第四章 向量空间
一、向量的定义与运算
全体平面向量 R 2 = { ( x , y ) ∣ x , y ∈ R } R^2=\{(x,y)|x,y \in R\} R2={(x,y)∣x,y∈R}，满足加法和数乘。空间向量同理。
-
P86 定义4.1.1： α = ( a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ n ) \alpha = (\vec a_1,\vec a_2,...,\vec a_n) α=(a1,a2,...,an)记作 n n n维行向量； α = [ a ⃗ 1 a ⃗ 2 ⋮ a ⃗ n ] \alpha = \begin{bmatrix} \vec a_ 1\\\vec a_2\\ \vdots\\\vec a_n \end{bmatrix} α=⎣⎢⎢⎢⎡a1a2⋮an⎦⎥⎥⎥⎤记作 n n n维列向量.
( 1 , 2 , 3 , . . . , n ) → n (1,2,3,...,n)\rightarrow n (1,2,3,...,n)→n维实向量， ( 1 + 2 i , 2 + 3 i , . . . , n + ( n + 1 ) i ) → n (1+2i,2+3i,...,n+(n+1)i)\rightarrow n (1+2i,2+3i,...,n+(n+1)i)→n维复向量。
-
P87 定义4.1.3：全体 n n n维实行（列）向量构成集合 R 1 × n ( R n × 1 ) R^{1\times n}(R^{n\times 1}) R1×n(Rn×1)，即 n n n维行（列）向量开空间。 R n ( 表 示 R 1 × n 或 R n × 1 ) R^n(表示R^{1\times n}或R^{n\times 1}) Rn(表示R1×n或Rn×1)与其上定义的加法和数乘运算构成** n n n维向量空间**。
- 注意：空间是一个集合，对加法和数乘封闭
- 若 V V V是向量空间，则 a 1 , a 2 ∈ V a_1,a_2\in V a1,a2∈V，一定有 k 1 a 1 + k 1 a 1 ∈ V k_1a_1+k_1a_1\in V k1a1+k1a1∈V.
-
P88 定义4.1.4：若 k 1 α ⃗ 1 + k 2 α ⃗ 2 + . . . + k p α ⃗ p = β ⃗ k_1\vec\alpha_1+k_2\vec\alpha_2+...+k_p\vec\alpha_p=\vec\beta k1α1+k2α2+...+kpαp=β，则 β ⃗ \vec\beta β为向量组 α ⃗ i \vec\alpha_i αi的一个向量组合，或 β \beta β可以由 α ⃗ 1 , α ⃗ 2 , . . . , α ⃗ p \vec\alpha_1,\vec\alpha_2,...,\vec\alpha_p α1,α2,...,αp线性表出。
-
向量组： A m × n A_{m\times n} Am×n表示m个n维行向量或n个m维列向量。
-
对线性方程组：相容（有解） ⟺ \iff ⟺
-
其常数列向量可由各未知量的系数列向量线性表出，即 x 1 α ⃗ 1 + x 2 α ⃗ 2 + . . . + x n α ⃗ n = β ⃗ x_1\vec\alpha_1+x_2\vec\alpha_2+...+x_n\vec\alpha_n=\vec\beta x1α1+x2α2+...+xnαn=β。
-
一般方程组 A m × n X n × 1 = b m × 1 A_{m\times n}X_{n\times 1}=b_{m\times 1} Am×nXn×1=bm×1，其增广矩阵为 [ A m × n ∣ b m × 1 ] \begin{bmatrix}A_{m\times n}&|&b_{m\times 1} \end{bmatrix} [Am×n∣bm×1]，化为向量形式（对系数矩阵进行列分块） [ α ⃗ 1 α ⃗ 2 . . . α ⃗ n ∣ b ⃗ m × 1 ] \begin{bmatrix}\vec\alpha_1 &\vec\alpha_2&...&\vec\alpha_n&|&\vec b_{m\times 1} \end{bmatrix} [α1α2...αn∣bm×1]
-
向量表示形式：判断 m m m维向量 b ⃗ \vec b b能否由 { a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ n } \{\vec a_1,\vec a_2,...,\vec a_n\} {a1,a2,...,an}线性表出== ⟺ \iff ⟺==判断 x 1 α ⃗ 1 + x 2 α ⃗ 2 + . . . + x n α ⃗ n = b ⃗ x_1\vec\alpha_1+x_2\vec\alpha_2+...+x_n\vec\alpha_n=\vec b x1α1+x2α2+...+xnαn=b是否有解.
