矩阵分析与多元统计 线性空间与线性变换2
矩阵分析与多元统计 线性空间与线性变换2
- 线性映射
- 矩阵的等价
- 线性映射的像空间与核空间
线性映射
V1,V2V_1,V_2V1,V2是数域FFF上的两个线性空间,A:V1→V2\mathcal{A}:V_1 \to V_2A:V1→V2是线性映射,如果:∀α1,α2∈V1\forall \alpha_1,\alpha_2 \in V_1∀α1,α2∈V1,λ∈F\lambda \in Fλ∈F,
- A(α1+α2)=Aα1+Aα2\mathcal{A}(\alpha_1+\alpha_2) = \mathcal{A}{\alpha_1} + \mathcal{A}{\alpha_2}A(α1+α2)=Aα1+Aα2
- A(λα1)=λAα1\mathcal{A}(\lambda\alpha_1) =\lambda \mathcal{A}{\alpha_1}A(λα1)=λAα1
假设α1,⋯,αn\alpha_1,\cdots,\alpha_nα1,⋯,αn是V1V_1V1的一组基,β1,⋯,βm\beta_1,\cdots,\beta_mβ1,⋯,βm是V2V_2V2的一组基,称A∈Fm×nA \in F^{m \times n}A∈Fm×n是线性映射A\mathcal{A}A在基α1,⋯,αn\alpha_1,\cdots,\alpha_nα1,⋯,αn与β1,⋯,βm\beta_1,\cdots,\beta_mβ1,⋯,βm下的表示,如果
A(α1,⋯,αn)=(β1,⋯,βm)A\mathcal{A}(\alpha_1,\cdots,\alpha_n) = (\beta_1,\cdots,\beta_m)AA(α1,⋯,αn)=(β1,⋯,βm)A
在给定两组基时,线性映射和它的矩阵表示是一一对应的(证明可以参考史荣昌的矩阵分析第三版定理1.4.1)。
矩阵的等价
假设α1′,⋯,αn′\alpha_1',\cdots,\alpha_n'α1′,⋯,αn′是V1V_1V1的另一组基,从α1,⋯,αn\alpha_1,\cdots,\alpha_nα1,⋯,αn到这组基的过渡矩阵是PPP;β1′,⋯,βm′\beta_1',\cdots,\beta_m'β1′,⋯,βm′是V2V_2V2的另一组基,从β1,⋯,βm\beta_1,\cdots,\beta_mβ1,⋯,βm到这组基的过渡矩阵是QQQ,如果A\mathcal{A}A在α1′,⋯,αn′\alpha_1',\cdots,\alpha_n'α1′,⋯,αn′和β1′,⋯,βm′\beta_1',\cdots,\beta_m'β1′,⋯,βm′下的矩阵表示为BBB,则
B=Q−1APB = Q^{-1}APB=Q−1AP
这个等式的证明就是把过渡矩阵和矩阵表示的定义叙述一遍即可,等式两边表达的是同一个向量的等价表示方法而已,此时称矩阵AAA和矩阵BBB等价。
线性映射的像空间与核空间
定义A(V1)={β=A(α)∈V2:∀α∈V1}\mathcal{A}(V_1) = \{\beta = \mathcal{A}(\alpha)\in V_2:\forall \alpha \in V_1\}A(V1)={β=A(α)∈V2:∀α∈V1}为线性映射的像空间,记为R(A)R(\mathcal{A})R(A),定义线性映射的秩为
rank(A)=dimR(A)rank(\mathcal{A}) = \dim R(\mathcal{A})rank(A)=dimR(A)
定义线性映射的核空间为
N(A)={α∈V1:A(α)=0∈V2}N(\mathcal{A}) = \{\alpha \in V_1: \mathcal{A}(\alpha)=0 \in V_2\}N(A)={α∈V1:A(α)=0∈V2}
称dimN(A)\dim N(\mathcal{A})dimN(A)为线性映射的零度。像空间是V2V_2V2的线性子空间,核空间是V1V_1V1的线性子空间。
例1.2.1 证明rank(A)=rank(A)rank(\mathcal{A}) = rank(A)rank(A)=rank(A),AAA是任意矩阵表示
关于核空间与像空间有一个很重要的关系:
dimR(A)+dimN(A)=dimV1\dim R(\mathcal{A}) + \dim N(\mathcal{A}) = \dim V_1dimR(A)+dimN(A)=dimV1
下面给出一个简单证明:
先证明一个用得上的引理:R(A)=span(A(α1),⋯,A(αn))R(\mathcal{A}) = span(\mathcal{A}(\alpha_1),\cdots,\mathcal{A}(\alpha_n))R(A)=span(A(α1),⋯,A(αn))
