Как найти базис через матрицу перехода

Матрица перехода

3 июля 2022

Матрица перехода — это просто квадратная матрица, в столбцах которой записаны координаты новых базисных векторов. У такой матрицы много важных свойств, которые сформулированы и доказаны в первой части урока — теоретической. Этой теории хватит для любого экзамена или коллоквиума.

Вторая часть урока — практическая. В ней разобраны все типовые задачи, которые встречаются на контрольных, зачётах и экзаменах.

Содержание

1. Определение матрицы перехода
2. Свойства матрицы перехода
3. Теорема о замене координат
4. Задача 1. Базисы трёхмерного пространства
5. Задача 2. Базисы в поле вычетов
6. Задача 3. Пространство многочленов
7. Задача 4. Матрица перехода при симметрии
8. Задача 5. Матрица поворота

Если вы учитесь в серьёзном университете (МГУ, Бауманка и т.д.), то обязательно изучите первые три пункта. А если вам нужны только задачи, сразу переходите к пункта 4—6.

1. Определение матрицы перехода

Пусть дано $n$-мерное линейное пространство $L$. Пусть также $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$ и $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ — два базиса в $L$.

Определение. Матрица перехода ${{T}_{eto f}}$ от базиса $e=left{ {{e}_{1}},ldots ,{{e}_{n}} right}$ к базису $f=left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ — это квадратная матрица порядка $n$, где по столбцам записаны координаты нового базиса $f$ в старом базисе $e$:

[{{T}_{eto f}}=left[ begin{array}{c|c|c|c}{{t}_{1,1}} & {{t}_{2,1}} & cdots & {{t}_{n,1}} \{{t}_{1,2}} & {{t}_{2,2}} & cdots & {{t}_{n,1}} \cdots & cdots & cdots & cdots \{{t}_{1,n}} & {{t}_{2,n}} & cdots & {{t}_{n,n}} \end{array} right]]

Обратите внимание на нумерацию элементов ${{t}_{i,j}}$: первый индекс обозначает номер столбца, т.е. номер нового базисного вектора, а второй отвечает за координаты этого вектора в старом базисе. Так, во втором столбце записаны координаты вектора ${{f}_{2}}$:

[{{f}_{2}}={{left[ {{t}_{2,1}},{{t}_{2,2}},ldots ,{{t}_{2,n}} right]}^{T}}]

Или, что то же самое, разложение вектора ${{f}_{2}}$ по базису $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$:

[{{f}_{2}}={{t}_{2,1}}{{e}_{1}}+{{t}_{2,2}}{{e}_{2}}+ldots +{{t}_{2,n}}{{e}_{n}}]

Да, такая нумерация не является обязательной. Но она очень распространена именно в записи матриц перехода: первый индекс отвечает за номер базисного вектора, второй — за номер координаты этого вектора.

Пример 1. В некотором базисе $e=left{ {{e}_{1}},{{e}_{2}},{{e}_{3}} right}$ векторного пространства ${{mathbb{R}}^{3}}$ даны три вектора:

[{{f}_{1}}={{left( 1,0,1 right)}^{T}},quad {{f}_{2}}={{left( 2,1,0 right)}^{T}},quad {{f}_{3}}={{left( 0,3,1 right)}^{T}}]

[begin{align}{{f}_{1}} &={{left( 1,0,1 right)}^{T}}, \ {{f}_{2}} &={{left( 2,1,0 right)}^{T}}, \ {{f}_{3}} &={{left( 0,3,1 right)}^{T}} \ end{align}]

Убедитесь, что система векторов $f=left{ {{f}_{1}},{{f}_{2}},{{f}_{3}} right}$ образует базис в ${{mathbb{R}}^{3}}$, найдите матрицу перехода ${{T}_{eto f}}$.

Решение. Система векторов будет базисом, если эти векторы линейно независимы, а их количество совпадает с размерностью пространства. Поскольку у нас три вектора и $dim{{mathbb{R}}^{3}}=3$, осталось проверить линейную независимость. Составим матрицу из столбцов с координатами векторов ${{f}_{1}}$, ${{f}_{2}}$ и ${{f}_{3}}$:

[left[ begin{matrix}1 & 2 & 0 \ 0 & 1 & 3 \ 1 & 0 & 1 \ end{matrix} right]]

Вообще-то это и есть матрица перехода ${{T}_{eto f}}$, но сначала надо установить линейную независимость. Поэтому выполним элементарные преобразования строк:

[left[ begin{matrix} 1 & 2 & 0 \ 0 & 1 & 3 \ 1 & 0 & 1 \ end{matrix} right]begin{matrix} \ \ -1cdot left[ 1 right] \ end{matrix}sim left[ begin{array}{crc} 1 & 2 & 0 \ 0 & 1 & 3 \ 0 & -2 & 1 \ end{array} right]begin{matrix} -2cdot left[ 2 right] \ \ +2cdot left[ 2 right] \ end{matrix}sim left[ begin{array}{ccr} 1 & 0 & -6 \ 0 & 1 & 3 \ 0 & 0 & 7 \ end{array} right]]

[begin{align} & left[ begin{matrix} 1 & 2 & 0 \ 0 & 1 & 3 \ 1 & 0 & 1 \ end{matrix} right]begin{matrix} \ \ -1cdot left[ 1 right] \ end{matrix} \ & left[ begin{array}{crc} 1 & 2 & 0 \ 0 & 1 & 3 \ 0 & -2 & 1 \ end{array} right]begin{matrix} -2cdot left[ 2 right] \ \ +2cdot left[ 2 right] \ end{matrix} \ & left[ begin{array}{ccr} 1 & 0 & -6 \ 0 & 1 & 3 \ 0 & 0 & 7 \ end{array} right] \ end{align}]

Получили верхнетреугольную матрицу без нулей на главной диагонали. Ранг такой матрицы равен 3, поэтому система $left{ {{f}_{1}},{{f}_{2}},{{f}_{3}} right}$ линейно независима и образует базис. Матрица перехода от базиса $e$ к базису $f$ уже известна:

[{{T}_{eto f}}=left[ begin{matrix} 1 & 2 & 0 \ 0 & 1 & 3 \ 1 & 0 & 1 \ end{matrix} right]]

1.1. Зачем нужна матрица перехода

Матрица перехода нужна для того, чтобы компактно и наглядно выражать новый базис через старый. В самом деле, разложим векторы $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ нового базиса по старому базису $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$:

[begin{align}{{f}_{1}} &={{x}_{1,1}}{{e}_{1}}+{{x}_{2,1}}{{e}_{2}}+ldots +{{x}_{n,1}}{{e}_{n}} \ {{f}_{2}} &={{x}_{1,2}}{{e}_{1}}+{{x}_{2,2}}{{e}_{2}}+ldots +{{x}_{n,2}}{{e}_{n}} \ & cdots \ {{f}_{n}} &={{x}_{1,n}}{{e}_{1}}+{{x}_{2,n}}{{e}_{2}}+ldots +{{x}_{n,n}}{{e}_{n}} \ end{align}]

Получили систему из $n$ уравнений, которые в матричном виде можно представить так:

[left[ begin{matrix} {{f}_{1}} & cdots & {{f}_{n}} \ end{matrix} right]=left[ begin{matrix} {{e}_{1}} & cdots & {{e}_{n}} \ end{matrix} right]cdot left[ begin{matrix} {{x}_{1,1}} & cdots & {{x}_{1,n}} \ cdots & cdots & cdots \ {{x}_{n,1}} & cdots & {{x}_{n,n}} \ end{matrix} right]]

[left[ {{f}_{1}} cdots {{f}_{n}} right]=left[ {{e}_{1}} cdots {{e}_{n}} right]cdot left[ begin{matrix} {{x}_{1,1}} & cdots & {{x}_{1,n}} \ cdots & cdots & cdots \ {{x}_{n,1}} & cdots & {{x}_{n,n}} \ end{matrix} right]]

Обратите внимание: ${{f}_{1}},ldots ,{{f}_{n}}$ и ${{e}_{1}},ldots ,{{e}_{n}}$ — это именно векторы, а не числа. Такие наборы принято записывать строками — в отличие от вектор-столбцов, элементами которых как раз выступают обычные числа.

Последний множитель — это и есть матрица перехода ${{T}_{eto f}}$, поэтому всё произведение можно записать более компактно:

[left[ begin{matrix} {{f}_{1}} & cdots & {{f}_{n}} \ end{matrix} right]=left[ begin{matrix} {{e}_{1}} & cdots & {{e}_{n}} \ end{matrix} right]cdot {{T}_{eto f}}]

2. Свойства матрицы перехода

Мы разберём три простых свойства, а далее отдельным разделом будет ещё одно — уже более серьёзное.

2.1. Переход от базиса к этому же базису

Свойство 1. При переходе от базиса $e$ к этому же базису $e$ матрица перехода ${{T}_{eto e}}=E$.

Для доказательства достаточно рассмотреть формулы

[begin{align}{{f}_{1}} &={{x}_{1,1}}{{e}_{1}}+{{x}_{2,1}}{{e}_{2}}+ldots +{{x}_{n,1}}{{e}_{n}} \ {{f}_{2}} &={{x}_{1,2}}{{e}_{1}}+{{x}_{2,2}}{{e}_{2}}+ldots +{{x}_{n,2}}{{e}_{n}} \ &cdots \ {{f}_{n}} &={{x}_{1,n}}{{e}_{1}}+{{x}_{2,n}}{{e}_{2}}+ldots +{{x}_{n,n}}{{e}_{n}} \ end{align}]

А затем положить ${{f}_{1}}={{e}_{1}}$, ${{f}_{2}}={{e}_{2}}$, …, ${{f}_{n}}={{e}_{n}}$. Тогда:

[begin{align} {{f}_{1}} &={{e}_{1}}=1cdot {{e}_{1}}+0cdot {{e}_{2}}+ldots +0cdot {{e}_{n}} \ {{f}_{2}} &={{e}_{2}}=0cdot {{e}_{1}}+1cdot {{e}_{2}}+ldots +0cdot {{e}_{n}} \ &cdots \ {{f}_{n}} &={{e}_{n}}=0cdot {{e}_{1}}+0cdot {{e}_{2}}+ldots +1cdot {{e}_{n}} \ end{align}]

Указанное выражение однозначно, поскольку $e$ — базис. Следовательно, матрица перехода равна

[{{T}_{eto f}}=left[ begin{array}{c|c|c|c} 1 & 0 & cdots& 0 \ 0 & 1 & cdots& 0 \ cdots& cdots& cdots& cdots \ 0 & 0 & cdots& 1 \ end{array} right]=E]

Итак, ${{T}_{eto f}}=E$, что и требовалось доказать.

2.2. Обратный переход

Свойство 2. Если ${{T}_{eto f}}$ — матрица перехода от базиса $e$ к базису $f$, то ${{T}_{fto e}}={{left( {{T}_{eto f}} right)}^{-1}}$ матрица обратного перехода, от базиса $f$ к базису $e$.

В самом деле, базисы $e$ и $f$ связаны с матрицей перехода по формуле

[left[ {{f}_{1}},ldots ,{{f}_{n}} right]=left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot {{T}_{eto f}}]

Поскольку матрица ${{T}_{eto f}}$ невырожденная, существует обратная к ней матрица ${{left( {{T}_{eto f}} right)}^{-1}}$. Домножим на эту матрицу обе части формулы, связывающей базисы $e$ и $f$:

[left[ {{f}_{1}},ldots ,{{f}_{n}} right]cdot {{left( {{T}_{eto f}} right)}^{-1}}=left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot {{T}_{eto f}}cdot {{left( {{T}_{eto f}} right)}^{-1}}]

[begin{align}left[ {{f}_{1}},ldots ,{{f}_{n}} right] &cdot {{left( {{T}_{eto f}} right)}^{-1}}= \ &=left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot {{T}_{eto f}}cdot {{left( {{T}_{eto f}} right)}^{-1}} \ end{align}]

Упрощаем эту формулу и получаем

[left[ {{e}_{1}},ldots ,{{e}_{n}} right]=left[ {{f}_{1}},ldots ,{{f}_{n}} right]cdot {{left( {{T}_{eto f}} right)}^{-1}}]

Итак, мы получили формулу перехода от базиса $f$ к базису $e$. Следовательно, ${{left( {{T}_{eto f}} right)}^{-1}}$ — матрица такого перехода, что и требовалось доказать.

