线性映射方法在矩阵理论和运算中的应用

合集下载

《有趣的矩阵:看得懂又好看的线性代数》笔记

《有趣的矩阵:看得懂又好看的线性代数》笔记

《有趣的矩阵:看得懂又好看的线性代数》阅读随笔目录一、矩阵基础篇 (2)1.1 矩阵的定义与性质 (3)1.2 矩阵的运算 (4)1.3 矩阵的秩与行列式 (5)二、矩阵应用篇 (6)2.1 矩阵在物理学中的应用 (7)2.2 矩阵在计算机科学中的应用 (8)2.2.1 图像处理 (9)2.2.2 机器学习 (10)2.3 矩阵在经济学中的应用 (11)三、矩阵可视化篇 (13)3.1 利用图表展示矩阵 (14)3.2 利用动画展示矩阵运算 (15)3.3 利用交互式工具探索矩阵世界 (16)四、矩阵挑战篇 (17)4.1 解决矩阵方程 (19)4.2 矩阵分解技巧 (20)4.3 矩阵的逆与特征值问题 (21)五、矩阵与艺术篇 (22)5.1 矩阵在艺术设计中的应用 (23)5.2 矩阵与音乐的关系 (25)5.3 矩阵与建筑的空间结构 (26)六、矩阵学习策略篇 (27)6.1 如何选择合适的矩阵学习材料 (28)6.2 矩阵学习的有效方法 (29)6.3 如何克服矩阵学习的障碍 (31)七、矩阵趣味问答篇 (32)7.1 矩阵相关的趣味问题解答 (33)7.2 矩阵在日常生活中的实际应用 (33)7.3 矩阵的趣味故事与趣闻 (34)八、结语 (35)8.1 阅读随笔总结 (36)8.2 对矩阵未来的展望 (38)一、矩阵基础篇在《有趣的矩阵:看得懂又好看的线性代数》作者以一种通俗易懂的方式向我们介绍了矩阵的基本概念和性质。

