线性相关
定义
- 定义1:在向量空间 V V V 的一组向量 A A A : α 1 , α 2 , ⋯ α m \alpha_{1},\alpha_{2},\cdots \alpha_{m} α1,α2,⋯αm,如果存在不全为零的数 k 1 , k 2 , ⋯ k m k_{1},k_{2},\cdots k_{m} k1,k2,⋯km ,使 k 1 α 1 + k 2 α 2 + ⋯ + k m α m = 0 k_{1}\alpha_{1}+k_{2}\alpha_{2}+\cdots +k_{m}\alpha_{m}=0 k1α1+k2α2+⋯+kmαm=0 则称向量组 A A A 是线性相关的,否则,称其为线性无关的。
- 定义2:当且仅当 α 1 , α 2 , ⋯ α m \alpha_{1},\alpha_{2},\cdots \alpha_{m} α1,α2,⋯αm 全为零时,使得使 k 1 α 1 + k 2 α 2 + ⋯ + k m α m = 0 k_{1}\alpha_{1}+k_{2}\alpha_{2}+\cdots +k_{m}\alpha_{m}=0 k1α1+k2α2+⋯+kmαm=0 成立,称向量组线性无关。
定理:
- 两个向量 a a a 、 b b b 共线的充要条件是 a a a、 b b b 线性相关;
- 三个向量 a a a 、 b b b 、 c c c 共面的充要条件是 a a a 、 b b b 、 c c c 线性相关;
- 向量 a 1 , a 2 , ⋅ ⋅ ⋅ , a n ( n ⩾ 2 ) a_1,a_2, ···,a_n (n\geqslant 2) a1,a2,⋅⋅⋅,an(n⩾2) 线性相关的充要条件是这 n n n 个向量中的一个为其余 ( n − 1 ) (n-1) (n−1) 个向量的线性组合,即有 a n a_n an ,且存在数域K中一组数 k 1 , k 2 , ⋯ k m k_{1},k_{2},\cdots k_{m} k1,k2,⋯km ,满足 a n = k 1 a 1 + k 2 a 2 + ⋯ + k n − 1 a n − 1 a_n = k_1a_1+k_2a_2 + \cdots +k_{n-1}a_{n-1} an=k1a1+k2a2+⋯+kn−1an−1
注意:
- 对于任一向量组而言,,不是线性无关的就是线性相关的;
- 包含零向量的任何向量组是线性相关的;
- 含有相互平行的向量的向量组必线性相关;
- 向量组是线性相关的,那么增加向量的个数,不改变向量的相关性。【局部相关,整体相关】
- 向量组是线性无关的,那么减少向量的个数,不改变向量的无关性。【整体无关,局部无关】
正交向量
通常,两个向量垂直的充分必要条件是它们夹角的余弦为零,亦即它们的数量积为零。在一般的欧式空间中,仍以内积定义两向量夹角的余弦。
定义:如果对于欧式空间中的两个向量 x x x 与 y y y 有 ( x , y ) = 0 (x,y)=0 (x,y)=0 ,则称 x x x 与 y y y 正交 或 垂直 ,记为 x ⊥ y x\perp y x⊥y 。
结论:
- 当 x x x 与 y y y 正交时, y y y 与 x x x 也正交;
- 零向量与任意向量均正交;
- 如果 x ⊥ y x\perp y x⊥y ,且 x x x 与 y y y 线性相关,则此二向量中至少有一个是零向量。
定义:如果欧式空间中一组非零向量两两正交,则称为正交向量组。
定理:设 x 1 , x 2 , ⋯ x m x_{1},x_{2},\cdots x_{m} x1,x2,⋯xm 是正交向量组,则它们必线性无关。
上述定理可以表明,在 n n n 维欧式空间中,两两正交的非零向量不能超过 n n n 个。例如,在平面上找不到三个两两正交的非零向量;在通常的三维空间 R 3 R^3 R3 中,找不到四个两两正交的非零向量。
正交基
定义:在欧式空间 V n V^n Vn 中,由 n n n 个非零向量组成的正交向量组称为 V n V^n Vn 的 正交基 ;由单位向量组成的正交基称为 标准正交基 或 法正交基 ;其基向量称为 单位坐标向量 。
一个基为标准正交基的 充要条件 是它的度量矩阵为单位矩阵。
