Реферат Курсовая Конспект
Матрицы. Основные определения – прямоугольная, квадратная, диагональная, треугольная, нулевая и единичная матрицы. Сложение матриц и его свойства - раздел Математика, 2. Матрицы. Основные Определения – Прямоугольная, Квадратная, Диагона...
|
2. Матрицы. Основные определения – прямоугольная, квадратная, диагональная, треугольная, нулевая и единичная матрицы. Сложение матриц и его свойства.
Определение 1. Матрицей размера m×n над полем Р называется прямоугольная таблица, состоящая из n строк и m столбцов, следующего вида:
, где aij P, i=, j=.
Определение 2. Квадратной матрицей n-го порядка над полем P называется матрица размера n×n над полем P.
Пусть A – квадратная матрица n-го порядка. Тогда в А выделяют 2 диагонали: главную и побочную.
главная побочная
Матрицы обозначаются следующим образом: А=(aij) или А=||aij||, i=, j=.
Определение 3. Элементы aii квадратной матрицы А=(aij) называются диагональными, или элементами главной диагонали.
Определение 4. Квадратная матрица А=(aij) называется диагональной, или все ёё элементы, кроме элементов главной диагонали, равны нулю: aii≠ 0, aij=0 при i≠j.
Через Аi будем обозначать i-ю строку матрицы А, т.е. Аi=(ai1 ai1 … ain), через Аj – j-й столбец матрицы А, т.е. Аj =.
Определение 5. Матрица А=(aij), i=, j=называется треугольной (верхней треугольной), если aij=0 при i>j.
Строку или столбец матрицы А называют нулевыми, если все их элементы равны нулю.
Определение 6. Матрица А=(aij), i=, j=называется ступенчатой (матрицей ступенчатого вида), если во всех ее строках вторые индексы первых слева ненулевых элементов возрастают j1<j2<…<ji.
Из определения 6 следует, что ступенчатая матрица является треугольной, причем ее нулевые строки (если они есть) расположены ниже ее ненулевых строк.
Определение 7. Две матрицы A=(aij) и B=(bij) размера m×n над полем P называются равными, если aij=bij, i=, j=. Обозначается А=В.
Определение 8. Матрица над полем P называется нулевой, если все ее элементы равны нулю. Обозначается =.
Определение 9. Матрица n-го порядка вида называется единичной матрицей. Другими словами, единичная матрица — это диагональная матрица у которой все элементы главной диагонали равны 1: aii=1 для всех i.
Определение 10. Пусть A=(aij), B=(bij) - матрицы размера m×n над полем Р. Суммой матриц А и В называется матрица С=(cij) размера m×n над полем Р, где cij=aij+bij, i=, j=, и обозначается С=А+В.
Теорема. Для любых матриц А , В и С размера m×n над полем P выполняются следующие свойства: 1) А+В=В+А; 2) А+(В+С)=(А+В)+С; 3) А+=+А=А; 4) для любой матрицы А над полем P существует матрица (-А) такая, что А+(-А)=-А+А=.
Доказательство. Так как сложение матриц сводится к сложению элементов поля Р, а в поле Р сложение коммутативно и ассоциативно, существует нулевой элемент и для каждого элемента есть противоположный, то эти свойства выполняются и для матриц.
Множество всех матриц размера m×n над полем P обозначается через Мm,n(Р). Из теоремы следует, что Мm,n(Р) является аддитивной абелевой группой.
Определение векторного пространства. Примеры векторных пространств. Арифметическое n-мерное векторное пространство.
Пусть Р – поле. Элементы a, b, ... ÎР будем называть скалярами.
