一、向量空间
我们从最重要的向量空间开始,表示为 R 1 , R 2 , R 3 , R 4 , ⋯ \pmb R^1,\pmb R^2,\pmb R^3,\pmb R^4,\cdots R1,R2,R3,R4,⋯。每个空间 R n \pmb R^n Rn 包含一整个向量的集合。 R 5 \pmb R^5 R5 包含全部有 5 5 5 个分量的列向量,称为 5 5 5 维空间。
定义 空间 R n 包含全部有 n 个分量的列向量 v \pmb{定义}\kern 10pt空间\,\pmb R^n\,包含全部有\,n\,个分量的列向量\,\boldsymbol v 定义空间Rn包含全部有n个分量的列向量v
向量
v
\boldsymbol v
v 的分量都是实数,所以用字母
R
\pmb R
R 表示。如果向量有
n
n
n 个复数分量,则它会落在空间
C
n
\pmb C^n
Cn 中。
向量空间
R
2
\pmb R^2
R2 就是通常的
x
y
xy
xy 平面,每个
R
2
\pmb R^2
R2 中的向量都有两个分量。空间需要我们考虑全部的向量,这里表示的是整个
x
y
xy
xy 平面。每个向量给出平面内一点
x
x
x 和
y
y
y 的坐标:
v
=
(
x
,
y
)
\boldsymbol v=(x,y)
v=(x,y)。
相似的,
R
3
\pmb R^3
R3 中的向量对应三维空间中的点
(
x
,
y
,
z
)
(x,y,z)
(x,y,z)。一维空间
R
1
\pmb R^1
R1 是一条直线(就像
x
x
x 轴一样)。我们将向量表示为括号中的列,或用逗号和括号写在一行:
[
4
π
]
在
R
2
,
(
1
,
1
,
0
,
1
,
1
)
在
R
5
,
[
1
+
i
1
−
i
]
在
C
2
\begin{bmatrix}4\\π\end{bmatrix}在\,\pmb R^2\,,(1,1,0,1,1)\,在\,\pmb R^5\,,\begin{bmatrix}1+i\\1-i\end{bmatrix}在\,\pmb C^2
[4π]在R2,(1,1,0,1,1)在R5,[1+i1−i]在C2线性代数最伟大的地方就是可以很容易处理
n
n
n 维空间,而不必画出向量。仅仅需要
n
n
n 个数字。
v
\boldsymbol v
v 乘
7
7
7 是将每个分量乘
7
7
7,此处的
7
7
7 是标量。在
R
5
\pmb R^5
R5 中做向量的加法,就是将它们对应的分量分别相加。这是在向量空间中的两个最重要的向量运算,它们产生了线性组合。
在
R
5
中可以对任意向量相加,也可以对任意向量
v
乘上标量
c
。
在\,\pmb R^5\,中可以对任意向量相加,也可以对任意向量\,\boldsymbol v\,乘上标量\,c。
在R5中可以对任意向量相加,也可以对任意向量v乘上标量c。“在向量空间中” 意味着结果仍然在该空间中。如果
v
\boldsymbol v
v 是
R
4
\pmb R^4
R4 中的向量,其分别分别是
1
,
0
,
0
,
1
1,0,0,1
1,0,0,1,则
2
v
2\boldsymbol v
2v 也是
R
4
\pmb R^4
R4 中的向量,其分量为
2
,
0
,
0
,
2
2,0,0,2
2,0,0,2(此处
2
2
2 是标量)。一整个系列的性质都可以在
R
n
\pmb R^n
Rn 中验证。所有的向量空间都必须满足
8
8
8 个规则:
- x + y = y + x \boldsymbol x+\boldsymbol y=\boldsymbol y+\boldsymbol x\,\, x+y=y+x 交换律
- x + ( y + z ) = ( x + y ) + z \boldsymbol x+(\boldsymbol y+\boldsymbol z)=(\boldsymbol x+\boldsymbol y)+\boldsymbol z\,\, x+(y+z)=(x+y)+z 加法结合律
- 对于所有的向量 x \boldsymbol x x,存在唯一的零向量使得 x + 0 = x \boldsymbol x+\boldsymbol 0=\boldsymbol x x+0=x
- 对于每个 x \boldsymbol x x 存在唯一的向量 − x -\boldsymbol x −x 使得 x + ( − x ) = 0 \boldsymbol x+(-\boldsymbol x)=\boldsymbol 0 x+(−x)=0
