第三章向量(vector)
3.1 n维向量及其运算
● n维向量:n个数
a
1
,
a
2
⋯
a
n
a_1,a_2\cdots a_n
a1,a2⋯an 组成的有序数组
a
1
,
a
2
,
⋯
a
n
{a_1,a_2,\cdots a_n}
a1,a2,⋯an。 n个数被称为n个分量。
● 向量的符号就是用
α
β
γ
\alpha \ \ \beta\ \ \gamma
α β γ 表示的。
● 相反向量,即每个维度都取相反数的向量。
● 相等向量,即每个维度对应相等的同维向量。
● 向量的运算:加 、数乘、减、
● 向量的运算定律:交换,分配,向量加上其相反向量等于0向量 .
●
k
α
=
0
⇔
k
=
0
(
数字
0
)
o
r
α
=
0
(
向量
0
)
k\alpha =0 \Leftrightarrow k=0(数字0)\ \ or \ \ \alpha=0(向量0)
kα=0⇔k=0(数字0) or α=0(向量0) 但是两个向量之积等于0,不能推出任意一个向量的结果是0.
3.2 向量间的线性关系
● 线性组合:
β
,
α
1
,
α
2
⋯
α
n
\beta ,\alpha_1,\alpha_2\cdots \alpha_n
β,α1,α2⋯αn 是m维向量。若存在
k
1
,
k
2
⋯
k
n
k_1,k_2\cdots k_n
k1,k2⋯kn 使得
β
=
k
1
α
1
+
k
2
α
2
+
⋯
+
k
n
α
n
\beta=k_1\alpha_1+k_2\alpha_2+\cdots+k_n\alpha_n
β=k1α1+k2α2+⋯+knαn 组合表示。
系数可以全取0 。
● 零向量可以由任意向量组来表示。
● 向量组中任一向量可以由向量组表示。
● 任意向量可以由
ε
1
=
{
1
,
0
,
0
,
⋯
,
0
}
ε
2
=
{
0
,
1
,
0
,
⋯
,
0
}
⋯
ε
n
=
{
0
,
0
,
⋯
,
1
}
\varepsilon_1=\{1,0,0,\cdots,0\}\ \ \varepsilon_2=\{0,1,0,\cdots,0\}\ \ \cdots \ \ \varepsilon_n=\{0,0,\cdots,1\}
ε1={1,0,0,⋯,0} ε2={0,1,0,⋯,0} ⋯ εn={0,0,⋯,1}
● 不管给的向量是行还是列,
α
1
⋯
α
n
按列均做成方程组的系数,
β
按列做右端常数项
\alpha_1\cdots\alpha_n按列均做成方程组的系数,\beta按列做右端常数项
α1⋯αn按列均做成方程组的系数,β按列做右端常数项
● 组合
⇔
\Leftrightarrow
⇔ 方程组有解
● 向量组的等价
两个向量组{
α
1
⋯
α
n
\alpha_1\cdots \alpha_n
α1⋯αn} 、{
β
1
⋯
β
n
\beta_1\cdots\beta_n
β1⋯βn} 同维
如果对于其中任意一个向量组中的一个向量,都可以用另一个向量组中的向量来表示。
即两个向量组都可以相互线性组合表示。 { α 1 ⋯ α n } ≅ { β 1 ⋯ β n } \{\alpha_1\cdots\alpha_n\}\cong \{\beta_1\cdots\beta_n\} {α1⋯αn}≅{β1⋯βn}
● 性质
1.反身性,向量组和它自己是等价的。
2.对称性,向量组x和向量组y等价,那么向量组y和向量组x等价。
3.传递性,
{
α
1
⋯
α
n
}
≅
{
β
1
⋯
β
n
}
\{\alpha_1\cdots\alpha_n\}\cong\{\beta_1\cdots\beta_n\}
{α1⋯αn}≅{β1⋯βn} 、
{
β
1
⋯
β
n
}
≅
{
γ
1
⋯
γ
n
}
\{\beta_1\cdots\beta_n\}\cong\{\gamma_1\cdots\gamma_n\}
{β1⋯βn}≅{γ1⋯γn} 那么
{
α
1
⋯
α
n
}
≅
{
γ
1
⋯
γ
n
}
\{\alpha_1\cdots\alpha_n\}\cong\{\gamma_1\cdots\gamma_n\}
{α1⋯αn}≅{γ1⋯γn}
3.3.1 线性相关与无关
● 线性相关:
α
1
⋯
α
n
是
n
个
m
维向量,如果存在一组不为
0
的
k
1
,
k
2
,
⋯
,
k
n
,
使得
k
1
α
1
+
k
2
α
2
+
⋯
+
k
n
α
n
=
0
那么说明
α
1
⋯
α
n
是线性相关
\alpha_1\cdots\alpha_n是n个m维向量,如果存在一组不为0的k_1,k_2,\cdots,k_n,\\使得 \ \ k_1\alpha_1+k_2\alpha_2+\cdots+k_n\alpha_n=0 那么说明\alpha_1\cdots\alpha_n是线性相关
α1⋯αn是n个m维向量,如果存在一组不为0的k1,k2,⋯,kn,使得 k1α1+k2α2+⋯+knαn=0那么说明α1⋯αn是线性相关
● 线性无关:
1.不相关
2.找不到一组不全为0 的
k
1
,
⋯
,
k
n
k_1,\cdots,k_n
k1,⋯,kn 使得
k
1
α
1
+
k
2
α
2
+
⋯
+
k
n
α
n
=
0
k_1\alpha_1+k_2\alpha_2+\cdots+k_n\alpha_n=0
k1α1+k2α2+⋯+knαn=0 成立。
3.
