首页 > 其他分享 >高等代数 第三章 线性空间

高等代数 第三章 线性空间

时间:2024-07-18 11:19:58浏览次数:12  
标签:第三章 空间 无关 cdots 线性 alpha 代数 向量

知识复习

向量的线性关系

我们先从方程入手
image
把它写成向量的形式,分别用\(\alpha_i, \beta\)表示上面的列向量,那么方程等价于\(\sum x_i \alpha_i =\beta\)

image
如果考虑齐次方程,那么$\sum x_i \alpha_i =0 $,\(0\)肯定是一个解,但是我们想知道的是有没有非平凡的解,也就是说有没有一组不全为0的\(x_i\)能满足方程. 为此我们引入如下定义
image
于是,有非零解等价于向量组 \(\alpha_i\)线性相关

定理3.4.2 \(\alpha_1, \ldots, \alpha_m\)线性相关的充要条件是 其中至少有一个向量可以表示为其余向量的线性组合
证明:利用定义即可

定理3.4.3 已知 \(\beta\)可以表示为\(\alpha_1, \ldots, \alpha_m\)的线性组合,则表示唯一的充要条件是\(\alpha_1, \ldots, \alpha_m\)线性无关
证明:反证法.
评注:这个定理就说明了方程组有唯一解的充要条件是\(\alpha_1, \ldots, \alpha_m\)线性无关.

向量组的秩

给定一组向量,若线性相关,那么一定有一个向量可以表示为其他向量的线性组合,那么去掉它,不断重复这个过程,直到剩下的向量是线性相关的为止

定义3.5.1 (极大线性无关组)
设在线性空间 \(V\)中有一族向量 \(S\) (其中可能只有有限个向量, 也可能有无限多个向量),如果在\(S\)中存在一组向量\(\{\alpha_1,\alpha_2,\cdots,\alpha_r\}\)适合如下条件:
(1)\(\alpha _1, \alpha _2, \cdots , \alpha _r\) 线性无关
(2)这族向量中的任意一个向量都可以用\(\alpha_1,\alpha_2,\cdots,\alpha_r\)线性表示,
那么称\(\{\alpha_1,\alpha_2,\cdots,\alpha_r\}\)是向量族\(S\)的极大线性无关组,简称极大无关组,

两个条件缺一不可,牢记. 有了极大线性无关组的定义,第一个问题便是存在性——每个向量组一定有极大线性无关组吗?由归纳法可以证明,一定存在!唯一性成立吗?唯一性并不成立. 但是 一个向量组的不同极大线性无关组的元素个数却是一样的. 也就是说,假定已知向量族\(S\)有两个极大无关组\(A,B.\)由极大无关组的定义,\(A\)和\(B\)都是线性无关的向量组且\(A\)中每个向量可以用\(B\)中向量线性表示,\(B\)中每个向量也可以用\(A\)中向量线性表示.我们希望证明:两个线性无关的向量组如果能够互相线性表示,则它们含有相同个数的向量.这只需证明一个更广泛的命题.

引理 3.5.1 设\(A,B\)是\(V\)中两组向量,\(A\)含有\(r\)个向量,\(B\)含有\(s\)个向量. 如果\(A\)中向量线性无关且\(A\)中每个向量均可用\(B\)中向量线性表示,则 \(r\leq s.\)

定义3.5.2 (向量组的秩)向量组的极大线性无关组所含向量的个数称为秩,记为 \(r(S)\)

定义3.5.3 如果两个向量组可以相互表示,那么称这两个向量组等价. 等价的向量组有相同的秩.

现在我们把整个线性空间视为一个向量组,那么这个向量组的极大线性无关组就是基

定义 3.5.4 设 V 是数域\(\mathbb{K}\)上的线性空间,若在\(V\)中存在线性无关的向量\(e_1,e_2,\cdots,e_n\),使得\(V\)中任一向量均可表示为这组向量的线性组合,则称\(\{e_1,e_2,\cdots,e_n\}\)是\(V\)的一组基,线性空间\(V\)称为\(n\)维线性空间(具有维数\(n).\) 如果不存在有限个向量组成\(V\) 的一组基,则称\(V\) 是无限维线性空间.

定理 3.5.4 (基扩张定理) 设 \(V\)是\(n\)维线性空间\(,v_1,v_2,\cdots,v_m\)是 \(V\)中\(m\left(m<n\right)\)个线性无关的向量,又假定\(\{e_1,e_2,\cdots,e_n\}\)是\(V\)的一组基,则必可在\(\{\boldsymbol e_1,\boldsymbol e_2,\cdots,\boldsymbol{e}_n\}\) 中选出\(n-m\)个向量,使之和\(v_1,v_2,\cdots,v_m\)一起组成\(V\)的一组基.