向量维数（即方程组的个数），向量个数（即未知数个数）.
-
利用初等行变换将增广矩阵化成行最简式
二、线性相关性
-
P89 定义4.2.1：若向量方程 x 1 α ⃗ 1 + x 2 α ⃗ 2 + . . . + x p α ⃗ p = 0 x_1\vec\alpha_1+x_2\vec\alpha_2+...+x_p\vec\alpha_p=0 x1α1+x2α2+...+xpαp=0只有零解，则称向量组 { a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ p } \{\vec a_1,\vec a_2,...,\vec a_p\} {a1,a2,...,ap}线性无关，若存在不全为零的实数 x i x_i xi使方程成立，则称向量组 { a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ p } \{\vec a_1,\vec a_2,...,\vec a_p\} {a1,a2,...,ap}线性相关.
-
基础性质：
-
1.包含零向量的向量组，必线性相关
-
2. 一个向量 α ⃗ \vec\alpha α线性相关 ⟺ α ⃗ = 0 \iff \vec\alpha=0 ⟺α=0；两个向量 α ⃗ , β ⃗ \vec\alpha,\vec\beta α,β线性相关 ⟺ α ⃗ = k β ⃗ \iff \vec\alpha=k\vec\beta ⟺α=kβ（共线）
-
3.向量组 { a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ p } ( p ≥ 2 ) \{\vec a_1,\vec a_2,...,\vec a_p\}\,(p\ge2) {a1,a2,...,ap}(p≥2)线性相关 ⟺ \iff ⟺向量组中至少有一个向量可以由其余 p − 1 p-1 p−1个向量线性表出（向量组有冗余信息）
例： 判 断 a ⃗ 1 = { 1 , 2 , 3 } T , a ⃗ 2 = { 4 , 5 , 6 } T , a ⃗ 3 = { 2 , 1 , 0 } T 的 线 性 相 关 性 \color{blue}判断\vec a_1=\{1,2,3\}^T,\vec a_2=\{4,5,6\}^T,\vec a_3=\{2,1,0\}^T的线性相关性 判断a1={1,2,3}T,a2={4,5,6}T,a3={2,1,0}T的线性相关性
解：
考 虑 x 1 α ⃗ 1 + x 2 α ⃗ 2 + x 3 α ⃗ 3 = 0 是 否 有 非 零 解 ， 则 其 增 广 矩 阵 变 换 为 [ 1 4 2 0 2 5 1 0 3 6 0 0 ] → [ 1 0 − 2 0 0 1 1 0 0 0 0 0 ] 故 x 3 是 自 由 变 量 ， 不 妨 设 x 3 = 1 , 于 是 x 1 = 2 , x 2 = − 1 ， 则 2 α ⃗ 1 − α ⃗ 2 + α ⃗ 3 = 0 线 性 相 关 . 考虑x_1\vec\alpha_1+x_2\vec\alpha_2+x_3\vec\alpha_3=0是否有非零解，则其增广矩阵变换为 \\ \begin{bmatrix}1&4&2&0 \\ 2&5&1&0 \\ 3&6&0&0 \end{bmatrix}\rightarrow \begin{bmatrix} 1&0&-2&0 \\ 0&1&1&0 \\ 0&0&0&0 \end{bmatrix} \\ 故x_3是自由变量，不妨设x_3=1,于是x_1=2,x_2=-1，则2\vec\alpha_1-\vec\alpha_2+\vec\alpha_3=0线性相关. 考虑x1α1+x2α2+x3α3=0是否有非零解，则其增广矩阵变换为⎣⎡123456210000⎦⎤→⎣⎡100010−210000⎦⎤故x3是自由变量，不妨设x3=1,于是x1=2,x2=−1，则2α1−α2+α3=0线性相关. 总结：判读向量组的相关性（能否线性表出） ⟺ { 齐 次 方 程 组 x 1 α ⃗ 1 + x 2 α ⃗ 2 + . . . + x p α ⃗ p = 0 是 否 有 非 零 解 非 齐 次 方 程 组 x 1 α ⃗ 1 + x 2 α ⃗ 2 + . . . + x p α ⃗ p = α ⃗ p + 1 是 否 有 解 \color{red}\iff \begin{cases} 齐次方程组x_1\vec\alpha_1+x_2\vec\alpha_2+...+x_p\vec\alpha_p=0是否有非零解 \\非齐次方程组x_1\vec\alpha_1+x_2\vec\alpha_2+...+x_p\vec\alpha_p=\vec\alpha_{p+1}是否有解 \end{cases} ⟺{齐次方程组x1α1+x2α2+...+xpαp=0是否有非零解非齐次方程组x1α1+x2α2+...+xpαp=αp+1是否有解
