向量和向量空间
数域F中的n个数 x 1 , ⋯ , x n x_1, \cdots, x_n x1,⋯,xn组成的有序数组 [ x 1 , ⋯ , x n ] [x_1, \cdots, x_n] [x1,⋯,xn],在数学上称为数域F上的n维(行)向量。
###向量的运算
设
α
=
[
a
1
,
⋯
,
a
n
]
T
\alpha = [a_1, \cdots, a_n]^T
α=[a1,⋯,an]T,
β
=
[
b
1
,
⋯
,
b
n
]
T
\beta= [b_1, \cdots, b_n]^T
β=[b1,⋯,bn]T都是n维列向量。
- 加法 α + β = [ a 1 + b 1 , ⋯ , a n + b n ] T . \alpha+\beta = [a_1 + b_1, \cdots, a_n + b_n]^T. α+β=[a1+b1,⋯,an+bn]T.
- 数乘 设k为一数,则 k α = [ k a 1 , ⋯ , k a n ] T . k \alpha = [ka_1, \cdots, ka_n]^T. kα=[ka1,⋯,kan]T.
- 内积 也称为点乘,若
α
,
β
\alpha, \beta
α,β都是实向量则
⟨
α
,
β
⟩
=
α
⋅
β
=
∑
i
=
1
n
a
i
b
i
\langle \alpha, \beta \rangle = \alpha \cdot \beta = \sum_{i=1}^n a_ib_i
⟨α,β⟩=α⋅β=∑i=1naibi
Cauchy-Schwarz不等式:
∣ ⟨ α , β ⟩ ∣ ≤ ∣ α ∣ ⋅ ∣ β ∣ . \vert \langle \alpha, \beta \rangle \vert \le \vert \alpha \vert \cdot \vert \beta \vert . ∣⟨α,β⟩∣≤∣α∣⋅∣β∣.
即两个向量内积的绝对值小于等于两个向量的模相乘。等号在两个向量方向相同或相反时成立。 - 外积 也称为叉乘和向量积,两个向量的外积依然是向量,方向与两个向量组成的平面垂直遵守右手定则。大小 ∣ α × β ∣ = ∣ α ∣ ⋅ ∣ β ∣ ⋅ sin θ \vert \alpha \times \beta \vert = \vert \alpha \vert \cdot \vert \beta \vert \cdot \sin\theta ∣α×β∣=∣α∣⋅∣β∣⋅sinθ
向量组的线性相关性和向量组的秩
给定向量组 α 1 , α 2 , ⋯ , α s \alpha_1, \alpha_2, \cdots, \alpha_s α1,α2,⋯,αs,如果存在不全为零的数 k 1 , ⋯ , k s k_1, \cdots, k_s k1,⋯,ks使得
k 1 α 1 + ⋯ + k s α s = 0 , k_1 \alpha_1 + \cdots + k_s \alpha_s = 0, k1α1+⋯+ksαs=0,
则称向量组线性相关。否则,称这个向量组线性无关。
对向量 α \alpha α和向量组 α 1 , α 2 , ⋯ , α s \alpha_1, \alpha_2, \cdots, \alpha_s α1,α2,⋯,αs,如果有一组数 k 1 , k 2 , ⋯ , k s k_1, k_2, \cdots, k_s k1,k2,⋯,ks,使:
α = k 1 α 1 + ⋯ + k s α s \alpha = k_1 \alpha_1 + \cdots + k_s \alpha_s α=k1α1+⋯+ksαs
则称 α \alpha α可用 α 1 , α 2 , ⋯ , α s \alpha_1, \alpha_2, \cdots, \alpha_s α1,α2,⋯,αs线性表出。
定理(线性相关和线性表出的关系):向量组 α 1 , α 2 , ⋯ , α s ( s ≥ 2 ) \alpha_1, \alpha_2, \cdots, \alpha_s (s \ge 2) α1,α2,⋯,αs(s≥2)线性相关的充要条件是其中至少有一个向量能用其余向量线性表出。
下面讨论向量组的关系;
设有两个组:
(
a
)
α
1
,
⋯
,
α
s
;
(a) \quad \alpha_1, \cdots, \alpha_s;
(a)α1,⋯,αs;
(
b
)
β
1
,
⋯
,
β
r
.
