线性代数与解析几何——Part3 线性空间 & 线性变换

• 线性代数与解析几何——Part3 线性空间 & 线性变换
  • 1. 线性空间
    • 1. 数组空间 & 线性关系
    • 2. 秩
    • 3. 子空间、基与维数
    • 4. 一般线性空间
    • 5. 同构
  • 2. 线性变换
    • 1. 定义 & 性质
    • 2. 矩阵表达
    • 3. 矩阵的相似
    • 4. 特征值 & 特征向量
    • 5. 相似对角化

1. 线性空间

1. 数组空间 & 线性关系

首先，我们给出数组空间的定义如下：

定义5.1.1
数域$F$上的一个$n$维数组向量$\mathbf{a}$是一个有序的$n$元数组
$$\mathbf{a}=(a_1,a_2,...,a_n)$$
其中$a_i\in F$，$i=1,2,...,n$，称为向量$\mathbf{a}$的第$i$个分量。$F$上的$n$维数组向量的全体称为$n$维数组空间，记为$F^n$。

对于数组空间当中的一组向量，我们可以定义线性组合如下：

定义5.1.2
给定一组向量${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m\in F^n$及一组数${\lambda }_1,{\lambda }_2,...,{\lambda }_m\in F$，则称和式
$${\lambda }_1{\mathbf{a}}_1+{\lambda }_2{\mathbf{a}}_2+...+{\lambda }_m{\mathbf{a}}_{\mathbf{m}}$$
为${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$的线性组合，${\lambda }_1,{\lambda }_2,...,{\lambda }_m$称为组合系数。如果$\mathbf{a}$可以写成${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$的线性组合，则称$\mathbf{a}$可以用${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$线性表示。

基于此，我们可以给出线性相关与线性无关的定义如下：

定义5.2.1
设${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m\in F^n$，$m\ge 2$，如果某一个向量能够用其他的向量线性表示，即存在某一个${\mathbf{a}}_i$以及一组参数${\lambda }_j\in F(j\ne i)$，使得${\mathbf{a}}_i={\sum }_{j\ne i}{\lambda }_j{\mathbf{a}}_j$,则称${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$线性相关，否则称他们线性无关。

下面，我们给出线性相关的一些常用定理如下：

定理5.2.1
设${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m\in F^n$，则${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$线性相关的充要条件是存在不全为0的常数${\lambda }_1,{\lambda }_2,...,{\lambda }_m$，使得
$$\sum _{i=1}^m{\lambda }_i{\mathbf{a}}_i=0$$

定理5.2.2
设向量组 S 1 = { a i 1 , a i 2 , . . . , a i k } S_1 = \{\bold{a}_{i_1}, \bold{a}_{i_2}, ..., \bold{a}_{i_k} \} S1​={ai1​​,ai2​​,...,aik​​}是向量组 S = { a 1 , a 2 , . . . , a m } S = \{\bold{a}_1, \bold{a}_2, ..., \bold{a}_m \} S={a1​,a2​,...,am​}的一个子集，则如果$S_1$线性相关，那么$S$必然线性相关；如果$S$线性无关，则$S_1$也线性无关。

定理5.2.3
设${\mathbf{a}}_i=(a_{i1},a_{i2},...,a_{in})\in F^n$，$i=1,2,...,m$。用$\mathbf{A}$表示以${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$为行构成$m\times n$阶矩阵。则${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$线性相关当且仅当关于${\lambda }_1,{\lambda }_2,...,{\lambda }_m$的齐次线性方程组
$${\mathbf{A}}^T\left(\begin{array}{c}{\lambda }_1\\ ...\\ {\lambda }_m\end{array}\right)=0$$
有非零解，亦当且仅当$rank(\mathbf{A})<m$。

推论5.2.1
设${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m\in F^n$是一组数组向量，则有：

1. 若$m>n$，则${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$必然线性相关；
2. 若$m=n$，则${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$线性相关当且仅当$det(\mathbf{A})=0$；
3. 若$m<n$，则${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$线性相关当且仅当矩阵$\mathbf{A}$的所有$m$阶子式为零；

定理5.2.4
设${\mathbf{a}}_i=(a_{i1},a_{i2},...,a_{ir})\in F^r$， $i=1,2,...,m$。他们的加长向量组为${\mathbf{b}}_i=(a_{i1},a_{i2},...,a_{ir},...a_{in})\in F^n(n>r)$，$i=1,2,...,m$，则有：

1. 若${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$线性无关，则${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_m$也线性无关；
2. 若${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_m$线性相关，则${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$也线性相关；

