跳转至

正交子空间

正交子空间这个概念很重要, 但是我本人上线性代数课的时候老师没怎么提. 最近复习又遇到了它, 遂重新梳理一下.

线性子空间

线性子空间

一个线性空间$W$的子集$U$如果满足下面三个条件, 那么$U$为$W$的一个线性子空间

  • $0\in U$
  • $x,y \in U \Rightarrow x+y\in U$
  • $x\in U \Rightarrow kx\in U$ 其中$k$是一个标量

以下我们所言空间都是线性空间, 线性二字略去. 并且以下讨论默认所有矩阵都是实矩阵.

正交子空间

正交子空间

如果$W$的两个子空间$U$和$V$满足 $$ v\in V, u\in U \Rightarrow v\perp u $$ 那么就称这两个子空间是正交子空间, 记作$U\perp V$.

下面给出几个正交子空间的例子。

过原点的垂直直线

也就是 $$ {(x,ax):x\in R} $$ 和 $$ {(-ay,y):y\in R} $$ 是$R^2$的正交子空间.

值得注意的是, 根据线性空间的公理, 一个线性空间必须包含零点, 所以并非任意两个垂直的直线都能成为正交子空间的。

行空间和零空间

一个矩阵$A\in R^{m\times n}$, 可以生成下面两个$R^n$的子空间:

  • 零空间(null space), 就是$Ax=0$的解构成的线性空间 $$ N(A)=\left\{x:Ax=0\right\} $$
  • 行空间(column space), 就是$A$的行向量所有可能的线性组合构成的线性空间 $$ C(A^T)=\left\{y:y=A^Tc,c\in R^{m\times 1}\right\} $$

显然对于任意的$x\in N(A), y \in C(A^T)$都有:

$$y^Tx=c^TAx=0$$

满足正交子空间的定义. 同理$A$的列空间和左零空间也是正交子空间.

这四个子空间之间的关系非常发人深省. 下图来自展示了他们的关系:

详见Gilbert Strang, Introduction to Linear Algebra.

实对称矩阵的特征子空间

已知实对称矩阵$A\in R^{n\times n}$的属于不同特征值的特征向量是正交的, 那么各个特征子空间(加入零向量之后)成为正交子空间.

其中对应于特征值$\lambda$的特征子空间是 $$ V_\lambda =\left\{x:Ax=\lambda x\right\} $$

注意, 这些特征子空间不仅仅包含了属于该特征值的所有特征向量, 还加入了零向量. 否则不成为一个线性空间.

直和与直积

直和

如果$W$和 $U$,$V$之间存在下述关系 $$ \forall w \in W, \exists! u\in U,v\in V \quad s.t.\quad w=u+v $$ 那么我们称$W$是$U$和$V$的直和, 记作$W=U\oplus V$

其中注意符号 $\exists!$表示存在且唯一, 唯一性是区别直和和普通和的关键

类似的我们有直积的定义:

直积

如果$W$和 $U$,$V$之间存在下述关系 $$ \forall w \in W, \exists! u\in U,v\in V \quad s.t.\quad w=\begin{pmatrix}u\\v\end{pmatrix} $$ 那么我们称$W$是$U$和$V$的直积, 记作$W=U\times V$.

直积这个概念我们实际上经常遇到, 例如二维空间$R^2=R\times R$, 就是直积的结果.

注意区分直和和直积, 两个都可以生成新的线性空间, 但是前者不改变维度, 后者在原有维度的基础上增加维度.

直和有这样一个重要的性质: $$ W=U\oplus V \Rightarrow \dim(W)=\dim(U)+\dim(V) $$

直和与普通和的关系

$$ U+V={u+v:u\in U,v\in V} $$ 上述即为普通和. 直和是特殊的普通和, 可以通过普通和+分解的唯一性来定义直和.

特别的, 在$R^n$中, 如果$U\cap V=\{0\}$, 那么$W=U+V$就是直和, 也就是$W$中任意元素的分解是唯一的.

一个例子

平面直角坐标系中,通过原点的两条直线的直和是整个平面.

如图, 空间任何一个向量(如AD)都可以分解为两个子空间内向量的和(如AD=AE+AF), 并且这样的分解是唯一的.

正交补

正交补

如果$W$的两个子空间$U$和$V$满足 $$ U\perp V,U\oplus V=W $$ 那么我们称$U$是$V$的正交补, 记作$U=V^\perp$. 同时我们称$U$和$V$是$W$的正交直和分解.

上面的正交补定义和下面的定义等价 $$ V^\perp=\{x:x\perp v, \quad \forall v \in V\} $$

$V$的正交补中任何一个向量都和$V$中所有向量正交。

一个例子

根据「秩-零化度定理」(Rank-Nullity Theorem),我们有: $$ \dim{N(A)}+\mathrm{rank}(A)=n $$ 再结合:行秩等于列秩等于矩阵的秩 $$ \dim(C(A^T))=\mathrm{rank}(A) $$ 可以得到 $$ \dim(N(A))+\dim(C(A^T))=n $$ 那么这两个空间的之和就是全空间, 也就是 $$ N(A)\oplus C(A^T)=R^{n} $$ 这样, 我们知道任何一个矩阵生成的零空间和行空间是全空间的正交直和分解.

值得注意的是, 虽然这样的正交直和分解和秩-零化度定理看起来很融洽, 但是该定理的证明并非利用了这个分解, 实际上定理中的$\text{rank}(A)$来自$A$的列空间, 这再度展现了四个子空间的魔力。

最后

就是为了这顿饺子包的这碟醋

我们来做一个题:

Question

设$A\in R^{n\times n}$,并且$A^T=A$。已知$A$的三个特征值分别为$\lambda_1=6,\lambda_2=\lambda_3=3$,以及属于$\lambda_1$的一个特征向量$\alpha_1=(1,1,1)^T$满足$A\alpha_1=6\alpha_1$,求$A$。

题解

这题考察了特征子空间的正交补。

根据实对称矩阵的相关理论, $V_{\lambda=6}$和$V_{\lambda=3}$的维度(几何重数)分别为对应特征值的代数重数1、2。

这里已知一个1维特征子空间$V_{\lambda=6}$内一个向量, 那么整个子空间为其所有的线性伸缩:

$$ V_{\lambda=6}=\{x:x=k(1,1,1)^T,k\in R\} $$ 进而根据上述的理论另外一个子空间就是它的正交补.

也就是 $$ V_{\lambda=3}=\{x:k(1,1,1)^Tx=0,\quad \forall k\}=N\left((1,1,1)^T\right) $$ 根据线性方程组的理论, 我们可以求得该子空间的一组基为 $$ (1,0,-1)^T,(0,1,-1)^T $$ 这样一来我们就有了$A$的三个线性无关的特征向量: $$ (1,1,1)^T,(1,0,-1)^T,(0,1,-1)^T $$ 把他们排列成一个矩阵就有 $$ AP=\Lambda P $$ 其中$P$满秩, $$ P=\begin{pmatrix}1&1&0\\1&0&1\\1&-1&-1\end{pmatrix} $$

$$ \Lambda=\mathrm{diag}(6,3,3) $$

那么可以求得 $$ A=P^{-1}\Lambda P=\begin{pmatrix}4&1&1\\1&4&1\\1&1&4\end{pmatrix} $$ 这个题有了前面的铺垫解起来很轻松, 但是背后的实对称矩阵的理论以及线性方程组的理论还是很艰深的, 以后有时间再唠.

此致.


最后更新: 2025-08-06 22:35:35
创建日期: 2025-08-06 22:35:35

广告

人要恰饭的嘛🤑🤑

评论