矩阵是线性代数中的一个重要概念,它可以用来表示线性方程组、线性变换等。

我们将学习矩阵的基本运算,包括加法、减法、乘法等,并通过实际的例子来理解这些运算的含义。

我们来学习矩阵的基本运算,矩阵是由m行n列的数排成的矩形阵列,其中m和n分别表示矩阵的行数和列数。

每个元素用一个位于其行列索引处的小写字母表示,例如矩阵A [13 4]中,A[1][2]表示矩阵A的第一行第三列的元素,即3。

矩阵发展历史

矩阵发展历史

矩阵发展历史引言概述:矩阵作为数学中重要的概念,其发展历史可以追溯到几千年前。

本文将以引言概述和五个部分的方式,详细阐述矩阵发展的历史。

一、早期矩阵概念的出现1.1 早期矩阵的概念早期的数学家们开始意识到矩阵的概念,并将其应用于解决一些几何和代数问题。

然而,早期的矩阵并不像现在的矩阵那样具有明确的定义和符号表示。

1.2 古代文明中的矩阵应用古代文明中的数学家们开始将矩阵应用于解决实际问题。

例如,在古代埃及,矩阵被用来解决土地测量和建筑设计中的几何问题。

古希腊数学家们也开始使用矩阵来解决代数方程。

1.3 中国古代对矩阵的贡献中国古代数学家们在矩阵的发展中也作出了重要贡献。

他们发现了一些矩阵的特殊性质,并将其应用于解决天文学和农业领域的问题。

这些贡献为后来矩阵的发展奠定了基础。

二、矩阵的现代定义和符号表示2.1 矩阵的现代定义随着数学的发展,矩阵的定义逐渐清晰起来。

现代定义中,矩阵被定义为一个由数值按照规则排列成的矩形阵列。

2.2 矩阵的符号表示为了简化矩阵的表示和运算,数学家们引入了矩阵的符号表示。

矩阵通常用方括号或圆括号表示,并使用字母或符号表示矩阵的元素。

2.3 矩阵的运算规则矩阵的发展也伴随着矩阵的运算规则的建立。

数学家们定义了矩阵的加法、减法和乘法规则,并研究了矩阵的转置、逆矩阵等重要概念。

三、矩阵在线性代数中的应用3.1 线性方程组的解法矩阵在线性代数中被广泛应用于解决线性方程组的问题。

通过将线性方程组转化为矩阵形式,可以用矩阵运算的方法快速求解。

3.2 向量空间的表示矩阵也被用来表示向量空间中的线性变换。

通过矩阵的乘法运算,可以将向量空间中的点映射到另一个向量空间中。

3.3 特征值和特征向量矩阵的特征值和特征向量是矩阵在线性代数中的重要概念。

它们可以用来描述矩阵在变换过程中的特殊性质和变换方向。

四、矩阵在应用领域中的应用4.1 计算机图形学矩阵在计算机图形学中被广泛应用。

通过矩阵的变换和投影操作,可以实现三维物体在二维屏幕上的显示和变换。

矩阵分析与计算--01-线性空间

矩阵分析与计算--01-线性空间

《矩阵分析与应用》
张贤达清华大学出版社,2004年9月
矩阵与计算工具:MATLAB, MAPLE,LAPACK … 编程语言:C/C++, C#, Fortran,Java
14
矩阵分析与计算
考核方式:

闭卷考试:65%
课堂讨论,小报告: 35% 作业抽查,应该重视练习、讨论、算法设计、 上机实践等环节。
矩阵是数学中的一个重要的基本概念,是代数 学的一个主要研究对象,也是数学研究和应用 的一个重要工具。“矩阵”这个词是由西尔维 斯特(1814-1897)首先使用的,他是为了将 数字的矩形阵列区别于行列式而发明了这个述 语 西尔维斯特一生致力于纯数学的研究,他和凯莱、哈 在逻辑上,矩阵的概念应先于行列式的概念, 密顿 (Hamilton)等人一起开创了英国纯粹数学的一个 然而在历史上次序正好相反。 繁荣局面.他的成就主要在代数方面,他同凯莱一起
18
本讲主要内容
线性空间定义与性质 基、维数、坐标 基变换与坐标变换
子空间
内积空间
19
一、线性空间

几何空间和 n 维欧氏空间的回顾 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。
线性空间定义 要点:


集合V 与数域F 向量的加法和数乘向量运算 运算的性质刻画
矩 阵 分 析 与 计 算 Matrix Analysis and Computations
理学院 Email: mymath@ (民) 2011年9月
1

本科线性代数内容的简单回顾与讨论 1)线性代数主要内容 2)有什么用?工科学生最关心的 大家在本科毕业设计中用了么?

线性代数课件PPT

线性代数课件PPT
线性代数课件
目录 CONTENT
• 线性代数简介 • 线性方程组 • 向量与矩阵 • 特征值与特征向量 • 行列式与矩阵的逆 • 线性变换与空间几何
01
线性代数简介
线性代数的定义和重要性
1
线性代数是数学的一个重要分支,主要研究线性 方程组、向量空间、矩阵等对象和性质。
2
线性代数在科学、工程、技术等领域有着广泛的 应用,如物理、计算机科学、经济学等。
逆矩阵来求解特征多项式和特征向量等。
06
线性变换与空间几何
线性变换的定义和性质
线性变换的定义
线性变换是向量空间中的一种变换, 它将向量空间中的每一个向量映射到 另一个向量空间中,保持向量的加法 和标量乘法的性质。
线性变换的性质
线性变换具有一些重要的性质,如线 性变换是连续的、可逆的、有逆变换 等。这些性质在解决实际问题中具有 广泛的应用。
特征值与特征向量的应用
总结词
特征值和特征向量的应用非常广泛,包括物理、工程、经济等领域。
详细描述
在物理领域,特征值和特征向量可以描述振动、波动等现象,如振动模态分析、波动分析等。在工程 领域,特征值和特征向量可以用于结构分析、控制系统设计等。在经济领域,特征值和特征向量可以 用于主成分分析、风险评估等。此外,在机器学习、图像处理等领域也有广泛的应用。
经济应用
线性方程组可用于解决经济问题,如投入产出分析、 经济预测等。
03
向量与矩阵
向量的基本概念
向量的模
表示向量的长度或大小,记作|向量|。
ቤተ መጻሕፍቲ ባይዱ
向量的方向
由起点指向终点的方向,可以通过箭头表示。
向量的分量
表示向量在各个坐标轴上的投影,记作x、y、 z等。

