MIT_线性代数笔记：第 09 讲 线性无关，基和维数

向量的线性无关意味着什么？如何用线性无关的概念来帮助我们描述包括零空间在内的子空间。

线性无关 Independence

矩阵 A 为 m x n 矩阵，其中 m x n（因此 Ax=b 中未知数个数多于方程数）。则A 中具有至少一个自由变量，那么 Ax=0 一定具有非零解。A 的列向量可以线性组合得到零向量，所以 A 的列向量是线性相关的。

若c1x1+c2x2+……+cnxn=0 仅在 c1=c2=……=cn=0 时才成立，则称向量 x1，x2……xn是线性无关的。若这些向量作为列向量构成矩阵 A，则方程 Ax=0 只有零解 x=0，或称矩阵 A 的零空间只有零向量。换而言之，若存在非零向量 c，使得Ac=0，则这个矩阵 A 的列向量线性相关。
在 $R^2$中，两个向量只要不在一条直线上就是线性无关的。（在 $R^3$中，三个向量线性无关的条件是它们不在一个平面上。）若选定空间 $R^2$ 中的三个向量，则他们必然是线性相关的。
例如，如下的三个向量 v1，v2和 v3是线性相关的。
$$\left[\begin{array}{ccc}2& 1& 2.5\\ 1& 2& -1\end{array}\right]$$
由我们研究方程组得到的结论，此矩阵构成的方程 Ax=0 必有非零解，即三个向量线性相关。
如果矩阵 A 的列向量为线性无关，则 A 所有的列均为主元列，没有自由列，矩阵的秩为 n。若 A 的列向量为线性相关，则矩阵的秩小于 n，并且存在自由列。

张成空间 Spanning a space

当一个空间是由向量 v1，v2……vk 的所有线性组合组成时，我们称这些向量张成了这个空间。例如矩阵的列向量张成了该矩阵的列空间。
如果向量 v1，v2……vk张成空间 S，则 S 是包含这些向量的最小空间。
例如，假设有向量集合S={v1=(1, 0, 0), v2=(0, 1, 0)}，则S的张成空间Span(S)可以表示为：

Span(S) = {a * v1 + b * v2 | a, b ∈ R}
其中，R表示实数集合。上述公式的意思是，Span(S)包含所有形如a * v1 + b * v2的向量，其中a和b为实数。这些向量可以通过对v1和v2进行线性组合而得到，因此它们都属于S的张成空间。

基与维数 Basis &Dimension

向量空间的基是具有如下两个性质的一组向量 v1，v2……vd：
• v1，v2……vd 线性无关
• v1，v2……vd张成该向量空间
空间的基告诉我们了空间的一切信息。
例：R3 空间有一组基

子空间的基 Basis for a subspace

空间的每一组基都具有相同的向量数，这个数值就是空间的维数（dimension）。所以 Rn空间的每组基都包含 n 个向量。

列空间和零空间的基 Basis of a column space and nullspace

$$取A=\left[\begin{array}{cccc}1& 2& 3& 1\\ 1& 1& 2& 1\\ 1& 2& 3& 1\end{array}\right]$$

讨论列空间：

矩阵 A 的四个列向量张成了矩阵 A 的列空间，其中第 3 列和第 4列与前两列线性相关，而前两个列向量线性无关。因此前两列为主元列。他们组成了列空间 C(A)的一组基。矩阵的秩为 2。
实际上对于任何矩阵 A 均有：
矩阵的秩 r=矩阵主元列的数目=列空间的维数
注意：矩阵具有秩 rank 而不是维数 dimension，而空间有维数而不是秩。 当知道了列空间的维数，可以从矩阵列向量中随意选取足够数量的线性无关的向量，它们每一组都可以构成列空间的一组基。

讨论零空间：

零空间的维数=自由列的数目=n-r，因此本例中 N(A)的维数为 4-2=2。这两个特解就构成了零空间的一组基。