1.1、线性空间
给定非空集合V和域F,若存在映射σ:V×V→V、(V1,V2)↦σ(V1,V2)则称σ为V上的加法。
1.1.1 域
域: 有+,-,×,÷的一个运算系统。
那么什么不是域呢?
Z+={0,1,2,3,4,...}这就不是个域,因为不存在除法、减法的运算,0-1不再Z+的集合内了。
Z={0,±1,±2,...}这也不是个域,因为不存在除法的运算。
关于一个运算是否封闭是一个很重要的问题。
那有理数(rational number,两个整数的比)集呢? 当然是!所以成为有理数域。故可以写做Q —— 这种叫黑板体,表示一个域的时候这样写。当然还有实数(Real Number)域R和复数(Complex Number)域C。
1.1.2 卡氏积
×:集合的卡氏积(Cartesian Product)
S1×S2={[s1s2]∣s1∈S1,s2∈S2}
就是形成的元素对。可以通过 把平面和座标轴的轴线的关系联系起来 通过卡氏积来理解。
加法理解为映射(二元函数)σ:V×V→V,任意抽取两个值进行加法运算,应当理解为从V的卡氏积里抽取一个“对”,是有顺序的。R2→R
1.1.3 ↦
↦: 需要注意→和↦的区别,第二个座标多了一道;用法上:
A→Ba↦b
这就能看出区别,两者都代表映射关系,→两边都是集合,↦两边都是集合里的元素。
举例:函数sinx是一个映射,我们这里使用定义域(−∞,∞)到值域[−1,1]的映射。那么π到0的映射就能写成 π ↦ 0。
我们需要把固有的概念改变一下,把加法看做二元映射,
1.1.4 线性空间
上面都是先导知识,那么设V是一个非空集合,P是一个数域,在V上定义了一种代数运算,记为“+”;定义了P与V到V的一种代数运算,成为数量乘法(简称数乘),记为“⋅”,如果满足“通常的运算规则”,则称集合V为数域P上的线性空间。
通常的运算规则:
熟知的加法交换律,结合律,分配率,有零元,有负元等等。
解释一下有零元,就是“存在e∈V,满足e+v=v”。其实就是零和任意元素相加都是该元素本身。这里是抽象的概念。
那么有负元,就是“对任意v∈V存在a∈V使v+a=e,e是零元,称作a=−v”。
对于数乘:
- (v1+v2)⋅k=v1⋅k+v2⋅k,这里的加法都是向量的加法;
- v⋅(k1+k2)=v⋅k1+v⋅k2,这里前者加法是两个数字相加,后者是向量的加法;
- v⋅(k⋅l)=(v⋅k)⋅l,这里有四个乘,第一个、第三个、第四个是数乘;第二个是数字的乘法。
为什么做数乘时把数放在向量右边??
若向量为列向量,数乘法的数写在右侧,若向量为行向量,数乘法的数写在左侧。
原因:⎣⎡2113⎦⎤⋅2=⎣⎡126⎦⎤可以看做一个[3,1]和[1,1]的矩阵相乘。
F(I,Rn)函数空间,I是一个区间,Rn是n个分量的域。例如:F([0,1],R2),元素为f=[f1(x)f2(x)],这里的f1(x)和f2(x)均是定义域为[0.1]的两个分量,函数空间囊括了如f一样的含有多个分量的在I区间下的函数元素。
f=⎣⎢⎢⎡f1(x)f2(x)...fn(x)⎦⎥⎥⎤这就是F(I,Rn)函数空间中的函数元素,是在I区间下的。
定义(向量组及向量组拼成的抽象矩阵)
设V是F上的线性空间,V中的有限序列α1,α2,...,αn称为V中的一个向量组,向量组按顺序排成的行称为向量组拼成的抽象矩阵。
[α1α2...αn]
线性空间的目的是:将空间(笛卡尔座标系)解析几何的方法抽象到一般线性空间里。
1.1.5 线性空间的相关性
- 向量组α1,α2,...,αn称为线性相关,如果存在不全为零的p个数 ki∈F,i=1,...,p,使得α1k1+α2k2+...+αpkp=0
- 向量组 α1,...,αp称为线性无关,如果它不是线性相关的
线性相关:
∃⎣⎢⎢⎡k1k2...kp⎦⎥⎥⎤=0,⎣⎢⎢⎡k1k2...kp⎦⎥⎥⎤∈Fp,α1k1+α2k2+...+αpkp=0
注:(∃a)P(a) 的否定为 ∀aP(a) 就是对任意的a都不具有P(a)的性质。
线性无关:
∀⎣⎢⎢⎡k1k2...kp⎦⎥⎥⎤=0,⎣⎢⎢⎡k1k2...kp⎦⎥⎥⎤∈Fp,α1k1+α2k2+...+αpkp=0这里的0是线性空间中的0向量不是数域的0。
(逆否命题) 若α1k1+α2k2+...+αpkp=0,则ki=0。
(线性相关性的矩阵描述)
[α1α2...αp]⎣⎢⎢⎡x1x2...xp⎦⎥⎥⎤=0这是一个齐次方程组。
若线性相关则这个方程组有非零解;若线性无关则这个方程组只有零解。
