Понятие о векторном пространстве свойства. Линейное векторное пространство: определение, свойства. Векторное линейное 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:

А 1: алгебра - абелева группа;

А 2: для любых a, bÎР, для любого ÎV выполняется a(b)=(ab)- обобщенный ассоциативный закон;

А 3: для любых a, bÎР, для любого ÎV выполняется (a+b)= a+ b;

А 4: для любого a из Р, для любых , из V выполняется a(+)=a+a(обобщённые дистрибутивные законы);

А 5: 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 V 0 ={} - 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 А 1 выполняется. В силу выполнимости в Р ассоциативности умножения выполняется А 2 . Аксиомы А 3 и А 4 выполняются в силу выполнимости в Р дистрибутивности умножения относительно сложения. Так как в поле Р существует единичный элемент 1, то выполняется свойство унитарности А 5 . Таким образом, поле Р является векторным пространством над полем Р.

Пример 3. Арифметическое n-мерное векторное пространство.

Пусть Р - поле. Рассмотрим множество V= P n ={(a 1 , a 2 , … , a n) ½ a i Î P, i=1,…, n}. Введём на множестве V операции сложения векторов и умножения вектора на скаляр по следующим правилам:

"= (a 1 , a 2 , … , a n), = (b 1 , b 2 , … , b n) Î V, "aÎ P += (a 1 + b 1 , a 2 + b 2 , … , a n + b n) (1)

a=(aa 1 , aa 2 , … , aa n) (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, -= (-a 1 , -a 2 , … , -a n). Таким образом, А 1 выполняется. Так как умножение элемента из V на элемент из Р сводится к умножению элементов поля Р, то:

А 2 выполняется в силу ассоциативности умножения на Р;

А 3 и А 4 выполняются в силу дистрибутивности умножения относительно сложения на Р;

А 5 выполняется, так как 1 Î Р - нейтральный элемент относительно умножения на Р.

Определение 2. Множество V= P n с операциями, определёнными формулами (1) и (2) называется арифметическим n-мерным векторным пространством над полем Р.

В статье о n -мерных векторах мы пришли к понятию линейного пространства, порождаемого множеством n -мерных векторов. Теперь нам предстоит рассмотреть не менее важные понятия, такие как размерность и базис векторного пространства. Они напрямую связаны с понятием линейно независимой системы векторов, так что дополнительно рекомендуется напомнить себе основы и этой темы.

Введем некоторые определения.

Определение 1

Размерность векторного пространства – число, соответствующее максимальному количеству линейно независимых векторов в этом пространстве.

Определение 2

Базис векторного пространства – совокупность линейно независимых векторов, упорядоченная и в своей численности равная размерности пространства.

Рассмотрим некое пространство n -векторов. Размерность его соответственно равна n . Возьмем систему из n -единичных векторов:

e (1) = (1 , 0 , . . . , 0) e (2) = (0 , 1 , . . . , 0) e (n) = (0 , 0 , . . . , 1)

Используем эти векторы в качестве составляющих матрицы A: она будет являться единичной с размерностью n на n . Ранг этой матрицы равен n . Следовательно, векторная система e (1) , e (2) , . . . , e (n) является линейно независимой. При этом к системе невозможно добавить ни одного вектора, не нарушив ее линейной независимости.

Так как число векторов в системе равно n , то размерность пространства n -мерных векторов равна n , а единичные векторы e (1) , e (2) , . . . , e (n) являются базисом указанного пространства.

Из полученного определения сделаем вывод: любая система n -мерных векторов, в которой число векторов меньше n , не является базисом пространства.

Если мы поменяем местами первый и второй вектор, получим систему векторов e (2) , e (1) , . . . , e (n) . Она также будет являться базисом n -мерного векторного пространства. Составим матрицу, взяв за ее строки векторы полученной системы. Матрица может быть получена из единичной матрицы перестановкой местами первых двух строк, ранг ее будет равен n . Система e (2) , e (1) , . . . , e (n) линейно независима и является базисом n -мерного векторного пространства.

Переставив местами в исходной системе другие векторы, получим еще один базис.

Мы можем взять линейно независимую систему неединичных векторов, и она также будет представлять собой базис n -мерного векторного пространства.

Определение 3

Векторное пространство с размерностью n имеет столько базисов, сколько существует линейно независимых систем из n -мерных векторов числом n.

Плоскость является двумерным пространством – ее базисом будут два любых неколлинеарных вектора. Базисом трехмерного пространства послужат три любых некомпланарных вектора.

Рассмотрим применение данной теории на конкретных примерах.

Пример 1

Исходные данные: векторы

a = (3 , - 2 , 1) b = (2 , 1 , 2) c = (3 , - 1 , - 2)

Необходимо определить, являются ли указанные векторы базисом трехмерного векторного пространства.

Решение

Для решения поставленной задачи исследуем заданную систему векторов на линейную зависимость. Составим матрицу, где строки – координаты векторов. Определим ранг матрицы.

