3.n维向量
3.1 向量及其线性运算
3.1.1 向量的概念
定义:由数 ( a 1 , a 2 , . . . , a n ) (a_1,a_2,...,a_n) (a1,a2,...,an)组成的有序数组,称为n维向量,简称为向量。向量通常由斜体的希腊字母 α , β , γ \alpha,\beta,\gamma α,β,γ表示。
如,行向量: α = ( a 1 , a 2 , . . . , a n ) \alpha =(a_1,a_2,...,a_n) α=(a1,a2,...,an)
-
可以将矩阵的每一行看做一个行向量,每一列看做一个列向量。
-
如果向量的所有的元素都是0,那么是0向量。
向量相等的概念:同型、对应元素相等(横着写,竖着写无所谓)
向量的长度: α = ( a 1 , a 2 , . . . , a n ) , 数值 a 1 2 + a 2 2 + . . . + a n 2 \alpha=(a_1,a_2,...,a_n),数值\sqrt{a_1^2+a_2^2+...+a_n^2} α=(a1,a2,...,an),数值a12+a22+...+an2称为向量 α \alpha α的长度或者范数或者模,记为 ∣ ∣ α ∣ ∣ ||\alpha|| ∣∣α∣∣
——二维向量长度的推广
- 如果长度为0,那么这个向量一定是0向量。——0向量的充要条件:长度为0
- 单位向量: ∣ ∣ α ∣ ∣ = 1 ||\alpha|| = 1 ∣∣α∣∣=1,那么是单位向量
3.1.2 n维向量的线性运算
3.1.2.1 线性运算
设向量 α = ( a 1 , a 2 , . . . , a n ) , β = ( b 1 , b 2 , . . . , b n ) \alpha =(a_1,a_2,...,a_n),\beta = (b_1,b_2,...,b_n) α=(a1,a2,...,an),β=(b1,b2,...,bn)
- 加法:对应元素相加
- 减法:对应元素相减
- 数乘:每个元素乘以k
线性运算满足的8条运算规律:
3.1.2.2 线性组合
线性组合的定义:设向量 β , α 1 , α 2 , . . . , α m \beta,\alpha_1,\alpha_2,...,\alpha_m β,α1,α2,...,αm,若存在一组数 k 1 , k 2 , . . , k m k_1,k_2,..,k_m k1,k2,..,km使 β = k 1 α 1 + k 2 α 2 + . . . + k m α m \beta=k_1\alpha_1+k_2\alpha_2+...+k_m\alpha_m β=k1α1+k2α2+...+kmαm,则称向量 β \beta β可由向量 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性表示,或者称** β \beta β是 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm的线性组合**。
例:设 α 1 = ( 1 , 2 , − 1 ) , α 2 = ( 2 , − 3 , 1 ) , α 3 ( 4 , 1 , − 1 ) \alpha_1=(1,2,-1),\alpha_2=(2,-3,1),\alpha_3(4,1,-1) α1=(1,2,−1),α2=(2,−3,1),α3(4,1,−1),证明: α 3 \alpha_3 α3是 α 1 , α 2 \alpha_1,\alpha_2 α1,α2的线性组合
设 α 3 = k 1 α 1 + k 2 α 2 \alpha_3=k_1\alpha_1+k_2\alpha_2 α3=k1α1+k2α2,即:
( 4 , 1 , − 1 ) = k 1 ( 1 , 2 , − 1 ) + k 2 ( 2 , − 3 , 1 ) (4,1,-1) = k_1(1,2,-1)+k_2(2,-3,1) (4,1,−1)=k1(1,2,−1)+k2(2,−3,1)
得:
3.1.2.3 向量组的等价
向量组的等价:设有两个向量组(I): α 1 , α 2 , . . . , α r \alpha_1,\alpha_2,...,\alpha_r α1,α2,...,αr ;(II) β 1 , β 2 , . . . , β s \beta_1,\beta_2,...,\beta_s β1,β2,...,βs
若向量组(I)中每个向量都可以由向量组(II)线性表示,则称向量组(I)可以由向量组(II)线性表示;若向量组(I)与向量组(II)可以互相线性表示,则称向量组(I)与向量组(II)等价。
向量组的等价具有:自反性,对称性,传递性
3.1.3 向量组的线性相关性
3.1.3.1 定义
设向量组
α
1
,
α
2
,
.
