《Linear Algebra Done Right》第5-7章
本征值即特征值
本征值和本征向量
eigenvalue
,一半德文一半英文
不变子空间
算子:一种映射,作用范围在同一向量空间,即从自身空间 映射到自身空间,如向量空间V
上算子的集合记作L(V)
,等价于L(V,V)
对于V
的子空间U
,对于线性映射T
,对于其任意向量组u
Tu∈U,u∈U
则称U
是V
在T
上的不变子空间
V
自身是不变子空间 {0}
是不变子空间 nullT
是不变子空间:零空间是被T
映射为0
的向量组的集合
一维不变子空间的证法:
要证明一个一维(注意是一维)子空间U
为线性变换T
的不变子空间,可以通过证明在U
上,总有u∈U
,存在标量λ
,使得下式成立
上式也等价于
(T−λI)u=0
这个向量u
便是线性映射T
的特征向量
这个λ
就是线性映射T
的特征值
- 要注意这里的
u
必须是非零向量,不然λ
不管怎么取等式总会成立
定理:不同特征值所对应的特征向量是线性无关的
推论:向量空间V
上的每个算子(线性映射)最多有dimV
个特征值
多项式对算子的作用
对于算子T∈L(V)
定义T
上的幂运算
Tm=m个T……T
进一步有
TnTm=Tn+m,(Tm)n=Tmn
当T
可逆时,其中m,n
可以为任意整数,不可逆时是非负整数
设有多项式p∈P(F)
,有
p(z)=a0+a1z+a2z2+...+anzn,z∈F
则对于算子T
,p(T)
为如下定义的算子
p(T)=a0I+a1T+a2T2+...+anTn
例如:p(z)=z^2
,则p(T)=T^2
,这是多项式的新用法,即作用于算子上而不是定义域内的元素
若p,q
都是多项式,且系数都在F
中,则pq
是一个新的多项式,满足
pq(z)=p(z)q(z),z∈F
同理有
pq(T)=p(T)q(T)
并且这里等式左右的组合是可以交换的,即:pq(T)=qp(T),p(T)q(T)=q(T)p(T)
上三角矩阵
复向量空间上算子的中心结果之一
算子关于基的矩阵于线性映射关于基的矩阵定义保持一致
M(T,(v1,...,vn))=T(v1,...,vn)=a11..an1......a1n..ann
其中每个vi
是一个长度为n
的向量,T
变换本身是一个nxn
的矩阵
线代的一个中心目标就是要证明:给定一个算子T∈L(V)
,在V
中有一个基使得T
关于此基有相对简单的矩阵
对角线:从矩阵左上到矩阵右下
上三角矩阵:矩阵对角线下方元素全为0
的矩阵
定理:对于任意算子T∈L(V)
,总有基使得T
的矩阵为一个上三角矩阵
命题:当T
的上三角矩阵对角线元素都不是0
时,这个算子T
自身是可逆的,这是一个充要条件
命题:T
关于某个基的矩阵若为上三角矩阵,则这个上三角矩阵对角线上的元素恰好是T
的所有特征值
回忆一下:特征值指Tu=λu
中λ
的取值,这个等式等价于(T-λI)u=0
,自然u
不为0
阵
对角矩阵
对角矩阵指除对角线之外其他位置均为0
的矩阵
对角矩阵用diag
表示,如diag(1,1,1,8)
为
1000010000100008
不是所有算子都有对应的对角矩阵,相对于上三角矩阵更加稀少
命题:只有当算子互不相同的特征值数量等于向量空间的维数时,这个算子才有其对应的对角矩阵,且对角线上各元素对应算子的各个特征值
实向量空间的不变子空间
在复向量空间中,每个算子都有其特征值,即复向量空间总有一维子空间,但对于实向量空间,这一结论并不成立
定理:在实向量空间中,算子可能不存在特征值,但实向量空间总有1维或2维
不变子空间
定理:在奇数维的实向量空间中,每个算子都有特征值,即奇数维的实向量空间总有一维不变子空间
内积空间
内积
范数:向量的长度,如向量x=(1,2,3)
的长度(范数)为
∣∣x∣∣=12+22+32=13
向量的点积:各分量乘积之和,如x=(1,2,3),y=(4,5,6)
,其点积为
xy=1×4+2×5+3×6=32
显然点积满足交换律:即xy=yx
- 范数和点积都是一个数,而不是向量
- 点积是高维向量空间到一维向量空间的一种映射
容易得到:
xx=∣∣x∣∣2
内积是点积在复向量空间的推广,对于一个复向量空间向量z
(其分量均为复数a+bi
的形式),有
∣∣z∣∣=z1z1+...+znznwz=w1z1+...+wnznzw=z1w1+...+znwn V
上的内积就是一个函数,它把V
中元素的每个有序对(u,v)
都映成一个数<u,v>
(用尖括号表示内积结果)
<(w1,...,wn),(z1,...,zn)>=w1z1+...+wnzn
上式也被称为Fn
上的欧几里得内积
内积空间:带有内积的向量空间V
范数
对于向量v
,其范数记为||v||
,定义为
∣∣v∣∣=⟨v,v⟩
正交:对于两个向量v,w
,若二者的内积<v,w>=0
,则称这两个向量正交
勾股定理(毕达哥拉斯定理):若u,v
是V
中的正交向量,则
∣∣u+v∣∣2=∣∣u∣∣2+∣∣v∣∣2
柯西不等式:若u,v
在向量空间V
中,则
∣⟨u,v⟩∣≤∣∣u∣∣∗∣∣v∣∣
- 两向量内积的绝对值小于等于两向量范数之积
- 当二者线性相关时等号成立
三角不等式:若u,v
在向量空间V
中,则
∣∣u+v∣∣≤∣∣u∣∣+∣∣v∣∣
平行四边形等式:若u,v
在向量空间V
中,则
∣∣u+v∣∣2+∣∣u−v∣∣2=2(∣∣u∣∣2+∣∣v∣∣2)
规范正交基
如果一个向量组中的向量两两正交,并且每个向量的范数都为1,则称这个向量组是规范正交的
如向量组((1,0,0),(0,1,0),(0,0,1))
就是一个规范正交的向量组
对于规范正交向量组(e1,e2,...,em)
,有
∣∣a1e1+...+amem∣∣2=∣a1∣2+...+∣am∣2
容易证明:每个规范正交向量组都是线性无关的
规范正交基:向量空间V
中一个由规范正交向量组构成的基,如标准基
正常来说,用基去表示向量
v=a1e1+...+anen
需要找到每个分量上的标量,即(a1,...,an)
,这很困难,但对于规范正交基,这很简单,规范正交基的重要性也源于此(下述定理)
对于V
中的规范正交基,对于每个V
中向量组v
,都有
v=⟨v,e1⟩e1+...+⟨v,en⟩en
并且
∣∣v∣∣2=∣⟨v,e1⟩∣2+...+∣⟨v,en⟩∣2
如何找到规范正交基?
