线性代数-向量空间

向量空间

向量空间

向量空间的严格定义:

V V V 为一向量组,如果 V V V 非空,且 V V V 对于向量的加法以及数乘两种运算封闭,那么就称 V V V向量空间
所谓封闭,是指在 V V V 中向量进行数乘和加减,其结果依然在 V V V 中。具体的说,就是:

  • a ⃗ ∈ V , b ⃗ ∈ V , \vec{a} \in V, \vec{b} \in V, a V,b V, a ⃗ + b ⃗ ∈ V \vec{a} + \vec{b} \in V a +b V
  • a ⃗ ∈ V , k ∈ R , \vec{a} \in V, k \in \mathbb{R}, a V,kR, k a ⃗ ∈ V k\vec{a} \in V ka V

所有 n n n 维向量构成的集合是一个 向量空间 R n \mathbb{R}^n Rn:
R n = { ( x 1 , x 2 , . . . , x n ) ∣ n ∈ N , x n ∈ R } \mathbb{R}^n = \{(x_1,x_2,...,x_n) | n \in \mathbb{N}, x_n \in \mathbb{R}\} Rn={(x1,x2,...,xn)nN,xnR}

张成空间

向量组 A = { v 1 ⃗ , v 2 ⃗ , . . . , v p ⃗ } A = \{\vec{v_1}, \vec{v_2}, ..., \vec{v_p}\} A={v1 ,v2 ,...,vp }, 其所有 线性组合 构成的集合为 向量空间, 也称为向量组 A A A张成空间, 记为 s p a n ( v 1 ⃗ , v 2 ⃗ , . . . , v p ⃗ ) span(\vec{v_1}, \vec{v_2}, ..., \vec{v_p}) span(v1 ,v2 ,...,vp ), 即:
V = s p a n ( v 1 ⃗ , v 2 ⃗ , . . . , v p ⃗ ) = { k 1 v 1 ⃗ + k 2 v 2 ⃗ + . . . + k p v p ⃗ , k 1 , 2 , . . . , p ∈ R } V = span(\vec{v_1}, \vec{v_2}, ..., \vec{v_p}) = \{k_1\vec{v_1} + k_2\vec{v_2} + ... + k_p\vec{v_p}, k_{1,2,...,p} \in \mathbb{R}\} V=span(v1 ,v2 ,...,vp )={k1v1 +k2v2 +...+kpvp ,k1,2,...,pR}
也称 s p a n ( v 1 ⃗ , v 2 ⃗ , . . . , v p ⃗ ) span(\vec{v_1}, \vec{v_2}, ..., \vec{v_p}) span(v1 ,v2 ,...,vp ) 为向量组 A A A张成

等价向量组

设有两个 向量组 A = { a 1 ⃗ , a 2 ⃗ , . . . , a m ⃗ } A = \{\vec{a_1},\vec{a_2},...,\vec{a_m}\} A={a1 ,a2 ,...,am } B = { b 1 ⃗ , b 2 ⃗ , . . . , b n ⃗ } B = \{\vec{b_1},\vec{b_2},...,\vec{b_n}\} B={b1 ,b2 ,...,bn }, 若 B B B 组中的每个向量都能由向量组 A A A 线性表示, 则称向量组 B B B 能由向量组 A A A 线性表示.
若向量组 A A A 与向量组 B B B 能互相线性表示, 则称这两个向量组 等价, 也可以说 A A A B B B等价向量组

等价向量组张成空间 是相等的

假设有两个向量组
A = { a 1 ⃗ , a 2 ⃗ , . . . , a m ⃗ } , B = { b 1 ⃗ , b 2 ⃗ , . . . , b n ⃗ } A = \{\vec{a_1},\vec{a_2},...,\vec{a_m}\}, B = \{\vec{b_1},\vec{b_2},...,\vec{b_n}\} A={a1 ,a2 ,...,am },B={b1 ,b2 ,...,bn }

A 和 B 等 价    ⟺    s p a n ( A ) = s p a n ( B ) A 和 B 等价 \iff span(A) = span(B) ABspan(A)=span(B)

最大无关组

设有 向量组 A A A, 如果在 A A A 中能选出 r r r 个向量 a 1 ⃗ , a 2 ⃗ , . . . , a r ⃗ \vec{a_1},\vec{a_2},...,\vec{a_r} a1 ,a2 ,...,ar 满足:

  • 向量组 A 0 = { a 1 ⃗ , a 2 ⃗ , . . . , a r ⃗ } A_0 = \{\vec{a_1},\vec{a_2},...,\vec{a_r}\} A0={a1 ,a2 ,...,ar } 线性无关
  • 向量组 A A A 中任意 r + 1 r + 1 r+1 个向量 (如果 A A A 中有 r + 1 r + 1 r+1 个向量的话) 都 线性相关, 那么成向量组 A 0 A_0 A0 是向量组 A A A 的一个 最大线性无关组, 简称 最大无关组
  • 包含零向量的向量组一定不是 最大无关组

向量组的秩

假设 向量组 A A A最大无关组 为:
A 0 = { a 1 ⃗ , a 2 ⃗ , . . . , a r ⃗ } A_0 = \{\vec{a_1},\vec{a_2},...,\vec{a_r}\} A0={a1 ,a2 ,...,ar }
A 0 A_0 A0 的向量个数 r r r 称为向量组 A A A, 记做 r a n k ( A ) rank(A) rank(A), 有时也记做 r ( A ) r(A) r(A)

  • 不变的 反应了向量组的 复杂程度.
  • 只包含零向量的向量组的 为 0

向量空间的基

V V V向量空间, 如果其中的某向量组:
A = { a 1 ⃗ , a 2 ⃗ , . . . , a r ⃗ } A = \{\vec{a_1},\vec{a_2},...,\vec{a_r}\} A={a1 ,a2 ,...,ar }
V V V最大无关组, 那么向量组 A A A 被称为向量空间 V V V 的一个

  • 只包含零向量的向量空间 { ( 0 0 ) } \left \{\begin{pmatrix} 0 \\ 0 \end{pmatrix}\right\} {(00)} 该向量空间没有

自然基, 指由某一维为 1 其余维都是 0 的向量组成的一组基, 且该向量组是线性无关的.
所有的 R n \mathbb{R^n} Rn 都有自然基:
e 1 ⃗ = ( 1 0 ⋮ 0 ) , e 2 ⃗ = ( 0 1 ⋮ 0 ) , ⋯   , e n ⃗ = ( 0 0 ⋮ 1 ) \vec{e_1} = \begin{pmatrix} 1 \\ 0 \\ \vdots \\ 0 \end{pmatrix}, \vec{e_2} = \begin{pmatrix} 0 \\ 1 \\ \vdots \\ 0 \end{pmatrix}, \cdots, \vec{e_n} = \begin{pmatrix} 0 \\ 0 \\ \vdots \\ 1 \end{pmatrix} e1 =100,e2 =010,,en =001

基与坐标

向量空间 V V V 中取一个 { a 1 ⃗ , a 2 ⃗ , . . . , a r ⃗ } \{\vec{a_1},\vec{a_2},...,\vec{a_r}\} {a1 ,a2 ,...,ar }, 那么 V V V 中的某个向量 x ⃗ \vec{x} x 可唯一地表示为:
x ⃗ = k 1 a 1 ⃗ + k 2 a 2 ⃗ + ⋯ + k r a r ⃗ \vec{x} = k_1\vec{a_1} + k_2\vec{a_2} + \cdots + k_r\vec{a_r} x =k1a1 +k2a2 ++krar
其中, ( k 1 , k 2 , . . . , k r ) (k_1,k_2,...,k_r) (k1,k2,...,kr) 称为向量 x ⃗ \vec{x} x 在基 { a 1 ⃗ , a 2 ⃗ , . . . , a r ⃗ } \{\vec{a_1},\vec{a_2},...,\vec{a_r}\} {a1 ,a2 ,...,ar } 中的 坐标. 如果将基 { a 1 ⃗ , a 2 ⃗ , . . . , a r ⃗ } \{\vec{a_1},\vec{a_2},...,\vec{a_r}\} {a1 ,a2 ,...,ar } 简称为基 a a a 的话, 那么 x ⃗ \vec{x} x 还可以写作:
x ⃗ = ( k 1 k 2 ⋮ k r ) a \vec{x} = \begin{pmatrix} k_1 \\ k_2 \\ \vdots \\ k_r \end{pmatrix}_a x =k1k2kra
其中, 下标 a a a 指明该坐标系的基

向量空间的维度

假设向量空间 V V V:
A = { a 1 ⃗ , a 2 ⃗ , . . . , a r ⃗ } A = \{\vec{a_1},\vec{a_2},...,\vec{a_r}\} A={a1 ,a2 ,...,ar }
A A A r r r 称为该 向量空间的维度, 或者称 V V V r r r 维向量空间

