向量空间 - 线性映射 - 多项式
《Linear Algebra Done Right》第1-4章
线代主要研究有限维向量空间上的线性映射
向量空间
复数
复数集合:C = {a+bi: a,b∈R}
- 其中
i^2 = -1
复数运算
加法:实部加实部,虚部加虚部
乘法:
(a+bi)*(c+di) = (ac-bd)+(ad+bc)i
就是把
i
视作实数进行乘法运算,将i^2
替换为-1
即可
运算性质:z,z1,z2∈C
- 交换性:乘法交换、加法交换
- 结合性:乘法结合、加法结合
- 单位元:有唯一的
0,1
使得z+0=z1, z*1=1
- 加法逆:总存在唯一的
w∈C
使得w+z=0
,记为-z
- 乘法逆:总存在唯一的
w∈C
使得w*z=0
,记为1/z
- 分配性质:
z(z1+z2) = zz1+zz2
向量空间的定义和性质
二维向量空间:R² = {(x,y): x,y∈R}
,可视作平面
二维向量空间:R³ = {(x,y,z): x,y,z∈R}
,可视作空间
长度为n
元组:(x1,x2,...,xn)
- 称
x1
为第1个坐标,x2
为第二个坐标,以此类推 - 组的长度是有限的非负整数,
(x1,x2...)
不称为组,()
为组 - 与集合的区别:集合
{4,4,4}
等价于{4}
,而组不等价
定义F=R/C
,正整数n
,则有高维向量空间:F(n) = {(x1,x2,...,xn): xi∈F,i=1,...,n}
- 维数3以外,人脑不能产生几何模型,但仍能进行代数运算
- 我们不关注高维向量的物理意义,只是计算
- 什么是向量?即具体的值,如
(1,2,3,4)
便是R(4)
上的一个向量 - 与二维的箭头一样,所有向量平行移动后仍视其为同一向量(长度和方向没变)
- 什么是向量?即具体的值,如
运算:
- 定义
0=(0,...,0)
,为高维的零
,任意向量加0为其本身,相乘得零向量 - 定义
1=(1,...,1)
,为高维的单位向量,任何向量与之相乘的等于自身 - 向量的标量乘法:
a∈F, a(x1,x2,...,xn) = (ax1,ax2,...,axn)
向量的运算同样满足:z,z1,z2∈F(n)
- 交换性:乘法交换、加法交换
- 结合性:乘法结合、加法结合
- 加法单位元:存在唯一的向量
0
使得z+0=z
- 加法逆:总存在唯一的
w∈C
使得w+z=0
,记为-z
- 乘法单位元:存在唯一的向量
1
使得z*1=z
- 分配性质:
z(z1+z2) = z*z1+z*z2
在向量空间中:
- 加法单位元唯一:零向量唯一
- 每个向量
v
有其唯一的加法逆-v
- 任意向量与标量0相乘,得零向量
- 任意标量与零向量相乘,得零向量
- 标量-1乘以任意向量,得该向量的加法逆
子空间
子空间也是向量空间,如{(x1,x2,0)}
是R³
的子空间
- 子集不一定是子空间
当U
是V
的子集,如何证明U
是V
子空间?
