文章内容

向量组及其线性相关性
向量组的秩
深入理解矩阵的秩
内积、正交性、线性空间

向量组及其线性相关性

向量和向量组

界说： $n$ 个数 $,ana_1, a_2, \cdots, a_n$ 构成的有序数组，称为一个 $n$ 元向量 (也称 $n$ 维向量)，记作

$,an]\alpha=[a_1, a_2, \cdots, a_n]$ ，其间 $i\alpha_i$ 称为 $\alpha$ 的第 $i$ 个重量. 向量写成上述方式称为行向量，写成列

$,an]T\alpha = \begin{bmatrix} a_1 \\ a_2 \\ \vdots \\ a_n \end{bmatrix}=[a_1, a_2, \cdots, a_n]^T$ 的方式，称为列向量.

向量本质上仍是一个有方向和巨细的量，在线性代数中咱们用矩阵的方式来表明。

例如向量 $=[3,4]\alpha=[3, 4]$ ，意思是在两个维度上巨细分别为 3 和 4：

例：

行向量： $=[123]\alpha=\begin{bmatrix}1 & 2 & 3\end{bmatrix}$
列向量： $=[123]=[123]T\alpha=\begin{bmatrix}1 \\ 2 \\ 3\end{bmatrix} = \begin{bmatrix}1 & 2 & 3\end{bmatrix}^T$

界说：给定 $,m}\{\alpha_1, \alpha_2, \cdots, \alpha_m\}$ (这儿的 $\alpha$ 是向量, 不是数)，关于任何一组实数 $,km}\{k_1, k_2, \cdots, k_m\}$ ， $∑i=1nkiai=k1a1+k2a2+⋯+kmam\sum_{i=1}^nk_ia_i=k_1a_1+k_2a_2+\cdots+k_ma_m$ 称为向量组 $,m}\{\alpha_1, \alpha_2, \cdots, \alpha_m\}$ 的一个线性组合， $,kn}\{k_1, k_2, \cdots, k_n\}$ 称为这个线性组合的系数.

多个向量组合在一起得到一个向量组

几个向量加系数组合成的一个表达式便是一个线性组合，线性组合的成果得到一个新的向量(就和几个数字加减乘除后成果仍是一个数字相同)

例：线性组合 $0.8+1.2−0.8\alpha+1.2\beta-\gamma$

向量组 ${,,}\{\alpha, \beta, \gamma\}$ ，系数 ${0.8, 1.2, -1\}$

线性表明

界说：给定向量组 $,m}\{\alpha_1, \alpha_2, \cdots, \alpha_m\}$ 和向量 $\beta$ ，若存在一组数 $,m}\{\lambda_1, \lambda_2, \cdots, \lambda_m\}$ ，使得 $=11+22+⋯+mm\beta=\lambda_1\alpha_1+\lambda_2\alpha_2+\cdots+\lambda_m\alpha_m$ ，则向量 $\beta$ 是向量组 $,m}\{\alpha_1, \alpha_2, \cdots, \alpha_m\}$ 的线性组合，称向量 $\beta$ 能由向量组 $,m}\{\alpha_1, \alpha_2, \cdots, \alpha_m\}$ 线性表明 (线性表出).

给定一个向量组，假如这个向量组经过线性组合能得到向量 $\beta$ ，就说 $\beta$ 能被这个向量组线性表明.

例：向量 $1=[1,2],2=[2,3]\alpha_1=[1,2], \alpha_2=[2,3]$ 向量组 ${1,2}\{\alpha_1, \alpha_2 \}$ ，向量 $=[1,2]\beta=[1,2]$

$=1∗1+0∗2→\beta = 1*\alpha_1 + 0 * \alpha_2 \rightarrow$ 向量 $\beta$ 能被向量组 ${1,2}\{\alpha_1,\alpha_2\}$ 线性表明

界说：假如向量组中每一个向量可由另一个向量组线性表明，就称前一个向量组可由后一个向量组线性表明. 假如两个向量组能够相互线性表明，则称这两个向量组是等价的.

有向量组 $A, B$ ，假如 $A$ 中的恣意一个向量都能被 $B$ 线性表明，就说向量组 $A$ 能被 $B$ 线性表明，假如他俩能互相线性表明，就说他俩等价

性质：向量组等价的三条性质

① 反身性：向量组和其自身等价。

向量组 $A$ ， $A$ 和它自身必定是等价的，例如设 $A={1,2,3}A=\{\alpha_1, \alpha_2, \alpha_3\}$

$1=1∗1+0∗2+0∗3\alpha_1 = 1*\alpha_1 + 0*\alpha_2 + 0*\alpha_3$ (其它向量同理)

② 对称性：向量组 $A$ 和 $B$ 等价，那向量组 $B$ 和 $A$ 也是等价的。

③ 传递性：有向量组 $A, B, C$ ，已知 $A$ 和 $B$ 等价, $B$ 和 $C$ 等价，则向量组 $A$ 和 $C$ 等价.

线性相关性

界说：给定 $m$ 个向量 $,m}\{\alpha_1, \alpha_2, \cdots, \alpha_m\}$ ，假如存在 $m$ 个不全为零的数 $,km}\{k_1,k_2,\cdots,k_m\}$ 使得 $∑i=1mkii=k11+k22+⋯+kmm=0\sum_{i=1}^mk_i\alpha_i = k_1\alpha_1+k_2\alpha_2+\cdots+k_m\alpha_m=0$ 建立，则称 $,m}\{\alpha_1, \alpha_2, \cdots, \alpha_m\}$ 线性相关，不然，称 $,m}\{\alpha_1, \alpha_2, \cdots, \alpha_m\}$ 线性无关.

