MathBase 工程数学基础（第一讲-第五讲）

关于工程数学基础的笔记

• Author : Dargon
• Note date: 2020/10/14
• 学习视频来源 国防科技大学 MOOC

第二讲，线性空间的基与维数

• 记录自己应该记到的一些知识笔记要点

1，对于复数域的情况：

1. 当数域F 为实数域，线性空间 C 是二维的
2. 当数域F 为复数域，线性空间 C 是一维的

进行简单证明：

1. 线性空间 C 的基为: $$[1,i=\sqrt{-1}]$$ 对任意的实数x1,x2都有 若是$x1\times 1+x2\times i=0$ 也只有x1 =x2 =0 时才成立
   可以推导出，基 中两列元素为线性无关，线性空间里面的任意（for all）都能用$[1,i=\sqrt{-1}]$ 来表示，则此时线性空间所对应的基为$[1,i=\sqrt{-1}]$，也即是C
   为二维空间
2. 当数域F 为复数域，则设基为[1],对于任意的$[a+bi]\times 1=0$,则[1] 线性无关为 线性空间C 的一个基，C是一维空间的。

2，transition matrix

1. 同一向量在不同基下的坐标是不同的
   $$\left[\begin{array}{c}{\beta }_1{\beta }_2\cdots {\beta }_n\end{array}\right]={\alpha }_1{\alpha }_2\cdots {\alpha }_n\times \left|\begin{array}{cccc}{P}_{1}1& P_{1}2& \cdots & P_{1}n\\ P_{2}1& P_{2}2& \cdots & P_{2}n\\ ⋮& ⋮& \ddots & ⋮\\ P_{n}1& P_{n}2& \cdots & P_{n}n\end{array}\right|$$
   其中对于矩阵 P 的每一列都对应于 ${\beta }_1$ 在基$\alpha$ 下的坐标，作为参数就可以直接理解为坐标（其中每一列都是一一对应的和$\beta$
   对于矩阵 P的要求：
   (1) P是满秩的；
   (2) p是$\alpha$ 到$\beta$的转置矩阵 transition matrix
   则P（inverse）是$\beta$ 到$\alpha$ 的转置矩阵$\alpha =\beta \times P^{-1}$ $\beta$ 到$\alpha$ 分别是对应的两组线性空间里面的基
   (3) 若$\alpha ={\beta }_{\alpha }\times x$ can deduce $\alpha ={\beta }_B{P}^{-}1\times x$ they point that is correspond respectively.

第三讲，子空间

1，零空间和列空间

1. A是给定的m行n列的实矩阵 记
   N ( A ) = { x ∈ R n ∣ A x = 0 } N(A) =\{x\in\R^n|Ax =0\} N(A)={x∈Rn∣Ax=0}
   R ( A ) = { A x ∣ x ∈ R n } R(A) =\{Ax | x\in\R^n\} R(A)={Ax∣x∈Rn}
   可以看出N（A）是R（A）的一个特殊群体，当Ax =0的时候
   对于N(A)为$R^n$的一个子空间，称为A的零空间
   对于R(A)为$R^m$的一个子空间，称为A的列空间
   列空间的解释，A是一个（m 行 n列 ）乘以 x （n 行 1列）=结果 （m 行 1列）所对应的是 $R^m$空间的
   $$dim[N(A)]=n-r(A)$$
   $$dim[R(A)]=Rank(A)=r(A)$$

2，关于span 张成空间

• 设 s p a n { α 1 α 2 ⋯ α r } = { α = ∑ i = 1 r k i α i ∣ k 1 k 2 ⋯ k r ∈ F } \color{red}span\{ \alpha_1 \alpha_2 \cdots \alpha_r \} =\{ \alpha =\displaystyle\sum_{i=1}^{r}{k_i}{\alpha_i}|{k_1} {k_2} \cdots {k_r} \in F \} span{α1​α2​⋯αr​}={α=i=1∑r​ki​αi​∣k1​k2​⋯kr​∈F} 则span 一大串就是 v 的一个子空间，是由 { α 1 α 2 ⋯ α r } \{ \alpha_1 \alpha_2 \cdots \alpha_r \} {α1​α2​⋯αr​}张成的子空间

• 判断自空间是否是在该空间里面，1. 将子空间进行相加，看是否还在总的空间里面 2. 用K 值乘以子空间，看是否还在总的空间里面
  来了 描述一个线性空间，直接去找线性空间的基，然后将其 span 张成整个 的线性空间，说白了，基 就相当于一个线性空间的代表

1. 若 { α 1 α 2 ⋯ α r } \{ \alpha_1 \alpha_2 \cdots \alpha_r \} {α1​α2​⋯αr​}是子空间W的基，则
   W = s p a n { α 1 α 2 ⋯ α r } W =span\{ \alpha_1 \alpha_2 \cdots \alpha_r \} W=span{α1​α2​⋯αr​}
2. 若A 是一个m 行n 列的矩阵 ，其列空间 R ( A ) = { A x ∣ x ∈ R n } = s p a n { A 1 A 2 ⋯ A n } R(A) =\{ Ax |x \in R_n \} = span\{ A_1 A_2 \cdots A_n \} R(A)={Ax∣x∈Rn​}=span{A1​A2​⋯An​}
   整体就相当于一个列的极大线性无关组（秩）