A = 3 2 3 - 2 1 - 1 1 2 - 2 A = 3 - 2 1 2 1 2 3 - 1 - 2 = 3 · 1 · (- 2) + (- 2) · 2 · 3 + 1 · 2 · (- 1) - 1 · 1 · 3 - (- 2) · 2 · (- 2) - 3 · 2 · (- 1) = = - 25 ≠ 0 ⇒ R a n k (A) = 3

Следовательно, заданные условием задачи векторы линейно независимы, и их численность равна размерности векторного пространства – они являются базисом векторного пространства.

Ответ: указанные векторы являются базисом векторного пространства.

Пример 2

Исходные данные: векторы

a = (3 , - 2 , 1) b = (2 , 1 , 2) c = (3 , - 1 , - 2) d = (0 , 1 , 2)

Необходимо определить, может ли указанная система векторов являться базисом трехмерного пространства.

Решение

Указанная в условии задачи система векторов является линейно зависимой, т.к. максимальное число линейно независимых векторов равно 3. Таким образом, указанная система векторов не может служить базисом трехмерного векторного пространства. Но стоит отметить, что подсистема исходной системы a = (3 , - 2 , 1) , b = (2 , 1 , 2) , c = (3 , - 1 , - 2) является базисом.

Ответ: указанная система векторов не является базисом.

Пример 3

Исходные данные: векторы

a = (1 , 2 , 3 , 3) b = (2 , 5 , 6 , 8) c = (1 , 3 , 2 , 4) d = (2 , 5 , 4 , 7)

Могут ли они являться базисом четырехмерного пространства?

Решение

Cоставим матрицу, используя в качестве строк координаты заданных векторов

A = 1 2 3 3 2 5 6 8 1 3 2 4 2 5 4 7

По методу Гаусса определим ранг матрицы:

A = 1 2 3 3 2 5 6 8 1 3 2 4 2 5 4 7 ~ 1 2 3 3 0 1 0 2 0 1 - 1 1 0 1 - 2 1 ~ ~ 1 2 3 3 0 1 0 2 0 0 - 1 - 1 0 0 - 2 - 1 ~ 1 2 3 3 0 1 0 2 0 0 - 1 - 1 0 0 0 1 ⇒ ⇒ R a n k (A) = 4

Следовательно, система заданных векторов линейно независима и их численность равна размерности векторного пространства – они являются базисом четырехмерного векторного пространства.

Ответ: заданные векторы являются базисом четырехмерного пространства.

Пример 4

Исходные данные: векторы

a (1) = (1 , 2 , - 1 , - 2) a (2) = (0 , 2 , 1 , - 3) a (3) = (1 , 0 , 0 , 5)

Составляют ли они базис пространства размерностью 4?

Решение

Исходная система векторов линейно независима, но численность векторов в ней недостаточна, чтобы стать базисом четырехмерного пространства.

Ответ: нет, не составляют.

Разложение вектора по базису

Примем, что произвольные векторы e (1) , e (2) , . . . , e (n) являются базисом векторного n-мерного пространства. Добавим к ним некий n -мерный вектор x → : полученная система векторов станет линейно зависимой. Свойства линейной зависимости гласят, что хотя бы один из векторов такой системы может линейно выражаться через остальные. Переформулируя это утверждение, можно говорить о том, что хотя бы один из векторов линейно зависимой системы может раскладываться по остальным векторам.

Таким образом, мы пришли к формулировке важнейшей теоремы:

Определение 4

Любой вектор n -мерного векторного пространства единственным образом раскладывается по базису.

Доказательство 1

Докажем эту теорему:

зададим базис n -мерного векторного пространства - e (1) , e (2) , . . . , e (n) . Сделаем систему линейно зависимой, добавив к ней n -мерный вектор x → . Этот вектор может быть линейно выражен через исходные векторы e:

x = x 1 · e (1) + x 2 · e (2) + . . . + x n · e (n) , где x 1 , x 2 , . . . , x n - некоторые числа.

Теперь докажем, что такое разложение является единственным. Предположим, что это не так и существует еще одно подобное разложение:

x = x ~ 1 e (1) + x 2 ~ e (2) + . . . + x ~ n e (n) , где x ~ 1 , x ~ 2 , . . . , x ~ n - некие числа.

Отнимем от левой и правой частей этого равенства соответственно левую и правую части равенства x = x 1 · e (1) + x 2 · e (2) + . . . + x n · e (n) . Получим:

0 = (x ~ 1 - x 1) · e (1) + (x ~ 2 - x 2) · e (2) + . . . (x ~ n - x n) · e (2)

Система базисных векторов e (1) , e (2) , . . . , e (n) линейно независима; по определению линейной независимости системы векторов равенство выше возможно только тогда, когда все коэффициенты (x ~ 1 - x 1) , (x ~ 2 - x 2) , . . . , (x ~ n - x n) будут равны нулю. Из чего справедливым будет: x 1 = x ~ 1 , x 2 = x ~ 2 , . . . , x n = x ~ n . И это доказывает единственный вариант разложения вектора по базису.