- 1 乘 x \boldsymbol x x 等于 x \boldsymbol x x
- ( c 1 c 2 ) x = c 1 ( c 2 x ) (c_1c_2)\boldsymbol x=c_1(c_2\boldsymbol x) (c1c2)x=c1(c2x)
- c ( x + y ) = c x + c y c(\boldsymbol x+\boldsymbol y)=c\boldsymbol x+c\boldsymbol y\,\, c(x+y)=cx+cy 分配律
- ( c 1 + c 2 ) x = c 1 x + c 2 x (c_1+c_2)\boldsymbol x=c_1\boldsymbol x+c_2\boldsymbol x (c1+c2)x=c1x+c2x
每个向量空间都要满足上述
8
8
8 个规则,它们是向量而不是列向量,除
R
n
\pmb R^n
Rn 外,还存在其它的向量空间。
一个实数向量空间是一系列向量的集合,遵循实数向量的加法和数乘,加法和数乘得到的向量必须还在该空间内,同样也需要满足这八个规则。下面是三个
R
n
\pmb R^n
Rn 之外的向量空间:
M 所有 2 × 2 的实数矩阵 组成的向量空间 F 所有 实函数 f ( x ) 所组成的向量空间 Z 只包含一个 零向量 的向量空间 \begin{matrix}\pmb{\textrm{M}}&所有\,\pmb{2\times2\,的实数矩阵}组成的向量空间\\\pmb{\textrm F}&所有\pmb{实函数}\,f(x)\,所组成的向量空间\kern13pt\\\pmb{\textrm Z}&只包含一个\pmb{零向量}的向量空间\kern 37pt\end{matrix} MFZ所有2×2的实数矩阵组成的向量空间所有实函数f(x)所组成的向量空间只包含一个零向量的向量空间
M
\pmb{\textrm M}
M 中的向量实际上是矩阵,
F
\pmb{\textrm F}
F 中的向量是函数,
Z
\pmb{\textrm Z}
Z 中的加法仅有一个
0
+
0
=
0
\boldsymbol 0+\boldsymbol 0=\boldsymbol 0
0+0=0。上面每个例子都可以相加:矩阵加矩阵,函数加函数,零向量加零向量。我们也可以用
4
4
4 乘矩阵,
4
4
4 乘函数或用
4
4
4 乘零向量,得到的结果仍然在
M
\pmb{\textrm M}
M、
F
\pmb{\textrm F}
F 或
Z
\pmb{\textrm Z}
Z 中,很容易验证这
8
8
8 个规则。
函数空间
F
\pmb{\textrm F}
F 是无限维的,小一点的空间是
P
\pmb{\textrm P}
P 或
P
n
\pmb{\textrm P_n}
Pn,它包含所有的
n
n
n 次多项式:
a
0
+
a
1
x
+
⋯
+
a
n
x
n
a_0+a_1x+\cdots+a_nx^n
a0+a1x+⋯+anxn。
空间
Z
\pmb{\textrm Z}
Z 是一个零维空间(通过合理的维度定义)。
Z
\pmb{\textrm Z}
Z 是最小可能的向量空间,我们暂且称为
R
0
\pmb R^0
R0,它表示没有分量的向量,它仅有一个向量——零向量。每个向量空间都有自己的零向量——零矩阵,零函数,
R
3
\pmb R^3
R3 中的零向量
(
0
,
0
,
0
)
(0,0,0)
(0,0,0)。
二、子空间
有时,我们需要将矩阵与函数看成是向量,但是大多数情况下,我们处理的是正常的列向量,它们是具有
n
n
n 个分量的向量——但是可能不是有
n
n
n 个分量的全部向量。它们是在
R
n
\pmb R^n
Rn 中重要的向量空间,是
R
n
\pmb R^n
Rn 的子空间。
从三维空间
R
3
\pmb R^3
R3 开始,选择一个通过原点
(
0
,
0
,
0
)
(0,0,0)
(0,0,0) 的平面,这个平面自身就是一个向量空间。如果我们在这个平面内将两个向量相加,它们的和也在该平面中;如果该平面的向量乘上一个标量,例如
2
2
2 或
−
5
-5
−5,得到的新向量也在该平面中。三维空间中的平面不是
R
2
\pmb R^2
R2,三维空间中的向量有
3
3
3 个分量,它们属于
R
3
\pmb R^3
R3,这个平面是
R
3
\pmb R^3
R3 中的向量空间。
通过
(
0
,
0
,
0
)
(0,0,0)
(0,0,0) 的平面是整个向量空间
R
3
\pmb R^3
R3 中的子空间,这个是线性代数中最重要的基础概念之一:
定义 \kern 5pt 向量空间的子空间是满足两个条件的一系列向量的集合(包含 0 \boldsymbol 0 0):如果 v \boldsymbol v v 和 w \boldsymbol w w 是子空间中的向量且 c c c 是任意标量,则 ( 1 ) v + w 在子空间中 ( 2 ) c v 在子空间中 (1)\,\boldsymbol v+\boldsymbol w\,在子空间中\kern 10pt(2)\,c\boldsymbol v\,在子空间中 (1)v+w在子空间中(2)cv在子空间中
换句话说,在这个向量集合中的加法
v
+
w
\boldsymbol v+\boldsymbol w
v+w 和数乘
c
v
c\boldsymbol v
cv(和
d
w
d\boldsymbol w
dw)是封闭的。这些运算的结果仍然在子空间中,我们也可以做减法,因为
−
w
-\boldsymbol w
−w 也在子空间中,和是
v
−
w
\boldsymbol v-\boldsymbol w
v−w。简单的说,所有的线性组合仍然在子空间中。
这些运算都遵循主空间的规则,也自动满足八个条件。所以我们只需要检验子空间中的线性组合条件即可。
关于子空间有两个结论:第一,每个子空间都包含零向量。
R
3
\pmb R^3
R3 中的平面必须经过
(
0
,
0
,
0
)
(0,0,0)
(0,0,0),因为这直接遵循上述的条件(2),若
c
=
0
c=0
c=0,
0
v
0\boldsymbol v
0v 也必须在子空间中。
不包含原点的平面不是子空间,因为不满足数乘的条件。
第二,通过原点的直线也是子空间。我们将该直线的向量乘上一个数(例如
5
5
5),或者将该直线上的两个向量相加,结果仍然在该直线上,但是直线必须经过
(
0
,
0
,
0
)
(0,0,0)
(0,0,0)。
另一个子空间就是全部的
R
3
\pmb R^3
R3。整个空间就是一个子空间(它自己的)。下面列出
R
3
\pmb R^3
R3 里所有可能的子空间:
- ( L ) (\pmb {\textrm L})\kern 6pt (L)任意经过 ( 0 , 0 , 0 ) (0,0,0) (0,0,0) 的直线
- ( R 3 ) (\pmb {\textrm R^3})\kern 2pt (R3)整个空间
- ( P ) (\pmb {\textrm P})\kern 6pt (P)任意经过 ( 0 , 0 , 0 ) (0,0,0) (0,0,0) 的平面
- ( Z ) (\pmb {\textrm Z})\kern 6pt (Z)单个向量 ( 0 , 0 , 0 ) (0,0,0) (0,0,0)
如果我们仅保留一条直线或一个平面的一部分,则无法满足子空间的条件。下面是 R 2 \pmb {\textrm R^2} R2 中不是子空间的例子。
【例1】仅保留分量大于或等于零的向量 ( x , y ) (x,y) (x,y)(这是平面的四分之一)。它包含向量 ( 2 , 3 ) (2,3) (2,3) 但是不包含向量 ( − 2 , − 3 ) (-2,-3) (−2,−3)。当取 c = − 1 c=-1 c=−1 时,就不满足条件(2),因此这个四分之一的平面不是子空间。
【例2】在上例中再加上分量都为负数的向量。现在有两个四分之一平面。满足条件(2),可以任意选取
c
c
c。但是选
v
=
(
2
,
3
)
\boldsymbol v=(2,3)
v=(2,3),
w
=
(
−
3
,
−
2
)
\boldsymbol w=(-3,-2)
w=(−3,−2) 时,它们的和
v
+
w
=
(
−
1
,
1
)
\boldsymbol v+\boldsymbol w=(-1,1)
v+w=(−1,1) 不在这两个四分之一平面内,所以不满足条件(1),这个也不算子空间。
规则(1)和(2)与向量的加法
v
+
w
\boldsymbol v+\boldsymbol w
v+w 和 标量
c
c
c 和
d
d
d 的数乘有关,我们可以将这两个规则合成一个就得到 —— 子空间的规则:
一个包含 v 和 w 的子空间,必须包含所有的线性组合 c v + d w 一个包含\,\boldsymbol v\, 和 \,\boldsymbol w\,的子空间,必须包含所有的线性组合\,c\boldsymbol v+d\boldsymbol w 一个包含v和w的子空间,必须包含所有的线性组合cv+dw
【例3】
2
×
2
2\times2
2×2 矩阵的向量空间
M
\pmb{\textrm M}