《线性代数讲义》课件

《线性代数讲义》课件

在工程学中,性变换也得到了广泛的应用。例如,在图像处理中,可
以通过线性变换对图像进行缩放、旋转等操作;在线性控制系统分析中
,可以通过线性变换对系统进行建模和分析。
THANKS
感谢观看
特征向量的性质
特征向量与特征值一一对应,不同的 特征值对应的特征向量线性无关。
特征值与特征向量的计算方法
01
定义法
根据特征值的定义,通过解方程 组Av=λv来计算特征值和特征向 量。
02
03
公式法
幂法
对于某些特殊的矩阵,可以利用 公式直接计算特征值和特征向量 。
通过迭代的方式,不断计算矩阵 的幂,最终得到特征值和特征向 量。
矩阵表示线性变换的方法
矩阵的定义与性质
矩阵是线性代数中一个基本概念,它可以表示线性变 换。矩阵具有一些重要的性质,如矩阵的加法、标量 乘法、乘法等都是封闭的。
矩阵表示线性变换的方法
通过将线性变换表示为矩阵,可以更方便地研究线性 变换的性质和计算。具体来说,如果一个矩阵A表示 一个线性变换L,那么对于任意向量x,有L(x)=Ax。
特征值与特征向量的应用
数值分析
在求解微分方程、积分方程等数值问题时, 可以利用特征值和特征向量的性质进行求解 。
信号处理
在信号处理中,可以利用特征值和特征向量的性质 进行信号的滤波、降噪等处理。
图像处理
在图像处理中,可以利用特征值和特征向量 的性质进行图像的压缩、识别等处理。
05
二次型与矩阵的相似性
矩阵的定义与性质
数学工具
矩阵是一个由数字组成的矩形阵列,表示为二维数组。矩阵具有行数和列数。矩阵可以进行加法、数 乘、乘法等运算,并具有相应的性质和定理。矩阵是线性代数中重要的数学工具,用于表示线性变换 、线性方程组等。