.
.
,
α
m
\alpha_1,\alpha_2,...,\alpha_m
α1,α2,...,αm,若存在一组不全为0的数,
k
1
,
k
2
,
.
.
.
,
k
m
k_1,k_2,...,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+...+k_m\alpha_m=0
k1α1+k2α2+...+kmαm=0
则称向量组
α
1
,
α
2
,
.
.
.
,
α
m
\alpha_1,\alpha_2,...,\alpha_m
α1,α2,...,αm线性相关,否则
α
1
,
α
2
,
.
.
.
,
α
m
\alpha_1,\alpha_2,...,\alpha_m
α1,α2,...,αm线性无关。
note:
一个向量时:
- 若该向量是零向量,则它线性相关;
- 若该向量是非零向量,那么他线性无关
k α = 0 , α ≠ 0 , ⇒ k = 0 k\alpha=0,\alpha\neq 0,\Rightarrow k=0 kα=0,α=0,⇒k=0
两个向量:
- 两个向量的对应分量成比例
含有零向量:
任意一个含有零向量的向量组是线性相关的。
3.1.3.2 相关性的判定
(1)线性相关的和线性组合的关系定理
定理1:向量组 α 1 , α 2 , . . . , α m ( m ≥ 2 ) \alpha_1,\alpha_2,...,\alpha_m(m\geq 2) α1,α2,...,αm(m≥2)线性相关的充要条件是其中至少有一个向量可由其余 m − 1 m-1 m−1个向量线性表示
定理2:设向量组 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性无关,而向量组 β , α 1 , α 2 , . . . , α m \beta, \alpha_1,\alpha_2,...,\alpha_m β,α1,α2,...,αm线性相关,则 β \beta β可由 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性表示且唯一。
线性表示:反证法可证明
k β + k 1 α 1 + k 2 α 2 + . . . + k m α m = 0 ⇒ k β = − ( k 1 α 1 + k 2 α 2 + . . . + k m α m ) k\beta+k_1\alpha_1+k_2\alpha_2+...+k_m\alpha_m=0\Rightarrow k\beta=-(k_1\alpha_1+k_2\alpha_2+...+k_m\alpha_m) kβ+k1α1+k2α2+...+kmαm=0⇒kβ=−(k1α1+k2α2+...+kmαm)
若 k k k为0,那么 k β k\beta kβ为0,得到 k 1 α 1 + k 2 α 2 + . . . + k m α m = 0 k_1\alpha_1+k_2\alpha_2+...+k_m\alpha_m=0 k1α1+k2α2+...+kmαm=0,与 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性无关矛盾。所以 k ≠ 0 k\neq 0 k=0,故: β = − k 1 k α 1 − k 2 k α 2 + . . . + − k m k α m \beta=-\frac{k_1}{k}\alpha_1-\frac{k_2}{k}\alpha_2+...+-\frac{k_m}{k}\alpha_m β=−kk1α1−kk2α2+...+−kkmαm,即 β \beta β可由 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性表示
唯一性:标准证法:
(2)相关性的判定定理
定理3:在一个向量组中,若有一个部分向量组线性相关,那么整个向量组也必定线性相关;反之不对。
逆否命题:任何一个线性无关的向量组的任何非空的部分向量都线性无关。
定理4:m个n维向量
α
i
=
(
a
i
1
,
a
i
2
,
.
.
.
,
a
i
n
)
(
i
=
1
,
2
,
.
.
.
,
m
)
\alpha_i=(a_{i1},a_{i2},...,a_{in})(i=1,2,...,m)
αi=(ai1,ai2,...,ain)(i=1,2,...,m)线性相关的充要条件是由
α
i
(
i
=
1
,
2
,
.
.
.
,
m
)
\alpha_i(i=1,2,...,m)
αi(i=1,2,...,m)构成的矩阵
A
=
[
α
1
α
2
.
.
.