При этом коэффициенты x 1 , x 2 , . . . , x n называются координатами вектора x → в базисе e (1) , e (2) , . . . , e (n) .

Доказанная теория делает понятным выражение «задан n -мерный вектор x = (x 1 , x 2 , . . . , x n) »: рассматривается вектор x → n -мерного векторного пространства, и его координаты заданы в некотором базисе. При этом также понятно, что этот же вектор в другом базисе n -мерного пространства будет иметь другие координаты.

Рассмотрим следующий пример: допустим, что в некотором базисе n -мерного векторного пространства задана система из n линейно независимых векторов

а также задан вектор x = (x 1 , x 2 , . . . , x n) .

Векторы e 1 (1) , e 2 (2) , . . . , e n (n) в этом случае также являются базисом этого векторного пространства.

Предположим, что необходимо определить координаты вектора x → в базисе e 1 (1) , e 2 (2) , . . . , e n (n) , обозначаемые как x ~ 1 , x ~ 2 , . . . , x ~ n .

Вектор x → будет представлен следующим образом:

x = x ~ 1 · e (1) + x ~ 2 · e (2) + . . . + x ~ n · e (n)

Запишем это выражение в координатной форме:

(x 1 , x 2 , . . . , x n) = x ~ 1 · (e (1) 1 , e (1) 2 , . . . , e (1) n) + x ~ 2 · (e (2) 1 , e (2) 2 , . . . , e (2) n) + . . . + + x ~ n · (e (n) 1 , e (n) 2 , . . . , e (n) n) = = (x ~ 1 e 1 (1) + x ~ 2 e 1 (2) + . . . + x ~ n e 1 (n) , x ~ 1 e 2 (1) + x ~ 2 e 2 (2) + + . . . + x ~ n e 2 (n) , . . . , x ~ 1 e n (1) + x ~ 2 e n (2) + . . . + x ~ n e n (n))

Полученное равенство равносильно системе из n линейных алгебраических выражений с n неизвестными линейными переменными x ~ 1 , x ~ 2 , . . . , x ~ n:

x 1 = x ~ 1 e 1 1 + x ~ 2 e 1 2 + . . . + x ~ n e 1 n x 2 = x ~ 1 e 2 1 + x ~ 2 e 2 2 + . . . + x ~ n e 2 n ⋮ x n = x ~ 1 e n 1 + x ~ 2 e n 2 + . . . + x ~ n e n n

Матрица этой системы будет иметь следующий вид:

e 1 (1) e 1 (2) ⋯ e 1 (n) e 2 (1) e 2 (2) ⋯ e 2 (n) ⋮ ⋮ ⋮ ⋮ e n (1) e n (2) ⋯ e n (n)

Пусть это будет матрица A , и ее столбцы – векторы линейно независимой системы векторов e 1 (1) , e 2 (2) , . . . , e n (n) . Ранг матрицы – n , и ее определитель отличен от нуля. Это свидетельствует о том, что система уравнений имеет единственное решение, определяемое любым удобным способом: к примеру, методом Крамера или матричным методом. Таким образом мы сможем определить координаты x ~ 1 , x ~ 2 , . . . , x ~ n вектора x → в базисе e 1 (1) , e 2 (2) , . . . , e n (n) .

Применим рассмотренную теорию на конкретном примере.

Пример 6

Исходные данные: в базисе трехмерного пространства заданы векторы

e (1) = (1 , - 1 , 1) e (2) = (3 , 2 , - 5) e (3) = (2 , 1 , - 3) x = (6 , 2 , - 7)

Необходимо подтвердить факт, что система векторов e (1) , e (2) , e (3) также служит базисом заданного пространства, а также определить координаты вектора х в заданном базисе.

Решение

Система векторов e (1) , e (2) , e (3) будет являться базисом трехмерного пространства, если она линейно независима. Выясним эту возможность, определив ранг матрицы A , строки которой – заданные векторы e (1) , e (2) , e (3) .

Используем метод Гаусса:

A = 1 - 1 1 3 2 - 5 2 1 - 3 ~ 1 - 1 1 0 5 - 8 0 3 - 5 ~ 1 - 1 1 0 5 - 8 0 0 - 1 5

R a n k (A) = 3 . Таким образом, система векторов e (1) , e (2) , e (3) линейно независима и является базисом.

