1.矩阵空间
先前所讲的向量空间,都是
n
n
n维实数空间,现在将矩阵看作向量,例如将
3
×
3
3\times 3
3×3的矩阵看作向量;这相当于从原来的
n
n
n维扩展到
n
×
n
n\times n
n×n维。为什么可以把矩阵看作向量呢?
因为矩阵也服从向量空间的运算,向量能加减、数乘,矩阵同样可以。所以说矩阵也可以当成向量来张成空间,这种空间称之为矩阵空间。
1.1矩阵空间的基
所有
3
×
3
3\times 3
3×3矩阵组成一个矩阵空间M,则矩阵空间M的一组基为:
E
11
=
[
1
0
0
0
0
0
0
0
0
]
,
E
12
=
[
0
1
0
0
0
0
0
0
0
]
,
E
13
=
[
0
0
1
0
0
0
0
0
0
]
E_{11}=\begin{bmatrix}1&0&0\\0&0&0\\0&0&0\end{bmatrix}, E_{12}=\begin{bmatrix}0&1&0\\0&0&0\\0&0&0\end{bmatrix}, E_{13}=\begin{bmatrix}0&0&1\\0&0&0\\0&0&0\end{bmatrix}
E11=⎣
⎡100000000⎦
⎤,E12=⎣
⎡000100000⎦
⎤,E13=⎣
⎡000000100⎦
⎤
E
21
=
[
0
0
0
1
0
0
0
0
0
]
,
E
22
=
[
0
0
0
0
1
0
0
0
0
]
,
E
23
=
[
0
0
0
0
0
1
0
0
0
]
E_{21}=\begin{bmatrix}0&0&0\\1&0&0\\0&0&0\end{bmatrix}, E_{22}=\begin{bmatrix}0&0&0\\0&1&0\\0&0&0\end{bmatrix}, E_{23}=\begin{bmatrix}0&0&0\\0&0&1\\0&0&0\end{bmatrix}
E21=⎣
⎡010000000⎦
⎤,E22=⎣
⎡000010000⎦
⎤,E23=⎣
⎡000000010⎦
⎤
E
31
=
[
0
0
0
0
0
0
1
0
0
]
,
E
32
=
[
0
0
0
0
0
0
0
1
0
]
,
E
33
=
[
0
0
0
0
0
0
0
0
1
]
E_{31}=\begin{bmatrix}0&0&0\\0&0&0\\1&0&0\end{bmatrix}, E_{32}=\begin{bmatrix}0&0&0\\0&0&0\\0&1&0\end{bmatrix}, E_{33}=\begin{bmatrix}0&0&0\\0&0&0\\0&0&1\end{bmatrix}
E31=⎣
⎡001000000⎦
⎤,E32=⎣
⎡000001000⎦
⎤,E33=⎣
⎡000000001⎦
⎤
这九个矩阵线性无关,矩阵空间
M
M
M的维数为
d
i
m
(
M
)
=
9
dim(M)=9
dim(M)=9
2.矩阵空间的子空间
3
×
3
3\times 3
3×3矩阵空间
M
M
M的子空间有:
1.所有上三角矩阵组成空间
U
U
U(upper triangular matrix)
2.所有的对称矩阵组成空间
S
S
S(symmetric matrix)
3.所有对角矩阵组成的空间
D
D
D(diagonal matrix)(对角阵是上三角阵和对称阵的交集)
S
S
S空间的维数是6,6个基分别为:
[
1
0
0
0
0
0
0
0
0
]
,
[
0
0
0
0
1
0
0
0
0
]
,
[
0
0
0
0
0
0
0
0
1
]
,
[
0
1
0
1
0
0
0
0
0
]
,
[
0
0
1
0
0
0
1
0
0
]
,
[
0
0
0
0
0
1
0
1
0
]
\begin{bmatrix}1&0&0\\0&0&0\\0&0&0\end{bmatrix}, \begin{bmatrix}0&0&0\\0&1&0\\0&0&0\end{bmatrix}, \begin{bmatrix}0&0&0\\0&0&0\\0&0&1\end{bmatrix}, \begin{bmatrix}0&1&0\\1&0&0\\0&0&0\end{bmatrix}, \begin{bmatrix}0&0&1\\0&0&0\\1&0&0\end{bmatrix}, \begin{bmatrix}0&0&0\\0&0&1\\0&1&0\end{bmatrix}
⎣
⎡100000000⎦
⎤,⎣
⎡000010000⎦
⎤,⎣
⎡000000001⎦
⎤,⎣
⎡010100000⎦
⎤,⎣
⎡001000100⎦
⎤,⎣
⎡000001010⎦
⎤
这六个基都是最基本的对称矩阵。
U
U
U空间的维数是6,6个基分别为:
[
1
0
0
0
0
0
0
0
0
]
,
[
0
0
0
0
1
0
0
0
0
]
,
[
0
0
0
0
0
0
0
0
1
]
,
[
0
1
0
0
0
0
0
0
0
]
,
[
0
0
1
