继续接着上一次/webor/p/14306045.html的线性代数的学习继续向前,这次则开始要接触线性代数领域更加核心更加关键的内容:什么是线性相关?什么是线程无关?什么是生成空间...下面开始。
线性组合:
先来回忆一下/webor/p/14245895.html向量的两个最基本的运算:向量加法和标量乘法,用符号表示如下:
而向量的这两个最基本的运算就构建了线性代数中最重要的一个概念:线性组合。那下面对于线性组合这个概念更具体一点,其实就是指:
对于若干个n维向量:
此时对该向量的每一个元素进行一个标量的乘法,比如:
而此时这个式子就叫做上面向量的一个线性组合。上面这个式子相加的结果还是一个向量,理解这个概念其实可以跟之前学习的线性方程组中定义的一个个的线程方程给联系起来,回忆一下线性方程的定义就是给x1,x2,x3,...,xp,它们的次数都为1,然后它们前面乘以一些系数再相加起来,是不是就跟咱们目前说的线程“组合”很像,只是把之前的未知数改成了向量而已,只是由于向量的加法结果并非是一个常数,而依然是向量,所以对于线性组合这个概念这样理解就稍加顺畅一些。
而其实在之前线性代数的学习中已经见过很多次线性组合了:
1、比如三维空间中,有三个标准单位向量【参考/webor/p/14257300.html】:
对应三维坐标轴如下:
那么对于三维空间中的任何一个向量,是不是都可以写成:
进一步抽象:
所以加上线性组合的概念来阐述就是对于三维空间中的任何一个向量,都是其三个标准单位向量的一个线性组合。
2、再比如在上次/webor/p/14271706.html,对于矩阵的乘法是可以以列视角来看待的,回忆一下:
也就是对于列视角的矩阵*向量的结果就是该矩阵的每一个列向量的线性组合,而这个线性组合所对应的k1,k2等系数也就是右乘的向量中每一个元素的值,所以:矩阵和向量的乘法,可以看做是矩阵的列向量的一个线性组合。比较有意思的是对于这么一个看法跟“之前/webor/p/14271706.html咱们学习把坐标系中的任意一个向量也可以看成是一个线性组合”两者之间是可以联系起来的,回忆一下:
也就是把一个矩阵看成是一个空间,其实也就是把矩阵*向量看成了是矩阵的列向量的一个线性组合,如下:
很明显它跟咱们上面举的第一个线性组合的例子其实是一样的,就好比是这个情况:
对于这些不同的视角都是为了加深对于概念的理解~~
3、最后要举的一个之前用的线性组合的例子是高斯约旦消元法的一个增广矩阵,如下:
那它跟咱们目前学习的线性组合的概念是如何挂勾的呢?下面用抽象的视角来审视一下整个消元的过程:
所以就是:
紧接着将它下面的元素都消为0,则需要让第二行(r2向量)减去第一行(-r1向量),然后再让第三行(r3向量)+ 3 * 第一行(-r1向量),结果如下:
其中对于对于标红的这个矩阵中的三行是不是就是原来r1、r2、r3这三个向量的线性组合?好继续消元的过程,此时得处理第二行了:
首先归一,则需要让第二行乘以-1/2,如下:
然后将它下面的元素归0,很明显就是第三行+第二行,所以最终为:
其中对于标红的这个式子归一处理之后,就可以发现:
发现木有,其实它就等于原来矩阵行向量的一个线性组合,当然接下来还得进行主元上面的归0操作,不过这里略过了,从这个高斯消元的过程中就可以发现对于高斯约旦消元法的结果的每一行,其实是原来矩阵各行的一个线性组合。怎么感觉这个线性组合的概念有点生硬呀,学它很有用么?是的!!!之所以都往这个概念上靠就是为了之后的学习需要,因为这个概念是线性代数的非常核心的概念,在之后的学习中会发现哪里都离不开它,所以先学会用这种视角理解下线性组合是个什么东东既可。
