1. 向量空间
这回要重学小学的四则运算了
加法和数乘:
(
x
,
y
)
∈
X
×
X
→
(
x
+
y
)
∈
X
,
(
α
,
x
)
∈
K
×
X
→
α
x
∈
X
(x,y)\in X \times X \to (x+y) \in X , ~~ (\alpha,x)\in \mathbb{K} \times X \to \alpha x \in X
(x,y)∈X×X→(x+y)∈X, (α,x)∈K×X→αx∈X
这两个就是加法和乘法。
其中
K
\mathbb{K}
K 是数域
R
o
r
C
\mathbb{R} ~ or ~ \mathbb{C}
R or C
然后要有一个0元素,和任何元素相加还等于那个元素。
每个元素都还得有一个负元素,保证和它相加为0
(这就形成了一个阿贝尔群,名字很高端。)
然后再有个元素1去搞定乘法部分,就是向量空间了。
不过和我们过去四则运算不同的是,这里的x,y并不一定是个数,而可以是别的什么奇怪的东西。不过 α \alpha α 还是个数的,所以那里强调叫数乘。
子空间: 子空间可以是X的一个子集,也可以是X的子集A张成的子空间,就是A中所有向量的线性组合(啊我想起了高等数值分析的支配。)
A的向量张成的子空间记作
S
p
a
n
A
Span ~~ A
Span A
1.1. Hamel 基
X是向量空间,X的Hamel 基是指任何一个由向量 e i ∈ X e_i\in X ei∈X 组成的向量族 ( e i ) i ∈ I (e_i)_{i\in I} (ei)i∈I 满足:
- 向量族的元线性无关。
- 对任意给定的向量 x ∈ X x\in X x∈X ,存在族 ( e i ) i ∈ I (e_i)_{i\in I} (ei)i∈I 的有限子族 ( e j ) j ∈ J ( x ) (e_j)_{j\in J(x)} (ej)j∈J(x) 和数 x j ∈ K , j ∈ J ( x ) x_j \in \mathbb{K}, j\in J(x) xj∈K,j∈J(x) 使得 x = ∑ j ∈ J ( x ) x j e j x = \sum_{j\in J(x)}x_je_j x=∑j∈J(x)xjej
啊这,和我们线性代数学过的正交基好像啊。第一条简直一模一样,第二条就是所有的向量都可以用这组基的线性组合表示。
在任何向量空间中,Hamel基均是存在的,可以由选择引理导出,不过这个推导过程对我而言就不重要了。
基数: 如果向量空间X存在有限的或无限的Hamel基,则X为有限维或相同的无限维空间,其维数就是任意一个Hamel 基的基数,记为 d i m X dim X dimX
所以向量空间有几维,就有多少种Hamel基?
2. 赋范向量空间
顾名思义就是在向量空间的基础上添加了范数。
设 X 是 K \mathbb{K} K 上的向量空间,其中 K = R \mathbb{K=R} K=R 或 K = C \mathbb{K=C} K=C ,设映射 ∣ ∣ ⋅ ∣ ∣ : X → R ||\cdot||: X\to R ∣∣⋅∣∣:X→R 满足
- ∀ x ∈ X , ∣ ∣ x ∣ ∣ ≥ 0 , 当 且 仅 当 x = 0 时 ∣ ∣ x ∣ ∣ = 0 \forall x \in X,||x||\ge 0,当且仅当 x =0 时 ||x|| = 0 ∀x∈X,∣∣x∣∣≥0,当且仅当x=0时∣∣x∣∣=0
- ∀ α ∈ K , x ∈ X , ∣ ∣ α x ∣ ∣ = ∣ α ∣ ∣ ∣ x ∣ ∣ \forall \alpha \in \mathbb K,~ x\in X,~ ||\alpha x|| = |\alpha|~||x|| ∀α∈K, x∈X, ∣∣αx∣∣=∣α∣ ∣∣x∣∣