假如向量组只含有一个向量的话，假如这个向量是零向量 (元素均为0)，则线性相关

零向量乘以恣意系数都得0

假如向量组中包括一个零向量，则该向量组必定线性相关：零向量系数为非零，向量组中其它向量的系数都置为0即可

定理1：向量组 $,m}(m≥2)\{\alpha_1,\cdots,\alpha_m\}\quad(m \geq 2)$ 线性相关的充要条件是 $,m\alpha_1,\cdots,\alpha_m$ 中至少有一个向量可由其他 $(m - 1)$ 个向量线性表明
根据界说，咱们只需找到一个不为0的系数满意条件即可(也便是找到至少一个向量能被其它向量线性表明). 假定一个向量组 ${1,2,3}\{\alpha_1, \alpha_2, \alpha_3\}$ ，系数 ${k_1,k_2,k_3\}$ ，有：
- $k11+k22+k33=0→3=−(k1k31+k2k32)→3能被1和2线性表明k_1\alpha_1+k_2\alpha_2+k_3\alpha_3=0 \rightarrow \alpha_3=-(\frac{k_1}{k_3}\alpha_1+\frac {k_2}{k_3}\alpha_2) \rightarrow \alpha_3能被\alpha_1和\alpha_2线性表明$
定理2：若向量组 $,m}\{\alpha_1,\alpha_2,\cdots,\alpha_m\}$ 中有一部分向量线性相关，则整个向量组也线性相关 (部分相关，全体相关)

该出题的逆否出题：若 $,m}\{\alpha_1,\alpha_2,\cdots,\alpha_m\}$ 线性无关，则其任一部分向量组也线性无关 (全体无关，部分无关)

向量组中部分向量现已线性相关后，由于只需存在一种状况满意条件即线性相关，因而就算再增加一些其它向量，考虑最简略的状况，咱们将新增加的这部分向量的系数都设为0，那仍然满意 $∑i=1mkii=k11+k22+⋯+kmm=0\sum_{i=1}^mk_i\alpha_i = k_1\alpha_1+k_2\alpha_2+\cdots+k_m\alpha_m=0$
定理3：设向量组 $,as}\{a_1,a_2,\cdots,a_s\}$ ( $a_i$ 为 $m$ 维向量)， $,s}\{\beta_1,\beta_2,\cdots,\beta_s\}$ ( $i\beta_i$ 为 $n$ 维向量)， $,s}\gamma=\{\gamma_1,\gamma_2,\cdots,\gamma_s\}$ ，其间 $i=[ai,i]\gamma_i=[a_i, \beta_i]$ ( $i\gamma_i$ 为 $m + n$ 维向量)，若向量组 $,as}\{a_1,a_2,\cdots,a_s\}$ 线性无关，则向量组 $,s}\gamma=\{\gamma_1,\gamma_2,\cdots,\gamma_s\}$ 线性无关；反之，若 $,s}\gamma=\{\gamma_1,\gamma_2,\cdots,\gamma_s\}$ 线性相关，则 $,as}\{a_1,a_2,\cdots,a_s\}$ 线性相关.

①：若向量组 $,asa_1,a_2,\cdots,a_s$ 线性无关，则向量组 $,s\gamma=\gamma_1,\gamma_2,\cdots,\gamma_s$ 线性无关例： ${a1=[1,0,0]a2=[0,1,0]a3=[0,0,1],{1=[x1,x2]2=[x3,x4]3=[x5,x6]，则{1=[1,0,0,x1,x2]2=[0,1,0,x3,x4]3=[0,0,1,x5,x6]\begin{cases}a_1=[1,0,0]\\a_2=[0,1,0]\\a_3=[0,0,1]\end{cases},\begin{cases}\beta_1=[x_1,x_2] \\ \beta_2=[x_3,x_4] \\ \beta_3=[x_5,x_6] \end{cases}，则\begin{cases} \gamma_1=[1,0,0,x_1,x_2]\\ \gamma_2=[0,1,0,x_3,x_4] \\ \gamma_3=[0,0,1,x_5,x_6] \end{cases}$

${a_1,a_2,a_3\}$ 线性无关 $→\rightarrow$ 不存在 $k_1[1,0,0]+k_2[0,1,0]+k_3[0,0,1]=[0,0,0]$

因而不存在 $k_1[1,0,0,x_1,x_2]+k_2[0,1,0,x_3,x_4]+k_3[0,0,1,x_5,x_6]=[0,0,0,0,0]$ (就算 $i\beta_i$ 全为 0 那也不存在，由于前三个元素的成果不可能为0)

②：若 $,s}\{\gamma=\gamma_1,\gamma_2,\cdots,\gamma_s\}$ 线性相关，则 $,as}\{a_1,a_2,\cdots,a_s\}$ 线性相关

同理，若向量组 $\gamma$ 线性相关，那么必定存在一种向量与系数乘积的和为0( $[0, 0, 0, 0, 0]$ )的状况，既然存在五个方位元素都为0的状况，那必定也存在 $0,0,0,x_1,x_2]$ 的状况

例：设向量组 ${1,2,3,4}\{\alpha_1, \alpha_2, \alpha_3, \alpha_4\}$ 线性无关，判别以下向量组的相关性

${1+2,2+3,3+4,4+1}\{\alpha_1+\alpha_2, \alpha_2+\alpha_3,\alpha_3+\alpha_4,\alpha_4+\alpha_1\}$
${1+2,2+3,3−4,4−1}\{\alpha_1+\alpha_2, \alpha_2+\alpha_3, \alpha_3-\alpha_4, \alpha_4-\alpha_1\}$
${1−2,2−3,3−4,4−1}\{\alpha_1-\alpha_2, \alpha_2-\alpha_3, \alpha_3-\alpha_4, \alpha_4-\alpha_1\}$
${1+2,2−3,3−4,4−1}\{\alpha_1+\alpha_2, \alpha_2-\alpha_3,\alpha_3-\alpha_4,\alpha_4-\alpha_1\}$

这题比较简略，前三个选项就直接调查得出 (测验消去同项，调查终究是否能成功消除得0)，正常做法和第四小问办法同理

① ${1+2,2+3,3+4,4+1}\{\alpha_1+\alpha_2, \alpha_2+\alpha_3,\alpha_3+\alpha_4,\alpha_4+\alpha_1\}$ ：线性相关