线性代数中的正交矩阵与正交变换

线性代数中的正交矩阵与正交变换

线性代数中的正交矩阵与正交变换线性代数是现代数学的基础理论之一,它在各个领域中起到了重要的作用。

其中,正交矩阵和正交变换是线性代数中的重要概念之一。

本文将深入探讨正交矩阵和正交变换的定义、性质以及在实际问题中的应用。

一、正交矩阵的定义与性质首先,我们来了解正交矩阵的定义。

在线性代数中,一个方阵A称为正交矩阵,当且仅当满足以下条件:1. A的转置矩阵A^T等于它的逆矩阵A^(-1)。

2. A的所有列向量互为正交向量。

3. A的所有列向量的模长都等于1。

基于上述定义,我们可以推导出正交矩阵的一些重要性质。

1. 正交矩阵的行向量以及列向量都是单位向量,即长度为1的向量。

2. 正交矩阵的行向量两两正交,列向量两两正交。

3. 正交矩阵的转置矩阵就是它的逆矩阵。

二、正交变换的概念与性质正交变换是指保持向量的长度和夹角不变的线性变换。

在线性代数中,我们可以通过正交矩阵进行正交变换。

具体而言,设A是一个正交矩阵,x是一个向量,那么正交变换可以表示为Ax。

正交变换具有以下重要性质:1. 正交变换可以将一个向量映射为另一个向量,同时保持向量的长度和夹角不变。

2. 正交变换的矩阵一定是正交矩阵,即正交矩阵其实就是表示正交变换的矩阵。

3. 正交变换是线性变换的一种特殊情况,其满足线性变换的加法和数乘运算。

三、正交矩阵与正交变换在实际问题中的应用正交矩阵与正交变换在实际问题中有广泛的应用。

以下举例说明:1. 三维图形的旋转在三维计算机图形学中,我们经常需要对三维图形进行旋转操作。

而正交矩阵正好可以用来表示三维空间中的旋转。

通过构造一个特定的正交矩阵,我们可以实现对三维图形的旋转变换。

2. 傅里叶变换傅里叶变换是一种在信号处理和图像处理中广泛应用的方法。

正交矩阵在傅里叶变换中起到了重要作用,通过将输入信号与正交矩阵相乘,可以实现频域上的变换,提取信号的频谱信息。

3. 数据压缩与图像处理正交矩阵和正交变换也被广泛应用于数据压缩和图像处理领域。

线性代数的历史里程碑

线性代数的历史里程碑线性代数是数学的一个重要分支,它研究了线性方程组、向量空间和线性映射等基本概念,具有广泛的应用。

本文将重点回顾线性代数的历史里程碑,介绍了几个具有重大意义的事件和突破。

1. 古希腊时期:线性方程组的发展古希腊数学家克拉美(Cramer)在18世纪提出了Cramer's Rule,他通过研究线性方程组的解,发现了一种可以推导出方程组解的方法。