两个向量组之间的线性表示:
α1,...,αp;β1,...,βq;β
-
称 β 可由 α1,...,αp 线性表示。
如果在 k1,...,kp∈F,使得 β=α1k1+....+αpkp。
-
称 β1,...,βq 可由α1,...,αp线性表示。
如果每个βi都能由α1,...,αp线性表示。
(矩阵表达)
[α1α2...αp]⎣⎢⎢⎡x1x2...xp⎦⎥⎥⎤=β
β可由{αi}线性表示,这是一个非齐次线性方程组。
[α1α2...αp]⎣⎢⎢⎢⎡x11x21⋮xp1x12x22⋮xp2......⋱...x1qx2q⋮xpq⎦⎥⎥⎥⎤=[β1β2...βq]
AX=B(矩阵方程有解)
线性表示是具有传递性的。
1.1.6 向量组的极大线性子组
向量组的极大线性子组:
从母序列中挑出一个子序列构成向量组,这个子序列构成的向量组为原来母序列的子组。
子组 β1,...,βs 称为 α1,...,αp 的极大线性子组,若:
- {βj} 线性无关;
- 若 {γk}=γ1,...,γt 也是 α1,...,αp 的子组,s<t ,则 {γk} 线性相关。就意味着在线性无关的范围内,{βj} 已经是最大的向量空间了。
极大性: ∀αi∈{α1,...,αp},αi都可由{βj} 线性表示。(生成性)
母组可由极大线性子组线性表示。
向量组的极大线性无关组中向量的个数称为向量组的秩。
1.1.7 基与座标
定义(有限维线性空间、基、座标)
V是数域F上的线性空间,如果有正整数n,即V中的向量组 α1,...,αn 使得:
- (无关性) {αi} 线性无关;
- (生成性)∀α∈V ,均可由{αi}线性表示
α=α1k1+α2k2+...+αnkn=[α1α2...αn]⎣⎢⎢⎢⎡k1k2⋮kn⎦⎥⎥⎥⎤则称V是 n-维线性空间。
1.1.8 基实现抽象线性空间到标准线性空间之间的一一对应
σ:S1→S2∀s2∈S2,∃s1∈S1 σ(s1)=s2对任意 (Arbitrary) 的s2属于S2,存在s1属于S1,使得s1的项就是s2。这称作 满射(surjection)。
若σ(s1)=σ(s1′)则s1=s1′,这称作 单射(injection)。
Fn的标准基与一般基
e1=⎣⎢⎢⎢⎡10⋮0⎦⎥⎥⎥⎤,e2=⎣⎢⎢⎢⎡01⋮0⎦⎥⎥⎥⎤,…,en=⎣⎢⎢⎢⎡00⋮1⎦⎥⎥⎥⎤是Fn的标准基。标准基向量拼成的基矩阵是单位矩阵。单位矩阵的列向量组是标准基向量组。
Fn是标准线性空间。
如果一个向量组满足秩和组内向量个数相等,则其向量组线性无关。(无关性)
如果Ax=b该方程组有解,则Rank(A)=Rank(A∣b),矩阵的秩和增广矩阵的秩相等,也就是方程组和未知数个数相等。
秩:行秩 = 列秩 = 秩。
无限维空间的例
F[x]={f∣f∈F(F,F), 且f可写成多项式} 简单讲就是向量都是多项式,且定义域和值域都在F这个数域上。
Fn[x]={次数<n, 以F中数为系数的多项式}
令F=R,那么:
- Rn[x]是n-维的;
- R[x]不是有限维的。(无限维的)
1.1.9 子空间
定义: 设V是F上的线性空间,W≤V是非空子集。若:
- 对加法封闭α、β∈W⟹α+β∈W。即在W中任意取两个元素,经过加法运算还在W内;数乘相似
- 对数乘封闭k∈F,α∈W⟹α⋅k∈W
则称W是V的一个子空间。
①向量组生成的子空间及子空间的生成组
(向量组生成的子空间及子空间的生成组)
α1,α2,…,αp 是向量组,定义一个 W=span{α1,α2,…,αp}={α1c1+α2c2+⋯+αpcp} 是V的一个子空间。这就是向量组生成的子空间。
已知W,若有向量组 α1,α2,…,αp ,使得 W=span{α1,α2,…,αp} ,我们称αi为子空间的生成组,生成组提供了子空间的一种表现方式。
②矩阵的核与像
(A∈Fm×n的核与像)
矩阵的核与像。{x∣x∈Fn,Ax=0}(x∈Fn的原因是A=[aij]m×n那么矩阵相乘就需要一个n行的x) 是 Fn 的子空间,这个子空间称作 A矩阵的核。
也就是以A为系数的齐次方程组的解空间。
{y∣y∈Fm,存在x∈Fn,使得y=Ax}={Ax∣x∈Fn}是 Fm 的子空间,称作 A矩阵的像。
这里的Ax实则是A的列向量组以x为系数的线性组合。A的像就是A的列向量组张成的子空间。
③子空间的交与和
设U、W是V的子空间
- U∩W也是子空间,称为U、W的交(子空间);
- U+W=Span{U、W}={U+W∣u=U,w=W}也是子空间,称为U、W的和(子空间)。