Определение 1. Класс V объектов (элементов) , , , ... произвольной природы называется векторным пространством над полем Р, а элементы класса V называются векторами, если V замкнуто относительно операции «+» и операции умножения на скаляры из Р (т.е. для любых , ÎV +ÎV;"aÎ Р aÎV), и выполняются следующие условия:
А1: алгебра <V, +> - абелева группа;
А2: для любых a, bÎР, для любого ÎV выполняется a(b)=(ab)- обобщенный ассоциативный закон;
А3: для любых a, bÎР, для любого ÎV выполняется (a+b)= a+ b;
А4: для любого a из Р, для любых , из V выполняется a(+)=a+a(обобщённые дистрибутивные законы);
А5: для любого из V выполняется 1 = , где 1 – единица поля Р — свойство унитарности.
Элементы поля Р будем называть скалярами, а элементы множества V — векторами.
Замечание. Умножение вектора на скаляр не является бинарной операцией на множестве V, так как это отображение P´V®V.
Рассмотрим примеры векторных пространств.
Пример 1. Нулевое (нуль-мерное) векторное пространство — пространство V0={} — состоящее из одного нуль-вектора.
+=и для любого aÎР a=. Проверим выполнимость аксиом векторного пространства.
Заметим, что нулевое векторное пространство существенно зависит от поля Р. Так, нульмерные пространства над полем рациональных чисел и над полем действительных чисел считаются различными, хоть и состоят из единственного нуль-вектора.
Пример 2. Поле Р само является векторным пространством над полем Р. Пусть V=P. Проверим выполнимость аксиом векторного пространства. Так как Р — поле, то Р является аддитивной абелевой группой и А1 выполняется. В силу выполнимости в Р ассоциативности умножения выполняется А2. Аксиомы А3 и А4 выполняются в силу выполнимости в Р дистрибутивности умножения относительно сложения. Так как в поле Р существует единичный элемент 1, то выполняется свойство унитарности А5. Таким образом, поле Р является векторным пространством над полем Р.
Пример 3.Арифметическое n-мерное векторное пространство.
Пусть Р — поле. Рассмотрим множество V= Pn ={(a1, a2, … , an) ½ ai Î P, i=1,…, n}. Введём на множестве V операции сложения векторов и умножения вектора на скаляр по следующим правилам:
"= (a1, a2, … , an), = (b1, b2, … , bn) Î V, "aÎ P += (a1 + b1, a2+ b2, … , an+ bn) (1)
a=(aa1, aa2, … , aan) (2)
Элементы множества V будем называть n-мерными векторами. Два n-мерных вектора называются равными, если их соответствующие компоненты (координаты) равны. Покажем, что V является векторным пространством над полем Р. Из определения операций сложения векторов и умножения вектора на скаляр следует, что V замкнуто относительно этих операций. Так как сложение элементов из V сводится к сложению элементов поля Р, а Р является аддитивной абелевой группой, то и V является аддитивной абелевой группой. Причём, = , где 0 — ноль поля Р, -= (-a1, -a2, … , -an). Таким образом, А1 выполняется. Так как умножение элемента из V на элемент из Р сводится к умножению элементов поля Р, то:
— А2 выполняется в силу ассоциативности умножения на Р;
— А3 и А4 выполняются в силу дистрибутивности умножения относительно сложения на Р;
— А5 выполняется, так как 1 Î Р — нейтральный элемент относительно умножения на Р.
Определение 2. Множество V= Pn с операциями, определёнными формулами (1) и (2) называется арифметическим n-мерным векторным пространством над полем Р.
Теорема о том, что любые два базиса системы векторов состоят из одного и того же числа векторов. Ранг системы векторов. Конечномерные векторные пространства. Примеры.
Теорема 1. Любые два базиса системы векторов (1) , , …, состоят из одного и того же числа векторов.
Доказательство. Пусть системы (2) , ,…, и (3) , , …, — различные базисы системы векторов (1). Допустим, что r¹s. Возможны два случая: s > r или s < r. Пусть s > r. Т.к. (2) — базис системы векторов (1), то по определению любой вектор системы векторов (1) является линейной комбинацией базисных векторов системы (2), и, в частности, каждый вектор системы (3) является линейной комбинацией векторов системы (2), поскольку система векторов (3) является подсистемой системы векторов (1). Т.к. s > r, то получили, что большая система векторов (3) линейно выражается через меньшую систему векторов (2) и, значит, по свойствам линейно зависимой системы векторов, система (3) является линейно зависимой. Получили противоречие с тем, что система (3) является базисом и, следовательно, линейно независима. Это означает, что s не больше r.