调查易得： $(1+2)−(2+3)+(3+4)−(4+1)=1+2−2−3+3+4−4−1=0(\alpha_1+\alpha_2)-(\alpha_2+\alpha_3)+(\alpha_3+\alpha_4)-(\alpha_4+\alpha_1) = \alpha_1+\alpha_2-\alpha_2-\alpha_3+\alpha_3+\alpha_4-\alpha_4-\alpha_1 = 0$ ，即存在系数 $1, - 1, 1, - 1$ 满意条件

② ${1+2,2+3,3−4,4−1}\{\alpha_1+\alpha_2, \alpha_2+\alpha_3, \alpha_3-\alpha_4, \alpha_4-\alpha_1\}$ ：线性相关

调查易得： $(1+2)−(2+3)+(3−4)+(4−1)=1+2−2−3+3−4+4−1=0(\alpha_1+\alpha_2)-(\alpha_2+\alpha_3)+(\alpha_3-\alpha_4)+(\alpha_4-\alpha_1)=\alpha_1+\alpha_2-\alpha_2-\alpha_3+\alpha_3-\alpha_4+\alpha_4-\alpha_1=0$ ，即存在系数 $1, 01, 1, 1$ 满意条件

③ ${1−2,2−3,3−4,4−1}\{\alpha_1-\alpha_2, \alpha_2-\alpha_3, \alpha_3-\alpha_4, \alpha_4-\alpha_1\}$ ：线性相关

调查易得： $(1−2)+(2−3)+(3−4)+(4−1)=1−2+2−3+3−4+4−1=0(\alpha_1-\alpha_2)+(\alpha_2-\alpha_3)+(\alpha_3-\alpha_4)+(\alpha_4-\alpha_1)=\alpha_1-\alpha_2+\alpha_2-\alpha_3+\alpha_3-\alpha_4+\alpha_4-\alpha_1=0$ ，即存在系数 $1, 1, 1, 1$ 满意条件

④ ${1+2,2−3,3−4,4−1}\{\alpha_1+\alpha_2, \alpha_2-\alpha_3,\alpha_3-\alpha_4,\alpha_4-\alpha_1\}$ ：线性无关

设系数 $k_1,k_2,k_3,k_4$ ，假定该向量组线性相关，则有：

$k1(1+2)+k2(2−3)+k3(3−4)+k4(4−1)=0k_1(\alpha_1+\alpha_2)+k_2(\alpha_2-\alpha_3)+k_3(\alpha_3-\alpha_4)+k_4(\alpha_4-\alpha_1)=0$

整理得： $(k1−k4)1+(k1+k2)2+(k3−k2)3+(k4−k3)4=0(k_1-k_4)\alpha_1+(k_1+k_2)\alpha_2+(k_3-k_2)\alpha_3+(k_4-k_3)\alpha_4=0$

已知向量组 $1,2,3,4\alpha_1, \alpha_2, \alpha_3, \alpha_4$ 线性无关，则只要当系数全为 0 时等式建立

有： ${k1−k4=0(1)k1+k2=0(2)k3−k2=0(3)k4−k3=0(4)\begin{cases} k_1-k_4=0 \quad (1)\\ k_1+k_2=0 \quad (2)\\ k_3-k_2=0 \quad (3)\\ k_4-k_3=0 \quad (4)\end{cases}$

(1),(3),(4) 式得： $k_1=k_2=k_3=k_4$
(2) 式得： $k_1=-k_2$
则有 $k_1=k_2=k_3=k_4=0$

故只要当系数全为0时满意条件， ${1+2,2−3,3−4,4−1}\{\alpha_1+\alpha_2, \alpha_2-\alpha_3,\alpha_3-\alpha_4,\alpha_4-\alpha_1\}$ 线性无关

法2：用向量和矩阵的秩 (向量的秩下面有介绍，矩阵的秩参考之前的文章)

$[1,2,3,4]⏟满秩[100−111000−11000−11]⏟满秩=[1+2,2−3,3−4,4−1]\underbrace{[\alpha_1,\alpha_2,\alpha_3,\alpha_4]}_{满秩}\underbrace{\begin{bmatrix}1 & 0 & 0 & -1 \\ 1 & 1 & 0 & 0 \\ 0 & -1 & 1 & 0 \\ 0 & 0 & -1 & 1\end{bmatrix}}_{满秩} = [\alpha_1+\alpha_2,\alpha_2-\alpha_3,\alpha_3-\alpha_4,\alpha_4-\alpha_1]$

由图中这两个矩阵满秩可推出成果矩阵也满秩，则 ${1+2,2−3,3−4,4−1}\{\alpha_1+\alpha_2,\alpha_2-\alpha_3,\alpha_3-\alpha_4,\alpha_4-\alpha_1\}$ 线性无关.

向量组的秩

极大线性无关组

界说：设向量组 $,s\alpha_1,\alpha_2,\cdots,\alpha_s$ 的部分组 $,ir\alpha_{i1},\alpha_{i2},\cdots,\alpha_{ir}$ 满意条件：

$,ir\alpha_{i1},\alpha_{i2},\cdots,\alpha_{ir}$ 线性无关
$,s\alpha_1,\alpha_2,\cdots,\alpha_s$ 中任一向量均可由 $,ir\alpha_{i1},\alpha_{i2},\cdots,\alpha_{ir}$ 线性表明，则称向量组 $,ir\alpha_{i1},\alpha_{i2},\cdots,\alpha_{ir}$ 为向量组 $,s\alpha_1,\alpha_2,\cdots,\alpha_s$ 的一个极大线性无关组，简称极大无关组.

向量组的极大无关组所含向量个数称为向量组的秩，记为 $,s)=rR(\alpha_1,\alpha_2,\cdots,\alpha_s)=r$

便是从原向量组中选出部分向量按条件组成新的向量组，这个向量组便是原向量组的一个极大无关组

例：设一个向量组 ${,,}\{\alpha, \beta, \gamma\}$ (都为非零向量)，考虑以下四种状况，求向量组的秩

这三个向量不在一个平面
这三个向量在一个平面上，但两两之间不共线
这三个向量在一平面上，但 $,\alpha,\beta$ 共线
这三个向量共线

① 这三个向量不在一个平面上

易得：该向量组线性无关，且契合条件，其极大无关组为它自身 ${,,}\{\alpha,\beta,\gamma\}$ ，这个极大无关组中有 3 个向量

故： $R({,,})=3R(\{\alpha, \beta, \gamma\}) = 3$

三个向量不在一个平面上，那这个向量组必定是线性无关的，由于不可能经过两个向量等效另一个向量.