M 中有下列两个子空间:
(
U
)
所有上三角矩阵
[
a
b
0
d
]
(
D
)
所有的对角矩阵
[
a
0
0
d
]
(\pmb{\textrm U})\,所有上三角矩阵\begin{bmatrix}a&b\\0&d\end{bmatrix}\kern 12pt(\pmb{\textrm D})\,所有的对角矩阵\begin{bmatrix}a&0\\0&d\end{bmatrix}
(U)所有上三角矩阵[a0bd](D)所有的对角矩阵[a00d]将任意两个上三角矩阵
U
\pmb{\textrm U}
U 相加,结果仍然是
U
\pmb{\textrm U}
U;任意两个对称矩阵
D
\pmb{\textrm D}
D 相加,结果仍是
D
\pmb{\textrm D}
D。这里
D
\pmb{\textrm D}
D 也是
U
\pmb{\textrm U}
U 的子空间。零矩阵也是子空间,此时
a
,
b
,
d
a,b,d
a,b,d 都为
0
0
0。
Z
\pmb{\textrm Z}
Z 永远是子空间。
单位矩阵的倍数也是一个子空间。
2
I
+
3
I
2I+3I
2I+3I 在子空间中,
3
3
3 乘
4
I
4I
4I 也在子空间中。矩阵
c
I
cI
cI 在
M
\pmb{\textrm M}
M 中与
U
\pmb{\textrm U}
U 和
D
\pmb{\textrm D}
D 中形成 “矩阵线” (line of matrix)。
单位矩阵
I
I
I 自身并不是一个子空间,只有零矩阵自己才是子空间。
三、A 的列空间
最重要的子空间与矩阵
A
A
A 直接相关。当我们求解
A
x
=
b
A\boldsymbol x=\boldsymbol b
Ax=b 时,若
A
A
A 不可逆,则对于某些
b
\boldsymbol b
b,系统有解,而对于另一些
b
\boldsymbol b
b,系统无解。我们要描述有解的右侧向量
b
\boldsymbol b
b,它可以写成
A
A
A 乘某个向量
x
\boldsymbol x
x,这些
b
\boldsymbol b
b 则形成
A
A
A 的列空间。
A
x
A\boldsymbol x
Ax 是
A
A
A 列的线性组合,如果要得到所有的
b
\boldsymbol b
b,那么就需要使用所有可能的
x
\boldsymbol x
x。取
A
A
A 所有列的线性组合,就得到
A
A
A 的列空间。这是由列向量组成的向量空间。
C
(
A
)
\pmb C(A)
C(A) 不仅包含有
A
A
A 的
n
n
n 个列,还有它所有列的组合
A
x
A\boldsymbol x
Ax。
定义 \kern 10pt 列空间包含列的所有线性组合,它们的组合就是所有可能的向量 A x A\boldsymbol x Ax,构成列空间 C ( A ) \pmb C(A) C(A)。
列空间至关重要,因为求解 A x = b A\boldsymbol x=\boldsymbol b Ax=b 就是将 b \boldsymbol b b 表示成列的组合,右侧正确的 b \boldsymbol b b 必须在左侧 A A A 的列空间中,否则无解。
系统 A x = b 有解,当且仅当 b 在 A 的列空间中 系统\,A\boldsymbol x=\boldsymbol b\,有解,当且仅当\,\boldsymbol b\,在\,A\,的列空间中 系统Ax=b有解,当且仅当b在A的列空间中
当
b
\boldsymbol b
b 在
A
A
A 的列空间中,它是
A
A
A 列的线性组合,这个组合的系数就是
A
x
=
b
A\boldsymbol x=\boldsymbol b
Ax=b 的解
x
\boldsymbol x
x。
假设
A
A
A 是
m
×
n
m\times n
m×n 的矩阵,它的列向量有
m
m
m 个分量,所以列属于
R
m
\pmb{\textrm R}^m
Rm,
A
A
A 的列空间是
R
m
\pmb{\textrm R}^m
Rm 的子空间。所有列的集合
A
x
A\boldsymbol x
Ax 满足子空间的条件(1)和(2):我们将两个线性组合相加,或者乘上标量,得到的结果仍是列的线性组合。子空间可以通过所有的线性组合验证。
下例中
A
A
A 是一个
3
×
2
3\times2
3×2 的矩阵,它的列空间是
R
3
\pmb{\textrm R}^3
R3 的子空间,如 Figure3.2 所示的一个平面。因为
A
A
A 只有两列,所以它的列空间
C
