高等代数欧几里得空间总结_欧几里得向量空间「建议收藏」

高等代数欧几里得空间总结_欧几里得向量空间「建议收藏」高等代数9欧几里得空间定义与基本性质内积欧几里得空间设$V$是实数域$R$上的一线性空间,在$V$上定义了一个二元函数,称为内积,记作$(\alpha,\beta)$,它具有以下性质:\((\alpha,\beta)=(\beta,\alpha)\)\((k\alpha,\beta)=

大家好,欢迎来到IT知识分享网。

高等代数9 欧几里得空间


目录
  • 高等代数9 欧几里得空间
  • 定义与基本性质
    • 内积 欧几里得空间
      • 常见的欧几里得空间举例
    • 长度
      • 单位向量
      • 单位化
    • 不等式
      • 柯西—布涅柯夫斯基不等式
    • 夹角
      • 垂直 正交
    • 度量矩阵
  • 标准正交基
    • 求标准正交基
      • 扩充
      • 施密特正交化
    • 从一组标准正交基到另一组标准正交基的基变换公式
    • 正交矩阵
  • 同构
  • 正交变换
  • 子空间
  • 实对称矩阵的标准形
  • 向量到子空间的距离 最小二乘法

定义与基本性质

内积 欧几里得空间

\(V\)是实数域\(R\)上的一线性空间,在\(V\)上定义了一个二元函数,称为内积,记作\((\alpha,\beta)\),它具有以下性质:

  1. \((\alpha,\beta)=(\beta,\alpha)\)
  2. \((k\alpha,\beta)=k(\alpha,\beta)\)
  3. \((\alpha+\beta,\gamma)=(\alpha,\gamma)+(\alpha,\gamma)\)
  4. \((\alpha,\alpha)\geq 0\),当且仅当\(\alpha=0\)\((\alpha,\alpha)=0\)

在这里\(\alpha,\beta,\gamma\)\(V\)中任意的向量,\(k\)是任意的实数,这样的线性空间称欧几里得空间或简称为欧氏空间

高等代数欧几里得空间总结_欧几里得向量空间「建议收藏」

常见的欧几里得空间举例

  1. 线性空间\(R^n\),对于向量\(\alpha=(a_1,a,\cdots,a_n),\beta=(b_1,b_2,\cdots,b_n)\)

    定义内积 \((\alpha,\beta)=a_1b_1+a_2b_2+\cdots+a_nb_n\)

长度

  • 定义

    非负实数\(\sqrt{(\alpha,\alpha)}\)称为向量\(\alpha\)长度,记作\(|\alpha|\)

    \(|k\alpha|=\sqrt{(k\alpha,k\alpha)}= \sqrt{k^2(\alpha,\alpha)}=|k||\alpha|\)

单位向量

长度为1的向量称为单位向量

单位化

用向量\(\alpha\)的长度去除向量\(\alpha\),得到一个与\(\alpha\)成比例的单位向量,通常称把\(\alpha\)单位化。

\(\frac{1}{|\alpha|}\alpha\)

不等式

柯西—布涅柯夫斯基不等式

  • 柯西—布涅柯夫斯基不等式

    对任意的向量\(\alpha、\beta\)

    \[|(\alpha,\beta)|\leq |\alpha| |\beta| \]

    当且仅当\(\alpha,\beta\)线性相关时,等号成立。

夹角

  • 定义 夹角

    非零向量\(\alpha,\beta\)的夹角定义为

    \(<\alpha,\beta>=arccos\frac{(\alpha,\beta)}{|\alpha||\beta|},0\leq \ <\alpha,\beta> \ \leq \pi\)

垂直 正交

  • 定义 垂直 正交

    如果向量\(\alpha,\beta\)的内积为零,即 \((\alpha,\beta)=0\)

    那么\(\alpha,\beta\)称为正交或互相垂直,记作\(\alpha \perp \beta\)

勾股定理

当向量\(\alpha,\beta\)正交时 \(|\alpha+\beta|^2=|\alpha|^2+|\beta|^2\)

