2014-高等代数(下)期末复习
第六章 线性空间
一 线性空间的判定
线性空间中两种运算的8条运算规律缺一不可,要证明一个集合是线性空间必须逐条验证.
若要证明某个集合对于所定义的两种运算不构成线性空间,只需说明在两个封闭性和8条运算规律中有一条不满足即可。
例:检验以下集合对于所指的线性运算是否构成实数域上的线性空间:
1) 次数等于n (n ≥1)的实系数多项式的全体,对于多项式的加法和数量乘法;
2) 全体n 阶反对称矩阵,对于矩阵的加法和数量乘法;
解: 1)否。因两个n 次多项式相加不一定是n 次多项式,例如
()+(-x -2)=3。 x +5
2) n 阶矩阵的加法和和数量乘法满足线性空间定义的1~8条性质,即全体n 阶矩阵对矩阵的加法和和数量乘法是构成线性空间的。“全体n 阶反对称矩阵”是“n 阶矩阵”的子集,故只需验证反对称矩阵对加法与数量乘法是否封闭即可。
当A ,B 为反对称矩阵,k 为任意一实数时,有
'=A+B'=-A-B=-(A+B'(A+B)) ,即A+B仍是反对n n
称矩阵。
'=k 'A =(-k )=A -(k )A (k A ),所以kA 是反对称矩阵。 故反对称矩阵的全体构成线性空间。
例:齐次线性方程组A x =0的全体解向量的集合,对于向量的加法和数乘向量构成一个线性空间,通常称为解空间。
而非齐次线性方程组 A x =b 的全体解向量的集合,在上述运算下则不是线性空间,因为它们的两个解向量的和已经不是它的解向量。
二、基 维数 坐标
定义:在线性空间V 中,如果存在n 个线性无关的向量α1, α2, , αn 使得:V 中任一向量α都可由α1, α2, , αn 线性表示,那么,α1, α2, , αn 就称为线性空间V 的一个基,n 称为线性空间V 的维数。记作dim V =n 。维数为n 的线性空间称为n 维线性空间。 定义(向量的坐标):设α1, α2, , αn 是线性空间V n 的一个基。对于任一元素α∈V n ,总有且仅有一组有序数x 1, x 2, , x n , 使
α=x 1α1+x 2α2+ +x n αn
则x 1, x 2, , x n 这组有序数就称为元素a 在基底 α1, α2, , αn 下的坐标,并记作x =(x 1, x 2, , x n ) T
例: 在线性空间R 2⨯2中,
⎛1A 1= ⎝0
⎛0A 3= ⎝0
任一2阶矩阵 0⎫⎛0⎪, A 2= 0⎭⎝11⎫⎛0⎪, A 4= 0⎭⎝00⎫⎪, 0⎭0⎫⎪1⎭ 就是R 2⨯2的一个基。R 2⨯2的维数为4.
⎛a c ⎫A = ⎪=aA 1+bA 2+cA 3+dA 4 ⎝b d ⎭
因此A 在A 1, A 2, A 3, A 4这个基下的坐标为
(a , b , c , d )T 。
若另取一个基
⎛10⎫⎛10⎫⎛11⎫⎛11⎫。 B 1= ⎪, B 2= ⎪, B 3= ⎪, B 4= ⎪⎝00⎭⎝10⎭⎝10⎭⎝11⎭则
⎛a c ⎫A = ⎪=(a -b ) B 1+(b -c ) B 2+(c -d ) B 3+dB 4⎝b d ⎭
因此A 在B 1, B 2, B 3, B 4这个基下的坐标为
(a -b , b -c , c -d , d )T 。
例:考虑全体n 阶对称矩阵构成的线性空间的基
底和维数。
3) 解:n 阶矩阵的加法和和数量乘法满足线性空间定义的1~8条性质,即全体n 阶矩阵对矩阵的加法和和数量乘法是构成线性空间的。“全体n 阶对称矩阵”是“n 阶矩阵”的子集,故只需验证对称矩阵对加法与数量乘法是否封闭即可。从而全体n 阶对称矩阵构成的线性空间。E ij +E ji (1≤i ≤j ≤n ) 即为它的一组n (n +1) n (n +1) 基。共1+2+ +n =2个,维数是2