∀α∈V1\forall \alpha \in V_1∀α∈V1,∃α=x1α1+⋯+xnαn\exists \alpha = x_1\alpha_1 + \cdots + x_n \alpha_n∃α=x1α1+⋯+xnαn,
β=A(α)=A(x1α1+⋯+xnαn)=x1A(α1)+⋯+xnA(xn)∈V2\beta = \mathcal{A}(\alpha) = \mathcal{A}( x_1\alpha_1 + \cdots + x_n \alpha_n) \\ = x_1\mathcal{A}(\alpha_1) + \cdots + x_n \mathcal{A}(x_n) \in V_2β=A(α)=A(x1α1+⋯+xnαn)=x1A(α1)+⋯+xnA(xn)∈V2
因此
R(A)=span(A(α1),⋯,A(αn))R(\mathcal{A}) = span(\mathcal{A}(\alpha_1),\cdots,\mathcal{A}(\alpha_n))R(A)=span(A(α1),⋯,A(αn))
假设γ1,⋯,γr\gamma_1,\cdots,\gamma_rγ1,⋯,γr是N(A)N(\mathcal{A})N(A)的一组基,其中rrr是A\mathcal{A}A的零度,将这组基扩展到V1V_1V1,记为γ1,⋯,γr,γr+1′,⋯,γn′\gamma_1,\cdots,\gamma_r,\gamma_{r+1}',\cdots,\gamma_n'γ1,⋯,γr,γr+1′,⋯,γn′,则
R(A)=span(A(γ1),⋯,A(γr),A(γr+1′),⋯,A(γn′))=span(0,⋯,0,A(γr+1′),⋯,A(γn′))R(\mathcal{A}) = span(\mathcal{A}(\gamma_1),\cdots,\mathcal{A}(\gamma_r),\mathcal{A}(\gamma_{r+1}'),\cdots,\mathcal{A}(\gamma_n')) \\ = span(0,\cdots,0,\mathcal{A}(\gamma_{r+1}'),\cdots,\mathcal{A}(\gamma_n'))R(A)=span(A(γ1),⋯,A(γr),A(γr+1′),⋯,A(γn′))=span(0,⋯,0,A(γr+1′),⋯,A(γn′))
因此
dimR(A)=dimspan(A(γr+1′),⋯,A(γn′))\dim R(\mathcal{A}) = \dim span(\mathcal{A}(\gamma_{r+1}'),\cdots,\mathcal{A}(\gamma_n'))dimR(A)=dimspan(A(γr+1′),⋯,A(γn′))
要证明dimR(A)+dimN(A)=dimV1\dim R(\mathcal{A}) + \dim N(\mathcal{A}) = \dim V_1dimR(A)+dimN(A)=dimV1,只需要A(γr+1′),⋯,A(γn′)\mathcal{A}(\gamma_{r+1}'),\cdots,\mathcal{A}(\gamma_n')A(γr+1′),⋯,A(γn′)线性无关:
考虑
∑j=r+1nkjA(γj′)=0⇔A(∑j=r+1nkjγj′)=0⇔∑j=r+1nkjγj′∈N(A)\sum_{j=r+1}^n k_j \mathcal{A}(\gamma_j') = 0 \Leftrightarrow \mathcal{A}(\sum_{j=r+1}^n k_j \gamma_j') = 0 \Leftrightarrow \sum_{j=r+1}^n k_j \gamma_j' \in N(\mathcal{A})j=r+1∑nkjA(γj′)=0⇔A(j=r+1∑nkjγj′)=0⇔j=r+1∑nkjγj′∈N(A)
因此它可以用N(A)N(\mathcal{A})N(A)的基表示
∃∑j=r+1nkjγj′=∑i=1rliγi\exists \sum_{j=r+1}^n k_j \gamma_j' = \sum_{i=1}^r l_i \gamma_i∃j=r+1∑nkjγj′=i=1∑rliγi
因为γ1,⋯,γr,γr+1′,⋯,γn′\gamma_1,\cdots,\gamma_r,\gamma_{r+1}',\cdots,\gamma_n'γ1,⋯,γr,γr+1′,⋯,γn′线性无关,因此∀kj=li=0\forall k_j=l_i=0∀kj=li=0
矩阵分析与多元统计 线性空间与线性变换2相关推荐
- 矩阵分析与多元统计1 线性空间与线性变换1
矩阵分析与多元统计 线性空间与线性变换1 线性空间 基.坐标.坐标变换 线性子空间 关于矩阵分析的讨论都是在线性空间中进行的,所以这个系列的博客会从线性空间开始,考虑到是矩阵分析了,所以线性代数层面的 ...
