一、线性空间和子空间的基本概念
数域:对加减乘除运算封闭,包含0,1的所有数称为数域。
线性空间:设V是一个非空集合,P是一个数域,在V中定义了一种代数运算加法,使得对于V中任意两元 α , β \alpha,\beta α,β,在V中都有唯一的一个元 v v v与之对应,称为 v v v为 α \alpha α与 β \beta β的和,记 v = α + β v=\alpha+\beta v=α+β。在P中还对应一种数乘运算,对于P中任一数 k k k与V中任一元 α \alpha α相乘,在V中都有唯一元 δ \delta δ与之对应,记为 δ = k ∗ α \delta=k*\alpha δ=k∗α。如果加法与数乘满足下列规则:
- α + β = β + α \alpha+\beta=\beta+\alpha α+β=β+α
- ( α + β ) + v = α + ( β + v ) (\alpha+\beta)+v=\alpha+(\beta+v) (α+β)+v=α+(β+v)
- ∃ 0 ∈ V , ∀ α ∈ V , α + 0 = α \exist 0 \in V, \forall \alpha \in V, \alpha+0=\alpha ∃0∈V,∀α∈V,α+0=α,这里0元素不一定是数值上的1,不同空间有不同的零元素。
- ∀ α ∈ V , ∃ β ∈ V , α + β = 0 \forall \alpha \in V, \exist \beta \in V, \alpha+\beta=0 ∀α∈V,∃β∈V,α+β=0
- 1 α = α 1\alpha=\alpha 1α=α
- k ( l α ) = ( k l ) α k(l\alpha)=(kl)\alpha k(lα)=(kl)α
- ( k + l ) α = k α + l α (k+l)\alpha=k\alpha+l\alpha (k+l)α=kα+lα
-
k
(
α
+
β
)
=
k
α
+
k
β
k(\alpha+\beta)=k\alpha+k\beta
k(α+β)=kα+kβ
则称V是数域P上的线性空间(向量空间)。
TIPs:线性空间一定要满足加法和数乘这八条性质。线性空间对加法和数乘封闭。
线性空间维数定义:在线性空间V中存在n个线性无关的向量 α 1 , ⋯ , α n \alpha_1,\cdots,\alpha_n α1,⋯,αn,而V中任意n+1个向量都线性相关,则V是n维的线性空间, α 1 , ⋯ , α n \alpha_1,\cdots,\alpha_n α1,⋯,αn称为V的一组基。 d i m V = n dimV=n dimV=n
子空间:设V是一个线性空间,W是V的一非空子集,W关于V的加法和数乘也构成一个线性空间,则称W是V的线性子空间。非零线性子空间至少有两个子空间,零子空间
{
0
}
\{0\}
{0}和它本身。
d
i
m
W
<
d
i
m
V
dimW<dimV
dimW<dimV。
TIPs:证明线性空间W和V相同只需要证明二者维度相同即可。
一些结论:两个字空间的交集仍是子空间,两个在空间的交集不一定是子空间
二、矩阵分类
1、对称矩阵( A = A T A=A^T A=AT)
a i j = a j i a_{ij}=a_{ji} aij=aji
2、反对称矩阵( A = − A T A=-A^T A=−AT)
a i j = − a j i a_{ij}=-a_{ji} aij=−aji
3、hermite矩阵( A = A H A=A^H A=AH)
a i j = a j i ‾ a_{ij}=\overline{a_{ji}} aij=aji,复数域的对称矩阵
4、反hermite矩阵( A = − A H A=-A^H A=−AH)
a i j = − a j i ‾ a_{ij}=-\overline{a_{ji}} aij=−aji,复数域的反对称矩阵
5、正交矩阵( A A T = E AA^T=E AAT=E)
6、酉矩阵( A A H = E AA^H=E AAH=E)
复数域的正交矩阵
7、对角矩阵
除对角线元素全为0的矩阵
三、空间分解和维数定理
\quad
设
V
1
,
V
2
V_1,V_2
V1,V2是线性空间
V
V
V的线性子空间,则
d
i
m
(
V
1
)
+
d
i
m
(
V
2
)
=
d
i
m
(
V
1
+
V
2
)
+
d
i
m
(
V
1
∩
V
2