Допустим, что s < r. Проводя аналогичные рассуждения, получим, что большая система векторов (2) является линейной комбинацией меньшей системы векторов (3). Значит, по основной лемме о линейной зависимости, система векторов (2) линейно зависима. Получили противоречие с определением базиса. Таким образом, s не меньше r. Получили, что s = r. Теорема доказана.
Определение 1. Число r векторов в базисе системы векторов (1) называется рангом системы векторов (1) и обозначается r = rang {, , …, } или r = r{, , …, }.
Определение 2. Векторное пространство V над полем P называется конечномерным векторным пространством, если существует конечная линейно независимая система векторов (1) , , …, из V такая, что каждый вектор из V является линейной комбинацией системы векторов (1). При этом система векторов (1) называется базисом конечномерного векторного пространства V.
Теорема 2. Любые два базиса конечномерного векторного пространства V состоят из одного и того же числа векторов.
Доказательство проводится аналогично доказательству теоремы 1.
Определение 3. Число n векторов в базисе конечномерного векторного пространства V называется размерностью векторного пространства V над полем P и обозначается n = dimРV. В этом случае V называется n-мерным векторным пространством над полем P и обозначается Vn.
Примеры.1) n, n,ℂn, Pn — примеры классических арифметических n-мерных векторных пространств над полями соответственно , , ℂ и Р.
2) Тn — множество всех многочленов степени не выше n с коэффициентами из поля Р. Тn образует (n+1)-мерное векторное пространство над полем Р с базисом 1, х, х2, … , хn, т.е.
Тn= {f(x)=a01 + a1x +…+ an хn ½ aiÎP, i=}.
3) Множество прямоугольных матриц размера m´n с элементами из поля Р образует mn-мерное векторное пространство над полем Р.
4) Множество Т всех многочленов с коэффициентами из поля Р образует бесконечномерное векторное пространство над полем Р с базисом 1, х, х2, … , хn, …
В дальнейшем будем рассматривать только конечномерные векторные пространства.
Дополнение линейно независимой системы векторов векторного пространства V до базиса. Подпространство векторного пространства. Критерий подпространства. Пересечение и сумма подпространств.
Лемма 1. Любая линейно независимая система векторов векторного пространства Vn может быть дополнена до базиса пространства Vn.
Доказательство. Пусть , , …, (1) — линейно независимая система векторов n-мерного векторного пространства Vn. Пусть (2) , ,…, — базис пространства Vn. Рассмотрим систему векторов , , …, , , ,…, (3). Система векторов (3) конечная и она содержит максимальную линейно независимую подсистему (2). Следовательно, система векторов (2) является базисом системы векторов (3). Так как любые два базиса системы векторов (3) состоят из одного и того же числа векторов n, то в конечной системе векторов (3) можно построить максимальную линейно независимую подсистему, содержащую систему векторов (1). Тогда она будет состоять из n векторов и, значит, будет являться базисом пространства V.
Определение 4. Пусть Н – непустое подмножество векторного пространства V над полем Р. Н называется подпространством пространства V, если Н само является векторным пространством над полем Р.
Теорема (критерий подпространства). Пусть Н – непустое подмножество пространства V над полем Р. Н является подпространством V тогда и только тогда, когда выполняются следующие условия:
1) Для любых , из Н + Î Н;
2) для любого a из Р и любого из Н выполняется aÎ Н.
Доказательство. Необходимость. Пусть Н – подпространство пространства V. Тогда по определению Н является векторным пространством над полем Р и H замкнуто относительно сложения векторов и умножения вектора на скаляр из поля Р. Следовательно, условия 1) и 2) выполняются.