（方程个数为 n n n，未知数个数为 p p p，系数矩阵 A = [ α ⃗ 1 α ⃗ 2 . . . α ⃗ p ] n × p A=\begin{bmatrix}\vec\alpha_1&\vec\alpha_2&...&\vec\alpha_p\end{bmatrix}_{n\times p} A=[α1α2...αp]n×p，主元列数 r ( A ) ≤ m i n { n , p } r(A)\le min\{n,p\} r(A)≤min{n,p}）
写出同解方程组（化为行最简形矩阵），则** p p p个未知数中，基本变量为 r ( A ) r(A) r(A)个，自由变量为 p − r ( A ) p-r(A) p−r(A)个**。取自由变量为固定值，即可。
例： A 是 n 维 方 阵 , a 是 n 维 向 量 . 若 A m − 1 a ≠ 0 , A m a = 0. 证 明 ： A a , A 2 a , . . . , A m − 1 a 线 性 无 关 \color{blue}A是n维方阵,a是n维向量.若A^{m-1}a\ne0,A^ma=0.证明：Aa,A^2a,...,A^{m-1}a线性无关 A是n维方阵,a是n维向量.若Am−1a=0,Ama=0.证明：Aa,A2a,...,Am−1a线性无关
设 k 1 A a + k 2 A 2 a + . . . + k m − 1 A m − 1 a = 0 ( ∗ ) 对 ( ∗ ) 左 乘 A 得 : k 1 A 2 a + k 2 A 3 a + . . . + k m − 2 A m − 1 a + 0 = 0 不 断 对 ( ∗ ) 左 乘 A m − 2 得 : k 1 A m − 1 a = 0 ∵ A m − 1 a ≠ 0 ∴ k 1 = 0. 代 入 可 得 k 1 = k 2 = . . . = k m − 1 = 0 , 故 线 性 无 关 设k_1Aa+k_2A^2a+...+k_{m-1}A^{m-1}a=0\,(*) \\ 对(*)左乘A得: k_1A^2a+k_2A^3a+...+k_{m-2}A^{m-1}a+0=0 \\ 不断对(*)左乘A^{m-2}得: k_1A^{m-1}a=0 \\ \because A^{m-1}a\ne0\,\therefore k_1=0. \\ 代入可得k_1=k_2=...=k_{m-1}=0,故线性无关 设k1Aa+k2A2a+...+km−1Am−1a=0(∗)对(∗)左乘A得:k1A2a+k2A3a+...+km−2Am−1a+0=0不断对(∗)左乘Am−2得:k1Am−1a=0∵Am−1a=0∴k1=0.代入可得k1=k2=...=km−1=0,故线性无关
==总结==证明线性无关：先设 k 1 α ⃗ 1 + k 2 α ⃗ 2 + . . . + k p α ⃗ p = 0 k_1\vec\alpha_1+k_2\vec\alpha_2+...+k_p\vec\alpha_p=0 k1α1+k2α2+...+kpαp=0，下证 k 1 = k 2 = . . . = k p = 0 k_1=k_2=...=k_p=0 k1=k2=...=kp=0. -
4.若向量组 { a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ p } ( I ) \{\vec a_1,\vec a_2,...,\vec a_p\}(I) {a1,a2,...,ap}(I)线性无关， { a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ p , β ⃗ } \{\vec a_1,\vec a_2,...,\vec a_p,\vec \beta\} {a1,a2,...,ap,β}线性相关，则 β ⃗ \vec \beta β可由向量组 ( I ) (I) (I)唯一线性表出
-
5.若向量组所含向量个数比向量的分量数目多，则向量组必相关（ p > n p>n p>n必有多余向量 o r or or 3个二维向量一定线性相关）
-
6.若向量组 ( n × p ) (n\times p) (n×p)线性无关，在每个向量的相同位置添1个分量后所得向量组 ( ( n + 1 ) × p ) ((n+1) \times p) ((n+1)×p)仍然线性无关（推论： 1 → m 1\rightarrow m 1→m仍成立）
-
-
与行列式的性质：
-
n n n个 n n n维列向量 a 1 , a 2 , . . . , a n a_1,a_2,...,a_n a1,a2,...,an线性相关 ⟺ n \iff n ⟺n阶行列式 d e t ( a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ n ) = 0 det(\vec a_1,\vec a_2,...,\vec a_n)=0 det(a1,a2,...,an)=0.