3，关于维数定理

• $$dim(W_1+W_2)+dim(W_1\cap W_2)=dim(W_1)+dim(W_2)$$
  设$$dim(W_1\cap W_2)=r$$
  $$dim(W_1)=m$$
  $$dim(W_2)=k$$
  由基扩张定理可得，由于$[{\alpha }_1{\alpha }_2\cdots {\alpha }_r]$ 线性无关，则可以span 成W1 的基：$[{\alpha }_1{\alpha }_2\cdots {\alpha }_r{\beta }_1\cdots {\beta }_{m-r}]$
  相应的$[{\alpha }_1{\alpha }_2\cdots {\alpha }_r]$ 线性无关，则可以span 成W2 的基：$[{\alpha }_1{\alpha }_2\cdots {\alpha }_r{\zeta }_1\cdots {\zeta }_{k-r}]$

  对于
  $$dim[W1+W2]=span[{\alpha }_1{\alpha }_2\cdots {\alpha }_r{\beta }_1\cdots {\beta }_{m-r}{\zeta }_1\cdots {\zeta }_{k-r}]$$
  证明此时的W1 +W2向量线性无关（也就代表这个空间的一组基），且其总共有（m + k -r）个向量，可以利用线性无关的定义去证明
  分别进行带入到定理中，可以得出等号左边维数$$m+k-r+r=m+k$$
  维数定理证明结束！！

• 基扩张定理
  就是简单的利用空间中的一组不超过独立向量的个数 的向量，可进行扩张
  举例如一个n维的空间，对应的一组基的个数应该达到n个（并且要是n个独立向量，线性无关的），不然会覆盖不了整个n维的空间
  扩张定理就是，一个不到n个的一组向量，将其扩张成n维的，达到全面覆盖。

• 直和概念
  $W_1\oplus W_2$表示唯一 only
  只能唯一地分解成W_1的一个向量 + W_2的一个向量。
  resemble 概念，在集合中两个没有交集的集合 U
  若$A\cap B\subset 0$，则有$A\cup B\subset 0$类似于“直和”的概念

  直和的等价条件：

  1. $$W_1+W_2=W_1\oplus W_2$$
  2. W 1 ∩ W 2 = { 0 } W_1 \cap W_2 =\{ 0 \} W1​∩W2​={0}
  3. $$dim(W_1+W_2)=dim(W_1)+dim(W_2)$$
  4. $$0={\alpha }_1+{\alpha }_2{\alpha }_1\in W_1{\alpha }_2\in W_2$$

第四讲，线性变化

1，线性变换的矩阵表示

• 设T是$V^n\to V^m$的线性变换，且 B α = { α 1 , α 2 , ⋯   , α n } \Beta_{\alpha} =\{ \alpha_1, \alpha_2, \cdots, \alpha_n \} Bα​={α1​,α2​,⋯,αn​}与 B β = { β 1 , β 2 , ⋯   , β m } \Beta_{\beta} =\{ \beta_1, \beta_2, \cdots, \beta_m \} Bβ​={β1​,β2​,⋯,βm​} 分别是$V^n{V}^m$的一组基
  由于$$T{\alpha }_i\in V^{m}i=1,2,\cdots ,n$$
  设$T{\alpha }_i$在基 B β = { β 1 , β 2 , ⋯   , β m } \Beta_{\beta} =\{ \beta_1, \beta_2, \cdots, \beta_m \} Bβ​={β1​,β2​,⋯,βm​}下的坐标分别为
  $$A_i=\left[\begin{array}{c}{a}_{1i}\\ ⋮\\ a_{mi}\end{array}\right]，i=1,2,\cdots ,n$$
  总的结论就是
  T B α = { T α 1 T α 2 ⋯ T α n } = { B β A 1 B β A 2 ⋯ B β A n } = B β A T\Beta_\alpha =\{ T\alpha_1 T\alpha_2 \cdots T\alpha_n \} = \{ \Beta_{\beta}A_1 \Beta_{\beta}A_2 \cdots \Beta_{\beta}A_n \} =\Beta_{\beta}A TBα​={Tα1​Tα2​⋯Tαn​}={Bβ​A1​Bβ​A2​⋯Bβ​An​}=Bβ​A
  里面的矩阵A 就是$T{\alpha }_i$在基 ${\mathrm{B}}_{\beta }$下的坐标

