矩阵分析 学习笔记1 线性空间，基与坐标

线性空间的定义：

这里复习一下数域是啥：数的集合，对加减乘除都封闭。

集合的积：S1*S2 = {(x1,x2),x1∈S1,x2∈x2}。

定义里面的映射就是从(x1,x2)到x3的映射，V*V-->V就代表对每个（x1,x2）都可以对应一个V内的x3。这里的x1,x2都是V里面的，因此可以作为加法。

乘法方面则要求k是来自一个正儿八经的数域，最后的结果也来自于V.

V既有加法，又有数乘法，则V关于+与*是F上的线性空间。（强调这个加法，乘法和F）

线性空间基本上是为向量量身定制的，向量空间与线性空间常常通用。

啥叫“通常的运算规则”？

线性空间的一些例子：

基与坐标：

首先先复习一下向量组线性相关性。

可以发现，如果向量组中有全为零的向量，则这个向量组一定线性相关。事实上，想要向量组线性无关，只要向量组的秩等于p就可以了。可见这个向量组不能太大，毕竟向量组的秩再大不能超过向量的长度。

根据线代的知识我们知道，这种方程在向量组秩为p的时候解向量只有0（也就是x全都等于0才能为解），秩为p-1的时候有一个线性无关的解向量，p-2的时候有两个……

两个向量组之间的线性表示关系：

之前是齐次向量组解方程，这个地方就是非齐次的了。复习一下，非齐次方程组的解法就是找一个特解（用传统方法就可以解出来）然后加上齐次方程组的通解。

矩阵乘法秩都是越来越小的，可见b的秩<=a的秩

若a可表示b，b可表示c，那么显然a可以表示c

向量组的极大无关组：

显然这个极大无关组的大小等于向量组的秩

找极大无关组也很简单，就一直做行变换，弄成行阶梯型，对应向量就是极大无关组的成员

这个也很明显，毕竟扁的意味着秩不可能等于向量个数

基与坐标：

基矩阵乘以坐标向量可以表示任意抽象向量。

实数域上的线性空间R[x]n就是说a0+a1*x+a2*x^2……这样子的式子

这里的R[x]也是多项式，而且x的次数可以无限制，因此是无限维的。

简单来说就是每一个在线性空间里面的点都可以被基表示，每个基也只会表示一个点

标准基：

是基的充要条件是非奇异矩阵（就是可逆矩阵）