② 这三个向量在一个平面上，但两两之间不共线

易得：该向量组中恣意两个向量组成的向量组线性无关，且契合条件，其间一个极大无关组为 ${,}\{\alpha, \beta\}$

故： $R({,,})=2R(\{\alpha, \beta, \gamma\}) = 2$

③ 这三个向量在一平面上，但 $,\alpha,\beta$ 共线

易得：该向量组中向量 $\gamma$ 和向量 $,\alpha,\beta$ 其间一个组成的向量组线性无关，且契合条件，其间一个极大无关组为 ${,}\{\gamma, \alpha\}$

故： $R({,,})=2R(\{\alpha,\beta,\gamma\}) = 2$

④ 这三个向量共线

易得：该向量组中任一向量组成的向量组线性无关，且契合条件，其间一个极大无关组为 ${}\{\alpha\}$

故： $R({,,})=1R(\{\alpha, \beta, \gamma\}) = 1$

秩的几许解释

从上面例题中不难看出，向量组的秩表明的是这组向量所围成的空间的维度，咱们称之为 子空间的维度
例题中的四种状况是在三维空间根底上的三个向量围成的一个子空间，维度分别为 $3, 2, 2, 1$
几许上能够理解为 $向量组的秩 = 子空间维度$

极大无关组的性质

性质1：

$,s}\{\alpha_1,\alpha_2,\cdots,\alpha_s\}$ 线性无关 $,s})=s\leftrightarrow R(\{\alpha_1,\alpha_2,\cdots,\alpha_s\})=s$ ；
$,s}\{\alpha_1,\alpha_2,\cdots,\alpha_s\}$ 线性相关 $,s})<s\leftrightarrow R(\{\alpha_1,\alpha_2,\cdots,\alpha_s\}) < s$

这条性质很简单就能理解，由于当向量组线性无关时，该向量组自身便是其极大无关组；反之当线性相关时，只能找该向量组的子向量组 (不包括自身) 作为极大无关组

性质2：若向量组 $,k}\{ \beta_1,\cdots,\beta_k \}$ 能够由向量组 $,s}\{ \alpha_1,\cdots,\alpha_s \}$ 线性表明，则 $,s})R(\{ \beta_1,\cdots,\beta_k \}) \leq R(\{ \alpha_1,\cdots,\alpha_s \})$

反之不建立

性质3：若向量组 $,t}\{ \beta_1,\cdots,\beta_t \}$ 可由 $,s}\{ \alpha_1,\cdots,\alpha_s \}$ 线性表明，且 $t > s$ ，则 $,t}\{\beta_1,\cdots,\beta_t\}$ 线性相关 (多的能由少的线性表明，则多的必定线性相关)

由性质2得： $,s})R(\{\beta_1,\cdots,\beta_t\}) \leq R(\{ \alpha_1,\cdots,\alpha_s \})$

由性质1得： $,s})≤sR(\{ \alpha_1,\cdots,\alpha_s \}) \leq s$

则有： $,t})≤s<tR(\{\beta_1,\cdots,\beta_t\}) \leq s < t$

故： $,t}\{\beta_1,\cdots,\beta_t\}$ 线性相关

性质4：对矩阵 $A$ 做初等行改换得到矩阵 $B$ ，则 $A$ 与 $B$ 的任何对应的列向量组都有相同的线性相关性，即 $,n]=BA=[\alpha_1,\alpha_2,\cdots,\alpha_n] \stackrel {初等行改换}{\sim} [\xi_1,\xi_2,\cdots,\xi_n]=B$ ，则列向量组 $,n}\{\alpha_1,\alpha_2,\cdots,\alpha_n\}$ 与 $,n}\{ \xi_1,\xi_2,\cdots,\xi_n \}$ 有相同的线性相关性.

矩阵做初等行改换，矩阵的秩不变，也便是 $R (A) = R (B)$ ，矩阵的秩等于行向量组的秩也等于列向量组的秩，则对应列向量组的秩也不变

此外，线性方程组 $A x = 0$ 和 $B x = 0$ 等价，它们的解( $x$ )也相同，这个解 $x$ 便是咱们上面说的系数，而线性方程组中的系数矩阵便是咱们所说的列向量组，1也便是这两个向量组系数是相同的，也就保证了相同的线性相关性.

相同的线性相关性：例如有 $1+2−23=0\alpha_1+\alpha_2-2\alpha_3=0$ ，那也有 $1+2−23=0\xi_1+\xi_2-2\xi_3=0$

为什么只能做初等行改换：由于这儿的向量组中的向量都为列向量，做初等行改换相当于对列向量组中的每个列向量内部做操作，若为初等列改换，则相当于把这些列向量自己的元素给打乱了。

为什么做初等行改换不影响线性相关性：矩阵的初等行改换关于列向量组中的每个列向量来说，只是在对该向量中的元素做这三种操作(初等改换的三种操作)，这三种操作当然不会影响其线性相关性，说白了要判别其线性相关仍是无关，在保证系数不全为0的根底上能将向量组中的各个向量等效即可，关于向量角度上的初等改换中的这三种操作，矩阵在做每一次初等行改换，列向量组中每个列向量中相同方位的元素也会做同样的操作，最后改换后的列向量组中各个向量的联系当然也不会发生改动。

(这儿能够自己随便找个事例测验着推一遍，更好理解)

例：已知 $1=[111],2=[025],3=[247]\alpha_1=\begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix}, \alpha_2=\begin{bmatrix} 0 \\ 2 \\ 5 \end{bmatrix}, \alpha_3=\begin{bmatrix} 2 \\ 4 \\ 7 \end{bmatrix}$ ，试讨论向量组 ${1,2,3}\{ \alpha_1,\alpha_2,\alpha_3 \}$ 及向量组 ${1,2}\{\alpha_1,\alpha_2\}$ 的线性相关性.