ε1=(1,1,1,1),ε2=(1,1,-1, -1), 例:设 ε=(1,-1,1-1), ε=(1,-1, -1,1), ξ=(1,2,1,1)。
34
4P 在中,求向量ξ在基ε1, ε2, ε3, ε4下的坐标。
设有线性关系ξ=a ε1+b ε2+c ε3+d ε4,
⎧a +b +c +d =1⎪a +b -c -d =2⎪
则⎨⎪a -b +c -d =1,
⎪⎩a -b -c +d =1
可得ξ在基ε1, ε2, ε3, ε4下的坐标为
5111a =, b =, c =-, d =-。 4444
4P 例:在中,由齐次方程组
⎧3x 1+2x 2-5x 3+4x 4=0⎪⎨3x 1-x 2+3x 3-3x 4=0 ⎪3x +5x -13x +11x =0234⎩1
确定的解空间的基与维数。
解:对系数矩阵作行初等变换,有
⎛32-54⎫⎛32-54⎫⎛32-54⎫ ⎪ ⎪ ⎪ 3-13-3⎪→ 0-38-7⎪→ 0-38-7⎪ 35-1311⎪ 03-87⎪ 0000⎪ ⎝⎭⎝⎭⎝⎭所以解空间的维数是2,它的一组基为
⎛27⎫⎛18⎫ a 1= -9, 3, 1, 0⎪,a 2= 9, 3, 0, 1⎪。 ⎝⎭⎝⎭
例:设V 1与V 2分别是齐次方程组
x 1+x 2+... +x n =0, x 1=x 2=... =x n -1=x n 的解空间,证明:
P n =V 1⊕V 2.
证: 由于x 1+x 2+... +x n =0的解空间是n -1维的,其基为α1=(-1, 1, 0,..., 0), α2=(-1, 0, 1,..., 0),..., αn -1=(-1, 0, 0,..., 1) 而由 x 1=x 2=... =x n -1=x n 知其解空间是1维的,令
1). 且α1, α2,..., αn -1, β即为P n 的x n =1, 则其基为β=(1, 1,...,
n P =V 1+V 2. 一组基,从而
n 又dim(P ) =dim(V 1) +dim(V 2) ,(也可由交为零向量知) n P =V 1⊕V 2. 故
三、基变换与坐标变换
基变换:设α1, α2, , αn 及β1, β2, , βn 是线性空间V n 中的两个基,若
⎧β1=a 11α1+a 21α2+ +a n 1αn ⎪β=a α+a α+ +a α⎪2121222n 2n ⎨ ⎪⎪⎩βn =a 1n α1+a 2n α2+ +a nn αn
或简记为
(β1, β2, , βn )
⎛a 11a 12 a 1n ⎫ ⎪a a a α, α, , α21222n ⎪ =(12n ) ⎪ ⎪ a ⎪a a ⎝n 1n 2nn ⎭
=(α1, α2, , αn )A (☆)
则矩阵A 称为由基α1, α2, , αn 到基β1, β2, , βn 的过渡矩阵。 (☆)式称为基变换公式.
坐标变换: 设V n 中的元素α,在基α1, α2, , αn 下的坐标为(x 1, x 2, , x n ),在基β1, β2, , βn 下的坐T
标为(y 1, y 2, , y n )。若两个基满足关系式(6-2),T
则有坐标变换公式
⎛x 1⎫⎛y 1⎫⎛y 1⎫⎛x 1⎫ ⎪ ⎪ ⎪ ⎪ x 2⎪ y 2⎪ y 2⎪-1 x 2⎪A , 或=A = ⎪ ⎪ ⎪ ⎪ x ⎪⎪ y ⎪⎪ y ⎪⎪ x ⎪⎪⎝n ⎭⎝n ⎭⎝n ⎭⎝n ⎭
第七章 线性变换
一、线性变换的定义
线性空间V 到自身的映射称为V 的一个变换. 定义: 线性空间V 的一个变换A 称为线性变换,如果对于V 中任意的元素α, β和数域P 中任意数k ,都有
A (α+β)=A (α)+A (β);
A (k α)=A k (α).
一般用花体拉丁字母A ,B ,…表示V 的线性变换,A
(α) 或A α代表元素α在变换A 下的像.