2.3. Переход через транзитный базис

Пусть ${{T}_{eto f}}$ — матрица перехода от базиса $e$ к базису $f$ линейного пространства $L$, а ${{T}_{fto g}}$ — матрица перехода от базиса $f$ к базису $g$ того же линейного пространства $L$.

Тогда матрица перехода ${{T}_{eto g}}$ от базиса $e$ к базису $g$ находится по формуле

[{{T}_{eto g}}={{T}_{eto f}}cdot {{T}_{fto g}}]

Для доказательства достаточно записать формулы для выражения базисов $f$ и $g$, а затем подставить одну формулу в другую. По условию теоремы, базис $f$ выражается через базис $e$ по формуле

[left[ {{f}_{1}},ldots ,{{f}_{n}} right]=left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot {{T}_{eto f}}]

Кроме того, базис $g$ выражается через базис $f$ по формуле

[left[ {{g}_{1}},ldots ,{{g}_{n}} right]=left[ {{f}_{1}},ldots ,{{f}_{n}} right]cdot {{T}_{fto g}}]

Подставим первое выражение во второе и получим

[begin{align}left[ {{g}_{1}},ldots ,{{g}_{n}} right] &=left[ {{f}_{1}},ldots ,{{f}_{n}} right]cdot {{T}_{fto g}}= \ &=left( left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot {{T}_{eto f}} right)cdot {{T}_{fto g}}= \ & =left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot left( {{T}_{eto f}}cdot {{T}_{fto g}} right) end{align}]

[begin{align}& left[ {{g}_{1}},ldots ,{{g}_{n}} right]= \ =& left[ {{f}_{1}},ldots ,{{f}_{n}} right]cdot {{T}_{fto g}}= \ =& left( left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot {{T}_{eto f}} right)cdot {{T}_{fto g}}= \ =& left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot left( {{T}_{eto f}}cdot {{T}_{fto g}} right) end{align}]

Мы получили прямое выражение базиса $g$ через базис $e$, причём матрица перехода равна

[{{T}_{eto g}}={{T}_{eto f}}cdot {{T}_{fto g}}]

Это именно та формула, которую и требовалось доказать.

2.4. Невырожденные матрицы

И ещё одно важное свойство:

Свойство 4. Пусть дана произвольная квадратная невырожденная матрица

[T=left[ begin{matrix}{{a}_{1,1}} & {{a}_{1,2}} & cdots & {{a}_{1,n}} \ {{a}_{2,1}} & {{a}_{2,2}} & cdots & {{a}_{2,n}} \ cdots & cdots & cdots & cdots \ {{a}_{n,1}} & {{a}_{n,2}} & cdots & {{a}_{n,n}} \ end{matrix} right]]

Пусть $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$ — произвольный базис линейного пространства $L$. Тогда система векторов $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$, полученных по формуле

[begin{align}{{f}_{1}}&={{a}_{1,1}}{{e}_{1}}+{{a}_{2,1}}{{e}_{2}}+ldots +{{a}_{n,1}}{{e}_{n}} \ {{f}_{2}}&={{a}_{1,2}}{{e}_{1}}+{{a}_{2,2}}{{e}_{2}}+ldots +{{a}_{n,2}}{{e}_{n}} \ & cdots \ {{f}_{n}}&={{a}_{1,n}}{{e}_{1}}+{{a}_{2,n}}{{e}_{2}}+ldots +{{a}_{n,n}}{{e}_{n}} \ end{align}]

тоже будет базисом $L$.

Иначе говоря, всякая квадратная невырожденная матрица $T$ является матрицей перехода от данного базиса $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$ к некоторому новому базису $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ линейного пространства $L$.

Обратите внимание: поскольку изначально мы не знаем, что $T$ — матрица перехода, её элементы пронумерованы стандартным образом: первый индекс отвечает за строку, а второй — за столбец. Однако это нисколько не помешает нам доказать теорему.

Для доказательства того, что $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ — базис линейного пространства $L$, нужно доказать два утверждения:

• 1.Система векторов $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ — линейно независима.
• 2.Ранг этой системы векторов совпадает с размерностью пространства $L$.

Поскольку количество векторов в системе $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ совпадает с количеством базисных векторов $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$, т.е. равно $n=dim L$, достаточно лишь проверить линейную независимость.

Рассмотрим линейную комбинацию векторов $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ и предположим, что она равна нулю:

[{{lambda }_{1}}{{f}_{1}}+{{lambda }_{2}}{{f}_{2}}+ldots +{{lambda }_{n}}{{f}_{n}}=0]

В матричном виде это выглядит так:

[left[ {{f}_{1}},ldots ,{{f}_{n}} right]cdot left[ begin{align}& {{lambda }_{1}} \ & cdots\ & {{lambda }_{n}} \ end{align} right]=0]

По условию теоремы векторы $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ раскладываются по базису $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$ с коэффициентами, записанными в столбцах матрицы $T$. В матричном виде это выглядит так:

[left[ {{f}_{1}},ldots ,{{f}_{n}} right]=left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot T]

Подставляем полученное выражение для $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ в предыдущее матричное уравнение и получаем

[left[ {{e}_{1}},ldots ,{{e}_{n}} right]cdot Tcdot left[ begin{align}& {{lambda }_{1}} \ & cdots \ & {{lambda }_{n}} \ end{align} right]=0]

Поскольку $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$ — базис линейного пространства $L$, такое равенство возможно лишь при условии

[Tcdot left[ begin{matrix} {{lambda }_{1}} \ cdots \ {{lambda }_{n}} \ end{matrix} right]=left[ begin{matrix} 0 \ cdots \ 0 \ end{matrix} right]]

Это матричное уравнение можно рассматривать как систему из $n$ однородных уравнений относительно переменных ${{lambda }_{1}},ldots ,{{lambda }_{n}}$. И поскольку по условию теоремы матрица $T$ невырожденная, это СЛАУ имеет лишь одно решение — тривиальное:

[{{lambda }_{1}}={{lambda }_{2}}=ldots ={{lambda }_{n}}=0]

Получаем, что система векторов $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ линейно независима, а количество векторов совпадает с размерностью линейного пространства $L$. Следовательно, эта система — базис, что и требовалось доказать.

3. Замена координат в новом базисе

До сих пор мы рассуждали лишь о том, как координаты новых базисных векторов $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ выражаются через координаты старых базисных векторов $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$. Но что будет с координатами одного и того же вектора линейного пространства $L$ при переходе от одного базиса к другому?

Ответ даёт следующая теорема.

3.1. Формулировка теоремы

Теорема. Пусть $e=left{ {{e}_{1}},ldots ,{{e}_{n}} right}$ и $f=left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ — базисы линейного пространства $L$ над полем $K$. Пусть ${{T}_{eto f}}$ — матрица перехода от базиса $e$ к $f$:

[{{T}_{eto f}}=left[ begin{matrix}{{a}_{1,1}} & cdots& {{a}_{1,n}} \ cdots& cdots& cdots \ {{a}_{n,1}} & cdots & {{a}_{n,n}} \ end{matrix} right]]

Тогда координаты произвольного вектора $hin L$ пересчитываются по формуле

[{{left[ begin{matrix} {{x}_{1}} \ cdots \ {{x}_{n}} \ end{matrix} right]}_{e}}={{T}_{eto f}}cdot {{left[ begin{matrix} {{y}_{1}} \ cdots \ {{y}_{n}} \ end{matrix} right]}_{f}}]

Ещё раз: если произвольный вектор $hin L$ в новом базисе $f$ имеет координаты

[{{left[ h right]}_{f}}=left[ begin{matrix} {{y}_{1}} \ cdots \ {{y}_{n}} \ end{matrix} right]]

то в старом базисе $e$ этот же вектор $hin L$ имеет координаты

[{{left[ h right]}_{e}}=left[ begin{matrix} {{x}_{1}} \ cdots \ {{x}_{n}} \ end{matrix} right]={{T}_{eto f}}cdot left[ begin{matrix} {{y}_{1}} \ cdots \ {{y}_{n}} \ end{matrix} right]]

Т.е. для векторов всё наоборот: не новые координаты выражаются через старые, а старые — через новые. Впрочем, никто не мешает найти матрицу $T_{eto f}^{-1}$ и записать

[left[ begin{matrix} {{y}_{1}} \ cdots \ {{y}_{n}} \ end{matrix} right]=T_{eto f}^{-1}cdot left[ begin{matrix} {{x}_{1}} \ cdots \ {{x}_{n}} \ end{matrix} right]]

Но такая запись предполагает дополнительное действие — нахождение обратной матрицы.

3.2. Доказательство

Сначала «соберём» матрицу ${{T}_{eto f}}$. Для этого разложим векторы $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$ по базису $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$:

[left{ begin{align}{{f}_{1}} &={{a}_{1,1}}{{e}_{1}}+{{a}_{2,1}}{{e}_{2}}+ldots +{{a}_{n,1}}{{e}_{n}} \ {{f}_{2}} &={{a}_{1,2}}{{e}_{1}}+{{a}_{2,2}}{{e}_{2}}+ldots +{{a}_{n,2}}{{e}_{n}} \ & cdots \ {{f}_{n}} &={{a}_{1,n}}{{e}_{1}} +{{a}_{2,n}}{{e}_{2}}+ldots +{{a}_{n,n}}{{e}_{n}} \ end{align} right.]

В матричной форме эту систему линейных уравнений можно записать так:

[left[ begin{matrix} {{f}_{1}} \ {{f}_{2}} \ cdots \ {{f}_{n}} \ end{matrix} right]=left[ begin{matrix} {{a}_{1,1}} & {{a}_{2,1}} & cdots & {{a}_{n,1}} \ {{a}_{1,2}} & {{a}_{2,2}} & cdots & {{a}_{n,2}} \ cdots & cdots & cdots & cdots \ {{a}_{1,n}} & {{a}_{2,n}} & cdots & {{a}_{n,n}} \ end{matrix} right]cdot left[ begin{matrix} {{e}_{1}} \ {{e}_{2}} \ cdots \ {{e}_{n}} \ end{matrix} right]]

Транспонируем обе стороны равенства, учитывая, что произведение справа транспонируется по правилу ${{left( Acdot B right)}^{T}}={{B}^{T}}cdot {{A}^{T}}$:

[left[ begin{matrix}{{f}_{1}} & cdots & {{f}_{n}} \ end{matrix} right]=left[ begin{matrix} {{e}_{1}} & cdots & {{e}_{n}} \ end{matrix} right]cdot left[ begin{matrix} {{a}_{1,1}} & {{a}_{1,2}} & cdots & {{a}_{1,n}} \ {{a}_{2,1}} & {{a}_{2,2}} & cdots & {{a}_{2,n}} \ cdots & cdots & cdots & cdots \ {{a}_{n,1}} & {{a}_{n,2}} & cdots & {{a}_{n,n}} \ end{matrix} right]]

[left[ {{f}_{1}} cdots {{f}_{n}} right]=left[ {{e}_{1}} cdots {{e}_{n}} right]cdot left[ begin{matrix} {{a}_{1,1}} & cdots & {{a}_{1,n}} \ cdots & cdots & cdots \ {{a}_{n,1}} & cdots & {{a}_{n,n}} \ end{matrix} right]]

Квадратная матрица справа — это и есть матрица перехода ${{T}_{eto f}}$. Поэтому матричное уравнение можно переписать так:

[left[ begin{matrix}{{f}_{1}} & cdots& {{f}_{n}} \ end{matrix} right]=left[ begin{matrix}{{e}_{1}} & cdots& {{e}_{n}} \ end{matrix} right]cdot {{T}_{eto f}}]

Теперь возьмём произвольный вектор $hin L$ и разложим его по базисам $left{ {{e}_{1}},ldots ,{{e}_{n}} right}$ и $left{ {{f}_{1}},ldots ,{{f}_{n}} right}$:

[begin{align}h &={{x}_{1}}{{e}_{1}}+{{x}_{2}}{{e}_{2}}+ldots +{{x}_{n}}{{e}_{n}}= \ &={{y}_{1}}{{f}_{1}}+{{y}_{2}}{{f}_{2}}+ldots +{{y}_{n}}{{f}_{n}} end{align}]

Вновь перейдём к матричной форме. Сначала учтём, что координаты векторов принято записывать в виде вектор-столбцов:

[{{left[ h right]}_{e}}=left[ begin{matrix} {{x}_{1}} \ {{x}_{2}} \ cdots \ {{x}_{n}} \ end{matrix} right]quad {{left[ h right]}_{f}}=left[ begin{matrix} {{y}_{1}} \ {{y}_{2}} \ cdots \ {{y}_{n}} \ end{matrix} right]]

Тогда левую и правую часть уравнения можно представить как произведение строк с базисными векторами и указанных вектор-столбцов с координатами:

[left[ begin{matrix} {{e}_{1}} & cdots & {{e}_{n}} \ end{matrix} right]cdot left[ begin{matrix} {{x}_{1}} \ cdots \ {{x}_{n}} \ end{matrix} right]=left[ begin{matrix} {{f}_{1}} & cdots & {{f}_{n}} \ end{matrix} right]cdot left[ begin{matrix} {{y}_{1}} \ cdots \ {{y}_{n}} \ end{matrix} right]]

[left[ {{e}_{1}} cdots {{e}_{n}} right]cdot left[ begin{matrix} {{x}_{1}} \ cdots \ {{x}_{n}} \ end{matrix} right]=left[ {{f}_{1}} cdots {{f}_{n}} right]cdot left[ begin{matrix} {{y}_{1}} \ cdots \ {{y}_{n}} \ end{matrix} right]]

Но выше мы выражали строку векторов $left[ {{f}_{1}},ldots ,{{f}_{n}} right]$ через строку $left[ {{e}_{1}},ldots ,{{e}_{n}} right]$ и матрицу перехода ${{T}_{eto f}}$. Подставим это выражение в наше матричное уравнение:

[left[ begin{matrix} {{e}_{1}} & cdots & {{e}_{n}} \ end{matrix} right]cdot left[ begin{matrix} {{x}_{1}} \ cdots \ {{x}_{n}} \ end{matrix} right]=left[ begin{matrix} {{e}_{1}} & cdots & {{e}_{n}} \ end{matrix} right]cdot {{T}_{eto f}}cdot left[ begin{matrix} {{y}_{1}} \ cdots \ {{y}_{n}} \ end{matrix} right]]

[left[ {{e}_{1}} cdots {{e}_{n}} right]cdot left[ begin{matrix} {{x}_{1}} \ cdots \ {{x}_{n}} \ end{matrix} right]=left[ {{e}_{1}} cdots {{e}_{n}} right]cdot {{T}_{eto f}}cdot left[ begin{matrix} {{y}_{1}} \ cdots \ {{y}_{n}} \ end{matrix} right]]

Уберём слева и справа первый множитель — строку $left[ {{e}_{1}},ldots ,{{e}_{n}} right]$. Получим уравнение, связывающее координаты вектора в разных базисах:

[left[ begin{matrix} {{x}_{1}} \ cdots \ {{x}_{n}} \ end{matrix} right]={{T}_{eto f}}cdot left[ begin{matrix} {{y}_{1}} \ cdots \ {{y}_{n}} \ end{matrix} right]]

Это именно та формула, которую и требовалось доказать.

Задача 1. Базисы трёхмерного пространства

Задача. Убедитесь, что системы векторов

[{{a}_{1}}={{left( 1,2,1 right)}^{T}},quad {{a}_{2}}={{left( 2,3,2 right)}^{T}},quad {{a}_{3}}={{left( 1,-1,2 right)}^{T}}]

[begin{align}{{a}_{1}} &={{left( 1,2,1 right)}^{T}}, \ {{a}_{2}} &={{left( 2,3,2 right)}^{T}}, \ {{a}_{3}} &={{left( 1,-1,2 right)}^{T}} \ end{align}]

и

[{{b}_{1}}={{left( 1,3,1 right)}^{T}},quad {{b}_{2}}={{left( 1,-1,3 right)}^{T}},quad {{b}_{3}}={{left( 2,2,1 right)}^{T}}]

[begin{align}{{b}_{1}} &={{left( 1,3,1 right)}^{T}}, \ {{b}_{2}} &={{left( 1,-1,3 right)}^{T}}, \ {{b}_{3}} &={{left( 2,2,1 right)}^{T}} \ end{align}]

являются базисами в векторном пространстве ${{mathbb{R}}^{3}}$. Найдите матрицу перехода ${{T}_{ato b}}$. Найдите координаты в базисе $a$ вектора $x$, который в базисе $b$ имеет координаты ${{left( 0,3,2 right)}^{T}}$.

Решение

Чтобы доказать, что система векторов образует базис, достаточно составить матрицу $A$ из координат этих векторов, а затем вычислить её определитель $det A$. И если $det Ane 0$, то векторы линейно независимы. А поскольку их количество совпадает с размерностью линейного пространства, такие векторы образуют базис.

Рассмотрим систему векторов $a=left{ {{a}_{1}},{{a}_{2}},{{a}_{3}} right}$. Составим из них матрицу, расположив координаты по столбцам. Получим матрицу перехода ${{T}_{eto a}}$ от некого исходного базиса $e$ (в котором как раз и даны координаты векторов ${{a}_{i}}$ и ${{b}_{i}}$ в условии задачи) к базису $a$:

[{{T}_{eto a}}=left[ begin{array}{ccr} 1 & 2 & 1 \ 2 & 3 & -1 \ 1 & 2 & 2 \ end{array} right]]

Определитель этой матрицы отличен от нуля:

[det {{T}_{eto a}}=-1ne 0]

Следовательно, $left{ {{a}_{1}},{{a}_{2}},{{a}_{3}} right}$ — базис пространства ${{mathbb{R}}^{3}}$.

Теперь составим матрицу из векторов $b=left{ {{b}_{1}},{{b}_{2}},{{b}_{3}} right}$. Получим матрицу перехода ${{T}_{eto b}}$:

[{{T}_{eto b}}=left[ begin{array}{crc} 1 & 1 & 2 \ 3 & -1 & 2 \ 1 & 3 & 1 \ end{array} right]]

Определитель этой матрицы вновь отличен от нуля:

[det {{T}_{eto b}}=12ne 0]

Следовательно, $left{ {{b}_{1}},{{b}_{2}},{{b}_{3}} right}$ — тоже базис пространства ${{mathbb{R}}^{3}}$.

Осталось найти матрицу перехода ${{T}_{ato b}}$. Заметим, что эту матрицу можно выразить так:

[begin{align}{{T}_{ato b}} &={{T}_{ato e}}cdot {{T}_{eto b}}= \ &={{left( {{T}_{eto a}} right)}^{-1}}cdot {{T}_{eto b}}end{align}]

Мы внедрили «транзитный» базис $e$ и вместо прямого перехода $ato b$ рассмотрели цепочку $ato eto b$. Это стандартный и очень распространённый приём, но из-за этого появился новый элемент $T_{eto a}^{-1}$ — матрица, обратная к ${{T}_{eto a}}$. Найдём $T_{eto a}^{-1}$ методом присоединённой матрицы:

[left[ {{T}_{eto a}}|E right]sim ldots sim left[ E|T_{eto a}^{-1} right]]

Напомню, что элементарные преобразования в присоединённых матрицах выполняются только над строками. Если вы забыли, как всё это работает, см. урок «Обратная матрица». В нашем случае получим:

[left[ begin{array}{ccr|ccc}1 & 2 & 1 & 1 & 0 & 0 \ 2 & 3 & -1 & 0 & 1 & 0 \ 1 & 2 & 2 & 0 & 0 & 1 \end{array} right]begin{matrix} , \ -2cdot left[ 1 right] \ -1cdot left[ 1 right] \ end{matrix}]

Мы «зачистили» первый столбец. Теперь «зачистим» последний:

[left[ begin{array}{crr|rcc} 1 & 2 & 1 & 1 & 0 & 0 \ 0 & -1 & -3 & -2 & 1 & 0 \ 0 & 0 & 1 & -1 & 0 & 1 \ end{array} right]begin{matrix} -1cdot left[ 3 right] \ +3cdot left[ 3 right] \ , \ end{matrix}]

Остался лишь средний. Разберёмся и с ним:

[left[ begin{array}{crc|rcr} 1 & 2 & 0 & 2 & 0 & -1 \ 0 & -1 & 0 & -5 & 1 & 3 \ 0 & 0 & 1 & -1 & 0 & 1 \ end{array} right]begin{matrix} +2cdot left[ 2 right] \ |cdot left( -1 right) \ , \ end{matrix}]

Получили единичную матрицу слева от вертикальной черты. Значит, справа стоит искомая матрица $T_{eto a}^{-1}$:

[left[ begin{array}{ccc|rrr} 1 & 0 & 0 & -8 & 2 & 5 \ 0 & 1 & 0 & 5 & -1 & -3 \ 0 & 0 & 1 & -1 & 0 & 1 \ end{array} right]]

Теперь у нас есть всё, чтобы найти матрицу перехода ${{T}_{ato b}}$:

[{{T}_{ato b}}={{left( {{T}_{eto a}} right)}^{-1}}cdot {{T}_{eto b}}=left[ begin{array}{rrr} -8 & 2 & 5 \ 5 & -1 & -3 \ -1 & 0 & 1 \ end{array} right]cdot left[ begin{array}{crc} 1 & 1 & 2 \ 3 & -1 & 2 \ 1 & 3 & 1 \ end{array} right]]

[begin{align}{{T}_{ato b}} &={{left( {{T}_{eto a}} right)}^{-1}}cdot {{T}_{eto b}}= \ &=left[ begin{array}{rrr} -8 & 2 & 5 \ 5 & -1 & -3 \ -1 & 0 & 1 \ end{array} right]cdot left[ begin{array}{crc} 1 & 1 & 2 \ 3 & -1 & 2 \ 1 & 3 & 1 \ end{array} right] end{align}]

После несложных вычислений получаем матрицу перехода от базиса $a$ к базису $b$:

[{{T}_{ato b}}=left[ begin{array}{rrr} 3 & 5 & -7 \ -1 & -3 & 5 \ 0 & 2 & -1 \ end{array} right]]

Осталось найти координаты вектора $x$, который в базисе $b$ имеет координаты ${{left( 0,3,2 right)}^{T}}$. Вспомним формулу, выражающую координаты в старом базисе через координаты в новом базисе:

[{{left[ x right]}_{a}}={{T}_{ato b}}cdot {{left[ x right]}_{b}}]

Подставляем в эту формулу матрицу ${{T}_{ato b}}$ и вектор-столбец ${{left[ x right]}_{b}}={{left[ 0,3,2 right]}^{T}}$:

[{{left[ x right]}_{a}}=left[ begin{array}{rrr} 3 & 5 & -7 \ -1 & -3 & 5 \ 0 & 2 & -1 \ end{array} right]cdot left[ begin{matrix} 0 \ 3 \ 2 \ end{matrix} right]=left[ begin{matrix} 1 \ 1 \ 4 \ end{matrix} right]]

Итак, вектор $x$ в базисе $a$ имеет координаты ${{left( 1,1,4 right)}^{T}}$. Задача решена.

Альтернативное решение

Можно найти матрицу ${{T}_{ato b}}$ заметно быстрее, если использовать алгоритм решения матричных уравнений. Заметим, что нам требуется найти произведение

[{{T}_{ato b}}={{A}^{-1}}cdot B]

С другой стороны, для нахождения такого произведения достаточно составить присоединённую матрицу вида $left[ A|B right]$ и цепочкой элементарных преобразований свести её к виду

[left[ A|B right]sim ldots sim left[ E|{{A}^{-1}}cdot B right]]

Другими словами, справа от вертикальной черты мы получим искомую матрицу перехода ${{T}_{ato b}}$!

