矩阵论（课上的笔记）

一、线性空间和线性变换

矩阵的初等变换就是一种映射，例如矩阵初等变换符合：(AB)C = A(BC)，但不符合AB = BA，证毕

1.1 线性空间：

如果满足上述八条公理，则称V是K上的线性空间，V中的元素称为向量。
线性代数中的n维向量作为V，是一种特殊的线性空间，是抽象线性空间的具体化。

上述是6个常用的线性空间例子，
第一个若F取R，则V= Rn，V表示n维的向量。
第二个F取R，则V = Rnxn，表示V是有n维矩阵构成的向量。
第三个F[x]表示系数是F域中的多项式
第四个是x的次方小于n的系数是F域中的多项式，其实是第三个的一部分。
第五个是第六个不过多解释了
判断是否为线性空间，首先判断加法和数乘后结果是否还在线性空间中，然后再去判断那8条性质

第7个由于数乘不满足封闭性，所以不是线性空间
第8个由于普通的数乘不满足封闭性所以不是线性空间
第九个因为对加法和乘法进行了重定义，重定义后的运算满足封闭性和那8条性质，所以是线性空间
第九个例子 告诉我们，对于一个V和F，不同的运算符重定义决定了他是否是线性空间

1.2 线性空间的性质

零元素唯一：上述证明运用到了一些公理，首先用到了0元公理，然后运用了交换律
负元素唯一：首先用了有零元公理，然后是有负元公里，之后就是结合律之类的。

同时线性空间中还满足很多线性代数里的向量的性质。

例如第一个例子，我们把这四个矩阵叫做这个线性空间的矩阵单位，可以通过定义法判定他们是线性无关的。
第二个例子也可以通过定义法证明的线性无关。

1.3 基与维数：

一个矩阵的维数其实就是他的rank

零空间，如果一个向量小组中有0向量，则线性相关，所以他不满足基的定义
对于第二个，因为他1，x,x2等等为线性无关，所以是无穷。
我们一般考虑有限维的空间
1.举一个n维空间的例子：

我们可以取e1到en个线性无关的向量，所以称这个向量空间是n维向量空间

2.举一个矩阵空间的例子

同样的，我们可以判断上面的维数是4。

推广到一般形式，上述首先选取了i x j个矩阵单位，所以可以判断这个矩阵空间是mn维的
3.多项式维度

上面找到了一组基，n个无关的向量，故维度是n
4.V是复数集

第4个例子中可以找到 1和i作为基，所以维度是2
第2个例子中只能找到1作为他的基，所以维度是1
5.刚刚重载运算符的例子

我们对运算符重载后，1就是他的0元素，所以基不能有1，可以用2当作他的一组基，所以维度是1

任取a1-an线性无关，只要证明任何η使得η和a1-an线性相关即可证明η可以有a1-an线性表示，又因为n维向量空间n+1个向量线性相关，所以证毕。

有了刚刚证出来的定理，以后证明给出的一组向量是否能构成基就不需要用定义式去证明了，定义式需要先证明线性无关，然后在证明可以线性表示，比较麻烦，这是我们可以先证明这一组向量线性无关，然后加上知道维度是3，所以可以证明它一组基。

1.4 坐标

下面举两个求坐标的例子：

注意：我们说坐标的概念是在基给定的基础上说的
很容易让我们联想到三维空间下的坐标概念，也是针对一组固定基来说的。


这一点很重要，在不同基下，他的坐标是不同的。

基的意义在于连接了抽象空间和代数运算，由基可以求出坐标，这样就把抽象的线性空间，转换成了一组n维向量，进而可以进行代数运算。例如：我给将二维向量这个抽象概念赋予坐标，即可对其进行代数加减和其他运算。

上述标明了，为什么要引入基这个概念，可以将线性空间的性质由我们熟悉的Fn向量来进行表示。
通过上面定理三，我们又多了一种判断线性空间中线性相关无关的方法，不再仅仅只能用定义来解方程判断了，可以直接用坐标来判断。

