Найти ортогональный базис линейной оболочки системы векторов

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.

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

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.

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.

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.

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.

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.

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.

Видео:Линейная оболочка. Базис и размерностьСкачать

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:

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

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:

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:

1 — x 1 ) · e ( 1 ) + ( x

2 — x 2 ) · e ( 2 ) + . . . ( x

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

2 — x 2 ) , . . . , ( x

n — x n ) будут равны нулю. Из чего справедливым будет: x 1 = 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

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 ) )

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

Вектор x → будет представлен следующим образом:

2 · e ( 2 ) + . . . + x

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

2 e 1 ( 2 ) + . . . + x

2 e 2 ( 2 ) + + . . . + x

n e 2 ( n ) , . . . , x

2 e n ( 2 ) + . . . + x

Полученное равенство равносильно системе из n линейных алгебраических выражений с n неизвестными линейными переменными x

n e 2 n ⋮ x n = x

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

n вектора x → в базисе e 1 ( 1 ) , e 2 ( 2 ) , . . . , e n ( n ) .

Применим рассмотренную теорию на конкретном примере.

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

3 . Связь этих координат определяется уравнением:

3 e 1 ( 3 ) x 2 = x

3 e 2 ( 3 ) x 3 = x

Применим значения согласно условиям задачи:

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 ∆ = — 1 — 1 = 1 ∆ x

2 = 1 6 2 — 1 2 1 1 — 7 — 3 = — 1 , x

2 ∆ = — 1 — 1 = 1 ∆ x

3 = 1 3 6 — 1 2 2 1 — 5 — 7 = — 1 , x

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

Ответ: x = ( 1 , 1 , 1 )

Видео:Процесс ортогонализации Грама-Шмидта. ПримерСкачать

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.

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

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

В виде матрицы систему можно отобразить так:

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

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 )

И, далее действуя по тому же принципу, получаем:

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

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

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:

n ( n ) является матрицей перехода от базиса e ( 1 ) , e ( 2 ) , . . . , e ( 3 )

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

n ( n ) является матрицей перехода от базиса c ( 1 ) , c ( 2 ) , . . . , c ( n )

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

Видео:Как разложить вектор по базису - bezbotvyСкачать

Учебное пособие: Методические указания для студентов 1 курса Одесса 2008

Одесский национальный университет им. И. И. Мечникова

Институт математики, экономики и механики

( решение типовых задач)

Методические указания для студентов 1 курса

Составители: д-р ф-м н., проф. Варбанец П.Д.,

к-т ф-м н., доц. Савастру О.В.

Рецензенты: д-р ф-м н., проф. Евтухов В.М.,

к-т ф-м н., доц. Белозеров Г.С.

Рекомендовано к печати

Ученым советом ИМЭМ Одесского национального университета им. И. И. Мечникова

протокол № 1 от 5 февраля 2008 г.

1. Линейные пространства …………………………………. 5

1.1. Линейные пространства и подпространства………….5

1.2. Базис пространства, его размерность…………………6

1.3. Координаты вектора в данном базисе…………….…11

1.4. Сумма и пересечение подпространств………………12

2. Евклидовы и унитарные пространства ………….…. 17

2.1. Процесс ортогонализации Шмидта………………….17

2.3. Ортогональная проекция и перпендикуляр на подпространство……………………………………………………..20

3. Операторы в линейных пространствах……………. 23

3.1. Образ, ядро линейного оператора……………………28

3.2. Матрица линейного оператора в данных базисах…..29

3.3. Собственные векторы и собственные значения..…. 31

3.4. Канонический корневой базис и жорданова нормальная форма…………………………………………………….34

4. Операторы в евклидовых и унитарных пространствах..40

5. Приведение двух квадратичных форм к каноническому виду…………………………………………………………. 45

Линейные пространства и линейные операторы представляют собой начало абстрактной части математики, с которой студенту в дальнейшем неоднократно придется иметь дело.

Эти методические указания по самостоятельной работе студентов предполагают использование следующего задачника:

И.В.Проскуряков. Сборник задач по линейной алгебре. М., Наука, 1974.