α
m
]
=
[
a
11
a
12
…
a
1
n
a
21
a
22
…
a
2
n
.
.
.
a
m
1
a
m
2
…
a
m
n
]
A=\begin{bmatrix} \alpha_1 \\ \alpha_2 \\.\\. \\. \\\alpha_m\end{bmatrix}= \begin{bmatrix} a_{11}&a_{12}&…&a_{1n} \\ a_{21}&a_{22}&…&a_{2n}\\.\\. \\.\\ a_{m1}&a_{m2}&…&a_{mn}\end{bmatrix}
A=⎣
⎡α1α2...αm⎦
⎤=⎣
⎡a11a21...am1a12a22am2………a1na2namn⎦
⎤
的秩
r
(
A
)
<
m
r(A)<m
r(A)<m
证明:
⇒ \Rightarrow ⇒: α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性相关,
由定理1知,必有某个向量(不妨设 α m \alpha_m αm)可由其余m-1个向量线性表示,即: α m = k 1 α 1 + . . . + k m − 1 α m − 1 \alpha_m=k_1\alpha_1+...+k_{m-1}\alpha_{m-1} αm=k1α1+...+km−1αm−1
A = [ α 1 α 2 . . . α m ] = [ a 11 a 12 … a 1 n a 21 a 22 … a 2 n . . . a m 1 a m 2 … a m n ] A=\begin{bmatrix} \alpha_1 \\ \alpha_2 \\.\\. \\. \\\alpha_m\end{bmatrix}= \begin{bmatrix} a_{11}&a_{12}&…&a_{1n} \\ a_{21}&a_{22}&…&a_{2n}\\.\\. \\.\\ a_{m1}&a_{m2}&…&a_{mn}\end{bmatrix} A=⎣ ⎡α1α2...αm⎦ ⎤=⎣ ⎡a11a21...am1a12a22am2………a1na2namn⎦ ⎤
例子:讨论 α 1 = ( 1 , 2 , − 1 ) , α 2 = ( 2 , − 3 , 1 ) , α 3 = ( 4 , 1 , − 1 ) \alpha_1=(1,2,-1),\alpha_2=(2,-3,1),\alpha_3=(4,1,-1) α1=(1,2,−1),α2=(2,−3,1),α3=(4,1,−1)的相关性。
法1:组合式
设: α 3 = k 1 α 1 + k 2 α 2 \alpha_3=k_1\alpha_1+k_2\alpha_2 α3=k1α1+k2α2
求解即可,得:
α
3
=
2
α
1
+
α
2
\alpha_3=2\alpha_1+\alpha_2
α3=2α1+α2
法2:定义证明,组合系数不全为零
设: k 1 α 1 + k 2 α 2 + k 3 α 3 = 0 k_1\alpha_1+k_2\alpha_2+k_3\alpha_3=0 k1α1+k2α2+k3α3=0
判定系数不全为0.
法3:将向量排成矩阵,由矩阵的秩确定
-
推论1:当 m > n m>n m>n时,m个n维向量线性相关
r ( A ) < m i n ( m , n ) = n < m r(A)<min(m,n)=n<m r(A)<min(m,n)=n<m,所以一定线性相关
-
推论2:任意m个n维向量线性无关的充要条件是由他们构成的矩阵 A = A m × n A=A_{m\times n} A=Am×n的秩 r ( A ) = m r(A)=m r(A)=m
-
推论3:任意n个n维向量线性无关的充要条件是由他们构成的方阵A的行列式不等于0,或 r ( A ) = n r(A)=n r(A)=n
-
推论4:任意n个n维向量线性相关的充要条件是由他们构成的方阵行列式为0,或者 r ( A ) < n r(A)<n r(A)<n
定理5:若m个r维向量 α i = ( a i 1 , a i 2 , . . . , a i r ) ( i = 1 , 2 , . . , m ) \alpha_i=(a_{i1},a_{i2},...,a_{ir})(i=1,2,..,m) αi=(ai1,ai2,...,air)(i=1,2,..,m)线性无关,则对应的m个 r + 1 r+1 r+1维向量 β i = ( a i 1 , a i 2 , . . . , a i r , a i r + 1 ) ( i = 1 , 2 , . . , m ) \beta_i=(a_{i1},a_{i2},...,a_{ir},a_{ir+1})(i=1,2,..,m) βi=(ai1,ai2,...,air,air+1)(i=1,2,..,m)仍线性无关。
用语言叙述为:线性无关的向量组,添加分量后仍线性无关。
3.2 向量的极大无关组和秩
α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm 线性相关
|
| 假设 α m \alpha_m αm可由前面的m-1个向量线性表示,去掉 α m \alpha_m αm
|
α 1 , α 2 , . . . , α m − 1 \alpha_1,\alpha_2,...,\alpha_{m-1} α1,α2,...,αm−1
|
| 假设 α m − 1 \alpha_{m-1} αm−1可由前面的m-2个向量线性表示,去掉 α m − 1 \alpha_{m-1} αm−1
|
α 1 , α 2 , . . . , α i \alpha_1,\alpha_2,...,\alpha_{i} α1,α2,...,αi——直到这组向量线性无关为止
这一组就是向量组的极大无关组。
3.2.1 向量的极大无关组的定义
定义:设向量组T的部分向量组 α 1 , α 2 , . . . , α r \alpha_1,\alpha_2,...,\alpha_r α1,α2,...,αr满足:
- α 1 , α 2 , . . . , α r \alpha_1,\alpha_2,...,\alpha_r α1,α2,...,αr线性无关
- T中的向量均可由 α 1 , α 2 , . . . , α r \alpha_1,\alpha_2,...,\alpha_r α1,α2,...,αr线性表示。或者T中的任意向量 α \alpha α,可使 α , α 1 , α 2 , . . . , α r \alpha,\alpha_1,\alpha_2,...,\alpha_r α,α1,α2,...,αr线性相关。
则称 α , α 1 , α 2 , . . . , α r \alpha,\alpha_1,\alpha_2,...,\alpha_r α,α1,α2,...,αr为向量组T的一个极大线性无关组,简称极大无关组。
极大无关组的两层含义:
- 无关性
- 极大性
显然有:
- 线性无关向量组的极大无关组就是其本身
- 向量组与其极大无关组等价
- 同一个向量组的极大无关组不唯一,但他们之间是的等价的。
example:
极大无关组所含向量是否相同?
3.2.1 极大无关组的性质
定理1:设有两个n维向量:
- ① α 1 , α 2 , . . . , α r \alpha_1,\alpha_2,...,\alpha_r α1,α2,...,αr
- ② β 1 , β 2 , . . . , β s \beta_1,\beta_2,...,\beta_s β1,β2,...,βs
若向量组①线性无关,且可由向量组②线性表示,则 r ≤ s r\leq s r≤s
证明:
A
=
[
α
1
α
2
.
.
.
α
r
]
=
[
a
11
a
12
…
a
1
n
a
21
a
22
…
a
2
n
.
.
.
a
r
1
a
r
2
…
a
r
n
]
,
B
=
[
β
1
β
2
.
.
.
β
s
]
=
[
b
11
b
12
…
b
1
n
b
21
b
22
…
b
2
n
.
.
.
b
s
1
b
s
2
…
b
s
n
]
,
c
=
[
β
1
β
2
.
.
.
β
s
α
1
α
2
.
.
.
α
r
]
→
[
β
1
β
2
.
.
.
β
s
0
0
.
.
.
0
]
A=\begin{bmatrix} \alpha_1 \\ \alpha_2 \\.\\. \\. \\\alpha_r\end{bmatrix}= \begin{bmatrix} a_{11}&a_{12}&…&a_{1n} \\ a_{21}&a_{22}&…&a_{2n}\\.\\. \\.\\ a_{r1}&a_{r2}&…&a_{rn}\end{bmatrix}, B=\begin{bmatrix} \beta_1 \\ \beta_2 \\.\\. \\. \\\beta_s\end{bmatrix}= \begin{bmatrix} b_{11}&b_{12}&…&b_{1n} \\ b_{21}&b_{22}&…&b_{2n}\\.\\. \\.\\ b_{s1}&b_{s2}&…&b_{sn}\end{bmatrix}, c=\begin{bmatrix} \beta_1 \\ \beta_2 \\.\\. \\. \\\beta_s\\\alpha_1 \\ \alpha_2 \\.\\. \\. \\\alpha_r\end{bmatrix}\rightarrow \begin{bmatrix} \beta_1 \\ \beta_2 \\.\\. \\. \\\beta_s\\0 \\ 0 \\.\\. \\. \\0\end{bmatrix}
A=⎣
⎡α1α2...αr⎦
⎤=⎣
⎡a11a21...ar1a12a22ar2………a1na2narn⎦
⎤,B=⎣
⎡β1β2...βs⎦
⎤=⎣
⎡b11b21...bs1b12b22bs2………b1nb2nbsn⎦
⎤,c=⎣
⎡β1β2...βsα1α2...αr⎦
⎤→⎣
⎡β1β2...βs00...0⎦
⎤
由上可知:
r
=
r
(
A
)
≤
r
(
c
)
≤
s
r=r(A)\leq r(c)\leq s
r=r(A)≤r(c)≤s
得证。
- 推论1:若向量组 α , α 1 , α 2 , . . . , α r \alpha,\alpha_1,\alpha_2,...,\alpha_r α,α1,α2,...,αr可由向量组 β 1 , β 2 , . . . , β s \beta_1,\beta_2,...,\beta_s β1,β2,...,βs线性表示,且r>s,则向量组 α , α 1 , α 2 , . . . , α r \alpha,\alpha_1,\alpha_2,...,\alpha_r α,α1,α2,...,αr线性相关。
反证法即可证明。
-
推论2:任意两个线性无关的等价向量组所含的向量个数相等。
r ≤ s ≤ r r\leq s\leq r r≤s≤r故 r = = s r==s r==s
定理2:一个向量组的任意两个极大无关组所含的向量个数一定相等。
3.2.3 向量组的秩
定义:向量组 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm的极大无关组所含的向量个数称为向量的极大无关组的秩,记为 r ( α 1 , α 2 , . . . , α r ) r(\alpha_1,\alpha_2,...,\alpha_r) r(α1,α2,...,αr)
注:(1)线性无关的向量组的秩 = 向量的个数
(2)向量组线性无关 ⇔ \Leftrightarrow ⇔秩 = 向量个数
定理3:若 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm可由 β 1 , β 2 , . . . , β s \beta_1,\beta_2,...,\beta_s β1,β2,...,βs线性表示,则 r ( α 1 , α 2 , . . . , α m ) ≤ r ( β 1 , β 2 , . . . , β s ) r(\alpha_1,\alpha_2,...,\alpha_m)\leq r(\beta_1,\beta_2,...,\beta_s) r(α1,α2,...,αm)≤r(β1,β2,...,βs)
证明:
{
α
1
,
α
2
,
.
.
.
,
α
m
→
α
i
,
.
.
.
,
a
r
是极大无关组
β
1
,
β
2
,
.
.
.
,
β
s
→
β
i
,
.
.
.
,
β
t
是极大无关组
⇒
r
≤
t
\begin{cases}\alpha_1,\alpha_2,...,\alpha_m\rightarrow \alpha_i,...,a_r是极大无关组\\ \beta_1,\beta_2,...,\beta_s\rightarrow \beta_i,...,\beta_t是极大无关组 \end{cases}\Rightarrow r\leq t
{α1,α2,...,αm→αi,...,ar是极大无关组β1,β2,...,βs→βi,...,βt是极大无关组⇒r≤t
推论:等价的向量组有相同的秩。
必须注意:有相同的秩的向量组不一定等价。
与矩阵区别:矩阵等价,那么秩相同;矩阵秩相同,那么等价
3.2.4 向量组秩的求法
行秩:矩阵行向量的秩
列秩:矩阵的列向量组的秩
定理四:矩阵的行秩与列秩相等,为矩阵的秩
推论:向量组的秩与该向量构成的矩阵的秩相等。
3.2.5 极大无关组的求法
列摆行变换法:
列摆行变换将矩阵变为梯形阵后,秩即求出来了。这时只需要在每个高度取一个向量,相同的高度取左边,即可得到极大无关组。
注意:行摆行变换不对!
只求秩时,行摆也可以。
用向量去求解矩阵中的问题:
证明: r ( A m × s S s × n ) ≤ m i n { r ( A ) , r ( B ) } r(A_{m\times s}S_{s\times n})\leq min\{r(A), r(B)\} r(Am×sSs×n)≤min{r(A),r(B)}
A m × s B s × n = C , A = ( α 1 , α 2 , . . . , α s ) , C = ( γ 1 , γ 2 , . . , γ n ) A_{m\times s}B_{s\times n}=C, A=(\alpha_1,\alpha_2,...,\alpha_s),C=(\gamma_1,\gamma_2,..,\gamma_n) Am×sBs×n=C,A=(α1,α2,...,αs),C=(γ1,γ2,..,γn)
3.3 向量空间
3.3.1 向量空间的概念
定义1:设V是n维向量的非空集合,称V对于向量加法和数乘两种运算封闭,如果 ∀ α , β ∈ V , k ∈ R , ⇒ α + β ∈ V , k α ∈ V \forall\alpha,\beta\in V,k\in R,\Rightarrow\alpha+\beta\in V,k\alpha\in V ∀α,β∈V,k∈R,⇒α+β∈V,kα∈V
定义2:设V是n维的非空集合,如果V对于向量加法和数乘两种运算封闭,则称集合V为n维向量空间,简称向量空间。
L
(
α
1
,
α
2
,
.
.
,
α
m
)
=
V
=
{
α
=
k
1
α
1
+
k
2
α
2
+
.
.
.
+
k
m
α
m
}
L(\alpha_1,\alpha_2,..,\alpha_m)=V=\{\alpha=k_1\alpha_1 + k_2\alpha_2+...+k_m\alpha_m\}
L(α1,α2,..,αm)=V={α=k1α1+k2α2+...+kmαm}
子空间:设W、V为向量空间,若W
⊂
\subset
⊂V,则称W是V的子空间。
3.3.2 向量空间的基和维数
定义3:若n维向量空间V中的向量组 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm满足:
- α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性无关
- V中的向量均可由 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性表示
则称 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm为V的一个基
定义4:基中所含的向量个数称为向量空间的维数。
若将向量空间看做向量组,则基就是向量组的极大无关组,维数就是向量组的秩。因此,基与维数的求法就是向量组的极大无关组和秩的求法。
3.3.3 向量在基下的坐标
定义4:设 ϵ 1 , ϵ 2 , . . . , ϵ r \epsilon_1,\epsilon_2,...,\epsilon_r ϵ1,ϵ2,...,ϵr是向量空间的基, α ∈ V \alpha\in V α∈V,且 α = k 1 ϵ 1 + k 2 ϵ 2 + . . . + k r ϵ r \alpha=k_1\epsilon_1+k_2\epsilon_2+...+k_r\epsilon_r α=k1ϵ1+k2ϵ2+...+krϵr,则称系数 k 1 , k 2 , . . , k r k_1,k_2,..,k_r k1,k2,..,kr为 α \alpha α在基 ϵ 1 , ϵ 2 , . . . , ϵ r \epsilon_1,\epsilon_2,...,\epsilon_r ϵ1,ϵ2,...,ϵr
下的坐标。
-
向量的坐标在一个确定的基下是唯一的
-
向量空间的基不唯一,因此不同的基下的坐标也不一样
-
向量在基下的坐标如何求?
- 待定系数法
- 矩阵方程法(recommend)
3.4 向量组的正交性
3.4.1 向量的内积
定义1:设有向量
α
=
(
a
1
,
a
2
,
.
.
.
,
a
n
)
,
β
=
(
b
1
,
b
2
,
.
.
.
,
b
n
)
,
\alpha=(a_1,a_2,...,a_n),\beta=(b_1,b_2,...,b_n),
α=(a1,a2,...,an),β=(b1,b2,...,bn),
a
1
b
1
+
a
2
b
2
+
.
.
.
+
a
n
b
n
a_1b_1+a_2b_2+...+a_nb_n
a1b1+a2b2+...+anbn
称为向量
α
\alpha
α和
β
\beta
β的内积,记做
(
α
,
β
)
(\alpha,\beta)
(α,β)
- ( α , β ) = α β T (\alpha,\beta)=\alpha\beta^T (α,β)=αβT
- 交换律
- 数乘
- 分配律 ( α + β , γ ) = ( α , γ ) + ( β , γ ) (\alpha+\beta,\gamma)=(\alpha,\gamma)+(\beta,\gamma) (α+β,γ)=(α,γ)+(β,γ)
- ( α , α ) = a 1 2 + a 2 2 + . . . + a n 2 = ∣ ∣ α ∣ ∣ 2 (\alpha,\alpha)=a_1^2+a_2^2+...+a_n^2=||\alpha||^2 (α,α)=a12+a22+...+an2=∣∣α∣∣2
3.4.2 向量的单位化
∣ ∣ 1 ∣ ∣ α ∣ ∣ α ∣ ∣ = 1 ∣ ∣ α ∣ ∣ ∣ ∣ α ∣ ∣ = 1 ||\frac{1}{||\alpha||}\alpha||=\frac{1}{||\alpha||}||\alpha||=1 ∣∣∣∣α∣∣1α∣∣=∣∣α∣∣1∣∣α∣∣=1
1 ∣ ∣ α ∣ ∣ α \frac{1}{||\alpha||}\alpha ∣∣α∣∣1α为单位向量
3.4.3 向量的正交性
3.4.3.1 正交向量组的定义
定义2:若 ( α , β ) = 0 (\alpha,\beta)=0 (α,β)=0,则称向量 α \alpha α与向量 β \beta β正交【0向量和任何向量正交】
定义3:如果m个n维非零向量
α
1
,
α
2
,
.
.
.
,
α
m
\alpha_1,\alpha_2,...,\alpha_m
α1,α2,...,αm两两正交,即满足
(
α
i
,
α
j
)
=
0
,
(
i
≠
j
)
(\alpha_i,\alpha_j)=0,(i\neq j)
(αi,αj)=0,(i=j)则称向量组
α
1
,
α
2
,
.
.
.
,
α
m
\alpha_1,\alpha_2,...,\alpha_m
α1,α2,...,αm为正交向量组,简称正交组。
e
1
=
(
1
,
0
,
.
.
.
,
0
)
,
e
2
=
(
0
,
1
,
.
.
.
,
0
)
,
.
.
.
,
e
n
=
(
0
,
0
,
.
.
.
,
1
)
e_1=(1,0,...,0),e_2=(0,1,...,0),...,e_n=(0,0,...,1)
e1=(1,0,...,0),e2=(0,1,...,0),...,en=(0,0,...,1)
为正交组。也称为单位正交组或者标准正交组。
3.4.3.2 正交向量组的性质
定理:设 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm为正交向量组,则 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性无关。
- 线性无关的向量组是否一定正交?——否
- 能否化为正交组?——是
3.4.3.4 正交化
-
α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm与 β 1 β 2 , . . . , β m \beta_1\beta_2,...,\beta_m β1β2,...,βm等价
-
β \beta β是正交组——计算证明
-
正交向量组再单位化,得到单位正交向量组
3.4.4 正交矩阵
3.4.4.1 正交矩阵的定义
定义4:若n阶方阵A满足 A A T = E AA^T=E AAT=E,则称A为n阶正交矩阵
性质:
- 正交矩阵的行列式为1
- 若A是正交矩阵,那么 A T A^T AT和 A − 1 A^{-1} A−1也是正交矩阵
- 若A,B是n阶正交阵,那么AB与BA也是正交矩阵
3.4.4.2 正交矩阵的判定
定理:矩阵 A = ( a i j ) n × n A=(a_{ij})_{n\times n} A=(aij)n×n为正交矩阵 ⇔ \Leftrightarrow ⇔A的行(列)向量为单位正交向量组。
证明正交矩阵:
- 定义证明
- 定理证明