【线性代数】第3章：向量与空间向量（大学期末考试必看）

最新推荐文章于 2024-10-14 20:03:33 发布

Kenneth_Creative

最新推荐文章于 2024-10-14 20:03:33 发布

阅读量949

点赞数 16

文章标签：机器学习算法线性代数数学建模矩阵

本文链接：https://blog.csdn.net/m0_60631827/article/details/138066440

版权

（原创文章，转载请注明出处）

一、线性运算

1.基本概念

行向量，列向量，分量（ $a_i$ 称为第i个分量），维数（分量个数），实向量，复向量，零向量（分量全为0），负向量（相对概念），相等向量（分量对应相等）

2.线性运算

加减，数乘，加法交换律，加法结合律，数乘结合律，数乘分配率

二、线性关系

1.向量组线性组合

1.1定义

$\beta=k_1\alpha_1+k_2\alpha_2+\ldots+k_m\alpha_m$ ，则称𝛽是 $\alpha_1,\alpha_2,\ldots,\alpha_m$ 的线性组合，或称𝛽可由 $\alpha_1,\alpha_2,\ldots,\alpha_m$ 线性表示

1.2性质

单位向量组： $e_1=\left(1,0,\cdots,0\right)^T$ ， $e_2=\left(0,1,\cdots,0\right)^T$ ，…， $e_n=\left(0,0,\cdots,1\right)^T$

零向量可由任一向量组线性表示
向量组中任一向量均可由该向量组线性表示
任一向量均可由其基本单位向量组唯一线性表示

2.向量组的等价

2.1定义

两个向量组能够相互线性表示，则称这两个向量组等价

2.2性质

反身性、对称性、传递性

2.3定理

向量组B可由向量组A表示的充要条件是： $AX=B$ 有解

3.向量组的线性相关

3.1定义

给定有𝑛维向量组 $\alpha_1,\alpha_2,\ldots,\alpha_m$ ，如果存在不全为零的数 $k_1,k_2,\ldots,k_m$ ，使得： $k_1\alpha_1+k_2\alpha_2+\ldots+k_m\alpha_m=0$ ，则称线性相关，当且仅当 $k_1,k_2,\ldots,k_m$ 全为零上述等式成立，则称线性无关

3.2性质

性质1

一个向量组线性相关⇔这个向量为零向量
一个向量组线性无关⇔这个向量为非零向量

性质2

两个向量线性相关⇔对应分量成比例
两个向量线性无关⇔对应分量不成比例

性质3

$m\left(m\geq2\right)$ 个向量线性相关⇔至少有一个向量可由其余 $m-1$ 个向量线性表示
$m\left(m\geq2\right)$ 个向量线性无关⇔任意向量都不能由其余 $m-1$ 个向量线性表示

性质4

向量组中有一部分向量线性相关，则整个向量线性相关
若一个向量组线性无关，则其任一部分向量组都线性无关

性质5

含有零向量的向量组一定线性相关

性质6

若一个向量组线性无关，则其延长向量组线性无关

3.3判定

前提：m个n维向量组成的矩阵： $A=\left(\alpha_1,\alpha_2,\ldots,\alpha_m\right)=\left[\begin{matrix}a_{11}&a_{12}&\begin{matrix}\cdots&a_{1m}\\\end{matrix}\\a_{21}&a_{22}&\begin{matrix}\cdots&a_{2m}\\\end{matrix}\\\begin{matrix}\vdots\\a_{n1}\\\end{matrix}&\begin{matrix}\vdots\\a_{n2}\\\end{matrix}&\begin{matrix}\begin{matrix}\ddots\\\cdots\\\end{matrix}&\begin{matrix}\vdots\\a_{nm}\\\end{matrix}\\\end{matrix}\\\end{matrix}\right]$
其中： $\alpha_i=\left(a_{1i},a_{2i},\ldots a_{ni}\right)^T$ ， $i=1,2,\ldots,m$

线性相关

$r\left(A\right)<m$ （即：矩阵A的秩小于向量个数）
$n<m$ （即：向量个数小于小于向量维度）

线性无关

$r\left(A\right)=m<n$ （即：矩阵A的秩等于向量个数但小于向量维度）
$m=n,\left|A\right|\neq0$ （即：矩阵A为方阵时，其行列式的值不为0）