k
1
α
1
+
k
2
α
2
+
⋯
+
k
n
α
n
=
0
k_1\alpha_1+k_2\alpha_2+\cdots+k_n\alpha_n=0
k1α1+k2α2+⋯+knαn=0 成立,
k
1
,
⋯
,
k
n
k_1,\cdots,k_n
k1,⋯,kn必全为0 。
- 向量组中有两个向量成比例,该向量组一定相关。
- 含零向量的任意向量组必定相关
- 一个零向量必定相关
- 一个非零向量必定无关。
- 一个向量
● 部分组线性相关,整体组线性相关。逆否命题:整体组线性无关,部分组线性无关。
● 线性无关的向量组,接长向量组也线性无关。线性相关的向量组,截短向量组也线性相关。
● n个n维向量,组成的行列式的值不等于0,那么这个向量组线性无关。行列式的值等于0,向量组线性相关。
● n个单位向量是线性无关的。
● 两个例题:
● 定理:
α
1
⋯
α
s
相关
⇔
至少一个向量可由其余向量表示
\alpha_1\cdots\alpha_s相关\Leftrightarrow至少一个向量可由其余向量表示
α1⋯αs相关⇔至少一个向量可由其余向量表示
●
α
1
⋯
α
s
线性无关
α
1
⋯
α
s
β
线性相关
\alpha_1\cdots\alpha_s线性无关\alpha_1\cdots\alpha_s\beta线性相关
α1⋯αs线性无关α1⋯αsβ线性相关
β
可由
α
1
⋯
α
s
唯一表示
\beta可由\alpha_1\cdots\alpha_s唯一表示
β可由α1⋯αs唯一表示
线性表示:因为
α
1
⋯
α
s
β
线性相关
\alpha_1\cdots\alpha_s\beta线性相关
α1⋯αsβ线性相关所以有一组不全为0的
k
1
⋯
k
n
+
1
k_1\cdots k_n+1
k1⋯kn+1 使得
k
1
α
1
+
⋯
+
k
n
+
1
α
n
+
1
=
0
k_1\alpha_1+\cdots+k_{n+1}\alpha_{n+1}=0
k1α1+⋯+kn+1αn+1=0
假设
k
n
+
1
=
0
,
那么
k
1
α
1
+
⋯
+
k
n
α
n
应该不等于
0
,
k_{n+1}=0,\ \ \ \ 那么k_1\alpha_1+\cdots+k_{n}\alpha_{n}应该不等于0,
kn+1=0, 那么k1α1+⋯+knαn应该不等于0,
但是由于
α
1
⋯
α
s
线性无关
,
即
k
1
α
1
+
⋯
+
k
n
α
n
=
0
\alpha_1\cdots\alpha_s线性无关,即k_1\alpha_1+\cdots+k_{n}\alpha_{n}=0
α1⋯αs线性无关,即k1α1+⋯+knαn=0 出现矛盾,所以
k
n
+
1
=
0
不成立
k_{n+1}=0不成立
kn+1=0不成立,
β
=
−
k
1
α
1
+
⋯
+
k
n
α
n
k
n
+
1
\beta=-\frac{k_1\alpha_1+\cdots+k_{n}\alpha_{n}}{k_{n+1}}
β=−kn+1k1α1+⋯+knαn 。
唯一性:假设
β
=
m
1
α
1
+
⋯
+
m
s
α
s
另一个
β
=
n
1
α
1
+
⋯
+
n
s
α
s
\beta=m_1\alpha_1+\cdots+m_s\alpha_s另一个\beta=n_1\alpha_1+\cdots+n_s\alpha_s
β=m1α1+⋯+msαs另一个β=n1α1+⋯+nsαs
那么由于线性无关,
(
m
1
−
n
1
)
α
1
+
⋯
+
(
m
s
−
n
s
)
α
s
=
0
(m_1-n_1)\alpha_1+\cdots+(m_s-n_s)\alpha_s=0
(m1−n1)α1+⋯+(ms−ns)αs=0
所以
(
m
1
−
n
1
)
=
⋯
=
(
m
s
−
n
s
)
=
0
(m_1-n_1)=\cdots=(m_s-n_s)=0
(m1−n1)=⋯=(ms−ns)=0 ,所以
m
i
=
n
i
m_i=n_i
mi=ni
● 替换,
α
1
⋯
α
s
线性无关,可以由
β
1
⋯
β
s
表示,那么
s
≤
t
\alpha_1\cdots\alpha_s线性无关,可以由\beta_1\cdots\beta_s表示,那么s\leq t