В дальнейшем мы будем придерживаться следующих обозначений (если в тексте нет специальной оговорки):

¾ — произвольные пространства над некоторым полем ;

¾ — пространство — мерных строк (столбцов) с элементами из поля над полем (арифметическое пространство).

¾ — действительное — мерное арифметическое пространство;

¾ — комплексное — мерное арифметическое пространство;

¾ — пространства геометрических векторов (прямой, плоскости, пространства);

¾ — евклидовы пространства (с указанием размерности или без него);

¾ — подпространства данного пространства (— индекс, не связанный с размерностью);

¾ векторы рассматриваемого пространства; — нулевой вектор;

¾ скаляры из данного поля, — нуль этого поля;

¾ линейные операторы, в отдельных случаях – матрицы;

¾ матрицы линейных операторов в базисах соответственно ;

¾ размерности пространств ;

¾ ранги операторов (матриц) ;

¾ скалярное произведение в данном пространстве;

¾ векторное произведение в данном пространстве .

Основными типами задач этого параграфа являются следующие:

А) выяснение вопроса, будет ли данное множество с указанными операциями линейным пространством, подпространством;

В) выделение базиса пространства, определение его размерности;

С) вычисление координат вектора в данном базисе;

D) нахождение суммы, пересечения подпространств, их размерностей и базисов.

1.1. Линейные пространства и подпространства.

Для решения задач первой группы необходимо знание аксиом линейного пространства (вообще, не следует приниматься за решение задач любого раздела, не ознакомившись предварительно с основными понятиями и теоремами данного раздела). Заметим, что в группе аксиом линейного пространства содержатся требования неограниченной применимости, однозначности и замкнутости линейных операций, которые не выделены под отдельными номерами. Распространенная ошибка: забывают проверить выполнение этих условий.

В тех условиях, когда данное множество состоит из векторов некоторого известного пространства, полезной является следующая теорема (критерий подпространства):

Теорема. Подмножество векторов пространства над полем является подпространством тогда и только тогда, когда

1. замкнуто относительно сложения, т.е. ,

2. замкнуто относительно умножения векторов на любые скаляры из основного поля : .

Некоторые из задач требуют хорошего знания других разделов курса (элементарной теории матриц, квадратичных форм, систем линейных уравнений). Ниже мы подробнее остановимся на одной из этих задач.

1.2. Базис пространства, его размерность.

Построение базиса пространства, подпространства несколько упрощается, если мы располагаем некоторыми представлениями о размерности пространства, подпространства. Одним из наводящих соображений здесь может быть следующее. Подмножество векторов пространства выделяется из с помощью дополнительных условий, накладываемых на векторы. При этом, чем больше таких условий, тем меньшей, вообще говоря, будет размерность подпространства . Если , а выделено с помощью условий специального вида, то есть основания ожидать, что .

Задача 1.1. (№1297[4]) Доказать, что множество п -мерных векторов, у которых первая и последняя координаты равны между собой, образует линейное подпространство пространства .

Решение. Множество образует линейное подпространство пространства , так как удовлетворяет критерию подпространства. Действительно, выделяется из с помощью одного условия , поэтому

1.

,

2.

.

Кроме того, нетрудно показать, что . Для этого рассмотрим векторы стандартного базиса . Векторы не принадлежат . Но построение базиса подпространства в ряде случаев удобно выполнить, исходя из стандартного базиса самого пространства, изменяя его векторы так, чтобы они «попали» в подпространство. Поэтому преобразуем векторы так, чтобы у них первая и последняя координаты были равны. Например, пусть . Рассмотрим систему векторов . Она образует базис , так как нетрудно проверить, что она является линейно независимой и каждый вектор из подпространства линейно выражается через вектора этой системы. А так как количество векторов системы равно , то и . Итак, наше предположение оказалось верным.

Линейные подпространства, размерности которых на 1 меньше размерности самого пространства называются гиперплоскостями .

