylor 公式
设
V
V
V 是次数不超过
n
n
n 的实系数多项式全体组成的线性空间,求从基
{
1
,
x
,
x
2
,
…
,
x
n
}
\{1,x,x^2,\dots,x^n\}
{1,x,x2,…,xn} 到基
{
1
,
x
−
a
,
(
x
−
a
)
2
,
…
,
(
x
−
a
)
n
}
\{1,x-a,(x-a)^2,\dots,(x-a)^n\}
{1,x−a,(x−a)2,…,(x−a)n} 的过渡矩阵,并以此证明多项式的 Taylor 公式:
f
(
x
)
=
f
(
a
)
+
f
′
(
a
)
1
!
(
x
−
a
)
+
⋯
+
f
(
n
)
(
a
)
n
!
(
x
−
a
)
n
f(x)=f(a)+\frac{f'(a)}{1!}(x-a)+\cdots+\frac{f^{(n)}(a)}{n!}(x-a)^n
f(x)=f(a)+1!f′(a)(x−a)+⋯+n!f(n)(a)(x−a)n其中
f
(
n
)
(
x
)
f^{(n)}(x)
f(n)(x) 表示
f
(
x
)
f(x)
f(x) 的
n
n
n 次导数
证明:
过渡矩阵为
(
1
−
a
a
2
⋯
(
−
1
)
n
a
n
0
1
−
2
a
⋯
(
−
1
)
n
−
1
n
a
n
−
1
0
0
1
⋯
(
−
1
)
n
−
2
n
(
n
−
1
)
2
!
a
n
−
2
⋮
⋮
⋮
⋮
0
0
0
⋯
1
)
\begin{pmatrix} 1&-a&a^2&\cdots&(-1)^na^n\\ 0&1&-2a&\cdots&(-1)^{n-1}na^{n-1}\\ 0&0&1&\cdots&(-1)^{n-2}\frac{n(n-1)}{2!}a^{n-2}\\ \vdots&\vdots&\vdots&&\vdots\\ 0&0&0&\cdots&1\\ \end{pmatrix}
100⋮0−a10⋮0a2−2a1⋮0⋯⋯⋯⋯(−1)nan(−1)n−1nan−1(−1)n−22!n(n−1)an−2⋮1
其逆矩阵即为基
{
1
,
x
,
x
2
,
…
,
x
n
}
\{1,x,x^2,\dots,x^n\}
{1,x,x2,…,xn} 到基
{
1
,
x
+
a
,
(
x
+
a
)
2
,
…
,
(
x
+
a
)
n
}
\{1,x+a,(x+a)^2,\dots,(x+a)^n\}
{1,x+a,(x+a)2,…,(x+a)n} 的过渡矩阵
(
1
a
a
2
⋯
a
n
0
1
2
a
⋯
n
a
n
−
1
0
0
1
⋯
n
(
n
−
1
)
2
!
a
n
−
2
⋮
⋮
⋮
⋮
0
0
0
⋯
1
)
\begin{pmatrix} 1&a&a^2&\cdots&a^n\\ 0&1&2a&\cdots&na^{n-1}\\ 0&0&1&\cdots&\frac{n(n-1)}{2!}a^{n-2}\\ \vdots&\vdots&\vdots&&\vdots\\ 0&0&0&\cdots&1\\ \end{pmatrix}
100⋮0a10⋮0a22a1⋮0⋯⋯⋯⋯annan−12!n(n−1)an−2⋮1
设
f
(
x
)
=
a
0
+
a
1
x
+
a
2
x
2
+
⋯
+
a
n
x
n
f(x)=a_0+a_1x+a_2x^2+\cdots+a_nx^n
f(x)=a0+a1x+a2x2+⋯+anxn ,则
(
1
a
a
2
⋯
a
n
0
1
2
a
⋯
n
a
n
−
1
0
0
1
⋯
n
(
n
−
1
)
2
!
a
n
−
2
⋮
⋮
⋮
⋮
0
0
0
⋯
1
)
(
a
0
a
1
a
2
⋮
a
n
)
=
(
f
(
a
)
f
′
(
a
)
1
!
⋮
f
(
n
)
(
a
)
n
!