当向量\(\alpha_1,\alpha_2,\cdots,\alpha_m\)两两正交时 \(|\alpha_1+\alpha_2+\cdots+\alpha_m|^2=|\alpha_1|^2+|\alpha_2|^2+\cdots+|\alpha_m|^2\)

度量矩阵

\(V\)是一个\(n\)维欧几里得空间,在\(V\)中取一组基\(\varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n\),对\(V\)中任意两个向量

\(\alpha=x_1\varepsilon_1+x_2\varepsilon_2+\cdots+x_n\varepsilon_n \\\beta=y_1\varepsilon_1+y_2\varepsilon_2+\cdots+y_n\varepsilon_n\)

根据乘积的性质得

\[(\alpha,\beta)=(x_1\varepsilon_1+x_2\varepsilon_2+\cdots+x_n\varepsilon_n ,y_1\varepsilon_1+y_2\varepsilon_2+\cdots+y_n\varepsilon_n) \\ =\sum_{i=1}^n\sum_{j=1}^n(\varepsilon_i,\varepsilon_j)x_iy_j \]

\(a_{ij}=(\varepsilon_i,\varepsilon_j) \ \ (i,j=1,2,\cdots,n) \\a_{ij=a_{ji}}\)

于是

\[(\alpha,\beta)=\sum_{i=1}^n\sum_{j=1}^na_{ij}x_iy_j \\ =X’AY \\ X=\left ( \begin{matrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \\ \end{matrix} \right ) \ \ Y= \left ( \begin{matrix} y_{1} \\ y_{2} \\ \vdots \\ y_{n} \\ \end{matrix} \right ) \\ A=(a_{ij})_{nn} \]

\(X,Y\)分别是\(\alpha,\beta\)的坐标,而矩阵\(A=(a_{ij})_{nn}\)称为基\(\varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n\)度量矩阵

  • 不同基的度量矩阵是合同的
  • 度量矩阵是正定的

标准正交基

  • 定义 正交向量组

    欧氏空间\(V\)中一组非零的向量,如果它们两两正交,就称为正交向量组

    正交向量组是线性无关的。

  • 定义 标准正交基

    \(n\)维欧氏空间中,由\(n\)个向量组组成的正交向量组称为正交基

    由单位向量组成的正交基称为标准正交基

    一组基为标准正交基的充分必要条件是:它的度量矩阵为单位矩阵

    \(n\)维欧式空间中,标准正交基是存在的。

在标准正交基下,向量的坐标可以通过内积简单地表示出来

\[\alpha=(\varepsilon_1,\alpha)\varepsilon_1+(\varepsilon_2,\alpha)\varepsilon_2+\cdots+(\varepsilon_n,\alpha)\varepsilon_n \\ \alpha=x_1\varepsilon_1+x_2\varepsilon_2+\cdots+x_n\varepsilon_n \\ x_i =(\varepsilon_i,\alpha) (i=1,2,\cdots,n) \]

在标准正交基下,内积具有简单的形式

\[\alpha=x_1\varepsilon_1+x_2\varepsilon_2+\cdots+x_n\varepsilon_n \\ \beta=y_1\varepsilon_1+y_2\varepsilon_2+\cdots+y_n\varepsilon_n \\ 那么 (\alpha,\beta)=x_1y_1+x_2y_2+\cdots+x_ny_n=X’Y \]

求标准正交基

扩充

从任意非零向量出发,逐个扩充,得到正交基;再单位化得到标准正交基。

  • 定理

    \(n\)维欧式空间中的任一个正交向量组都能扩充为一组正交基。

\(\alpha_1,\alpha_2,\cdots,\alpha_m\)是一正交向量组

因为\(m <n\)一定还有向量\(\beta\)不能被\(\alpha_1,\alpha_2,\cdots,\alpha_m\)线性表出

做向量\(\alpha_m=\beta-k_1\alpha_1-k_2\alpha_2-\cdots-k_m\alpha_m\),这里\(k_1,\cdots,k_m\)是待定系数。

\(\alpha_i\)\(\alpha_{m+1}\)作内积,得\((\alpha_i,\alpha_{m+1})=(\beta,\alpha_i)-k_i(\alpha_i,\alpha_i)(i=1,2,\cdots,m)\)