2. 秩

要考察线性方程组的秩，我们首先需要引入极大无关组的定义。

定义5.3.1
设${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m\in F^n$，若${\mathbf{a}}_{i_1},{\mathbf{a}}_{i_2},...,{\mathbf{a}}_{i_r}$线性无关，且任意加一个其他的向量${\mathbf{a}}_{i_{r+1}}$后${\mathbf{a}}_{i_1},{\mathbf{a}}_{i_2},...,{\mathbf{a}}_{i_r},{\mathbf{a}}_{i_{r+1}}$均线性相关，则称${\mathbf{a}}_{i_1},{\mathbf{a}}_{i_2},...,{\mathbf{a}}_{i_r}$为${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$的极大无关组。

对于极大无关组，我们有定理如下：

定理5.3.1
设${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m\in F^n$为一组列向量，$\mathbf{A}=({\mathbf{a}}_1,...,{\mathbf{a}}_m)$是以${\mathbf{a}}_1,...,{\mathbf{a}}_m$为列构成的$n\times m$阶矩阵，$\mathbf{A}$经过一系列初等变换变为矩阵$\mathbf{B}=({\mathbf{b}}_1,...,{\mathbf{b}}_m)$，则：

1. ${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$线性相关（无关）当且仅当${\mathbf{b}}_1,...,{\mathbf{b}}_m$线性相关（无关）；
2. ${\mathbf{a}}_{i_1},{\mathbf{a}}_{i_2},...,{\mathbf{a}}_{i_r}$为${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$的极大无关组，当且仅当${\mathbf{b}}_{i_1},{\mathbf{b}}_{i_2},...,{\mathbf{b}}_{i_r}$为${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_m$的极大无关组。

在极大无关组的基础上，我们引入向量组的等价的定义：

定义5.3.2
如果向量组${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$中的每一个向量都可以用向量组${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_l$线性表示，则称向量组${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$可以由向量组${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_l$线性表示。
如果两个向量组${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$和${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_l$可以相互线性表示，则称这两个向量组等价，记为：
{ a 1 , a 2 , . . . , a m } ∼ { b 1 , b 2 , . . . , b l } \{ \bold{a}_1, \bold{a}_2, ..., \bold{a}_m \} \sim \{ \bold{b}_1, \bold{b}_2, ..., \bold{b}_l \} {a1​,a2​,...,am​}∼{b1​,b2​,...,bl​}

很自然的，向量组等价满足性质：

1. 反身性：${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$与它自身等价；
2. 对称性：若${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$与${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_l$等价，则${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_l$与${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$等价；
3. 传递性：若${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$与${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_l$等价，且${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_l$与${\mathbf{c}}_1,{\mathbf{c}}_2,...,{\mathbf{c}}_k$等价，则${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$与${\mathbf{c}}_1,{\mathbf{c}}_2,...,{\mathbf{c}}_k$等价。

向量组的等价还具有如下一些定理：

定理5.3.2
一组向量组与它的任何一组极大无关组等价。

推论5.3.1
向量组的任何两个极大无关组彼此等价。

定理5.3.3
若两个线性无关向量组 { a 1 , a 2 , . . . , a r } \{ \bold{a}_1, \bold{a}_2, ..., \bold{a}_r \} {a1​,a2​,...,ar​}与 { b 1 , b 2 , . . . , b s } \{ \bold{b}_1, \bold{b}_2, ..., \bold{b}_s \} {b1​,b2​,...,bs​}等价，则$r=s$。

推论5.3.2
若${\mathbf{a}}_{i_1},{\mathbf{a}}_{i_2},...,{\mathbf{a}}_{i_r}$和${\mathbf{a}}_{j_1},{\mathbf{a}}_{j_2},...,{\mathbf{a}}_{j_s}$分别为${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$的两个极大无关组，则$r=s$。

由此，我们可以最终引入向量组的秩的定义：

定义5.3.3
向量组${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$的极大无关组元素的个数称之为向量组的秩，记为$rank({\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m)$或$r({\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m)$。

向量组的秩具有如下性质：

定理5.3.4
设向量${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r\in F^n$，向量${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_s\in F^n$，则有：

1. ${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r$线性无关当且仅当$rank({\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r)=r$；
2. ${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r$线性相关当且仅当$rank({\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r)<r$；
3. { b 1 , b 2 , . . . , b s } \{ \bold{b}_1, \bold{b}_2, ..., \bold{b}_s \} {b1​,b2​,...,bs​}可以用 { a 1 , a 2 , . . . , a r } \{ \bold{a}_1, \bold{a}_2, ..., \bold{a}_r \} {a1​,a2​,...,ar​}线性表示，则$rank({\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_s)\le rank({\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r)$;
4. { \bold{b}_1, \bold{b}_2, …, \bold{b}_s }$与${ \bold{a}_1, \bold{a}_2, …, \bold{a}_r }$等价，则$rank(\bold{b}_1, \bold{b}_2, …, \bold{b}_s) = rank(\bold{a}_1, \bold{a}_2, …, \bold{a}_r)$
5. { b 1 , b 2 , . . . , b s } \{ \bold{b}_1, \bold{b}_2, ..., \bold{b}_s \} {b1​,b2​,...,bs​}可以用 { a 1 , a 2 , . . . , a r } \{ \bold{a}_1, \bold{a}_2, ..., \bold{a}_r \} {a1​,a2​,...,ar​}线性表示，且${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_s$线性无关，则$s\le r$;
6. 向量$\mathbf{b}$可以表示成${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r$的线性组合，当且仅当$rank({\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r)=rank({\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r,\mathbf{b})$;

