Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь FAQ Написать работу КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Связь матриц линейного оператора в разных парах базисов↑ ⇐ ПредыдущаяСтр 8 из 8 Содержание книги
Похожие статьи вашей тематики
Поиск на нашем сайте
Пусть даны два линейных пространства Ln и Lm над полем Р. Пусть в Ln зафиксированы базисы е = (е 1, е2, …, еn) и е1 = (е 11, е21, …, еn1), а в пространстве Lm – базисы f = (f1, f2, …, fm) и f1 = (f11, f21, …, fm1). Пусть j: Ln ® Lm линейный оператор, А – его матрица в паре базисов е и f и А1 – матрица этого же оператора в паре базисов е1 и f1. Пусть Т – матрица перехода от базиса е к базису е1, а Q – матрица перехода от f к f1. Тогда е1 = е ×Т, f1 = f ×Q, j (е) = f ×А, j (е1) = f1 ×А1. Отсюда j (е ×Т) = (f ×Q) ×А1, j (е)× Т = f × (Q ×А1). Так как Т – матрица перехода, то она невырожденная, следовательно, существует матрица Т–1. Из последнего равенства получаем, что j (е) = (f × (Q ×А1))× Т–1 = f × (Q ×А1 × Т–1). Но j (е) = f ×А. Следовательно, А = Q ×А1 × Т–1, или А1 = Т ×А×Q–1 (34) Пример. Даны два линейных пространства L3 и L5. Пусть е = (е 1, е2, е3) и f = (f1, f2, f3, f4, f5) – реперы в L3 и L5 соответственно. Пусть а1 = (1, 4, –1, 3, 0), а2 = (3, 0, 1, –3, 7), а3 = (1, 1, 2, 2, 0) – три вектора из L5. Пусть линейный оператор j: L 3 ® L5 задан по правилу j (х1 е1 + х2 е2 + х3 е3) = х1 а1 + х2 а2 + х3 а3. Составить матрицу оператора j и найти образ вектора с = (5, –1, 3). Решение. Для составления матрицы оператора достаточно найти координаты образов базисных элементов пространства L 3 в базисе f пространства L5. По данному правилу получим j (е1) = 1× а1 = (1, 4, –1, 3, 0), j (е2) = 1× а2 = (3, 0, 1, –3, 7), j (е3) = 1× а3 = (1, 1, 2, 2, 0). Составим матрицу, столбцами которой являются координаты найденных векторов.
Итак, j (с) = (5, 23, 0, 24, -7) в пространстве L5. (Сравните с решением этого же примера в пункте 6.1.)
6.5. Линейные преобразования линейного пространства Определение 35. Линейным преобразованием линейного пространства называется линейный оператор данного линейного пространства самого в себя. j: L ® L Всё, что было сказано о линейных операторах, очевидно, верно и для линейных преобразованиях, но некоторые формулы будут иметь более простой вид. Напомним формулы. 1. Если в пространстве Ln зафиксирован базис е = (е 1, е2, …, еn), то матрица А линейного
2. Формулы (35) в матричном виде имеют вид j (е) = е ×А. 3. Связь столбцов координат вектора и его образа: х1 = А × х. 4. Если в пространстве Ln зафиксированы два базиса е = (е 1, е2, …, еn) и е1 = (е 11, е21, …, еn1) и Т – матрица перехода от е к е1, то связь матриц линейного преобразования в этих базисах задаётся формулой А1 = Т ×А×Т–1 (36). Определение 36. Квадратные матрицы А и В называются подобными, если существует такая квадратная невырожденная матрица С, что В = С–1×А×С. 5. Матрицы, задающие линейное преобразование в разных базисах, подобны. 6. Теорема 35. Для любых двух подобных матриц А и В одного и того же порядка n над полем Р и любого линейного пространства Ln над полем Р в Ln существуют такие базисы е и е1, что данные матрицы будут задавать в этих базисах одно и то же линейное преобразование. Доказательство. Пусть В = С–1×А×С. Зафиксируем в Ln какой-нибудь базис. Матрица А в этом базисе задаёт линейное преобразование (пусть это j). Так как матрица С невырожденная, то С–1 может быть матрицей перехода. Пусть е1 = е ×С–1. Тогда преобразование j в базисе е1 будет иметь матрицу С–1×А× (С–1)–1 = С–1×А×С = В. 7. dim (j (Ln)) + dim (Kerj) = n. 8. Множество всех линейных преобразований пространства Ln есть тоже линейное пространство над тем же полем Р, что и пространство Ln. Определение 37. Линейное пространство линейных преобразований линейного пространства Ln называется линейным пространством, сопряжённым пространству Ln. Пространство, сопряжённое Ln, обозначается Ln*. 9. Пространство Ln* изоморфно линейному пространству квадратных матриц порядка n с элементами из поля Р. Следовательно, dim (Ln*) = n 2.
