在数学中,线性组合(linear combination)是指从一组向量出发,通过这组向量与一组标量相乘并将结果向量相加所得到的新向量。简单来说,线性组合就是将向量按一定的权重(标量)相加。
假设我们有一组向量
v
1
,
v
2
,
…
,
v
n
\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_n
v1,v2,…,vn,以及一组标量(通常是来自同一个数域,比如实数域
R
\mathbb{R}
R 或复数域
C
\mathbb{C}
C ,那么向量
v
1
,
v
2
,
…
,
v
n
\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_n
v1,v2,…,vn 的一个线性组合可以表示为:
c
1
v
1
+
c
2
v
2
+
⋯
+
c
n
v
n
c_1\mathbf{v}_1 + c_2\mathbf{v}_2 + \cdots + c_n\mathbf{v}_n
c1v1+c2v2+⋯+cnvn
这里的 c i c_i ci 是该向量 v i \mathbf{v}_i vi的系数,也就是权重。通过选择不同的系数,可以从这组向量生成不同的线性组合。
举例说明
假设我们有两个二维向量
v
1
=
(
1
,
2
)
\mathbf{v}_1 = (1, 2)
v1=(1,2) 和
v
2
=
(
−
1
,
1
)
\mathbf{v}_2 = (-1, 1)
v2=(−1,1),如果我们选取系数
c
1
=
2
c_1 = 2
c1=2 和
c
2
=
3
c_2 = 3
c2=3,那么这两个向量的一个线性组合为:
2
v
1
+
3
v
2
=
2
(
1
,
2
)
+
3
(
−
1
,
1
)
=
(
2
,
4
)
+
(
−
3
,
3
)
=
(
−
1
,
7
)
2\mathbf{v}_1 + 3\mathbf{v}_2 = 2(1, 2) + 3(-1, 1) = (2, 4) + (-3, 3) = (-1, 7)
2v1+3v2=2(1,2)+3(−1,1)=(2,4)+(−3,3)=(−1,7)
应用
线性组合的概念在许多数学和科学领域都有广泛的应用,包括但不限于:
-
向量空间的基础:在向量空间中,所有可能的线性组合构成了向量空间中的子空间。如果一组向量能够通过线性组合生成整个向量空间中的任意一个向量,则称这组向量为向量空间的一组基。
-
线性方程组的解:线性方程组的解可以视为某些特定向量的线性组合。例如,在解方程组时,解向量可以表示为一些基础解向量的线性组合。
-
线性变换:线性变换保留了线性组合的属性,即如果 T T T 是一个线性变换,那么对于任何向量 v 1 \mathbf{v}_1 v1 和 v 2 \mathbf{v}_2 v2 以及标量 c 1 c_1 c1 和 c 2 c_2 c2,有 T ( c 1 v 1 + c 2 v 2 ) = c 1 T ( v 1 ) + c 2 T ( v 2 ) T(c_1\mathbf{v}_1 + c_2\mathbf{v}_2) = c_1T(\mathbf{v}_1) + c_2T(\mathbf{v}_2) T(c1v1+c2v2)=c1T(v1)+c2T(v2)。
-
特征向量与特征值:特征向量是这样一种向量,它可以表示为自身的一个线性组合,即 A v = λ v A\mathbf{v} = \lambda\mathbf{v} Av=λv,其中 A A A 是一个矩阵, λ \lambda λ 是一个标量。
-
数据科学和机器学习:在数据科学中,线性组合常常用于表示数据点在多维空间中的位置,以及在机器学习中用于构建预测模型。
线性组合是线性代数中最基本的概念之一,理解它的意义有助于更好地掌握线性代数的其他高级概念。