2，线性变换 T 的零空间和值空间

• 定义
  设T是$V^n\to V^m$的线性变换，记作 N ( T ) = { ξ ⊂ V n ∣ T ξ = 0 } N(T) =\{ \xi \subset V^n | T\xi =0 \} N(T)={ξ⊂Vn∣Tξ=0}
  意思就是：把$V^n$ 的部分向量拿出来，相当于在T 的作用下均满足$T\xi =0$
  零空间（也称为 核）为$V^n$的零空间
  R ( T ) = = { T ξ ⊂ V m ∣ ξ ⊂ V n } R(T) ==\{ T\xi \subset V^m | \xi \subset V^n \} R(T)=={Tξ⊂Vm∣ξ⊂Vn} 称为值空间（也称值域）为$V_m$的值空间

  resemble
  若把 T 看成是A, $\xi$ 看成是向量x
  对应的就是N(A)（零空间）和R(A)（列空间）
  注意 ：千万不要把R(A)错看成行空间，列空间是属于Rm的一个子空间，而行空间是属于Rn的一个子空间

• 关于一些推论

1. $$NULL(T)=dim[N(A)]=n-r(A)$$
2. $$Rank(T)=dim[R(A)]=r(A)$$
   T 的关系和A 的关系是一一对应的

• 关于求解
  求T 在基$\beta$ 下的矩阵，直接计算T乘上${\beta }_1{\beta }_2{\beta }_3$之后的都写成关于$\mathrm{B}$ 和列矩阵相乘的形式，所有的系数矩阵合起来，就是所需要的求的A矩阵
  如何进行求解N(T)的基
  1. 先求T在基偶 $[{\beta }_{\alpha }{\beta }_{\beta }]$下的矩阵A
  2. 求令Ax =0 求出基础解系
  3. 用基础解系x 分别对应乘以 $\beta_\alpha，由此可以得到N(T)的基
     如何求R(T)的基
     1. 求出$T{\alpha }_{1}T{\alpha }_2\cdots T{\alpha }_n$
     2. 其里面的最大线性无关组就是R(T)的一个基
• 例题求解过程
  
  

第五讲，线性变化下的矩阵的相似化简

• 线性变化在不同基偶下的矩阵是等价的（进行证明）
  设 T 是$V^n\to V^m$的线性变换
  ${\mathrm{B}}_{\alpha },{\mathrm{B}}_{\alpha }1是V^n的两个基，{\mathrm{B}}_{\beta },{\mathrm{B}}_{\beta }1是V^n的两个基$
  T在基偶$[{\mathrm{B}}_{\alpha },{\mathrm{B}}_{\beta }]$下的矩阵为A，则
  $$T{\mathrm{B}}_{\alpha }={\mathrm{B}}_{\beta }A\text{\hspace{1em}(5.1)}$$

  T在基偶$[{\mathrm{B}}_{\alpha }1,{\mathrm{B}}_{\beta }1]$下的矩阵为Q，则
  $$T{\mathrm{B}}_{\alpha }1={\mathrm{B}}_{\beta }1B\text{\hspace{1em}(5.2)}$$

  注意A和B 的含义 每一列都代表这组基向量${\mathrm{B}}_{\alpha }$,在线性变换T 的作用之后的像$T{\alpha }_i$ 在基${\mathrm{B}}_{\beta }$下的坐标Ai

  设${\mathrm{B}}_{\alpha }到{\mathrm{B}}_{\alpha }1$的过渡矩阵为P $${\mathrm{B}}_{\alpha }1={\mathrm{B}}_{\alpha }P\text{\hspace{1em}(5.3)}$$
  设${\mathrm{B}}_{\beta }到{\mathrm{B}}_{\beta }1$的过渡矩阵为P $${\mathrm{B}}_{\beta }1={\mathrm{B}}_{\beta }Q\text{\hspace{1em}(5.4)}$$

则有1和3公式 推导
$$T{\mathrm{B}}_{\alpha }1=T({\beta }_{\alpha }P)=T({\mathrm{B}}_{\alpha })P=({\mathrm{B}}_{\beta }A)P={\mathrm{B}}_{\beta }(AP)\text{\hspace{1em}(5.5)}$$
则有2和4公式 推导
$$T{\mathrm{B}}_{\alpha }1={\mathrm{B}}_{\beta }1B={\mathrm{B}}_{\beta }QB={\mathrm{B}}_{\beta }(QB)\text{\hspace{1em}(5.6)}$$
据此可以推理出
$$AP=QB$$ A 与B矩阵是等价的 可以退出
$$A=P^{-1}QB\text{\hspace{1em}(5.7)}$$

• 求不同基偶下的矩阵，找一个基使得T在此基下面矩阵是对角阵
  分析

  1. 先任取一个基B 求出T在该基下面的矩阵A $T\beta =\beta A$
  2. 将矩阵A 相似化简，求特征，求特征向量，组成P 使得$B=p^{-1}AP$
  3. T 在基${\beta }_p$下的矩阵是$B=P^{-1}AP$
     $$T{\mathrm{B}}_p={\mathrm{B}}_p{P}^{-1}AP={\mathrm{B}}_{p}B$$
     注：我们将基从$\beta \to {\mathrm{B}}_p$就转换了矩阵从A->B 的化简，P也就是对应的转换矩阵 转换过来的新的一组基，也就是原来的基和P矩阵相乘即可得到，P就是 线性变换在原来的基下面的矩阵A所对应的特征向量组成的矩阵。

• 一道例题清晰的解释此过程
  
  
  前5讲先记录到此，后面进入内积空间！！！