证明:设 x 1 , x 2 , ⋯ x n x_{1},x_{2},\cdots x_{n} x1,x2,⋯xn 为标准正交基,则由定义有 ( x i , x j ) = x i T x j = { 1 if i = j 0 if i ≠ j \left ( x_{i},x_{j} \right )=x_{i}^{T}x_{j}=\begin{cases} 1 & \text{ if } i=j \\ 0 & \text{ if } i\neq j \end{cases} (xi,xj)=xiTxj={10 if i=j if i=j 可见 ,它的度量矩阵是单位矩阵。反之,如果以单位矩阵为度量矩阵,则由矩阵相等可得 ( x i , x j ) = x i T x j \left ( x_{i},x_{j} \right )=x_{i}^{T}x_{j} (xi,xj)=xiTxj ,即 x 1 , x 2 , ⋯ x n x_{1},x_{2},\cdots x_{n} x1,x2,⋯xn 为标准正交基。
正交化
定理:对于欧式空间 V n V^n Vn 的任一基 x 1 , x 2 , ⋯ x n x_{1},x_{2},\cdots x_{n} x1,x2,⋯xn ,都可以找到一个标准正交基 y 1 , y 2 , ⋯ y n y_{1},y_{2},\cdots y_{n} y1,y2,⋯yn 。换言之,任一非零欧式空间都有正交基和标准正交基。
这个正交基我们可以通过Gram-Schmidt正交化获得。
Gram-Schmidt正交化方法是将 线性无关 的向量转化为 标准正交化向量 的方法。注意这里的前提,Gram-Schmidt正交化方法是对线性无关的向量操作。
假设欧式空间 V n V^n Vn 中的任一基为 x 1 , x 2 , ⋯ x n x_{1},x_{2},\cdots x_{n} x1,x2,⋯xn ,我们通过Gram-Schmidt正交化方法得到该基的正交基和标准正交基。
- 取 β 1 = x 1 \beta_{1}=x_1 β1=x1 ,作所求正交基中的第一个向量。
- 令 β 2 = x 2 + k β 1 \beta_{2}=x_2+k\beta_{1} β2=x2+kβ1 ,由于我们要构造的正交基两两向量相互正交,有 ( β 1 , β 2 ) = 0 (\beta_{1},\beta_{2})=0 (β1,β2)=0 ,通过这个条件来计算待定常数 k k k 。
- 由 ( β 1 , x 2 + k β 1 ) = ( β 1 , x 2 ) + k ( β 1 , β 1 ) = 0 (\beta_{1},x_2+k\beta_{1})=(\beta_{1},x_2)+k(\beta_{1},\beta_{1})=0 (β1,x2+kβ1)=(β1,x2)+k(β1,β1)=0 得 k = − ( x 2 , β 1 ) ( β 1 , β 1 ) k=-\frac{(x_2,\beta _{1})}{(\beta _{1},\beta _{1})} k=−(β1,β1)(x2,β1) 代入 β 2 = x 2 + k β 1 \beta_{2}=x_2+k\beta_{1} β2=x2+kβ1 ,这样就得到两个相互正交的向量 β 1 \beta_{1} β1 , β 2 \beta_{2} β2,且 β 2 ≠ 0 \beta_{2} \neq 0 β2=0 。
- 令 β 3 = x 3 + k 2 β 2 + k 1 β 1 \beta_{3}=x_3+k_2\beta_{2}+k_1\beta_{1} β3=x3+k2β2+k1β1 ,再由正交条件 ( β 1 , β 3 ) = 0 (\beta_{1},\beta_{3})=0 (β1,β3)=0 及 ( β 2 , β 3 ) = 0 (\beta_{2},\beta_{3})=0 (β2,β3)=0 来决定出常数 k 1 k_1 k1 和 k 2 k_2 k2 为 k 2 = − ( x 3 , β 2 ) ( β 2 , β 2 ) , k 1 = − ( x 3 , β 1 ) ( β 1 , β 1 ) k_2=-\frac{(x_3,\beta _{2})}{(\beta _{2},\beta _{2})},k_1=-\frac{(x_3,\beta _{1})}{(\beta _{1},\beta _{1})} k2=−(β2,β2)(x3,β2),k1=−(β1,β1)(x3,β1)
- 以此类推,继续进行下去,直到最后一个向量。
上述获得的向量组
(
β
1
,
β
2
,
⋯
,
β
n
)
(\beta _{1},\beta _{2},\cdots ,\beta _{n})
(β1,β2,⋯,βn) 即为欧式空间
V
n
V^n
Vn 中的一个 正交基 。再将各向量单位化,即除以各自的模,得到单位正交向量组
y
1
,
y
2
,
⋯
y
n
y_{1},y_{2},\cdots y_{n}
y1,y2,⋯yn,也即 标准正交基。
y
i
=
β
i
∣
β
i
∣
,
i
=
1
,
2
,
.
.
.
,
n
y_{i}=\frac{\beta_i}{\left | \beta _{i} \right |},i=1,2,...,n
yi=∣βi∣βi,i=1,2,...,n 由基
x
1
,
x
2
,
⋯
x
n
x_{1},x_{2},\cdots x_{n}
x1,x2,⋯xn 求标准正交基
y
1
,
y
2
,
⋯
y
n
y_{1},y_{2},\cdots y_{n}
y1,y2,⋯yn 的过程也称把基
x
1
,
x
2
,
⋯
x
n
x_{1},x_{2},\cdots x_{n}
x1,x2,⋯xn 正交单位化 或 正交规范化 。
为简单起见,以包含四个向量的向量组为例,介绍Schmidt正交化的具体过程。假设向量组为 x 1 = ( 1 , 1 , 0 , 0 ) x_{1}=\left ( 1,1,0,0 \right ) x1=(1,1,0,0) , x 2 = ( 1 , 0 , 1 , 0 ) x_{2}=\left ( 1,0,1,0 \right ) x2=(1,0,1,0) , x 3 = ( − 1 , 0 , 0 , 1 ) x_{3}=\left ( -1,0,0,1 \right ) x3=(−1,0,0,1) , x 4 = ( 1 , − 1 , − 1 , 1 ) x_{4}=\left ( 1,-1,-1,1 \right ) x4=(1,−1,−1,1) ,求解其标准正交基。
解:首先先把它们正交化。
取
β
1
=
x
1
=
(
1
,
1
,
0
,
0
)
\beta_{1}=x_1=\left ( 1,1,0,0 \right )
β1=x1=(1,1,0,0)
令
β
2
=
x
2
+
k
β
1
\beta_{2}=x_2+k\beta_{1}
β2=x2+kβ1 ,常数
k
k
k 为
k
=
−
(
x
2
,
β
1
)
(
β
1
,
β
1
)
=
−
1
2
k=-\frac{(x_2,\beta _{1})}{(\beta _{1},\beta _{1})}=-\frac{1}{2}
k=−(β1,β1)(x2,β1)=−21,则
β
2
=
x
2
+
k
β
1
=
(
1
,
0
,
1
,
0
)
−
1
2
(
1
,
1
,
0
,
0
)
=
(
1
2
,
−
1
2
,
1
,
0
)
\begin{aligned} \beta_{2}&=x_2+k\beta_{1} \\ &=\left ( 1,0,1,0 \right )-\frac{1}{2}\left ( 1,1,0,0 \right )\\ &=(\frac{1}{2},-\frac{1}{2},1,0) \end{aligned}
β2=x2+kβ1=(1,0,1,0)−21(1,1,0,0)=(21,−21,1,0)
令
β
3
=
x
3
+
k
2
β
2
+
k
1
β
1
\beta_{3}=x_3+k_2\beta_{2}+k_1\beta_{1}
β3=x3+k2β2+k1β1 ,常数
k
1
k_1
k1 与
k
2
k_2
k2 为
k
1
=
−
(
x
3
,
β
1
)
(
β
1
,
β
1
)
=
1
2
,
k
2
=
−
(
x
3
,
β
2
)
(
β
2
,
β
2
)
=
−
−
1
/
2
3
/
2
=
1
3
k_1=-\frac{(x_3,\beta _{1})}{(\beta _{1},\beta _{1})}=\frac{1}{2},k_2=-\frac{(x_3,\beta _{2})}{(\beta _{2},\beta _{2})}=-\frac{-1/2}{3/2}=\frac{1}{3}
k1=−(β1,β1)(x3,β1)=21,k2=−(β2,β2)(x3,β2)=−3/2−1/2=31, 则
β
3
=
x
3
+
k
2
β
2
+
k
1
β
1
=
(
−
1
,
0
,
0
,
1
)
+
1
3
(
1
2
,
−
1
2
,
1
,
0
)
+
1
2
(
1
,
1
,
0
,
0
)
=
(
−
1
3
,
1
3
,
1
3
,
1
)
\begin{aligned} \beta_{3} &= x_3+k_2\beta_{2}+k_1\beta_{1}\\ &= \left ( -1,0,0,1 \right )+\frac{1}{3}(\frac{1}{2},-\frac{1}{2},1,0)+\frac{1}{2}\left ( 1,1,0,0 \right )\\ &= (-\frac{1}{3},\frac{1}{3},\frac{1}{3},1) \end{aligned}
β3=x3+k2β2+k1β1=(−1,0,0,1)+31(21,−21,1,0)+21(1,1,0,0)=(−31,31,31,1)
令 β 4 = x 4 + k 3 β 3 + k 2 β 2 + k 1 β 1 \beta_{4}=x_4+k_3\beta_{3}+k_2\beta_{2}+k_1\beta_{1} β4=x4+k3β3+k2β2+k1β1 ,常数 k 1 k_1 k1 与 k 2 k_2 k2 为 k 1 = − ( x 4 , β 1 ) ( β 1 , β 1 ) = 0 , k 2 = − ( x 4 , β 2 ) ( β 2 , β 2 ) = 0 , k 3 = − ( x 4 , β 3 ) ( β 3 , β 3 ) = 0 k_1=-\frac{(x_4,\beta _{1})}{(\beta _{1},\beta _{1})}=0,k_2=-\frac{(x_4,\beta _{2})}{(\beta _{2},\beta _{2})}=0,k_3=-\frac{(x_4,\beta _{3})}{(\beta _{3},\beta _{3})}=0 k1=−(β1,β1)(x4,β1)=0,k2=−(β2,β2)(x4,β2)=0,k3=−(β3,β3)(x4,β3)=0, 则 β 4 = x 4 + k 3 β 3 + k 2 β 2 + k 1 β 1 = ( 1 , − 1 , − 1 , 1 ) \beta_{4}=x_4+k_3\beta_{3}+k_2\beta_{2}+k_1\beta_{1}= ( 1,-1,-1,1 ) β4=x4+k3β3+k2β2+k1β1=(1,−1,−1,1)
再单位化,便有
y
1
=
β
1
∣
β
1
∣
=
1
2
β
1
=
(
1
2
,
1
2
,
0
,
0
)
y_{1}=\frac{\beta_1}{\left | \beta _{1} \right |}=\frac{1}{\sqrt{2}}\beta _{1}=(\frac{1}{\sqrt{2}},\frac{1}{\sqrt{2}},0,0)
y1=∣β1∣β1=21β1=(21,21,0,0)
y
2
=
β
2
∣
β
2
∣
=
2
6
β
2
=
(
1
6
,
−
1
6
,
2
6
,
0
)
y_{2}=\frac{\beta_2}{\left | \beta _{2} \right |}=\frac{2}{\sqrt{6}}\beta _{2}=(\frac{1}{\sqrt{6}},-\frac{1}{\sqrt{6}},\frac{2}{\sqrt{6}},0)
y2=∣β2∣β2=62β2=(61,−61,62,0)
y
3
=
β
3
∣
β
3
∣
=
3
2
β
3
=
(
−
1
12
,
1
12
,
1
12
,
3
12
)
y_{3}=\frac{\beta_3}{\left | \beta _{3} \right |}=\frac{\sqrt{3}}{2}\beta _{3}=(-\frac{1}{\sqrt{12}},\frac{1}{\sqrt{12}},\frac{1}{\sqrt{12}},\frac{3}{\sqrt{12}})
y3=∣β3∣β3=23β3=(−121,121,121,123)
y
4
=
β
4
∣
β
4
∣
=
1
2
β
4
=
(
1
2
,
−
1
2
,
−
1
2
,
1
2
)
y_{4}=\frac{\beta_4}{\left | \beta _{4} \right |}=\frac{1}{2}\beta _{4}=(\frac{1}{2},-\frac{1}{2},-\frac{1}{2},\frac{1}{2})
y4=∣β4∣β4=21β4=(21,−21,−21,21)