В следующей задаче условий больше.

Задача 1.2. (№1298[4]) Доказать, что множество п -мерных векторов, у которых координаты с четными номерами равны нулю, образует линейное подпространство пространства .

Решение. Для доказательства того, что является подпространством, нужно также воспользоваться критерием подпространства. Так как поэтому следует ожидать, что , где — наибольшее четное число, не превышающее (, если — четное, и , если — нечетное). Базисом является подсистема стандартного базиса пространства , содержащая векторы только с нечетными номерами.

Задача 1.3. Проверить, является ли множество многочленов степени 3 с вещественными коэффициентами подпространством пространства многочленов степени ().

Решение. Воспользуемся критерием подпространства. Проверим условие .

Пусть , тогда

,

так как степень суммы этих двух многочленов равна двум. Итак, множество не является подпространством.

Задача 1.4. (№№1291, 1308[4]) Найти какой-нибудь базис и размерность линейного подпространства пространства , если составляют все векторы из , у которых сумма координат .

Решение. Очевидно векторы стандартного базиса

(1 на — ой позиции ) множеству не принадлежат ни при каком . Однако, замена на векторах последнего нуля числом (-1) дает нам векторы из . Таким образом мы получаем систему векторов

из , которая линейно независима (почему?) и обязана быть базисом , ибо из условия задачи явно следует, что из и, следовательно, .

Попутно решен вопрос (и подтвердилась гипотеза) о размерности ( выделено из одним условием).

Задача 1.4. (№1306[4]) Пусть — неотрицательная квадратичная форма от неизвестных ранга . Доказать, что все решения уравнения =0 образуют мерное линейное подпространство пространства .

Поиск решения. Вспоминаем основные понятия теории квадратичных форм (матрица формы, ранг формы, определение формы). Очевидно, что более подробные записи данного уравнения в виде

, никак не указывают на способ решения задачи.

В процессе дальнейших размышлений начинаем понимать, что мы должны исходить из неотрицательной определенности формы . Нормальный вид такой формы

(1)

а множество решений уравнения =0 в этом случае состоит из векторов вида

, (2)

Где — произвольные числа из . Имеющийся опыт (задача 1.2) подсказывает, что множество векторов такого вида есть ()-мерное подпространство пространства . Но данная нам форма не обязательно нормальная. И здесь мы вспоминаем, что каждая неотрицательно определенная форма ранга невырожденным линейным преобразованием приводится к виду (1). Создается план решения: преобразовать форму к виду (1) , найти решения (2) уравнения =0 для преобразованной формы, а затем с помощью обратного преобразования построить решения уравнения =0 для данной формы .

Решение. По теореме о приведении квадратичной формы к нормальному виду существует невырожденное линейное преобразование

, приводящее форму к виду

Множество решений уравнения состоит из векторов где , то есть из векторов

.

Обозначим (1 на — ой позиции) и докажем, что множество решений уравнения =0 есть линейная оболочка системы векторов

.

Пусть . Тогда

Очевидно и другое:

Кроме того, система линейно независима (проверяется непосредственно). Составляем линейную комбинацию . Получаем . Мы пришли к матричному уравнению, которое имеет единственное решение, так как матрица является невырожденной.

.

Отсюда . Тем самым мы показали, что система является линейно независимой. Следовательно, — линейное пространство (по построению) и его размерность

1.3. Координаты вектора в данном базисе.

Решение вопроса о ранге системы векторов, заданных координатами в некотором базисе, выделение из системы ее максимальной линейно независимой подсистемы, выражение остальных векторов в виде линейных комбинаций векторов этой подсистемы сводится к решению этих же задач для системы строк (столбцов) координатной матрицы, которые подробно обсуждались в соответствующем параграфе первой части.

1.4.Сумма и пересечение подпространств.

Пусть — данные подпространства пространства. Обычно их задают в виде линейных оболочек систем векторов или как множества решений некоторых однородных систем линейных уравнений, а сами векторы- координатными строками в некотором базисе. Вычисление не составляет особого труда: это ранг объединения базисов или порождающих систем подпространств и . находится по формуле

. (3)

Несколько сложнее обстоит дело с поиском базиса пересечения . В общем виде этот вопрос рассматривается в задаче №1319 [4]. Здесь же мы укажем, как найти решения конкретных задач (№№ 1320-1322 [4]). Задачу 1.6 мы решим двумя способами, второй — с помощью схемы Штифеля (предполагаем, что №1319 вы уже разобрали).

Задача 1.6. Найти базис суммы и пересечения подпространств, натянутых на системы векторов

и

Решение. Обозначим , . Будем считать, что координаты векторов заданы в единичном базисе .

1 способ. Как известно, базисом суммы служит любая база системы векторов , . Его построение сводится к вычислению ранга матрицы, строками которой являются координаты векторов последней системы. Кроме того, базис суммы можно получить, добавляя к базису первого подпространства некоторые из векторов базиса второго подпространства.

Итак, . Базис составляют .

. Базис составляют .

.

Базис составляют . По формуле (3) получаем . Базис пересечения будем искать из условия . Значит, представим в виде и . Приравниваем правые части . Это равенство эквивалентно системе трех линейных однородных уравнений с четырьмя неизвестными. Нужно решить эту систему и построить ФСР. Тогда будет образовывать базис пересечения.

Решив систему, строим ФСР.

Вектор образует базис .

2 способ. 1) Составим таблицу Штифеля для объединенной системы векторов , и перебрасываем наверх сначала векторы , пока это возможно (квадратиками выделены разрешающие элементы). Векторы , переходящие налево, не пишем и их координаты не вычисляем.

Видео:Доказать, что векторы a, b, c образуют базис и найти координаты вектора d в этом базисеСкачать

Ортогональный и ортонормированный базисы евклидова пространства

Так как евклидово пространство является линейным, на него переносятся все понятия и свойства, относящиеся к линейному пространству, в частности, понятия базиса и размерности.

Базис [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] евклидова пространства называется ортогональным , если все образующие его векторы попарно ортогональны, т.е.

Базис [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] евклидова пространства называется ортонормированным , если его векторы попарно ортогональны и длина каждого из них равна единице:

Теорема 8.5. В конечномерном евклидовом пространстве любую систему ортогональных (ортонормированных) векторов можно дополнить до ортогонального (ортонормированного) базиса.

В самом деле, по теореме 8.2 любую систему линейно независимых векторов, в частности, ортогональную (ортонормированную), можно дополнить до базиса. Применяя к этому базису процесс ортогонализации, получаем ортогональный базис. Нормируя векторы этого базиса (см. пункт 4 замечаний 8.11), получаем ортонормированный базис.

Видео:§48 Ортонормированный базис евклидова пространстваСкачать

Выражение скалярного произведения через координаты сомножителей

Пусть [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] — базис евклидова пространства, в котором векторы [math]mathbf[/math] и [math]mathbf[/math] имеют координаты [math]x_1,x_2,ldots,x_n[/math] и [math]y_1,y_2,ldots,y_n[/math] соответственно, т.е.

Выразим скалярное произведение, используя следствие 3 из аксиом скалярного произведения:

Преобразуем это выражение, используя операции с матрицами:

y=begin y_1&cdots& y_n end^T[/math] — координатные столбцы векторов [math]mathbf[/math] и [math]mathbf[/math] , a [math]G(mathbf_1,mathbf_2,ldots, mathbf_n)[/math] — квадратная симметрическая матрица, составленная из скалярных произведений

которая называется матрицей Грама системы векторов [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] .

Видео:Образуют ли данные векторы базисСкачать

Преимущества ортонормированного базиса

Для ортонормированного базиса [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] формула (8.32) упрощается, так как из условия (8.31) следует, что матрица Грама [math]G(mathbf_1, mathbf_2,ldots,mathbf_n)[/math] ортонормированной системы [math]mathbf_1, mathbf_2,ldots, mathbf_n[/math] равна единичной матрице: [math]G(mathbf_1, mathbf_2,ldots,mathbf_n)=E[/math] .

1. В ортонормированном базисе [math]mathbf_1,mathbf_2,ldots, mathbf_n[/math] скалярное произведение векторов [math]mathbf[/math] и [math]mathbf[/math] находится по формуле: [math]langle mathbf,mathbfrangle= x_1y_1+x_2y_2+ldots+x_ny_n[/math] , где [math]x_1,ldots,x_n[/math] — координаты вектора [math]mathbf[/math] , а [math]y_1,ldots,y_n[/math] — координаты вектора [math]mathbf[/math] .

2. В ортонормированном базисе [math]mathbf_1,mathbf_2,ldots, mathbf_n[/math] длина вектора [math]mathbf[/math] вычисляется по формуле [math]|mathbf|= sqrt[/math] , где [math]x_1,ldots,x_n[/math] — координаты вектора [math]mathbf[/math] .

3. Координаты [math]x_1,ldots,x_n[/math] вектора [math]mathbf[/math] относительно ортонормированного базиса [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] находятся при помощи скалярного произведения по формулам: [math]x_1=langle mathbf,mathbf_1rangle,ldots, x_n=langle mathbf,mathbf_nrangle[/math] .

В самом деле, умножая обе части равенства [math]mathbf= x_1 mathbf_1+ldots+x_n mathbf_n[/math] на [math]mathbf_1[/math] , получаем

Аналогично доказываются остальные формулы.

Видео:Ортогональные системы векторов. Процесс ортогонализации (задача 1357)Скачать

Изменение матрицы Грама при переходе от одного базиса к другому

Пусть [math](mathbf)=(mathbf_1,ldots,mathbf_n)[/math] и [math](mathbf)= (mathbf_1,ldots,mathbf_n)[/math] — два базиса евклидова пространства [math]mathbb[/math] , a [math]S[/math] — матрица перехода от базиса [math](mathbf)[/math] к базису [math](mathbf)colon, (mathbf)=(mathbf)S[/math] . Требуется найти связь матриц Грама систем векторов [math](mathbf)[/math] и [math](mathbf)[/math]

По формуле (8.32) вычислим скалярное произведение векторов [math]mathbf[/math] и [math]mathbf[/math] в разных базисах:

где [math]mathoplimits_<(mathbf)>,, mathoplimits_<(mathbf)>[/math] и [math]mathoplimits_<(mathbf)>,, mathoplimits_<(mathbf)>[/math] — координатные столбцы векторов [math]mathbf[/math] и [math]mathbf[/math] в соответствующих базисах. Подставляя в последнее равенство связи [math]mathoplimits_<(mathbf)>= S mathoplimits_<(mathbf)>,[/math] [math]mathoplimits_<(mathbf)>= S mathoplimits_<(mathbf)>[/math] , получаем тождество

Отсюда следует формула изменения матрицы Грама при переходе от одного базиса к другому :

Записав это равенство для ортонормированных базисов [math](mathbf)[/math] и [math](mathbf)[/math] , получаем [math]E=S^TES[/math] , так как матрицы Грама ортонормированных базисов единичные: [math]G(mathbf_1,ldots,mathbf_n)= G(mathbf_1,ldots,mathbf_n)=E[/math] . Поэтому матрица [math]S[/math] перехода от одного ортонормированного базиса к другому является ортогональной: [math]S^=S^T[/math] .

Видео:Лекция 16. Понятие вектора и векторного пространства. Базис векторного пространства.Скачать

Свойства определителя Грама

Определитель матрицы (8.33) называется определителем Грама. Рассмотрим свойства этого определителя.

1. Критерий Грама линейной зависимости векторов: система векторов [math]mathbf_1,mathbf_2, ldots, mathbf_k[/math] линейно зависима тогда и только тогда, когда определитель Грама этой системы равен нулю.

Действительно, если система [math]mathbf_1, mathbf_2, ldots,mathbf_k[/math] линейно зависима, то существуют такие числа [math]x_1,x_2,ldots,x_k[/math] , не равные нулю одновременно, что

Умножая это равенство скалярно на [math]mathbf_1[/math] , затем на [math]mathbf_2[/math] и т.д. на [math]mathbf_k[/math] , получаем однородную систему уравнений [math]G(mathbf_1,mathbf_2,ldots,mathbf_k)x=o[/math] , которая имеет нетривиальное решение [math]x=beginx_1&cdots&x_k end^T[/math] . Следовательно, ее определитель равен нулю. Необходимость доказана. Достаточность доказывается, проводя рассуждения в обратном порядке.

Следствие. Если какой-либо главный минор матрицы Грама равен нулю, то и определитель Грама равен нулю.

Главный минор матрицы Грама системы [math]mathbf_1, mathbf_2,ldots,mathbf_k[/math] представляет собой определитель Грама подсистемы векторов. Если подсистема линейно зависима, то и вся система линейно зависима.

2. Определитель Грама [math]det<G (mathbf_1,mathbf_2, ldots, mathbf_k)>[/math] не изменяется в процессе ортогонализации системы векторов [math]mathbf_1,mathbf_2,ldots,mathbf_k[/math] . Другими словами, если в процессе ортогонализации векторов [math]mathbf_1,mathbf_2,ldots,mathbf_k[/math] получены векторы [math]mathbf_1,mathbf_2,ldots,mathbf_k[/math] , то

Действительно, в процессе ортогонализации по векторам [math]mathbf_1,mathbf_2, ldots,mathbf_k[/math] последовательно строятся векторы

После первого шага определитель Грама не изменяется

Выполним с определителем [math]det G(mathbf_1, mathbf_2, ldots,mathbf_k)[/math] следующие преобразования. Прибавим ко второй строке первую, умноженную на число [math](-alpha_)[/math] , а затем ко второму столбцу прибавим первый, умноженный на [math](-alpha_)[/math] . Получим определитель

Так как при этих преобразованиях определитель не изменяется, то

Значит, после второго шага в процессе ортогонализации определитель не изменяется. Продолжая аналогично, получаем после [math]k[/math] шагов:

Вычислим правую часть этого равенства. Матрица [math]G(mathbf_1,mathbf_2,ldots, mathbf_k)[/math] Грама ортогональной системы [math]mathbf_1,mathbf_2, ldots,mathbf_k[/math] векторов является диагональной, так как [math]langle mathbf_i,mathbf_jrangle=0[/math] при [math]ine j[/math] . Поэтому ее определитель равен произведению элементов, стоящих на главной диагонали:

3. Определитель Грама любой системы [math]mathbf_1,mathbf_2,ldots, mathbf_k[/math] векторов удовлетворяет двойному неравенству

Докажем неотрицательность определителя Грама. Если система [math]mathbf_1,mathbf_2, ldots, mathbf_k[/math] линейно зависима, то определитель равен нулю (по свойству 1). Если же система [math]mathbf_1,mathbf_2,ldots, mathbf_k[/math] линейно независима, то, выполнив процесс ортогонализации, получим ненулевые векторы [math]mathbf_1,mathbf_2, ldots, mathbf_k[/math] , для которых по свойству 2:

Оценим теперь скалярный квадрат [math]langle mathbf_j,mathbf_jrangle[/math] . Выполняя процесс ортого-1нализации, имеем [math]mathbf_j= mathbf_j+ alpha_mathbf_1+ ldots+ alpha_mathbf_[/math] . Отсюда

Следовательно, по свойству 2 имеем

1. Матрица Грама любой системы векторов является неотрицательно определенной, так как все ее главные миноры также являются определителями Грама соответствующих подсистем векторов и неотрицательны в силу свойства 3.

2. Матрица Грама любой линейно независимой системы векторов является положительно определенной, так как все ее угловые миноры положительны (в силу свойств 1,3), поскольку являются определителями Грама линейно независимых подсистем векторов.