(b) \quad \beta_1, \cdots, \beta_r.
(b)β1,⋯,βr.
如果向量组a与向量组b能相互线性表出,则称这两个向量组等价,记作
a
≅
b
a \cong b
a≅b。
定理:如果两个线性无关向量组 α 1 , ⋯ , α s \alpha_1, \cdots, \alpha_s α1,⋯,αs和 β 1 , ⋯ , β r \beta_1, \cdots, \beta_r β1,⋯,βr等价,则 r = s r = s r=s。
设S是一个向量组, α 1 , α 2 , ⋯ , α r \alpha_1, \alpha_2, \cdots, \alpha_r α1,α2,⋯,αr是它的一个子组,如果 α 1 , α 2 , ⋯ , α r \alpha_1, \alpha_2, \cdots, \alpha_r α1,α2,⋯,αr线性无关,且S中任一向量都可用这个子组线性表出,则称 α 1 , α 2 , ⋯ , α r \alpha_1, \alpha_2, \cdots, \alpha_r α1,α2,⋯,αr是向量组S的一个极大线性无关组。一般来说向量组的极大线性无关组不是唯一的,但它们之间必定是等价的,极大线性无关组所含向量的个数r是由原向量组唯一确定的,我们称这个数为该向量组的秩。
向量空间
向量空间定义:设V是数域F上的 n n n维向量组成的非空集合,如果集合V对于加法及数乘两种运算封闭,则称V为F上的向量空间。
子空间定义:设 V 1 V_1 V1和 V 2 V_2 V2都是同一数域F上的向量空间,若 V 1 ⊆ V 2 V_1 \subseteq V_2 V1⊆V2,则称 V 1 V_1 V1是 V 2 V_2 V2的子空间。
基和维数定义:设V是向量空间,如果 α 1 , α 2 , ⋯ , α r \alpha_1, \alpha_2, \cdots, \alpha_r α1,α2,⋯,αr是V中给定顺序的一个极大线性无关组,则称它是V的一个基,即为 B = { α 1 , α 2 , ⋯ , α r } \mathscr{B} = \{ \alpha_1, \alpha_2, \cdots, \alpha_r \} B={α1,α2,⋯,αr},其向量个数r称为V的维数。记作 dim V = r \dim V = r dimV=r
正交基和标准正交基的定义:设 { α 1 , α 2 , ⋯ , α r } \{ \alpha_1, \alpha_2, \cdots, \alpha_r \} {α1,α2,⋯,αr}是n维向量空间V的一个基,若它们两两正交,则称该基为V的一个正交基。若每个向量 α i \alpha_i αi还都是单位向量,则称它为V的一个标准正交基。
Schmidt正交化方法:
设
{
α
1
,
α
2
,
⋯
,
α
r
}
\{ \alpha_1, \alpha_2, \cdots, \alpha_r \}
{α1,α2,⋯,αr}是向量空间V的一个基,用如下做法得出一个标准正交基:
{ β 1 = α 1 , ϵ 1 = β 1 ∣ β 1 ∣ , β 2 = α 2 − ⟨ α 2 , ϵ 1 ⟩ ϵ 1 , ϵ 2 = β 2 ∣ β 2 ∣ , ⋮ β n = α n − ⟨ α n , ϵ 1 ⟩ ϵ 1 − ⋯ − ⟨ α n , ϵ n − 1 ⟩ ϵ n − 1 , ϵ n = β n ∣ β n ∣ , \begin{cases} \beta_1 = \alpha_1, \quad \epsilon_1 = \frac{\beta_1}{\vert \beta_1 \vert}, \\ \beta_2 = \alpha_2 - \langle \alpha_2, \epsilon_1 \rangle \epsilon_1, \quad \epsilon_2 = \frac{\beta_2}{\vert \beta_2 \vert}, \\ \vdots \\ \beta_n = \alpha_n - \langle \alpha_n, \epsilon_1 \rangle \epsilon_1 - \cdots - \langle \alpha_n, \epsilon_{n-1} \rangle \epsilon_{n-1}, \quad \epsilon_n = \frac{\beta_n}{\vert \beta_n \vert}, \\ \end{cases} ⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧β1=α1,ϵ1=∣β1∣β1,β2=α2−⟨α2,ϵ1⟩ϵ1,ϵ2=∣β2∣β2,⋮βn=αn−⟨αn,ϵ1⟩ϵ1−⋯−⟨αn,ϵn−1⟩ϵn−1,ϵn=∣βn∣βn,