矩阵的秩

前面我们考虑向量组的秩,现在把向量写成分量的形式,然后再拼起来,就得到一个矩阵,很自然地引出矩阵的秩的定义

定义 3.6.1 设\(A\)是\(m\times n\)矩阵,则\(A\)的\(m\)个行向量的秩称为\(A\)的行秩;\(\boldsymbol{A}\)的\(n\)个列向量的秩称为\(A\)的列秩.

定理 3.6.1 矩阵的行秩和列秩在初等变换下不变

推论 任意矩阵的行秩等于列秩
证明: 由于任意矩阵可以变换为

\[B=\begin{pmatrix}I_r&O \\O&O\end{pmatrix} \]

那么很容易看出来行秩列秩都是 $ r$.

推论 任意非异阵与矩阵\(A\)相乘,秩不变
因为非异阵可以写成有限个初等矩阵的乘积.

推论 方阵\(A\)为非异阵的充要条件是\(A\)满秩.

坐标向量

下面我们讨论坐标向量,将一般的线性空间和我们更熟悉的\(n\)维向量空间对应.

引理3.7.1 设\(e_1, \ldots ,e_n\)为向量空间 \(V\)的一组基,\(\alpha \in V, \alpha =\sum a_i e_i=\sum b_i e_i\), 那么\(a_i = b_i\).

这就表明,如果我们取定了一组基,那么每一个向量的表示方法就唯一确定了,也就是说系数固定了,我们定义如下映射$$\phi : V \to K^n$$ $$ \alpha =\sum a_i e_i \mapsto (a_1, \ldots ,a_n)$$
\((a_1, \ldots ,a_n)\)称为是\(\alpha\)在基\(e_1, \ldots ,e_n\)下的坐标. 容易验证这是一个线性同构,一些有用的小结果: \(\phi (0)=0\), \(\phi\)将线性无关组映为线性无关组.

我们知道极大线性无关组是不唯一的,换句话说,一个线性空间的基是不唯一的,刚刚我们的讨论是取定一组基,然后看坐标,现在的问题是,我们改变基,同一个向量在不同基下的坐标之间有什么关系?
image
image

子空间

现在我们开始一个新的话题,子空间,略去简单的定义,只介绍重要的部分.
首先是两类重要的例子,两个子空间的和与交

定义 3.9.2 若\(V_1,V_2\)是\(V\)的子空间,定义它们的交为既在\(V_1\)又在\(V_2\)中的
全体向量所成的集合\(V_1\cap V_2\).定义它们的和为

\[V_1+V_2=\{\boldsymbol{\alpha}+\boldsymbol{\beta}|\boldsymbol{\alpha}\in V_1,\boldsymbol{\beta}\in V_2\}, \]

即所有形如\(\alpha+\beta\)的向量的集合,其中要求\(\alpha\in V_1,\boldsymbol{\beta}\in V_2.\)

如果给了一个向量组,也可以得到一个子空间,定义如下

定义 3.9.3 设\(S\)是线性空间\(V\)的子集,记\(L(S)\)为\(S\)中向量所有可能的线性组合构成的子集,则由定义 3.9.1 不难看出\(,L(S)\) 是\(V\) 的一个子空间,称之为由集合\(S\)生成的子空间,或称之为由\(S\)张成的子空间.

定理 3.9.1 设\(S\)是线性空间\(V\)的子集\(,L(S)\)为由\(S\)张成的子空间,则
\((1)S\subseteq L(S)\)且若\(V_0\)是包含集合\(S\)的子空间,则\(L(S)\subseteq V_0\),也即\(L(S)\)是
包含 \(S\) 的\(V\) 的最小子空间;
(2) \(L(S)\)的维数等于\(S\)中极大无关组所含向量的个数,且若\(\alpha_1,\alpha_2,\cdots,\alpha_m\)
是\(S\)的极大无关组,则\(L(S)=L(\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_m).\)

定理 3.9.2 (维数公式) \(dim(V_1+V_2)=dim(V_1)+dim(V_2)-dim(V_1 \cap V_2)\)

image

线性方程组的解

最后一节,我们回到线性方程组的求解问题,给出一般的线性方程组解的判断定理

定理 3.10.1 设有\(n\)个未知数\(m\)个方程式组成的线性方程组:

\[\begin{cases}a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1,\\a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n=b_2,\\\cdots\cdots\cdots\cdots\\\\a_{m1}x_1+a_{m2}x_2+\cdots+a_{mn}x_n=b_m,\end{cases} \]

它的系数矩阵记为 \(A\),增广矩阵记为 \(\widetilde{A}\),即

\[\widetilde{A}=\begin{pmatrix}a_{11}&a_{12}&\cdots&a_{1n}&b_{1}\\a_{21}&a_{22}&\cdots&a_{2n}&b_{2}\\\vdots&\vdots&&\vdots&\vdots\\a_{m1}&a_{m2}&\cdots&a_{mn}&b_{m}\end{pmatrix}, \]

则有下列结论:
(1)若\(\widetilde{A}\)与\(A\)的秩都等于\(n\),则该方程组有唯一一组解;
(2)若\(\widetilde{A}\)与\(A\)的秩相等但小于\(n\),即 r\((\widetilde{\boldsymbol{A}})=\)r\((\boldsymbol{A})<n\),则该方程组有无穷多组解;
(3)若\(\widetilde{A}\)与\(A\)的秩不相等,则该方程组无解.

