线性空间
V V V非空集合, F F F数域,在集合 V V V中定义两种代数运算加法 + + + 与数乘 ⋅ \cdot ⋅ ,且满足运算律
- 加法交换律 α + β = β + α \alpha+\beta=\beta+\alpha α+β=β+α
- 加法结合律 ( α + β ) + γ = α + ( β + γ ) (\alpha+\beta)+\gamma=\alpha+(\beta+\gamma) (α+β)+γ=α+(β+γ)
- 零元素 ∃ 0 ∈ V , 使 得 ∀ α ∈ V 有 α + 0 = α \exists 0 \in V,使得 \forall \alpha \in V 有 \alpha + 0 = \alpha ∃0∈V,使得∀α∈V有α+0=α
- 负元素 ∀ α ∈ V , 都 存 在 β 使 得 α + β = 0 \forall \alpha \in V,都存在\beta使得\alpha + \beta =0 ∀α∈V,都存在β使得α+β=0
- 1 ⋅ α = α 1\cdot \alpha = \alpha 1⋅α=α
- 乘法结合律 k ( l α ) = ( k l ) α k(l\alpha)=(kl)\alpha k(lα)=(kl)α
- 分配律 ( k + l ) α = k α + l α (k+l)\alpha=k\alpha + l\alpha (k+l)α=kα+lα
- 分配律 k ( α + β ) = k α + k β k(\alpha + \beta) = k\alpha +k\beta k(α+β)=kα+kβ
k , l ∈ F k,l\in F k,l∈F
称 V V V为数域 F F F上线性空间
常见线性空间
- 向量空间
- 函数空间
- 矩阵空间
- 多项式空间
相关概念
- 线性表出
α = k 1 β 1 + . . . + k n β n \alpha=k_{1}\beta_{1}+...+k_{n}\beta_{n} α=k1β1+...+knβn - 线性相关
0 = k 1 β 1 + . . . + k n β n k 1 . . . k n ≠ 0 0=k_{1}\beta_{1}+...+k_{n}\beta_{n}\\ k_{1}...k_{n}\neq 0 0=k1β1+...+knβnk1...kn=0 - 线性无关
不线性相关 - 极大线性无关组
向量组中存在一组向量线性无关,且每一个向量都能被无关组中向量线性表出
与向量组等价 - 秩
极大无关组向量个数
基本性质
- 含零向量的向量组线性相关
- 整体无关 ⇒ \Rightarrow ⇒部分无关,部分相关 ⇒ \Rightarrow ⇒整体相关
- 向量多的向量组可由向量少的向量组线性表出,那么向量多的向量组必线性相关
- 秩唯一但极大无关组不唯一
- 向量组(Ⅰ)可由向量组(Ⅱ)线性表出,向量组(Ⅰ)的秩 ≤ \leq ≤ 向量组(Ⅱ)的秩
- 等价向量组秩相同
基底 & 坐标 & 维度
V
V
V为
F
F
F线性空间,若
V
V
V中存在
n
n
n个线性无关向量
α
1
,
.
.
.
,
α
n
\alpha_{1},...,\alpha_{n}
α1,...,αn,使得任意向量都可由
α
1
,
.
.
.
,
α
n
\alpha_{1},...,\alpha_{n}
α1,...,αn线性表出,即
α
=
k
1
α
1
+
.
.
.
+
k
n
α
n
\alpha=k_{1}\alpha_{1}+...+k_{n}\alpha_{n}
α=k1α1+...+knαn
称
α
1
,
.
.
.
,
α
n
\alpha_{1},...,\alpha_{n}
α1,...,αn为基底,
(
k
1
,
.
.
.
,
k
n
)
T
(k_{1},...,k_{n})^{T}
(k1,...,kn)T为基底下坐标,称
V
V
V为
n
n
n维线性空间,记为
d
i
m
V
=
n
dimV=n
dimV=n
我们研究的线性空间为有限维的
基变换
设
α
1
,
.
.
.
