线性空间
线性空间 (linear space)
线性空间(矢量空间) X 是一个域 K 上的模。这个域 K 可以是实数域 R、复数域 C 等等。
在我们初学线性代数时,我们使用了八个公理去定义线性空间,这其实和 “域 K 上的模” 的内涵是完全一致的。我们来看:
设 u,v∈X,a,b∈K,e 为域 K 中的恒元。
- 域 K 上的模 X 是一个 阿贝尔群,存在一个群加法 “+”,X 对于 “+” 成阿贝尔群:
u+v=v+u
u+v=v+u
u+0=u
u+(−u)=0
- 外部运算标量乘法 “⋅” 需要满足:
a(u+v)=au+av(a+b)u=au+bu
- 标量乘法与域 K 的乘法相容
(ab)u=a(bu)
eu=u
简而言之,线性空间是一个 K−模。
常见的线性空间有 R3:三维向量空间。再比如所有系数为实数的多项式的集合 R[X],对于通常意义上的多项式加法和标量乘法,R[X] 也构成一个向量空间。
我们通常将线性空间中的元素称为 矢量 (vector) 或 向量。因此线性空间也常称为 矢量空间 (vector space) 或 向量空间。
∀x∈X,我们可以将其展开为:
x=xiei:=i=1∑nxiei,xi∈K
这里上下重复指标代表缩并,即 Einstein 求和公约。其中 {ei} 为该线性空间的一组基底:
{ei,i=1,2,⋯,n=dim(X)}
线性空间的子空间
子空间 (subspace)
设 A 是 X 的一个子集,若在 X 所有的代数操作下 A 也是一个线性空间,则 A 称为 X 的一个线性子空间。
例:
设 V={v1,⋯,vm} 是 X 中任意一组矢量,则这组向量张成的空间 Span(V) 是 X 的一个线性子空间。
Span(V) 定义如下:
Span(V):={zivi∣zi∈K,i=1,⋯,m}
线性子空间的内直和 (internal direct sum)
设 U 和 V 是 X 的两个子空间,且有 U∩V={0}。则 U 和 V 的内直和定义为:
U⊕V={u+v∣u∈U,v∈V}
注意只有当 U∩V={0} 时,它们的内直和可定义。
定理
设 U 和 V 是 X 的两个子空间,则 U⊕V 也是 X 的子空间,且有
dim(U⊕V)=dim(U)+dim(V)
不难证明,注意到 U,V 可以用两组基底 {ei},{ej} 张成,且 U∩V={0} 说明该两组基底是线性无关的。且 {ei}∪{ej} 能张成 U⊕V。
线性子空间的补空间 (complementary)
设 U 和 V 是 X 的两个子空间,且有
X=U⊕V
则称 V 为 U 的 补空间。
在上面的定义中,V 和 U 是相互的。即 U,V 互为补空间。
但需要指出的是:给定一个 U,它的补空间并不唯一。例如取 X=R3,U={(0,y,z)∣y,z∈R},而其补空间 V 不唯一,可以取为:
X={(t,at,bt)∣t∈R}
其中 a,b 为给定实数。
线性子空间的外直和 (external direct sum)
设 X 和 Y 是数域 K 上的两个线性空间,在卡氏积 X×Y 上定义如下加法 “+” 和数乘 “⋅”:
(x1,y1)+(x2,y2)=cλ⋅(x,y)=(λx,λy)
其中 x1,x2,x∈X, y1,y2,y∈Y, λ∈K,则 X×Y 配以 “+” 和 “⋅” 成为一个线性空间,称为 X 和 Y 的 (外)直和,并记为 X⊕Y,即我们有:
X⊕Y=(X×Y,+,⋅)
有时候也将 X⊕Y=(X×Y,+,⋅) 中矢量的加法 “+” 也记为 “⊕”,即有:
(x1,y1)⊕(x2,y2)=(x1+x2,y1+y2)
定理