- 矩阵分析与多元统计1 线性空间与线性变换3 特征值
矩阵分析与多元统计1 线性空间与线性变换3 特征值 线性变换 线性空间的同构 线性变换的特征值与特征向量 几何重数与代数重数 线性变换 从线性空间VVV到它自身的线性映射叫做线性变换,在基α1,⋯,α ...
- 矩阵分析与多元统计II 二次型与二次曲面1 线性函数与对偶空间
矩阵分析与多元统计II 二次型与二次曲面1 线性函数与对偶空间 对偶空间 线性函数的表示方法 线性空间的对偶空间也是线性空间 对偶空间的对偶空间 应用1:转置映射 应用2:零化子空间 二次型与二次曲面 ...
- 矩阵分析与多元统计II 二次型与二次曲面3 二次型及其标准形的定义
矩阵分析与多元统计II 二次型与二次曲面3 二次型及其标准形的定义 上一讲我们讨论了二次齐次函数.对称双线性函数之间的一一对应关系,这一讲我们从多项式的角度讨论二次齐次函数,给出二次型的概念及其标准形 ...
- 矩阵分析与多元统计II 二次型与二次曲面2 双线性函数
矩阵分析与多元统计II 二次型与二次曲面2 双线性函数 双线性函数 双线性函数的表示 满秩双线性函数 对称与反对称 对称双线性函数 反对称双线性函数 应用 伪欧氏空间与伪正交变换 辛空间与辛变换 对称 ...
- 矩阵分析与多元统计11 广义vec算子与devec算子
矩阵分析与多元统计11 广义vec算子与devec算子 定义 简单性质 τ\tauτ符号 广义vec算子与devec算子提供理论上重塑矩阵形状的工具. 定义 假设AAA是一个m×npm \times ...
- 矩阵分析与多元统计12 0-1矩阵 交换矩阵与Kronecker乘积
矩阵分析与多元统计12 0-1矩阵 交换矩阵与Kronecker乘积 基本性质 用交换矩阵的构造证明基本性质 这一讲介绍交换矩阵与Kronecker乘积相关的性质.对于矩阵A∈Fm×nA \in F^ ...
- 矩阵分析与多元统计12 0-1矩阵 交换矩阵简介
矩阵分析与多元统计12 0-1矩阵 交换矩阵简介 选择矩阵 交换矩阵 顾名思义,0-1矩阵就是所有元素取值均为0和1的矩阵,这类矩阵在矩阵分析.多元统计乃至组合学和图论中都有很重要的应用.在这个主题中 ...
- 矩阵分析与多元统计11 Kronecker乘积
矩阵分析与多元统计11 Kronecker乘积 Kronecker乘积 vec算子与devec算子 Kronecker乘积 定义 数域FFF中,A=(aij)∈Fm×n,B∈Fp×qA = (a_{i ...
最新文章
- 学习ExtJS4 常用控件
- 四分之一常用的非抗菌药物,居然也会抑制人体肠道菌群?
- big sur 降级_太阳报:若诺维奇降级,球员将降薪一半
- Java-Calendar
- CodeForces - 504B Misha and Permutations Summation(线段树模拟康托展开与逆展开)
- Apache伪静态学习
- sts 明明导包正确却报错_这真是危险的关系,明明你错了,但是她认了!
- LuoguP2756 飞行员配对方案问题(最大流)
- 如何利用开源风控系统 TH-Nubula(星云)防止撞库?
- 一篇文章帮你梳理清楚API设计时需要考虑的几个关键点
- 你是如何看待 ‘裸辞’ 这件事的?
- 亚马逊的冷血文化:虽然备受争议,但颇具力量
- usb 键盘码表_电脑键盘对应的二进制码表
- sql server2014 企业版 百度云下载
- 我在阿里工作的这段时间里,都学到了哪些东西
- layer弹出层的位置设置
- C语言关于排序的十一个函数
- acdream 1725 哗啦啦的小彭玉染色问题 离散化并查集
- 分区表的分区统计信息
- 为什么会有“剩男剩女”