例 判别下面所定义的变换那些是线性的,那些不是:
1) 在线性空间V 中,A ξ=ξ+α, 其中α∈V 是一固定的向量;
2) 在线性空间V 中,A ξ=α其中α∈V 是一固定的向量;
22(x , x , x ) =(x , x +x , x 1233) ; 3) 在P 中,A 1233
4) 在P 中,A (x 1, x 2, x 3) =(2x 1-x 2, x 2+x 3, x 1) ; 3
解: 1) 当α=0时, 是; 当α≠0时, 不是。
2) 当α=0时, 是; 当α≠0时, 不是。
3) 不是.
例如当α=(1, 0, 0) , k =2时, k A (α) =(2, 0, 0) , A (k α) =(4, 0, 0) ,
A (k α) ≠ k A(α) 。
4) 是. 因取α=(x 1, x 2, x 3), β=(y 1, y 2, y 3) , 有
A (α+β) = A(x 1+y 1, x 2+y 2, x 3+y 3)
=(2x 1+2y 1-x 2-y 2, x 2+y 2+x 3+y 3, x 1+y 1)
=(2x 1-x 2, x 2+x 3, x 1) +(2y 1-y 2, y 2+y 3, y 1) = Aα+ Aβ,
A (k α) = A (kx 1, kx 2, kx 3)
=(2kx -kx , kx +kx , kx ) 12231
= =(2kx 1-kx 2, kx 2+kx 3, kx 1) k A (α) ,
3故A 是P 上的线性变换。
二、线性变换关于基的矩阵
定义: 设ε1, ε2, , εn 是数域P 上
像可以被基线性表出: n 维线性空间V 的一组基,A 是V 中的一个线性变换. 基向量的
⎧A ε1=a 11ε1+a 21ε2+ +a n 1εn , ⎪A ε=a ε+a ε+ +a ε, ⎪2121222n 2n ⎨ ⎪ ⎪⎩A εn =a 1n ε1+a 2n ε2+ +a nn εn . 用矩阵表示就是
A (ε1, ε2, , εn )=(A (ε1) ,A (ε2) ,„, A (εn ) )
=(ε1, ε2, , εn ) A
其中
⎛a 11a 12 a 1n ⎫ ⎪ a 21a 22 a 2n ⎪A = ⎪ ⎪ a ⎪a a n 2nn ⎭⎝n 1
矩阵
阵.
定理: 设线性变换A 在基 A 称为线性变换A 在基ε1, ε2, , εn 下的矩
ε1, ε2, , εn 下的矩阵是A ,向量ξ在基ε1, ε2, , εn 下的坐标是(x 1, x 2, , x n ) , 则A ξ在基ε1, ε2, , εn 下的坐标(y 1, y 2, , y n ) 可以按公式
⎛y 1⎫ ⎪ y 2⎪ ⎪=
⎪ y ⎪⎝n ⎭
计算. ⎛x 1⎫ ⎪ x 2⎪A ⎪ ⎪ x ⎪⎝n ⎭
例: 在空间P [x ]n 中,线性变换
D f (x ) =f '(x ) x 2x n -1
在基1, x , 2! , , (n -1)! 下的矩阵是
0 0⎫⎛01 ⎪ 001 0⎪
D = ⎪ ⎪ 0 1⎪ 00 00⎪0 0⎝⎭
三、同一个线性变换在不同基下的矩阵的关系.
线性变换的矩阵是与空间中一组基联系在一起的. 一般说来,随着基的改变,同一个线性变换就有不同的矩阵. 为了利用矩阵来研究线性变换,有必要弄清楚线性变换的矩阵是如何随着基的改变而改变的.
定理:设线性空间V 中线性变换A 在两组 ε1, ε2, , εn (6)
η1, η2, , ηn (7)
下的矩阵分别为A 和B ,从基(6)到(7)的过渡
-1矩阵是X ,于是B =X AX .
定理告诉我们,同一个线性变换A 在不同基下的矩阵之间的关系为相似.
A ,B 为数域P 上两个n 级方阵,如果可以找到数域P 上的n 级可逆方阵X ,使得定义: 设B =X AX ,就说A 相似于B ,记作A ~B . -1
相似是矩阵之间的一种关系,这种关系具有下面三个性质:
1. 反身性:A ~A
A ~B ,那么B ~A . 2. 对称性:如果
3. 传递性:如果A ~B , B ~C , 那么A ~C .