令矩阵 $A=[1,2,3]=[102124157]∼初等行改换[102011000]=[1,2,3]A=[\alpha_1,\alpha_2,\alpha_3] = \begin{bmatrix} 1 & 0 & 2 \\ 1 & 2 & 4 \\ 1 & 5 & 7 \end{bmatrix} \stackrel {初等行改换}{\sim} \begin{bmatrix} 1 & 0 & 2 \\ 0 & 1 & 1 \\ 0 & 0 & 0 \end{bmatrix} = [\xi_1,\xi_2,\xi_3]$

初等行改换为行阶梯矩阵，行阶梯矩阵能够很好地看出线性相关性

调查易得： ${1,2}\{\xi_1,\xi_2\}$ 线性无关， ${1,2,3}\{ \xi_1,\xi_2,\xi_3 \}$ 线性相关

故： ${1,2}\{\alpha_1,\alpha_2\}$ 线性无关， ${1,2,3}\{ \alpha_1,\alpha_2,\alpha_3 \}$ 线性相关

找极大无关组或判别线性相关性的时候，关于化简后的列向量组，假如几个列向量的元素分布在不同方位，且除此方位外其它方位的元素为0，那便是线性无关，一般这种状况十分多。

例：设 $1=[1−124],2=[0312],3=[30714],4=[1−220],5=[21510]\alpha_1=\begin{bmatrix} 1 \\ -1 \\ 2 \\ 4 \end{bmatrix},\alpha_2=\begin{bmatrix} 0 \\ 3 \\ 1 \\ 2 \end{bmatrix},\alpha_3=\begin{bmatrix} 3 \\ 0 \\ 7 \\ 14 \end{bmatrix},\alpha_4=\begin{bmatrix} 1 \\ -2 \\ 2 \\ 0 \end{bmatrix}, \alpha_5=\begin{bmatrix} 2 \\ 1 \\ 5 \\ 10 \end{bmatrix}$ ，求向量组的一个极大线性无关组，并把其他向量用极大线性无关组线性表出.

令矩阵 $A=[10312−130−21217254214010]∼初等行改换[10302011010001000000]=[1,2,3,4,5]A=\begin{bmatrix} 1 & 0 & 3 & 1 & 2 \\ -1 & 3 & 0 & -2 & 1 \\ 2 & 1 & 7 & 2 & 5 \\ 4 & 2 & 14 & 0 & 10 \end{bmatrix} \stackrel {初等行改换}{\sim} \begin{bmatrix} 1 & 0 & 3 & 0 & 2 \\ 0 & 1 & 1 & 0 & 1 \\ 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 0 \end{bmatrix} = [\xi_1,\xi_2,\xi_3,\xi_4,\xi_5]$

调查易得： ${1,2,4}\{\xi_1,\xi_2,\xi_4\}$ 为一个极大无关组，则 ${1,2,4}\{\alpha_1,\alpha_2,\alpha_4\}$ 为一个极大无关组

把其他向量线性表出：

$3=31+2→3=31+2\xi_3=3\xi_1+\xi_2 \rightarrow \alpha_3=3\alpha_1+\alpha_2$
$5=21+2→5=21+2\xi_5=2\xi_1+\xi_2 \rightarrow \alpha_5=2\alpha_1+\alpha_2$

例：判定向量组 ${1,2,3}\{\beta_1,\beta_2,\beta_3\}$ 的线性相关性，其间 $1=[1,−1,1,−1]T,2=[1,2,3,1]T,3=[3,3,7,1]T\beta_1=[1,-1,1,-1]^T,\beta_2=[1,2,3,1]^T,\beta_3=[3,3,7,1]^T$

令矩阵 $A=[1,2,3]=[113−123137−111]∼初等行改换[113034000000]A=[\beta_1,\beta_2,\beta_3]=\begin{bmatrix} 1 & 1 & 3 \\ -1 & 2 & 3 \\ 1 & 3 & 7 \\ -1 & 1 & 1 \end{bmatrix} \stackrel{初等行改换}{\sim}\begin{bmatrix} 1 & 1 & 3 \\ 0 & 3 & 4 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix}$

易得 $R({1,2,3})=R(A)=2<3R(\{\beta_1,\beta_2,\beta_3\})=R(A)=2<3$

故向量组 ${1,2,3}\{\beta_1,\beta_2,\beta_3\}$ 线性相关

深入了解矩阵的秩

这儿对之前的文章中矩阵的秩的解说做弥补

弥补1：关于 $n$ 阶矩阵，可逆矩阵的秩等于矩阵的阶数，因而可逆矩阵又称满秩矩阵，不可逆矩阵(奇特矩阵)又称降秩矩阵

证：

已知由伴随矩阵公式 $AA^*=|A|E$ 咱们能够推出 $A−1=A∗∣A∣A^{-1}=\frac {A^*}{|A|}$

因而若矩阵 $A$ 可逆， $∣A∣≠0|A|\neq 0$

矩阵的秩的界说是：矩阵 $A$ 中非零子式的最高阶数称为矩阵 $A$ 的秩

矩阵 $A$ 的 $n$ 阶子式只要一个，便是 $∣ A ∣$ ，已知 $∣A∣≠0|A|\neq 0$ ，则 $R (A) = n$

同理，不可逆矩阵的秩必定是小于 $n$ 的，由于不可逆矩阵对应的 $n$ 阶行列式的值必定为 0

可逆矩阵与不可逆矩阵：咱们知道秩表明子空间维度，可逆矩阵意味着没有一行元素全为0，也便是它的线性改换是可逆的，关于不可逆矩阵，经过线性改换后有某行元素全为0，对应这一维度为0了，这种降维的过程是不可逆的，这个之后会专门解说。

