线性空间
设 K \mathfrak{K} K是任意域,满足下列公理的元素(被称为向量)组成的集合 V V V称为定义在 K \mathfrak{K} K上的向量(线性)空间:
在 V V V上给出一个二元运算 V × V ⟶ V V\times V\longrightarrow V V×V⟶V,且赋予 V V V阿贝尔群结构:
- x + y = y + x x+y=y+x x+y=y+x(交换律);
- ( x + y ) + z = x + ( y + z ) (x+y)+z=x+(y+z) (x+y)+z=x+(y+z)(结合律);
- 存在零元素,即零向量,对 ∀ x ∈ V \forall x\in V ∀x∈V都有 x + 0 = x x+0=x x+0=x;
- 对于 ∀ x ∈ V \forall x\in V ∀x∈V,都有一个逆元素,使得 x + ( − x ) = 0 x+(-x)=0 x+(−x)=0;
在集合 K × V \mathfrak{K}\times V K×V上给定一个运算 ( λ , x ) ⟼ λ x (\lambda , x)\longmapsto \lambda x (λ,x)⟼λx,使得具有如下性质:
- 1 ⋅ x = x 1\cdot x=x 1⋅x=x;
- ∀ α , β ∈ K , ∀ x ∈ V \forall \alpha, \beta \in \mathfrak{K},\forall x\in V ∀α,β∈K,∀x∈V都有 ( α β ) x = α β ( x ) (\alpha \beta)x=\alpha \beta (x) (αβ)x=αβ(x)(结合律)
以及,可以延伸出来的:
- ( α + β ) x = α x + β x (\alpha +\beta)x=\alpha x+\beta x (α+β)x=αx+βx
- λ ( x + y ) = λ x + λ y \lambda (x+y)=\lambda x+\lambda y λ(x+y)=λx+λy
可见,向量空间和群环域一样都是一种代数学的基本结构,这也就意味着向量空间中的向量可以是多项式,函数,序列等,只要满足它们的集合满足上述公理即可,而 K \mathfrak{K} K在这里提供的是一个“标量”的角色。
维数与基底
线性相关性
空间
V
V
V的向量
v
1
,
⋯
,
v
n
v_1, \cdots, v_n
v1,⋯,vn中,如果存在一个不全为
0
0
0的标量,使得:
α
1
v
1
+
α
2
v
2
+
⋯
+
α
n
v
n
=
0
\alpha_1v_1+\alpha_2v_2+\cdots+\alpha_nv_n=0
α1v1+α2v2+⋯+αnvn=0
则称向量组
v
1
,
⋯
,
v
n
v_1, \cdots, v_n
v1,⋯,vn是线性相关的,否则则是线性无关的。
秩
给定的一个向量组中,最大的线性无关子向量组的元素个数,即是该向量组的秩。
维数
在整个向量空间 V V V中,最大线性无关向量组的元素个数为 n n n,那么称该空间的维数为 n n n,记作 d i m V = n dimV=n dimV=n。
基底
设 V V V是 n n n维向量空间,任意 n n n个线性无关的向量 e 1 , ⋯ , e n e_1,\cdots,e_n e1,⋯,en构成的组就称为空间 V V V的(有限的线性的)基底。
对偶空间
线性函数
如果有映射
f
:
V
⟶
K
f:V\longrightarrow \mathfrak{K}
f:V⟶K,且:
f
(
α
x
+
β
y
)
=
α
f
(
x
)
+
β
f
(
y
)
,
∀
α
,
β
∈
K
,
∀
x
,
y
∈
V
f(\alpha x+\beta y)=\alpha f(x)+\beta f(y), \forall \alpha , \beta \in \mathfrak{K}, \forall x,y\in V
f(αx+βy)=αf(x)+βf(y),∀α,β∈K,∀x,y∈V
则称 f f f是定义在 V V V上的线性函数。
对偶空间和对偶基底
若 V V V上有线性函数 f f f和 g g g,那么令:
( α f + β g ) ( x ) = α f ( x ) + β g ( y ) (\alpha f+\beta g)(x)=\alpha f(x)+\beta g(y) (αf+βg)(x)=αf(x)+βg(y)
可以验证, α f + β g \alpha f+\beta g αf+βg也是一个线性函数,于是,我们可以定义:
向量空间 V V V中所有的线性函数也可以构成一个向量空间,该向量空间被称为 V V V的对偶空间,记作: V ∗ = L ( V , K ) V^*=\mathcal{L} (V, \mathfrak{K}) V∗=L(V,K)。因为符合向量空间的定义,所以对偶空间内的元素本质是线性函数的同时,也可以称为向量。
于是,对偶空间 V ∗ V^* V∗中的元素被称为共变向量(余向量),称 V V V中的元素为反变向量。
从本质上来讲,如果一个定义在 K \mathfrak{K} K上有一个向量空间 V V V,它有一组基底 { e 1 , ⋯ , e n } \{e_1,\cdots,e_n\} {e1,⋯,en},那么定义它的对偶基底 { e 1 , ⋯ , e n } \{e^1,\cdots,e^n\} {e1,⋯,en}时,则是如下过程:
- 首先,对偶基的本质是一个函数,它的定义域即是 V V V,其中的元素是向量,任何向量都可以被表示为形如: v = v 1 e 1 + ⋯ + v n e n v=v^1e_1+\cdots+v^ne_n v=v1e1+⋯+vnen的形式,其中 v 1 , ⋯ , v n ∈ K v^1,\cdots,v^n\in \mathfrak{K} v1,⋯,vn∈K,是对应方向上的分量;
- 然后,对偶基的值域是 K \mathfrak{K} K,在满足上述定义的时候,对偶函数 e i e^i ei作用于向量 v v v上时,就得到了 v v v在 e i e_i ei方向上的分量 e i e^i ei;
- 因此,对偶基的构造就要满足: e i e j = δ i j e^i{e_j}=\delta _{ij} eiej=δij,其中 δ i j = { 1 i = j 0 i ≠ j \delta _{ij}=\left\{\begin{matrix} 1 & i=j\\ 0 & i\ne j \end{matrix}\right. δij={10i=ji=j
多重线性映射
如果在 K \mathfrak{K} K上有向量空间 V 1 , ⋯ , V p , U V_1,\cdots,V_p,U V1,⋯,Vp,U,映射
f : V 1 × ⋯ × V p ⟶ U f:V_1\times\cdots \times V_p\longrightarrow U f:V1×⋯×Vp⟶U
被称为多重线性映射( p p p-线性映射)。
张量
设 K \mathfrak{K} K是一个域, V V V是其上的一个向量空间, V ∗ V^* V∗是 V V V的对偶空间, p p p和 q q q都是大于等于零的整数,
V p × ( V ∗ ) q = V × ⋯ × V ⏟ p × V ∗ × ⋯ × V ∗ ⏟ q V^p\times (V^*)^q=\underbrace{V\times \cdots \times V} _p\times\underbrace{V^*\times \cdots \times V^*} _q Vp×(V∗)q=p V×⋯×V×q V∗×⋯×V∗
是 p p p重空间 V V V和 q q q重空间 V ∗ V^* V∗的笛卡尔积,所有的 p + q p+q p+q重线性映射:
f : V p × ( V ∗ ) q ⟶ K f:V^p\times (V^*)^q\longrightarrow \mathfrak{K} f:Vp×(V∗)q⟶K
都被称为 V V V上的 ( p , q ) (p,q) (p,q)型, p + q p+q p+q阶张量。
特别的, ( 1 , 0 ) (1,0) (1,0)型张量就是通常的 V V V上的线性函数,也就是 V ∗ V^* V∗的一个元素,而 ( 0 , 1 ) (0,1) (0,1)型张量就是 V ∗ V^* V∗上的一个线性函数,也就是 V V V的一个元素。