Пусть в базисе вектор x → имеет координаты x ~ 1 , x ~ 2 , x ~ 3 . Связь этих координат определяется уравнением:

x 1 = x ~ 1 e 1 (1) + x ~ 2 e 1 (2) + x ~ 3 e 1 (3) x 2 = x ~ 1 e 2 (1) + x ~ 2 e 2 (2) + x ~ 3 e 2 (3) x 3 = x ~ 1 e 3 (1) + x ~ 2 e 3 (2) + x ~ 3 e 3 (3)

Применим значения согласно условиям задачи:

x ~ 1 + 3 x ~ 2 + 2 x ~ 3 = 6 - x ~ 1 + 2 x ~ 2 + x ~ 3 = 2 x ~ 1 - 5 x ~ 2 - 3 x 3 = - 7

Решим систему уравнений методом Крамера:

∆ = 1 3 2 - 1 2 1 1 - 5 - 3 = - 1 ∆ x ~ 1 = 6 3 2 2 2 1 - 7 - 5 - 3 = - 1 , x ~ 1 = ∆ x ~ 1 ∆ = - 1 - 1 = 1 ∆ x ~ 2 = 1 6 2 - 1 2 1 1 - 7 - 3 = - 1 , x ~ 2 = ∆ x ~ 2 ∆ = - 1 - 1 = 1 ∆ x ~ 3 = 1 3 6 - 1 2 2 1 - 5 - 7 = - 1 , x ~ 3 = ∆ x ~ 3 ∆ = - 1 - 1 = 1

Так, вектор x → в базисе e (1) , e (2) , e (3) имеет координаты x ~ 1 = 1 , x ~ 2 = 1 , x ~ 3 = 1 .

Ответ: x = (1 , 1 , 1)

Связь между базисами

Предположим, что в некотором базисе n-мерного векторного пространства даны две линейно независимые системы векторов:

c (1) = (c 1 (1) , c 2 (1) , . . . , c n (1)) c (2) = (c 1 (2) , c 2 (2) , . . . , c n (2)) ⋮ c (n) = (c 1 (n) , e 2 (n) , . . . , c n (n))

e (1) = (e 1 (1) , e 2 (1) , . . . , e n (1)) e (2) = (e 1 (2) , e 2 (2) , . . . , e n (2)) ⋮ e (n) = (e 1 (n) , e 2 (n) , . . . , e n (n))

Указанные системы являются также базисами заданного пространства.

Пусть c ~ 1 (1) , c ~ 2 (1) , . . . , c ~ n (1) - координаты вектора c (1) в базисе e (1) , e (2) , . . . , e (3) , тогда связь координат будет задаваться системой линейных уравнений:

с 1 (1) = c ~ 1 (1) e 1 (1) + c ~ 2 (1) e 1 (2) + . . . + c ~ n (1) e 1 (n) с 2 (1) = c ~ 1 (1) e 2 (1) + c ~ 2 (1) e 2 (2) + . . . + c ~ n (1) e 2 (n) ⋮ с n (1) = c ~ 1 (1) e n (1) + c ~ 2 (1) e n (2) + . . . + c ~ n (1) e n (n)

В виде матрицы систему можно отобразить так:

(c 1 (1) , c 2 (1) , . . . , c n (1)) = (c ~ 1 (1) , c ~ 2 (1) , . . . , c ~ n (1)) · e 1 (1) e 2 (1) … e n (1) e 1 (2) e 2 (2) … e n (2) ⋮ ⋮ ⋮ ⋮ e 1 (n) e 2 (n) … e n (n)

Сделаем по аналогии такую же запись для вектора c (2) :

(c 1 (2) , c 2 (2) , . . . , c n (2)) = (c ~ 1 (2) , c ~ 2 (2) , . . . , c ~ n (2)) · e 1 (1) e 2 (1) … e n (1) e 1 (2) e 2 (2) … e n (2) ⋮ ⋮ ⋮ ⋮ e 1 (n) e 2 (n) … e n (n)

(c 1 (n) , c 2 (n) , . . . , c n (n)) = (c ~ 1 (n) , c ~ 2 (n) , . . . , c ~ n (n)) · e 1 (1) e 2 (1) … e n (1) e 1 (2) e 2 (2) … e n (2) ⋮ ⋮ ⋮ ⋮ e 1 (n) e 2 (n) … e n (n)

Матричные равенства объединим в одно выражение:

c 1 (1) c 2 (1) ⋯ c n (1) c 1 (2) c 2 (2) ⋯ c n (2) ⋮ ⋮ ⋮ ⋮ c 1 (n) c 2 (n) ⋯ c n (n) = c ~ 1 (1) c ~ 2 (1) ⋯ c ~ n (1) c ~ 1 (2) c ~ 2 (2) ⋯ c ~ n (2) ⋮ ⋮ ⋮ ⋮ c ~ 1 (n) c ~ 2 (n) ⋯ c ~ n (n) · e 1 (1) e 2 (1) ⋯ e n (1) e 1 (2) e 2 (2) ⋯ e n (2) ⋮ ⋮ ⋮ ⋮ e 1 (n) e 2 (n) ⋯ e n (n)

Оно и будет определять связь векторов двух различных базисов.

