1、向量性质
n维向量可以表示为
V
⃗
=
⟨
V
1
,
V
2
,
⋯
,
V
n
⟩
\vec{V} = \langle V_1,V_2,\cdots,V_n \rangle
V=⟨V1,V2,⋯,Vn⟩
数值
V
i
V_i
Vi被称为向量
V
⃗
\vec{V}
V的分量。向量
V
⃗
\vec{V}
V也可表示成仅有一列n行的矩阵:
V
⃗
=
[
V
1
V
2
⋮
V
n
]
\vec{V} = \begin {bmatrix} V_1 \\V_2 \\ \vdots \\ V_n \\ \end {bmatrix}
V=⎣⎢⎢⎢⎡V1V2⋮Vn⎦⎥⎥⎥⎤
向量通常表示为这两种形式之一,但有时需要表示为一行n列的行向量形式,行向量表示成相应列向量的转置:
V
⃗
T
=
⟨
V
1
,
V
2
,
⋯
,
V
n
⟩
\vec{V}^T = \langle V_1,V_2,\cdots,V_n \rangle
VT=⟨V1,V2,⋯,Vn⟩
向量可以乘以一个标量变成一个新的向量,标量a与向量
V
⃗
\vec{V}
V的乘积定义如下:
a
V
⃗
=
V
⃗
a
=
⟨
a
V
1
,
a
V
2
,
⋯
,
a
V
n
⟩
a\vec{V} = \vec{V}a = \langle aV_1,aV_2,\cdots,aV_n \rangle
aV=Va=⟨aV1,aV2,⋯,aVn⟩
当
a
=
−
1
a=-1
a=−1时,用简化符号
−
V
⃗
-\vec{V}
−V表示向量
V
⃗
\vec{V}
V的反向量。
向量加减法:
P
⃗
+
Q
⃗
=
⟨
P
1
+
Q
1
,
P
2
+
Q
2
,
⋯
,
P
n
+
Q
n
⟩
\vec{P} + \vec{Q} = \langle P_1 + Q_1,P_2 + Q_2,\cdots,P_n + Q_n \rangle
P+Q=⟨P1+Q1,P2+Q2,⋯,Pn+Qn⟩
给定任意两个标量a和b,三个向量
P
⃗
、
Q
⃗
、
R
⃗
\vec{P}、\vec{Q}、\vec{R}
P、Q、R,以下性质成立。
(a)
P
⃗
+
Q
⃗
=
Q
⃗
+
P
⃗
\vec{P} + \vec{Q} = \vec{Q} + \vec{P}
P+Q=Q+P
(b)
(
P
⃗
+
Q
⃗
)
+
R
⃗
=
P
⃗
+
(
Q
⃗
+
R
⃗
)
(\vec{P} + \vec{Q}) + \vec{R} = \vec{P} + (\vec{Q} + \vec{R})
(P+Q)+R=P+(Q+R)
©
(
a
b
)
P
⃗
=
a
(
b
P
⃗
)
(ab)\vec{P} = a(b\vec{P})
(ab)P=a(bP)
(d)
a
(
P
⃗
+
Q
⃗
)
=
a
P
⃗
+
a
Q
⃗
a(\vec{P} + \vec{Q}) = a\vec{P} + a\vec{Q}
a(P+Q)=aP+aQ
(e)
(
a
+
b
)
P
⃗
=
a
P
⃗
+
b
P
⃗
(a + b)\vec{P} = a\vec{P} + b\vec{P}
(a+b)P=aP+bP
n维向量
V
⃗
\vec{V}
V的绝对值是一个标量,用
∣
∣
V
⃗
∣
∣
|| \vec{V} ||
∣∣V∣∣表示,计算公式如下:
∣
∣
V
⃗
∣
∣
=
∑
i
=
1
n
V
i
2
|| \vec{V} || = \sqrt {\sum_{i=1}^{n}V_i^2}
∣∣V∣∣=i=1∑nVi2
给定任意标量a和任意两个向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q,以下性质成立。
(a)
∣
∣
P
⃗
∣
∣
≥
0
|| \vec{P} || \geq 0
∣∣P∣∣≥0
(b) 当且仅当
P
⃗
=
⟨
0
,
0
,
⋯
,
0
⟩
,
∣
∣
P
⃗
∣
∣
=
0
\vec{P} = \langle 0,0,\cdots,0 \rangle,||\vec{P}|| = 0
P=⟨0,0,⋯,0⟩,∣∣P∣∣=0
(d)
∣
∣
P
⃗
+
Q
⃗
∣
∣
≤
∣
∣
P
⃗
∣
∣
+
∣
∣
Q
⃗
∣
∣
||\vec{P} + \vec{Q}|| \leq ||\vec{P}|| + ||\vec{Q}||
∣∣P+Q∣∣≤∣∣P∣∣+∣∣Q∣∣
2、内积和外积
两个向量的内积也被称为向量的点积或者标量积,内积可用来计算两个向量的方向差。
两个n维向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q的内积可以表示为
P
⃗
⋅
Q
⃗
\vec{P}\cdot\vec{Q}
P⋅Q,是一个标量。计算公式如下:
P
⃗
⋅
Q
⃗
=
∑
i
=
1
n
P
i
Q
i
\vec{P}\cdot\vec{Q} = \sum_{i=1}^{n} P_iQ_i
P⋅Q=i=1∑nPiQi
给定任意两个n维向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q,内积
P
⃗
⋅
Q
⃗
\vec{P}\cdot\vec{Q}
P⋅Q满足以下等式。
P
⃗
⋅
Q
⃗
=
∣
∣
P
⃗
∣
∣
∣
∣
Q
⃗
∣
∣
c
o
s
α
\vec{P}\cdot\vec{Q} = ||\vec{P}||\space||\vec{Q}||cos\alpha
P⋅Q=∣∣P∣∣ ∣∣Q∣∣cosα
其中
α
\alpha
α是坐标原点分别与向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q对应的点之间连线的夹角。
给定任意标量a和任意三个向量
P
⃗
\vec{P}
P、
Q
⃗
\vec{Q}
Q和
R
⃗
\vec{R}
R,向量内积具有以下性质。
(a)
P
⃗
⋅
Q
⃗
=
Q
⃗
⋅
P
⃗
\vec{P}\cdot\vec{Q} = \vec{Q}\cdot\vec{P}
P⋅Q=Q⋅P
(b)
(
a
P
⃗
)
⋅
Q
⃗
=
a
(
P
⃗
⋅
Q
⃗
)
(a\vec{P})\cdot\vec{Q} = a(\vec{P}\cdot\vec{Q})
(aP)⋅Q=a(P⋅Q)
©
P
⃗
⋅
(
Q
⃗
+
R
⃗
)
=
P
⃗
⋅
Q
⃗
+
P
⃗
⋅
R
⃗
\vec{P}\cdot(\vec{Q} + \vec{R}) = \vec{P}\cdot\vec{Q} + \vec{P}\cdot\vec{R}
P⋅(Q+R)=P⋅Q+P⋅R
(d)
P
⃗
⋅
P
⃗
=
∣
∣
P
⃗
∣
∣
2
\vec{P}\cdot\vec{P} = ||\vec{P}||^2
P⋅P=∣∣P∣∣2
(e)
∣
P
⃗
⋅
Q
⃗
∣
≤
∣
∣
P
⃗
∣
∣
∣
∣
Q
⃗
∣
∣
|\vec{P}\cdot\vec{Q}|\leq||\vec{P}||\space||\vec{Q}||
∣P⋅Q∣≤∣∣P∣∣ ∣∣Q∣∣
向量
P
⃗
\vec{P}
P在向量
Q
⃗
\vec{Q}
Q上的投影
p
r
o
j
Q
P
⃗
=
P
⃗
⋅
Q
⃗
∣
∣
Q
⃗
∣
∣
2
Q
⃗
proj_Q\vec{P}=\frac{\vec{P}\cdot\vec{Q}}{||\vec{Q}||^2}\vec{Q}
projQP=∣∣Q∣∣2P⋅QQ
向量
P
⃗
\vec{P}
P相对于向量
Q
⃗
\vec{Q}
Q的垂直分量可表示为
p
e
r
p
Q
P
⃗
=
P
⃗
−
P
⃗
⋅
Q
⃗
∣
∣
Q
⃗
∣
∣
2
Q
⃗
perp_Q\vec{P}=\vec{P}-\frac{\vec{P}\cdot\vec{Q}}{||\vec{Q}||^2}\vec{Q}
perpQP=P−∣∣Q∣∣2P⋅QQ
两个三维向量的外积也称为向量积,两个向量的外积可以产生一个与这两个向量都垂直的新向量。
给定两个三维向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q,它们的外积可写为
P
⃗
×
Q
⃗
\vec{P}\times\vec{Q}
P×Q,其结果也为一个向量:
P
⃗
×
Q
⃗
=
⟨
P
y
Q
z
−
P
z
Q
y
,
P
z
Q
x
−
P
x
Q
z
,
P
x
Q
y
−
P
y
Q
x
⟩
\vec{P}\times\vec{Q}=\langle P_yQ_z-P_zQ_y,P_zQ_x-P_xQ_z,P_xQ_y-P_yQ_x\rangle
P×Q=⟨PyQz−PzQy,PzQx−PxQz,PxQy−PyQx⟩
令两个向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q为三维向量,则
(
P
⃗
×
Q
⃗
)
⋅
P
⃗
=
0
(\vec{P}\times\vec{Q})\cdot\vec{P}=0
(P×Q)⋅P=0,而且
(
P
⃗
×
Q
⃗
)
⋅
Q
⃗
=
0
(\vec{P}\times\vec{Q})\cdot\vec{Q}=0
(P×Q)⋅Q=0。
给定两个三维向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q,外积
P
⃗
×
Q
⃗
\vec{P}\times\vec{Q}
P×Q满足一下方程:
∣
∣
P
⃗
×
Q
⃗
∣
∣
=
∣
∣
P
⃗
∣
∣
∣
∣
Q
⃗
∣
∣
s
i
n
α
||\vec{P}\times\vec{Q}||=||\vec{P}||\space||\vec{Q}||sin\alpha
∣∣P×Q∣∣=∣∣P∣∣ ∣∣Q∣∣sinα
以上公式计算出的两个向量的外积的大小等于平行四边形的面积,该平行四边形的两个邻边分别是两个向量
P
⃗
\vec{P}
P和向量
Q
⃗
\vec{Q}
Q,继而可得出,有三个顶点
V
1
⃗
\vec{V_1}
V1、
V
2
⃗
\vec{V_2}
V2和
V
3
⃗
\vec{V_3}
V3组成的任意三角形的面积A可由以下公式计算:
A
=
1
2
∣
∣
(
V
2
⃗
−
V
1
⃗
)
×
(
V
3
⃗
−
V
1
⃗
)
∣
∣
A = \frac{1}{2}||(\vec{V_2}-\vec{V_1})\times(\vec{V_3}-\vec{V_1})||
A=21∣∣(V2−V1)×(V3−V1)∣∣
规定向量外积得到的新向量遵循右手定律,右手手指的方向与向量
P
⃗
\vec{P}
P的方向对齐,手掌朝向向量
Q
⃗
\vec{Q}
Q的方向,则拇指所指的方向就是向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q的外积
P
⃗
×
Q
⃗
\vec{P}\times\vec{Q}
P×Q的方向。
给定任意两个标量a和b以及任意3个三维向量
P
⃗
\vec{P}
P、
Q
⃗
\vec{Q}
Q和
R
⃗
\vec{R}
R,向量外积具有以下性质。
(a)
Q
⃗
×
P
⃗
=
−
(
P
⃗
×
Q
⃗
)
\vec{Q}\times\vec{P} = -(\vec{P}\times\vec{Q})
Q×P=−(P×Q)
(b)
(
a
P
⃗
)
×
Q
⃗
=
a
(
P
⃗
×
Q
⃗
)
(a\vec{P})\times\vec{Q} = a(\vec{P}\times\vec{Q})
(aP)×Q=a(P×Q)
©
P
⃗
×
(
Q
⃗
+
R
⃗
)
=
P
⃗
×
Q
⃗
+
P
⃗
×
R
⃗
\vec{P}\times(\vec{Q} + \vec{R}) = \vec{P}\times\vec{Q} + \vec{P}\times\vec{R}
P×(Q+R)=P×Q+P×R
(d)
P
⃗
×
P
⃗
=
0
⃗
=
⟨
0
,
0
,
0
⟩
\vec{P}\times\vec{P} = \vec{0} = \langle0,0,0\rangle
P×P=0=⟨0,0,0⟩
(e)
(
P
⃗
×
Q
⃗
)
⋅
R
⃗
=
(
R
⃗
×
P
⃗
)
⋅
Q
⃗
=
(
Q
⃗
×
R
⃗
)
⋅
P
⃗
(\vec{P}\times\vec{Q})\cdot\vec{R}=(\vec{R}\times\vec{P})\cdot\vec{Q}=(\vec{Q}\times\vec{R})\cdot\vec{P}
(P×Q)⋅R=(R×P)⋅Q=(Q×R)⋅P
(f)
P
⃗
×
(
Q
⃗
×
P
⃗
)
=
P
⃗
×
Q
⃗
×
P
⃗
=
P
⃗
2
Q
⃗
−
(
P
⃗
⋅
Q
⃗
)
P
⃗
\vec{P}\times(\vec{Q}\times\vec{P})=\vec{P}\times\vec{Q}\times\vec{P}=\vec{P}^2\vec{Q}-(\vec{P}\cdot\vec{Q})\vec{P}
P×(Q×P)=P×Q×P=P2Q−(P⋅Q)P
3、向量空间
向量空间是一个集合V,该集合的元素都是向量,定义了加法和标量乘法,则以下性质成立。
(a)集合V对加法运算封闭,即集合V中的任意向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q,它们的和
P
⃗
+
Q
⃗
\vec{P}+\vec{Q}
P+Q也是集合V的向量。
(b)集合V对标量乘法运算封闭,即对于任意实数a和集合V中的任意向量
P
⃗
\vec{P}
P,它们的积
a
P
⃗
a\vec{P}
aP也是集合V的向量。
(c)集合V中存在
0
⃗
\vec{0}
0向量,对于集合V中的任意向量
P
⃗
\vec{P}
P,
P
⃗
+
0
⃗
=
0
⃗
+
P
⃗
=
P
⃗
\vec{P}+\vec{0}=\vec{0}+\vec{P}=\vec{P}
P+0=0+P=P成立。
(d)对于集合V中的任意向量
P
⃗
\vec{P}
P,集合V中存在向量
Q
⃗
\vec{Q}
Q,使
P
⃗
+
Q
⃗
=
0
⃗
\vec{P}+\vec{Q}=\vec{0}
P+Q=0成立。
(e)集合V中的向量满足结合律,即对于集合V中的任意向量
P
⃗
\vec{P}
P、
Q
⃗
\vec{Q}
Q和
R
⃗
\vec{R}
R,
(
P
⃗
+
Q
⃗
)
+
R
⃗
=
P
⃗
+
(
Q
⃗
+
R
⃗
)
(\vec{P}+\vec{Q})+\vec{R}=\vec{P}+(\vec{Q}+\vec{R})
(P+Q)+R=P+(Q+R)成立。
(f)标量乘法满足结合律,即对于任意实数a和b,以及集合V中的任意向量
P
⃗
\vec{P}
P,
(
a
b
)
P
⃗
=
a
(
b
P
⃗
)
(ab)\vec{P}=a(b\vec{P})
(ab)P=a(bP)成立。
(g)标量与向量和的乘法满足分配律,即对于任意实数a,以及集合V中的任意向量
P
⃗
\vec{P}
P和
Q
⃗
\vec{Q}
Q,
a
(
P
⃗
+
Q
⃗
)
=
a
P
⃗
+
a
Q
⃗
a(\vec{P}+\vec{Q})=a\vec{P}+a\vec{Q}
a(P+Q)=aP+aQ成立。
(h)标量和与向量的乘法满足分配律,即对于任意实数a和b,以及集合V中的任意向量
P
⃗
\vec{P}
P,
a
(
P
⃗
+
Q
⃗
)
=
a
P
⃗
+
a
Q
⃗
a(\vec{P}+\vec{Q})=a\vec{P}+a\vec{Q}
a(P+Q)=aP+aQ成立。
对于含有那个向量的集合
{
e
1
⃗
,
e
2
⃗
,
⋯
,
e
n
⃗
}
\lbrace \vec{e_1},\vec{e_2},\cdots,\vec{e_n} \rbrace
{e1,e2,⋯,en},如果不存在不全为0的数
a
1
,
a
2
,
⋯
,
a
n
a_1,a_2,\cdots,a_n
a1,a2,⋯,an使下式成立,则向量集合线性无关。
a
1
e
1
⃗
+
a
2
e
2
⃗
+
⋯
+
a
n
e
n
⃗
=
0
⃗
a_1\vec{e_1}+a_2\vec{e_2}+\cdots+a_n\vec{e_n}=\vec{0}
a1e1+a2e2+⋯+anen=0
反之,则向量集合线性相关。
向量空间V的基
β
\beta
β是n个线性无关向量的集合,
β
=
{
e
1
⃗
,
e
2
⃗
,
⋯
,
e
n
⃗
}
\beta=\lbrace \vec{e_1},\vec{e_2},\cdots,\vec{e_n} \rbrace
β={e1,e2,⋯,en},对于向量空间V中的任意向量
P
⃗
\vec{P}
P,存在一组实数
a
1
,
a
2
,
⋯
,
a
n
a_1,a_2,\cdots,a_n
a1,a2,⋯,an,使下式成立。
P
⃗
=
a
1
e
1
⃗
+
a
2
e
2
⃗
+
⋯
+
a
n
e
n
⃗
\vec{P}=a_1\vec{e_1}+a_2\vec{e_2}+\cdots+a_n\vec{e_n}
