向量空间
整理了《线性代数及其应用》David C.Lay一书中第四章向量空间的有关定义、公理,以及从定义和公理出发推导得到的定理。当做一个小字典吧。
1 向量空间与子空间
向量空间定义:一个向量空间是由一些被称为向量的对象构成的非空集合 V V V,在这个集合上定义了两个运算,称为加法和标量乘法(标量取实数),服从以下公理(或法则),这些公理必须对 V V V中所有向量 u , v , w u,v,w u,v,w及所有标量(或称数) c c c和 d d d均成立。
- u , v u,v u,v之和(表示为 u + v u+v u+v)属于 V V V
- u + v = v + u u+v=v+u u+v=v+u
- ( u + v ) + w = u + ( v + w ) (u+v)+w=u+(v+w) (u+v)+w=u+(v+w)
- V V V中存在一个零向量 0 0 0,使得 u + 0 = 0 u+0=0 u+0=0
- 对 V V V中每个向量 u u u,存在 V V V中一个向量 − u -u −u,使得 u + ( − u ) = 0 u+(-u)=0 u+(−u)=0
- u u u与标量 c c c的乘法标量(记为 c u cu cu)属于 V V V
- c ( u + v ) = c u + c v c(u+v)=cu+cv c(u+v)=cu+cv
- ( c + d ) u = c u + d u (c+d)u=cu+du (c+d)u=cu+du
- c ( d u ) = ( c d ) u c(du)=(cd)u c(du)=(cd)u
- 1 u = u 1u=u 1u=u
子空间定义:向量空间 V V V的一个子空间是 V V V的一个满足以下三个性质的子集 H H H:
- V V V中的零向量在 H H H中
- H H H对向量加法封闭,即对 H H H中任意向量 u , v u,v u,v,和 u + v u+v u+v仍在 H H H中
- H H H对标量乘法封闭,即对 H H H中任意向量 u u u和任意标量 c c c,向量 c u cu cu仍在 H H H中
定理1:若 v 1 , ⋯ , v p v_1,\cdots,v_p v1,⋯,vp在向量空间 V V V中,则 s p a n { v 1 , ⋯ , v p } span\{v_1,\cdots,v_p\} span{v1,⋯,vp}是 V V V的一个子空间。
2 零空间、列空间、线性变换
矩阵的零空间定义:矩阵
A
A
A的零空间写成
N
u
l
A
Nul\ A
Nul A,是齐次线性方程
A
x
=
0
Ax=0
Ax=0的全体解的集合。用集合符号表示,即:
N
u
l
A
=
{
x
:
x
∈
R
n
,
A
x
=
0
}
Nul\ A=\{x:x\in \Bbb R^n, Ax=0\}
Nul A={x:x∈Rn,Ax=0}
定理2:
m
∗
n
m*n
m∗n矩阵
A
A
A的零空间是
R
n
R^n
Rn的一个子空间。等价地,
m
m
m个方程、
n
n
n个未知数的其次线性方程组
A
x
=
0
Ax=0
Ax=0的全体解的集合是
R
n
R^n
Rn的一个子空间。
矩阵的列空间定义: m ∗ n m*n m∗n矩阵 A A A的列空间(记为 C o l A Col\ A Col A)是由 A A A的列的所有线性组合组成的集合。若 A = [ a 1 , ⋯ , a n ] A=[a_1,\cdots,a_n] A=[a1,⋯,an],则 C o l A = S p a n { a 1 , ⋯ , a n } Col\ A=Span\{a_1,\cdots,a_n\} Col A=Span{a1,⋯,an}
定理3: m ∗ n m*n m∗n矩阵 A A A的列空间是 R m R^m Rm的一个子空间。
线性变换定义:由向量空间 V V V映射到向量空间 W W W内的线性变换 T T T是一个规则,它将 V V V中每个向量 x x x映射成 W W W中唯一向量 T ( x ) T(x) T(x),且满足:
- T ( u + v ) = T ( u ) + T ( v ) T(u+v)=T(u)+T(v) T(u+v)=T(u)+T(v),对 V V V中所有 u , v u,v u,v都成立
- T ( c u ) = c T ( u ) T(cu)=cT(u) T(cu)=cT(u),对 V V V中所有 u u u及所有数 c c c均成立