- 具有加法单位元,
0∈U
- 所以
{(x1,x2,1)}
就不是R³
的子空间 - 过原点的平面为子空间(包含
(0,...,0)
)
- 所以
- 对加法封闭,即子空间内任意向量相加,仍为子空间内向量
- 对标量乘法封闭,解释同上
和与直和
子空间的和:设U1,U2,..,Un
都是向量空间V
的子空间,则子空间的和为
- 易知子空间的和仍为子空间
当子空间相加等于整个向量空间,我们称这种和为子空间的直和
- 如
U1+U2 = {x,y,0}+{0,0,z} = {x,y,z}
,{x,y,0}+{0,0,z}
便为直和 - 记作
R³ = U1⊕U2
,这个符号⊕表示直和
设U1,...,Un
都是V
的子空间,则V=U1⊕...⊕Un
当且仅当
V = U1+U2+...+Un
- 若
u1+u2+...+un = 0
,则每个ui
均为0
有限维向量空间
线代关注的并不是任意的向量空间,而是有限维向量空间,这种空间有这样一些重要概念:张成、线性无关、基和维数
张成与线性无关
定义向量空间V
中一组向量的线性组合:
- 其中
ai
为常数 vi
为向量在各维度的具体取值
向量(v1,v2,...,vm)
所有线性组合的集合称为该向量张成(span)
- 即
ai
的取值任意,任意的线性组合 - 空组
()
的张成为{0}
- 空集不是
V
的子空间
张成可以作用于多个向量,如span((2,1,3),(1,0,1)) = a1(2,1,3)+a2(1,0,1)
- 我们也可以说向量
(7,2,9)
可以由(2,1,3),(1,0,1)
张成(a=2,b=1)
容易证明向量空间任一向量的张成都为V
的子空间
若一个向量空间可以由它的一组向量张成,那么这个向量空间就是有限维的,因为:
((1,0,...,0), (0,1,...,0),..., (0,...,1))
总能张成为Fn
线性无关:是向量之间的关系
向量空间的张成组:一组向量
如果一组向量(v1,v2,...,vn)
令其线性组合a1v1+...+...anvn = 0
若只有在
a1=a2=...=an=0
上述等式成立,那么我们称向量(v1,...,vn)
是线性无关的否则则是线性有关的
也可以这样理解,某一维度上的值可以由剩余值线性表示,即
这样的话,即使标量不全为零,也可以使线性组合和为0
上述的第二种理解方式等价与vi = span(剩余元素)
定理:线性无关组的长度小于等于张成组的长度
- 即线性无关组元素个数小于等于向量空间的维数
命题:有限维向量空间的子空间都是有限维的
基
基:一个向量组
若向量空间V中一个向量组
- 可以张成为V
- 线性无关
那么这个向量称为V的基
如
并且这是Fn
的标准基
基的用处:可以唯一地线性表达向量空间内任一向量
- 注意向量空间的张成组不一定是基,因为他有可能是线性相关的
定理:向量空间中,每个张成组都可以化简为一个基
- 自然的,张成组必然可以张成向量空间
- 同时,去掉张成组中线性相关的向量,化为线性无关组
- 线性无关的张成组 = 基
推论:每个有限维向量空间都有基
- 有限维向量空间 —> 张成组 —> 基
定理:向量空间中每个线性无关组都可以扩充成一个基
- 这里的扩充是指人为地往向量组中添加向量
- 扩充时始终保证向量组的线性无关性
- 如何扩充?从V中任取一个张成组,遍历该组,加入线性无关组的张成中不含的向量即可
定理:对于向量空间V中任一子空间U,总存在另一子空间W,使得
维数
定理:有限维向量空间的任意两个基长度相同
于是我们定义向量空间V基的长度n为向量空间的维数,记作
- U的任意基都是V上的一个线性无关组,从而可以扩充成V的一个基,自然
dimU <= dimV
命题:若V有限维,则V中每个长度为dimV
的张成组都是V的一个基
命题:若V有限维,则V中每个长度为dimV
的线性无关组都是V的一个基
定理:若U1,U2
同为V
的子空间且V
有限维,则
U1,U2,...,Um
是V的子空间,有V=U1+...+Um
,且dimV=dimU1+...+dimUm
,则
线性映射
就是线性变换:linear transformation