\(k_i=\frac{(\beta,\alpha_i)}{(\alpha_i,\alpha_i)} (i=1,2,\cdots,m)\)

\((\alpha_i,\alpha_{m+1})=0(i=1,2,\cdots,m)\)

\(\beta\)的选择可知\(\alpha_{m+1}\neq 0\)

因此\(\alpha_1,\alpha_2,\cdots,\alpha_m,\alpha_{m+1}\)是一正交向量组。

施密特正交化

把一组线性无关的向量变成一单位正交向量组

  • 对于\(n\)维欧氏空间中任意一组基\(\varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n\),都可以找到一组标准正交基\(\eta_1,\eta_2,\cdots,\eta_n\),使

    \(L(\varepsilon_1,\varepsilon_2,\cdots,\varepsilon_i)=L(\eta_1,\eta_2,\cdots,\eta_i),i=1,2,\cdots,n\)

\(L(\varepsilon_1,\varepsilon_2,\cdots,\varepsilon_i)=L(\eta_1,\eta_2,\cdots,\eta_i),i=1,2,\cdots,n\)就相当于由基\(\varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n\)到基\(\eta_1,\eta_2,\cdots,\eta_n\)的过渡矩阵是上三角形的。

从一组标准正交基到另一组标准正交基的基变换公式

\[\begin{cases} \eta_1=a_{11}\varepsilon_1 +a_{12}\varepsilon_2+\cdots +a_{1n}\varepsilon_n \\ \eta_2=a_{21}\varepsilon_1 +a_{22}\varepsilon_2+\cdots +a_{2n}\varepsilon_n \\ \ \ \ \cdots \cdots \\ \eta_n=a_{n1}\varepsilon_1 +a_{n2}\varepsilon_2+\cdots +a_{nn}\varepsilon_n \\ \end{cases} \\ (\eta_1,\eta_2,\cdots,\eta_n) =(\varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n) \left ( \begin{matrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{s1} & a_{s2} & \cdots & a_{sn} \\ \end{matrix} \right ) \\ (\eta_i,\eta_j)= \begin{cases} 1 ,&当i=j\\ 0 ,&当i\neq j\\ \end{cases} \\ \]

矩阵\(A\)的各列就是\(\eta_1,\eta_2,\cdots,\eta_n\)在标准正交基\(\varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n\)下的坐标,按着公式(5),公式(6)可以写成

\[a_{1i}a_{1j}+a_{2i}a_{2j}+\cdots+a_{ni}a_{nj}= \begin{cases} 1 ,&当i=j\\ 0 ,&当i\neq j\\ \end{cases} \\ A’A=E \\ A^{-1}=A’ \]

正交矩阵

  • 定义 正交矩阵

    \(n\)级实数矩阵\(A\)称为正交矩阵,如果\(A’A=E\)

由标准正交基到标准正交基的过渡矩阵是正交矩阵;

反过来,如果第一组基是标准正交基,同时过渡矩阵是正交矩阵,那么第二组基也一定是标准正交基。

同构

  • 定义

    实数域\(R\)上欧氏空间\(V\)\(V’\)称为同构的,如果由\(V\)\(V’\)有一个双射\(\sigma\),满足

    1. \(\sigma(\alpha+\beta)=\sigma(\alpha)+\sigma(\beta)\);
    2. \(\sigma(k\alpha)=k\sigma(\alpha)\);
    3. \((\sigma(\alpha),\sigma(\beta))=(\alpha,\beta)\)

    这里\(\alpha ,\beta \in V,k\in R\)

这样的映射称为从\(V\)\(V’\)同构映射

高等代数欧几里得空间总结_欧几里得向量空间「建议收藏」

从定义可以看出,如果\(\sigma\)是欧式空间\(V\)\(V’\)的一个同构映射,那么\(\sigma\)也是\(V\)\(V’\)的在线性空间上的同构映射。