证：克莱姆法则
-
-
部分与整体性质：
-
若整体线性无关，则部分线性无关；若部分线性相关，则整体线性相关，（向量个数==由多到少保留无关性，由少到多保留相关性==）
证：k=0为填充物
-
三、极大无关线性组和秩
-
P93 定义4.3.1：向量组 A n × p A_{n\times p} An×p中的每一个向量都可以由向量组 B n × t B_{n\times t} Bn×t线性表出，则称 A A A可以由 B B B线性表出，即 [ β ⃗ 1 β ⃗ 2 . . . β ⃗ t ] ⋅ [ k 11 k 12 . . . k 1 p k 21 k 22 . . . k 2 p ⋮ ⋮ ⋮ k t 1 k t 2 . . . k t p ] = [ α ⃗ 1 α ⃗ 2 . . . α ⃗ p ] \begin{bmatrix}\vec\beta_1 &\vec\beta_2&...&\vec\beta_t\end{bmatrix}\cdot \begin{bmatrix} k_{11}&k_{12}&...&k_{1p} \\ k_{21}&k_{22}&...&k_{2p} \\ \vdots &\vdots &&\vdots \\k_{t1}&k_{t2}&...&k_{tp} \end{bmatrix}= \begin{bmatrix}\vec\alpha_1 &\vec\alpha_2&...&\vec\alpha_p\end{bmatrix} [β1β2...βt]⋅⎣⎢⎢⎢⎡k11k21⋮kt1k12k22⋮kt2.........k1pk2p⋮ktp⎦⎥⎥⎥⎤=[α1α2...αp]（矩阵方程有解）。
-
P93 定理4.3.1：向量组 A n × p A_{n\times p} An×p可由向量组 B n × t B_{n\times t} Bn×t 线性表出，则 p > t ⟺ p>t\iff p>t⟺ 方程组 A n × p A_{n\times p} An×p 线性相关（在线性方程组方面，可理解为。。。）
证明提示：对于齐次线性方程 A m × n ⋅ x ⃗ = 0 A_{m\times n} \cdot \vec x=0 Am×n⋅x=0，当== n > r ( A ) \color{Red}n>r(A) n>r(A)== 时，必有非零解
-
P94 定理4.3.2：线性无关向量组 A n × p A_{n\times p} An×p可由向量组 B n × t B_{n\times t} Bn×t线性表出，$\iff 则 则 则p\le t$.
推论：两等价的线性无关向量组的向量个数相同。
总结： p p p个相关向量可由少于 p p p个向量线性表出， p p p个无关向量至少要 p p p个向量线性表出
-
P94 定义4.3.2：向量组 ( I ) (I) (I)中的任意向量可由其线性无关的部分组 ( I I ) (II) (II)线性表出，则称 ( I I ) (II) (II)是 ( I ) (I) (I)的一个极大线性无关组。
基本性质：
- 不唯一
- 向量个数相同，称为向量组的秩（rank），记作 r ( a ⃗ 1 , a ⃗ 2 , . . . , a ⃗ p ) r(\vec a_1,\vec a_2,...,\vec a_p) r(a1,a2,...,ap)
- 均与向量组本身等价
- 一个线性无关向量组的极大线性无关组为其本身（若秩<向量个数，则向量组线性相关；若秩=向量个数，则向量组线性无关）
-
求向量组的秩和一个极大无关组
- 由于行化简后的方程组和原式是同解方程组，变化可得
- 使由主元列构成
四、子空间
任意向量组构成的生成集
-
三要素：
-
特殊子空间（平凡子空间）
-
最小生成集是极大无关组（线性无关生成集是子空间的最小生成集，是描述子空间结构的更有效的方式.）
例：证集合H1=集合H2：$任意\beta\in H1\Rightarrow \beta\in H2 $
-
col
最小生成集的本质就是极大无关组
-
nul
NulA ∈ R n \in R^n ∈Rn
（列空间是列向量生成的，零空间是解向量生成的）
五、基和维数（串概念）
基一定是方阵吗
引入：定义域到值域的
子空间H的生成集不唯一（可由不同向量张成）：有冗余（无意义），所以关注子空间最小生成集（相当于关注向量组的极大无关组），即基，基中所含向量个数唯一，称为维数（dimH）