(
A
)
\pmb C(A)
C(A) 不可能是整个
R
3
\pmb{\textrm R}^3
R3。
【例4】
A
x
=
[
1
0
4
3
2
3
]
[
x
1
x
2
]
=
x
1
[
1
4
2
]
+
x
2
[
0
3
3
]
A\boldsymbol x=\begin{bmatrix}1&0\\4&3\\2&3\end{bmatrix}\begin{bmatrix}x_1\\x_2\end{bmatrix}=x_1\begin{bmatrix}1\\4\\2\end{bmatrix}+x_2\begin{bmatrix}0\\3\\3\end{bmatrix}
Ax=
142033
[x1x2]=x1
142
+x2
033
这两列所有的线性组合形成的列空间在
R
3
\pmb{\textrm R}^3
R3 中形成一个平面。图中画出一个特别的
b
\boldsymbol b
b(列的线性组合),
b
=
A
x
\boldsymbol b=A\boldsymbol x
b=Ax 落在该平面上。这个平面厚度为零,因此
R
3
\pmb{\textrm R}^3
R3 中大部分的右侧向量
b
\boldsymbol b
b 都不在这个列空间中。对于这个三个方程两个未知数的方程组,大部分的
b
\boldsymbol b
b 都是无解的。
(
0
,
0
,
0
)
(0,0,0)
(0,0,0) 一定在列空间中,列空间一定经过原点。
A
x
=
0
A\boldsymbol x=\boldsymbol 0
Ax=0 一定有一个解
x
=
0
\boldsymbol x= \boldsymbol 0
x=0。
只有当
b
\boldsymbol b
b 在列空间中才会有解。当
b
\boldsymbol b
b 是第一列本身时,此时解为
x
1
=
1
,
x
2
=
0
x_1=1,x_2=0
x1=1,x2=0;当
b
\boldsymbol b
b 是第二列本身时,此时
x
1
=
0
,
x
2
=
1
x_1=0,x_2=1
x1=0,x2=1。更深入的理解是——找到所有的组合,得到的整个子空间就是有这两个列产生的。
注:
A
A
A 的列空间表示为
C
(
A
)
\pmb C(A)
C(A),从这些列开始取得它们所有的线性组合,我们可能会得到整个
R
m
\pmb{\textrm R}^m
Rm 或者一个子空间。
重要: 我们不从
R
m
\pmb{\textrm R}^m
Rm 中的列开始,而是从向量空间
V
\pmb{\textrm V}
V 的任意向量的集合
S
\pmb{\textrm S}
S 开始,为了得到
V
\pmb{\textrm V}
V 的子空间
SS
\pmb{\textrm {SS}}
SS,我们取该集合内向量所有的线性组合:
S
=
V
中的向量集合
(
不一定是子空间
)
SS
=
S
中向量所有的组合
(
一定是子空间
)
\pmb {\textrm S}=\pmb{\textrm V}\,中的向量集合(不一定是子空间)\kern 3pt\\\pmb{\textrm {SS}}=\pmb{\textrm S}\,中向量所有的组合(一定是子空间)
S=V中的向量集合(不一定是子空间)SS=S中向量所有的组合(一定是子空间)
SS = all c 1 v 1 + ⋯ c N v N = S 张成的 V 的子空间 \pmb{\textrm{SS}}=\textrm{all}\,\,\,c_1\boldsymbol v_1+\cdots c_N\boldsymbol v_N=\pmb{\textrm S}\,张成的\,\pmb{\textrm V}\,的子空间 SS=allc1v1+⋯cNvN=S张成的V的子空间
当
S
\pmb{\textrm S}
S 是列的集合,
SS
\pmb{\textrm {SS}}
SS 就是列空间。如果
S
\pmb{\textrm S}
S 中仅有一个非零向量
v
\boldsymbol v
v,则子空间
SS
\pmb{\textrm {SS}}
SS 就是穿过
v
\boldsymbol v
v 的一条直线。
SS
\pmb{\textrm {SS}}
SS 永远是包含
S
\pmb{\textrm S}
S 的最小的子空间,这是创建子空间的基础方法。列张成(span)列空间。
子空间
SS
由
S
张成,它包含
S
中向量的所有线性组合
\pmb{子空间\,\pmb{\textrm {SS}}\,由\,\pmb{\textrm S}\,张成,它包含\,\pmb{\textrm S}\,中向量的所有线性组合}