Используя тот же принцип, возможно выразить все векторы базиса e (1) , e (2) , . . . , e (3) через базис c (1) , c (2) , . . . , c (n) :

e 1 (1) e 2 (1) ⋯ e n (1) e 1 (2) e 2 (2) ⋯ e n (2) ⋮ ⋮ ⋮ ⋮ e 1 (n) e 2 (n) ⋯ e n (n) = e ~ 1 (1) e ~ 2 (1) ⋯ e ~ n (1) e ~ 1 (2) e ~ 2 (2) ⋯ e ~ n (2) ⋮ ⋮ ⋮ ⋮ e ~ 1 (n) e ~ 2 (n) ⋯ e ~ n (n) · c 1 (1) c 2 (1) ⋯ c n (1) c 1 (2) c 2 (2) ⋯ c n (2) ⋮ ⋮ ⋮ ⋮ c 1 (n) c 2 (n) ⋯ c n (n)

Дадим следующие определения:

Определение 5

Матрица c ~ 1 (1) c ~ 2 (1) ⋯ c ~ n (1) c ~ 1 (2) c ~ 2 (2) ⋯ c ~ n (2) ⋮ ⋮ ⋮ ⋮ c ~ 1 (n) c ~ 2 (n) ⋯ c ~ n (n) является матрицей перехода от базиса e (1) , e (2) , . . . , e (3)

к базису c (1) , c (2) , . . . , c (n) .

Определение 6

Матрица e ~ 1 (1) e ~ 2 (1) ⋯ e ~ n (1) e ~ 1 (2) e ~ 2 (2) ⋯ e ~ n (2) ⋮ ⋮ ⋮ ⋮ e ~ 1 (n) e ~ 2 (n) ⋯ e ~ n (n) является матрицей перехода от базиса c (1) , c (2) , . . . , c (n)

к базису e (1) , e (2) , . . . , e (3) .

Из этих равенств очевидно, что

c ~ 1 (1) c ~ 2 (1) ⋯ c ~ n (1) c ~ 1 (2) c ~ 2 (2) ⋯ c ~ n (2) ⋮ ⋮ ⋮ ⋮ c ~ 1 (n) c ~ 2 (n) ⋯ c ~ n (n) · e ~ 1 (1) e ~ 2 (1) ⋯ e ~ n (1) e ~ 1 (2) e ~ 2 (2) ⋯ e ~ n (2) ⋮ ⋮ ⋮ ⋮ e ~ 1 (n) e ~ 2 (n) ⋯ e ~ n (n) = 1 0 ⋯ 0 0 1 ⋯ 0 ⋮ ⋮ ⋮ ⋮ 0 0 ⋯ 1 e ~ 1 (1) e ~ 2 (1) ⋯ e ~ n (1) e ~ 1 (2) e ~ 2 (2) ⋯ e ~ n (2) ⋮ ⋮ ⋮ ⋮ e ~ 1 (n) e ~ 2 (n) ⋯ e ~ n (n) · c ~ 1 (1) c ~ 2 (1) ⋯ c ~ n (1) c ~ 1 (2) c ~ 2 (2) ⋯ c ~ n (2) ⋮ ⋮ ⋮ ⋮ c ~ 1 (n) c ~ 2 (n) ⋯ c ~ n (n) = 1 0 ⋯ 0 0 1 ⋯ 0 ⋮ ⋮ ⋮ ⋮ 0 0 ⋯ 1

т.е. матрицы перехода взаимообратны.

Рассмотрим теорию на конкретном примере.

Пример 7

Исходные данные: необходимо найти матрицу перехода от базиса

c (1) = (1 , 2 , 1) c (2) = (2 , 3 , 3) c (3) = (3 , 7 , 1)

e (1) = (3 , 1 , 4) e (2) = (5 , 2 , 1) e (3) = (1 , 1 , - 6)

Также нужно указать связь координат произвольного вектора x → в заданных базисах.

Решение

1. Пусть T – матрица перехода, тогда верным будет равенство:

3 1 4 5 2 1 1 1 1 = T · 1 2 1 2 3 3 3 7 1

Умножим обе части равенства на

1 2 1 2 3 3 3 7 1 - 1

и получим:

T = 3 1 4 5 2 1 1 1 - 6 · 1 2 1 2 3 3 3 7 1 - 1

2. Определим матрицу перехода:

T = 3 1 4 5 2 1 1 1 - 6 · 1 2 1 2 3 3 3 7 1 - 1 = = 3 1 4 5 2 1 1 1 - 6 · - 18 5 3 7 - 2 - 1 5 - 1 - 1 = - 27 9 4 - 71 20 12 - 41 9 8

3. Определим связь координат вектора x → :

допустим, что в базисе c (1) , c (2) , . . . , c (n) вектор x → имеет координаты x 1 , x 2 , x 3 , тогда:

x = (x 1 , x 2 , x 3) · 1 2 1 2 3 3 3 7 1 ,

а в базисе e (1) , e (2) , . . . , e (3) имеет координаты x ~ 1 , x ~ 2 , x ~ 3 , тогда:

x = (x ~ 1 , x ~ 2 , x ~ 3) · 3 1 4 5 2 1 1 1 - 6

Т.к. равны левые части этих равенств, мы можем приравнять и правые:

(x 1 , x 2 , x 3) · 1 2 1 2 3 3 3 7 1 = (x ~ 1 , x ~ 2 , x ~ 3) · 3 1 4 5 2 1 1 1 - 6