,
α
n
\alpha_{1},...,\alpha_{n}
α1,...,αn和
β
1
,
.
.
.
,
β
n
\beta_{1},...,\beta_{n}
β1,...,βn为
n
n
n维线性空间
V
V
V的两组基底,关系为
β
i
=
[
α
1
,
.
.
.
,
α
n
]
[
α
1
i
.
.
.
α
n
i
]
,
i
=
1
,
.
.
.
,
n
\beta_{i}=[\alpha_{1},...,\alpha_{n}] \begin{bmatrix} \alpha_{1i} \\ ... \\ \alpha_{ni} \end{bmatrix} ,i=1,...,n
βi=[α1,...,αn]⎣⎡α1i...αni⎦⎤,i=1,...,n
矩阵化则有
[
β
1
,
.
.
.
,
β
n
]
=
[
α
1
,
.
.
.
,
α
n
]
[
a
11
.
.
.
a
1
n
⋮
⋱
⋮
a
n
1
.
.
.
a
n
n
]
[\beta_{1},...,\beta_{n}] =[\alpha_{1},...,\alpha_{n}] \begin{bmatrix} a_{11} & ... & a_{1n}\\ \vdots & \ddots & \vdots\\ a_{n1} & ... & a_{nn} \end{bmatrix}
[β1,...,βn]=[α1,...,αn]⎣⎢⎡a11⋮an1...⋱...a1n⋮ann⎦⎥⎤
n
n
n阶方阵称过渡矩阵
P
P
P
过渡矩阵
P
P
P可逆
坐标变换
∀
ξ
∈
V
\forall \xi \in V
∀ξ∈V,在两组基下坐标分别为
[
x
1
,
.
.
.
,
x
n
]
T
[x_{1},...,x_{n}]^{T}
[x1,...,xn]T和
[
y
1
,
.
.
.
,
y
n
]
T
[y_{1},...,y_{n}]^{T}
[y1,...,yn]T,则有
[
x
1
,
.
.
.
,
x
n
]
T
=
P
[
y
1
,
.
.
.
,
y
n
]
T
[x_{1},...,x_{n}]^{T}=P[y_{1},...,y_{n}]^{T}
[x1,...,xn]T=P[y1,...,yn]T
线性子空间
设
V
V
V为数域
F
F
F上的一个
n
n
n维子空间,
W
W
W为
V
V
V的一个非空子集合,若对
∀
α
,
β
∈
W
\forall \alpha,\beta\in W
∀α,β∈W以及
∀
k
,
l
∈
F
\forall k , l \in F
∀k,l∈F有
k
α
+
l
β
∈
W
k\alpha+l\beta \in W
kα+lβ∈W
称
W
W
W为
V
V
V的子空间
平凡子空间
线性空间 V V V和 0 {0} 0称平凡子空间
生成子空间
s p a n { α 1 , . . . , α s } span\{\alpha_{1},...,\alpha_{s}\} span{α1,...,αs}
子空间的交 & 和
- V 1 ∩ V 2 V_{1} \cap V_{2} V1∩V2
-
V
1
+
V
2
V_{1} + V_{2}
V1+V2
子空间的交空间与和空间都构成 V V V的子空间
d i m V 1 + d i m V 2 = d i m ( V 1 + V 2 ) + d i m ( V 1 ∩ V 2 ) dimV_{1} + dimV_{2} = dim(V_{1} + V_{2}) + dim(V_{1} \cap V_{2}) dimV1+dimV2=dim(V1+V2)+dim(V1∩V2)
线性映射
设
V
1
,
V
2
V_{1} , V_{2}
V1,V2是数域
F
F
F上两个线性空间,映射
ϕ
:
V
1
→
