目录
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
R^2
R2中,两个向量只要不在一条直线上就是线性无关的。(在
R
3
R^3
R3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
R^2
R2 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。
[
2
1
2.5
1
2
−
1
]
\begin{bmatrix} 2 & 1 & 2.5 \\ 1 & 2 & -1 \end{bmatrix}
[21122.5−1]
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 = [ 1 2 3 1 1 1 2 1 1 2 3 1 ] 取A=\begin{bmatrix} 1 & 2 & 3 & 1 \\ 1 & 1 & 2 & 1 \\ 1 & 2 & 3 & 1 \end{bmatrix} 取A= 111212323111
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。