这一重要的发现为线性方程组的求解提供了理论基础,并为线性代数的发展奠定了坚实的基础。

2. 17世纪:高斯消元法的提出高斯是线性代数史上的一个重要人物,他在17世纪提出了高斯消元法。

通过对线性方程组进行行变换,高斯消元法能够将方程组化为简化的行阶梯形式,从而更容易求解。

高斯消元法的出现使得线性方程组的解法更加简单和直观,极大地推动了线性代数的发展。

3. 19世纪:向量空间的提出向量空间是线性代数中一个重要的概念,它由德国数学家Grassmann在19世纪首次提出。

Grassmann通过对向量的研究,发现了一种新的数学结构,将多维空间中的向量和运算规则进行了抽象和概括。

向量空间的出现使得线性代数的研究更加具有一般性和抽象性,为后来的理论建立提供了坚实的基础。

4. 20世纪:矩阵理论的兴起20世纪是线性代数发展的关键时期,矩阵理论作为线性代数的一个重要分支逐渐兴起。

矩阵是线性代数中的一种特殊形式,通过研究矩阵的性质和运算规则,人们可以更加方便地应用线性代数的方法解决实际问题。

矩阵理论的兴起为线性代数的应用提供了强大的工具和方法,极大地拓展了线性代数的领域。

5. 当代:高维线性代数的研究随着科技的发展和实际问题的复杂性增加,线性代数的研究也不断深入。

人们开始关注高维线性代数,并研究了在高维空间中线性方程组、向量空间和线性映射等的性质和应用。

高维线性代数的研究推动了数学理论的发展,同时也为计算机图形学、数据分析和人工智能等领域提供了重要的数学基础。

工程数学线性代数第五版


行列式的性质
总结词
行列式具有交换律、结合律、代数余子式等性质。
详细描述
行列式具有一系列重要的性质,这些性质使得行列式在数学和工程领域中具有广泛的应用。其中,交 换律、结合律和代数余子式等性质是行列式的基本属性,它们在计算行列式值和简化计算中起着关键 作用。
行列式的计算方法
总结词
行列式的计算方法包括展开法、递推法、化简法等。
特征值和特征向量的计算方法
计算特征值的方法
通过求解线性方程组得到特征多项式, 然后解特征多项式得到特征值。
计算特征向量的方法
将特征值代入线性方程组中求解,得 到对应的特征向量。
特征值和特征向量的应用
在振动分析中的应用
通过求解系统的特征值和特征向量,可以分析 系统的振动行为。
在控制理论中的应用
通过分析系统的特征值和特征向量,可以判断 系统的稳定性以及响应特性。
解的稳定性
在数值计算中,解的稳定性是 一个重要的问题,不稳定的解 可能导致计算误差的累积,影 响计算结果的精度。
解的敏感性
解对系数矩阵中元素变化的敏 感程度,也称为条件数,用于 衡量解的稳定性。
线性方程组的数值解法
迭代法的收敛性
迭代法是否收敛以及收敛速度的快慢是数值解法中需要考虑的问 题,需要选择合适的迭代方法和参数。
线性变换的矩阵表示
矩阵表示的定义
对于一个线性变换,如果存在一个矩阵,使 得该线性变换可以用这个矩阵乘以向量来表 示,那么这个矩阵就称为该线性变换的矩阵 表示。
矩阵表示的性质
线性变换的矩阵表示具有一些重要的性质, 如矩阵的加法性质、数乘性质、乘法性质等。 这些性质使得线性变换可以用矩阵来进行计 算和表示。
向量空间的基和维数

矩阵论

矩阵论中概念的个人理解矩阵论概述:矩阵论这门学科,其实我们很早就有接触,只是以前学的浅显,只是懂得皮毛,很多问题只是浅尝辄止,课本上也并没有深入的延伸一些知识点,在我们大学者们课程虽然是专业课,但也只是学了一些所谓的基础重要的章节,像行列式的计算,矩阵的初等变换,特征值的计算,对于考研的要求也只是在此基础上增加了各种标准型之间的转化和转化矩阵的求法,算是初具系统化,到接触到矩阵论这门课程,才算是矩阵的一些知识做了梳理和综合,并引入空间,线性变换等概念,研究的深度和广度都有所扩展,也让我们对矩阵有了全面的了解。

矩阵论是一本针对广大研究生开设的一门数学基础课,也是贯穿在很多学科中的一种非常实用的计算工具。

根据世界数学发展史记载,矩阵概念产生于19世纪50年代,是为了解线性方程组的需要而产生的。

然而,在公元前我国就已经有了矩阵的萌芽。

在我国的《九章算术》一书中已经有所描述,只是没有将它作为一个独立的概念加以研究,而仅用它解决实际问题,所以没能形成独立的矩阵理论。

1850年,英国数学家西尔维斯特(SylveSter,1814--1897)在研究方程的个数与未知量的个数不相同的线性方程组时,由于无法使用行列式,所以引入了矩阵的概念。

1855年,英国数学家凯莱(Caylag,1821--1895)在研究线性变换下的不变量时,为了简洁、方便,引入了矩阵的概念。

1858年,凯莱在《矩阵论的研究报告》中,定义了两个矩阵相等、相加以及数与矩阵的数乘等运算和算律,同时,定义了零矩阵、单位阵等特殊矩阵,更重要的是在该文中他给出了矩阵相乘、矩阵可逆等概念,以及利用伴随阵求逆阵的方法,证明了有关的算律,如矩阵乘法有结合律,没有交换律,两个非零阵乘积可以为零矩阵等结论,定义了转置阵、对称阵、反对称阵等概念。

1878年,德国数学家弗罗伯纽斯(Frobeniws,1849一1917)在他的论文中引入了λ矩阵的行列式因子、不变因子和初等因子等概念,证明了两个λ矩阵等价当且仅当它们有相同的不变因子和初等因子,同时给出了正交矩阵的定义,1879年,他又在自己的论文中引进矩阵秩的概念. 矩阵的理论发展非常迅速,到19世纪末,矩阵理论体系已基本形成。