定理5.3.5
任何矩阵的行秩等于它的列秩等于该矩阵的秩；

推论5.3.3
$n$阶方阵$\mathbf{A}$可逆$\iff rank(\mathbf{A})=n\iff$$\mathbf{A}$的行（列）向量线性无关。

推论5.3.4
若$rank(\mathbf{A})=r$，则$\mathbf{A}$的不等于0的$r$阶子式所在的行（列）构成$\mathbf{A}$的行（列）向量的极大无关组。

3. 子空间、基与维数

要介绍子空间的内容，我们首先引入向量的生成子空间定义：

定义 5.4.1
设${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m\in F^n$是一组向量，称集合
⟨ a 1 , a 2 , . . . , a m ⟩ : = { ∑ i = 1 m λ i a i ∣ λ i ∈ F , i = 1 , 2 , . . . , m } \langle \bold{a}_1, \bold{a}_2, ..., \bold{a}_m \rangle := \{ \sum_{i=1}^{m} \lambda_i \bold{a}_i | \lambda_i \in F, i=1,2,..., m \} ⟨a1​,a2​,...,am​⟩:={i=1∑m​λi​ai​∣λi​∈F,i=1,2,...,m}
为向量组${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$生成的$F^n$的子空间，${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$称为生成子空间的生成元。
给定一个矩阵$\mathbf{A}\in F^{m\times n}$，由$\mathbf{A}$的行向量生成的子空间称为行空间；由$\mathbf{A}$的列向量生成的子空间称为列空间。

生成子空间具有如下性质：

命题5.4.1
若${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_k\in ⟨{\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m⟩$，则${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_k$的任意线性组合都属于$⟨{\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m⟩$。

定理5.4.1
设${\mathbf{a}}_i,{\mathbf{b}}_j,\mathbf{b}$均为$F^n$中的向量，其中$i=1,...,m$，$j=1,...,l$。则下列结论成立：

1. 向量组${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$与${\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_l$等价，当接近当$⟨{\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m⟩=⟨{\mathbf{b}}_1,{\mathbf{b}}_2,...,{\mathbf{b}}_l⟩$；
2. ${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m(m\ge 2)$线性相关，当且仅当存在$i$使得${\mathbf{a}}_i\in ⟨{\mathbf{a}}_j|j\ne i⟩$，亦即$⟨{\mathbf{a}}_i⟩=⟨{\mathbf{a}}_j|j\ne i⟩$;
3. ${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$线性无关，当且仅当对任意$i$均有${\mathbf{a}}_i\notin ⟨{\mathbf{a}}_j|j\ne i⟩$，亦即$⟨{\mathbf{a}}_i⟩\ne ⟨{\mathbf{a}}_j|j\ne i⟩$;
4. ${\mathbf{a}}_{i_1},{\mathbf{a}}_{i_2},...,{\mathbf{a}}_{i_r}$是${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m$的极大无关组，当且仅当$⟨{\mathbf{a}}_{i_1},{\mathbf{a}}_{i_2},...,{\mathbf{a}}_{i_r}⟩=⟨{\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m⟩$且${\mathbf{a}}_{i_1},{\mathbf{a}}_{i_2},...,{\mathbf{a}}_{i_r}$线性无关；
5. 线性方程组${\sum }_i{x}_i{\mathbf{a}}_i=\mathbf{b}$有解当且仅当$\mathbf{b}\in ⟨{\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m⟩$，当且仅当$⟨{\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m⟩=⟨{\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m,\mathbf{b}⟩$

在生成子空间的基础上，我们给出子空间的两种定义：

定义5.4.2
设$V\subset F^n$为非空向量集合，它满足：
对任意${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_m\in V$，${\lambda }_1,...,{\lambda }_m\in F$，都有${\sum }_{i=1}^m\in V$，则称$V$为$F^n$的子空间。

定义5.4.3
设$V\subset F^n$为非空向量集合，它满足：

1. 若$\mathbf{a},\mathbf{b}\in V$，则$\mathbf{a}+\mathbf{b}\in V$；
2. 若$\mathbf{a}\in V$，$\lambda \in F$，则$\lambda \mathbf{a}\in V$;