三、极大线性无关组和秩

1.定义

1.1极大无关组

在向量组 $\alpha_1,\alpha_2,\cdots,\alpha_m$ 中，选取r个向量 $\alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}$ 若满足：

(1) $\alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}$ 线性无关；

(2) $\alpha_1,\alpha_2,\cdots,\alpha_m$ 中任一向量均可由 $\alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}$ 线性表示

则称向量组 $\alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}$ 为向量组 $\alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}$ 的一个极大线性无关组

（向量组中任意x个向量线性无关，则任意x个向量都是极大无关组）

1.2向量组的秩

向量组 $\alpha_1,\alpha_2,\cdots,\alpha_m$ 的极大无关组中所含向量的个数称为该向量组的秩，记为 $r\left(\alpha_1,\alpha_2,\cdots,\alpha_m\right)$ ；如果一个向量组仅含有零向量，则规定秩为零

2.推论

向量组 $r\left(\alpha_1,\alpha_2,\cdots,\alpha_m\right)$ 线性无关⇔ $r\left(\alpha_1,\alpha_2,\cdots,\alpha_m\right)=m$
向量组 $r\left(\alpha_1,\alpha_2,\cdots,\alpha_m\right)$ 线性相关⇔ $r\left(\alpha_1,\alpha_2,\cdots,\alpha_m\right)<m$

3.定理

等价的向量组的秩相同（但有相同的秩的向量组不能保证等价）
A为 $m\times n$ 矩阵，则：A的秩等于A的行秩，也等于A的列秩

4.总结

极大线性无关组就是向量组中个数最多的、线性无关的部分组
线性无关向量组的极大无关组就是该向量组
线性相关向量组的极大无关组不唯一
任一向量组与它的极大无关组等价
向量组的任意两个极大无关组等价
两个等价的线性无关的向量组所含向量的个数相等
两个向量组等价的充要条件是它们的极大无关组等价

四、空间向量

（要求低）

1.空间向量

设V是n维向量的非空集合，如果V对加法和数乘这两种运算都封闭，即

①若 $\alpha\in V$ , $\beta\in V$ 则 $\alpha+\beta\in V$ ②若 $\alpha\in V$ ， $k\in R$ ，则 $k\alpha\in V$

则称V是R上的空间向量

2.空间向量的基

设V是空间向量，若V中有m个向量 $\alpha_1,\alpha_2,\cdots,\alpha_m$ 满足

① $\alpha_1,\alpha_2,\cdots,\alpha_m$ 线性无关 ②V中任意一个向量都能由 $\alpha_1,\alpha_2,\cdots,\alpha_m$ 线性表示

则称 $\alpha_1,\alpha_2,\cdots,\alpha_m$ 为空间向量V的一组基

五、向量内积

1.基本概念

向量内积：给定 $R^n$ 中向量 $\alpha=\left ( \alpha_1,\alpha_2,\cdots,\alpha_n \right )^{T}$ ， $\beta=\left ( \ b_1,\ b_2,\cdots,\ b_n \right )^{T}$ ，则称 $\sum_{i=1}^{n}{a_ib_i}$ 为向量𝛼与𝛽的内积，记为(𝛼，𝛽)
向量长度：给定 $R^n$ 中任意向量 $\alpha=\left ( \alpha_1,\alpha_2,\cdots,\alpha_n \right )^{T}$ ， $\left \| \alpha \right \|=\sqrt{a_1^2+a_2^2+\cdots+a_n^2}$ 称为𝛼的长度(范数、模)
单位向量：当 $\left \| \alpha \right \|=1$ ，称𝛼为单位向量
向量单位化： $\left \| \ e \right \|=\left \| \frac{\alpha}{\left \| \alpha \right \|} \right \|=1$ （ $\left \| \alpha \right \|\neq 0$ ），这一过程叫做向量单位化
向量夹角：设𝑛维向量 $\alpha \neq 0$ ， $\beta \neq 0$ ， $\theta =\arccos \frac{\left ( \alpha , \beta \right )}{\left \| \alpha \right \|\left \| \beta \right \|}$ ，称为向量𝛼与𝛽的夹角