上图我们可以直接提取三个坐标，然后用拼成矩阵来判断线性相关无关。

上图也是一个很好的例子，我们首先找一组基，将抽象的东西转化成线代可以操作的向量，然后再去实现一些操作。

例题（求给定基下的坐标）：

解方程即可：

1.3 基变换（可以通过基变换公式求出过渡矩阵）：

过渡矩阵A是可逆矩阵：


上面这个例题，先找出这个线性空间的一组基，然后把架子搭起来，过度矩阵一列一列的写。

过渡矩阵性质：

例题：

解（采用中介法可以快速求解过渡矩阵）：

例如画红框部分，是用E1-E4进行红框部分线性组合得到的A1，相比去解四个方程组，中介法更为快捷。

1.4坐标变换：

例题：

设基1下的坐标为一颗塞隆1-4，基2下的坐标为以他1-4。

可以求出一组基下的坐标后通过过度矩阵求出另一组基下的坐标，就不用去解一次方程了

坐标变换例题：

我通常喜欢将坐标变换类被到变换矩阵，坐标系由原点变换到某个位置，空间中某点的坐标也会变换，关系就是变换矩阵乘原先的坐标

1.5 子空间

1.5.1 子空间定义

定义中注意两点，首先子集需要非空，并且自己满足原始线性空间中的线性运算封闭，例如下面这个就不是子空间：

虽然W是V的子集，但是W并不满足V中的线性运算。

1.5.2 子空间的判定

W只需要满足V中的加法和数乘运算，即可说明W是V的子空间。另外零向量和V本身是V的平凡子空间

上述例题我们可以有两个角度去解释
角度一：
V1若取（1/3， 0，0）这个向量，数乘2后为（2/3，0，0），带入V1中并不满足，所以V1不是V的线性子空间。
V2由于是齐次线性方程组，所以他的解的任意线性组合还是他的解，所以是线性子空间
角度二：
V1和V2都是平面，V1没过原点，V2过了，所以线性子空间都是经过远点的，同样可以类比在R2中，某直线没过原点，所以不是R2的线性子空间，过了原点才是R2的线性子空间。

1.5.3 两类重要的子空间

V里的向量是η，属于Fn，η需要满足Aη=θ这个齐次线性方程组，因为Ax = θ的解空间是Fn，所以V是包含于Ax = θ解空间，又因为V是满足齐次线性方程组，所以V是Ax = θ的子空间（解空间），且V的基础解系个数是n - R（A），所以维度也是n - R(A)。

上述W中元素是V中的α1-αs的向量线性组合，所以肯定是满足线性封闭。

1.5.4 生成子空间基和维数的确定方法

证明αj在W中很简单，除了αj全取0即可。

上述给出了生成子空间基的确定方法，和维数的确定方法。


上面这个例题需要找到F2X2里的一组基，求出ABCD向量的坐标后，我们可以利用坐标来找到极大线性无关组。

上图是这个题子空间的证明方法，需要正面加法和数乘的封闭性，我们取Z1和Z2属于W，然后验证Z1+Z2是否满足W中限定元素的性质，可证明满足，数乘同样比较好证明。

1.6 子空间的交与和

上述是x轴和y轴向量的并集，可以看出不满足加法封闭性，所以并集并不是F2子空间。

为了弥补并集的缺憾，引入了和集：

交集和并集的区别：

并集属于和集，和集一般比并集来的大。
因为V1包含于V1 + V2中，例如在V1中去η1，V2中取θ零元素，那么η1 = η1 + θ。
V2也同理

V1和V2都是生成子空间，如何求V1+V2和空间的基和维数呢？通过上面定理可知V1+V2生成元就是V1和V2的生成元集合，所以只需要求α1-βt的极大线性无关组即可知道基。

1.7 子空间的直和

1.7.1 判断和空间是否是直和方法

使用下方两个推论：

1.8 线性映射

1.8.1 映射

1.8.2 线性映射

线性映射的定义（需要满足齐次性和可加性）：


下面举几个线性映射的例子：

1.8.3 线性变换

下面举一个常值映射的例子，一般来说常值映射不一定是线性变换，因为若η0为非零向量，则这个映射不满足齐次性，只有在η0为θ向量（零向量）时才是线性变换。

平移运算也不一定是线性变换，因为只有在η0为零向量的时候才为线性变换，

下面的零变换（V中任意元素通过变换后为零向量），和恒等变换均为线性变换。

1.8.4 线性映射的性质

注意：
因为当是零变换时，象始终都是线性相关的，当原象线性无关的时候，并不能推出象是线性无关的。

这里给计算值域的基和维数提供了一种方法，利用生成子空间性质即可。

上述4，5可以刻画线性变换的很多性质。

1.8.5 求值域的基和维数，核子空间基和维数

值域：象构成的集合
核子空间：象为θ（零向量）时的集合
定义法：

所以值域基和维数是2，核子空间的基和维数是1.


可以发现其值域的维数加上核子空间的维数是等于原空间维数N。这里并不是巧合。

1.8.6 线性空间的运算

数乘运算：

加法运算：

乘法运算：

1.8.7 线性变换的运算性质

满足乘法结合律：

下面是左分配律和右分配律（验证方法同结合律）：

1.8.8 线性映射（变换矩阵）

引入：

所以我们接下来需要考虑两个问题：第一是变换矩阵如何求解，第二是如何利用变换矩阵来构建象和原象之间的表达式呢？

第一问题：变换矩阵如何求解

线性映射就取一组基偶，线性变换就取一组基。



第二个问题：如何利用变换矩阵来构建象和原象之间的表达式呢？

上述特殊情况，推出了我们的相似。
所以线性变换矩阵在不同的基下是相似的

上述方法给我们在求线性变换矩阵提供了一个新的方法：
法一：利用定义求变换矩阵（需要解很多方程组，比较麻烦）：

法二：利用线性变换在不同基下的过渡矩阵关系来求：
先在F[3]中找出一组最简单的基，然后求其变换矩阵A，然后求出两个基之间的过渡矩阵P，利用上述定理可以球的B = P逆AP。

