矩阵论Matrix1-1预览.ppt

矩阵论  Matrix Theory 第1章：线性空间与线性变换 内容概述： 线性空间的一般概念 重点：空间的代数与几何结构，与向量空间R n 的关系 线性变换 重点：其中的矩阵处理方法 特点： 研究代数结构——具有线性运算的集合。 研究几何结构——空间的维数和基 看重的不是研究对象本身，而是对象之间的结构关系。 研究的关注点：对象之间数量关系的矩阵处理。 学习特点：具有抽象性和一般性。 1.1 线性空间 一、线性空间的概念 n 维向量空间Rn Rn到线性空间的推广思想： 抽象出线性运算的本质，在任意研究对象的集合上定义具有线性运算的代数结构。 线性空间的定义（定义1.1（P .1）） 要点： 集合V 与数域F 向量的加法和数乘向量运算 运算性质的公理定义 常见的线性空间 F n={X=（x1，x2，…，xn）T：x ?F} 运算：向量加法和数乘向量 F m?n = {A=[aij]m?n：a ij?F}； 运算：矩阵的加法和数乘矩阵 R m?n ；C m?n Pn [x]={ ：ai?R} 运算：多项式的加法和数乘 C[a，b]={f（x）：f（x）在[a，b]上连续} 运算：函数的加法和数乘 eg5： V=R+，F=R， a? b=ab， ?? a=a ? F=R或C 线性空间的抽象： 线性空间的一般形式： V（F），元素被统称为向量：?， ?，?，? 线性空间的简单性质（共性）： 定理1 . 1：V（F）具有性质： （1） V（F）中的零元素是惟一的。 （2） V（F）中任何元素的负元素是惟一的。 （3）数零和零元素的性质： 0?=0，k0=0，k? =0 ? ?=0 或 k=0 （4） ? ?= （?1）? 数0 向量0 二、线性空间的基和维数 向量的线性相关与线性无关： 定义形式和向量空间Rn中的定义一样。 有关性质与定理和Rn中的结果一样。 例题1 证明C[0，1]空间中的向量组 {ex，e2x，e3x …，enx}，x?[0，1] 线性无关。 二、线性空间的基和维数 基与维数的概念：P . 3，定义1 . 2 常见线性空间的基与维数： Fn，自然基{e1，e2，…,en}，dim Fn =n Rm?n ，自然基{Eij}，dim Rm?n =m?n。 Pn [x] ，自然基{1，x，x2，x3…,x n-1}，dimPn [x] =n C[a，b]， {1，x，x2，x3…x n-1 …}?C[a,b]， dim C[a，b]= ? 约定： V n （F）表示数域F上的 n 维线性空间。 只研究有限维线性空间。 三、坐标 1 定义 1 .3 （P . 3)设{?1，?2，…，? n } 是空间 的一组基， ?? ? ， ? ?= ，则x1 ， x2， …， xn 是?在基{?i}下的坐标。 例1：求 R2?2中向量 在基{Eij}下的坐标。 要点： 坐标与基有关 坐标的表达形式 例2 设空间P4[x]的两组基为： {1，x，x2，x3}和 {1，（ x - 1）1，（ x - 1）2，（ x - 1）3} 求f（x）=2+3x+4x2+x 3在这两组基下的坐标。 归纳： 任何线性空间V n[F]在任意一组基下的坐标属于Fn 。 每一个常用的线性空间都有一组“自然基”，在这组基下，向量的坐标容易求得。 求坐标方法的各异性。 2、 线性空间V n（F）与Fn的同构 坐标关系 V n （F） Fn 基{?1，?2，… ,? n} 由此建立一个一一对应关系? ? ? ? V n （F），?X ?Fn， ?（?）=X ?（?1+?2）=?（?1）+?（?2） ?（k?）=k?（?） 在关系?下，线性空间V n （F）和Fn同构。 同构的性质 定理1.3:V n （F）中向量{?1，?2，…?n}线性相关?它们的坐标{X1 , X2, … ,Xn}在Fn中线性相关。 同构保持线性关系不变。 应用： 借助于空间Fn中已经有的结论和方法研究一般线性空间的线性关系。 例题2 设R2?2