На практике это выглядит так. Записываем присоединённую матрицу $left[ A|B right]$:

[left[ begin{array}{ccr|crc} 1 & 2 & 1 & 1 & 1 & 2 \ 2 & 3 & -1 & 3 & -1 & 2 \ 1 & 2 & 2 & 1 & 2 & 1 \ end{array} right]]

И после элементарных преобразований получим

[left[ begin{array}{ccc|rrr} 1 & 0 & 0 & 3 & 5 & -7 \ 0 & 1 & 0 & -1 & -3 & 5 \ 0 & 0 & 1 & 0 & 2 & -1 \ end{array} right]]

Для экономии места я пропустил промежуточные шаги. Попробуйте сделать их самостоятельно — это очень полезная практика.

Если же вы хотите разобраться, как это работает (и почему вдруг справа возникает матрица вида ${{A}^{-1}}cdot B$), см. урок «Матричные уравнения». А мы идём дальше.

Задача 2. Базисы в поле вычетов

Найдите матрицу перехода от базиса

[{{a}_{1}}={{left( 1,1,1 right)}^{T}},quad {{a}_{2}}={{left( 2,1,1 right)}^{T}},quad {{a}_{3}}={{left( 3,2,1 right)}^{T}}]

[begin{align}{{a}_{1}} &={{left( 1,1,1 right)}^{T}}, \ {{a}_{2}} &={{left( 2,1,1 right)}^{T}}, \ {{a}_{3}} &={{left( 3,2,1 right)}^{T}} \ end{align}]

к базису

[{{b}_{1}}={{left( 0,4,3 right)}^{T}},quad {{b}_{2}}={{left( 3,3,2 right)}^{T}},quad {{b}_{3}}={{left( 2,2,1 right)}^{T}}]

[begin{align}{{b}_{1}} &={{left( 0,4,3 right)}^{T}}, \ {{b}_{2}} &={{left( 3,3,2 right)}^{T}}, \ {{b}_{3}} &={{left( 2,2,1 right)}^{T}} \ end{align}]

арифметического линейного пространства $mathbb{Z}_{5}^{3}$.

Решение

Эта задача проще предыдущей, поскольку поле вычетов ${{mathbb{Z}}_{5}}$ является конечным и состоит всего из пяти элементов — представителей смежных классов:

[{{mathbb{Z}}_{5}}=left{ 0,1,2,3,4 right}]

Как и в предыдущей задаче, рассмотрим систему векторов $a=left{ {{a}_{1}},{{a}_{2}},{{a}_{3}} right}$ и составим из них матрицу ${{T}_{eto a}}$:

[{{T}_{eto a}}=left[ begin{matrix} 1 & 2 & 3 \ 1 & 1 & 2 \ 1 & 1 & 1 \ end{matrix} right]]

Определитель $det {{T}_{eto a}}=1ne 0$, поэтому $left{ {{a}_{1}},{{a}_{2}},{{a}_{3}} right}$ — базис.

Аналогично, рассмотрим систему $b=left{ {{b}_{1}},{{b}_{2}},{{b}_{3}} right}$ и составим матрицу ${{T}_{eto b}}$:

[{{T}_{eto b}}=left[ begin{matrix} 0 & 3 & 2 \ 4 & 3 & 2 \ 3 & 2 & 1 \ end{matrix} right]]

Определитель $det {{T}_{eto b}}=4ne 0$, поэтому $left{ {{b}_{1}},{{b}_{2}},{{b}_{3}} right}$ — базис.

Выразим искомую матрицу ${{T}_{ato b}}$ через «транзитный» базис $e$:

[begin{align}{{T}_{ato b}} &={{T}_{ato e}}cdot {{T}_{eto b}}= \ &={{left( {{T}_{eto a}} right)}^{-1}}cdot {{T}_{eto b}} end{align}]

Найдём $T_{eto a}^{-1}$ через присоединённую матрицу:

[left[ begin{array}{ccc|ccc} 1 & 2 & 3 & 1 & 0 & 0 \ 1 & 1 & 2 & 0 & 1 & 0 \ 1 & 1 & 1 & 0 & 0 & 1 \ end{array} right]]

После цепочки элементарных преобразований над строками (попробуйте выполнить их самостоятельно!) получим

[left[ begin{array}{ccc|ccc} 1 & 0 & 0 & 4 & 1 & 1 \ 0 & 1 & 0 & 1 & 3 & 1 \ 0 & 0 & 1 & 0 & 1 & 4 \ end{array} right]]

Итак, мы нашли матрицу $T_{eto a}^{-1}$:

[T_{eto a}^{-1}=left[ begin{matrix} 4 & 1 & 1 \ 1 & 3 & 1 \ 0 & 1 & 4 \ end{matrix} right]]

Осталось вычислить искомую матрицу перехода ${{T}_{ato b}}$:

[{{T}_{ato b}}={{left( {{T}_{eto a}} right)}^{-1}}cdot {{T}_{eto b}}=left[ begin{matrix} 4 & 1 & 1 \ 1 & 3 & 1 \ 0 & 1 & 4 \ end{matrix} right]cdot left[ begin{matrix} 0 & 3 & 2 \ 4 & 3 & 2 \ 3 & 2 & 1 \ end{matrix} right]=left[ begin{matrix} 2 & 2 & 1 \ 0 & 4 & 4 \ 1 & 1 & 1 \ end{matrix} right]]

[begin{align}{{T}_{ato b}} &={{left( {{T}_{eto a}} right)}^{-1}}cdot {{T}_{eto b}}= \ &=left[ begin{matrix} 4 & 1 & 1 \ 1 & 3 & 1 \ 0 & 1 & 4 \ end{matrix} right]cdot left[ begin{matrix} 0 & 3 & 2 \ 4 & 3 & 2 \ 3 & 2 & 1 \ end{matrix} right]= \ &=left[ begin{matrix} 2 & 2 & 1 \ 0 & 4 & 4 \ 1 & 1 & 1 \ end{matrix} right] end{align}]

По аналогии с предыдущей задачей, матрицу ${{T}_{ato b}}$ можно найти и через элементарные преобразования присоединённой матрицы $left[ A|B right]$. Результат будет точно такой же, но мы сэкономим пару строк вычислений и несколько минут времени.

Задача 3. Пространство многочленов

Убедитесь, что системы многочленов

[begin{align}e &=left{ 1,t-1,{{left( t-1 right)}^{2}} right} \ f &=left( 1,t+1,{{left( t+1 right)}^{2}} right) \ end{align}]

являются базисами в пространстве ${{P}_{3}}$ многочленов степени не выше 2. Найдите матрицу перехода ${{T}_{eto f}}$. Разложите по степеням $left( t-1 right)$ многочлен ${{left( t+1 right)}^{2}}+left( t+1 right)+1$.

Решение

Стандартным базисом в пространстве многочленов является система многочленов $p=left{ {{p}_{1}},{{p}_{2}},{{p}_{3}} right}$, где

[{{p}_{1}}=1quad {{p}_{2}}=tquad {{p}_{3}}={{t}^{2}}]

Выразим через базис $p$ многочлены из системы $e$:

[begin{align} & {{e}_{1}}=1={{p}_{1}} \ & {{e}_{2}}=t-1={{p}_{2}}-{{p}_{1}} \ & {{e}_{3}}={{left( t-1 right)}^{2}}={{t}^{2}}-2t+1={{p}_{3}}-2{{p}_{2}}+{{p}_{1}} end{align}]

[begin{align}{{e}_{1}} &=1={{p}_{1}} \ {{e}_{2}} &=t-1={{p}_{2}}-{{p}_{1}} \ {{e}_{3}} &={{left( t-1 right)}^{2}}= \ &={{t}^{2}}-2t+1= \ &={{p}_{3}}-2{{p}_{2}}+{{p}_{1}} end{align}]

Следовательно, матрица перехода ${{T}_{pto e}}$ выглядит так:

[{{T}_{pto e}}=left[ begin{array}{crr} 1 & -1 & 1 \ 0 & 1 & -2 \ 0 & 0 & 1 \ end{array} right]]

Аналогично, выразим через базис $p$ многочлены из системы $f$:

[begin{align} & {{f}_{1}}=1={{p}_{1}} \ & {{f}_{2}}=t+1={{p}_{2}}+{{p}_{1}} \ & {{f}_{3}}={{left( t+1 right)}^{2}}={{t}^{2}}+2t+1={{p}_{3}}+2{{p}_{2}}+{{p}_{1}} end{align}]

[begin{align}{{f}_{1}} &=1={{p}_{1}} \ {{f}_{2}} &=t+1={{p}_{2}}+{{p}_{1}} \ {{f}_{3}} &={{left( t+1 right)}^{2}}= \ &={{t}^{2}}+2t+1= \ &={{p}_{3}}+2{{p}_{2}}+{{p}_{1}} end{align}]

Получим матрицу перехода ${{T}_{pto f}}$:

[{{T}_{pto f}}=left[ begin{matrix} 1 & 1 & 1 \ 0 & 1 & 2 \ 0 & 0 & 1 \ end{matrix} right]]

Обе матрицы оказались верхнетреугольными, их определители отличны от нуля:

[begin{align} det {{T}_{pto e}} &=1cdot 1cdot 1=1 \ det {{T}_{pto f}} &=1cdot 1cdot 1=1 \ end{align}]

Следовательно системы многочленов $e$ и $f$ действительно являются базисами пространства ${{P}_{3}}$.

Теперь найдём матрицу перехода ${{T}_{eto f}}$. Для этого нам даже не потребуется искать обратную матрицу. Достаточно заметить, что векторы ${{f}_{1}}$ и ${{f}_{2}}$ легко раскладываются по базису $e$:

[begin{align}{{f}_{1}} &=1={{e}_{1}} \ {{f}_{2}} &=t+1=left( t-1 right)+2={{e}_{2}}+2{{e}_{1}} \ end{align}]

С вектором ${{f}_{3}}$ вычислений будет чуть больше:

[begin{align}{{f}_{3}} &={{left( t+1 right)}^{2}}= \ &={{left( t-1 right)}^{2}}+4t= \ &={{left( t-1 right)}^{2}}+4left( t-1 right)+4= \ &={{e}_{3}}+4{{e}_{2}}+4{{e}_{1}} end{align}]

Итого матрица перехода ${{T}_{eto f}}$ примет вид

[{{T}_{eto f}}=left[ begin{matrix} 1 & 2 & 4 \ 0 & 1 & 4 \ 0 & 0 & 1 \ end{matrix} right]]

Теперь разложим многочлен ${{left( t+1 right)}^{2}}+left( t+1 right)+1$ по базису $e$. Сначала перепишем этот многочлен так:

[begin{align}hleft( t right) &=1+left( t+1 right)+{{left( t+1 right)}^{2}}= \ &={{f}_{1}}+{{f}_{2}}+{{f}_{3}} end{align}]

Следовательно, в базисе $f$ многочлен $hleft( t right)$ имеет координаты ${{left( 1,1,1 right)}^{T}}$. Но тогда по теореме о замене координат этот же многочлен в базисе $e$ имеет координаты

[{{left[ h right]}_{e}}={{T}_{eto f}}cdot {{left[ h right]}_{f}}=left[ begin{matrix} 1 & 2 & 4 \ 0 & 1 & 4 \ 0 & 0 & 1 \ end{matrix} right]cdot left[ begin{matrix} 1 \ 1 \ 1 \ end{matrix} right]=left[ begin{matrix} 7 \ 5 \ 1 \ end{matrix} right]]

[begin{align}{{left[ h right]}_{e}} &={{T}_{eto f}}cdot {{left[ h right]}_{f}}= \ &=left[ begin{matrix} 1 & 2 & 4 \ 0 & 1 & 4 \ 0 & 0 & 1 \ end{matrix} right]cdot left[ begin{matrix} 1 \ 1 \ 1 \ end{matrix} right]=left[ begin{matrix} 7 \ 5 \ 1 \ end{matrix} right] end{align}]

Другими словами, многочлен $hleft( t right)$ имеет вид

[hleft( t right)={{left( t-1 right)}^{2}}+5left( t-1 right)+7]

Это и есть искомое разложение многочлена ${{left( t+1 right)}^{2}}+left( t+1 right)+1$ по степеням $left( t-1 right)$.