子空间SS由S张成,它包含S中向量的所有线性组合【例5】描述下列矩阵的列空间,它们都是
R
2
\pmb{\textrm R}^2
R2 的子空间:
I
=
[
1
0
0
1
]
A
=
[
1
2
2
4
]
B
=
[
1
2
3
0
0
4
]
I=\begin{bmatrix}1&0\\0&1\end{bmatrix}\kern 10ptA=\begin{bmatrix}1&2\\2&4\end{bmatrix}\kern 10ptB=\begin{bmatrix}1&2&3\\0&0&4\end{bmatrix}
I=[1001]A=[1224]B=[102034]解:
I
I
I 的列空间是整个空间
R
2
\pmb{\textrm R}^2
R2,每一个向量都是
I
I
I 列的线性组合,用向量空间的语言来说,
C
(
I
)
\pmb{C}(I)
C(I) 是
R
2
\pmb{\textrm R}^2
R2。
A
A
A 的列空间只是一条直线,第二列
(
2
,
4
)
(2,4)
(2,4) 是第一列
(
1
,
2
)
(1,2)
(1,2) 的倍数。这两个向量虽然不一样,但是我们从整个空间上个来看,
(
1
,
2
)
(1,2)
(1,2),
(
2
,
4
)
(2,4)
(2,4) 以及其它的向量
(
c
,
2
c
)
(c,2c)
(c,2c) 都在这一条直线上。只有当
b
\boldsymbol b
b 在这条直线上时,
A
x
=
b
A\boldsymbol x=\boldsymbol b
Ax=b 才有解。
C
(
B
)
\pmb{C}(B)
C(B) 是
R
2
\pmb{\textrm R}^2
R2,对于每个
b
\boldsymbol b
b 都有解。向量
b
=
(
5
,
4
)
\boldsymbol b=(5,4)
b=(5,4) 是列
2
2
2 加上列
3
3
3,所以
x
\boldsymbol x
x 可以为
(
0
,
1
,
1
)
(0,1,1)
(0,1,1);同样的
(
5
,
4
)
(5,4)
(5,4) 也可以是
2
(
column
1
)
+
(
column
3
)
2(\textrm{column}\,\,1)+(\textrm{column}\,\,3)
2(column1)+(column3),所以另一个解
x
\boldsymbol x
x 是
(
2
,
0
,
1
)
(2,0,1)
(2,0,1)。这个矩阵的列空间与
I
I
I 的列空间相同——任意
b
\boldsymbol b
b 都可以。但是
x
\boldsymbol x
x 有额外的分量,有更多的解——有更多的组合可以得到
b
\boldsymbol b
b。
四、主要内容总结
- R n \pmb{\textrm R}^n Rn 包含所有有 n n n 个实数分量的列向量。
- M \pmb{\textrm M} M( 2 × 2 2\times2 2×2 的矩阵), F \pmb{\textrm F} F(函数)和 Z \pmb{\textrm Z} Z(单独的零向量)都是向量空间。
- 包含 v \boldsymbol v v 和 w \boldsymbol w w 的子空间也必须包含它们所有的线性组合 c v + d w c\boldsymbol v+d\boldsymbol w cv+dw。
- A A A 列的线性组合形成列空间 C ( A ) \pmb C(A) C(A),列空间是由列张成的。
- 当且仅当 b \boldsymbol b b 在 A A A 的列空间中, A x = b A\boldsymbol x=\boldsymbol b Ax=b 有解: C ( A ) = 列的所有组合 = 所有向量 A x \pmb C(A)=列的所有组合=所有向量\,A\boldsymbol x C(A)=列的所有组合=所有向量Ax
五、例题
【例6】给出三个不同的向量
b
1
\boldsymbol b_1
b1,
b
2
\boldsymbol b_2
b2,
b
3
\boldsymbol b_3
b3,构建一个矩阵使得
A
x
=
b
1
A\boldsymbol x=\boldsymbol b_1
Ax=b1 和
A
x
=
b
2
A\boldsymbol x=\boldsymbol b_2
Ax=b2 有解,但是
A
x
=
b
3
A\boldsymbol x=\boldsymbol b_3
Ax=b3 无解。如何判断这个可能性?如何构建
A
A
A?