P=a1e1+a2e2+⋯+anen
一个向量空间有无穷多个基。
在向量空间的基
β
\beta
β中,如果任意两个向量
e
i
⃗
\vec{e_i}
ei和
e
j
⃗
\vec{e_j}
ej,
i
≠
j
i\neq j
i=j,且
e
i
⃗
⋅
e
j
⃗
=
0
\vec{e_i}\cdot\vec{e_j}=0
ei⋅ej=0,则基
β
\beta
β称为向量空间的正交基。
给定任意两个向量
e
1
⃗
\vec{e_1}
e1和
e
2
⃗
\vec{e_2}
e2,如果
e
1
⃗
⋅
e
2
⃗
=
0
\vec{e_1}\cdot\vec{e_2}=0
e1⋅e2=0,则
e
1
⃗
\vec{e_1}
e1和
e
2
⃗
\vec{e_2}
e2两个向量线性无关。
在向量空间V中,找到n个正交向量,那么这些正交向量的集合组成向量空间的基。
对于向量空间的正交基,如果其中每个向量的长度均为1,则称为规范正交基。为了方便表示,引入克罗内克符号函数
δ
i
j
≡
{
1
,
如果
i
=
j
0
,
如果
i
≠
j
\delta_{ij}\equiv\begin{cases} 1, & \text {如果$i=j$} \\ 0, & \text {如果$i\neq j$} \end{cases}
δij≡{1,0,如果i=j如果i=j
在向量空间的基
β
=
{
e
1
⃗
,
e
2
⃗
,
⋯
,
e
n
⃗
}
\beta=\lbrace \vec{e_1},\vec{e_2},\cdots,\vec{e_n} \rbrace
β={e1,e2,⋯,en}中,如果任意两个向量
e
i
⃗
\vec{e_i}
ei和
e
j
⃗
\vec{e_j}
ej,
e
i
⃗
⋅
e
j
⃗
=
δ
i
j
\vec{e_i}\cdot\vec{e_j}=\delta_{ij}
ei⋅ej=δij,则基
β
\beta
β称为向量空间的规范正交基。
下面使在向量空间中,将n个线性无关向量组成的集合变换成正交基的方法。
Gram-Schmidt正交化算法。给定n个线性无关向量组成的集合
β
\beta
β,
β
=
{
e
1
⃗
,
e
2
⃗
,
⋯
,
e
n
⃗
}
\beta=\lbrace \vec{e_1},\vec{e_2},\cdots,\vec{e_n} \rbrace
β={e1,e2,⋯,en},该算法可计算出向量集合
β
′
=
{
e
1
′
⃗
,
e
2
′
⃗
,
⋯
,
e
n
′
⃗
}
\beta^\prime=\lbrace \vec{e_1^\prime},\vec{e_2^\prime},\cdots,\vec{e_n^\prime} \rbrace
β′={e1′,e2′,⋯,en′},当
i
≠
j
i\neq j
i=j时,
e
i
′
⃗
⋅
e
j
′
⃗
=
0
\vec{e_i^\prime}\cdot\vec{e_j^\prime}=0
ei′⋅ej′=0。
(a) 令
e
1
′
⃗
=
e
1
⃗
\vec{e_1^\prime}=\vec{e_1}
e1′=e1;
(b)
i
=
2
i=2
i=2;
© 从向量
e
i
⃗
\vec{e_i}
ei中减去
e
i
⃗
\vec{e_i}
ei在向量
e
1
′
⃗
,
e
2
′
⃗
,
⋯
,
e
i
−
1
′
⃗
\vec{e_1^\prime},\vec{e_2^\prime},\cdots,\vec{e_{i-1}^\prime}
e1′,e2′,⋯,ei−1′上的投影,结果保存到
e
i
′
⃗
\vec{e_i^\prime}
ei′中,即
e
i
′
⃗
=
e
i
⃗
−
∑
k
=
1
i
−
1
e
i
⃗
⋅
e
k
′
⃗
e
k
′
⃗
2
e
k
′
⃗
\vec{e_i^\prime}=\vec{e_i}-\sum_{k=1}^{i-1}{\frac{\vec{e_i}\cdot\vec{e_k^\prime}}{\vec{e_k^\prime}^2}\vec{e_k^\prime}}
ei′=ei−k=1∑i−1ek′2ei⋅ek′ek′
(d) 如果
i
<
n
i<n
i<n,
i
i
i加1,转到步骤©。