Альтернативное решение

Искомое разложение можно получить и без привлечения матриц перехода. Достаточно применить схему Горнера или выделить нужные степени напрямую:

[begin{align}hleft( t right) &={{left( t+1 right)}^{2}}+left( t+1 right)+1= \ &={{left( t-1 right)}^{2}}+4t+t+1+1= \ &={{left( t-1 right)}^{2}}+5left( t-1 right)+5+2= \ &={{left( t-1 right)}^{2}}+5left( t-1 right)+7 end{align}]

Как видим, результат получился тем же самым, а времени потрачено меньше. Однако уже в пространстве ${{P}_{4}}$ многочленов степени не выше 4 сложность решения через матрицы и через выделение степеней будет сопоставимой. А дальше матрицы начнут выигрывать.

Смысл линейной алгебры — дать универсальные алгоритмы, которые работают с объектами любой природы, если эти объекты подчиняются аксиомам линейного пространства.

Задача 4. Матрица перехода при симметрии

Базис $b$получается из базиса

[{{a}_{1}}={{left( 2,1,3 right)}^{T}},quad {{a}_{2}}={{left( 1,1,-1 right)}^{T}},quad {{a}_{3}}={{left( 2,-1,-1 right)}^{T}}]

[begin{align}{{a}_{1}} &={{left( 2,1,3 right)}^{T}}, \ {{a}_{2}} &={{left( 1,1,-1 right)}^{T}}, \ {{a}_{3}} &={{left( 2,-1,-1 right)}^{T}} \ end{align}]

пространства ${{V}_{3}}$ симметрией относительно плоскости $2x+y+3z=0$. Найти матрицу перехода ${{T}_{ato b}}$.

Решение

Из курса аналитической геометрии мы знаем, что если плоскость задана уравнением

[ax+by+cz+d=0]

то вектор-нормаль $n$ имеет координаты

[n=left( a,b,c right)]

Тогда для плоскости $2x+y+3z=0$ нормаль имеет координаты $n=left( 2,1,3 right)$, что в точности совпадает с вектором ${{a}_{1}}$. Следовательно, при симметрии относительно плоскости этот вектор просто перейдёт в противоположный: ${{b}_{1}}=-{{a}_{1}}$.

Далее заметим, что векторы ${{a}_{2}}$ и ${{a}_{3}}$ лежат в плоскости симметрии, поскольку при подстановке их координат уравнение плоскости обращается в верное числовое равенство:

[begin{align}{{a}_{2}}={{left( 1,1,-1 right)}^{T}} &Rightarrow 2cdot 1+1+3cdot left( -1 right)=0 \ {{a}_{3}}={{left( 2,-1,-1 right)}^{T}} &Rightarrow 2cdot 2-1+3cdot left( -1 right)=0 \ end{align}]

[begin{align}{{a}_{2}}=&{{left( 1,1,-1 right)}^{T}}Rightarrow \ & Rightarrow 2cdot 1+1+3cdot left( -1 right)=0 \ {{a}_{3}}=&{{left( 2,-1,-1 right)}^{T}}Rightarrow \ & Rightarrow 2cdot 2-1+3cdot left( -1 right)=0 \ end{align}]

Следовательно, при симметрии эти векторы переходят сами в себя: ${{b}_{2}}={{a}_{2}}$, ${{b}_{3}}={{a}_{3}}$. Матрица перехода имеет вид

[{{T}_{ato b}}=left[ begin{array}{rcc} -1 & 0 & 0 \ 0 & 1 & 0 \ 0 & 0 & 1 \ end{array} right]]

Важное замечание. симметрия предполагает использование проекций и углов, что в конечном счёте сводится к скалярному произведению. Однако мы пока не знаем, что такое скалярное произведение в линейном пространстве.

Полноценное определение скалярного произведения будет намного позже — см. урок «Евклидово пространство». А пока будем считать, что скалярное произведение векторов $a$ и $b$ определено стандартным образом:

[left( a,b right)=left| a right|cdot left| b right|cdot cos alpha ]

Геометрическая интерпретация

Симметрию на плоскости и в пространстве удобно представлять графически. Пусть $alpha $ — плоскость, относительно которой выполняется симметрия. Тогда векторы $left{ {{a}_{1}},{{a}_{2}},{{a}_{3}} right}$ будут выглядеть так:

Из приведённого рисунка сразу видно, что при симметрии вектор ${{a}_{1}}$ перейдёт в противоположный, а векторы ${{a}_{2}}$ и ${{a}_{3}}$ останутся на месте.

Задача 5. Матрица поворота

Базис $e=left{ i,j,k right}$ пространства ${{V}_{3}}$ поворачивается на 180° вокруг прямой $l$, заданной системой

[left{ begin{align}x-y &=0 \ z &=0 \ end{align} right.]

Затем полученный базис $f$ поворачивается на 90° в отрицательном направлении вокруг нового положения вектора $j$. В результате получается базис $g=left{ {{i}_{2}},{{j}_{2}},{{k}_{2}} right}$.

Найдите матрицу перехода ${{T}_{eto g}}$. Найдите в базисе $e$ координаты вектора $h$, который в новом базисе $g$ имеет координаты $left( 1,1,1 right)$.

Решение

Вращение базиса и матрица поворота — это очень важная тема, по которой есть отдельный урок — «Матрица поворота». Но сейчас вращение совсем простое, поэтому обойдёмся без специальных матриц.

Вновь обратимся к геометрической интерпретации. Рассмотрим исходный базис $e=left{ i,j,k right}$ трёхмерного пространства:

Также на этом рисунке изображена прямая $l$, которая задаётся требованиями $z=0$ и $x=y$. Эта лежит в плоскости $Oxy$ и является биссектрисой первой координатной четверти.

Очевидно, что при повороте пространства на 180° относительно прямой $l$ базисные векторы $i$ и $j$ просто поменяются местами, а вектор $k$ перейдёт в противоположный:

Другими словами, ${{i}_{1}}=j$, ${{j}_{1}}=i$, ${{k}_{1}}=-k$, поэтому матрица перехода от базиса $e=left{ i,j,k right}$ к базису $f=left{ {{i}_{1}},{{j}_{1}},{{k}_{1}} right}$ примет вид

[{{T}_{eto f}}=left[ begin{array}{ccr} 0 & 1 & 0 \ 1 & 0 & 0 \ 0 & 0 & -1 \ end{array} right]]

Далее поворот осуществляется вокруг нового положения вектора $j$, т.е. вокруг вектора ${{j}_{1}}$. Вновь обратимся к чертежу. В этот раз нам уже не нужны координатные оси — нас интересуют лишь векторы ${{i}_{1}}$, ${{j}_{1}}$ и ${{k}_{1}}$, а также ось вращения:

Обратите внимание: в задаче сказано, что базис вращается на 90° в отрицательном направлении. Если мы смотрим на плоскость, образованную векторами ${{i}_{1}}$ и ${{k}_{1}}$, с вершины вектора ${{j}_{1}}$ (как на картинке), то отрицательное направление — это по часовой стрелке (отмечено зелёным), а положительное —против часовой стрелки (отмечено красным).

Все эти тонкости (положительное и отрицательное направление, правые и левые тройки векторов) детально описаны в уроке про матрицы поворота. Сейчас не будем подробно разбираться в них, а просто нарисуем результат:

Итак, ${{i}_{2}}={{k}_{1}}$, ${{j}_{2}}={{j}_{1}}$ и ${{k}_{2}}=-{{i}_{1}}$, поэтому матрица перехода от базиса $f=left{ {{i}_{1}},{{j}_{1}},{{k}_{1}} right}$ к базису $g=left{ {{i}_{2}},{{j}_{2}},{{k}_{2}} right}$ имеет вид

[{{T}_{fto g}}=left[ begin{array}{ccr} 0 & 0 & -1 \ 0 & 1 & 0 \ 1 & 0 & 0 \ end{array} right]]

Теперь мы можем найти матрицу ${{T}_{eto g}}$ через транзитный базис $f$:

[{{T}_{eto g}}={{T}_{eto f}}cdot {{T}_{fto g}}=left[ begin{array}{ccr} 0 & 1 & 0 \ 1 & 0 & 0 \ 0 & 0 & -1 \ end{array} right]cdot left[ begin{array}{ccr} 0 & 0 & -1 \ 0 & 1 & 0 \ 1 & 0 & 0 \ end{array} right]=left[ begin{array}{rcr} 0 & 1 & 0 \ 0 & 0 & -1 \ -1 & 0 & 0 \ end{array} right]]

[begin{align}{{T}_{eto g}} &={{T}_{eto f}}cdot {{T}_{fto g}}= \ &=left[ begin{array}{ccr} 0 & 1 & 0 \ 1 & 0 & 0 \ 0 & 0 & -1 \ end{array} right]cdot left[ begin{array}{ccr} 0 & 0 & -1 \ 0 & 1 & 0 \ 1 & 0 & 0 \ end{array} right]= \ &=left[ begin{array}{rcr} 0 & 1 & 0 \ 0 & 0 & -1 \ -1 & 0 & 0 \ end{array} right] end{align}]

Кроме того, нам известны координаты вектора $h$ в базисе $g$:

[h={{left( 1,1,1 right)}^{T}}]

Тогда в базисе $e$ координаты этого же вектора равны

[{{left[ h right]}_{e}}={{T}_{eto g}}cdot {{left[ h right]}_{g}}=left[ begin{array}{rcr} 0 & 1 & 0 \ 0 & 0 & -1 \ -1 & 0 & 0 \ end{array} right].left[ begin{matrix} 1 \ 1 \ 1 \ end{matrix} right]=left[ begin{array}{r} 1 \ -1 \ -1 \ end{array} right]]

[begin{align}{{left[ h right]}_{e}} &={{T}_{eto g}}cdot {{left[ h right]}_{g}}= \ &=left[ begin{array}{rcr} 0 & 1 & 0 \ 0 & 0 & -1 \ -1 & 0 & 0 \ end{array} right].left[ begin{matrix} 1 \ 1 \ 1 \ end{matrix} right]=left[ begin{array}{r} 1 \ -1 \ -1 \ end{array} right] end{align}]

Итак, мы нашли матрицу перехода ${{T}_{eto g}}$ и координаты вектора $h$ в исходном базисе. Задача решена.

Смотрите также:

1. Критерий Сильвестра для квадратичных функций
2. Работа с формулами в задаче B12
3. Тест к уроку «Площади многоугольников на координатной сетке» (легкий)
4. Показательные функции в задаче B15
5. Задача B5: площадь кольца
6. Случай четырехугольной пирамиды

Преобразование координат. Матрица перехода. 

Литература: Сборник задач по математике. Часть 1. Под ред А. В. Ефимова, Б. П. Демидовича.

Пусть $L_n -$ произвольное мерное пространство, $B=(e_1, …, e_n) -$ фиксированный базис в нем. Тогда всякому вектору $xin L_n$ взаимно однозначно соответствует столбец его координат в этом базисе.

$$x=x_1e_1+…+x_ne_nLeftrightarrow X=begin{pmatrix}x_1\ vdots\x_nend{pmatrix}$$

При этом линейные комбинации над векторами в координатной форме выглядят следующим образом: 

$z=x+yLeftrightarrow Z=X+Y$

$y=lambda xLeftrightarrow Y=lambda X.$

Пусть $B=(e_1, e_2, …, e_n)$ и $B’=(e_1′, e_2′, …, e_n’) -$ два различных базиса в $L_n.$ Каждый из векторов базиса $B’$ разложим по базису $B:$

$e_k’=t_{1k}e_1+…+t_{nk}e_{nk}Leftrightarrow E_k’=begin{pmatrix}t_{1k}\vdots\t_{nk}end{pmatrix},quad k=1, 2, …, n.$

Матрицей перехода $T_{Brightarrow B’}$ от базиса $B$ к базису $B’$ называется матрица

$T_{Brightarrow B’}=begin{pmatrix}t_{11}&…&t_{1n}\…&…&…\t_{n_1}&…&t_{nn}end{pmatrix}$ $k$-й столбец которой есть столбец $E’_k$ координат вектора $e’_k$ в базисе $B.$ Если $x -$ произвольный вектор из $L_n,$ $X$ и $X’ -$ столбцы его координат в базисах $B$ и $B’$ соответственно то имеет место равенство $$X’=(T_{Brightarrow B’})^{-1}X$$ (формула преобразования координат при преобразовании базиса).

Примеры.

4.15. В постранстве $V_3$ заданы векторы $e_1’=i+j, $ $e_2’=i-j, $ $e_3’=-i+2j-k.$ Доказать, что система $B’=(e_1′, e_2′, e_3′)$ базис в $R_3 $ и написать матрицу перехода $T_{Brightarrow B’,}$ где $B=(e_1=i, e_2=j, e_3=k).$ Найти координаты вектора $x=i-2j+2k$ в базисе $B’.$

Решение.

Для того, чтобы показать, что система векторов $B’=(e_1′, e_2′, e_3′)$ базис в $R_3, $ достаточно показать, что эти вектора не компланарны.  

Из условия мы имеем $e_1’=i+j=(1, 1, 0),$ $e_2’=i-j=(1, -1, 0),$ $e_3’=-i+2j-k=(-1, 2, -1).$ Вектора $e_1′, e_2′, e_3’$ не компланарны, если $begin{vmatrix}1&1&0\1&-1&0\-1&2&-1end{vmatrix}neq 0.$ Проверим это:

$$begin{vmatrix}1&1&0\1&-1&0\-1&2&-1end{vmatrix}=begin{vmatrix}-1&0\2&-1end{vmatrix}-begin{vmatrix}1&0\-1&-1end{vmatrix}=1+1=2neq 0.$$ Следовательно, система $B’=(e_1′, e_2′, e_3′)$ является базисом в $R_3. $

Далее запишем матрицу перехода $T_{Brightarrow B’.}$

$T_{Brightarrow B’}=begin{pmatrix}t_{11}&…&t_{1n}\…&…&…\t_{n_1}&…&t_{nn}end{pmatrix}$ $k$-й столбец которой есть столбец $E’_k$ координат вектора $e’_k$ в базисе $B.$ То есть $$T_{Brightarrow B’}=begin{pmatrix}1&1&-1\1&-1&2\0&0&-1end{pmatrix}.$$

Теперь, пользуясь формулой $X’=(T_{Brightarrow B’})^{-1}X,$ найдем координаты вектора $x=i-2j+2k$ в базисе $B’.$ Здесь $(T_{Brightarrow B’})^{-1}=begin{pmatrix}1&1&-1\1&-1&2\0&0&-1end{pmatrix}^{-1},$ $X=begin{pmatrix}1\-2\2end{pmatrix}.$

Найдем обратную матрицу $(T_{Brightarrow B’})^{-1}:$

Обозначим $A=T_{Brightarrow B’}.$ Тогда $det A=2;$

$A_{11}=1;$         $A_{12}=1;$           $A_{13}=0;$ 

$A_{21}=1;$         $A_{22}=-1;$         $A_{23}=0;$ 

$A_{31}=1;$         $A_{32}=-3;$         $A_{33}=-2.$

Отсюда $A^*=begin{pmatrix}1&1&1\1&-1&-3\0&0&-2end{pmatrix};$ $A^{-1}=frac{1}{det A}A^*=frac{1}{2}begin{pmatrix}1&1&1\1&-1&-3\0&0&-2end{pmatrix}.$ 

Подставляя этот результат в формулу $X’=(T_{Brightarrow B’})^{-1}X,$ получаем:

$X’=frac{1}{2}begin{pmatrix}1&1&1\1&-1&-3\0&0&-2end{pmatrix}begin{pmatrix}1\-2\2end{pmatrix}=frac{1}{2}begin{pmatrix}1\-3\-4end{pmatrix}=begin{pmatrix}1/2\-3/2\-2end{pmatrix}.$

Ответ: $T_{Brightarrow B’}=begin{pmatrix}1&1&-1\1&-1&2\0&0&-1end{pmatrix};$   $X’=begin{pmatrix}1/2\-3/2\-2end{pmatrix}.$ 

 {jumi[*4]}

4.17. Пусть $B=(i, j, k)$ и $B’=(i’, j’, k’) -$ прямоугольные базисы в $R_3.$ Написать матрицу перехода $T_{Brightarrow B’},$ и выписать столбец координат вектора $x=i-2j+k$ в базисе $B’.$

Базис $B’$ получен перестановкой $i’=j,$ $j’=k,$ $k’=i.$

Решение.

Из условия мы имеем $e_1=i, e_2-j, e_3=k;$ $e_1’=j=(0, 1, 0),$ $e_2’=k=(0, 0, 1),$ $e_3’=i=(1, 0, 0).$

Таким образом, матрица перехода $$T_{Brightarrow B’}=begin{pmatrix}0&0&1\1&0&0\0&1&0end{pmatrix}.$$

Теперь, пользуясь формулой $X’=(T_{Brightarrow B’})^{-1}X,$ найдем координаты вектора $x=i-2j+2k$ в базисе $B’.$ Здесь $(T_{Brightarrow B’})^{-1}=begin{pmatrix}0&0&1\1&0&0\0&1&0end{pmatrix}^{-1},$ $X=begin{pmatrix}1\-2\1end{pmatrix}.$

 Найдем обратную матрицу $(T_{Brightarrow B’})^{-1}:$

Обозначим $A=T_{Brightarrow B’}.$ Тогда $det A=1;$

$A_{11}=0;$         $A_{12}=0;$           $A_{13}=1;$ 

$A_{21}=1;$         $A_{22}=0;$         $A_{23}=0;$ 

$A_{31}=0;$         $A_{32}=1;$         $A_{33}=0.$

Отсюда $A^*=begin{pmatrix}0&1&0\0&0&1\1&0&0end{pmatrix};$ $A^{-1}=frac{1}{det A}A^*=begin{pmatrix}0&1&0\0&0&1\1&0&0end{pmatrix}.$ 

Подставляя этот результат в формулу $X’=(T_{Brightarrow B’})^{-1}X,$ получаем:

$X’=begin{pmatrix}0&1&0\0&0&1\1&0&0end{pmatrix}begin{pmatrix}1\-2\1end{pmatrix}=begin{pmatrix}-2\1\1end{pmatrix}.$

Ответ: $T_{Brightarrow B’}=begin{pmatrix}0&0&1\1&0&0\0&1&0end{pmatrix};$   $X’=begin{pmatrix}-2\1\1end{pmatrix}.$

Домашнее задание.

Пусть $B=(i, j, k)$ и $B’=(i’, j’, k’) -$ прямоугольные базисы в $R_3.$ Написать матрицу перехода $T_{Brightarrow B’},$ и выписать столбец координат вектора $x=i-2j+k$ в базисе $B’.$

4.16. Базис $B’$ получен изменением на противоположное направление всех трех базисных ортов $B.$

Ответ: $T_{Brightarrow B’}=begin{pmatrix}-1&0&0\0&-1&0\0&0&-1end{pmatrix};$   $X’=begin{pmatrix}-1\2\-1end{pmatrix}.$

4.18. Базис $B’$ получен поворотом базиса $B$ на угол $varphi$ вокруг орта $i.$

Ответ: $T_{Brightarrow B’}=begin{pmatrix}1&0&0\0&cosvarphi&-sinvarphi\0&sinvarphi&cosvarphiend{pmatrix};$   $X’=begin{pmatrix}1\-2cosvarphi+sinvarphi\2sinvarphi+cosvarphiend{pmatrix}.$

Координаты вектора в базисе

В системе векторов a₁, a₂, a₃, a₄ найти любую подсистему векторов, которые образуют базис, разложить векторы по базису, перейти к другому базису, найти коэффициенты разложения векторов во втором базисе; в обоих случаях определить обратные матрицы, соответствующие векторам базиса. Правильность вычисления в каждом случае проверить с помощью умножения вектора слева на матрицу, обратную матрице вектора базиса.

Пример №2 . В системе векторов a₁, a₂, a₃, a₄ найти любую подсистему векторов, которые образуют базис, разложить векторы по базису, перейти к другому базису, найти коэффициенты разложения векторов во втором базисе; в обоих случаях определить обратные матрицы, соответствующие векторам базиса. Правильность вычисления в каждом случае проверить с помощью умножения вектора слева на матрицу, обратную матрице вектора базиса.
a₁=(1;5;3), a₂=(2;1;-1), a₃=(4;2;1), a₄=(17;13;4).

4.3.3 Формулы перехода от одного базиса к другому

Очевидно, что в одном и том же пространстве можно выбрать множество базисов. Пусть в выбрано два базиса и .

Векторы базиса могут быть выражены через векторы базиса :

(4)

Матрица называется матрицей перехода от базиса к базису . В ее столбцах записаны координаты векторов относительно базиса .

Соотношения (4) называются формулами перехода от базиса к базису . Их можно записать в матричной форме:

, отсюда .

Пусть вектор задан своими координатами относительно базиса – , а относительно базиса – . Тогда

и . (5)

Пример 4. Относительно базиса , , даны четыре вектора , , и . Векторы можно принять за базис в . Найти координаты вектора в базисе .

Решение. Матрица перехода от базиса к базису имеет вид . Обозначим координаты вектора в базисе через . Согласно формулам (5), имеем:

. Находим : ;

; ; ;

; ; ;

; ; ;

.

Проверка: ;

;

или .

Анал_Геом / Изменение координат вектора при изменении базиса

Пусть в -мерном линейном пространстве выбран базис , который мы будем для удобства называть «старый» и другой базис , который мы будем называть «новый». Возьмем призвольный вектор из . Его координатный столбец в старом базисе обозначим , а в новом — . Нам нужно выяснить, как связаны друг с другом координаты в старом и в новом базисе. Для этого нам сначала нужно «связать» друг с другом старый и новый базисы. Запишем разложения новых базисных векторов по старому базису

Составим матрицу, столбцами которой служат координатные столбцы векторов нового базиса

Эта матрица называется матрицей перехода от старого базиса к новому.

Замечание 18.1 Матрица перехода всегда невырождена, то есть .

Предложение 18.5 Координатные столбцы в старом базисе и в новом базисе связаны формулой

где справа стоит произведение матрицы перехода на матрицу-столбец.

Доказательство. Так как — координатный столбец вектора в новом базисе, то

Заменив векторы их разложениями по старому базису, получим

В силу предложения 14.3 изменим порядок суммирования

Здесь мы получили разложение вектора по старому базису, причем координата вектора с номером равна . Элемент с номером столбца будет иметь такой же вид. Следовательно, формула (18.1) доказана.

Пример 18.4 Пусть , то есть — трехмерное векторное пространство. Пусть задан ортонормированный базис i, j, k. Выберем другой (новый) базис

Возьмем вектор . Найдем его координаты в новом базисе.

Выпишем матрицу перехода, ее столбцы — это координаты новых базисных векторов

Пусть — координатный столбец вектора в новом базисе. Тогда

Найдем матрицу по формуле (14.14). Находим определитель

Находим алгебраические дополнения

Находим координаты вектора

Таким образом, новые координаты вектора : , , , .

Тот же самый результат можно было получить, записав формулу (18.2) в виде системы уравнений

Решив эту систему, например, методом Гаусса, найдем новые координаты , , .

Тут вы можете оставить комментарий к выбранному абзацу или сообщить об ошибке.

Пусть
в пространстве Rⁿ
заданы два базиса е₁,е₂,
…
,е_n
и f₁,
f₂,
f₃…,
f_n,
тогда каждый вектор из базиса f
можно разложить по базису e,
т.е.

Из
координатных столбцов векторов f_j
в базисе e

можно составить квадратную матрицу
порядка n.

,
которая называется, матрицей перехода
от базиса e
к базису f.

Она
является невырожденной, т.е. А0.
Значит, выражение
можно записать в матричном виде.
Умножая это равенство наТ^-1
справа, получаем

fT^-1=e
или e
= fT^-1,
т.е. Т^-1
– матрица перехода от базиса f
к базису e.

Пример
5.
Найти координаты вектора
в базисеесли он задан в базисе.