0
0
0
0
0
0
]
,
[
0
0
0
0
0
1
0
0
0
]
\begin{bmatrix}1&0&0\\0&0&0\\0&0&0\end{bmatrix}, \begin{bmatrix}0&0&0\\0&1&0\\0&0&0\end{bmatrix}, \begin{bmatrix}0&0&0\\0&0&0\\0&0&1\end{bmatrix}, \begin{bmatrix}0&1&0\\0&0&0\\0&0&0\end{bmatrix}, \begin{bmatrix}0&0&1\\0&0&0\\0&0&0\end{bmatrix}, \begin{bmatrix}0&0&0\\0&0&1\\0&0&0\end{bmatrix}
⎣
⎡100000000⎦
⎤,⎣
⎡000010000⎦
⎤,⎣
⎡000000001⎦
⎤,⎣
⎡000100000⎦
⎤,⎣
⎡000000100⎦
⎤,⎣
⎡000000010⎦
⎤
将
U
U
U和
S
S
S进行组合,我们还可以得到其他子空间:
交:对称阵空间
S
S
S和上三角阵空间
U
U
U的交集为对角阵空间
D
D
D,维数为3
并:对称阵空间
S
S
S和上三角阵空间
U
U
U的并集可以得到所有3*3矩阵,因此这个S+U构成的空间维度是9。
引用链接:https://blog.csdn.net/weixin_44895586/article/details/111311497
3.微分方程与向量空间
d
2
y
d
x
2
+
y
=
0
\frac{\mathrm{d^2y} }{\mathrm{d} x^2}+y=0
dx2d2y+y=0
微分方程的通解为
y
=
c
1
c
o
s
x
+
c
2
s
i
n
x
y=c_1cosx+c_2sinx
y=c1cosx+c2sinx,其中c可取任意复数。解的线性组合构成的空间成为解空间,其维度为2.
c
o
s
x
cosx
cosx和
s
i
n
x
sinx
sinx可以理解成解空间的一组基。这些并不是向量,是函数,但是可以对其进行线性运算,在线性代数的讨论范畴之内。
4.秩1矩阵
A
=
[
1
4
5
2
8
10
]
=
[
1
2
]
[
1
4
5
]
A=\begin{bmatrix}1&4&5\\2&8&10\end{bmatrix}=\begin{bmatrix}1\\2\end{bmatrix}\begin{bmatrix}1&4&5\end{bmatrix}
A=[1248510]=[12][145]
R
(
A
)
=
1
R(A)=1
R(A)=1秩1矩阵可以改写成一列乘以一行的形式,每个秩1矩阵都可以写成一列乘以一行的形式:
A
=
U
V
T
A=UV^T
A=UVT
秩1矩阵最吸引人的一点是:它可以当作构建其他任何矩阵的“积木块”,例如存在一个
5
×
17
5\times17
5×17的矩阵,它的秩是4,那么可以用4个秩1矩阵组合成这个
5
×
17
5\times17
5×17矩阵。秩为
r
r
r的矩阵总能分解成
r
r
r个秩1矩阵。
用矩阵空间
M
M
M表示所有的
5
×
17
5\times17
5×17矩阵,一个由秩4矩阵组成的空间是M的子空间吗?不是。即使把零矩阵加入也无法构成M子空间,因为对于两个矩阵的加和,秩4矩阵不封闭
r
a
n
k
(
A
+
B
)
≤
r
a
n
k
(
A
)
+
r
a
n
k
(
B
)
rank(A+B)\leq rank(A)+rank(B)
rank(A+B)≤rank(A)+rank(B)
例:假设在
R
4
R^4
R4中有
v
=
[
v
1
v
2
v
3
v
4
]
v=\begin{bmatrix}v_1\\v_2\\v_3\\v_4\end{bmatrix}
v=⎣
⎡v1v2v3v4⎦
⎤满足所有分量之和等于零,即
v
1
+
v
2
+
v
3
+
v
4
=
0
v_1+v_2+v_3+v_4=0
v1+v2+v3+v4=0,向量
v
v
v构成一个子空间
S
S
S,包含零向量并对线性运算封闭,那么子空间的维数是多少。它是矩阵
A
=
[
1
1
1
1
]
A=\begin{bmatrix}1&1&1&1\end{bmatrix}
A=[1111]的零空间,因为矩阵
A
A
A的秩为1,因此其零空间的秩为
n
−
r
=
3
n-r=3
n−r=3。零空间的基就是
A
X
=
0
AX=0
AX=0的特解:
[
−
1
1
0
0
]
[
−
1
0
1
0
]
[
−
1
0
0
1
]
\begin{bmatrix}-1\\1\\0\\0\end{bmatrix}\begin{bmatrix}-1\\0\\1\\0\end{bmatrix}\begin{bmatrix}-1\\0\\0\\1\end{bmatrix}
⎣
⎡−1100⎦
⎤⎣
⎡−1010⎦
⎤⎣
⎡−1001⎦
⎤
有时候求解子空间维数的时候,可以考虑子空间是不是某个方程的解空间。