)
\begin{pmatrix} 1&a&a^2&\cdots&a^n\\ 0&1&2a&\cdots&na^{n-1}\\ 0&0&1&\cdots&\frac{n(n-1)}{2!}a^{n-2}\\ \vdots&\vdots&\vdots&&\vdots\\ 0&0&0&\cdots&1\\ \end{pmatrix} \begin{pmatrix} a_0\\a_1\\a_2\\\vdots\\a_n\\ \end{pmatrix}= \begin{pmatrix} f(a)\\\frac{f'(a)}{1!}\\\vdots\\\frac{f^{(n)}(a)}{n!} \end{pmatrix}
100⋮0a10⋮0a22a1⋮0⋯⋯⋯⋯annan−12!n(n−1)an−2⋮1
a0a1a2⋮an
=
f(a)1!f′(a)⋮n!f(n)(a)
子空间
子空间的定义和性质
定义:(子空间)
设线性空间
V
V
V ,
V
0
V_0
V0 是
V
V
V 的非空子集,且对任意
α
,
β
∈
V
0
,
k
∈
K
\alpha,\beta\in V_0,k\in\mathbb{K}
α,β∈V0,k∈K,总有
α
+
β
∈
V
0
\alpha+\beta\in V_0
α+β∈V0 及
k
α
∈
V
0
k\alpha\in V_0
kα∈V0 ,则称
V
0
V_0
V0 是
V
V
V 的(线性)子空间;称
{
0
}
\{0\}
{0} 和
V
V
V 是
V
V
V 的平凡子空间
命题
- 子空间是线性空间(在全空间的加法和数乘下)
- 若 V 0 V_0 V0 是 V V V 的非平凡子空间,则 0 < d i m V 0 < d i m V = n 0<dim V_0<dim V=n 0<dimV0<dimV=n
子空间的和与交
定义:(子空间的和与交)
设
V
V
V 的子空间
V
1
,
V
2
V_1,V_2
V1,V2
子空间之交:
V
1
∩
V
2
=
{
v
∣
v
∈
V
1
,
v
∈
V
2
}
V_1\cap V_2=\{v|v\in V_1,v\in V_2\}
V1∩V2={v∣v∈V1,v∈V2}
子空间之和:
V
1
+
V
2
=
{
α
+
β
∣
α
∈
V
1
,
β
∈
V
2
}
V_1+V_2=\{\alpha +\beta|\alpha\in V_1,\beta\in V_2\}
V1+V2={α+β∣α∈V1,β∈V2}
命题
子空间之和、之交仍为子空间
命题:子空间之和之交的求法
设子空间
V
1
V_1
V1 的基为
α
=
{
α
1
,
…
,
α
n
}
\alpha=\{\alpha_1,\dots,\alpha_n\}
α={α1,…,αn},子空间
V
2
V_2
V2 的基为
β
=
{
β
1
,
…
,
β
m
}
\beta=\{\beta_1,\dots,\beta_m\}
β={β1,…,βm},则
- V 1 + V 2 V_1+V_2 V1+V2 的基为 α ∪ β \alpha\cup\beta α∪β 的极大无关组
- 任取 v ∈ V 1 ∩ V 2 v\in V_1\cap V_2 v∈V1∩V2 ,设 v = x 1 α 1 + ⋯ + x n α n = ( − y 1 ) β 1 + ⋯ + ( − y m ) β m v=x_1\alpha_1+\cdots+x_n\alpha_n=(-y_1)\beta_1+\cdots+(-y_m)\beta_m v=x1α1+⋯+xnαn=(−y1)β1+⋯+(−ym)βm解这个线性方程组,求得 ( x 1 , … , x n , y 1 , … , y m ) (x_1,\dots,x_n,y_1,\dots,y_m) (x1,…,xn,y1,…,ym) 的通解后容易看出基
定义:子空间的生成
设线性空间
V
V
V 的子集
S
S
S,记
L
(
S
)
L(S)
L(S) 为
S
S
S 中向量所有可能的线性组合构成的子集,则
L
(
S
)
L(S)
L(S) 是
V
V
V 的一个子空间,称为由
S
S
S 生成的子空间
命题
- L ( S ) L(S) L(S) 是包含 S S S 的 V V V 的最小子空间