设 U 和 V 是 X 的两个线性子空间,且 X 等于 U 和 V 的内直和。现将 U 和 V 看作两个独立的线性空间,则它们的外直和与 X 同构。
其中:数域 K 上的两个线性空间 V,V′ 同构是指:存在一个双射 σ:V→V′ 保持加法与数乘的结构:
即 ∀k∈K, u,v∈V 有:
σ(u+v)σ(ku)=σ(u)+σ(v)=kσ(u)
线性映射
线性映射 (linear mappings)
设 X 和 Y 是某个域 K 上的两个线性空间。映射 f:X→Y 称为线性映射,若:
∀α,β∈K, ∀x,y∈X,f(αx+βy)=αf(x)+βf(y)
线性映射的核 (kernal)
设 f:X→Y 为线性映射,X 中的子集 {x∣f(x)=0} 称为 f 的核。记为 kerf。
定理
设 f:X→Y 为线性映射,则 kerf 是 X 的线性子空间。若 kerf={0},则 f 是单射。
容易证明 kerf 为 X 的线性子空间:
∀ x1,x2∈kerf, ∀ α,β∈K。由线性映射的性质可得:
f(αx1+βx2)=αf(x1)+βf(x2)=0⇒αx1+βx2∈kerf
不难证明也将满足线性空间的其他公理。且显然有 kerf⊂X。
另外:利用反证法,若 f 不是单射,容易得到存在非零元素属于 kerf。
线性映射的像 (image)
设 f:X→Y 为线性映射,则可将其像记为 imf。
定理
设 f:X→Y 为线性映射,则 imf 是 Y 的子空间。
定理
设 f:X→Y 为线性映射,则:
dim(X)=dim(kerf)+dim(imf)
证明:
设 X 的维度为 n,kerf 的维度为 m,我们只需要证明 imf 的维度为 n−m 即可。由于 dimX=n,我们可以找到一个极大线性无关基底组:
{ei,i=1,⋯,n}
由于 Imf 为线性空间,可以取以下基底组:
{f(ei),i=1,⋯,n}
该基底是完备的,但并不一定是线性独立的。考虑到 kerf 的维度为 m,因此将存在 m 个线性独立的方程:
f(amiei)=0=amif(ei)
因此可以得到 {f(ei)} 的维度为 m−n。即有:
dim(X)=dim(kerf)+dim(imf)
对偶空间
线性映射的空间
由 X 到 Y 的所有线性映射形成一个集合。我们将其记为 L(1)(X;Y),在这个集合上我们可以引入一个内部加法:
(f+g)(x)=f(x)+g(x)
和一个外部标量乘积:
(λf)(x)=λf(x),λ∈K
这样由 X 到 Y 的所有线性映射形成一个集合: L(1)(X;Y),也形成域 K 上的线性空间。
(代数)对偶空间 (Algerbraic dual space)
取 Y 为域 K,则 L(1)(X;K) 是 X 上 K 值线性函数形成的空间,称为 X 的代数对偶空间。记为 X∗,其中的元素可以记为:x∗,y∗,⋯。
定理
设 X 是有限维空间,则 X∗ 和 X 的维数相同。
证明:
设 x∈X,f∈X∗,x 可展开为 x=xiei,则有:
f(x)=xif(ei)
因此,一个线性函数在矢量上的作用可完全由其在基底 {ei} 上的作用决定。考虑 X∗ 内的基底为 {e∗i},我们完全可以选取一组特殊的基 {e∗i} 使得:
e∗i(ej)=δji,j=1,⋯,n
那么就有:
f(x)=f(ei)xi=f(ei)e∗i(x)
其中:
fi=f(ei)∈K
因为 x 任意,可以得到:
f=fie∗i
因此可以发现:任意一个给定的线性函数,都可以由 {e∗i,i=1,⋯,n} 展开。可以证明这个展开是唯一的。
X 与 X∗ 的对偶是相互的。有:
(X∗)∗=X