)
dim(V_1)+dim(V_2)=dim(V_1+V_2)+dim(V_1 ∩ V_2)
dim(V1)+dim(V2)=dim(V1+V2)+dim(V1∩V2)
证明:设
d
i
m
(
U
)
=
s
,
d
i
m
(
W
)
=
t
,
d
i
m
(
U
∩
W
)
=
r
dim(U)=s,dim(W)=t,dim(U∩W)=r
dim(U)=s,dim(W)=t,dim(U∩W)=r,
任取
U
∪
W
U∪W
U∪W的一组基
α
1
,
⋯
,
α
r
\alpha_1,\cdots,\alpha_r
α1,⋯,αr,
则
U
U
U的一组基是
α
1
,
α
2
,
⋯
,
α
s
,
β
1
,
⋯
,
β
s
−
r
\alpha_1,\alpha_2,\cdots,\alpha_s,\beta_1,\cdots,\beta_{s-r}
α1,α2,⋯,αs,β1,⋯,βs−r,
W
W
W的一组基是
α
1
,
α
2
,
⋯
,
α
s
,
γ
1
,
⋯
,
γ
t
−
r
\alpha_1,\alpha_2,\cdots,\alpha_s,\gamma_1,\cdots,\gamma_{t-r}
α1,α2,⋯,αs,γ1,⋯,γt−r,
则
α
1
,
α
2
,
⋯
,
α
s
,
β
1
,
⋯
,
β
s
−
r
γ
1
,
⋯
,
γ
t
−
r
\alpha_1,\alpha_2,\cdots,\alpha_s,\beta_1,\cdots,\beta_{s-r}\gamma_1,\cdots,\gamma_{t-r}
α1,α2,⋯,αs,β1,⋯,βs−rγ1,⋯,γt−r是
U
+
W
U+W
U+W的一组基。
- 和空间的维数往往比空间维数的和小
四、相似矩阵
\quad 存在可逆矩阵 P P P,使得 B = P − 1 A P B=P^{-1}AP B=P−1AP,则 A , B A,B A,B想似,具有相同的特征值和相同的行列式和相同的迹
五、矩阵的迹
\quad 矩阵的迹为矩阵主对角线元素和, t r ( A ) = ∑ i n a i i = ∑ i n λ i tr(A)=\sum_i^na_{ii}=\sum_i^nλ_i tr(A)=∑inaii=∑inλi
- tr(AB)=tr(A)+tr(B)
- t r ( A A T ) = ∑ i , j = 1 n ∣ a i j ∣ 2 tr(AA^T)=\sum_{i,j=1}^n |a_{ij}|^2 tr(AAT)=∑i,j=1n∣aij∣2
六、投影矩阵
\quad
设
V
1
,
V
2
V_1,V_2
V1,V2均是
V
V
V的子空间,且
V
1
+
V
2
=
V
V_1+ V_2=V
V1+V2=V ,
x
∈
V
,
y
∈
V
1
,
z
∈
V
2
x\in V, y \in V_1, z \in V_2
x∈V,y∈V1,z∈V2,则
x
x
x变为沿着
V
2
V_2
V2到
V
1
V_1
V1的投影变换称为
V
2
V_2
V2到
V
1
V_1
V1的投影算子,记为
T
T
T,即
T
x
=
y
Tx=y
Tx=y。投影算子
T
T
T将整个空间
V
V
V变到子空间
V
1
V_1
V1。
\quad
一个重要性质
T
2
=
T
T^2=T
T2=T,即
T
T
T是幂等算子
\quad
幂等矩阵的性质
- A H A^H AH与 I − A I-A I−A也是幂等矩阵
- A A A的特征值非0即1
- r a n k ( A ) = t r ( A ) rank(A)=tr(A) rank(A)=tr(A)
- A ( I − A ) = ( I − A ) A = 0 A(I-A)=(I-A)A=0 A(I−A)=(I−A)A=0
- A x = x , x ∈ R ( A ) Ax=x,x \in R(A) Ax=x,x∈R(A)
- N ( A ) = R ( I − A ) , R ( A ) = N ( I − A ) N(A)=R(I-A),R(A)=N(I-A) N(A)=R(I−A),R(A)=N(I−A)
七、特征值
特征值性质
- 矩阵A的行列式的值等于其所有特征值的积
- 矩阵A可逆与0不是A的特征值等价
特征向量的性质
- 属于不同特征值的特征向量线性无关
- n阶方阵A可以对角化等价于A有n个线性无关的特征向量,等价于几何重数等于代数重数
- 当几何重数小于代数重数时,不能对角化,但能块对角化