- ∀ x , y ∈ X , ∣ ∣ x + y ∣ ∣ ≤ ∣ ∣ x ∣ ∣ + ∣ ∣ y ∣ ∣ \forall x,y\in X, ||x+y|| \le ||x|| + ||y|| ∀x,y∈X,∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣
则称其为X上的范数。偶对 ( X , ∣ ∣ ⋅ ∣ ∣ ) (X,||\cdot||) (X,∣∣⋅∣∣) 则是赋范向量空间。其中X是向量空间, ∣ ∣ ⋅ ∣ ∣ ||\cdot|| ∣∣⋅∣∣ 是范数
可知
∣ ∣ ∣ x ∣ ∣ − ∣ ∣ y ∣ ∣ ∣ ≤ ∣ ∣ x − y ∣ ∣ |~||x||-||y||~|\le ||x-y|| ∣ ∣∣x∣∣−∣∣y∣∣ ∣≤∣∣x−y∣∣
∣ ∣ ∑ i = 1 n x i ∣ ∣ ≤ ∑ i = 1 n ∣ ∣ x i ∣ ∣ ||\mathop{\sum}\limits_{i=1}^n x_i||\le \mathop{\sum}\limits_{i=1}^n||x_i|| ∣∣i=1∑nxi∣∣≤i=1∑n∣∣xi∣∣
赋范向量空间的距离: 设 ( n , ∣ ∣ ⋅ ∣ ∣ ) (n,||\cdot||) (n,∣∣⋅∣∣) 为赋范向量空间,映射 d : X × X → R d:X \times X \to \mathbb{R} d:X×X→R 定义为对任何 x , y ∈ X , d ( x , y ) = ∣ ∣ x − y ∣ ∣ x,y\in X,~d(x,y) = ||x-y|| x,y∈X, d(x,y)=∣∣x−y∣∣ 则d是X的距离
和以前观念里的距离概念差不多
常见范数定义
X 是
K
\mathbb{K}
K 上的有限维向量空间,其中
K
=
R
\mathbb{K=R}
K=R 或
K
=
C
\mathbb{K=C}
K=C
-
对每个扩充实数 1 ≤ p ≤ ∞ 1\le p\le\infty 1≤p≤∞ 定义映射 ∣ ∣ ⋅ ∣ ∣ p ||\cdot||_p ∣∣⋅∣∣p 为
x = ∑ i = 1 n x i e i ∈ X → ∣ ∣ x ∣ ∣ p = ( ∑ i = 1 n ∣ x i ∣ p ) 1 p , 1 ≤ p < ∞ , ∣ ∣ x ∣ ∣ ∞ = m a x 1 ≤ i ≤ n ∣ x i ∣ , p = ∞ x = \mathop{\sum}\limits_{i=1}^n x_ie_i \in X \to ||x||_p = (\mathop{\sum}\limits_{i=1}^n |x_i|^p)^{\frac{1}{p}}, 1 \le p < \infty, ||x||_{\infty} = \mathop{max}_{1\le i \le n} |x_i|,p=\infty x=i=1∑nxiei∈X→∣∣x∣∣p=(i=1∑n∣xi∣p)p1,1≤p<∞,∣∣x∣∣∞=max1≤i≤n∣xi∣,p=∞ ,其中p=2时简记为 ∣ ⋅ ∣ : = ∣ ∣ ⋅ ∣ ∣ 2 |\cdot|:=||\cdot||_2 ∣⋅∣:=∣∣⋅∣∣2 -
对这些范数,空间 ( X , ∣ ∣ ⋅ ∣ ∣ p ) (X,||\cdot||_p) (X,∣∣⋅∣∣p) 是可分的
回顾以下啥叫可分,应该是说这个拓扑空间有一个可数的稠密子集。
有限维赋范向量空间就是可分的
2.1. 商空间
X 还是 K \mathbb{K} K 上的有限维向量空间,其中 K = R \mathbb{K=R} K=R 或 K = C \mathbb{K=C} K=C ,Z 是X的子空间,则有
x ∼ y 当 且 仅 当 ( x − y ) ∈ Z x\sim y 当且仅当 (x-y)\in Z x∼y当且仅当(x−y)∈Z
是一个X上的等价关系
用 [ x ] = { y ∈ X ; ( x − y ) ∈ Z } = { ( x − z ) ∈ X ; z ∈ Z } ⊂ P ( X ) [x] = \{y\in X;(x-y)\in Z\} = \{(x-z)\in X;z \in Z\} \subset \mathcal{P} (X) [x]={y∈X;(x−y)∈Z}={(x−z)∈X;z∈Z}⊂P(X) 记x模这个关系的等价类。