  • 同构的欧式空间有相同的维数

  • 每一个\(n\)维的欧氏空间都与\(R^n\)同构

  • 同构作为欧氏空间之间的关系具有反身性,对称性,传递性。

  • 任意两个\(n\)维欧式空间都同构。

  • 定理

    两个有限维欧氏空间同构的充分必要条件是它们的维数相同。

正交变换

  • 定义 正交变换

    设欧氏空间\(V\)的线性变换\(\mathscr{A}\)称为正交变换,如果它保持向量的内积不变,即对于任意的\(\alpha,\beta \in V\),都有

    \((\mathscr{A}\alpha,\mathscr{A}\beta)=(\alpha,\beta)\)

高等代数欧几里得空间总结_欧几里得向量空间「建议收藏」

  • 定理

    \(\mathscr{A}\)\(n\)维欧氏空间\(V\)的一个线性变换,于是下面四个命题是相互等价的

    1. \(\mathscr{A}\)是正交变换
    2. \(\mathscr{A}\)保持向量的长度不变,即对于\(\alpha \in V,|\mathscr{A}\alpha|=|\alpha|\)
    3. 如果\(\varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n\)是标准正交基,那么\(\mathscr{A}\varepsilon_1,\mathscr{A}\varepsilon_2,\cdots,\mathscr{A}\varepsilon_n\)也是标准正交基;
    4. \(\mathscr{A}\)在任一祖标准正交基下的矩阵是正交矩阵

因为正交矩阵是可逆的,所以正交变换是可逆的

在标准正交基下,正交变换和正交矩阵相对应,所以正交矩阵乘积与正交矩阵的逆还是正交矩阵。

  • 第一类与 第二类

    如果\(A\)是正交矩阵,那么由\(AA’=E\),可知\(|A|^2=1或|A|=\pm1\)

    1. 行列式等于1的正交变换通常称为旋转,或者第一类的
    2. 行列式等于-1的正交变换称为第二类的

子空间

  • 定义 正交的子空间

    \(V_1,V_2\)是欧氏空间\(V\)中两个子空间,如果对于任意的\(\alpha \in V_1,\beta \in V_2\),恒有

    \((\alpha,\beta)=0\)

    则称\(V_1,V_2\)是正交的,记为\(V_1 \perp V_2\)

    一个向量\(\alpha\),如果对于任意的\(\beta \in V_1\),恒有

    \((\alpha,\beta)=0\)

    则称\(\alpha\)与子空间正交,记为\(\alpha \perp V_1\)

  • 定理

    如果子空间\(V_1,V_2,\cdots,V_s\)两两正交,那么和\(V_1+V_2+\cdots+V_s\)是直和。

  • 定义 正交补

    子空间\(V_2\)称为子空间\(V_2\)称为子空间\(V_1\)的一个正交补,如果\(V_1 \perp V_2\)并且\(V_1+V_2=V\)

  • 定理

    \(n\)维欧式空间的每一个子空间都有唯一的正交补。

    推论: \(V_1^{\perp}\)恰由所有与\(V_1\)正交的向量组成

  • 内射影

    由分解式\(V=V_1 \oplus V_1^{\perp}\)可知

    \(V\)中任一向量\(\alpha\)都可以唯一分解成\(\alpha=\alpha_1+\alpha_2,\alpha_1\in V_1,\alpha_2 \in V_1^{\perp}\)

    我们称\(\alpha_1\)为向量\(\alpha\)在子空间\(V_1\)上的内射影

实对称矩阵的标准形

  • 任意一个对称矩阵都合同于一个对角矩阵

    即存在一个可逆矩阵\(C\)使\(C’AC\)成对角形

现在利用欧式空间的理论,对于实对称矩阵的结构进行加强

  • 引理1\(A\)是实对称矩阵,则\(A\)的特征值都是实数

对应于实对称矩阵\(A\),在\(n\)维欧式空间\(R^n\)中定义一个线性变换\(\mathscr{A}\)如下

\[\mathscr{A}\left ( \begin{matrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \\ \end{matrix} \right ) \ \ = A \left ( \begin{matrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \\ \end{matrix} \right ) \ \ \]