Умножим обе части справа на

1 2 1 2 3 3 3 7 1 - 1

и получим:

(x 1 , x 2 , x 3) = (x ~ 1 , x ~ 2 , x ~ 3) · 3 1 4 5 2 1 1 1 - 6 · 1 2 1 2 3 3 3 7 1 - 1 ⇔ ⇔ (x 1 , x 2 , x 3) = (x ~ 1 , x ~ 2 , x ~ 3) · T ⇔ ⇔ (x 1 , x 2 , x 3) = (x ~ 1 , x ~ 2 , x ~ 3) · - 27 9 4 - 71 20 12 - 41 9 8

С другой стороны

(x ~ 1 , x ~ 2 , x ~ 3) = (x 1 , x 2 , x 3) · - 27 9 4 - 71 20 12 - 41 9 8

Последние равенства показывают связь координат вектора x → в обоих базисах.

Ответ: матрица перехода

27 9 4 - 71 20 12 - 41 9 8

Координаты вектора x → в заданных базисах связаны соотношением:

(x 1 , x 2 , x 3) = (x ~ 1 , x ~ 2 , x ~ 3) · - 27 9 4 - 71 20 12 - 41 9 8

(x ~ 1 , x ~ 2 , x ~ 3) = (x 1 , x 2 , x 3) · - 27 9 4 - 71 20 12 - 41 9 8 - 1

Если вы заметили ошибку в тексте, пожалуйста, выделите её и нажмите Ctrl+Enter

Ве́кторное (или лине́йное ) простра́нство - математическая структура, которая представляет собой набор элементов, называемых векторами, для которых определены операции сложения друг с другом и умножения на число - скаляр.

1) X+y=y+x (коммутативность сложения )

2) X+(y+Z)=(x+Y)+z (ассоциативность сложения )

3) существует такой элемент 0єV , что x+0=x

4) для любого x єV существует такой элемент - x єV , что x+(-x)=0? называемый вектором,противоположным вектору x.

5) α(βx)= (αβ)x (ассоциативность умножения на скаляр )

7) (α+β)x=αx+βx

8) α(x+y)=αx+αy

1) Свободные вектора в пространстве R 3

2) Матрицы размерности nxm

3) Множество всех многочленов, степень которых не превышает n

4) Примерами линейного пространства является:

5) - пространство действительных чисел.

6) - множество геометрических векторов на плоскости.

7) - пространство матриц фиксированной размерности.

8) - пространство решений однородных линейных систем и др.

Основные определения

N-мерным вектором называется последовательность n чисел. Эти числа называются координатами вектора. Число координат вектора n называется размерностью вектора.

Складывать можно лишь векторы одинаковой размерности

Векторы равны , если они имеют одинаковую размерность и их соответствующие координаты равны.

Любой n-мерный вектор А можно умножить на любое число λ, при этом все его координаты умножаются на это число:
λA=(λ*a1, λ*a2,..., λ*an)

Два вектора одинаковой размерности можно сложить, при этом их соответствующие координаты складываются:

Что называется линейной комбинацией векторов?

Линейной комбинацией векторов a1,a2,…,an называется выражение вида:

Где a1,a2,…,an - произвольные числа

Какие векторы называются линейно зависимыми (независимыми)?

Ненулевые векторы a1,a2,…,an называются линейно зависимыми , если нетривиальная линейная комбинация этих векторов равна нулевому вектору:

Ненулевые векторы a1,a2,…,an называются линейно независимыми , если только тривиальная линейная комбинация этих векторов равна нулевому вектору.

Примеры линейно независимых векторов

Как решается вопрос о линейной зависимости векторов?

Теорема 1 . Для того, чтобы система векторов была линейно зависимой, необходимо и достаточно, чтобы хотя бы один из них был представлен в виде линейной комбинации остальных.

Теорема 2. В n-мерном пространстве любая система, содержащая более чем n векторов, является линейно зависимой.

Теорема 3 .Если определитель, составленный из координат векторов, отличен от нуля, то система векторов линейно независима. Если указанные теоремы не дают ответа на вопрос о линейной зависимости или независимости векторов, то необходимо решать систему уравнений относительно , либо определять ранг системы векторов.

В каком соотношении находятся координаты двух линейно зависимых векторов?

Приведите пример двух линейно зависимых векторов

: Векторы и коллинеарны когда существует такое число , что имеет место равенство:
.

Определение базиса линейного пространства

Совокупность из n линейно независимых элементов в пространстве размерности n называется базисом этого пространства.

Определение размерности линейного пространства.

Определение 3.1. Линейное пространство R называется n-мерным, если в нем существует n линейно независимых элементов, а любые (n +1) элементов уже являются линейно зависимыми. При этом число n называется размерностью пространства R .

Размерность пространства обозначают символом dim.

Определение 3.2. Линейное пространство R называется бесконечномерным, если в нем существует любое число линейно независимых элементов.

Теорема 3.4. Пусть линейное пространство R имеет базис, состоящий из n элементов. Тогда размерность R равна n (dim R=n ).

Понятие n-мерного пространства

Линейное пространство V называется n-мерным пространством, если в нем существует система из n линейно независимых элементов, а любой n+1 эл-в линейно зависимы.

Формулы, связывающие векторы старого и нового базисов

Векторным (линейным) пространством называется множество векторов (элементов) с действительными компонентами, в котором определены операции сложения векторов и умножения вектора на число, удовлетворяющим определенным аксиомам (свойствам)

1)х + у = у + х (перестановочность сложения);

2)(х + у )+ z = x +(y + z ) (ассоциативность сложения);

3) имеется нулевой вектор 0 (или нуль-вектор), удовлетворяющий условию x + 0 = x: для любого вектора x ;

4) для любого вектора х существует противоположный ему вектор у такой, что х + у = 0 ,

5) 1 · х = х,

6) a (bx )=(ab ) х (ассоциативность умножения);

7) (a + b ) х = aх + bх (распределительное свойство относительно числового множителя);

8) a (х + у )= aх + aу (распределительное свойство относительно векторного множителя).

Линейное пространство (векторное) V(P) над полем P – это непустое множество V. Элементы множества V называют векторами, а элементы поля P – скалярами.

Простейшие свойства.

1.Векторное пространство является абелевой группой(группа, в которой групповая операция является коммутативной. Групповая операция в абелевых группах обычно называется «сложением» и обозначается знаком +)

2.Нейтральный элемент является единственным, что вытекает из групповых свойств для любого .

3.Для любого противоположный элемент является единственным, что вытекает из групповых свойств.

4.(–1) х = – х для любого х є V.

5.(–α) x = α(–x) = – (αx) для любых α є P и x є V.

Выражение a 1 e 1 + a 2 e 2 + … + a n e n (1) называется линейной комбинацией векторов e 1 , e 2 ,..., e n с коэффициентами a 1 , a 2 ,..., a n . Линейная комбинация (1) называется нетривиальной, если хотя бы один из коэффициентов a 1 , a 2 ,..., a n отличен от нуля. Векторы e 1 , e 2 ,..., e n называются линейно зависимыми, если существует нетривиальная комбинация (1), представляющая собой нулевой вектор. В противном случае (то есть если только тривиальная комбинация векторов e 1 , e 2 ,..., e n равна нулевому вектору) векторы e 1 , e 2 ,..., e n называется линейно независимыми.

Размерность пространства – максимальное число содержащихся в нем ЛЗ векторов.

Векторное пространство называется n-мepным (или имеет «размерность n» ), если в нём существуют n линейно независимых элементов e 1 , e 2 ,..., e n , а любые n + 1 элементов линейно зависимы (обобщённое условие В). Векторное пространство называются бесконечномерным, если в нём для любого натурального n существует n линейно независимых векторов. Любые n линейно независимых векторов n-мepного Векторное пространство образуют базис этого пространства. Если e 1 , e 2 ,..., e n - базис Векторное пространство , то любой вектор х этого пространства может быть представлен единственным образом в виде линейной комбинации базисных векторов: x = a 1 e 1 + a 2 e 2 +... + a n e n .
При этом числа a 1 , a 2, ..., a n называются координатами вектора х в данном базисе.

1. Понятие линейного пространства

Определение 1.1. Множество R элементов x, y, z, ... любой природы называется линейным (или векторным) пространством, если выполнены следующие три требования:

1. Существует правило, посредством которого любым двум элементам x и y множества R ставится в соответствие третий элемент z этого множества, называемый суммой элементов x и y и обозначаемый z=x+y.
2. Существует правило, посредством которого любому элементу x множества R и любому вещественному числу α ставится в соответствие элемент w этого множества, называемый произведением элемента x на число α и обозначаемый w=αx или w=xα.
3. Представленные два правила подчинены следующим восьми аксиомам:
1. x+y=y+x (переместительное свойство суммы);
2. (x+y)+z=x+(y+z) (сочетательное свойство суммы);
3. существует нулевой элемент 0 такой, что x +0=x для любого элемента x .
4. для любого элемента x существует противоположный элемент элемент x" такой, что x+x" =0;
5. 1·x=x для любого x;
6. λ(μx)=(λμ)x (сочетательное свойство относительно числового множителя);
7. (λ+μ )x=λx+μx (распределительное свойство относительно числовых множителей);
8. λ(x+y)=λx+λy (распределительное свойство относительно суммы элементов).

Элементы линейного (векторного) пространства называются векторами.

2. Базис линейного пространства

Определение 2.1. Совокупность линейно независимых элементов пространства R называется базисом этого пространства, если для каждого элемента x пространства R существуют вещественные чиcла такие, что выполнено равенство

Равенство (2.1) называется разложением элемента x по базису а числа называются координатами элемента x (относительно базиса ).