格拉姆-施密特过程:
设(a1,a2,...,an)
是向量空间V
的一个基,(b1,...,bn)
是用于转换的中间向量
b1=a1,e1=∣∣b1∣∣b1b2=a2−⟨a2,e1⟩e1,e2=∣∣b2∣∣b2b3=a3−⟨a3,e2⟩e2−⟨a3,e1⟩e1,e3=∣∣b3∣∣b3...bn=an−⟨an,en−1⟩en−1−...−⟨an,e1⟩e1,en=∣∣bn∣∣bn (e1,e2,...,en)
便是由(a1,a2,...,an)
所得到的一个两两正交的单位向量,并且是V
的基,即为V
的规范正交基
正交投影与极小化问题
正交补:U
是V
的子空间,U
的正交补
U⊥={v∈V:⟨v,u⟩=0,u∈U}
就是和自身空间中所有向量垂直的向量组成的集合(空间)
可证得:
V=U⊕U⊥U=(U⊥)⊥U⋂U⊥={0}{0}⊥=V
正交投影:因为V=U⊕U⊥,所以理论上对于任意v∈V,都可以表示为
v=u+w,u∈U,w∈U⊥
利用这种分解方式来定义V
上的算子P(U)
,称为V
到U
上的正交投影(算子:变换规则)
在上一节中提到,若所使用的分解基为规范正交基,那么这个正交分解可以写为
v=⟨v,e1⟩e1+...+⟨v,em⟩em
极小化问题先略
线性泛函与伴随
这里的伴随和伴随矩阵是不相干的两个概念
线性泛函:就是一个函数(映射),如
φ(z1,z2,z3)=2z1−5z2+z3φ(z1,z2,z3)=(2z1−5z2,z3)
分别对应标准基的矩阵为
[2−51]2−50001
第一个函数是F3
上的一个线性泛函,从三维映射到一维;第二个函数是由三维映射到二维的函数
定义线性泛函T
的伴随T*
为
⟨T(v),w⟩=⟨v,T∗(w)⟩
举个栗子:T是从三维映射到二维的线性泛函
T(x1,x2,x3)=(x2+3x3,2x1)
设
v=(x1,x2,x3),w=(y1,y2)
则
⟨(x1,x2,x3),T∗(y1,y2)⟩=⟨T(x1,x2,x3),(y1,y2)⟩=⟨(x2+3x3,2x1),(y1,y2)⟩=2x1y2+x2y1+3x3y1=⟨(x1,x2,x3),(2y2,y1,3y1)
故有
T∗(y1,y2)=(2y2,y1,3y1)
- 注意,若原泛函为
n
维映射到m
维,则它的伴随是由m
维映射到n
维
矩阵的共轭转置:对行与列互换,并对每个元素取复共轭
如何求泛函的伴随?
先复习一下线性映射的矩阵:线性变换T
本身就是一个nxn
矩阵,将其视为常数,右乘以一组基A
,得到新的一组基B
,这个基B
的矩阵就称为线性变换T
在基A
下的矩阵
我们把矩阵的第k列视为对第k个基向量的作用,如
T(x,y)=(x+3y,2x+5y,7x+9y)
那么T(1,0)=(1,2,7), T(0,1)=(3,5,9)
,那么T关于标准基的矩阵即为
127359
定理:在处理规范正交基时,即作用于的基u,w
均为规范正交基,u
对应泛函T
的矩阵的共轭转置为其伴随T*
关于基w
的矩阵
- 一般来说使用标准基处理
- 另外需要注意的是,伴随和基的选取其实是无关的,即无论基如何选取,伴随还是那个伴随,只不过当基为规范正交时,映射和伴随的矩阵恰为共轭转置
内积空间上的算子
算子:线性映射、函数、线性泛函
自伴算子与正规算子
算子的矩阵:f(z1,z2,z3) = ((2z1-5z2),(z2+z3),(-z1-z3))
关于标准基((1,0,0),(0,1,0),(0,0,1))
的矩阵为
20−1−51003−1
我们把矩阵的第k
列视为对第k
个基向量的作用
自伴算子:即算子自身矩阵和其伴随的矩阵相同的算子
如T
关于标准基(标准正交基)的矩阵为
[23b7]
因为是作用于标准正交基,映射的矩阵的共轭转置即为其伴随关于这个基的矩阵,即
[2b37]
若T
是自伴的,当且仅当b=3
,此时上述两个矩阵完全相同,T=T*
谱定理
实内积空间上的正规算子
正算子
等距同构
极分解与奇异值分解