弥补2：若 $A B = 0$ ，则 $\leq n$ 证明

证：

若 $A B = 0$ ，则 $B$ 为齐次方程组 $A x = 0$ 的解

已知该齐次方程组的线性无关解的个数为 $n - R (A)$

线性无关解指这几个向量不能被其它向量线性表出，这些向量的个数便是线性无关解的个数

也便是说，矩阵 $B$ 是由该齐次方程组的解(每个解便是一个向量)组成的，在矩阵 $B$ 中有 $n - R (A)$ 个向量无法被其它向量线性表出，这 $n - R (A)$ 个向量组成的向量组线性无关，这是找极大无关解的第一个条件，还有另一个条件：原向量组(矩阵 $B$ 中的一切解) 都能被这 $n - R (A)$ 个向量组成的向量组线性表出，第二个条件尽管已知这个向量组能建立，可是可能这个向量组的子集构成的向量组也能建立，但第一个条件现已确定了线性无关解的个数，也就能确定极大无关解中向量最多只能有 $n - R (A)$ 个，因而原向量组的秩 (矩阵 $B$ 的秩) 最大为 $n - R (A)$ ，即 $\leq n-R(A)$

为什么第二个条件能建立：由于不能被线性表明的只要这 $n - R (A)$ 个向量，其它向量都能被线性表明，能被线性表明的向量必定是能被线性无关的向量的线性组合表明的。

你可能会觉得 (能被线性表明的这些向量) 也同样能被 (能被线性表明的这些向量) 表明，可是这便是个循环，循环的尽头便是这些线性无关的向量来表明这些 (能被线性表明的这些向量)

(这儿我讲的优点晕，能够好好领会或者思考一下)

故： $\leq n$

弥补3：为什么根底解系有 $n - R (A)$ 个

理解了线性无关解之后，很简单能够想到，线性无关解有 $n - R (A)$ 个，再回看一下极大无关解的界说，咱们已知这 $n - R (A)$ 个向量组成的向量组必定是该齐次方程组的一切解组成的向量组的极大无关解，天然而然，这 $n - R (A)$ 个线性无关解能表明其它一切的向量，也便是该齐次方程组一切的解，因而根底解系有 $n - R (A)$ 个

那为什么线性无关解有 $n - R (A)$ 个呢？

首先要知道的是这儿的 $R (A)$ 指的是系数矩阵的秩，也便是在系数矩阵中的线性无关解的个数为 $R (A)$ ，若咱们能求得这 $R (A)$ 个向量，则系数矩阵中的其它向量也能够由这几个向量线性表明；此外，一共有 $n$ 个未知数，在齐次方程组中咱们经过改换系数矩阵得到一个共含有 $R (A)$ 个齐次方程的齐次方程组， $n$ 个未知数，却有 $R (A)$ 个方程，若咱们已知 $n - R (A)$ 个未知数则咱们能够用这 $n - R (A)$ 个未知数来经过该方程组表明这 $R (A)$ 个未知数，因而线性无关解、根底解系有 $n - R (A)$

注意：这儿的线性无关姐和系数矩阵 $A$ 的线性无关解不同、

内积 / 正交性 / 线性空间

向量的内积和正交性

设向量 $x=[x1x2⋮xn]，y=[y1y2⋮yn]x=\begin{bmatrix}x_1 \\ x_2 \\ \vdots \\ x_n\end{bmatrix}，y=\begin{bmatrix} y_1 \\ y_2 \\ \vdots \\ y_n \end{bmatrix}$

向量 $x, y$ 的内积为： $(x,y)=∑i=1nxiyi=xTy=yTx=∣∣x∣∣∗∣∣y∣∣cos(x,y)=\sum_{i=1}^nx_iy_i=x^Ty=y^Tx=||x||*||y||cos\theta$
向量 $x$ 的模为： $∣∣x∣∣=(x,x)=∑i=0nxi2||x||=\sqrt {(x,x)}=\sqrt {\sum_{i=0}^nx_i^2}$
正交：当 $(x, y) = 0$ 时，称向量 $x$ 和 $y$ 正交

$\theta$ ：向量 $x$ 和 $y$ 的夹角

向量的余弦类似度：余弦类似度用向量空间中两个向量夹角的余弦值作为衡量这两个向量间差异的巨细。余弦值越挨近1，就表明夹角越挨近0度，也便是两个向量越类似；如上图所示，向量 $a$ 和 $b$ 的余弦值为（多维向量同理）：

cos()=∑i=1N(ai∗bi)∑i=1Nxi2∗∑i=1Nyi2=a⋅b∣∣a∣∣∣∣b∣∣cos(\theta) = \frac{\sum^N_{i=1}(a_i * b_i)}{\sqrt{\sum_{i=1}^N x_i^2} * \sum_{i=1}^N y_i^2} = \frac{a \cdot b}{||a||\times ||b||}

施密特正交法

已知向量 $1,2\alpha_1,\alpha_2$ ，这两个向量不正交，怎么求 $1\alpha_1$ 的一个正交向量？

公式： $=2−(1,2)(1,1)1\beta = \alpha_2 – \frac{(\alpha_1,\alpha_2)}{(\alpha_1,\alpha_1)}\alpha_1$ ，向量 $\beta$ 与向量 $1\alpha_1$ 正交
推导： $=2−(1,2)(1,1)1=2−∣∣1∣∣∗∣∣2∣∣cos∣∣1∣∣∗∣∣1∣∣∗11=2−∣∣2cos∣∣1∣∣1∣∣\beta=\alpha_2-\frac{(\alpha_1,\alpha_2)}{(\alpha_1,\alpha_1)}\alpha_1 = \alpha_2 – \frac{||\alpha_1||*||\alpha_2||cos\theta}{||\alpha_1||*||\alpha_1||*1}\alpha_1 =\alpha_2 – ||\alpha_2 cos\theta|| \frac{\alpha_1}{||\alpha_1||}$ (如图)

例：已知 $1[011]，2=[101]，3=[110]\alpha_1\begin{bmatrix} 0 \\ 1 \\ 1 \end{bmatrix}，\alpha_2=\begin{bmatrix}1 \\ 0 \\ 1\end{bmatrix}，\alpha_3=\begin{bmatrix} 1 \\ 1 \\ 0 \end{bmatrix}$ 线性无关，用施密特正交法将其化为两两正交且规范的向量组.

令 $1=1\beta_1 = \alpha_1$ ，则有：

$2=2−(1,2)(1,1)1\beta_2 = \alpha_2 – \frac {(\beta_1,\alpha_2)}{(\beta_1,\beta_1)}\beta_1$
$3=3−(1,3)(1,1)1−(2,3)(2,2)2\beta_3 = \alpha_3 – \frac {(\beta_1,\alpha_3)}{(\beta_1,\beta_1)}\beta_1 – \frac {(\beta_2,\beta_3)}{(\beta_2,\beta_2)}\beta_2$

代入得： $1=[011],2=[1−1212]，3=[2323−23]\beta_1=\begin{bmatrix} 0 \\ 1 \\ 1 \end{bmatrix},\beta_2=\begin{bmatrix} 1 \\ -\frac 1 2 \\ \frac 1 2 \end{bmatrix}，\beta_3=\begin{bmatrix} \frac 2 3 \\ \frac 2 3 \\ -\frac 2 3 \end{bmatrix}$

$3′=3−(1,3)(1,1)1(3′与1笔直，但不必定与2笔直)\beta_3′ = \alpha_3 – \frac {(\beta_1,\alpha_3)}{(\beta_1,\beta_1)}\beta_1 \quad (\beta_3′ 与 \beta_1 笔直，但不必定与 \beta_2 笔直)$

$3=3′−(2,3′)(2,2)2(3与2和1都笔直)\beta_3 = \beta_3′ – \frac {(\beta_2,\beta_3′)}{(\beta_2,\beta_2)}\beta_2 \quad (\beta_3与\beta_2和\beta_1都笔直)$

由于减去这两个方向上的投影，天然就和这两个向量正交了

化为规范的方式：单位向量 (巨细为1)

$1=1∣∣1∣∣=12[011]\gamma_1 = \frac {\beta_1}{||\beta_1||}=\frac {1}{\sqrt 2}\begin{bmatrix} 0 \\ 1 \\ 1 \end{bmatrix}$
$2=2∣∣2∣∣=16[2−11]\gamma_2 = \frac {\beta_2}{||\beta_2||}=\frac {1}{\sqrt 6}\begin{bmatrix} 2 \\ -1 \\ 1 \end{bmatrix}$
$3=3∣∣3∣∣=13[11−1]\gamma_3 = \frac {\beta_3}{||\beta_3||}=\frac {1}{\sqrt 3}\begin{bmatrix} 1 \\ 1 \\ -1 \end{bmatrix}$

故成果为： ${1,2,3}\{ \gamma_1,\gamma_2,\gamma_3 \}$

正交矩阵

界说：若 $n$ 阶矩阵 $A$ 满意 $AA^T=A^TA=E$ ，则称 $A$ 为 $n$ 阶正交矩阵

设矩阵 $,n](i为向量)A=[\alpha_1, \alpha_2, \cdots, \alpha_n] \quad (\alpha_i为向量)$

则 $,n]=[1112⋯1n2122⋯2n⋮⋮⋮n1n2⋯nn]A^TA=\begin{bmatrix} \alpha_1 \\ \alpha_2 \\ \vdots \\ \alpha_n \end{bmatrix}[\alpha_1, \alpha_2, \cdots, \alpha_n]=\begin{bmatrix}\alpha_1\alpha_1 & \alpha_1\alpha_2 & \cdots & \alpha_1\alpha_n \\ \alpha_2\alpha_1 & \alpha_2\alpha_2 & \cdots & \alpha_2\alpha_n \\ \vdots & \vdots & & \vdots \\ \alpha_n\alpha_1 & \alpha_n\alpha_2 & \cdots & \alpha_n\alpha_n \end{bmatrix}$

要满意 $A^TA=E$ ，则需满意 $(i,j)=iTj={1(i==j)0(i≠j)(\alpha_i,\alpha_j)=\alpha_i^T\alpha_j=\begin{cases} 1 \quad (i==j) \\ 0 \quad (i\neq j) \end{cases}$

正交矩阵中每个向量和其自身内积为 1，和其它向量内积为 0，也便是说，每个向量和该矩阵中的其它向量都笔直

正交矩阵没有对其间每个向量的规范要求，但一般状况下需求保证该矩阵(向量组)中每个向量的模为1

性质1：若 $A$ 为正交矩阵，则 $A^{-1}$ 也是正交矩阵

已知 $AA^{-1}=A^{-1}A=E$ ，且 $AA^T=A^TA=E$

则 $A^{-1}=A^T$

故 $A^{-1} 也是正交矩阵$

性质2：若 $A$ 为正交矩阵，则 $∣A∣=1|A|=\pm1$

已知 $ATA=E→∣ATA∣=∣E∣→∣AT∣∣A∣=∣E∣→∣A∣2=∣E∣A^TA=E \rightarrow |A^TA|=|E| \rightarrow |A^T||A|=|E|\rightarrow|A|^2=|E|$

故： $∣ A ∣ = 1$

性质3：若 $A, B$ 均为正交矩阵，则 $A B$ 也为正交矩阵

设矩阵 $A, B$ 均为正交矩阵，则有：

$AB)(AB)^T=(AB)*(B^TA^T)=A(BB^T)A^T=(AA^T)E=AA^T=E$

即 $AB)(AB)^T=E$

故 $A B$ 也为正交矩阵

界说：正交矩阵的线性改换(初等改换)称为正交改换

性质：设 $P$ 为正交矩阵，则 $B = P A$ 为正交改换，则有：

$∣∣B∣∣=BTB=ATPTPA=ATA=∣∣A∣∣||B||=\sqrt {B^TB}=\sqrt{A^TP^TPA}=\sqrt{A^TA}=||A||$

保形性：几许上解释，正交改换其实便是旋转改换或镜像改换，形状当然不变

实施正交改换的矩阵便是正交矩阵

线性空间

界说：在线性空间 $V$ 中假如存在 $n$ 个向量 $,n\alpha_1,\alpha_2,\cdots,\alpha_n$ ，满意：

$,n\alpha_1,\alpha_2,\cdots,\alpha_n$ 线性无关
$V$ 中任一向量 $\alpha$ 可由 $,n\alpha_1,\alpha_2,\cdots,\alpha_n$ 线性表明