线性变换 T T T的核(或零空间)是 V V V中所有满足 T ( u ) = 0 T(u)=0 T(u)=0的向量 u u u的集合( 0 0 0为 W W W中的零向量), T T T的值域是 W W W中所有具有形式 T ( x ) T(x) T(x)(任意 x ∈ V x\in V x∈V)的向量的集合。如果 T T T是由一个矩阵变换得到的,比如对某矩阵 A A A, T ( x ) = A x T(x)=Ax T(x)=Ax,则 T T T的核与值域恰好是 A A A的零空间和列空间。
3 线性无关集和基
定理4:两个或多个向量组成的有编号的向量集合 { v 1 , ⋯ , v p } \{v_1,\cdots,v_p\} {v1,⋯,vp}(如果 v 1 ≠ 0 v_1\ne 0 v1=0)是线性相关的,当且仅当某 v j ( j > 1 ) v_j(j\gt 1) vj(j>1)是其前面向量 v 1 , ⋯ , v j − 1 v_1,\cdots,v_{j-1} v1,⋯,vj−1的线性组合。
基定义:令 H H H是向量空间 V V V的一个子空间, V V V中向量的指标集 B = { b 1 , ⋯ , b p } B=\{b_1,\cdots,b_p\} B={b1,⋯,bp}称为 H H H的一个基,如果:
- B B B是一个线性无关集。
- 由 B B B生成的子空间与 H H H相同,即 H = S p a n { b 1 , ⋯ , b p } H=Span\{b_1,\cdots,b_p\} H=Span{b1,⋯,bp}
定理5(生成集定理):令 S = { v 1 , ⋯ , v p } S=\{v_1,\cdots,v_p\} S={v1,⋯,vp}是 V V V中的向量集, H = S p a n { v 1 , ⋯ , v p } H=Span\{v_1,\cdots,v_p\} H=Span{v1,⋯,vp}:
- 若 S S S中某一个向量(比如说 v k v_k vk)是 S S S中其余向量的线性组合,则 S S S中去掉 v k v_k vk后形成的集合仍然可以生成 H H H
- 若 H ≠ { 0 } H\ne \{0\} H={0},则 S S S的某一子集是 H H H的一个基
定理6:矩阵 A A A的主元列构成 C o l A Col\ A Col A的一个基
4 坐标系
定理7(唯一表示定理):令
B
=
{
b
1
,
⋯
,
b
p
}
B=\{b_1,\cdots,b_p\}
B={b1,⋯,bp}是向量空间
V
V
V的一个基,则对
V
V
V中每个向量
x
x
x,存在唯一的一组数
c
1
,
⋯
,
c
n
c_1,\cdots,c_n
c1,⋯,cn使得:
x
=
c
1
b
1
+
⋯
+
c
n
b
n
x=c_1b_1+\cdots +c_nb_n
x=c1b1+⋯+cnbn
定义,假设
B
=
{
b
1
,
⋯
,
b
n
}
B=\{b_1,\cdots,b_n\}
B={b1,⋯,bn}是
V
V
V的一个基,
x
x
x在
V
V
V中,
x
x
x相对于基
B
B
B的坐标(或
x
x
x的
B
B
B-坐标)是使得
x
=
c
1
b
1
+
⋯
+
c
n
b
n
x=c_1b_1+\cdots +c_nb_n
x=c1b1+⋯+cnbn的权
c
1
,
⋯
,
c
n
c_1,\cdots,c_n
c1,⋯,cn。
若
c
1
,
⋯
,
c
n
c_1,\cdots,c_n
c1,⋯,cn是
x
x
x的
B
B
B-坐标,则
R
n
\Bbb R^n
Rn中的向量:
[
x
]
B
=
[
c
1
⋯
c
n
]
[x]_B=\begin{bmatrix}c_1\\ \cdots \\ c_n\end{bmatrix}
[x]B=⎣⎡c1⋯cn⎦⎤
是
x
x
x(相对于
B
B
B)的坐标向量或
x
x
x的
B
B
B-坐标向量,映射
x
↦
[
x
]
B
x\mapsto[x]_B
x↦[x]B称为(由
B
B
B确定的)坐标映射。
定理8:令 B = { b 1 , ⋯ , b n } B=\{b_1,\cdots,b_n\} B={b1,⋯,bn}是向量空间 V V V的一个基,则坐标映射 x ↦ [ x ] B x\mapsto[x]_B x↦[x]B是一个由 V V V映射上到 R n \Bbb R^n Rn的一对一的线性变换。
5 向量空间的维数
定理9:若向量空间 V V V具有一组基 B = { b 1 , ⋯ , b n } B=\{b_1,\cdots,b_n\} B={b1,⋯,bn},则 V V V中任意包含多于 n n n个向量的集合一定线性相关。