α1⋯αs线性无关,可以由β1⋯βs表示,那么s≤t
逆否命题:
α
1
⋯
α
s
可由
β
1
⋯
β
s
表示,
s
>
t
,
那么
α
1
⋯
α
s
相关
\alpha_1\cdots\alpha_s可由\beta_1\cdots\beta_s表示,s>t,那么\alpha_1\cdots\alpha_s相关
α1⋯αs可由β1⋯βs表示,s>t,那么α1⋯αs相关
m>n,m个n维向量线性相关,向量个数>向量维数。
n+1个n维向量线性相关。
推论:两个等价的线性无关向量组含向量的个数相同。
3.3.2 向量组的秩
● 极大线性无关组:
● 全是0的向量组没有最大线性无关组。
● 一个线性无关的向量组的最大线性无关组就是它本身。
● 任何一个线性向量组和它的最大线性无关组是等价的。同一个线性向量组的两个最大线性无关组是等价的 。
● 极大线性无关组不唯一,但是含的向量的个数是相等的。
● 向量的秩:极大无关组含向量的个数。
r
(
α
1
,
α
2
,
⋯
,
α
s
)
r(\alpha_1,\alpha_2,\cdots,\alpha_s)
r(α1,α2,⋯,αs)
1
≤
r
(
α
1
,
α
2
,
⋯
,
α
s
)
≤
m
i
n
{
向量的个数,向量的维数
}
1\leq r(\alpha_1,\alpha_2,\cdots,\alpha_s)\leq min\{向量的个数,向量的维数\}
1≤r(α1,α2,⋯,αs)≤min{向量的个数,向量的维数}
如果线性向量组线性无关
⇔
r
=
s
\Leftrightarrow r=s
⇔r=s
如果线性向量组线性相关
⇔
r
<
s
\Leftrightarrow r<s
⇔r<s
●
定理:
α
1
⋯
α
s
可由
β
1
⋯
β
t
来表示
\alpha_1\cdots\alpha_s可由\beta_1\cdots\beta_t来表示
α1⋯αs可由β1⋯βt来表示 那么
r
(
α
1
⋯
α
s
)
≤
r
(
β
1
⋯
β
t
)
r(\alpha_1\cdots\alpha_s)\leq r(\beta_1\cdots\beta_t)
r(α1⋯αs)≤r(β1⋯βt)
3.3.3 矩阵的行秩与列秩
● 定义:矩阵的几行组成的向量组的秩就是矩阵的行秩;矩阵的几列组成的向量组的秩就是矩阵的列秩。
● 矩阵的行秩=矩阵的列秩=矩阵的秩
●
定理:
r
(
A
B
)
≤
m
i
n
{
r
(
A
)
,
r
(
B
)
}
r(AB)\leq min\{r(A),r(B)\}
r(AB)≤min{r(A),r(B)}
● 矩阵的初等行变换不改变矩阵列向量的线性关系
● 例题:
求4个向量组成的极大线性无关组,并给出其余向量用该极大线性无关组来表示的线性表达式
● 不管是向量是行是列,均按列构成矩阵。
A
=
[
1
2
−
2
3
−
2
−
4
4
−
6
2
8
−
2
0
−
1
0
3
−
6
]
A=\left[ \begin{matrix} 1&2&-2&3\\ -2&-4&4&-6\\ 2&8&-2&0\\ -1&0&3&-6\end{matrix} \right]
A=
1−22−12−480−24−233−60−6
● 只做初等行变换,化简成行简化阶梯型。
A
=
[
1
0
−
3
6
0
1
1
2
−
3
2
0
0
0
0
0
0
0
0
]
A=\left[ \begin{matrix} 1&0&-3&6\\ 0&1&\frac{1}{2}&-\frac{3}{2}\\ 0&0&0&0\\ 0&0&0&0\end{matrix} \right]
A=
10000100−321006−2300
● 首非零元所在的列,做成极大线性无关组。
● 其余向量表示系数直接写出来。
β
3
(
第
3
列
)
=
−
3
β
1
+
1
2
β
2
β
4
(
第
4
列
)
=
6
β
1
−
3
2
β
2
\beta_3(第3列)=-3\beta_1+\frac{1}{2}\beta_2\ \ \beta_4(第4列)=6\beta_1-\frac{3}{2}\beta_2
β3(第3列)=−3β1+21β2 β4(第4列)=6β1−23β2