秩—零化度定理

                     

贡献者: addis; Giacomo

  • 本文存在未完成的内容。
预备知识 直和(线性空间),线性映射

  

未完成:需要在《线性代数》part 中写一个矩阵版本

   如果线性映射是单射的(即定义域空间到值域空间是双射的),那么它的结构简单明了,没有太多值得讨论的。我们现在来看一个揭示多对一线性映射的结构的重要定理。考虑线性映射 $A:X\to Y$,线性空间 $X$ 的零空间(定义 3 )$X_0$ 中的每个矢量都被 $A$ 映射到 $Y$ 空间中的零矢量,即 $A(X_0) = \left\{0 \right\} $。

图
图 1:两个 $X$ 子空间的线性映射:$X_0$ 是零空间,$X_1$ 是 $X_0$ 在 $X$ 中的补空间

  

未完成:“一一对应” 放到箭头上面,$N_0, R$ 改成文中的符号

定理 1 

   令 $A:X \to Y$ 的零空间为 $X_0$,$X_1$ 为 $X_0$ 在 $X$ 中任意一个补空间(即 $X_0\oplus X_1 = X$,定义 1 ),令值空间 $Y_1 = A(X)$,那么映射 $A:X_1\to Y_1$ 是一一对应的(即双射)。

   证明见下文。我们可以形象地把定理 1 图 1 表示,图中每个三角形代表一个矢量空间,由于 $X_0, X_1$ 是互补的,它们只相交于零矢量。注意对于给定的映射 $A$,$X_0$ 和 $Y_1$ 是确定的,而 $X_0$ 的补空间 $X_1$ 可以随意选取。

   特殊地,若 $X_0$ 是零维空间即 $X_0 = \left\{0 \right\} $,则补空间 $X_1 = X$。此时可以把图 1 中表示 $X_0$ 的三角形去掉。

   该定理可以更好地帮助我们理解线性方程组解的结构:当 $ \boldsymbol{\mathbf{A}} \boldsymbol{\mathbf{x}} = \boldsymbol{\mathbf{b}} $ 的解集等于一个特解加齐次解集,齐次解。$ \boldsymbol{\mathbf{b}} $ 是 $Y_1$ 中的某向量,特解是 $X_1$ 中映射到 $ \boldsymbol{\mathbf{b}} $ 的向量,而齐次解就是零空间 $X_0$。

   我们记

推论 1 秩-零化度定理

   线性映射 $f: X \to Y$ 满足

\begin{equation} \dim(X) = \operatorname {nullity}(f) + \operatorname {rank}(f)~. \end{equation}
其中 $ \operatorname {nullity}(f), \operatorname {rank}(f)$ 分别是 $f$ 的零化度(定义 3 )和秩(定义 2 )。

   证明:见式 1 ,由于 $X_1$ 与 $Y_1$ 一一对应,$X_1$ 的维数也是 $ \operatorname {rank}(A)$,又因为 $X_0\oplus X_1 = X$,$X$ 的维数等于 $X_0, X_1$ 维数之和(推论 1 )。证毕。

推论 2 

   线性映射 $A:X\to Y$ 中值空间 $A(X) \subseteq Y$ 的维数小于或等于定义域空间 $X$ 的维数。

   证明:式 1 中 $\dim(X), \operatorname {nullity}(A), \operatorname {rank}(A) > 0$,所以有 $ \operatorname {rank}(A) \leqslant \dim(X)$。

推论 3 

   线性映射 $A:X\to Y$ 是单射(即 $A:X\to A(X)$ 是双射)当且仅当零空间 $X_0$ 中只有零向量。

   说明:零空间 $X_0$ 只有零矢量一个元素当且仅当式 1 中 $\dim(X) = \operatorname {rank}(A)$ 或 $ \operatorname {nullity}(A) = 0$。

   证明:前者证明后者:使用推论 1 以及单射的定义,可得 $0\in X$ 是零空间中的唯一向量。后者证明前者:$ \operatorname {nullity}(A) = 0$ 即定理 1 中的 $X = X_1$,与值空间 $Y_1 = A(X)$ 有一一对应关系。证毕。

1. 证明

   要证明定理 1 ,首先证明 $A(X_1) = A(X)$。任意 $x\in X$ 可以表示为 $x = x_0 + x_1$,其中 $x_0\in X_0$,$x_1\in X_1$。$Ax = A x_0 + A x_1 = A x_1$。这说明任意 $y_1 \in Y_1 = A(X)$ 都能找到 $x_1$ 使 $A x_1 = y_1$,所以 $A(X_1) = Y_1$。

   现在证明 $X_1$ 和 $Y_1$ 一一对应:令 $u, v \in X_1$,我们要证明如果 $Au = Av$ 那么 $u = v$。算符 $A$ 是线性的,所以 $A(u-v) = 0$,所以 $u - v \in X_0$。由封闭性,$u - v \in X_1$。由于补空间只交于零矢量 $X_0 \cap X_1 = \left\{0 \right\} $,所以 $u - v = 0$,即 $u = v$。证毕。

  

未完成:线性方程组文章中说明:线性方程组的解空间就是特解加上齐次解 $X_0$。


致读者: 小时百科一直以来坚持所有内容免费无广告,这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此,我们请求广大读者热心打赏 ,使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 20 元,我们一周就能脱离亏损, 并在接下来的一年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款, 他们的付出帮助了 99% 的读者免费获取知识, 我们在此表示感谢。

                     

友情链接: 超理论坛 | ©小时科技 保留一切权利