Достаточность. Пусть выполняются условия 1) и 2) теоремы. Т.к. (-1)ÎР, то по условию 2) для любого из Н (-1)= - Î Н. Тогда, по критерию подгруппы, Н является подгруппой аддитивной абелевой группы V, и, следовательно, Н само является аддитивной абелевой группой. Т.к. обобщенные дистрибутивные и ассоциативные законы выполняются в V, то они выполняются и в Н. Кроме того, 1=для любого из Н. Следовательно, Н удовлетворяет определению векторного пространства над полем Р и, значит, по определению Н является подпространством пространства V.
Определение 2. Пусть V1, V2,…, Vs — подпространства векторного пространства V над полем Р. Множество М={+ + …+ ½ Î Vi, i=} называется суммой подпространств V1, V2,…, Vs и обозначается М = V1 + V2 +…+ Vs.
Лемма 2. Пусть V1, V2,…, Vs — подпространства векторного пространства V над полем Р. Тогда
1) Н = V1 + V2 +…+ Vs является подпространством пространства V;
2) D = V1 Ç V2 Ç…Ç Vs является подпространством пространства V.
Доказательство. 1) Пусть , Î Н. Тогда по определению суммы подпространств
=+ + …+ , =+ + …+ , где , Î Vi, i=. Найдём сумму
+= (+ ) + (+ ) +…+ (+ ). Так как + Î V1, + ÎV2, … , + ÎVs, то по определению +Î Н. Значит, Н замкнуто относительно сложения векторов. Далее, для любого a из Р и любого из Н выполняется:
a = a( + + …+ )= a+ a+ …+ a.
Поскольку aÎ V1, aÎ V2, … , a Î Vs, то по определению aÎ Н и Н замкнуто относительно умножения на скаляры из поля Р. По критерию подпространства, Н является подпространством пространства V.
2) Доказательство проводится аналогично.
Линейные отображения, примеры. Простейшие свойства линейных отображений. Задание линейного отображения с помощью отображения базиса.
Определение 1. Пусть V и V1 – векторные пространства над полем Р. Отображение называется линейным отображением V в V1 или гомоморфизмом, если выполняются следующие условия:
1) - условие аддитивности;
2) - условие однородности.
Примеры линейных отображений
Пример 1. Пусть - отображение, заданное по правилу: , где - нулевой элемент векторного пространства V1. Тогда
1) ;
2) .
Из 1) и 2) следует, что - линейное отображение V в V1, которое называется нулевым линейным отображением или нулевым гомоморфизмом.
Пример 2. Пусть - отображение, заданное по правилу: . Тогда
1) ;
2) .
Из 1) и 2) следует, что - линейное отображение V, которое называется тождественным линейным отображением или тождественным линейным оператором V.
Теорема 1. Пусть V и V1 – векторные пространства над полем Р, - линейное отображение V в V1. Тогда справедливы следующие утверждения:
1) где и - нулевые элементы векторного пространства V и векторного пространства V1 соответственно;
2) ;
3) ;
4) если – линейно зависимая система векторов из V, то и система векторов линейно зависима, при этом сохраняются все линейные соотношения между векторами, то есть если , то .
Доказательство.
1) Рассмотрим вектор : (1).
Так как V1 – аддитивная группа, то из (1) по закону сокращения получим .
2) Рассмотрим вектор : . Таким образом, (2). Прибавим к обеим частям равенства (2) вектор : . Получаем .
3) -4) – без доказательства.
Напомним, что отображение f: X→Y считается заданным, если указано правило, по которому можно найти f(x), линейное отображение векторного пространства V в векторное пространство U будет задано, если будет определено правило, по которому можно найти . Если в качестве V рассматривать конечномерное векторное пространство, то можно доказать, что для того, чтобы определить линейное отображение V в U , достаточно указать лишь образы базисных векторов.
Теорема 2. Пусть Vn – n-мерное векторное пространство над полем P, U - векторное пространство над полем P, (1) – базис пространства Vn, - линейное отображение Vn в U. Тогда однозначно определяется заданием образов базисных векторов (2).