线性相关和线性无关:
线性相关:
接下来继续来学习新概念,如标题所示,这俩是离不开上面所介绍的线性组合的,所以数学的学习就是这么严谨,来不得半点马虎,新的概念完全是由之前所学的概念所推导出来的,回忆一下在上面介绍线性组合举的最后一个例子:
而对于举的这个增广矩阵其实是一个齐次的线性方程组的增广矩阵,关于啥是齐次线性方程组可以回忆/webor/p/14280299.html:
所以咱们只需要对增广矩阵的系数矩阵进行消元既可,对于结果由于都是0不管怎么进行初等变换依然都是0,而对于系数矩阵而言经过高斯消元之后,其实发现它是一个零向量,如下:
换言之:
按顺序整理一下就是:
此时三个系数可以定义为:
而这里重点要关注的是经过等号左边的运算之后得到了右侧的一个“零向量”,对于零向量它是很特殊的,基于这种特殊,其实对于k1,k2,k3三个其实还有另一个非常平凡能想到的解就是:
好!!!新概念就要基于此进行推出了,对于若干个n维向量:
存在一组k不全为0,使得:
则称:
它们是线性相关。说实话这个概念还是有些抽象的,怎么理解呢?对于咱们这个例子,由于有一组k不全为0也使得最终为零向量:
此时将r3向量提到左边,其它提到右边就为:
是不是r3向量就可以表示成r1向量和r2向量的一个线性组合?所以对于这个线性相关就可以理解对于这三个向量并不是那么的独立,其中把r3向量拿出来,它可以用r1和r2的线性组合给表示出来,这就是所谓的线性相关。
基于此,其实就可以有这么一个跟线性相关的命题了:
下面来证明一下该命题:
先来证明正方向:
就有:
其中设ki不为0,就会有如下式子了:
由于ki不为0,所以等式两边都可以除以它,式子就变换成了:
很明显对于vi向量而言它是其它向量的一个线性组合,这就证明了这个正向的命题,但是这里有个注意点:如果线性相关只能说明是其中“至少”有一个向量可以写成其他向量的线性组合,但不是“所有”向量都可以写成其他向量的线性组合,因为如果向量的系数k为0的话对应的这个向量就不能写成其它向量的线性组合了,注意这个严谨性。
再来证明反方向 :
既然“其中一个向量可以写成其他向量的线性组合”,那就可以有如下等式:
这样将vi向量挪一下位置,就可以表示为:
其中是不是就可以看到左侧就是v1....vn向量的线性组合中至少存在vi向量前的系数为-1,不为0?
这不就符合线性相关的概念么?因为再看一下线性相关的定义:
所以反方向的命题也被证明了。
线性无关【重要】:
了解了线性相关之后,对立的就是线性无关了,先直接看它的定义,很容易理解:
一个最简单的例子,就是在之前学习的空间坐标系中的单位向量,回忆一下:
也就是对于空间中的任何一个坐标都可以表示单位向量的线性组合,而如果想这个线性组合为0的话,是不是只有可能是:
此时就可以说e1、e2、e3向量就是线性无关的,其中从空间图就可以看到,本身这三个向量就是没有关系的。
而对于线性无关的向量,很显然任何一个向量都是非常重要的,它不能被其它的向量所取代,所以在之后的学习中会更加的关注“线性无关”,但是!!!也并不是说线性相关就不重要的,它们俩其实是相辅相成的,有时为了证明线性无关也是需要借助于线性相关的性质的,比如咱们来证明:
也就是有n个标准单位向量,要想证明此命题,可以用反证法,此时就得借助于线性相关啦,所以就会有:
此时就可以有如下等式:
既然有一组不全为0的k,所以可以假设ki不等于0,于是就可以将它化为:
然后再同时除以ki,如下:
而对于等号右侧的线性组织是可以计算出来的,其实就是这个结果向量:
其中第i个元素是为0【记住它,因为之后会拿它做一个对比】,因为线性组合中是没有ei这项的,提到等号左边了呀,而ei是第i个元素为1,其它的元素都为0的标准单位向量,很明显矛盾了呀,因为等号右侧的向量的第i个元素为0,所以e1...en向量线性相关是不可能的,所以就证明了它们是线性无关的。
线性相关的重要性质:
线性相关:
接下来看一下线性相关的重要性质,如下:
假设有100个三维向量(m=100,n=3,m>n)、4个三维向量(m=4,n=3,m>n),此时就可以百分百肯定它们是线性相关的,但是!!!如果有3个三维向量(m=3,n=3,m=n)就不知道它们到底是线性相关或线性无关了,此时就还需要进一步自己来判断了。
这里先来探究一下为啥当m>n时就“一定”是线性相关的,先来看这两个向量:
要判断它们俩是否是线性相关,就得从线性相关的定义出来,很显然得看是否存在k1,k2不全为0,满足下面这个条件:
而它其实又可以变为以矩阵列的视角和向量的乘积,如下:
此时就又回了齐次线性方程的求解问题了,看它是否只有唯一的零解,如果是那么这俩向量肯定是线性无关的,否则为线性相关。而关于线性系统的求解在之前已经花了大量时间系统的学习了,其实也很简单,将其系数矩阵化为行最简形式然后再看它非0行的个数和未知数的个数之间的关系,首先用第一行先乘以-1/3,就变为:
然后将第一行主元下面的行化为0,直接用第二行减去第一行,变为:
好,目前已经化为行最简形式了,目前这个方程有2个未知数,其中存在有一个自由列,啥叫自由列还有印象么,回忆一下/webor/p/14280299.html:
也就是非0行只有1个,而未知数有2个,很显然根据之前/webor/p/14280299.html所学:
很显然不只有一个解(不只有零解,对于齐性线性方程一定有一个零解,因为等式右边是为0嘛),此时就可以推断出k1、k2不可能全为0,所以就可以得出这两向量:
是线性相关的,所以再来对咱们对于上面两个向量判断是否线性相关的解题思路进行抽象化一下,进而来进行如下命题的证明:
就得看是否存在k1,k2,...,km【因为有m个向量,所以就得有m个系数】不全为0,而且要满足:
而展开来看的话就是:
再变换成线性系统的求解:
看是否有唯一零解,如果是的则说明这些向量之间是无关的,否则是线性相关的。而由于这是一个齐次线性方程,所以可以直接看系数矩阵既可【因为你不管怎么进行消失消元其结果都为0】,所以对于系数矩阵目前是n行m列,而根据咱们对于线性相关的命题已知的条件:
拿这个系数矩阵来看,其中m是未知数的系数,而n是矩阵的行数,也就是说矩阵的列数大于行数,当它化为行最简形式的时候,是不是最多也只能是n行为非0行?所以系统矩阵化为行最简形式后,肯定非零行小于列数,所以该齐次线性方程肯定是有无数解,而不仅仅有唯一的零解,这样对于线性相关的这个命题也就得证了。
线性无关:
对于上面的命题,相反怎么来论证呢?也就是:
同样也是回归到齐次线性方程的求解上来:
而根据之前对于线性系统的求解的总结来看:
当将系统矩阵化为最简形式之后,非零行一定是要等于未知数的个数的才有唯一解。其实答案在之前所推导的一系列命题中:
所以啥时候才是线性无关的答案就跟之前所学的诸多个命题联系在了一起了,再一次体现了数学的严谨,之前所学都是为后面打基础的,看似没用的理论往往就能解决我们的困惑,所以可以从这命题的任何一个命题取出来都是线性无关的答案,当矩阵A可逆(A是非奇异矩阵)、rref(A) = I、A可以表示成一系列初等矩阵的乘识、Ax=b只有唯一解满足一条都可以认为这些向量是线性无关的,对于这些命题中最简单是矩阵A可逆(A是非奇异矩阵),所以在有些教材中对于m个向量什么时候线性无关定义时就这样定义:
其中m为啥要等于n呢,因为只有方阵才可逆呀,有时候可会这样陈述这个命题:
而由于A可逆是在之前的一系列的等价命题中,所以对于之前的系列等价命题又可以加一个命题啦,如下:
这样就把线性无关跟之前的等价命题联系到了一些,相反的否命题也同样满足各个等价命题的否命题,啥意思?也就是当方阵A的列向量线性相关,可以推出矩阵A不可逆、线性系统Ax=0不只有唯一解、A的行最简形式不是单位矩阵等等,这点也需要明白。
直观理解线性相关和线性无关:
对于线性相关这个概念说实话还是非常抽象的,先来回忆一下定义:
而当时用了一个更直观理解线性相关的方式是指:
而从另外一个角度来理解:从这些向量所表达的信息来看,线性相关其实就意味着这一组向量中它们的信息是冗余的,这是因为“其中一个向量可以写成其他向量的线性组合”,也不是这个向量很明显没有表达新的信息,也就是存在跟其它向量是重合的;反之线性无关则意味着信息的完全不冗余,因为每一个向量都是独立的,其中一个向量是不能表达成其他向量的线性组织的形式的。说了这段话是不是还是比较抽象,下面则以二维平面的角度来直观感受一下线性相关,按着线性相关的定义:
也就是只要在二维平面中随便来2个以上的向量,肯定它们都是线性相关的呗,下面来瞅瞅看是不是这样,先随便取2个向量:
注意这里的“随便”当然不是拿有共线或其中有某条向量是0向量来举例的,关于这些特殊的情况之后再说,目前而言“随便”就是指两个不共面的向量。好,接下来再来取一个向量:
此时按照定义它们仨肯定是线性相关的对不?那为什么?接下来得做辅助线了,先来将向量u和向量v所在的直线各画一条,如下:
那此地对于w这个向量一定就能够做出跟向量v和向量u两条直线的平行线,如下:
此时相交的地方是不是就可以做两个新的向量,如蓝色所示:
其中这俩蓝色的向量(用k1,k2来表示)其实就是向量u和向量v和某个标量的结果,因为是在同一个方向嘛,所以是跟向量u和向量v相关的,而对于w向量很显然就是k1、k2两个蓝色向量相加的结果,记成:
此时很明显对于向量w跟向量u和v是线性相关的,对于目前举的这个例子貌似有点牵强呀,刚好是在两夹角的中间,那下面再来取一个位置看看:
此时同样也可以做向量u,v的直线所在的平行线呀,如下:
而此时又可以绘制2根蓝色的向量:
只是这两个蓝色(k1、k2)的向量是向量u,v的反方向,但是依然可以是它们的基数乘积呀,所以对于向量w依然可以表示是k1向量和k2向量的加法形式了,好继续再来取一个向量:
同样的还是可以表示u、v向量跟基数相乘的两个向量相加的结果,如下:
好,接下来再来弄一个之前提到特殊的情况,就是向量u和向量v共线:
然后此时在上面任取一个向量w:
此时w貌似没法表示向量u和向量v线性组合呀,但是!!!向量u是可以表示w和v的线性组合,也就是:
因为k1可以取0呀,而由于向量u、v是共线的,对于向量u一定是能用向量v乘以一个常数的形式,而k1和k2又不全为0当然可以说u是可以表示w和v的线性组合喽,同理对于向量v也一样:
所以结论就是其实它们还是线性相关的。
推论1:
接下来看一个推论:
很明显根据线性定义就可以直接推出它:因为n+1>n。但是呢还可以以另一个方式来证明上面的推论:
此时在这个等式上同时乘以0*vn+1向量,就为:
而对于它前面的0这个系数其实就是:
而由于这n+1个k不全为0,也能证明这n个向量是线性相关的。
推论2:
对于二维平台中的向量有可能是零向量的情况还木有说,对于它先看一个相关的推论:
下面来证明一下,先假设i向量是零向量:
其中对于第i个k可以随便出一个非零的值,所以对于k的情况就为:
很显然也满足:
其中ki是不为0的,因为能找到一组不全为0的k使得等式满足,那不就是线性相关的定义么?