则称$V$为$F^n$的子空间。

对于任意一个子空间，我们有如下定理：

定理5.4.2
设非空集合$V$是$F^n$的子空间，则存在线性无关的向量组${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r$，使得$V=⟨{\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r⟩$

亦即任意子空间总可以表示为一些线性无关的向量的生成子空间。

因此，我们就给可以给出子空间的基的定义：

定义5.4.4
设$V\subset F^n$是子空间，$V$中的一组向量 { a 1 , a 2 , . . . , a r } \{ \bold{a}_1, \bold{a}_2, ..., \bold{a}_r \} {a1​,a2​,...,ar​}称为$V$的一组基，如果其满足：

1. 对任意向量$\mathbf{a}\in V$，$\mathbf{a}$可以唯一地表示为${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r$的线性组合：$\mathbf{a}={\sum }_{i=1}^r{\lambda }_i{\mathbf{a}}_{\mathbf{i}}$
2. ${\mathbf{a}}_1,{\mathbf{a}}_2,...,{\mathbf{a}}_r$线性无关。

称$({\lambda }_1,...{\lambda }_r)$为向量$\mathbf{a}$在基 { a 1 , a 2 , . . . , a r } \{ \bold{a}_1, \bold{a}_2, ..., \bold{a}_r \} {a1​,a2​,...,ar​}下的坐标。
$V$的一组基的向量个数称为$V$的维数，记作$dimV$。

我们有定理：

定理5.4.3
$n$为数组空间$F^n$中的下列结论成立：

1. 设$V\subset F^n$为$r$维子空间，则$V$中任意$r+1$个向量线性相关；
2. 设$V$为$r$维子空间，则$V$中任意$r$个线性无关向量为$V$的一组基；
3. 设$U$与$V$为$F^n$的子空间，且$U\subseteq V$，则$dimU\le dimV$；
4. 设$U$与$V$为$F^n$的子空间，且$U\subseteq V$，若$dimU=dimV$，则$U=V$。

4. 一般线性空间

上面，我们介绍了数组向量中的子空间等定义，这里，我们将会介绍一下一般的线性空间，它不局限于数组向量，而是针对一般的集合。

我们给出一般的线性空间的定义如下：

定义5.6.1
设$V$是一个非空集合，$F$是一个数域，对$V$中的元素定义两种运算：

1. 加法：对$V$中的任意两个元素$\alpha ,\beta$组成的有序对$(\alpha ,\beta )$，$V$中存在唯一的一个元素$\gamma$与之相对应，简记为$\alpha +\beta =\gamma$；
2. 数乘：对任意常数$\lambda \in F$及向量$\alpha \in V$，$V$中存在唯一地一个元素$\gamma$与之对应，简记为$\lambda \alpha =\gamma$。

加法与数乘运算满足下列运算规律：

1. 加法交换律：$\alpha +\beta =\beta +\alpha$
2. 加法结合律：$(\alpha +\beta )+\gamma =\alpha +(\beta +\gamma )$
3. 零向量：存在元素$\theta \in V$使得$\alpha +\theta =\theta +\alpha =\alpha$对任意$\alpha \in V$成立，$\theta$称为零元素，通常简记为$0$;
4. 对任意$\alpha \in V$，存在唯一的$\beta \in V$，使得$\alpha +\beta =\beta +\alpha =0$，$\beta$称为$\alpha$的负元素，简记为$-\alpha$；
5. 对任意$\lambda \in F$，$\alpha ,\beta \in V$，$\lambda (\alpha +\beta )=\lambda \alpha +\lambda \beta$;
6. 对任意$\lambda ,\mu \in F$，$\alpha \in V$，$(\lambda +\mu )\alpha =\lambda \alpha +\mu \alpha$;
7. 对任意$\lambda ,\mu \in F$，$\alpha \in V$，$\lambda (\mu \alpha )=(\lambda \mu )\alpha$；
8. $1\alpha =\alpha$对任意$\alpha \in V$成立。

则称$V$是数域$F$上的线性空间，简记为$V(F)$或$V$。
线性空间$V$中的元素称为向量。

线性空间具有如下性质：

1. 零向量唯一；
2. 负向量唯一；
3. $0\alpha =0$;
4. $(-1)\alpha =-\alpha$;
5. $\lambda 0=0$
6. $\lambda \alpha =0$当且仅当$\alpha =0$或者$\lambda =0$;