矩阵的意义和价值

矩阵的意义和价值
矩阵在数学中是一个按照长方阵列排列的复数或实数集合,最早来自于方程组的系数及常数所构成的方阵。

这一概念由19世纪英国数学家凯利首先提出。

矩阵是高等代数学中的常见工具,也常见于统计分析等应用数学学科中。

在物理学中,矩阵于电路学、力学、光学和量子物理中都有应用;计算机科学中,三维动画制作也需要用到矩阵。

矩阵的意义和价值主要体现在以下几个方面:
1. 求解线性方程组:矩阵被广泛应用于求解线性方程组。

通过将线性方程组的系数及常数项按原来的排列顺序提取出来书写为矩阵形式,即增广矩阵的起源。

对这个增广矩阵实施行初等变换,可以化为行最简形,从而得到方程组的解。

2. 求解高次方程:高次方程的系数按一定规则写成矩阵,对这个系数矩阵实施QR正交相似变换,将原矩阵转换为上三角矩阵,对角元素即高次方程的解。

这种方法将高次方程的求解过程简化,更便于计算。

3. 数值矩阵更适合计算机运算:矩阵的运算是数值分析领域的重要问题。

将矩阵分解为简单矩阵的组合可以在理论和实际应用上简化矩阵的运算。

对一些应用广泛而形式特殊的矩阵,例如稀疏矩阵和准对角矩阵,有特定的快速运算
算法。

4. 抽象数学方程的平衡映射着自然界物质运动的动态平衡与静态平衡:矩阵用于求解线性方程组、高次方程,还可以用于求解特征值,这些在实际问题中有着广泛的应用,例如电路一阶微分方程组的解函数、计算机人脸识别、机器人定位等。

总的来说,矩阵是一种强大的数学工具,可以解决各种复杂的问题,包括线性代数问题、数值分析、概率统计等领域的问题。

在物理学、工程学、经济学、生物医学等各个领域中,都有广泛的应用。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