H属于 R n R^n Rn,dim(H) ≤ \le ≤n
基的条件：线性无关
A m × n = [ a 1 , a 2 , . . . , a n ] A_{m\times n}=[a_1,a_2,...,a_n] Am×n=[a1,a2,...,an]，n个m维的列向量构成向量组
-
求A的列空间ColA的一组基 ⟺ \iff ⟺求A的列向量组的极大无关组
-
求A的零空间NulA的一组基 ⟺ \iff ⟺求A的解向量的极大无关组
-
求向量a在
| 求A的列空间ColA的一组基 | ⟺ \iff ⟺ | 求A的列向量组的极大无关组 |
|---|---|---|
| 求A的零空间NulA的一组基 | ⟺ \iff ⟺ | 求A的解向量的极大无关组 |
| ⟺ \iff ⟺ | ||
| ⟺ \iff ⟺ |
六、矩阵的秩
-
秩的性质：对于矩阵 A m × n A_{m\times n} Am×n
-
矩阵左/右乘可逆矩阵秩不变（矩阵初等变换不改变矩阵的秩） r ( A ) = r ( P A ) = r ( A Q ) = r ( P A Q ) r(A)=r(PA)=r(AQ)=r(PAQ) r(A)=r(PA)=r(AQ)=r(PAQ)
-
矩阵的 A A A行秩=列秩= r ( A ) r(A) r(A)
-
矩阵等价充要条件为秩相同 A ≃ B ⟺ r ( A ) = r ( B ) A\simeq B\iff r(A)=r(B) A≃B⟺r(A)=r(B)
向量组（两组向量个数不一定等）等价充要条件为可互相线性表出 ⟺ r ( A ) = r ( B ) = r ( A , B ) \iff r(A)=r(B)=r(A,B) ⟺r(A)=r(B)=r(A,B)
-
秩定理： r ( A ) + dim N u l A = n r(A)+\dim NulA=n r(A)+dimNulA=n（列数）
-
r ( A ) = r ( A T ) r(A)=r(A^T) r(A)=r(AT)
-
r ( A ± B ) ≤ r ( A ) + r ( B ) r(A\pm B)\le r(A)+r(B) r(A±B)≤r(A)+r(B)
-
r ( A , B ) s × ( n + t ) ≤ r ( A s × n ) + r ( B s × t ) r(A,B)_{s\times (n+t)}\le r(A_{s\times n})+r(B_{s\times t}) r(A,B)s×(n+t)≤r(As×n)+r(Bs×t)
-
r ( A ) + r ( B ) − n ≤ r ( A B ) s × n ≤ min { r ( A s × n ) , r ( B n × t ) } r(A)+r(B)-n\le r(AB)_{s\times n}\le \min\{r(A_{s\times n}),r(B_{n\times t})\} r(A)+r(B)−n≤r(AB)s×n≤min{r(As×n),r(Bn×t)}
当 A B = 0 AB=0 AB=0时，有 r ( A ) + r ( B ) ≤ n r(A)+r(B)\le n r(A)+r(B)≤n.
-
r ( A ∗ ) = { n r ( A ) = n 1 r ( A ) = n − 1 0 r ( A ) = < n − 1 r(A^*)=\begin{cases}n\qquad r(A)=n\\1\qquad r(A)=n-1\\0\qquad r(A)=<n-1\end{cases} r(A∗)=⎩⎪⎨⎪⎧nr(A)=n1r(A)=n−10r(A)=<n−1
-
方阵 A n A_n An：
- r ( A ) = n r(A)=n r(A)=n（满秩）：表示 n n n个行/列向量线性无关， ∣ A ∣ ≠ 0 |A|\ne0 ∣A∣=0为可逆矩阵， A X = 0 AX=0 AX=0只有零解
- r ( A ) < n r(A)<n r(A)<n：表示 n n n个行/列向量线性相关， ∣ A ∣ = 0 |A|=0 ∣A∣=0， A X = 0 AX=0 AX=0有非零解（无穷组解）
-
扫一扫
4937
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