对于一般的线性空间，我们同样可以给出子空间等定义如下：

定义5.6.2
设$V$是数域$F$上的线性空间，给定$V$中的一组向量 S = { α 1 , α 2 , . . . , α m } S = \{ \bold{\alpha}_1, \bold{\alpha}_2, ..., \bold{\alpha}_m \} S={α1​,α2​,...,αm​}及一组数${\lambda }_1,...,{\lambda }_m\in F$，称和式
$${\lambda }_1{\alpha }_1+...+{\lambda }_m{\alpha }_m$$
为向量组$S$的线性组合，${\lambda }_1,...,{\lambda }_m$称为组合系数，如果$\alpha$可以写成$S$的线性组合，则称$\alpha$可以用$S$线性表示。
向量组$S$的线性组合的全体
⟨ S ⟩ : = ⟨ α 1 , . . . , α m ⟩ : = { λ 1 α 1 + . . . + λ m α m ∣ λ 1 , . . . , λ m ∈ F } \langle S \rangle := \langle \bold{\alpha}_1, ..., \bold{\alpha}_m \rangle := \{ \lambda_1 \bold{\alpha}_1 + ... + \lambda_m \bold{\alpha}_m | \lambda_1, ..., \lambda_m \in F \} ⟨S⟩:=⟨α1​,...,αm​⟩:={λ1​α1​+...+λm​αm​∣λ1​,...,λm​∈F}
称为$V$的生成子空间，${\alpha }_1,...,{\alpha }_m$称为生成子空间的生成元。

定义5.6.3
设$V$是数域$F$上的线性空间，称向量组$T=⟨{\beta }_1,...,{\beta }_l⟩$可以由向量组$S=⟨{\alpha }_1,...,{\alpha }_m⟩$线性表示，如果每一个${\beta }_i$均可以用向量组$S$线性表示。
如果向量组$S$和$T$可以相互线性表示，则称$S$和$T$等价。

定理5.6.1
设$S$和$T$是线性空间$V$的两个向量组，则：

1. $T$可以由$S$线性表示，当且仅当$⟨T⟩\subset ⟨S⟩$;
2. $U$可以由$T$线性表示，$T$可以由$S$线性表示，则$U$可以由$S$线性表示；
3. $S$与$T$等价，当且仅当$⟨S⟩=⟨T⟩$;
4. $U$与$T$等价，$T$与$S$等价，则$U$与$S$等价。

定义5.6.4
设$V$是数域$F$上的线性空间，$S$是$V$中的一组向量。如果$S$中的某个向量能用其他向量线性表示，则称$S$线性相关，反之则称为线性无关。
特别的，如果一个向量组成的向量组线性相关，当且仅当该向量为零向量。

定理5.6.2
设${\alpha }_1,...,{\alpha }_m(m\ge 2)$是线性空间$V$中的向量，则下列说法等价：

1. ${\alpha }_1,...,{\alpha }_m$线性相关；
2. 存在不全为零的常数${\lambda }_1,...,{\lambda }_m\in F$，使得${\sum }_{i=1}^m{\lambda }_i{\alpha }_i=0$;
3. 存在向量${\alpha }_i$使得${\alpha }_i={\sum }_{j\ne i}{\lambda }_j{\alpha }_j$;
4. 存在向量${\alpha }_i$使得${\alpha }_i\in ⟨{\alpha }_1,...,{\alpha }_{i-1},{\alpha }_{i+1},...{\alpha }_m⟩$;
5. 存在向量${\alpha }_i$使得$⟨{\alpha }_1,...,{\alpha }_m⟩=⟨{\alpha }_1,...,{\alpha }_{i-1},{\alpha }_{i+1},...{\alpha }_m⟩$;

定理5.6.3
设向量组$S_1$是向量组$S$的一个自己，那么，如果$S_1$线性相关，则$S$也线性相关；如果$S$线性无关，则$S_1$也线性无关。

定义5.6.5
设$S$是线性空间$V$中的向量组，若$S$的子集$S_1$线性无关，且任加$S$中的一个其他向量$\alpha$后，$S_1\cup ⟨\alpha ⟩$线性相关，则称$S_1$为向量组$S$的极大无关组。

定理5.6.4
向量组的极大无关组有下列等价的说法：

1. 向量组$S$的子集$S_1$是$S$的极大无关组；
2. 向量组$S$可以由子集$S_1$线性表示，且$S_1$线性无关；
3. 向量组$S$与它的子集$S_1$等价，且$S_1$线性无关；
4. $⟨S⟩=⟨S_1⟩$，且$S_1$线性无关；

推论5.6.1
向量组的任意两个极大无关组彼此等价；

定理5.6.5
两个等价向量组$⟨{\alpha }_1,...,{\alpha }_r⟩$和$⟨{\mathbf{beta}}_1,...,{\beta }_s⟩$分别线性无关，则$r=s$。

推论5.6.2
设${\alpha }_{i_1},...,{\alpha }_{i_r}$和${\alpha }_{j_1},...,{\alpha }_{j_s}$分别是${\alpha }_1,...,{\alpha }_m$的两个极大无关组，则$r=s$。