显然\(\mathscr{A}\)在标准正交基

\[\varepsilon_1=\left ( \begin{matrix} 1 \\ 0 \\ \vdots \\ 0 \\ \end{matrix} \right ) , \varepsilon_2= \left ( \begin{matrix} 0\\ 1 \\ \vdots \\ 0 \\ \end{matrix} \right ) , \cdots, \varepsilon_n= \left ( \begin{matrix} 0\\ 0 \\ \vdots \\ 1 \\ \end{matrix} \right ) \]

下的矩阵就是\(A\)

  • 引理2

    \(A\)是实对称矩阵,\(\mathscr{A}\)定义如上,

    则对任意\(\alpha ,\beta \in R^n\)

    \[(\mathscr{A}\alpha,\beta)=(\alpha,\mathscr{A}\beta)\\ 或 \beta'(A\alpha)=\alpha’A\beta \]

  • 定义 对称变换

    欧式空间中满足等式(10)的线性变换称为对称变换。

  • 引理3

    \(\mathscr{A}\)是对称变换,\(V_1\)\(\mathscr{A}-\)子空间,则\(V_1^{\perp}\)也是\(\mathscr{A}-\)子空间。

  • 引理4

    \(A\)是实对称矩阵,则\(R^n\)中属于\(A\)的不同特征值的特征向量必正交。

  • 定理
    对于任意一个\(n\)级实对称矩阵\(A\),都存在一个\(n\)级正交矩阵\(T\),使\(T’AT=T^{-1}AT\)成对角形。

    正交矩阵T的求法

    1. 求出\(A\)的特征值,设\(\lambda_1,\lambda_2,\cdots,\lambda_r\)就是\(A\)的全部不同的特征值。

    2. 对于每个\(\lambda_i\),解齐次线性方程组

      \[(\lambda_iE-A) \left ( \begin{matrix} x_{1} \\ x_{2} \\ \vdots \\ x_{n} \\ \end{matrix} \right ) \ \ =0 \]

      求出一个基础解系,这就是\(A\)的特征子空间\(V_{\lambda_i}\)的一组基。

      由这组基出发,求出一组标准正交基

    3. 正交矩阵\(T\)就由特征向量组成

  • 定理

    任意一个实二次型 \(\sum_{i=1}^n \sum_{j=1}^na_{ij}x_ix_j,a_{ij}=a_{ji}\)

    都可以经过正交的线性替换变为平方和\(\lambda_1y_1^2+\lambda_2y_2^2+\cdots+\lambda_ny_n^2\),其中平方项的系数\(\lambda_1,\lambda_2,\cdots,\lambda_n\)就是矩阵\(A\)的特征多项式全部的根

向量到子空间的距离 最小二乘法

  • 定义 距离

    长度\(|\alpha -\beta|\)称为向量\(\alpha\)\(\beta\)的距离,记为\(d(\alpha,\beta)\)

    距离的三条基本性质:

    1. \(d(\alpha,\beta)=d(\beta,\alpha)\);
    2. \(d(\alpha,\beta)\geq 0\)并且仅当\(\alpha=\beta\)时等号才成立;
    3. \(d(\alpha,\beta)\leq d(\alpha,\gamma)+d(\gamma,\beta)\)(三角不等式);

最小二乘法问题

线性方程组

\[\begin{cases} a_{11}x_1 +a_{12}x_2+\cdots +a_{1n}x_n=b_1 \\ a_{21}x_1 +a_{22}x_2+\cdots +a_{2n}x_n=b_2 \\ \ \ \ \cdots \cdots \\ a_{s1}x_1 +a_{s2}x_2+\cdots +a_{sn}x_n=b_s \\ \end{cases} \]

可能无解。

即任何一组数\(x_1,x_2,\cdots,x_n\)都可能使

\[\sum_{i=1}^n(a_{i1}x_1 +a_{i2}x_2+\cdots +a_{in}x_n-b_i) \]

不等于零。

我们设法找\(x_1^0,x_2^0,\cdots,x_s^0\)使\((13)\)最小,这样的\(x_1^0,x_2^0,\cdots,x_s^0\)称为方程组的最小二乘解

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/29947.html

(0)

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

关注微信