Из теоремы 2 следует, что линейное отображение Vn в U определяется образами базисных векторов Так как , то возникает вопрос, какие векторы из U можно взять в качестве векторов . Ответ на данный вопрос дает теорема 3.
Теорема 3. Пусть Vn – n-мерное векторное пространство над полем P, U - векторное пространство над полем P, (1) – базис Vn. Тогда любые n векторов из U можно взять в качестве образов базисных векторов при некотором линейном отображении, т.е. существует единственное линейное отображение такое, что .
Связь между матрицами линейного оператора в различных базисах. Собственные векторы и собственные значения линейного оператора.
Теорема 1. Пусть Vn – n-мерное векторное пространство над полем P. Матрица Т n-го порядка над полем Р является матрицей перехода от одного базиса векторного пространства Vn к другому тогда и только тогда, когда detТ ≠ 0.
Теорема 2. Пусть Vn – n-мерное векторное пространство над полем P, (1), (1′) – базисы векторного пространства Vn, Т – матрица перехода от базиса (1) к базису (1′), - линейный оператор векторного пространства Vn, А - матрица линейного оператора в базисе (1), В - матрица линейного оператора в базисе (1′). Тогда
В=Т-1АТ.
Доказательство. Из определения матрицы линейного оператора следует, что =(2) и =(3).
Из формул перехода от базиса к базису имеем
=(4) и =(5).
Подставим из (2) и (3) соответствующие выражения в (5). Получим
=(6).
Теперь подставим в (6) вместо соответствующее выражение из (4):
=(7).
Из (7) следует, что . Умножая обе части последнего равенства слева на Т-1, окончательно получим В=Т-1АТ. Теорема доказана.
Определение 1. Пусть j - линейный оператор векторного пространства V над полем P. Ненулевой вектор называется собственным вектором линейного оператора j, если существует lÎP такое, что
j()= l. (1)
При этом, l называется собственным значением линейного оператора j, а - собственным вектором линейного оператора , принадлежащим собственному значению l.
Лемма 1. Пусть - собственный вектор линейного оператора векторного пространства V над полем P. Если l1 и l2 - собственные значения линейного оператора j, соответствующие собственному вектору , то l1=l2.
Доказательство. Пусть j()= l1и j()= l2. Так как j – отображение, то l1=l2. Тогда l1- l2=. Следовательно, (l1 - l2=. Так как , то l1 - l2 и l1=l2. Лемма доказана.
Лемма 2. Пусть P – бесконечное поле, - собственный вектор линейного оператора j векторного пространства V над полем P, принадлежащий собственному значению l. Тогда существует бесконечное множество собственных векторов линейного оператора j, принадлежащих собственному значению l.
Доказательство. Для любого имеем , то есть вектор является собственным вектором линейного оператора j, принадлежащим собственному значению l. Лемма доказана.
Нахождение собственных векторов и собственных значений линейного оператора
Пусть Vn – n-мерное векторное пространство над полем P, (1) – базис Vn, j - линейный оператор векторного пространства Vn. Найдём все собственные векторы и все собственные значения линейного оператора j. Пусть – собственный вектор линейного оператора j. Найдём .
По определению j()= l, где λP . С другой стороны, . Поэтому =, т.е. .
Пусть - матрица линейного оператора j в базисе (1). Тогда
(2).
Определение 1. Система (2) называется характеристической системой линейного оператора j.
Решением системы (2) является множество всех собственных векторов линейного оператора j (за исключением нулевого решения). Решим систему (2): по правилу Крамера. Система (2) имеет единственное решение тогда и только тогда, когда определитель системы не равен нулю, т.е. . Поскольку нас интересуют ненулевые решения системы (2), то рассмотрим случай, когда (2) неопределена, т.е. случай, когда :
(3).
Уравнение (3) является уравнением относительно переменной λ. Это уравнение можно записать в матричной форме: (3).