  • n n n 维向量可以张成 0   n 0~n 0 n 维的向量空间

点积(数量积)

欧几里得空间

欧 几 里 得 空 间 = 向 量 空 间 + 长 度 + 角 度 欧几里得空间 = 向量空间 + 长度 + 角度 =++

长度

根据勾股定理可得

∣ ∣ a ⃗ ∣ ∣ = a 1 2 + a 2 2 ||\vec{a}|| = \sqrt{a_1^2 + a_2^2} a =a12+a22

角度

在这里插入图片描述
在这里插入图片描述

定义: 在 R 2 \mathbb{R^2} R2 中, 两个向量间的夹角 θ \theta θ, 该夹角的取值范围在 0 ≤ θ ≤ π 0 \leq \theta \leq \pi 0θπ
注意到 cos ⁡ x \cos{x} cosx 函数在 0 ≤ θ ≤ π 0 \leq \theta \leq \pi 0θπ 这个范围是单调的.

在这里插入图片描述

在这里插入图片描述

根据欧氏集合中的余弦定理可以得到如下 结论

cos ⁡ θ = a 1 b 1 + a 2 b 2 ∣ ∣ a ⃗ ∣ ∣ ∣ ∣ b ⃗ ∣ ∣ \cos{\theta} = \frac{a_1b_1 + a_2b_2}{||\vec{a}|| ||\vec{b}||} cosθ=a b a1b1+a2b2

证明:
根据欧氏几何中余弦定理, 我们可以得到:

A B → 2 = O A → 2 + O B → 2 − 2 O A → ⋅ O B → cos ⁡ θ \overrightarrow{AB}^2 = \overrightarrow{OA}^2 + \overrightarrow{OB}^2 - 2\overrightarrow{OA} \cdot \overrightarrow{OB} \cos{\theta} AB 2=OA 2+OB 22OA OB cosθ

上式可以通过向量来计算:

∣ ∣ a ⃗ − b ⃗ ∣ ∣ 2 = ∣ ∣ a ⃗ ∣ ∣ 2 + ∣ ∣ b ⃗ ∣ ∣ 2 − 2 ∣ ∣ a ⃗ ∣ ∣ ∣ ∣ b ⃗ ∣ ∣ cos ⁡ θ ||\vec{a} - \vec{b}||^2 = ||\vec{a}||^2 + ||\vec{b}||^2 - 2||\vec{a}|| ||\vec{b}|| \cos{\theta} a b 2=a 2+b 22a b cosθ

新的运算

假设定义一个新的运算方式, 将之称为向量的 点积

a ⃗ ⋅ b ⃗ = ( a 1 , a 2 ) ⋅ ( b 1 , b 2 ) = a 1 b 1 + a 2 b 2 \vec{a} \cdot \vec{b} = (a_1, a_2) \cdot (b_1, b_2) = a_1b_1 + a_2b_2 a b =(a1,a2)(b1,b2)=a1b1+a2b2

那么向量空间 R 2 \mathbb{R^2} R2 中的长度和角度的计算就可以通过 点积 来完成:

  • 长度

∣ ∣ a ⃗ ∣ ∣ = a 1 2 + a 2 2 = a 1 a 1 + a 2 a 2 = a ⃗ ⋅ a ⃗ ||\vec{a}|| = \sqrt{a_1^2 + a_2^2} = \sqrt{a_1a_1 + a_2a_2} = \sqrt{\vec{a} \cdot \vec{a}} a =a12+a22 =a1a1+a2a2 =a a

  • 角度

cos ⁡ θ = a 1 b 1 + a 2 b 2 ∣ ∣ a ⃗ ∣ ∣ ∣ ∣ b ⃗ ∣ ∣ = a ⃗ ⋅ b ⃗ ∣ ∣ a ⃗ ∣ ∣ ∣ ∣ b ⃗ ∣ ∣ \cos{\theta} = \frac{a_1b_1 + a_2b_2}{||\vec{a}|| ||\vec{b}||} = \frac{\vec{a} \cdot \vec{b}}{||\vec{a}|| ||\vec{b}||} cosθ=a b a1b1+a2b2=a b a b