我们说线性变换就是矩阵，因为有如下几个重要定理！！！

1.8.9 线性映射的值域及核子空间

判断f是满射还是单射的快速方法：

一个线性映射给出来之后，用下面方法求值域的基和维数：

核子空间的基和维数计算：
首先从核子空间中元素都满足什么条件出发，f(η)如果是零向量，那么他的坐标也会是零向量，解得齐次方程组。

例题：


求线性变换的值域和核子空间的关键在于找一组基，然后求变换矩阵，通过初等行变换来求值域和核子空间的基和维数。

1.8.10 不变子空间

V中的W映射到V后还要在W中，不能到W外面去，这样才叫不变子空间。

1.9 内积空间

注意第四条性质，如果F=R在欧几里得空间时，这条性质是对称性，如果在酉空间，则这条性质是共轭对称性

上面举了4个内积得例子，1-3是欧几里得空间，4是酉空间得，我们称1和4是标准内积，如果不特别说明，内积都是标准内积。

注意第二条，k在第二个书上提出来的时候，需要加共轭，和定义中的区分一下。

1.9.1 求标准正交基

2.矩阵相似三角形

2.1 特征值和特征向量

定义：

一个特殊的例题：

一般的解法：

我们想要求线性变换的特征值特征向量，可以通过基转化为坐标的特征值特征向量，因为f(η)的坐标是AX，η的坐标是X，所以我们只需要考虑变换矩阵A的特征值特征向量即可。

特征多项式：

2.2 矩阵的迹

2.3 判断特征值的另一种办法：化零多项式

如果矩阵的特征多项式我们不知道，或者很难算，就可以通过化零多项式来求

2.4 Hamilton-Cayley定理

上述定理有利于求A的高次方的题型：

2.5 最小多项式

最小多项式求法：

2.6 线性变换可相似对角化问题

首先来复习一下线代中矩阵可相似对角化的条件：

2.7 Jordan 标准形

jordan标准型的引入：


当jordan块儿为1阶时，形成了一个对角阵的jordan矩阵，我们之前讨论的其实就是这种对角阵。

定理1：若J是A的jordan标准型，那么交换J中jordan块的次序形成的矩阵K同样也是A的jordan标准型。

定理2：我们可以通过它来求jordan标准型

例题：

3.范数

范数定义：


我们通常将求模运算默认为是一个范数。

上面举了三个基本的范数例子，其中二范数其实就是一个向量的模长。

第一个是我们上一张图片的抽象。

3.1 矩阵m范数

矩阵的二范数又称frobenius范数，很重要，他还有一个很重要的性质，那就是酉变换下不变。

3.2 范数相容性

3.3 算子范数

算子范数一定是相容范数。

下面将介绍几个快速求算子范数方法：

所以算子二范数，谱范数都很重要,其中谱范数种的ρ（）表示求括号内矩阵的最大特征值。

3.4 矩阵幂级数预备知识

上述说明矩阵按坐标收敛和按范数收敛是等价的。

上述为序列A的k次方收敛于0的范数表现形式，可以利用相容性得到不等式，只需要A的范数小于1即可。

定理二是谱半径的角度，那么范数和谱半径也会有联系，所以有了定理三，定理三是从特征值和特征向量出发，两边同时取范数，然后利用相容性得到。


上面三种函数收敛半径都是正无穷。

3.5 幂级数和矩阵收敛的判定

矩阵收敛条件：
当ρ（A）< 1时，A矩阵收敛
当ρ（A）= 1时，A矩阵可能收敛也可能发散
当ρ（B）> 1时，A矩阵发散
快捷求法：A的收敛矩阵的充分条件是只要有一种矩阵范数，使得||A|| < 1。
幂级数收敛条件：
1.特殊的幂级数（neumann级数），先判断A是否为收敛矩阵，然后用（I - A）逆来算和
2.一般幂级数，幂级数收敛半径为r，r = an+1 / an
当ρ（A）< r ，级数收敛
当ρ（A）= r时，级数可能收敛也可能发散
当ρ（A）> r时，级数发散。

3.6 jordan块求矩阵的值

说明这个公式对多项式函数成立，同时对任意函数都成立。


步骤和上述相同。


对于任意矩阵A，要计算f(A)的话，只需要计算他的jordan标准型的f()，然后跟P矩阵运算即可。
由于求P过于麻烦，所以下面将介绍简便算法。


有了上述定理，我们证明上面的例子就很容易了。

3.7 待定系数法求矩阵的值

总体步骤就是先求出矩阵A的jordan标准型，然后去求最小多项式，我们的g(x)最高项系数就是最小多项式最高次减一，然后利用待定系数法去求即可。
解线性方程组需要用到下面一些矩阵函数性质