定理10:若向量空间 V V V有一组基含有 n n n个向量,则 V V V的每一组基一定恰好含有 n n n个向量。
定义:若 V V V由一个有限集生成,则 V V V称为有限维的, V V V的维数写成 d i m V dim\ V dim V,是 V V V的基中向量的个数,零向量空间 { 0 } \{0\} {0}的维数定义为零,如果 V V V不是由一有限集生成,则 V V V称为无穷维的。
定理11:令
H
H
H是有限向量空间
V
V
V的子空间,若有必要的话,
H
H
H中任一一个线性无关集均可以扩充成为
H
H
H的一个基。
H
H
H也是有限维的并且:
d
i
m
H
≤
d
i
m
V
dim\ H\le dim\ V
dim H≤dim V
定理12(基定理):令 V V V是一个 p p p维向量空间, p ≥ 1 p\ge 1 p≥1, V V V中任意含有 p p p个元素的线性无关集必然是 V V V的一个基。任意含有 p p p个元素且生成 V V V的集合自然是 V V V的一个基。
N u l A Nul\ A Nul A的维数是方程 A x = 0 Ax=0 Ax=0中自由变量的个数, C o l A Col\ A Col A的维数是 A A A中主元列的个数。
6 秩
矩阵行空间定义:若 A A A是一个 m ∗ n m*n m∗n矩阵, A A A的每一行具有 n n n个元素,即可以视为 R n \Bbb R^n Rn中一个向量,其行向量的所有线性组合的集合称为 A A A的行空间,记为 R o w A Row\ A Row A,也可以用 C o l A T Col\ A^T Col AT代替。
定理13:若两个矩阵 A A A和 B B B行等价,则它们的行空间相同。若 B B B是阶梯形矩阵,则 B B B的非零行构成 A A A的行空间的一个基同时也是 B B B的行空间的一个基。
秩定义: A A A的秩即 A A A的列空间的维数。
定理14(秩定理):
m
∗
n
m*n
m∗n矩阵
A
A
A的列空间和行空间的维数相等,这个公共的维数(即
A
A
A的秩)还等于
A
A
A的主元位置的个数且满足方程:
r
a
n
k
A
+
d
i
m
N
u
l
A
=
n
rank\ A + dim \ Nul\ A = n
rank A+dim Nul A=n
秩和可逆矩阵定理:令 A A A是一个 n ∗ n n*n n∗n矩阵,则下列命题中的每一个均等价于 A A A是可逆矩阵:
- A A A的列构成 R n \Bbb R^n Rn的一个基
- C o l A = R n Col\ A = \Bbb R^n Col A=Rn
- d i m C o l A = n dim\ Col\ A=n dim Col A=n
- r a n k A = n rank\ A = n rank A=n
- N u l A = { 0 } Nul\ A=\{0\} Nul A={0}
- d i m N u l A = 0 dim\ Nul\ A=0 dim Nul A=0
7 基的变换
定理15:设
B
=
{
b
1
,
⋯
,
b
n
}
B=\{b_1,\cdots,b_n\}
B={b1,⋯,bn}和
C
=
{
c
1
,
⋯
,
c
n
}
C=\{c_1,\cdots,c_n\}
C={c1,⋯,cn}是向量空间
V
V
V的基,则存在一个
n
∗
n
n*n
n∗n矩阵
P
C
←
B
\mathop{P}\limits_{C\leftarrow B}
C←BP,使得:
[
x
]
C
=
P
C
←
B
[
x
]
B
[x]_C=\mathop{P}\limits_{C\leftarrow B}[x]_B
[x]C=C←BP[x]B
P
C
←
B
\mathop{P}\limits_{C\leftarrow B}
C←BP的列是基
B
B
B中向量的
C
C
C-坐标向量,即:
P
C
←
B
=
[
[
b
1
]
C
[
b
2
]
C
⋯
[
b
n
]
C
]
\mathop{P}\limits_{C\leftarrow B}=\begin{bmatrix}[b_1]_C&[b_2]_C&\cdots &[b_n]_C\end{bmatrix}
C←BP=[[b1]C[b2]C⋯[bn]C]
P
C
←
B
\mathop{P}\limits_{C\leftarrow B}
C←BP称为由
B
B
B到
C
C
C的坐标变换矩阵。