线性变换在不同基下所对应的矩阵是相似的;反过来,如果两个矩阵相似,那么它们可以看作同一个线性变换在两组基下所对应的矩阵. 矩阵的相似对于运算有下面的性质.
如果B 1=X A 1X
-1
-1-1, B 2=X A 2X ,那么 B 1+B 2=X (A 1+A 2) X
B 1B 2=X (A 1A 2) X
由此可知,如果B
一多项式,那么 -1, =X AX
-1-1,且f (x ) 是数域P 上f (B ) =X
3f (A ) X 利用矩阵相似的这个性质可以简化矩阵的计算. 例:R 上的线性变换T 在基
⎛121⎫⎛1⎫⎛0⎫⎛0⎫ ⎪⎪ ⎪ ⎪A =012α1= 0, α=1, α=0 ⎪ ⎪1 ⎪1 ⎪下的矩阵为 1-11⎪ 0⎪ 0⎪ 1⎪⎝⎭⎝⎭⎝⎭⎝⎭
则基在α1,2α2, α3下的矩阵为( A )
⎛141⎫ ⎪011(A ) ⎪ 1-21⎪⎝⎭
⎛121⎫ ⎪101⎪ (C ) 2⎪ 1-11⎪⎝⎭
3 ⎛141⎫ ⎪044(B ) ⎪ 1-21⎪⎝⎭ ⎛242⎫ ⎪024⎪ (D ) 2-22⎪⎝⎭例:已知P 中线性变换A 在基
η1=(-1,1,1),η2=(1,0,-1),
⎛101⎫ ⎪ 110⎪, -121⎪⎝⎭η3=(0,1,1)下的矩阵是求A 在基
ε1=(1,0,0),ε2=(0,1,0),ε3=(0,0,1)下的矩阵。
解:因为(η1, η2, η3)=(ε1, ε2,ε⎛-110⎫ ⎪01⎪,所以 3) 1
1-11⎪⎝⎭
⎛-11-1⎫ ⎪εηεεηη01-1(1, 2,3)=(1, 2, 3) ⎪=(η1, η2, η3) X , 101⎪⎝⎭
故A 在基ε1, ε2,ε3下的矩阵为
B =X AX -1⎛-110⎫⎛101⎫⎛-11-1⎫⎛-11-2⎫ ⎪ ⎪ ⎪ ⎪= 101⎪ 110⎪ 01-1⎪= 220⎪。
1-11⎪ -121⎪ 101⎪ 302⎪⎝⎭⎝⎭⎝⎭⎝⎭
四、线性变换的特征值和特征向量
定义: 设A 是数域P 上线性空间V 的一个线性变换, 如果对于数域P 中一数λ, 存在一个非零向量ξ, 使得
A ξ=λξ (1)
那么λ称为A 的一个特征值, 而ξ叫做A 的属于特征值λ的一个特征向量.
如果ξ是线性变换A 的属于特征值λ的特征向量,那么ξ的任何一个非零倍数k ξ也是A 的属于特
征值λ的特征向量. 这说明特征向量不是被特征值所唯一决定的. 相反,特征值却是被特征向量所唯一决定的,因为,一个特征向量只能属于一个特征值.
特征值与特征向量的求法:确定一个线性变换A 的一个特征值与特征向量的方法可以分成以下几步:
1. 在线性空间V 中取一组基
ε1, ε2, , εn ,写出A 在这组基下的矩阵A ;
2. 求出A 的特征多项式λE -A 在数域P 中全部的根,它们也就是线性变换A 的全部特征值;
3. 把所求得的特征值逐个地代入方程组
⎛x 1⎫ ⎪x 2⎪ (λE -A ) =0 ⎪ (☆),对于每一个特 ⎪⎝x n ⎭
征值,解方程组(☆),求出一组基础解系,它们就是属于这个特征值的几个线性无关的特征向量在基ε1, ε2, , εn 下的坐标,这样,也就求出了属于每个特征征的全部线性无关的特征向量.
A 的特征多项式的根有时也称为A 的特征值,而相应的线性方程组(☆)的解也就称为A 的属矩阵
于这个特征值的特征向量.
例 设线性变换A 在基ε1, ε2, ε3下的矩阵是
⎛122⎫
A = 212⎪
⎪
⎝221⎪⎭,
求A 的特征值与特征向量.