d im (kerΥ) + d im ( Im Υ) = n.
(1)
取定基之后, V n (F ) 到 V m (F ) 的线性映射集{Υ}与 F 上 m ×n 矩阵集{A }之间一一对应, Υ对应其矩阵表
示A Υ. 此对应保加法, 数乘和乘法, 即 Υ+ 7 , kΥ和 Υ7 的方阵表示分别为A Υ+ A 7 , kA Υ 和A ΥA 7 (k ∈F ). 特
d im (kerA ) + d im (A F (n) ) = n. 特别可知, ΥA 为单射当且仅当列数 n = r (A ) , 这样的 A 称为列满秩阵 (或列独立阵). ΥA 为满射当且仅当 行数m = r (A ) , 这样的 A 称为行满秩阵 (或行独立阵). 当然也可考虑“在右边乘A ”的线性映射 ΘA: Fm →F n, y→yA , 这里 F n 表示 F 上 n 维行向量空间. 将所有的向量和矩阵都转置, 由 (yA ) T = A T yT , 所以 ΘA = ΥAT.
81
一般的线性映射均可归结为上述“以A 乘”的映射. 设V n= V n (F ) 和V m = V m (F ) 为域 F 上两线性空 间, 维数分别为 n 和m. 设有线性映射
Υ: V n→V m. (当 V n= V m 时, Υ称为线性变换). 取定V n 和 V m 的基{ei}和{Γi}, 设
[ 收稿日期 ] 2003202210 © 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
第 1 期 许甫华: 线性映射方法在矩阵理论和运算中的应用
命题 1[3 ] r (A + B ) ≤r (A ) + r (B ). 证 由 (A + B ) F (n) < A F (n) + B F (n) , 而 r (A ) = d imA F (n) , 即得. 命题 2[3] 设 A , B 均是 n 阶方阵. 若 AB = O , 则
r (A ) + r (B ) ≤n. 证 由映射 ΥA B: B F (n) →F (n) , B x →AB x = 0, 知道
也就是说
m
∑ Υ(ej ) =
a ij Γi ( j = 1, …, n)
i= 1
Υ(e1, …, en) = (Γ1, …, Γm )A , 其 中 A = A Υ= (a ij ) m ×n称为 Υ(在基{ei}和{Γi}下) 的矩阵表示, 其第 j 列是 Υ(ej ) 的坐标. 若 Α∈V n 的坐标 列 为 x , 则 Υ(Α) 的坐标列为 A x (因为 Υ(Α) = Υ( (e1, …, en) x ) = (Υ(e1, …, en) ) x = (Γ1, …, Γm )A x ). 因此 Υ 对向量 Α 的作用归结到 ΥA (即A ) 对坐标列 x 的作用. 故 Α∈kerΥ(即 Υ(Α) = 0) 当且仅当 x∈kerΥA (即 A x = 0) , d im kerΥ= n - r (A ) ; Α∈ Im Υ= Υ(V n) 当且仅当 x ∈ Im ΥA , d im Im (Υ) = r (A ). 所以核与象的维数有 如下重要的等式:
第 20 卷第 1 期 2004 年 2 月
大 学 数 学
COLL EGE M A TH EM A T ICS
V o l. 20, №. 1 Feb. 2004
线性映射方法在矩阵理论和运算中的应用
许甫华
(清华大学 数学科学系, 北京 100084)
[ 摘 要 ] 对矩阵的一些运算关系从映射角度考虑, 得到概念上的新理解和运算的新技巧. 特别是, 给出 了 F roben iu s 不等式, Sylvester 不等式等著名结果的极其简洁的证明, 据此探讨了线性代数中有关问题和实 例, 包括列满秩矩阵的特点等.
定理 2[1 ] 下列诸命题等价: ( i) Cm ×r为列独立阵; ( ii) 有矩阵 H , 使得 (C, H ) 非奇异; ( iii) 有矩阵 K, 使得 KTC= I r. (其中 H , K 自然为列独立阵). 证 ( i) ] ( ii) ΥC: F (r) →F (m ) 是单射, 象 CF r 维数是 r, 故 F (m ) = CF (r) V , 其中 V 是 Fm 的 m - r 维 子空间. 取单射 Υ: F (m - r) →V , 必有 H 使 Υ= ΥH. 即知 Υ : (C, H ) F (m ) →F (m ) 也是单射, 这是因为由
0= (C, H ) x = Cx + Hy∈CF (r) V ,
y
可知 Cx= 0, Hy= 0, 从而 x = 0, y= 0. 所以 (C, H ) 是列独立阵. ( i) ] ( iii) 因 ΥC 是单射, 自然地有从 CF (r) < F (m ) 到 F (r) 的逆映射 ΥKT. 于是, ΥKT ΥC = ΥKTC = 1, 即知