Докажем, что любой элемент x линейного пространства R

Пусть существует и другое разложение x :

Вычитая (2.1) из (2.2) имеем:

(2.3)

Так как базисные элементы линейно независимы из соотношения (2.3) следует, что

Следовательно каждый элемент линейного пространства R может быть разложен по базису единственным образом.

Теорема 2.2. При сложении произвольных двух элементов линейного пространства R их координаты (относительно любого базиса пространства R ) складываются, а при умножении любого элемента x на любое число α все координаты x умножаются на α .

Доказательство следует из аксиом 1-8 определения 1.1.

3. Размерность линейного пространства

Рассмотрим произвольное вещественное пространство R .

Определение 3.1. Линейное пространство R называется n-мерным, если в нем существует n линейно независимых элементов, а любые (n +1) элементов уже являются линейно зависимыми . При этом число n называется размерностью пространства R .

Размерность пространства обозначают символом dim.

Определение 3.2. Линейное пространство R называется бесконечномерным, если в нем существует любое число линейно независимых элементов.

Теорема 3.3. Пусть R является линейным пространствам размерности n (dim R=n ). Тогда любые n линейно независимых элементов этого пространства образуют его базис.

Доказательство. Так как R является n -мерным пространством, то из определения 2.1 следует, что в нем существует совокупность из n линейно независимых элементов . Пусть x - любой элемент из R . Тогда согласно определению 3.1 линейно зависимы, т.е. существуют числа (не все равные нулю) такие, что справедливо равенство

(3.3)

Из равенства (3.3) следует, что любой вектор из пространства R может быть разложен по элементам и, следовательно, они образуют базис пространства R . ■

Теорема 3.4. Пусть линейное пространство R имеет базис, состоящий из n элементов. Тогда размерность R равна n (dim R=n ).

Доказательство. Пусть множество n элементов является базисом пространства R . Достаточно доказать, что любые n +1 элементы этого пространства линейно зависимы. Разложив эти элементы по базису, получим:

где a 11 , a 12 ,..., a n+1,n вещественные числа.

Пусть элементы линейно независимы. Перепишем (3.4) в матричном виде:

Так как линейно независимы, матрица A имеет обратную матрицу A -1 . Решив матричное уравнение (3.5) относительно получим:

Как видно из уравнения (3.9) можно представить линейной комбинацией векторов . Следовательно векторы линейно зависимы. ■

4. Замена базиса и преобразование координат

Пусть в пространстве R наряду с исходным базисом имеется другой базис . Векторы этого базиса можно выразить через линейную комбинацию векторов исходного базиса следующим образом:

Матрица P называется матрицей замены базиса на .

В свою очередь, векторы исходного базиса выражаются через векторы нового следующим соотношением:

Из (4.6) следует, что QP=E , где E -единичная матрица , а матрицы Q и P взаимно обратные матрицы .

Рассмотрим как изменяются координаты векторов при замене базиса.

Пусть вектор x имеет координаты и координаты , тогда

(4.7)

Матрица P T называется матрицей преобразования координат . Она транспонирована с матрицей замены базиса. Обратная матрица (P T) -1 дает выражения новых координат через старые.

Матрица, обратная к транспонированной для некоторой матрицы, называется контраградиентной с ней.

5. Изоморфизм линейных пространств

Определение 5.1. Два произвольных вещественных линейных пространства R и R" называются изоморфными, если между элементами этих пространств можно установить взаимно однозначное соответствие так, что если x, y ∈R отвечают x", y" ∊R" соответственно, то элементу x+y ∈R отвечает элемент x"+y" ∈R" , а для любого вещественного α , элементу α x ∈R отвечает элемент α x" ∈R" .

Теорема 5.2. Если пространства R и R" изоморфны, то они имеют одинаковую размерность.

Доказательство. Пусть линейные пространства R и R" изоморфны, и пусть элементам пространства R отвечают элементы пространства R" соответственно. Допустим элементы линейно независимы. Покажем, что элементы также линейно независимы. Исходя из обратного предположения допустим, что элементы линейно зависимы. тогда один из них можно представить линейной комбинацией остальных элементов:. Но элементам отвечают элементы y в пространстве R, а сумме отвечает сумма . Но последнее означает линейную зависимость элементов . Следовательно линейно независимы. Из линейной зависимости элементов следует линейная зависимость элементов . Следовательно максимальное количество линейно независимых векторов для пространств R и R" одно и то же, т.е. эти пространства имеют одинаковую размерность. ■

Теорема 5.3. Любые два n -мерных вещественных линейных пространства R и R" изоморфны.

Доказательство. Выберем базисы и для пространств R и R" соответственно. Тогда каждый элемент пространства R можно представить линейной комбинацией базисных элементов: . Этому элементу в пространстве R" поставим в соответствие элемент теми же координатами:. В свою очередь элементу x" пространства R" соответствует элемент x пространства R . Отметим, что если элементам x и y пространства R отвечают элементы x" и y" пространства R" соответственно, то исходя из теоремы 2.2 элементу x+y пространства R отвечает элемент x"+y" пространства R" , а элементу α x отвечает элемент α x" . ■