这一章一半来自科师的讲义,其讲义说的其实更像是算子
定义与运算
线性映射时满足以下性质的函数T: V —> W
对于u,v∈V
- 齐性:
T(kv) = k(Tv)
- 加性:
T(u+v) = Tu + Tv
线性映射是一种变换规则,在形式上可被视作矩阵,作用于向量组
线性变换有以下性质:
- 线性映射经过线性映射后,仍为线性映射,这意味着
- 线性映射作用于线性变换后,仍为线性变换
- 线性映射相加后仍为线性变换
- 线性映射经过标量乘法后仍为线性变换
- 线性映射的运算满足“乘法”结合律、分解律,一般不满足交换律(矩阵的左乘和右乘区别很大)
线性映射的运算,设有线性变换A,B
加法:
(A+B)a = Aa + Ba
数乘:标量乘法,瞎几把乱乘
乘法:可结合,但不可交换
(AB)a = A(Ba)
行列相乘之和构成新元素
幂运算:矩阵自身相乘
逆运算:即矩阵求逆
若
AB=BA=E
,则B
为A
的逆矩阵,A为可逆矩阵求逆方法:
- 定义求逆
- 初等变换法
- 伴随矩阵
- 恒等变形法
零:零变换,该函数将所有元素变换为加法单位元(0矩阵)
恒等变换:就是单位矩阵,将任何元素映射为自身
幂运算:自身乘自身,结果始终保持同构
求逆
零空间与值域
零空间的定义:设有线性映射T
,T
的零空间nullT
为所有被T
映射为0
的向量组成的空间
在映射T∈L(V,W)
中,若Tu=Tv
,必有u=v
,则称线性变换T是单的
单的,即一一映射
只需证明0是唯一一个被映称0的向量,可证明线性变换是单的
即证明
nullT={0}
当
dimV > dimW
,映射T一定不是单的
线性映射的值域:对于T: V -> W
,其值域
- 其中
Tv∈W
当range T = W
,我们称线性变换T是满的
注意range T
同样是一个空间,且具有以下性质
dim V = dim nullT + dim rangeT
- 当
dim W > dim V
,线性变换T一定不是满的
线性映射的矩阵
线性变换的矩阵: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
,这个矩阵B
就称为线性变换T
在基A
下的矩阵
线性映射和他的矩阵的关系:线性变换T
和他的矩阵B
保持同构,即矩阵行列大小一样
我们把矩阵的第k列视为对第k个基向量的作用,如
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
矩阵加法:各元素相加
矩阵标量乘法:各元素乘以标量
矩阵乘法
可逆性
现有从V到W的线性映射T∈L(V,W)
,若存在从W到V的线性映射S∈L(W,V)
,使得ST
为V
上的恒等映射(1)且TS
为W
上的恒等映射,则称S
是T
的逆,T
是可逆的
- 逆是唯一的
记作
- 其中
I
是向量空间的恒等映射
命题:只有当线性映射既是单的又是满的时,才可逆
向量空间的同构:即维度相等
相似变换矩阵:
- 其中
T
是可逆的线性变换,A,B
是向量空间上的两个方阵
此时我们称A
和B
相似,记作A~B
多项式
次数
对于函数p: F —> F
, 对于所有z
,都有
p
为系数在F
中的多项式,若am!=0
,则多项式次数为m
,若ai
全为0,则多项式次数为-∞
,记作
p
的根
向量空间可以由多项式表示:将(z,z^2,...,z^m)
视作空间上的一组基,a
为系数
- 当z
,若多项式始终为0,则系数全为零 —> 线性无关 P(F)
表示在F中所有多项式(z取任意值)所组成的向量空间
命题:多项式的根总是(z-m
,那么他最多只有m
个互不相同的根
带余除法:设p,q
- 且
deg r < deg p
复系数
顾名思义,即多项式的系数为复数的多项式叫做复系数多项式,但注意多项式的未知数属于F={R,C}
代数学基本定理:每个不是常数的复系数多项式都有根
推论:若p
实系数
同理,系数为实数的多项式叫做实系数多项式
复共轭:虚部取反,如2+3i
的复共轭为2-3i
命题:若p是实系数多项式,
命题:
= 0
为一个根> 0
为两个根
定理:若p