上面只是说了线性相关的情况,对于线性无关呢?其实在二维平面中,只要是两个向量不共线,就可以说这两个向量是线性无关的,在三维空间中,三个向量不共面,则这三个向量线性无关。最后对于线性相关和无关的结语为:
生成空间:
由线性相关与无关的概念,就可以引出一个非常重要的概念了----生成空间,先来回忆一下在上面论证线性相关以二维平面的一个例子:
如图也就是表示对于一个二维空间中的任何向量,都可以表示为u和v的线性组合,此时我们就可以说u和v可以生成整个二维空间。对于n维空间而言也一样,若空间中的所有向量,都可以被表示成v1、v2、v3、...、vp向量的线性组合,则称:这些向量可以生成这个空间。还是回到上图的二维空间中来看,我们说u和v可以生成整个二维空间,其实u,v,w也可以生成整个二维空间,这是因为这空间中的任意一个向量都可以写成这三个向量的线性组合,这也很好理解,本身这空间中的任意一个向量都可以用u,v的线性组合来表示,那这个线性组合再加上w之后,w前面的系数取0就可以了呀,所以这二维空间中的任意一个向量也都可以表示成u,v,w这三个向量的线性组合,那既然这样是不是可以再增加一个向量也同样能生成二维空间?是的,那么这里就有一个问题需要探讨了,看下面。
最少需要几个向量生成二维空间?
1、肯定不是一个:因为一个向量只能生成这条直线上的其他向量;
2、肯定不是三个:因为两个向量不共线,其他向量可以表示成这两个向量的线性组合。 所有有一个向量肯定是冗余的,因为咱们这里讨论的是“最少”。
基于上面两点来看,对于二维空间而言最少需要2个向量,那扩展到n维空间来说,也就有这样一个结论:
对于一个n维空间,至少【注意这个词】需要n个向量才能够生成。
对于这个结论可以采用反证法来证明:
证明:对于一个n维空间,至少需要n个向量才能够生成
假设m个向量可以生成n维空间,且m<n。
根据定义,则n维空间中的任何一个向量,都可以表示成这m个向量的线性组合。所以此时就可以有如下等式:
其中等号右边的向量用u来表示,而它又可以变形为:
上面这是一个非齐次的线性方程组,其中系数矩阵是n行m列的,而目前已知的是n>m,也就是行数大于列数,那么当A化为行最简形式后一定是有零行存在,下面用增广矩阵来表示一下:
当化为行最简形式之后大概是长这样:
而由于u向量是在空间中任意取的,很显然对于系数矩阵为0行对应的结果un的元素是不能保证为0的,那不为0不就是无解了么?所以此假设不成立,所以命题也就得证了。
在上面的结论中标红处需要特别注意,“至少”,那“对于n个向量一定可以生成n维空间”很明显是不成立的,比如二维平面上两个向量共线:
那下面再来探讨:n个向量何时可以生成整个空间呢?其实就是看下面这个增广矩阵看是否一定有解:
也就是将它化为行最简形式是下面这样:
非0行有n行,n个未知数,很显然只可能是有唯一解:
另对这种情况其实对应之前方阵的一系列命题的这种情况:
所以此时又可以加入一个等价命题了:
既然是等价,所以对于这些条件只要满足都可以说该方阵A的列向量可以生成n维空间:
空间的基:
经过上面生成空间的学习目前我们已经清楚了:“若m个向量生成n维空间,m最小为n(m>=n)”,另外对于线性相关我们也知道了:
而在上面也已经提到了,往往实际对于线性“无关”这个话题更加感兴趣,因为线性无关的向量都是彼此独立的,都是有用的信息,所以此时以线性无关的角度来看:
"若m个n维向量线性无关,m最大为n(m <= n)"。
对于上面的结论一定要注意反着来说就不成立了,比如:对于n个向量是否一定就能生成n维空间呢?不一定,但是!!要想一组向量要想能生成n维空间,那么这组向量至少需要n个;同理n个n维向量是否一定线性无关呢?也不一定,但是!!!要想让这组n维向量线性无关,这组向量最多只能有n个,如果是n+1个向量就一定是线性相关。
好,对于上面有两处标红的,接下来就可以得出另一个命题了:
“若一组向量既可以生成整个n维空间,并且线性无关,这组向量一定有n个【因为等于就是上面两个命题的交集,只有可能m=n】,则称这组向量为这个n维空间的一组基【基础的意思】。”更加形象的来看空间的基的定义如下:
对于空间的基这个概念还是有些抽象,下面还是回到坐标系中来进一步理解它,因为很重要!!
