基底是什么

基底（Basis）是线性代数中的一个重要概念，用来描述向量空间的结构。简单来说，基底是一个向量空间中用于“表示其他向量”的一组特殊向量。这些向量具有两个关键性质：

---

1. 基底的定义

对于一个 $n$ 维向量空间 $V$，基底是一组向量 { b 1 , b 2 , … , b n } \{b_1, b_2, \dots, b_n\} {b1​,b2​,…,bn​}，满足以下条件：

1. 线性无关：任意一个基向量不能由其他基向量通过线性组合得到。
   $$c_1{b}_1+c_2{b}_2+\cdots +c_n{b}_n=0⟹c_1=c_2=\cdots =c_n=0$$
2. 生成整个空间：通过基底向量的线性组合可以生成向量空间中的所有向量。

---

2. 基底的作用

• 构建向量：基底是向量空间的“构建块”，所有向量都可以用基底向量的线性组合表示。例如，对于 ${\mathbb{R}}^3$ 中的向量 $v$，如果基底为 { b 1 , b 2 , b 3 } \{b_1, b_2, b_3\} {b1​,b2​,b3​}，那么 $v$ 可以表示为：
  $$v=c_1{b}_1+c_2{b}_2+c_3{b}_3$$
  其中 $c_1,c_2,c_3$ 是表示向量 $v$ 在该基底下的坐标。

• 变换坐标系：基底决定了向量空间的坐标系，换基（更换基底）可以使问题更简单，例如将复杂的矩阵变换到对角矩阵的形式。

---

3. 基底的几何直观

• 在二维平面（${\mathbb{R}}^2$）中，标准基底是 $e_1=[1,0]$ 和 $e_2=[0,1]$，它们分别指向 $x$-轴和 $y$-轴。
• 在三维空间（${\mathbb{R}}^3$）中，标准基底是 $e_1=[1,0,0]$, $e_2=[0,1,0]$, 和 $e_3=[0,0,1]$，对应 $x,y,z$ 三个方向。

这些标准基底定义了笛卡尔坐标系中的轴，但基底并不限于标准基底。例如，任意一组线性无关的向量（不平行）都可以作为基底。

---

4. 基底的数学性质

1. 基底的个数：

   • 对于一个 $n$ 维向量空间，基底总是有 $n$ 个向量。
   • 例如，在 ${\mathbb{R}}^2$ 中，基底总是由两个向量组成。

2. 基向量的线性组合：

   • 基底向量的任意线性组合可以覆盖整个向量空间。例如，对于二维空间中的任意向量 $v=[x,y]$，可以写成：
     $$v=x\cdot e_1+y\cdot e_2$$

3. 正交基底：

   • 如果基底向量两两正交（内积为 0），则称为正交基底，计算和表示会更简单。

4. 标准基底：

   • 如果基底向量的长度为 1，且两两正交，则称为标准基底（如单位向量）。

---

5. 举例说明

例 1：二维空间中的基底

• 在 ${\mathbb{R}}^2$ 中，标准基底是：
  $$e_1=\left[\begin{array}{c}1\\ 0\end{array}\right],e_2=\left[\begin{array}{c}0\\ 1\end{array}\right]$$
  任意向量 $v\in {\mathbb{R}}^2$，如 $v=\left[\begin{array}{c}3\\ 2\end{array}\right]$，可以写成：
  $$v=3e_1+2e_2$$

例 2：二维空间中的非标准基底

• $b_1=\left[\begin{array}{c}1\\ 1\end{array}\right],b_2=\left[\begin{array}{c}1\\ -1\end{array}\right]$
  是 ${\mathbb{R}}^2$ 的另一组基底。

  对于向量 $v=\left[\begin{array}{c}3\\ 2\end{array}\right]$，可以用线性组合：
  $$v=2b_1+1b_2$$

例 3：三维空间中的基底

• 在 ${\mathbb{R}}^3$ 中，标准基底为：
  $$e_1=\left[\begin{array}{c}1\\ 0\\ 0\end{array}\right],e_2=\left[\begin{array}{c}0\\ 1\\ 0\end{array}\right],e_3=\left[\begin{array}{c}0\\ 0\\ 1\end{array}\right]$$
  任意向量 $v\in {\mathbb{R}}^3$ 都可以写成：
  $$v=x\cdot e_1+y\cdot e_2+z\cdot e_3$$

---

6. 基底的重要性

1. 特征值分解与基底：

   • 在特征值分解中，特征向量可以看作矩阵作用下的“新基底”，矩阵 $W$ 的列向量就是这些特征向量。
   • 分解形式 $A=W\Lambda W^{-1}$ 表示在特征向量基底下，矩阵变换被简化为对角矩阵 $\Lambda$。

2. 奇异值分解与基底：

   • 奇异值分解中的 $U$ 和 $V$ 分别表示行空间和列空间的基底。

3. 空间理解：

   • 基底帮助我们理解向量空间的维度、方向以及变换后的表示。