r (B ) = d im (B F (n) ) = d im kerΥA B ≤d im kerΥA = n- r (A ). 命题 3[3] 设 B 是 r 阶方阵, R 为 r×n 阵且 r (R ) = r. 证明: ( i) 如果 B R = O , 那么 B = O; ( ii) 如果 B R = R , 那么 B = I. 证 (i) 注意 R 为行独立阵, 故 ΘR 为单射, 这里映射 ΘR: F r→F r, y →yR. B R = O 相当于单射 ΘR 把 B 的行空间映为O , 因而 B 的行空间也是O , 即 B = O. ( ii) B R = R , 知映射 B 保持 F (r) 的一组基 (即 R 的列的最大无关组) 不变, 故 B 是恒等映射, 即 B =
别可知, 对于任意线性映射 Υ: F (n) →F (m ) , 必存在 m ×n 矩阵 A 使得 ΥA = Υ, 此 A 即是在自然基下 Υ的矩
阵表示 (F (n) 的自然基即是 In 的列向量集). 换句话说, F (n) 到 F (m ) 的线性映射总是 ΥA 形式.
以上讨论适用于V n 和 V m 为列向量空间的子空间的情形[4- 5 ].
3 Sylvester 不等式和 Froben ius 不等式等
现在转向用线性映射的观点, 考察一些矩阵的结果. 对于矩阵乘法AB , 记 B = (Β1, …, Βp ) , 则 AB = A (Β1, …, Βp ) = (A Β1, …, A Βp ). 即可视为 Am ×n乘到 B n×p 的各列上去. 从而考虑A 为作用于 B 的列空间 V B = B F (n) 上的线性映射 ΥA B: B F (n) →AB F (n) , B x →AB x (或记为 y →Ay ). 首先考虑著名的 Sy lvester 不 等式和 F roben iu s 不等式.
ΥA BC: B CF (q) →F (m ) , B Cx →AB Cx , 则有
r (A ) ).
即得
d im (B CF (q) ) = d im ( Im ΥA BC ) + d im (kerΥA BC ) ,
r (B C) = r (AB C) + d im (kerΥA BC) ≤r (AB C) + d im (kerΥA B ) = r (AB C) + d imB F (p) - d im Im ΥA B = r (AB C) + r (B ) - r (AB ).
2 线性映射与矩阵
首先简单回忆线性映射的概念及与矩阵的关系, 这些记号和事实将在下面反复使用, 有时不再仔细 交 待. 以 F (n) 表示域 F 上 n 维列向量空间. 设 A 为 F 上的 m ×n 矩阵, 则 (从左边)“以 A 乘”决定线性 映射
ΥA: F (n) →F (m ) , x →A x. ΥA 也简记为 A , 或详记为 ΥA . F (n) 其核 kerΥA = kerA 即 为 A x = 0 的 解 空 间 ( 称 为 A 的 零 空 间) , 故 维 数 d im kerΥA= n - r (A ) ( 称 为 A 的 零 度) , r (A ) 表 示 A 的 秩. 记 A 的 列 为 Α1, …, Αn, 记 列 向 量 x = (x 1, …, x n) T (总以 A T 表示 A 的转置) , 则 ΥA (x ) = A x = x 1Α1+ …+ x nΑn, 即 A 的列的线性组合, 组合 系数为 x 的分量. 当 x 取遍 F (n) 时, ΥA (x ) = A x 取遍 A 的列生成 (张成) 的线性空间 V A (称为 A 的列空 间). 即是说 ΥA 的象 Im ΥA = A F (n) = V A , 象的维数为 r (A ). 故
不等号是因为 B CF (q) < B F (p ).
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
82
大 学 数 学 第 20 卷
[ 关键词 ] 线性映射; 矩阵; F roben iu s 不等式; Sylvester 不等式 [ 中图分类号 ] O 15217 [ 文献标识码 ] A [ 文章编号 ] 167221454 (2004) 0120080205
1 引 言
在线性代数及其应用方面, 矩阵的运算、性质, 许多等式及不等式十分重要. 通常这样的结果都由矩 阵运算及其技巧得到. 本文运用线性映射的概念于矩阵运算, 在许多情形下可以给矩阵运算以新观点、 新技巧, 可给出许多有关矩阵的结果的崭新的证明, 很多证明极其简洁. 例如 F roben iu s 不等式, Sylvester 不等式, 还有文献[ 1- 4 ]中的一些矩阵等式或性质, 特别包括列满秩矩阵. 文献[ 1 ]在利用列 满秩矩阵发展线性代数方面很有特色. 我们要先简单回忆一下线性映射和矩阵运算的基本概念和记号, 然后用映射的视角考察一些矩阵的结果.
相关文档
最新文档