那么， $,n\alpha_1,\alpha_2,\cdots,\alpha_n$ 就称为线性空间 $V$ 中的一个基， $n$ 称为线性空间 $V$ 的维数. 只含一个零向量的维度空间没有基，规定它的维数为0.维数为 $n$ 的称为 $n$ 维线性空间，记作 $V_n$

例：三维空间中的一个基： $[100010001]\begin{bmatrix}1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1\end{bmatrix}$

界说：设 $n$ 维向量 $,ere_1,e_2,\cdots,e_r$ 是向量空间 $V_n$ 中的一个基，若 $,ere_1,e_2,\cdots,e_r$ 两两正交且都是单位向量，则称 $,ere_1,e_2,\cdots,e_r$ 是 $V$ 中的一个规范正交基

例如上面的比如便是一个规范正交基，用规范正交基计算起来比较方便

界说：设 $,n\alpha_1,\alpha_2,\cdots,\alpha_n$ 是向量空间 $V_n$ 中的一个基，关于任一向量 $∈Vn\alpha \in V_n$ ，总有且仅有一组有序数 $,xnx_1,x_2,\cdots,x_n$ 使得 $=x11+x22+⋯+xnn\alpha=x_1\alpha_1+x_2\alpha_2+\cdots+x_n\alpha_n$ ，这组有序数就成为向量 $\alpha$ 在 $,n\alpha_1,\alpha_2,\cdots,\alpha_n$ 这个基中的坐标，并记作 $,n]T\alpha=[\alpha_1,\alpha_2,\cdots,\alpha_n]^T$ .

其实咱们平时用的就许多，咱们画的二维、三维坐标轴其实便是用规范正交基来反映其它元素的方位的.

界说：设 $,n\alpha_1,\alpha_2,\cdots,\alpha_n$ 和 $,n\beta_1,\beta_2,\cdots,\beta_n$ 是线性空间 $V_n$ 中的两个基，

$(1){1=P111+P122+⋯+P1nn2=P211+P222+⋯+P2nn⋮n=Pn11+Pn22+⋯+Pnnn(1)\begin{cases} \beta_1=P_{11}\alpha_1+P_{12}\alpha_2+\cdots+P_{1n}\alpha_n \\ \beta_2=P_{21}\alpha_1+P_{22}\alpha_2+\cdots+P_{2n}\alpha_n \\ \quad \quad \vdots \\ \beta_n=P_{n1}\alpha_1+P_{n2}\alpha_2+\cdots+P_{nn}\alpha_n \\ \end{cases}$

将 $,n\alpha_1,\alpha_2,\cdots,\alpha_n$ 这 $n$ 个有序向量记作 $,n][\alpha_1,\alpha_2,\cdots,\alpha_n]$ ，同理得到 $,n][\beta_1,\beta_2,\cdots,\beta_n]$ ，记 $n$ 阶矩阵 $P$ ，则上述方程组科表明为： $,n]P(2)[\beta_1,\beta_2,\cdots,\beta_n]=[\alpha_1,\alpha_2,\cdots,\alpha_n]P$

式 $(1)$ 或式 $(2)$ 称为基改换公式，矩阵 $P$ 称为由基 $,n\alpha_1,\alpha_2,\cdots,\alpha_n$ 到基 $,n\beta_1,\beta_2,\cdots,\beta_n$ 的过度矩阵，由于 $,n\beta_1,\beta_2,\cdots,\beta_n$ 线性无关，故矩阵 $P$ 可逆.

同一个向量在相同的向量空间中不同的基表明的方位坐标是不同的，它们有一个对应联系，这个对应联系用过渡矩阵来表明.

$B = A P$ ，矩阵 $B, A$ 都是由线性无关的向量构成的，所以都可逆， $P=A^{-1}B$ ，故 $P$ 可逆 (有限个可逆矩阵相乘得到的矩阵仍然可逆)

同一向量在不同基坐标下的向量元素值也是不同的，但元素向量和坐标向量的内积是相同的(向量巨细/模)

例：设向量 $x$ 在旧基和新基的坐标分别为 $[y1y2y3],[z1z2z3]\begin{bmatrix} y_1 \\ y_2 \\ y_3 \end{bmatrix}, \begin{bmatrix} z_1 \\ z_2 \\ z_3 \end{bmatrix}$ ，则易得有：

$x=[a1,a2,a3][y1y2y3]=[b1,b2,b3][z1z2z3]→A[y1y2y3]=B[z1z2z3]→[z1z2z3]=B−1A[y1y2y3]x=[a_1,a_2,a_3]\begin{bmatrix} y_1 \\ y_2 \\ y_3 \end{bmatrix}=[b_1,b_2,b_3]\begin{bmatrix} z_1 \\ z_2 \\ z_3 \end{bmatrix}\rightarrow A\begin{bmatrix} y_1 \\ y_2 \\ y_3 \end{bmatrix}=B\begin{bmatrix} z_1 \\ z_2 \\ z_3 \end{bmatrix} \rightarrow \begin{bmatrix} z_1 \\ z_2 \\ z_3 \end{bmatrix}=B^{-1}A\begin{bmatrix} y_1 \\ y_2 \\ y_3 \end{bmatrix}$

$P^{-1}=B^{-1}A$

$P$ 便是过渡矩阵，这便是旧坐标到新坐标的改换公式

【线性代数】向量

文章内容

向量组及其线性相关性

向量和向量组

线性表明

线性相关性

向量组的秩

极大线性无关组

极大无关组的性质

深入了解矩阵的秩

内积 / 正交性 / 线性空间

向量的内积和正交性

施密特正交法

正交矩阵

线性空间

作者信息

【线性代数】向量

文章内容

向量组及其线性相关性

向量和向量组

线性表明

线性相关性

向量组的秩

极大线性无关组

极大无关组的性质

深入了解矩阵的秩

内积 / 正交性 / 线性空间

向量的内积和正交性

施密特正交法

正交矩阵

线性空间

相关文章

在Mac上安装MySQL并在本地部署58fair热更新服务器

React的入门学习

写技术博客一个月，我收获了什么？送你 3 条为什么要坚持写技术博客的理由！

【推荐系统】浅谈推荐系统

作者信息