6.6. Невырожденные линейные преобразования Пусть L n – линейное n-мерное пространство над полем Р и пусть j: L n ® Ln – линейное преобразование. Если А –матрица этого преобразования в некотором базисе е, то в любом другом базисе j задаётся матрицей, подобной А, т.е. матрицей вида А1 = Т×А×Т–1. Так как матрица Т невырожденная, то rang (A1) = rang (A). Определение 38. Рангом линейного преобразования линейного пространства называется ранг его матрицы в любом базисе этого пространства. Определение 39. Линейное преобразование линейного пространства называется невырожденным, если его ранг равен размерности пространства. Теорема 36. Линейное преобразование j линейного пространства Ln является невырожденным тогда и только тогда, когда выполняется одно из следующих условий: 1) j (Ln) = Ln; 2) Ker(j) = 0; 3) j – взаимнооднозначное отображение Ln на себя; 4) при преобразовании j различные векторы имеют различные образы.
6.7. Собственные векторы и собственные значения линейного преобразования Пусть L n – линейное n-мерное пространство над полем Р, j: L n ® Ln – линейное преобразование и А –матрица этого преобразования в некотором базисе е. Определение 40. Ненулевой вектор а называется собственным вектором преобразования j, если j (а) = l× а для некоторого l Î Р. Элемент l называется собственным значением преобразования j. По определению собственного вектора, а – собственный вектор преобразования j Û $ l Î Р: j (а) = l× а. Перепишем это равенство в координатах, получим А× х = l× х. Отсюда А× х – (lЕ) × х = О, или (А –lЕ)× х = О. Итак, а – собственный вектор преобразования j Û столбец координат этого вектора является ненулевым решением уравнения (А –lЕ)× х = О (37). Матрица (А –lЕ) называется характеристической матрицей для матрицы А. Матричное уравнение (37) перепишем в виде системы уравнений. Получим, что а – собственный вектор
Корни характеристического многочлена называются характеристическими корнями матрицы А. (Характеристический корень не всегда принадлежит полю Р). Множество всех характеристических корней матрицы А называется её спектром. Согласно определению 40, l Î Р. Пусть l0 Î Р и является характеристическим корнем матрицы А. При l0 система (38) имеет ненулевое решение, т. е. j будет иметь собственный вектор и l0 будет собственным значением преобразования j, заданного матрицей А. Теорема 37. Характеристические многочлены подобных матриц одинаковы. Доказательство. Пусть В = С–1×А×С. Так как матрица lЕ перестановочна с любой матрицей, то | В – lЕ | = | С–1×А×С – lЕ | = | С–1×А×С – С–1 × (lЕ)× С | = | С–1× (А – lЕ)× С | = | С–1 || А – lЕ || С | = | А – lЕ |. Так как матрицы линейного преобразования в разных базисах подобна, то Следствие. Матрицы линейного преобразования в разных базисах имеют один и тот же спектр. Определение 41. Спектр матрицы линейного преобразования в каком-нибудь базисе называется спектром линейного преобразования. Теорема 38. Собственными значениями линейного преобразования j: L n ® Ln, действующего в линейном пространстве над полем Р, являются характеристические корни этого преобразования, принадлежащие полю Р, и только они. Доказательство этой теоремы вытекает из всего сказанного выше. Можно сформулировать следующие правила нахождения собственных значений и собственных векторов линейного преобразования. 1. Записать матрицу данного преобразования в некотором базисе. 2. Составить характеристическое уравнение и найти его корни, принадлежащие полю Р (т.е. найти собственные значения). 3. Если l0 – собственное значение, то составить систему и найти её ненулевые решения. Пример. Найти собственные значения и собственные векторы линейного преобразования j: L4 ® L4 (над полем R), если это преобразование в базисе е = (е 1, е2, е3, е4) имеет матрицу А.
, [(1 – l)2 – 1]×[(1– l)×(3 – l) – 6] = 0. Возможны два случая: 1) (1 – l)2 – 1 = 0, 1 – l = ± 1. Отсюда l1 = 0, l2 = 2. 2) (1– l)×(3 – l) – 6 = 0, l2 – 4 l – 3 = 0, l3 = , l4 = . Итак, характеристическое уравнение имеет четыре корня, все они действительные. Поэтому данное преобразование имеет четыре собственных значения. Для каждого из них составим систему уравнений для нахождения собственных векторов.
Решив последнюю систему, получим х4 = , х3 = . Если х1 = 3 С, то х2 = –3 С, х3 = 13 С, х4 = – 11 С, С – любое действительное число, отличное от нуля. Итак, собственными векторами, принадлежащими собственному значению l = 0, являются все ненулевые векторы вида (3 С, – 3 С, 13 С, –11 С).
Решив последнюю систему, получим х3 = , х4 = Если х1 = 7 С, то х2 = 7 С, х3 = –15 С, х4 = –11 С, где С – любое отличное от нуля действительное число. Итак, собственными векторами, принадлежащими собственному значению l = 2, являются все ненулевые векторы вида (7 С, 7 С, –15 С, –11 С).