.

Решение.
При
переходе от базиса e
к базису f
координаты одного и того же вектора
связаны формулами:

,

,

где
T
матрица перехода, которая находится
из равенства f
= eT.

Здесь
.
Найдем определитель матрицы:

(формула
разложения определителя по третьей
строке).

Найдем
алгебраические дополнения к элементам
матрицы T
и обратную матрицу по формуле
:

.

Таким
образом, обратная матрица будет
и, следовательно,

.

Окончательно
имеем в базисе f:

.

Зависимость
между матрицами одного и того же оператора
в разных базисах выражается теоремой.

Теорема.
Матрицы
А
и
А^*
линейного оператора А(х)
в
базисах
е₁,е₂,
…
,е_n
и
f₁,
f₂,
f₃…,
f_n
связаны соотношением

A*
= Т^-1∙A∙Т_,

где
Т
— матрица перехода от старого базиса
к новому.

Пример
6.
В базисе e₁,
e₂
оператор А
имеет матрицу
.
Найти матрицу этого же оператора в новом
базисеf₁,
f₂
, где
.

Решение:
составим матрицу перехода (координаты
векторов нового базиса являются столбцами
матрицы перехода) т.е.
и найдем обратную матрицу Т^-1.
Т=5,
.

—
матрица оператора А
в новом базисе.

Пример
7. Найти
матрицу линейного преобразования
в базисеесли она задана в базисе

,

.

Решение.
При переходе
от базиса e
к базису f
матрица линейного преобразования, в
соответствии с определением, будет
иметь вид

,

где
T
матрица перехода, которая находится
из равенства f
= eT.

Здесь

.

Найдем
определитель матрицы:

(прибавили к
элементам второго и третьего столбца
соответствующие элементы первого
столбца и записали формулу разложения
определителя по первой строке).

Найдем
алгебраические дополнения к элементам
матрицы T
и обратную матрицу по формуле
:

.

Таким
образом, обратная матрица будет
и, следовательно,

.

Лекция
14. Собственные значения и собственные
векторы линейного оператора.

ЗАДАЧА.

Найти
собственные значения и собственные
векторы линейного преобразования,
заданного в некотором базисе матрицей

Определение
1.
Ненулевой
вектор X,
удовлетворяющий условию

AX=X
, (1)

называется
собственным вектором преобразования
A
. Число 
в равенстве (1) называется собственным
значением.

Из
определения следует, что
собственный вектор под действи­ем
линейного оператора А
переходит
в вектор, коллинеарный самому
себе, т.е. просто умножается на некоторое
число.
В то же время
несобственные векторы преобразуются
более сложным образом.
В связи с этим понятие собственного
вектора является очень
полезным и удобным при изучении многих
вопросов мат­ричной
алгебры и ее приложений.

Равенство
(1) записано в матричной форме: АХ
= Х,

где
X
—
матрица-столбец
из координат вектора х,
или
в разверну­том
виде

(1)

Перепишем
систему так, чтобы в правых частях были
нули:

(2)

Или
в матричном виде (А
— Е)
= 0.

Полученная
однородная система всегда имеет нулевое
реше­ние
х
=
0
= (0,0,…,0). Для существования ненулевого
решения необходимо
и достаточно, чтобы определитель системы
(2) был равен 0.

(3)

Определитель
|А
– ХЕ|
является
многочленом n-й
степени от­носительно
X.
Этот
многочлен называется характеристическим
многочленом
оператора А
или
матрицы А,
а
уравнение (3) —
характеристическим
уравнением оператора А
или
матрицы А.

Для
отыскания собственных векторов
необходимо:

1)
составить характеристическое уравнение
(3) и найти его корни ₁,
₂,
₃
т.е. собственные значения;

2)
составить систему (2), положив 
равным одному из найденных собственных
значений, например: 
= ₁,
и найти ненулевое решение
этой системы;

3)
записать вектор
который является собственным вектором
данного преобразования, соответствующим
собственному значению₁
;

4)
проделать шаги 2), 3) для 
= ₂
и

= ₃.

Следует
иметь в виду, что собственные векторы
определяются с точностью до произвольного
множителя, т.е. если вектор X
— собственный, то и вектор
— собственный.

Собственные
векторы, соответствующие различным
собственным значениям, линейно независимы.

Если
линейное преобразование имеет S
одинаковых собственных чисел ₀
, то говорят, что ₀
имеет кратность S.
Тогда ему соответствует не более S
линейно независимых собственных
векторов.

Пример
1. Найти
собственные значения и собственные
векторы линейного преобразования,
заданного в некотором базисе матрицей

.

РЕШЕНИЕ.

1. Запишем
   характеристическое уравнение данного
   линейного преобразования и найдем его
   корни:

Чтобы
решить это уравнение, необходимо раскрыть
определитель. Для этого рекомендуется
разложить определитель по элементам
некоторой строки (столбца), предварительно
получив в этой строке (столбце) два нуля,
используя свойства определителей. В
нашем случае сначала к первой строке
прибавим вторую, получим

Теперь
ко второму столбцу прибавим первый,
умноженный на (-1):

Раскладывая
этот определитель по элементам первой
строки, получаем:

или

Корнями
этого уравнения являются три числа,
₁
= -2, ₂
= 3, ₃
= 6.

1. В
   системе (2) положим 
   = ₁
   = -2, тогда она примет вид:

Здесь
первые два уравнения тождественны,
поэтому одно из них можно отбросить

Применяя
метод Гаусса, найдем общее решение этой
системы:

1. Следовательно,
   первым собственным вектором,
   соответствующим 
   = -2, является X₁
   = (p₁
   , p₁
   , 0) = p₁
   (1,1,0), p₁
   
   0.

Меняя
p₁
,будем получать различные векторы,
лежащие на одной прямой. Все они
собственные.

1. Аналогично
   поступаем с собственными значениями
   ₂
   = 3, ₃
   =
   6, т.е. находим соответствующие им
   собственные векторы

X₂
= p₂(1
, -1 , 1); p₂

0, (₂
= 3);

X₃
= p₃(1
, -1 , -2); p₃

0, (₃
= 6).

Собственные
вектора X₁,
X₂,
X₃
определены с точностью до произвольных
чисел p₁
, p₂
, p₃
.

Пример
2.
Найти собственные значения и собственные
векторы линейного преобразования,
заданного в некотором базисе матрицей

.

РЕШЕНИЕ

1. Характеристическое
   уравнение данного преобразования имеет
   вид

.

Корни
этого уравнения ₁
= ₂
= -1,
₃
= 5 являются собственными значениями.

1. Чтобы
   найти собственный вектор, соответствующий
   ₁
   = ₂
   = -1, полагаем в системе (2) 
   =
   -1. Получим

Все
три уравнения тождественны, поэтому
два из них могут быть отброшены. Оставшееся
уравнение

содержит три неизвестные. Полагая
=p₁
,
=p₂
, находим

= -p₁
– p₂
.

1. Вектор
   X₁
   = (-p₁
   – p₂
   , p₁
   , p₂
   ), где p₁
   и p₂
   — любые числа, одновременно не равные
   нулю, является собственным вектором
   линейного преобразования, соответствующим
   ₁
   = ₂
   = -1.

2. Аналогично
   находим, что вектор X₂
   = p₃(1,
   1, 1) является собственным вектором
   данного преобразования, соответствующим
   ₃=5.

Пример
3.
Найти собственные значения и собственные
векторы линейного преобразования,
заданного в некотором базисе матрицей

.

РЕШЕНИЕ.

1. Характеристическое
   уравнение данного преобразования

.

Корни
этого уравнения ₁
= ₂
= ₃
= 1 являются собственными значениями.

1. Полагаем
   в системе (2)
   
   = 1:

.

Все
три уравнения тождественны, поэтому,
отбросив два из них, имеем

.

Полагая
,
находим
.

1. Вектор
   X
   = (5q
   – 2p;
   p;
   q),
   где p,
   q
   — любые числа, одновременно не равные
   нулю, является собственным вектором
   данного линейного преобразования.

Пример4. Найти собственные
значения и собственные векторы
преобразования,
заданного в некотором базисе матрицей.

Решение.
Найдем
собственные числа этой матрицы, для
чего составим и решим характеристическое
уравнение:

Приравняв к нулю это выражение, находим:

Находим
собственные векторы, соответствующие
найденным собственным значениям, для
чего при каждом
составляем и решаем систему:

а)
при
,
получаем

что
равносильно системе (здесь
)

,

полагая
в которой, например,
,находим,таким образом, собственный вектор,
соответствующий собственному значению
3 есть

б)
при
,
получаем

что
равносильно уравнению (здесь
):,

полагая
в котором сначала,
,а затем
получаем еще два линейно независимых
собственных вектора:

.

Лекция
15. Привидение квадратной матрицы к
диагональному виду.

Наиболее
простой вид принимает матрица А
линейного
опера­тора
А,
имеющего
n
линейно
независимых собственных векто­ров
e_l,e₂,…,e_n
с
собственными значениями, соответственно
рав­ными
₁,
₂,
₃,
… _n.
Векторы е₁,
е₂,
… , e_n
примем
за базисные.
Тогда
A(e_i)
= _ie_i
(i
= 1,2,…,
n)
или

A(е_i)
=
a_1ie₁
+ a_2ie₂
+
… + a_iie_i
+
… +
a_nie_n
=
_ie_i,

откуда
a_ij
= 0,
если i

j,
и
а_ij
= _i,
если i
= j.
Таким
образом,
матрица
оператора А
в базисе, состоящем из его собственных
векторов,
является диагональной и
имеет вид:

.

Верно
и обратное: если
матрица А
линейного оператора А
в не­котором базисе является
диагональной,
то все векторы
этого бази­са — собственные векторы
оператора А.

Можно
доказать, что если линейный
оператор имеет n
попарно различных
собственных значений, то отвечающие им
собственные векторы линейно независимы,
и матрица этого оператора в соот­ветствующем
базисе имеет диагональный вид.

Пример
1.
Привести
матрицу А
=

линейного опера­тора
А
к
диагональному виду.

Решение.
Найдём собственные значения и
собственные векторы линейного оператора
А,
заданного матрицей
.

Составляем
характеристическое уравнение

или
²
—
2
— 35
= 0 ,
откуда
собственные значения линейного оператора
А
₁
= -5,
₂
= 7.

Находим
собственный вектор х⁽¹⁾
= (х₁,
х₂),
соответствующий собственному
значению ₁
= -5.
Для
этого решаем матричное уравнение

или

,

откуда
находим х₂
=
-1,5х₁.
Положив
х₁
= с,
получим,
что векто­ры
х⁽¹⁾
= (с; -1,5с)
при любом с

0
являются собственными
векторами
линейного оператора А
с
собственным значением
₁
=
-5.

Аналогично
можно убедиться в том, что векторы х⁽²⁾
=

при
любом с₁

0
являются собственными векторами
линейного
оператора
А
с
собственным значением ₂
= 7
.

Так
как координаты
векторов х^(1
)и
x⁽²⁾
не пропорциональны, то векторы х⁽¹⁾
и х⁽²⁾
линейно
независимы. Поэтому в базисе, состоящем
из любых
пар собственных векторов x⁽¹⁾
= (с; -1,5с)
и х⁽²⁾
=

(т.е.
при любых с0,
c₁

0,
например, при с
= 2,
c₁
= 6 из век­торов
x⁽¹⁾
= (2; — 3) и х^{2)
= (4;
6) и т.д.) матрица А
будет
иметь диагональный
вид:

или
.

Это
легко проверить, взяв, например, в
качестве нового базиса линейно
независимые собственные векторы х⁽¹⁾
= (2; — 3) и x⁽²⁾
=
(4; 6). Действительно, матрица С
перехода от старого бази­са
к новому в этом случае будет иметь
вид C
= (x⁽¹⁾,
x⁽²⁾)
=
.
Тогда
матрица А
в
новом
базисе х⁽¹⁾,
x⁽²⁾
примет вид:
.

Или
после вычислений
,
т.е.
получим ту же диагональную матрицу,
элементы которой по главной диагонали
равны собственным значениям матрицы
А.