标签:第三章,空间,无关,cdots,线性,alpha,代数,向量
From: https://www.cnblogs.com/colorfulLau/p/18308976

相关文章

  • Halcon的学习笔记(一)——非线性字符识别
    Halcon非线性模式的字符识别(ocr_cd_print_polar_trans.hdev例程分析)Halcon的学习笔记(一)——非线性字符识别项目上需要对非线性模式的字符进行识别,halcon中包含的例程,我搜了一下,网上对于该例程的解析比较少,因此自己便记录了一下自己的学习例程,也算自己的学习笔记。1.什......
  • R语言贝叶斯MCMC:用rstan建立线性回归模型分析汽车数据和可视化诊断|附代码数据
    全文链接 http://tecdat.cn/?p=23255最近我们被客户要求撰写关于rstan的研究报告,包括一些图形和统计输出。本文将谈论Stan以及如何在R中使用rstan创建Stan模型尽管Stan提供了使用其编程语言的文档和带有例子的用户指南,但对于初学者来说,这可能是很难理解的。StanStan是一种用......
  • 电工电子实验——集成运算放大器的非线性应用
    正弦波形产生电路实验目的加深理解RC桥式正弦振荡器的工作原理。学习并掌握RC桥式正弦振荡器的设计方法和步骤。掌握RC桥式正弦振荡器的调试方法。主要仪器设备及软件硬件:硬件:双踪示波器、函数信号发生器、直流稳压电源、交流毫伏表、实验箱、万用表、阻容元件及导线......
  • 机器学习实战笔记4线性回归
    线性回归首先看一下线性回归方程,就是用代码来编写方程1.numpy正规方程线性回归importnumpyasnpimportpandasaspddf=pd.DataFrame({'years':[1,2,3,4,5,6],'salary':[4000,4250,4500,4750,5000,5250]})df生成dfm=len(df)m输出:6x1=df......
  • 数据分享|R语言逻辑回归、线性判别分析LDA、GAM、MARS、KNN、QDA、决策树、随机森林、
    全文链接:http://tecdat.cn/?p=27384最近我们被客户要求撰写关于葡萄酒的研究报告,包括一些图形和统计输出。在本文中,数据包含有关葡萄牙“VinhoVerde”葡萄酒的信息介绍该数据集(查看文末了解数据获取方式)有1599个观测值和12个变量,分别是固定酸度、挥发性酸度、柠檬酸、残糖、......
  • 王道数据结构课后习题详细分析 第二章线性表 2.1线性表的定义和基本操作
    单项选择题————————————————————————————————————————解析:正确答案:C————————————————————————————————————————解析:A:集合中的元素没有前后驱关系,错误;C:序列中整数不是有限个,错......
  • G68 实数线性基+高斯消元法 P3265 [JLOI2015] 装备购买
    视频链接:G68实数线性基+高斯消元法P3265[JLOI2015]装备购买_哔哩哔哩_bilibili  P3265[JLOI2015]装备购买-洛谷|计算机科学教育新生态(luogu.com.cn)//线性基+高斯消元法O(n*m*m)#include<iostream>#include<cstring>#include<algorithm>usingnames......
  • 第三章线性模型
    3.1线性回归线性模型的目的是通过学习得到一个属性线性组合的预测函数,基本形式为:f(x)=w1x1+w2x2+...+wnxn+b机器学习中一般用向量形式表示,即:f(x)=wTx+b,通过学习得到w和b,模型即得以确定。那么什么样的w和b是我们想要的呢?也就是我们想通过学习得到怎样的w和b呢......
  • 数据结构:线性表的链式表示
    继上文《数据结构:线性表的顺序表示》,我们知道线性表的主要操作如下:InitList(&L):初始化表length(L):求表长LocateElem(L,e):按值查找操作GetElem(L,i):按位查找操作ListInsert(&L,i,e):插入操作ListDelete(&L,i,&e):删除操作PrintList(L):输出操作Empty(L):判空操......
  • 数据结构学习笔记——线性表
    链表1.单链表链表的插入:    (1)需要知道插入位置的前驱结点(从表头顺序遍历)    (2)先修改要插入的结点(新结点)的指针    (3)再修改前驱结点的指针链表的删除:    (1)要知道删除结点的前驱结点(从表头顺序遍历)    (2)只需要修改前驱结点的指......