最开始的基本定义里面提到过商集
X
/
R
X/\mathcal{R}
X/R,是由
x
x
x 的元素模
R
\mathcal{R}
R 的等价类全体组成的
P
(
X
)
\mathcal{P}(X)
P(X) 的子集。其中那个/读模
在这里,这个商集就应该是这些等价类组成的集合
X
/
Z
X/Z
X/Z
在这个商集上定义加法和数乘,
[
x
]
+
[
y
]
=
[
x
+
y
]
,
α
[
x
]
=
[
α
x
]
[x]+[y] = [x+y], \alpha [x] = [\alpha x]
[x]+[y]=[x+y],α[x]=[αx]
那么就变成了
K
\mathbb{ K}
K 上的一个向量空间,就是商空间了。其中的零向量为
[
0
]
=
Z
[0] = Z
[0]=Z
常常简记为
[
X
]
:
=
X
/
Z
[X]:= X/Z
[X]:=X/Z
网上说在线性代数中,一个向量空间V被一个子空间N的商是将N“坍塌”为零得到的向量空间,所得的空间称为商空间(quotient space)
这里的子空间N就是Z,它被坍塌为0了所以变成了商空间的零向量。
这个例子说的还蛮直观的,商空间就是把那个子空间压缩成了一个点,作为加法的零元,而为啥叫商空间呢,因为把本来的对称结构均分和我们的除法非常相似。
书上也有一些示例,俺是这么理解的
e
1
,
e
2
,
e
3
e_1,e_2,e_3
e1,e2,e3 是我们常见的三维空间的基,那么商空间
R
3
/
S
p
a
n
e
1
\mathbb{R}^3 / Span ~~e_1
R3/Span e1 (这个span是由向量张成的空间的意思)就是平行于直线
S
p
a
n
e
1
Span ~~ e_1
Span e1 的所有直线组成的向量空间。怎么个压缩法嘞?原来咱们是三维向量,朝哪都行,现在的话就只能和
e
1
e_1
e1 平行了,就是压缩了。所有的
e
1
e_1
e1 都是加法0元,因为你在这个商空间下的所有向量本来就都是和
e
1
e_1
e1 平行的,加上
e
1
e_1
e1 也不会改变它的位置,只有沿着
e
2
,
e
3
e_2,e_3
e2,e3 方向移动才有改变。
所有三维空间被压掉了一维,还有二维
同样如果我们的商空间是
R
3
/
S
p
a
n
(
e
1
,
e
2
)
\mathbb{R}^3 / Span ~~(e_1,e_2)
R3/Span (e1,e2) ,那我们就压掉了两维,还剩下一维。
这个空间中的所有元素应该是平行于
S
p
a
n
(
e
1
,
e
2
)
Span~~(e_1,e_2)
Span (e1,e2) 的平面,那么这些平面的区别就只剩下
e
3
e3
e3 不同了,所以
e
1
,
e
2
e_1,e_2
e1,e2 都是加了没有什么用的东西,就成为了0元。
如果我没想错的话,想通这一块那个感觉可谓是醍醐灌顶茅塞顿开啊呐
2.2. 商范数
定义映射
∣
∣
⋅
∣
∣
:
X
/
Z
→
R
为
∣
∣
[
x
]
∣
∣
=
i
n
f
y
∈
[
x
]
∣
∣
y
∣
∣
X
=
i
n
f
z
∈
Z
∣
∣
x
−
z
∣
∣
X
||\cdot || :X/Z \to \mathbb{R} 为 ||[x]|| = \mathop{inf}\limits_{y\in [x]} ||y||_X = \mathop{inf}\limits_{z\in Z} ||x-z||_X
∣∣⋅∣∣:X/Z→R为∣∣[x]∣∣=y∈[x]inf∣∣y∣∣X=z∈Zinf∣∣x−z∣∣X
则其为商空间 X/Z 上的范数,称为商范数。
这里的inf还是下界。所以这个范数就是 [x] (或者说Z) 里面的范数的下界。