V
2
\phi : V_{1} \rightarrow V_{2}
ϕ:V1→V2,对于
V
1
V_{1}
V1任何两个向量
α
1
,
α
2
\alpha_{1} , \alpha_{2}
α1,α2和任何数
λ
∈
F
\lambda \in F
λ∈F都有
ϕ
(
α
1
+
α
2
)
=
ϕ
(
α
1
)
+
ϕ
(
α
1
)
ϕ
(
λ
α
1
)
=
λ
ϕ
(
α
1
)
\phi(\alpha_{1}+\alpha_{2})=\phi(\alpha_{1})+\phi(\alpha_{1})\\ \phi(\lambda \alpha_{1})=\lambda\phi(\alpha_{1})
ϕ(α1+α2)=ϕ(α1)+ϕ(α1)ϕ(λα1)=λϕ(α1)
称映射
ϕ
\phi
ϕ是由
V
1
V_{1}
V1到
V
2
V_{2}
V2的线性映射。称
α
\alpha
α为
ϕ
(
α
)
\phi(\alpha)
ϕ(α)原像,
ϕ
(
α
)
\phi(\alpha)
ϕ(α)为
α
\alpha
α的像
性质
- ϕ ( 0 ) = 0 \phi(0)=0 ϕ(0)=0
- ϕ ( ∑ k i α i ) = ∑ k i ϕ ( α i ) \phi(\sum k_{i}\alpha_{i})=\sum k_{i}\phi(\alpha_{i}) ϕ(∑kiαi)=∑kiϕ(αi)
- 设 α 1 , . . . , α s ∈ V \alpha_{1},...,\alpha_{s}\in V α1,...,αs∈V且线性相关,则 ϕ ( α 1 ) , . . . , ϕ ( α s ) \phi(\alpha_{1}),...,\phi(\alpha_{s}) ϕ(α1),...,ϕ(αs)线性相关
值域
设
ϕ
\phi
ϕ为
V
1
V_{1}
V1到
V
2
V_{2}
V2的线性映射
令
ϕ
(
V
1
)
=
{
β
=
ϕ
(
α
)
∈
V
2
,
∀
α
∈
V
1
}
\phi(V_{1})=\{ \beta = \phi(\alpha) \in V_{2} , \forall \alpha \in V_{1} \}
ϕ(V1)={β=ϕ(α)∈V2,∀α∈V1}
则
ϕ
(
V
1
)
\phi(V_{1})
ϕ(V1)为
V
2
V_{2}
V2线性子空间,称线性映射
ϕ
\phi
ϕ的值域,记为
R
(
ϕ
)
R(\phi)
R(ϕ)
核子空间
令
N
(
ϕ
)
=
ϕ
−
1
(
0
)
=
{
α
∈
V
1
∣
ϕ
(
α
)
=
0
}
N(\phi)=\phi^{-1}(0)=\{\alpha \in V_{1} | \phi(\alpha)=0\}
N(ϕ)=ϕ−1(0)={α∈V1∣ϕ(α)=0}
则
N
(
ϕ
)
N(\phi)
N(ϕ)为
V
1
V_{1}
V1线性子空间,称线性映射
ϕ
\phi
ϕ的核子空间,
d
i
m
N
(
ϕ
)
dimN(\phi)
dimN(ϕ)称为
ϕ
\phi
ϕ的零度
秩与零度定理
设
ϕ
\phi
ϕ是
n
n
n维线性空间
V
1
V_{1}
V1到
m
m
m维线性空间
V
2
V_{2}
V2的线性映射,那么
d
i
m
R
(
ϕ
)
+
d
i
m
N
(
ϕ
)
=
n
dimR(\phi)+dimN(\phi)=n
dimR(ϕ)+dimN(ϕ)=n
线性变换
设 ϕ \phi ϕ为 V V V到 V V V的一个线性映射,称 ϕ \phi ϕ是线性空间 V V V的线性变换
例如微分变换
相似
设
ϕ
\phi
ϕ为
V
V
V的线性变换,
α
1
,
.
.
.
,
α
n
\alpha_{1},...,\alpha_{n}
α1,...,αn与
β
1
,
.
.
.