Определение 2. Уравнение (3) называется характеристическим уравнением линейного оператора j. Многочлен f(λ)=называется характеристическим многочленом линейного оператора j.
Вывод: Решая характеристическое уравнение, найдём все собственные значения l1,…, lk линейного оператора j. Подставляя li в систему (2) и решая её, получим все собственные векторы линейного оператора j, принадлежащие собственным значениям li, i = .
Линейные операторы с простым спектром. Условие, при котором матрица линейного оператора подобна диагональной. Приведение матрицы к диагональному виду
Определение 1. Пусть j – линейный оператор пространстваVn над полем P. Спектром линейного оператора j называется множество всех собственных значений линейного оператора j.
Определение 2. Спектр линейного оператора j называется простым, если он состоит из попарно различных собственных значений линейного оператора j.
Теорема 1. Пусть Vn – n-мерное векторное пространство над полем P, j – линейный оператор пространстваVn , l1,…, ln - спектр линейного оператора j, - собственные векторы линейного оператора j, принадлежащие l1,…, ln соответственно. Если l1,…, ln - простой спектр, то система векторов линейно независима.
Теорема 2. Пусть j - линейный оператор векторного пространства Vn над полем Р. Линейный оператор j имеет в базисе (1) матрицу диагонального вида тогда и только тогда, когда базис (1) состоит из собственных векторов линейного оператора j.
Доказательство. Необходимость. Пусть в базисе линейный оператор j имеет матрицу вида , где . Тогда Следовательно, Так как система векторов - базис, то . Значит, по определению, - собственные векторы линейного оператора j.
Достаточность. Пусть - собственные векторы линейного оператора . Тогда найдутся l1,…, ln ÎР такие, что . Значит, Следовательно, в базисе матрица линейного оператора j имеет вид . Теорема доказана.
Следствие. Если линейный оператор j имеет простой спектр l1,…, ln, то в базисе, состоящем из собственных векторов линейного оператора j , принадлежащих соответственно собственным значениям l1,…, ln, матрица А линейного оператора j имеет вид .
Если из собственных векторов линейного оператора j нельзя составить базис векторного пространства Vn, то ни одна из матриц линейного оператора j не имеет диагональный вид.
Приведение матрицы к диагональному виду
Пусть - матрица n-го порядка над полем Р. Возникает вопрос: можно ли привести матрицу А к диагональному виду, то есть, будет ли матрица А подобна некоторой диагональной матрице?
Известно, что на матрицу А можно смотреть как на матрицу некоторого линейного оператора j векторного пространства V над полем Р. Тогда поставленный вопрос можно сформулировать следующим образом: найдется ли такой базис n-мерного векторного пространства V над полем Р, в котором матрица линейного оператора j будет диагональной. В общем случае ответ отрицательный. Однако, если спектр линейного оператора j простой, то матрица А приводится к диагональному виду. Если спектр матрицы имеет хотя бы одно значение, не принадлежащее полю Р, то в этом случае матрица А не приводится к диагональному виду.
Пусть , - спектр линейного оператора j. Тогда
а) если m=n, то матрица А приводится к диагональному виду (так как в этом случае спектр линейного оператора j простой);
б) пусть m<n. В этом случае матрица А может как приводиться к диагональному виду, так и нет. Пусть - кратность корня . Если для любого кратность равна числу свободных неизвестных характеристической системы, соответствующей собственному значению , то мы сможем найти n собственных векторов линейного оператора j, которые будут линейно независимы, и, значит, будут образовывать базис. Тогда матрица А будет приводиться к диагональному виду. В противном случае А не приводиться к диагональному виду.
– Конец работы –
Используемые теги: матрицы, основные, Определения, прямоугольная, квадратная, Диагональная, треугольная, нулевая, Единичная, матрицы, Сложение, матриц, Свойства0.141
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Матрицы. Основные определения – прямоугольная, квадратная, диагональная, треугольная, нулевая и единичная матрицы. Сложение матриц и его свойства
Если этот материал оказался полезным для Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов