矩阵论第一节——线性空间

yoyo643

于 2023-04-17 15:03:38 发布

阅读量371

点赞数

分类专栏： uiui的矩阵论预习文章标签：矩阵线性代数笔记

本文链接：https://blog.csdn.net/weixin_68814590/article/details/130191741

版权

uiui的矩阵论预习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

1、定义（满足十条）

对加法运算封闭，有唯一的x+y∈V

注意：这里的加法可以自行定义，如： $\left ( a,b \right ){\color{Blue} +}\left ( c,d \right ) = \left ( a+c,b+d+a\times c \right )$

满足交换律： $x+y = y+x$
满足结合律： $x+\left ( y+z \right ) = \left ( x+y\right ) +z$
存在零元： $0\in V$ ，即 $x+0 = x$
存在负元素：任一元素 $x\in V$ ，存在有一元素 $y\in V$ 使得 $x+y=0$ 。

对数乘运算封闭，当 $x\in V$ ， $\lambda \in P$ 有唯一 $\lambda x\in V$

满足分配律： $\left (\lambda +\mu \right )x=\lambda x+\mu x$
满足数因子分配律： $\lambda \left ( x+y \right )=\lambda x+\lambda y$
满足结合律： $\lambda \left ( \mu x \right ) = \left ( \lambda \mu \right )x$
存在1元素： $1\cdot x = x$ （注：这里的1是指数域P中的单位数）

2、基、维数、坐标

tips：对于线性空间而言，基不唯一。要找到最适合用于研究的基，方便对于线性空间的研究。

元素组 $\Leftrightarrow$ 向量组

$y_i=\bigl(\begin{smallmatrix} x_1 & ... &x_n \end{smallmatrix}\bigr)\begin{pmatrix} \alpha_1\\ ... \\ \alpha_n \end{pmatrix}$

$k_1y_1 + k_2y_2 + k_3y_3 + ...+k_ny_n = \begin{pmatrix} x_1, & ... & x_n \end{pmatrix}\bigl(\begin{smallmatrix} k_1\alpha_1,\\ ... \\ k_m\alpha_m \end{smallmatrix}\bigr) =\Theta$ 备注：这里的 $\Theta$ 是指零元素。

例题：矩阵空间 ${R}^{2\times 2}$ 中，设 $A = \left ( a_{ij} \right )_{2\times 2}$ ，基 $E_{11},E_{12},E_{21},E_{22}$ ，其中

$E_{11} = \begin{bmatrix} 1 & 0 \\ 0& 0 \end{bmatrix}, E_{12} = \begin{bmatrix} 0 & 1\\ 0& 0 \end{bmatrix},E_{21} = \begin{bmatrix} 0 & 0 \\ 1& 0 \end{bmatrix},E_{22} = \begin{bmatrix} 0 & 0 \\ 0& 1 \end{bmatrix}$ 矩阵对应下标为1，其余元素为0

备注：一个线性空间的基是不唯一的，但是这里选取的基可以方便研究

矩阵空间A的任意元素都可以由基表示：

$A=a_{11}E_{11} + a_{12}E_{12} + a_{21}E_{21}+a_{22}E_{22}$ ，坐标为 $\alpha = \left ( a_{11},a_{12},a_{21},a_{22} \right )$

其实也存在另外的基： $\begin{bmatrix} 1 & 0 \\ 0& 0 \end{bmatrix},\begin{bmatrix} 1 & 1 \\ 0& 0 \end{bmatrix}, \begin{bmatrix} 1 & 1 \\ 1& 0 \end{bmatrix},\begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix},$ 以坐标为 $\alpha = \left ( 0,0,0,0 \right )$ 为例

运算起来就是： $\begin{bmatrix} k_1 & k_1+k_2\\ k_1+k_2+k_3&k_1+ k_2+k_3+k_4 \end{bmatrix} = \begin{bmatrix} 0 &0 \\ 0& 0 \end{bmatrix}$ 求解得到 $\left\{\begin{matrix} k_1 = 0\\ k_2 = 0\\ k_3 = 0\\ k_4 = 0 \end{matrix}\right.$

空间变换

利用过度矩阵 $C_{n\times n}$ (一定可逆）(Ⅱ) = (Ⅰ)C （Ⅱ) $C^{-1}$ = (Ⅰ) $CC^{-1}$ = (Ⅰ）

以y变为x为例： $\left ( y_1, ..., y_n \right ) = \left ( x_1,...,x_m \right )C_{n\times n}$

坐标变换：

$x = \left ( x_1,x_2,...,x_n \right )\alpha$

$x = (y_1,y_2,...,y_n)\beta = (x_1,x_2,...,x_n)C\beta$

即 $\alpha = C\beta$ ，这里的C就是过渡矩阵，也可以说是 $\beta = C^{-1}\alpha$

一般利用中介法来求过渡矩阵，中介指的是基 $E_{11},E_{12},E_{21},E_{22}$

线性空间的例子：

①向量空间 $R^n$ ，基是 $\begin{pmatrix} 1 & 0 &0 &... & 0 \end{pmatrix} ,\begin{pmatrix} 0& 1 & 0 & ... & 0 \end{pmatrix}$ , 共有n个，n维向量由n个基

②矩阵空间 $R_{n\times m}$ ，基是 $E_{ij}$ 是m×n维

③n元齐次线性方程组的解空间 $S_1 = \begin{Bmatrix} x|Ax = 0 \end{Bmatrix}$ ,其中的x的维度是 $n - r\left ( A \right )$

线性空间就是满足十条的集合，这里给出三个具体的例子帮助理解。

线性空间的运算（子集、交、并、和）

子空间（子集非空，且对V中的线性运算封闭，其中必须要有零元 $\Theta \in V_1$

一种等价的判定：

线性运算 $kx+ly \in V_1$ 封闭 $\Leftrightarrow$ $\left\{\begin{matrix} k=l=1 \\ k \in R,l=0 \end{matrix}\right.$ 加法 & 数乘（等价判定）

矩阵的列空间（值域） $R(A) : \left \{ \beta = Ax| x \in C^n \right \}$ $rank(A) = dimR(A)$ 极大无关组的个数 = 矩阵A的秩

补充：零空间

$N(A) = \left \{ x|Ax = 0,x \in C^n \right \}$ ， $dimN(A) = n-rank(A)$

线性空间（映射）的性质：

$\alpha _1,...,\alpha _n$ 是一组基，代表 $\forall \alpha \in V,\alpha = k_1\alpha_1 + ... +k_n\alpha_n$

$A(\alpha) = k_1A(\alpha_1) + ... +k_nA(\alpha_n)$

两个运算：加法和数乘

前提条件：

设 $A,B \in Hom(V,U)$ 规定：

① $(A+B) \alpha := A\alpha + B\alpha, \forall \alpha \in V$

② $(kA) \alpha := k(A\alpha) , \forall \alpha \in V,k \in K$

加法：

$(A+B) \in Hom(V,U), kA \in Hom(V,U)$ 确保封闭性
交换律： $A+B = B+A$ ，就是 $(A+B)\alpha = A\alpha+B\alpha$ 转为线性空间上的交换律 $= (B+A)\alpha$
结合律： $(A+B)+C = A+(B+C)$
有零元： $\Theta \in Hom(V,U)$
有负元： $-A\in Hom(V,U)$