,
β
n
\beta_{1},...,\beta_{n}
β1,...,βn是
V
V
V的两组基。由
{
α
i
}
\{\alpha_{i}\}
{αi}到
{
β
i
}
\{\beta_{i}\}
{βi}的过渡矩阵为
P
P
P,
ϕ
\phi
ϕ在基
α
1
,
.
.
.
,
α
n
\alpha_{1},...,\alpha_{n}
α1,...,αn下的矩阵为
A
A
A,在基
β
1
,
.
.
.
,
β
n
\beta_{1},...,\beta_{n}
β1,...,βn下的矩阵为
B
B
B,则
B
=
P
−
1
A
P
B=P^{-1}AP
B=P−1AP
且
A
A
A与
B
B
B相似,记为
B
A
B~A
B A
特征值 & 特征向量
设
A
A
A为
n
n
n阶方阵。若存在数
λ
\lambda
λ及
n
n
n元非零列向量
X
X
X,使得
A
X
=
λ
X
或
(
λ
I
−
A
)
X
=
0
AX=\lambda X 或 (\lambda I-A)X=0
AX=λX或(λI−A)X=0
则称
λ
\lambda
λ为矩阵
A
A
A特征值,
X
X
X为矩阵
A
A
A的属于特征值
λ
\lambda
λ的特征向量
相关定义
- 设 A A A为数域 F F F的 n n n阶矩阵,矩阵 λ I − A \lambda I-A λI−A称为 A A A特征矩阵
- 行列式
∣ λ I − A ∣ = ∣ λ − a 11 − a 12 . . . − a 1 n − a 21 λ − a 22 . . . − a 2 n ⋮ ⋮ ⋱ ⋮ − a n 1 − a n 2 . . . λ − a m ∣ |\lambda I-A|= \begin{vmatrix} \lambda -a_{11} & -a_{12} & ... & -a_{1n}\\ -a_{21} & \lambda-a_{22} & ... & -a_{2n}\\ \vdots & \vdots & \ddots & \vdots\\ -a_{n1} & -a_{n2} & ... & \lambda-a_{m} \end{vmatrix} ∣λI−A∣=∣∣∣∣∣∣∣∣∣λ−a11−a21⋮−an1−a12λ−a22⋮−an2......⋱...−a1n−a2n⋮λ−am∣∣∣∣∣∣∣∣∣
称为 A A A特征多项式 -
n
n
n次代数方程
∣
λ
I
−
A
∣
=
0
|\lambda I-A|=0
∣λI−A∣=0称为
A
A
A特征方程
根称为 A A A的特征根(特征值) - 矩阵所有特征根全体称 A A A的谱,记为 σ ( A ) \sigma(A) σ(A)
- ( λ I − A ) X = 0 (\lambda I-A)X=0 (λI−A)X=0称特征方程组
性质
- ∣ A ∣ = λ 1 . . . λ n |A|=\lambda_{1}...\lambda_{n} ∣A∣=λ1...λn
矩阵可逆充要条件为所有特征值都不为零
- ∑ i = 1 n a i i = ∑ i = 1 n λ i \sum_{i=1}^{n} a_{ii}=\sum_{i=1}^{n} \lambda_{i} ∑i=1naii=∑i=1nλi
- 若
A
A
A特征值为
λ
\lambda
λ,
X
X
X是
A
A
A对应于
λ
\lambda
λ的特征向量,则
- k A kA kA特征值为 k λ k\lambda kλ
- A m A^{m} Am特征值为 λ m \lambda^{m} λm
- 若 A A A可逆,则 A − 1 A^{-1} A−1特征值为 λ − 1 \lambda^{-1} λ−1
- f ( x ) f(x) f(x)为 x x x多项式,则 f ( x ) f(x) f(x)特征值为 f ( λ ) f(\lambda) f(λ)
- X X X仍为矩阵 k A , A m , A − 1 , f ( A ) kA,A^{m},A^{-1},f(A) kA,Am,A−1,f(A)分别对应于 k λ , λ m , λ − 1 , f ( λ ) k\lambda,\lambda^{m},\lambda^{-1},f(\lambda) kλ,λm,λ−1,f(λ)的特征向量
特征子空间
n
n
n阶矩阵
A
A
A的对应特征值
λ
0
\lambda_{0}
λ0的全部特征向量再添上零向量,可以组成
R
n
R^{n}
Rn的子空间,称为矩阵
A
A
A属于特征值
λ
0
\lambda_{0}
λ0的特征子空间,记为
V
λ
0
V_{\lambda_{0}}
Vλ0,不难看出
V
λ
0
V_{\lambda_{0}}
Vλ0为特征方程组
(
λ
0
I
−
A
)
X
=
0
(\lambda_{0}I-A)X=0
(λ0I−A)X=0
的解空间
代数重复度
设
λ
1
,
.