- L ( S ) L(S) L(S) 的维数等于 S S S 中的极大无关组所含向量的个数
定理:维数公式
设线性空间的子空间
V
1
,
V
2
V_1,V_2
V1,V2,则
dim
(
V
1
+
V
2
)
=
dim
V
1
+
dim
V
2
−
dim
(
V
1
∩
V
2
)
\dim (V_1+V_2)=\dim V_1+\dim V_2-\dim(V_1\cap V_2)
dim(V1+V2)=dimV1+dimV2−dim(V1∩V2)
直和
定义:(直和)
设子空间
V
1
,
…
,
V
m
V_1,\dots,V_m
V1,…,Vm,若
∀
i
,
V
i
∩
(
V
1
+
⋯
+
V
i
−
1
+
V
i
+
1
+
⋯
+
V
m
)
=
0
\forall i ,V_i\cap(V_1+\cdots+V_{i-1}+V_{i+1}+\cdots+V_m)=0
∀i,Vi∩(V1+⋯+Vi−1+Vi+1+⋯+Vm)=0,则称
V
1
+
⋯
+
V
m
V_1+\cdots+V_m
V1+⋯+Vm 为直和,记为
V
1
⊕
⋯
⊕
V
m
V_1\oplus \cdots \oplus V_m
V1⊕⋯⊕Vm
命题:验证直和的办法
设子空间 V 1 , … , V m , V 0 = V 1 + ⋯ + V m V_1,\dots,V_m,V_0=V_1+\cdots+V_m V1,…,Vm,V0=V1+⋯+Vm,下列等价
- V 0 = V 1 ⊕ ⋯ ⊕ V m V_0=V_1\oplus \cdots\oplus V_m V0=V1⊕⋯⊕Vm 是直和
- ∀ 2 ≤ i ≤ m , V i ∩ ( V 1 + ⋯ + V i − 1 ) = 0 \forall 2\leq i\leq m,V_i\cap(V_1+\cdots+V_{i-1})=0 ∀2≤i≤m,Vi∩(V1+⋯+Vi−1)=0
- dim ( V 1 + ⋯ + V m ) = dim V 1 + ⋯ + dim V m \dim (V_1+\cdots +V_m)=\dim V_1+\cdots +\dim V_m dim(V1+⋯+Vm)=dimV1+⋯+dimVm
- V 1 , … , V m V_1,\dots,V_m V1,…,Vm 的一组基可拼成 V 0 V_0 V0 的一组基
- V 0 V_0 V0 中向量表示为 V 1 , … , V m V_1,\dots,V_m V1,…,Vm 中向量之和时其表示唯一
定义:补空间
设
U
U
U 是
V
V
V 的子空间,则存在
V
V
V 的子空间
W
W
W ,使得
V
=
U
⊕
W
V=U\oplus W
V=U⊕W,称
W
W
W 为
U
U
U 在
V
V
V 中的补空间
证明思路:基扩张定理
定义:两个空间的外直和
设数域
K
\mathbb{K}
K 上的两个线性空间
U
,
V
U,V
U,V,
W
=
U
×
V
≜
{
(
u
,
v
)
∣
u
∈
U
,
v
∈
V
}
W=U\times V\triangleq\{(u,v)|u\in U,v\in V\}
W=U×V≜{(u,v)∣u∈U,v∈V},现在
W
W
W 上定义加法和数乘:
(
u
1
,
v
1
)
+
(
u
2
,
v
2
)
=
(
u
1
+
u
2
,
v
1
+
v
2
)
,
k
(
u
,
v
)
=
(
k
u
,
k
v
)
(u_1,v_1)+(u_2,v_2)=(u_1+u_2,v_1+v_2),k(u,v)=(ku,kv)
(u1,v1)+(u2,v2)=(u1+u2,v1+v2),k(u,v)=(ku,kv)则
W
W
W 是
K
\mathbb{K}
K 上的线性空间,称为
U
U
U 和
V
V
V 的外直和
陪集和商空间
定义:陪集
设
V
V
V 是数域
K
\mathbb{K}
K 上的线性空间,
U
U
U 是
V
V
V 的子空间,对任意的
v
∈
V
v\in V
v∈V,集合
v
+
U
≜
{
u
+
v
∣
u
∈
U
}
v+U\triangleq \{u+v|u\in U\}
v+U≜{u+v∣u∈U} 称为
v
v
v 的
U
U
U-陪集