例 设矩阵A 为
⎛142⎫
A = 0-34⎪
⎪
⎝043⎪,
⎭
(1)问A 能否相似于对角阵?(2)若能,求一个可逆矩阵P ,使得P -1AP 为对角阵.
例 在空间P [x ]n 中,线性变换
D f (x ) =f '(x ) , x 2x n -1
在基1, x 2! , , (n -1)! 下的矩阵是
⎛ 010 0⎫
001 0⎪
⎪
D = ⎪
000 1⎪⎪
⎝000 0⎪⎭
D 的特征多项式是
λ
0-10 0n λ00-1 00 -10 λ. λE -D = =λ
D 的特征值只有0. 通过解相应的齐次线性方程因此,
组知道,属于特征值0的线性无关的特征向量组只能是任一非零常数. 这表明微商为零的多项式只能是零或非零的常数.
五、线性变换的值域与核
定义:设A 是线性空间V 的一个线性变换,A 的全体像组成的集合称为A 的值域,用A V 表示. 所有被A 变成零向量的向量组成的集合称为A 的核,用-1A (0) 表示.
若用集合的记号则
A V ={A ξ|ξ∈V },
ξ|A ξ=0, ξ∈V } A -1(0) ={
线性变换的值域与核都是V 的子空间.
A V 的维数称为A 的秩,A (0) 的维数称为A 的零度.
-1
第九章 欧氏空间
一、欧氏空间举例
例1 在线性空间R 中, 对于向量 n
α=(a 1, a 2, , a n ) ,
β=(b 1, b 2, , b n ) ,
定义内积
(α, β) =a 1b 1+a 2b 2+ +a n b n . (1) 则内积(1)适合定义中的条件,这样R 就成为一个欧几里得空间. 仍用来表示这个欧几里得空间.
n R 例2 在里, 对于向量 n
α=(a 1, a 2, , a n ) , β=(b 1, b 2, , b n ) 定义内积
(α, β) =a 1b 1+2a 2b 2+ +na n b n . 则内积(1)适合定义中的条件,这样R 就也成为一个欧几里得空间.
对同一个线性空间可以引入不同的内积, 使得它作成不同的欧几里得空间.
例3 在闭区间[a , b ]上的所有实连续函数所成的空间C (a , b ) 中, 对于函数f (x ), g (x ) 定义内积 n
(f (x ), g (x )) =⎰a f (x ) g (x ) dx b .
C (a , b ) 构成一个欧几里得空间.
柯西-布涅柯夫斯基不等式:即对于任意的向量α, β有
(α, β) ≤αβ
当且仅当α, β线性相关时,等式才成立.
对于例1的空间R ,(5)式就是 n
a 1b 1+a 2b 2+ +a n b n ≤
a 1+a 2+ +a n b 1+b 2+ +b n . 对于例2的空间C (a , b ) ,(5)式就是
⎰a f (x ) g (x ) dx ≤
要求:正交矩阵的定义、判断、性质
定理:对于任意一个n 级实对称矩阵,A 都存在正交矩阵T ,使T
n n b (⎰f b a 2(x ) dx (⎰g (x ) dx b 2a 1212-1AT =T 'AT =Λ成对角形。 定理:任意一个实二次型 ∑∑a ij x i x j , a ij =a ji
i =1j =1
都可以经过正交的线性替换变成平方和
2λ1y 12+λ2y 22+ +λn y n ,
其中平方项的系数λ1, λ2, , λn 就是矩阵A 的特征多项式全部的根
注意:正定矩阵的判断与性质 正定二次型的判断(列举判断条件)
二.例题选讲
例. 求齐次线性方程组
⎧2x 1+x 2-x 3+x 4-3x 5=0⎨⎩x 1+x 2-x 3+x 5=0
的解空间的一组标准正交基。
解: 首先可求得基础解系为
α1=(1, 0, 0, -5, -1)
α2=(0, 1, 0, -4, -1)
α3=(0, 0, 1, 4, 1)
的交化得
β1=(1, 0, 0, -5, -1)
712β2=(-, 1, 0, -, -) 999
76121β3=(, , 1, , ) =(7, 6, 15, 1, 2) 1515151515
单位化得
31η2=(-7, 9, 0, -1, -2) 31η3=(7, 6, 15, 1, 2) 3 η1=1(1, 0, 0, -5, -1)
η1, η2, η3即为所求的标准正交基。