定义5.6.6
向量组$S$的极大无关组的向量的个数称为向量组的秩，即为$rank(S)$或者$r(S)$。

定理5.6.6
设$S,T$是线性空间$V$中的有限向量组，则有如下结论：

1. $S$线性无关当且仅当$rank(S)=\#S$;
2. $S$线性相关当且仅当$rank(S)<\#S$;
3. 若$T$可以用$S$线性表示，则$rank(T)\le rank(S)$;
4. 若$T$和$S$等价，则$rank(T)=rank(S)$;
5. 若$T$可以用$S$线性表示，且$T$线性无关，则$\#T\le \#S$;

定义5.6.7
设$V$是数域$F$上的线性空间，$S$是$V$中一组线性无关向量。如果$V$中任何向量都能表示成$S$的线性组合，则称$S$是$V$的一组基。若$S$是有限的，则称$V$为有限维线性空间，$S$中的元素的个数称为线性空间$V$的维数，记为$dimV$。若$S$是无限的，则称$V$为无限维线性空间，其维数为无穷大。
设基为 S = { α 1 , . . . , α n } S = \{ \bold{\alpha}_1, ..., \bold{\alpha}_n \} S={α1​,...,αn​}是有限的，则任意向量$\alpha \in V$可以唯一地表示为$S$的线性组合
$$\alpha ={\lambda }_1{\alpha }_1+...+{\lambda }_n{\alpha }_n$$
称$({\lambda }_1,...,{\lambda }_n)$为向量$\alpha$在基$S$下的坐标。

定理5.6.7
设$V$是数域$F$上的$n$维线性空间，则有：

1. $V$中任意$n+1$个向量线性相关；
2. $V$中任意$n$个线性无关向量为一组基；
3. 设${\alpha }_1,...,{\alpha }_r\in V$是$r(r<n)$个线性无关的向量，则存在$V$中的向量${\alpha }_{r+1},...,{\alpha }_n$使得${\alpha }_1,...,{\alpha }_n$构成$V$中的一组基，称${\alpha }_1,...,{\alpha }_n$为线性无关组${\alpha }_1,...,{\alpha }_r$的一组扩充基。

5. 同构

最后，我们来稍微引入了一下线性空间的同构定义。

定义5.7.1
设$V_1,V_2$是数域$F$上的两个线性空间，如果存在一一映射$\sigma :V_1\to V_2$满足：

1. 对任意$\mathbf{x},\mathbf{y}\in V_1$, $\sigma (\mathbf{x}+\mathbf{y})=\sigma (\mathbf{x})+\sigma (\mathbf{y})$;
2. 对任意$\lambda \in F$, $\mathbf{x}\in V_1$，$\sigma (\lambda \mathbf{x})=\lambda \sigma (\mathbf{x})$.

则称线性空间$V_1,V_2$同构，记为$V_1\sim V_2$，$\sigma$称为同构映射。
当$V_1=V_2$时，称$\sigma$为自同构。

对于同构，有如下定理：

定理5.7.1
设$V_1,V_2,V_3$是数域$F$上的线性空间，则有：

1. 若$dim{V}_1=n$，则$V_1$与$n$维数组空间$F^n$同构；
2. 设$\sigma$是$V_1\to V_2$的同构映射，则${\sigma }^{-1}$是$V_2\to V_1$的同构映射；
3. 若$V_1$与$V_2$同构，$V_2$与$V_3$同构，则$V_1$与$V_3$同构。

定理5.7.2
设$V_1,V_2$是数域$F$上的线性空间，$\sigma :V_1\to V_2$是同构映射，则：

1. $\sigma (0_1)=0_2$，其中，$0_1,0_2$分别是$V_1,V_2$的零元素；
2. $\sigma (-\alpha )=-\sigma (\alpha )$;
3. $\sigma ({\sum }_{i=1}^m{\lambda }_i{\alpha }_i)={\sum }_{i=1}^m{\lambda }_i\sigma ({\alpha }_i)$;
4. $V_1$中向量组$S$线性无关（相关）当且仅当$\sigma (S)$在$V_2$当中线性无关（相关）;
5. $M$是$V_1$的基当且仅当$\sigma (M)$是$V_2$的基；
6. $dim{V}_1=dim{V}_2$。

定理5.7.3
数域$F$上的线性空间$V_1$与$V_2$同构的充要条件是$dim{V}_1=dim{V}_2$。

2. 线性变换

1. 定义 & 性质

定义6.1.1
设$V,V_1$是数域$F$上的两个线性空间，若映射$\mathcal{A}:V\to V^{\prime }$满足：
对任意$\mathbf{x},\mathbf{y}\in V,\lambda \in F$，都有：

1. $\mathcal{A}(\mathbf{x}+\mathbf{y})=\mathcal{A}(\mathbf{x})+\mathcal{A}(\mathbf{y})$
2. $\mathcal{A}(\lambda \mathbf{x})=\lambda \mathcal{A}(\mathbf{x})$