.
.
,
λ
r
\lambda_{1},...,\lambda_{r}
λ1,...,λr为
r
r
r个互不相同的特征值,对应重数为
p
1
,
.
.
.
,
p
r
p_{1},...,p_{r}
p1,...,pr,称
p
i
p_{i}
pi为
λ
i
\lambda_{i}
λi代数充重复度
∣
λ
I
−
A
∣
=
(
λ
−
λ
1
)
p
1
.
.
.
(
λ
−
λ
r
)
p
r
|\lambda I-A|=(\lambda-\lambda_{1})^{p_{1}}...(\lambda-\lambda_{r})^{p_{r}}
∣λI−A∣=(λ−λ1)p1...(λ−λr)pr
几何重复度
特征子空间
V
λ
0
V_{\lambda_{0}}
Vλ0的维数
q
i
q_{i}
qi为
λ
i
\lambda_{i}
λi的几何重复度
q
i
=
n
−
r
a
n
k
(
λ
i
I
−
A
)
q_{i}=n-rank(\lambda_{i}I-A)
qi=n−rank(λiI−A)
性质
- 属于不同特征值的特征向量线性无关
- 设 λ 1 , . . . , λ r \lambda_{1},...,\lambda_{r} λ1,...,λr为 A A A的 r r r个互不相同的特征值。 q i q_{i} qi是 λ i \lambda_{i} λi几何重复度, α i 1 , . . . , α i q i \alpha_{i1},...,\alpha_{iq_{i}} αi1,...,αiqi是对应于 λ i \lambda_{i} λi的 q i q_{i} qi个线性无关特征向量,则 A A A所有特征向量 α 11 , . . . , α 1 q 1 \alpha_{11},...,\alpha_{1q_{1}} α11,...,α1q1,…, α r 1 ; . . . ; α r q r \alpha_{r1};...;\alpha_{rq_{r}} αr1;...;αrqr都线性无关
- 一个特征向量不属于不同特征值
- A A A任意特征值 λ i \lambda_{i} λi几何重复度 q i q_{i} qi不大于代数重复度 p i p_{i} pi
相似矩阵
性质
相似矩阵有相同
- 特征多项式
- 特征值
- 行列式值
- 秩
- 迹
- 谱
可对角化条件
可对角化
n n n阶矩阵 A A A与对角矩阵相似,则称 A A A可对角化,也称 A A A为单纯矩阵
条件
- n n n阶矩阵 A A A可对角化的充要条件为 n n n个线性无关特征向量
- n n n阶矩阵 A A A可对角化的充要条件每个特征值的几何重复度等于代数重复度
- 若 n n n阶矩阵有 n n n互异特征值(特征多项式无重根),则 A A A可相似对角化
同时对角化
- 设 A ∈ C n × n , B ∈ C m × m A \in C^{n\times n} , B \in C^{m\times m} A∈Cn×n,B∈Cm×m,且 C = [ A 0 0 B ] C= \begin{bmatrix} A & 0\\ 0 & B \end{bmatrix} C=[A00B],则 C C C可对角化充要条件为 A , B A,B A,B都可对角化
- 设 A , B ∈ C n × n A,B\in C^{n\times n} A,B∈Cn×n都可对角化,则 A , B A,B A,B同时对角化充要条件为 A B = B A AB=BA AB=BA