解: 若
b
1
\boldsymbol b_1
b1,
b
2
\boldsymbol b_2
b2 在
A
A
A 的列空间中,则
A
x
=
b
1
A\boldsymbol x=\boldsymbol b_1
Ax=b1 和
A
x
=
b
2
A\boldsymbol x=\boldsymbol b_2
Ax=b2 有解。最快的方法是使
b
1
\boldsymbol b_1
b1 和
b
2
\boldsymbol b_2
b2 称为
A
A
A 的两列,则解就是
x
=
(
1
,
0
)
\boldsymbol x=(1,0)
x=(1,0) 和
x
=
(
0
,
1
)
。
\boldsymbol x=(0,1)。
x=(0,1)。
若要
A
x
=
b
3
A\boldsymbol x=\boldsymbol b_3
Ax=b3 无解,则不能让列空间更大了,只需要列
b
1
\boldsymbol b_1
b1 和
b
2
\boldsymbol b_2
b2,则问题是:
A
x
=
[
b
1
b
2
]
[
x
1
x
2
]
是否有解?
b
3
是不是
b
1
和
b
2
的线性组合?
A\boldsymbol x=\begin{bmatrix}\boldsymbol b_1&\boldsymbol b_2\end{bmatrix}\begin{bmatrix}x_1&x_2\end{bmatrix}是否有解?\kern 10pt\boldsymbol b_3\,是不是\,\boldsymbol b_1\,和\,\boldsymbol b_2\,的线性组合?
Ax=[b1b2][x1x2]是否有解?b3是不是b1和b2的线性组合?如果这个问题的答案是否定的,则我们就可以得到想要的矩阵
A
A
A。如果这个答案是 “是”,那么就不可能得到这样的矩阵
A
A
A。如果列空间包含
b
1
\boldsymbol b_1
b1 和
b
2
\boldsymbol b_2
b2,那么也会包含它们所有的线性组合,因此,若
b
3
\boldsymbol b_3
b3 不在该列空间中,
A
x
=
b
3
A\boldsymbol x=\boldsymbol b_3
Ax=b3 就无解。
【例7】描述每个向量空间
V
\pmb{\textrm V}
V 的一个子空间
S
\pmb{\textrm S}
S,以及
S
\pmb{\textrm S}
S 的一个子空间
SS
\pmb{\textrm {SS}}
SS。
V
1
=
(
1
,
1
,
0
,
0
)
,
(
1
,
1
,
1
,
0
)
和
(
1
,
1
,
1
,
1
)
所有的线性组合
V
2
=
所有垂直于
u
=
(
1
,
2
,
1
)
的向量,所以有
u
⋅
v
=
0
V
3
=
所有
2
×
2
的对称矩阵
(
M
的子空间
)
V
4
=
方程
d
4
y
/
d
x
4
=
0
所有的解
(
F
的子空间
)
\pmb{\textrm V}_1=(1,1,0,0),(1,1,1,0)\,和\,(1,1,1,1)\,所有的线性组合\\\pmb{\textrm V}_2=所有垂直于\,\boldsymbol u=(1,2,1)\,的向量,所以有\,\boldsymbol u\cdot\boldsymbol v=0\kern 3pt\\\pmb{\textrm V}_3=所有\,2\times2\,的对称矩阵\,(\pmb{\textrm M}\,的子空间)\kern 62pt\\\pmb{\textrm V}_4=方程\,\textrm d^4y/\textrm dx^4=0\,所有的解\,(\pmb{\textrm F}\,的子空间)\kern 43pt
V1=(1,1,0,0),(1,1,1,0)和(1,1,1,1)所有的线性组合V2=所有垂直于u=(1,2,1)的向量,所以有u⋅v=0V3=所有2×2的对称矩阵(M的子空间)V4=方程d4y/dx4=0所有的解(F的子空间)用两种方式描述每个
V
\pmb{\textrm V}
V:“
⋯
\cdots
⋯ 的所有线性组合”
\kern 10pt
“方程
⋯
\cdots
⋯ 的所有解”
解:
V
1
\pmb{\textrm V}_1
V1 的一个子空间
S
\pmb{\textrm S}
S 是前两个向量
(
1
,
1
,
0
,
0
)
(1,1,0,0)
(1,1,0,0) 和
(
1
,
1
,
1
,
0
)
(1,1,1,0)
(1,1,1,0) 所有的线性组合;
S
\pmb{\textrm S}
S 的一个子空间
SS