则称$\mathcal{A}$为从线性空间$V$到线性空间$V^{\prime }$的线性映射。
特别的，如果$V=V^{\prime }$，则称$\mathcal{A}$为线性空间$V$上的一个线性变化。

有性质：

定理6.1.1
设$V$是数域$F$上的线性空间，$\mathcal{A}$是$V$上的线性变换，$\mathcal{A}$具有以下性质：

1. $\mathcal{A}(0)=0$;
2. $\mathcal{A}(-\mathbf{a})=-\mathbf{a},\mathbf{a}\in V$;
3. 设${\mathbf{a}}_1,...{\mathbf{a}}_n$为线性空间$V$的一组基，若$\mathbf{a}={\lambda }_1{\mathbf{a}}_1+...+{\lambda }_n{\mathbf{a}}_n$，则
   $$\mathcal{A}(\mathbf{a})={\lambda }_1\mathcal{A}({\mathbf{a}}_1)+...+{\lambda }_n\mathcal{A}({\mathbf{a}}_n)$$;
4. 若${\mathbf{a}}_1,...{\mathbf{a}}_m$是$V$中线性相关的向量，则$\mathcal{A}({\mathbf{a}}_1),...,\mathcal{A}({\mathbf{a}}_m)$也线性相关。

2. 矩阵表达

线性变换本质上可以视为线性空间上的两组向量之间的变化关系，我们可以将其放到两组基当中进行表达，即可以将其视为两个基底之间的线性变换。

$$\mathcal{A}({\alpha }_1,...,{\alpha }_{\mathbf{n}})=({\alpha }_1,...,{\alpha }_{\mathbf{n}})\left(\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{n1}& a_{n2}& ...& a_{nn}\end{array}\right)$$

因此，我们可以将矩阵$\mathbf{A}=(a_{ij})$称为线性变换$\mathcal{A}$在基${\alpha }_1,...,{\alpha }_n$下的变换矩阵。

我们有定理：

定理6.2.1
设线性变换$\mathcal{A}:V\to V$在基${\alpha }_1,...,{\alpha }_n$下的矩阵为$\mathbf{A}$，设$\mathbf{x},\mathbf{y}\in V$，且$\mathbf{y}=\mathcal{A}(\mathbf{x})$，若$\mathbf{x},\mathbf{y}$在基${\alpha }_1,...,{\alpha }_n$下的坐标分别为$\mathbf{X},\mathbf{Y}$，则：
$$\mathbf{Y}=\mathbf{AX}$$

我们将数域$F$上的$n$维线性空间$V$上的全体线性变换所构成的集合记为$\mathbf{L}(V)$，将数域$F$上的$n$阶方阵的构成的集合记为${\mathbf{M}}_n(F)$，则有：

定理6.2.2
设$V$为数域$F$上的$n$维线性空间，${\alpha }_1,...,{\alpha }_n$为$V$的一组基。则存在一一映射$\Phi :\mathbf{L}(V)\to {\mathbf{M}}_n(F)$，使得对每个$\mathcal{A}\in \mathbf{L}(V)$，$\Phi (\mathcal{A})$为$\mathcal{A}$在基${\alpha }_1,...,{\alpha }_n$下的矩阵。

我们定义线性变换的运算：

1. $\mathcal{A}+\mathcal{B}(\mathbf{x})=\mathcal{A}(\mathbf{x})+\mathcal{A}(\mathbf{y})$
2. $(\lambda \mathcal{A})(\mathbf{x})=\lambda \mathcal{A}(\mathbf{x})$
3. $(\mathcal{B}\circ \mathcal{A})(\mathbf{x})=\mathcal{B}(\mathcal{A}(\mathbf{x}))$

我们有定理：

定理6.2.3
设$\Phi :\mathbf{L}(V)\to {\mathbf{M}}_n(F)$为前述定理6.2.2中定义的映射，则对$\mathcal{A},\mathcal{B}\in \mathbf{L}(V),\lambda \in F$，有：

1. $\Phi (\mathcal{A}+\mathcal{B})=\Phi (\mathcal{A})+\Phi (\mathcal{B})$
2. $\Phi (\lambda \mathcal{A})=\lambda \Phi (\mathcal{A})$
3. $\Phi (\mathcal{B}\circ \mathcal{A})=\Phi (\mathcal{B})\cdot \Phi (\mathcal{A})$