点积的定义

向量 x ⃗ = ( x 1 x 2 ⋮ x n ) \vec{x} = \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{pmatrix} x =x1x2xn y ⃗ = ( y 1 y 2 ⋮ y n ) \vec{y} = \begin{pmatrix} y_1 \\ y_2 \\ \vdots \\ y_n \end{pmatrix} y =y1y2yn点积 (dot product), 定义为:
x ⃗ ⋅ y ⃗ = x 1 y 1 + ⋯ + x n y n = ∑ i = 1 n x i y i \vec{x} \cdot \vec{y} = x_1y_1 + \cdots + x_ny_n = \sum_{i=1}^{n}x_iy_i x y =x1y1++xnyn=i=1nxiyi
点积还可以称为 数量积 或者 标量积, 这是因为两个向量通过点积运算之后的结果是数量(标量).

长度/角度与自然基

通过点积计算长度/角度时, 向量的坐标必须在 自然基 下.

点积的性质

点积具有以下运算性质:

  • 交换律: a ⃗ ⋅ b ⃗ = b ⃗ ⋅ a ⃗ \vec{a} \cdot \vec{b} = \vec{b} \cdot \vec{a} a b =b a
  • 数乘结合律: ( k a ⃗ ) ⋅ b ⃗ = k ( b ⃗ ⋅ a ⃗ ) (k\vec{a}) \cdot \vec{b} = k(\vec{b} \cdot \vec{a}) (ka )b =k(b a )
  • 分配律: ( a ⃗ + b ⃗ ) ⋅ c ⃗ = a ⃗ ⋅ c ⃗ + b ⃗ ⋅ c ⃗ (\vec{a} + \vec{b}) \cdot \vec{c} = \vec{a} \cdot \vec{c} + \vec{b} \cdot \vec{c} (a +b )c =a c +b c

以下对 数乘结合律分配律 的证明太惊艳了, 必须记录下来

  • 数乘结合律

根据 点积 可推出

cos ⁡ θ = a ⃗ ⋅ b ⃗ ∣ ∣ a ⃗ ∣ ∣ ∣ ∣ b ⃗ ∣ ∣    ⟹    a ⃗ ⋅ b ⃗ = ∣ ∣ a ⃗ ∣ ∣ ∣ ∣ b ⃗ ∣ ∣ cos ⁡ θ \cos{\theta} = \frac{\vec{a} \cdot \vec{b}}{||\vec{a}|| ||\vec{b}||} \implies \vec{a} \cdot \vec{b} = ||\vec{a}|| ||\vec{b}|| \cos{\theta} cosθ=a b a b a b =a b cosθ

其中 ∣ ∣ b ⃗ ∣ ∣ cos ⁡ θ {\color{Red}||\vec{b}|| \cos{\theta}} b cosθ 可以看做 b ⃗ \vec{b} b 在 \vec{a} 上的投影

在这里插入图片描述
所以, 可以把 a ⃗ ⋅ b ⃗ \vec{a} \cdot \vec{b} a b 看做矩形 A A A 的面积:

在这里插入图片描述
自然, 其中一条边放大 k k k 倍, 则面积增大 k k k

在这里插入图片描述
这样就得到了数乘结合律:

( k a ⃗ ) ⋅ b ⃗ = k ( b ⃗ ⋅ a ⃗ ) (k\vec{a}) \cdot \vec{b} = k(\vec{b} \cdot \vec{a}) (ka )b =k(b a )

  • 分配律

在这里插入图片描述

在这里插入图片描述

欧氏距离和余弦距离

  • 欧氏距离 表示两个向量间的距离远近;
  • 余弦距离 表示两个向量间的关系远近;

正交 是线性代数的概念, 是垂直这一直观概念的推广, 若两向量的内积为 0, 则称他们是正价的.

小结

在该章中有很多概念很容易混淆, 他们是:

  • 向量空间: 非空, 由若干向量组成(向量组), 这些向量满足加法/数乘封闭
  • 张成空间: 由 向量组 进行所有 线性组合 后得到的 向量空间
  • 最大无关组: 从 向量组 中选取满足 线性无关 的向量, 且这些向量可以 线性表示 向量组中其他的任意向量
  • 秩: 最大无关组的个数
  • 基: 就是最大无关组. 引入次概念主要是为了后面的坐标概念
参与评论 您还未登录,请先 登录 后发表或查看评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
©️2022 CSDN 皮肤主题:大白 设计师:CSDN官方博客 返回首页

打赏作者

levin_li

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额:-- )
扫码支付
扫码支付:¥2
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值