线性空间2

1 矩阵的值域(定义)

        设, A = (a_{ij}) \epsilon R^{m * n}, 以 a_i (i = 1,...,n), 表示A的第i个列向量,称子空间L(a_1,a_2,...a_n)为矩阵的值域,记为R(A) = L(a_1,a_2,...a_n)

        值域有如下结论

(1)R(A) \subset R^m

(2)(矩阵的秩数) rank(A) = dimR(A)(线性空间V中线性无关向量组所含向量最大个数称为维数)

(3)      R(A) = \left \{ Ax | x\epsilon R^n \right \}

证明R(A) = \left \{ Ax | x\epsilon R^n \right \}

 

2 零度 (定义)

        设A = (a_{ij}) \epsilon R^{m*n} 称集合\left \{ x|Ax = 0 \right \}为A的核空间(零空间),记为N(A), 它是齐次线性方程组Ax = 0的解空间,它是R^n的一个子空间

        A 的核空间的维数称为A的零度,记为n(A).

        即: n(A) = dimN(A) 

        

线性空间2_第1张图片

        通过上述例子,得出结论rank(A) + n(A) = A的列数 (1)

                                又因为 rank(A^T) + n(A^T) = A的行数 (2)

         通过(1) - (2) 可得: n(A) - n(A^T) = A的列数 - A的行数

3 子空间的交与和(定义)

        设V_1, V_2是线性空间V的两个子空间,则:


                V_1 \cap V_2 = \left \{ x| x\epsilon V_1,x\epsilon V_2 \right \}

                V_1 + V_2 = \left \{ x+y | x\epsilon V_1,y \epsilon V_2 \right \}

        分别称为两个子空间的交与和。

4 若V_1,V_2是线性空间V的两个子空间则 V_1 \cap V_2, V_1 + V_2均为V的子空间 。 (定理)

        证明:

         

 5 V_1 \cap V_2是包含在V_1,V_2中的最大子空间;

        V_1 + V_2是包含在V_1,V_2的最小子空间。

线性空间2_第2张图片

5 若V_1,V_2是线性空间V的子空间,则有

 dim(V_1 + V_2) + dim(V_1 \cap V_2) = dimV_1 + dimV_2    定理

线性空间2_第3张图片

6 直和(定义) 

         设V_1,V_2是线性空间V 的子空间,若其空间V_1 + V_2中任一元素只能唯一表示为V_1的一个元素与V_2的一个元素之和,即\forall x \epsilon V_1 + V_2, 存在唯一的y \epsilon V_1,z\epsilon V_2,使得 x = y + z,则称V_1 + V_2

V_1,V_2的直和,记为V_1 \oplus V_2.

7  V_1 + V_2为直和的充要条件是 V_1 \cap V_2 = L(\vec{0})  推论

         推论1 设V_1,V_2是线性空间V 的子空间,令U = V_1 + V_2,则 U = V_1 \oplus V_2的充要条件为

dimU = dim(V_1 + V_2) = dimV_1 + dimV_2

线性空间2_第4张图片

        推论2 如果x_1,x_2,...x_k 为 V_1的基,y_1,y_2,...y_l 为V_2的基,且V_1 + V_2为直和,则x_1,x_2,...x_k,y_1,y_2,..y_lV_1 + V_2为直和的基。

线性空间2_第5张图片

你可能感兴趣的:(矩阵论,矩阵,线性代数,linq)