Пример2.Пусть линейный оператор,
действующий в евклидовом пространстве
,
имеет в ортонормированном базисе матрицу.
Построить в этом векторов пространстве
базис из собственных оператораи найти матрицу операторав этом базисе.

.

Решение.
1)
Найдем
собственные числа оператора
,
для чего составим и решим характеристическое
уравнение:

Приравняв
к нулю, находим:

2)
Находим собственные векторы, соответствующие
найденным собственным значениям, для
чего при каждом
составляем и решаем систему:

а)
при
,
получаем

что
равносильно системе (здесь
)

,

полагая
в которой, например,
,
находим
,
таким образом, собственный вектор,
соответствующий собственному значению
9 есть

б) при
,получаем,

что
равносильно уравнению (здесь
)

,

полагая
в котором сначала,
,а затем
получаем еще два линейно независимых
собственных вектора:

.

3)
Находим матрицу перехода к базису из
собственных векторов и обратную к ней
(столбцами матрицы перехода являются
координатные столбцы векторов

(см. раздел
1)):

.

4)
Теперь по формуле (5.1) находим

– матрицу
линейного оператора в базисе из
собственных векторов

Таким образом,
матрица линейного оператора в базисе
из собственных векторов диагональная!

Лекция
16.

Квадратичные формы.

При
решении различных прикладных задач
часто приходится исследовать квадратичные
формы.

Определение
1.
Квадратичной
формой
L(х₁,х₂,…,х_n)
от n
пере­менных
называется сумма, каждый член которой
является либо квадратом
одной из переменных, либо произведением
двух разных переменных,
взятых с некоторым коэффициентом:

L(х₁,
х₂,…,х_n)
=
.

Определение
2. Предполагаем,
что коэффициенты квадратичной формы
a_ij
— действительные
числа, причем a_ij
= a_ji.
Матрица А
=
(а_ij)
(i,
j
=
1, 2, …, n),
составленная
из этих коэффициентов, называется
матрицей
квадратичной формы.

Определение
3. Матрица,
у которой все элементы а_ij
= а_ji
,
называется симметрической.

В
матричной записи квадратичная форма
имеет вид:
L
=
Х^ТАХ,

где
X

—
матрица-столбец переменных.

или .

Пример
1.
Дана
квадратичная форма L(x₁,
х₂,
х₃)
= 4х₁²
—
12х₁х₂
— 10х₁х₃
+ х₂²
—
3x₃².
Записать
ее в матричном виде.

Решение.
Найдем матрицу квадратичной формы. Ее
диа­гональные
элементы равны коэффициентам при
квадратах пере­менных,
т.е. 4, 1, —3, а другие элементы — половинам
соответст­вующих
коэффициентов квадратичной формы.
Поэтому

_►

Выясним,
как изменяется квадратичная форма при
невырож­денном линейном преобразовании
переменных.

Пусть
матрицы-столбцы переменных X
=
(х₁,х₂,…,х_n)^Т
и

Y
= (y₁,y₂,
… ,y_n)^Т
связаны
линейным соотношением X
= CY,
где
С
= (c_ij)

(i,j
= 1,2,…,n)
есть некоторая невырожденная матрица
n-го
порядка.

Тогда
квадратичная форма

L
=
Х^ТАХ
= (CY)^ТA(CY)
= (Y^ТC^Т)A(CY)
=
Y^Т(C^Т
AC)Y.

Итак,
при
невырожденном линейном преобразовании
X
= CY
матрица
квадратичной формы принимает вид:
.

Пример
2.
Дана
квадратичная форма L(х₁,
х₂)
= 2x₁²
+
4x₁x₂
— 3x₂².
Найти квадратичную форму L(y₁,
y₂),
полученную из
данной линейным преобразованием х₁
= 2y₁
– 3y₂,
x₂
= y₁
+ y₂.

Решение.
Матрица
данной квадратичной формы
,
а матрица линейного преобразования С
=.

Следовательно,
матрицу искомой квадратичной формы
находим по формуле:

,

Значит
квадратичная форма имеет вид L(y₁,
y₂)
=
13y₁²
—
34у₁у₂
+ 3у₂².
►

Определение
4. Квадратичная
форма L
=
называется
канонической
(или
имеет канонический
вид), если
все ее коэффициенты а_ij
=
0 при i

j:
L
= a₁₁x₁²
+ a₂₂x₂²
+ … + a_nnx_n²
=
,а
ее матрица является диагональной.

Справедлива
следующая теорема.

Теорема.
Любая
квадратичная форма с помощью невырожден­ного
линейного преобразования переменных
может быть приведена к каноническому
виду.

Для
всякой квадратичной формы существует
такой базис, в котором она имеет
канонический (и даже нормальный) вид.

Познакомимся
с методами приведения квадратичной
формы к каноническому виду: метод
Лагранжа выделения полных квадратов и
методом собственных векторов.

Пример
3.
Найти ортогональное преобразование,
приводящее квадратичную форму
,
заданную в евклидовом пространстве,
к каноническому виду. Написать этот
канонический вид.

Решение:
матрица квадратичной формы имеет вид
.
Найдем собственные числа этой матрицы:.
Соответственно ортонормированные
собственные векторы:

Следовательно,
в базисе из этих векторов, заданная
квадратичная форма имеет вид
,

где
соответствующие преобразования координат
имеют вид:
_►

Канонический
вид квадратичной формы не является
одно­значно
определенным, так как одна и та же
квадратичная форма может
быть приведена к каноническому виду
многими способа­ми. Однако полученные
различными способами канонические
формы
обладают рядом общих свойств. Одно из
этих свойств сформулируем в виде теоремы.

Теорема
(закон инерции квадратичных форм).
Число
слагаемых с
положительными (отрицательными)
коэффициентами квадратич­ной
формы не зависит от способа приведения
формы к этому виду.

Следует
отметить, что ранг
матрицы квадратичной формы, на­зываемый
рангом квадратичной формы, равен
числу отличных от нуля
коэффициентов канонической формы и не
меняется при линей­ных
преобразованиях.

Лекция
17. Итоговое тестирование.

Лекция
18. Резерв.

Лекция
0. Входная контрольная работа за курс
средней школы.

Алгоритм нахождения базиса системы векторов

Для того чтобы найти базис системы векторов A_v А₂. А , необходимо:

1) составить соответствующую системе векторов однородную систему уравнений

2) привести эту систему к равносильной разрешенной системе вида

• 3) записать базис системы векторов Б = (А_рА₂, . А ), включив в него векторы, соответствующие разрешенным неизвестным;
• 4) записать разложения векторов по базису; коэффициентами разложения вектора А. по этому базису являются координаты соответствующего вектора

в разрешенной системе уравнений, т.е.

Система векторов, состоящая из п векторов, ранг которой равен г, может иметь несколько базисов. Число возможных базисов системы векторов определяется как число меньшее или равное числу сочетаний из п по г.

Пример 3.3. Найти ранг и базис системы векторов

разложения векторов по базису, перейти к новому базису и найти число возможных базисов системы.

Решение. Составим систему уравнений A _t ay + А₂х₂ + . + А„х_п = 0, которая в координатной записи имеет вид

Приведение данной системы уравнений с помощью преобразований Жордана к равносильной разрешенной приведено в ниже следующей таблице.

Разрешенная система имеет вид

В базис системы векторов включаем 1-й и 2-й векторы Б_: = (A_VA₂), которые соответствуют разрешенным неизвестным х₁ и х₂. Ранг системы векторов равен числу векторов, вошедших в базис, т.е. г = 2.

Запишем разложения векторов по базису. Коэффициентами разложения вектора А₃ являются координаты вектора А’₃ = (3, -2), т.е. коэффициенты при х₃ в разрешенной системе уравнений (в последних трех строках таблицы), они образуют столбец, расположенный под х₃ А₃ = ЗЛ₁ — 2А_г Аналогично, коэффициентами разложения вектора А₄ являются координаты вектора А’₄ = (4, 1) А₄ = 4А_у + 1 А_т

Для нахождения нового базиса необходимо выбрать новый разрешающий элемент. Пусть этим элементом будет элемент я₉₄ = 1.

Как найти базис данной системы векторов

Определение базиса.Система векторов образует базис, если:

1) она линейно-независима,

2) любой вектор пространства через нее линейно выражается.

Пример 1.Базис пространства : .

2. В системе векторов базисом являются векторы: , т.к. линейно выражается через векторы .

Замечание.Чтобы найти базис данной системы векторов необходимо:

1) записать координаты векторов в матрицу,

2) с помощью элементарных преобразований привести матрицу к треугольному виду,

3) ненулевые строки матрицы будут являться базисом системы,

4) количество векторов в базисе равно рангу матрицы.

Теорема Кронекера-Капелли

Теорема Кронеккера–Капелли дает исчерпывающий ответ на вопрос о совместности произвольной системы линейных уравнений с неизвестными

Теорема Кронеккера–Капелли. Система линейных алгебраических урав­нений совместна тогда и только тогда, когда ранг расширенной матрицы системы равен рангу основной матрицы, .

Алгоритм отыскания всех решений совместной системы линейных уравнений вытекает из теоремы Кронеккера–Капелли и следующих теорем.

Теорема. Если ранг совместной системы равен числу неизвестных, то система имеет единственное решение.

Теорема. Если ранг совместной системы меньше числа неизвестных, то система имеет бесчисленное множество решений.

Алгоритм решения произвольной системы линейных уравнений:

1. Найдем ранги основной и расширенной матриц системы. Если они не равны ( ), то система несовместна (не имеет решений). Если ранги равны ( , то система совместна.

2. Для совместной системы найдем какой-нибудь минор, порядок которого определяет ранг матрицы (такой минор называют базисным). Составим новую систему из уравнений, в которых коэффициенты при неизвестных, входят в базисный минор (эти неизвестные называют главными неизвестными), остальные уравнения отбросим. Главные неизвестные с коэффициентами оставим слева, а остальные неизвестных (их называют свободными неизвестными) перенесем в правую часть уравнений.

3. Найдем выражения главных неизвестных через свободные. Получаем общее решение системы.

4. Придавая свободным неизвестным произвольные значения, получим соответствующие значения главных неизвестных. Таким образомнаходим частные решения исходной системы уравнений.

Линейное программирование. Основные понятия

Линейное программирование – это направление математического программирования, изучающее методы решения экстремальных задач, которые характеризуются линейной зависимостью между переменными и линейным критерием.

Необходимым условием постановки задачи линейного программирования являются ограничения на наличие ресурсов, величину спроса, производственную мощность предприятия и другие производственные факторы.

Сущность линейного программирования состоит в нахождении точек наибольшего или наименьшего значения некоторой функции при определенном наборе ограничений, налагаемых на аргументы и образующихсистему ограничений, которая имеет, как правило, бесконечное множество решений. Каждая совокупность значений переменных (аргументов функции F), которые удовлетворяют системе ограничений, называетсядопустимым планом задачи линейного программирования. Функция F, максимум или минимум которой определяется, называется целевой функцией задачи. Допустимый план, на котором достигается максимум или минимум функции F, называется оптимальным планом задачи.

Система ограничений, определяющая множество планов, диктуется условиями производства. Задачей линейного программирования (ЗЛП) является выбор из множества допустимых планов наиболее выгодного (оптимального).

В общей постановке задача линейного программирования выглядит следующим образом:

Имеются какие-то переменные х = (х₁ , х₂ , … х_n ) и функция этих переменных f(x) = f (х₁ , х₂ , … х_n ), которая носит название целевой функции. Ставится задача: найти экстремум (максимум или минимум) целевой функции f(x) при условии, что переменные x принадлежат некоторой области G:

В зависимости от вида функции f(x) и области G и различают разделы математического программирования: квадратичное программирование, выпуклое программирование, целочисленное программирование и т.д. Линейное программирование характеризуется тем, что
а) функция f(x) является линейной функцией переменных х₁ , х₂ , … х_n
б) область G определяется системой линейных равенств или неравенств.

Математическая модель любой задачи линейного программирования включает в себя:

Векторное пространство: размерность и базис, разложение вектора по базису

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.

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 )

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 ) .