\pmb{\textrm {SS}}
SS 是第一个向量所有的倍数
(
c
,
c
,
0
,
0
)
(c,c,0,0)
(c,c,0,0)。还有很多其它的可能。
V
2
\pmb{\textrm V}_2
V2 的一个子空间
S
\pmb{\textrm S}
S 是穿过
(
1
,
−
1
,
1
)
(1,-1,1)
(1,−1,1) 的直线,这条直线垂直于
u
\boldsymbol u
u。向量
x
=
(
0
,
0
,
0
)
\boldsymbol x=(0,0,0)
x=(0,0,0) 在
S
\pmb{\textrm S}
S 中,并且它所有的倍数
c
x
c\boldsymbol x
cx 可以得到最小的子空间
SS
=
Z
\pmb{\textrm {SS}}=\pmb{\textrm Z}
SS=Z。
对称矩阵
V
3
\pmb{\textrm V}_3
V3 的一个子空间是对角矩阵
S
\pmb{\textrm S}
S,单位矩阵的倍数
c
I
cI
cI 是对角矩阵的一个子空间
SS
\pmb{\textrm {SS}}
SS。
V
4
\pmb{\textrm V}_4
V4 包含所有的三次多项式
y
=
a
+
b
x
+
c
x
2
+
d
x
3
y=a+bx+cx^2+dx^3
y=a+bx+cx2+dx3,都满足
d
4
y
/
d
x
4
=
0
\textrm d^4y/\textrm dx^4=0
d4y/dx4=0。二次多项式是它的一个子空间
S
\pmb{\textrm S}
S,线性(一次)多项式是
S
\pmb{\textrm S}
S 的一个子空间
SS
\pmb{\textrm {SS}}
SS,常数可以是
SSS
\pmb{\textrm {SSS}}
SSS。
上面所有
4
4
4 个向量空间都可以选择
S
=
V
\pmb{\textrm S}=\pmb{\textrm V}
S=V(它本身),
SS
=
Z
\pmb{\textrm {SS}}=\pmb{\textrm Z}
SS=Z(零子空间)。
每个
V
\pmb{\textrm V}
V 都可以描述为两种形式:
V
1
=
3
个向量的所有线性组合
V
1
=
所有的
v
1
−
v
2
=
0
的解
(
v
=
(
v
1
,
v
2
,
v
3
,
v
4
)
)
V
2
=
(
1
,
0
,
−
1
)
和
(
1
,
−
1
,
1
)
所有的线性组合
V
2
=
所有的
u
⋅
v
=
0
的解
V
3
=
[
1
0
0
0
]
,
[
0
1
1
0
]
,
[
0
0
0
1
]
所有线性组合
V
3
=
所有的
b
=
c
时
[
a
b
c
d
]
的解
V
4
=
1
,
x
,
x
2
,
x
3
所有的线性组合
V
4
=
所有的
d
4
y
/
d
x
4
的解
\begin{matrix}\pmb{\textrm V}_1=3\,个向量的所有线性组合\kern 66pt&\pmb{\textrm V}_1=所有的\,v_1-v_2=0\,的解(\boldsymbol v=(v_1,v_2,v_3,v_4))\\\pmb{\textrm V}_2=(1,0,-1)\,和\,(1,-1,1)\,所有的线性组合\kern 8pt&\pmb{\textrm V}_2=\,所有的\,\boldsymbol u\cdot\boldsymbol v=0\,的解\kern 97pt\\\pmb{\textrm V}_3=\begin{bmatrix}1&0\\0&0\end{bmatrix},\begin{bmatrix}0&1\\1&0\end{bmatrix},\begin{bmatrix}0&0\\0&1\end{bmatrix}所有线性组合&\pmb{\textrm V}_3=\,所有的\,b=c\,时\begin{bmatrix}a&b\\c&d\end{bmatrix}的解\kern 66pt\\\pmb{\textrm V}_4=1,x,x^2,x^3\,所有的线性组合\kern 55pt&\pmb{\textrm V}_4=所有的\,\textrm d^4y/\textrm dx^4\,的解\kern 100pt\end{matrix}
V1=3个向量的所有线性组合V2=(1,0,−1)和(1,−1,1)所有的线性组合V3=[1000],[0110],[0001]所有线性组合V4=1,x,x2,x3所有的线性组合V1=所有的v1−v2=0的解(v=(v1,v2,v3,v4))V2=所有的u⋅v=0的解V3=所有的b=c时[acbd]的解V4=所有的d4y/dx4的解