3. 矩阵的相似

定理 6.3.1
设线性变换$\mathcal{A}:V\to V$在$V$的两组基${\alpha }_1,...,{\alpha }_n$和${\beta }_1,...,{\beta }_n$的矩阵分别为$\mathbf{A}$和$\mathbf{B}$。设基${\alpha }_1,...,{\alpha }_n$到基${\beta }_1,...,{\beta }_n$的过渡矩阵为$T$，即$({\beta }_1,...,{\beta }_n)=({\alpha }_1,...,{\alpha }_n)\mathbf{T}$，则有：
$$\mathbf{B}={\mathbf{T}}^{-1}\mathbf{AT}$$

基于此，我们可以给出矩阵的相似定义：

定义6.3.1
设$\mathbf{A},\mathbf{B}$为数域$F$上的两个$n$阶方阵，如果存在数域$F$上的$n$阶可逆方阵$\mathbf{T}$，使得$\mathbf{B}={\mathbf{T}}^{-1}\mathbf{AT}$，则称$\mathbf{A}$和$boldB$在数域$F$上相似，记为$\mathbf{A}\sim \mathbf{B}$。

对于相似的矩阵，有如下命题：

命题6.3.1
矩阵的相似关系为等价关系，即满足以下三个条件：

1. 反身性：$\mathbf{A}$与$\mathbf{A}$相似；
2. 对称性：若$\mathbf{A}$与$\mathbf{B}$相似，则$\mathbf{B}$与$\mathbf{A}$相似；
3. 传递性：若$\mathbf{A}$与$\mathbf{B}$相似，$\mathbf{B}$与$\mathbf{C}$相似，则$boldA$与$\mathbf{C}$相似。

4. 特征值 & 特征向量

定义 6.4.1
设$\mathbf{A}$为数域$F$上的$n$阶方阵，如果存在$\lambda \in F$及非零列向量$\mathbf{x}\in F^n$，使得$\mathbf{Ax}=\lambda \mathbf{x}$，则称$\lambda$为方阵$\mathbf{A}$的一个特征值，而称$x$为属于特征值$\lambda$的一个特征向量。
定义 V A ( λ ) : = { α ∈ V ∣ A α = λ α } V_{\mathcal{A}}(\lambda) := \{ \bold{\alpha} \in V | \mathcal{A}\bold{\alpha} = \lambda \bold{\alpha}\} VA​(λ):={α∈V∣Aα=λα}为特征值$\lambda$的特征子空间。

对于矩阵$\mathbf{A}$，定义矩阵$\mathbf{A}$的特征多项式$p_{\mathbf{A}}(\lambda )$为：
$$det(\lambda \mathbf{I}-\mathbf{A})=\left|\begin{array}{cccc}\lambda -a_{11}& -a_{12}& ...& -a_{1n}\\ -a_{21}& \lambda -a_{22}& ...& -a_{2n}\\ ...& ...& ...& ...\\ -a_{n1}& -a_{n2}& ...& \lambda -a_{nn}\end{array}\right|=0$$

关于特征向量，我们有一些常用的性质：

若$\lambda$是$n$阶方阵$\mathbf{A}$的一个特征值，则有：

1. ${\lambda }^k$是${\mathbf{A}}^k$的特征值，其中$k$为正整数；
2. $\lambda$为${\mathbf{A}}^T$的特征值；
3. 若$\lambda \ne 0$，则$\frac{1}{\lambda }det(\mathbf{A})$是$\mathbf{A}$的伴随方阵${\mathbf{A}}^{\ast }$的特征值；
4. 若方阵$\mathbf{A}$为实方阵且满足$\mathbf{A}{\mathbf{A}}^{\mathbf{T}}=\mathbf{I}$，则$|\lambda |=1$；

命题6.4.1
相似的矩阵具有相同的特征多项式和特征值。

命题6.4.2
设$\mathbf{A}=(a_{ij})$为$\mathbf{C}$上的一个$n$阶方阵，${\lambda }_1,...,{\lambda }_n$为$\mathbf{A}$的$n$个特征值，则有：

1. $tr(\mathbf{A})={\sum }_{i=1}^n{\lambda }_i$
2. $det(\mathbf{A})={\Pi }_{i=1}^n{\lambda }_i$

推论6.4.1
$n$阶方阵可逆当且仅当它的$n$个特征值均不为零。

5. 相似对角化

引理6.5.1
设$\mathbf{A}$是属于$F$上的$n$阶方阵，则属于$\mathbf{A}$的不同特征值的特征向量是线性无关的。

定理6.5.1
数域$F$上的$n$阶方阵$\mathbf{A}$相似于对角矩阵的充要条件是$\mathbf{A}$有$n$个线性无关的特征向量。

推论6.5.1
如果矩阵$\mathbf{A}$的$n$个特征值两两不同，则$\mathbf{A}$相似于对角矩阵。

定理6.5.3
任何一个$n$阶复方阵$\mathbf{A}$都可以相似于一个上三角矩阵，且这个上三角矩阵的主对角线上的元素都是$\mathbf{A}$的特征值。