例题 已知
{
α
1
=
[
1
,
1
,
0
]
T
,
α
2
=
[
2
,
0
,
1
]
T
,
α
3
=
[
2
,
2
,
1
]
T
}
\{ \alpha_1 = [1, 1, 0]^T, \alpha_2 = [2, 0, 1]^T, \alpha_3 = [2, 2, 1]^T \}
{α1=[1,1,0]T,α2=[2,0,1]T,α3=[2,2,1]T}是三维欧氏空间
R
3
\mathbf{R}^3
R3的一个基,用这个基求
R
3
\mathbf{R}^3
R3得一个标准正交基。
解 取
β
1
=
α
1
=
[
1
,
1
,
0
]
T
\beta_1 = \alpha_1 = [1, 1, 0]^T
β1=α1=[1,1,0]T,单位化后得
ϵ
1
=
β
1
∣
β
1
∣
=
1
2
[
1
,
1
,
0
]
T
\epsilon_1 = \frac{\beta_1}{\vert \beta_1 \vert} = \frac{1}{\sqrt{2}} [1, 1, 0]^T
ϵ1=∣β1∣β1=21[1,1,0]T
由于
⟨
α
2
,
ϵ
1
⟩
=
2
\langle \alpha_2, \epsilon_1 \rangle = \sqrt{2}
⟨α2,ϵ1⟩=2,所以
β
2
=
α
2
−
⟨
α
2
,
ϵ
1
⟩
ϵ
1
=
[
2
,
0
,
1
]
T
−
[
1
,
1
,
0
]
T
=
[
1
,
−
1
,
1
]
T
\beta_2= \alpha_2 - \langle \alpha_2, \epsilon_1 \rangle \epsilon_1 = [2, 0, 1]^T - [1, 1, 0]^T = [1, -1, 1]^T
β2=α2−⟨α2,ϵ1⟩ϵ1=[2,0,1]T−[1,1,0]T=[1,−1,1]T
单位化得
ϵ
2
=
β
2
∣
β
2
∣
=
1
3
[
1
,
−
1
,
1
]
T
.
\epsilon_2 = \frac{\beta_2}{\vert \beta_2 \vert} = \frac{1}{\sqrt{3}} [1, -1, 1]^T.
ϵ2=∣β2∣β2=31[1,−1,1]T.
β
3
=
α
3
−
⟨
α
3
,
ϵ
1
⟩
ϵ
1
−
⟨
α
3
,
ϵ
2
⟩
ϵ
2
=
[
2
,
2
,
1
]
T
−
[
2
,
2
,
0
]
T
−
1
3
[
1
,
−
1
,
1
]
T
=
1
3
[
−
1
,
1
,
2
]
\beta_3= \alpha_3 - \langle \alpha_3, \epsilon_1 \rangle \epsilon_1 - \langle \alpha_3, \epsilon_2 \rangle \epsilon_2 = [2, 2, 1]^T - [2, 2, 0]^T - \frac{1}{3}[1, -1, 1]^T = \frac{1}{3}[-1, 1, 2]
β3=α3−⟨α3,ϵ1⟩ϵ1−⟨α3,ϵ2⟩ϵ2=[2,2,1]T−[2,2,0]T−31[1,−1,1]T=31[−1,1,2]
单位化后得:
ϵ
3
=
1
6
[
−
1
,
1
,
2
]
T
\epsilon_3 = \frac{1}{\sqrt{6}}[-1, 1, 2]^T
ϵ3=61[−1,1,2]T
关于Schmidt正交化方法的python实现代码:
import numpy as np
def schmidt_norm_orth(array):
col = array.shape[0]
for i in range(col):
j = i
col_now = array[i]
beta_now = col_now
while j > 0:
j -= 1
beta_now -= np.dot(col_now, array[j]) * array[j]
epsilon_now = beta_now / np.linalg.norm(beta_now)
array[i] = epsilon_now
return array