这里还是用之前说明线性相关的这两个向量来举例:
是不是可以看出在二维平面中只要是不共线的两条向量就是整个二维空间的一组基,因为u,v的线性组合可以表示任何二维空间的一组向量,所以u,v可以生成整个二维空间,另外这俩向量由于不共线所以是线性无关的,基于此,是不是发现“一个空间中是有无数组基”?比如再取两个不共线的向量:
而我们最常用的一组基其实是长这样:
而通常咱们会让这俩向量进行标准化处理,也就是让两个向量的模等于1,其实就是标准化单位向量,如下:
那么问题来了,既然这样两个向量也是空间的基:
既然e1,e2是二维空间的基;u,v也是二维空间的基,那么他们应该具有相同的性质?是的,下面来看一下这个共性:
在二维空间中,任何一个向量(或者是点)都可以表示成e1,e2的线性组合:
而在二维空间中,任何一个向量(或者是点)都可以表示成u和v的线性组合!且表示方法唯一【这个唯一性对于线性代数理论是非常重要的】。
基于此,咱们可以拓展到n维空间再叙述一下就是:
“在n维空间,如果给定了一组基,任何一个向量(或者是点)都可以表示成这组基的线性组合!且表示方法唯一。”
下面则来论证一下这个唯一性:
在n维空间,任何一个向量(或者是点)都可以表示成e1、e2、...、en的线性组合,且表示方法唯一。
证明:
对n维空间中的任何一个向量u,看是否一定存在一组k,使得:
展开来看就是:
对于它又可以写成矩阵x向量的线性系统了,如下:
而咱们要论证的“表示方法唯一”,其实对于k1...kn这个系数就是向量u在e1...en这组基下面的表示 ,而要想让表示方式唯一,很明显就是看k1...kn的解是否是唯一的,回到上面的这个线性系统中就是看未知数的角是否是唯一,很显然对于目前这个线性系统化为行最简形式的非零行是n行,而未知数的个数也是n个,很显然一定是有解,且唯一!!所以此结论就得证。
好,有了这个大前提之后,接下来再来论证我们想要的结论:“在n维空间,如果给定了一组基,任何一个向量(或者是点)都可以表示成这组基的线性组合!且表示方法唯一。”
证明:
对n维空间中的任何一个向量u,看是否一定存在一组k,使得:
依然将其化为线性系统为:
由于这组v是n维空间的基,根据空间基的定义就可以得知这组v可以生成整个空间,且线性无关对吧?那怎么就知道该线性系统解唯一呢?此时又得借助于之前的那一系列方阵的等价命题了:
既然能知道Ax=b只有唯一解,是不是也能说明此线性系统有解且唯一的,所以此结论就得证。
知道了空间的基之后,再回过头看之前咱们学习的矩阵表示空间这个话题,如下:
其中u、v是空间中的一组基,所以上面式子就可以理解在这样一组基下相应的向量就表示成了(2,2)。
而它对应的平面坐标的样子如下:
也就是在坐标系下如果在e1,e2这组基下的表示就是(12,8)了,所以有如下等式:
这样就利用咱们所学的空间基的概念进一步巩固了之前所学的矩阵表示空间的概念了。
空间的基的更多性质:
先来回忆一下空间基的定义:
就有如下两个性质:
1、n维空间中,任意n个线性无关的的向量,一定是这个n维空间的基。
2、n维空间中,如果n个向量可以生成整个空间,则这n个向量,是这个n维空间的基。
其实对于俩特性就来自于方阵的等价命题中:
下面以三维空间为例再来理解上面的性质,比如:
很显然这两个三维向量是线性无关的,但是不能生成整个空间,因为m<n,2个向量只能形成一个面,而这2个向量的任何一个线性组织只能是在这个平面上,它无法生成不在这个平面上的向量,相应的,如果是:
很显然它们是线性无关且可以生成整个空间,如果再多一个三维向量呢?