性质
- U U U-陪集之间作为集合要么相等,要么不交
- v + U v+U v+U 是 V V V 的子空间当且仅当 v ∈ U v\in U v∈U
- v 1 + U = v 2 + U v_1+U=v_2+U v1+U=v2+U 当且仅当 v 1 − v 2 ∈ U v_1-v_2\in U v1−v2∈U
命题:陪集形成的线性空间
所有
U
U
U-陪集构成的集合
S
=
{
v
+
U
∣
v
∈
V
}
S=\{v+U|v\in V\}
S={v+U∣v∈V}上定义加法和数乘如下:
(
v
1
+
U
)
+
(
v
2
+
U
)
≜
(
v
1
+
v
2
)
+
U
,
(v_1+U)+(v_2+U)\triangleq (v_1+v_2)+U,
(v1+U)+(v2+U)≜(v1+v2)+U,
k
⋅
(
v
1
+
U
)
≜
k
⋅
v
1
+
U
k\cdot(v_1+U)\triangleq k\cdot v_1+U
k⋅(v1+U)≜k⋅v1+U则
S
S
S 是一个线性空间,记为
V
/
U
V/ U
V/U,称为
V
V
V 关于子空间
U
U
U 的商空间
注:验证良定义性:即 S S S 中加法和数乘不依赖于代表元 v 1 , v 2 v_1,v_2 v1,v2 的选取
定理:子空间的补空间和商空间同构
设
n
n
n 维线性空间
V
V
V,
U
U
U 是
V
V
V 的子空间,
W
W
W 是
U
U
U 的补空间,则存在线性同构
φ
:
W
→
V
/
U
\varphi:W\to V/ U
φ:W→V/U,故有
dim
V
/
U
=
dim
V
−
dim
U
\dim{V/ U}=\dim{V}-\dim{U}
dimV/U=dimV−dimU
证明思路
取补空间的一组基
{
e
1
,
…
,
e
m
}
\{e_{1},\dots,e_{m}\}
{e1,…,em},验证
{
e
1
+
U
,
…
,
e
m
+
U
}
\{e_1+U,\dots,e_m+U\}
{e1+U,…,em+U}是商空间
V
/
U
V/U
V/U 的一组基
解线性方程组
命题:线性方程组解的存在性与唯一性
考虑
n
n
n 个未知数,
m
m
m 个方程的线性方程组,
A
A
A 为系数矩阵,
A
~
\tilde{A}
A~ 为增广矩阵
- 若 r ( A ) = r ( A ~ ) = n r(A)=r(\tilde{A})=n r(A)=r(A~)=n,则方程组有唯一一组解
- 若 r ( A ) = r ( A ~ ) < n r(A)=r(\tilde{A})<n r(A)=r(A~)<n,则方程组有无穷多解
- 若 r ( A ) ≠ r ( A ~ ) r(A)\neq r(\tilde{A}) r(A)=r(A~),则方程组无解
命题:齐次线性方程组解的结构
设齐次线性方程组
A
X
=
0
AX=0
AX=0,其中
A
=
(
a
i
j
)
A=(a_{ij})
A=(aij) 是
m
×
n
m\times n
m×n矩阵
若
r
(
A
)
=
n
r(A)=n
r(A)=n ,则方程组只有零解
若
r
(
A
)
<
n
r(A)<n
r(A)<n ,则方程组有非零解,解集构成
n
n
n 维列向量空间的一个
n
−
r
n-r
n−r 维子空间(其基称为基础解系)
命题:非齐次线性方程组解的结构
设非齐次线性方程组
A
X
=
β
AX=\beta
AX=β,
r
(
A
)
=
r
(
(
~
A
)
)
=
r
<
n
r(A)=r(\tilde(A))=r<n
r(A)=r((~A))=r<n,
A
X
=
0
AX=0
AX=0 的基础解系为
{
η
1
,
…
,
η
n
−
r
}
\{\eta_1,\dots,\eta_{n-r}\}
{η1,…,ηn−r},又
r
r
r 是方程组的任一特解,则其所有解可表示为
k
1
η
1
+
k
2
η
2
+
⋯
+
k
n
−
r
η
n
−
r
+
γ
k_1\eta_1+k_2\eta_2+\cdots+k_{n-r}\eta_{n-r}+\gamma
k1η1+k2η2+⋯+kn−rηn−r+γ
参考书:《高等代数学》谢启鸿 姚慕生 吴泉水 编著