向量和向量空间

向量和向量空间

数域F中的n个数$x_1,\cdots ,x_n$组成的有序数组$[x_1,\cdots ,x_n]$，在数学上称为数域F上的n维（行）向量。

###向量的运算
设$\alpha =[a_1,\cdots ,a_n{]}^T$，$\beta =[b_1,\cdots ,b_n{]}^T$都是n维列向量。

1. 加法  $\alpha +\beta =[a_1+b_1,\cdots ,a_n+b_n{]}^T.$
2. 数乘  设k为一数，则$k\alpha =[k{a}_1,\cdots ,k{a}_n{]}^T.$
3. 内积  也称为点乘，若$\alpha ,\beta$都是实向量则$⟨\alpha ,\beta ⟩=\alpha \cdot \beta ={\sum }_{i=1}^n{a}_i{b}_i$
   Cauchy-Schwarz不等式：
   $$|⟨\alpha ,\beta ⟩|\le |\alpha |\cdot |\beta |.$$
   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。
4. 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 $|\alpha \times \beta |=|\alpha |\cdot |\beta |\cdot \sin \theta$

向量组的线性相关性和向量组的秩

给定向量组${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$，如果存在不全为零的数$k_1,\cdots ,k_s$使得

$$k_1{\alpha }_1+\cdots +k_s{\alpha }_s=0,$$

则称向量组线性相关。否则，称这个向量组线性无关。

对向量$\alpha$和向量组${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$，如果有一组数$k_1,k_2,\cdots ,k_s$，使：

$$\alpha =k_1{\alpha }_1+\cdots +k_s{\alpha }_s$$

则称$\alpha$可用${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$线性表出。

定理（线性相关和线性表出的关系）：向量组${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s(s\ge 2)$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：
$(a){\alpha }_1,\cdots ,{\alpha }_s;$
$(b){\beta }_1,\cdots ,{\beta }_r.$
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$a\cong b$。

定理：如果两个线性无关向量组${\alpha }_1,\cdots ,{\alpha }_s$和${\beta }_1,\cdots ,{\beta }_r$等价，则$r=s$。

设S是一个向量组，${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$是它的一个子组，如果${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$线性无关，且S中任一向量都可用这个子组线性表出，则称${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$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$n$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$V_1$和$V_2$都是同一数域F上的向量空间，若$V_1\subseteq V_2$，则称$V_1$是$V_2$的子空间。

基和维数定义：设V是向量空间，如果${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$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$\dim V=r$

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${\alpha }_i$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：

$$\{\begin{array}{l}{\beta }_1={\alpha }_1,{ϵ}_1=\frac{{\beta }_1}{|{\beta }_1|},\\ {\beta }_2={\alpha }_2-⟨{\alpha }_2,{ϵ}_1⟩{ϵ}_1,{ϵ}_2=\frac{{\beta }_2}{|{\beta }_2|},\\ ⋮\\ {\beta }_n={\alpha }_n-⟨{\alpha }_n,{ϵ}_1⟩{ϵ}_1-\cdots -⟨{\alpha }_n,{ϵ}_{n-1}⟩{ϵ}_{n-1},{ϵ}_n=\frac{{\beta }_n}{|{\beta }_n|},\end{array}$$

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${\mathbf{R}}^3$的一个基，用这个基求${\mathbf{R}}^3$得一个标准正交基。
解  取${\beta }_1={\alpha }_1=[1,1,0{]}^T$，单位化后得
$${ϵ}_1=\frac{{\beta }_1}{|{\beta }_1|}=\frac{1}{\sqrt{2}}[1,1,0{]}^T$$
由于$⟨{\alpha }_2,{ϵ}_1⟩=\sqrt{2}$，所以
$${\beta }_2={\alpha }_2-⟨{\alpha }_2,{ϵ}_1⟩{ϵ}_1=[2,0,1{]}^T-[1,1,0{]}^T=[1,-1,1{]}^T$$
单位化得   ${ϵ}_2=\frac{{\beta }_2}{|{\beta }_2|}=\frac{1}{\sqrt{3}}[1,-1,1{]}^T.$
$${\beta }_3={\alpha }_3-⟨{\alpha }_3,{ϵ}_1⟩{ϵ}_1-⟨{\alpha }_3,{ϵ}_2⟩{ϵ}_2=[2,2,1{]}^T-[2,2,0{]}^T-\frac{1}{3}[1,-1,1{]}^T=\frac{1}{3}[-1,1,2]$$
单位化后得：${ϵ}_3=\frac{1}{\sqrt{6}}[-1,1,2{]}^T$

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