很显然它们是可以生成整个空间的,但是!!!它们不再是线性无关,而变成了线性相关的了。
下面用文字再整理一下性质:
另外对于空间的基还有如下一个性质:
3、如果一组向量:
它们可以生成n维空间,如果其中的一个向量,是其他向量的线性组合,如果删除这个向量,剩下的向量仍然可以生成整个n维空间。 下面论证一下,假设vi可以是其他向量的线性组合:
而由于这p个向量能够生成n维空间,那就意味着在这n维空间中任意一个向量u都可以用这p个向量的线性组合来表示:
此时将vi代入,发现向量u就是除了vi之外p-1个向量的线性组合,所以此性质就得证了。
基于这个特性,又可以产生下面一个关于空间基的特性了:
4、如果一组向量:
可以生成n维空间,则这组向量的一个子集,是n维空间的一组基。关于这个就不论证了,其实也比较容易理解,如果有m个向量,对于它如果大于n的话,就是将m个向量中线性相关的向量进行删除,直到删到这m个向量是线性无关为止,这些m个向量就是整个n维空间的一组基啦,知道这个特性有啥意义呢?很多时候可能并不需要构造n维空间中的一组基,如果我们知道一组向量可以生成n维空间的话,我们只需要从这组向量中挑选出一个子集就能形成n维空间的一组基了,而挑选出的这组向量就是要满足线性无关,而根据咱们所学的性质,对于一组向量既要线性无关,又能生成n维空间,这组向量的子集一定是有n个,换言之就是说只要从这p个向量中挑选出n个线性无关的向量就形成了这n维空间的一组基。
小结:形成自己的知识图谱:
最后对咱们这次所学进行一个梳理,说实话学了太多新的概念了,学到这都已经学晕了,所以有必要再重新梳理一下知识图谱,当然对于具体的概念就不细说了:
首先咱们学习了线性组合的概念,然后由它引出了:
简单来说线性相关就是一个向量可以用其它向量的线性组合来表示,而线性无关则是一个向量没有任何其它向量的线性组合来表示。
接下来又引出了生成空间的概念:
一组向量可以生成某个空间是指在空间中取出任何一个向量都能被这组向量的线性组合所表示,此时又跟线性组合联系在了一起,而由线性无关跟生成空间又引出了一个新的概念:
其实这也就是此次所学的主要大纲,然后对于之前的方阵的等价命题随着这次的学习又多出了两个:
而其实对于标红的这俩命题又可以引出一个新的命题:
另外对于空间的基再回忆一下,对于一个空间来说它有无数组基,而最常用的是用标准单位向量所组成的基:
实际上对于这样的基有一个单独的名字来定义:标准正交基。关于这块之后会学到,先抛出个概念。
当然也可以空间中任意取两个不共线的向量为基:
它跟标准正交基其实是存在诸多共性的:二维空间中的任何一个向量或者任何一个点都可以被一组基给唯一的表示出来。最后再来说一个问题,就是既然已经有了标准正交基了,直接都以这样的标准正交基来当空间的基不就可以了,为啥还要泛化出对于空间中任意取两个不共线的向量都可以作为空间的基的情况呢?其实是有时候会对空间的其他基感兴趣,而非只是标准正交基,比如在物理学中要看这个方块在下坡它的受力情况:
此时要想分析其受力的话用这样的坐标系远比标准正交基(垂直于底平线和平行于底平线)所在的坐标系要有意义:
虽然这个坐标系是斜的,但是对于我们关注的这个方块其实坐标系还是正的。同样再举一个物理学的例子,对于一个飞机在前进时的受力情况:
此时就可以从飞机的引擎给飞机带来前进的动力:
以及飞机所受的像风力或者阻力等外界因素所带给它的力:
用这样的坐标系计算就远比标准正交基所代表的坐标系要更加有意义。这次学习木有涉及到编程,纯学概念,但是这些概念都是非常重要的,也是为后续更进一步学好线性代数的高级知识必经之路。
如果觉得《线性代数学习之线性相关 线性无关与生成空间》对你有帮助,请点赞、收藏,并留下你的观点哦!