3. Определитель квадратной матрицы [math]A[/math] (n-го порядка) удовлетворяет неравенству Адамара :

Действительно, обозначив [math]a_1,a_2,ldots,a_n[/math] столбцы матрицы [math]A[/math] , элементы матрицы [math]A^TA[/math] можно представить как скалярные произведения (8.27): [math]langle a_i,a_jrangle= (a_i)^Ta_j[/math] . Тогда [math]A^TA=G(a_1,a_2,ldots,a_n)[/math] — матрица Грама системы [math]a_1,a_2,ldots,a_n[/math] векторов пространства [math]mathbb^n[/math] . По свойству 3, теореме 2.2 и свойству 1 определителя получаем доказываемое неравенство:

4. Если [math]A[/math] — невырожденная квадратная матрица, то любой главный минор матрицы [math]A^TA[/math] положителен. Это следует из пункта 2, учитывая представление произведения [math]A^TA=G(a_1,ldots,a_n)[/math] как матрицы Грама системы линейно независимых векторов [math]a_1,ldots,a_n[/math] — столбцов матрицы [math]A[/math] (см. пункт 3).

Видео:Линейные комбинации, span и базисные вектора | Сущность Линейной Алгебры, глава 2Скачать

Изоморфизм евклидовых пространств

Два евклидовых пространства [math]mathbb[/math] и [math]mathbb'[/math] называются изоморфными [math](mathbbleftrightarrow mathbb’)[/math] , если они изоморфны как линейные пространства и скалярные произведения соответствующих векторов равны:

где [math](cdot,cdot)[/math] и [math](cdot,cdot)'[/math] — скалярные произведения в пространствах [math]mathbb[/math] и [math]mathbb'[/math] соответственно.

Напомним, что для изоморфизма конечномерных линейных пространств необходимо и достаточно, чтобы их размерности совпадали (см. теорему 8.3). Покажем, что это условие достаточно для изоморфизма евклидовых пространств (необходимость следует из определения). Как и при доказательстве теоремы 8.3, установим изоморфизм n-мерного евклидова пространства [math]mathbb[/math] с вещественным арифметическим пространством [math]mathbb^n[/math] со скалярным произведением (8.27). В самом деле, взяв в пространстве [math]mathbb[/math] какой-нибудь ортонормированный базис [math](mathbf)=(mathbf_1,ldots,mathbf_n)[/math] , поставим в соответствие каждому вектору [math]mathbfin mathbb[/math] его координатный столбец [math]xin mathbb^n

(mathbfleftrightarrow x)[/math] . Это взаимно однозначное соответствие устанавливает изоморфизм линейных пространств: [math]mathbbleftrightarrow mathbb^n[/math] . В ортонормированном базисе скалярное произведение векторов [math]mathbf[/math] и [math]mathbf[/math] пространства [math]mathbb[/math] находится по формуле

(см. пункт 1 преимуществ ортонормированного базиса). Такое же выражение дает скалярное произведение (8.27) координатных столбцов [math]x[/math] и [math]y[/math] , т.е. скалярные произведения соответствующих элементов равны

Следовательно, евклидовы пространства [math]mathbb[/math] и [math]mathbb^n[/math] изоморфны.

Таким образом, изучение конечномерных евклидовых пространств может быть сведено к исследованию вещественного арифметического пространства [math]mathbb^n[/math] со стандартным скалярным произведением (8.27).

🎦 Видео

Высшая математика. Линейные пространства. Векторы. БазисСкачать

A.7.4 Ортогонализация набора векторов. Процесс Грама-Шмидта.Скачать

2 42 Ортогональность векторовСкачать

Ортогонализация Грама Шмидта 1361Скачать

Найдите разложение вектора по векторам (базису)Скачать

Примеры Линейная зависимость векторов Базис и ранг системы векторовСкачать

Ортогональное дополнение. ПримерСкачать

Разложение вектора по векторам (базису). Аналитическая геометрия-1Скачать

Ортогональность. ТемаСкачать

Линал 2.2. Линейная оболочкаСкачать

Разложение вектора по базису. 9 класс.Скачать