Свойства собственных векторов. 10. Если вектор а – собственный вектор преобразования j, принадлежащий собственному значению l и a ¹ 0, то a× а – тоже собственный вектор, принадлежащий тому же собственному значению. Если j (а) = l а, то j (a а) = aj (а) = a (l а) = l (a а). 20. Множество всех собственных векторов линейного преобразования j: Ln ® Ln, принадлежащих одному и тому же собственному значению (если к ним добавить нулевой вектор), есть линейное подпространство в Ln. Пусть а и в два собственных вектора и j (а) = l а, j (в) = l в. Тогда j (a а + b в) = aj (а) + bj (в) = a (l а) + b (l в) = l (a а + b в). 30. Собственные векторы, принадлежащие различным собственным значениям, линейно независимы. Пусть j (а) = l а, j (в) = l1 в, l ¹ l1. Если бы а и в были бы линейно зависимы, то хотя бы один из них линейно выражался через другой пусть в = a а. Так как в – собственный вектор, то a ¹ 0. Тогда j (в) = j (a а). Отсюда l1 в = a(l а), l1(a а) = a(l а), a (l1 – l) а = 0. Но в левой части a ¹ 0, l1 – l ¹ 0, а ¹ 0. Противоречие. Следовательно, а и в – линейно независимы. 40. Если в базисе е = (е1, е2,..., ек, …, еn) вектор ек – собственный вектор линейного преобразования j, принадлежащий собственному значению l, то в к -ом столбце матрицы этого преобразования на всех местах, кроме к -го, стоят нули и акк = l.
6.8.Линейные преобразования в базисе из собственных векторов. Линейные преобразования с простым спектром Теорема 39. Линейное преобразование j линейного пространства Ln над полем Р имеет в базисе е = (е1, е2,..., еn) диагональную матрицу тогда и только тогда, когда все векторы базиса являются собственными векторами преобразования j. Доказательство. Þ Пусть матрица А линейного преобразования j в базисе е – диагональная. Тогда j (ек) = lк для любого к = 1, 2, …, n. Но это значит, что все базисные векторы – собственные.. Ü Пусть все базисные векторы –собственные. Тогда j (ек) = lк. Следовательно, в к -ом столбце матрицы этого преобразования на всех местах, кроме к -го, стоят нули и акк = lк. Отсюда и следует, что матрица преобразования – диагональная. Следствие. Квадратная матрица n -го порядка подобна диагональной тогда и только тогда, когда для соответствующего этой матрице линейного преобразования существует базис из собственных векторов. Определение 42. Говорят, что линейное преобразование j линейного пространства Ln над полем Р имеет простой спектр, если все его характеристические корни различны и принадлежат полю Р. Теорема 40. Если линейное преобразование j линейного пространства Ln над полем Р имеет простой спектр, то в Ln существует такой базис, в котором это преобразование имеет диагональную матрицу. Теорема 41. Пусть А – квадратная матрица с элементами из поля Р. Если все характеристические корни матрицы А различны и принадлежат полю Р, то эта матрица подобна диагональной.
ВОПРОСЫ ДЛЯ ПОДГОТОВКИ К КОЛЛОКВИУМУ
1. Метод Гаусса решения системы линейных уравнений. 2. Определители 2-го и 3-го порядка. 3. Перестановки: определение, свойства. 4. Подстановки: определение, свойства. 5. Определители n -го порядка: определение, свойства, в которых говорится о равенстве определителя нулю. 6. Определители n -го порядка: определение, свойства, в которых говорится, что определитель не изменится. 7. Дополнительные миноры и алгебраические дополнения. Вычисление определителя, в котором все элементы одной строки, кроме одного, равны нулю. 8. Теорема о разложении определителя по элементам строки (столбца). Сумма произведений элементов одной строки на алгебраические дополнения элементов другой строки. 9. Теоремы Лапласа и Крамера. 10. Матрицы. Сложение матриц: определение, свойства. 11. Умножение матрицы на элемент поля Р: определение, свойства. 12. Умножение квадратных матриц. Определитель произведения двух матриц. 13. Обратная матрица. 14. Решение матричных уравнений. 15. Определение и примеры линейных пространств. 16. Арифметическое линейное пространство. 17. Линейно зависимые системы векторов: определение, свойства. 18. Линейно независимые системы векторов: определение, свойства. 19. Базис линейного пространства: определение, примеры, свойства, размерность линейного пространства. 20. Координаты вектора в данном базисе: определение, свойства. 21. Матрица перехода. Связь координат вектора в разных базисах. 22. Подпространства линейных пространств: определение, свойства, примеры. Линейная оболочка системы векторов. 23. Сумма и пересечение линейных подпространств. Теорема о размерности суммы двух конечномерных линейных подпространств. Прямая сумма. 24. Изоморфизм линейных пространств.
|
||||||||||||||||||||||||||
Последнее изменение этой страницы: 2016-08-16; просмотров: 486; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.144.16.151 (0.013 с.) |