线性代数(三)向量组

作者: AdRainty | 来源:发表于2021-08-26 01:00 被阅读0次

线性代数(三)向量组
线性代数（待续）
线性代数--向量
线性代数基础
线性代数导论
线性代数基本概念
线性代数入门的简单理解
用numpy求解方程组
线性代数的本质与几何意义 01. 向量是什么？(3blue1br
3Blue1Brown-线性代数

一、向量及向量组的线性相关性

1、向量的概念和运算

n维向量：n个数构成的一个有序数组称为一个n维向量，记为 $\boldsymbol{\alpha}=\left[ \begin{matrix} a_1& a_2& \cdots& a_n \end{matrix} \right]$ ,并称α为n维行向量, $\boldsymbol{\alpha}^T=\left[ \begin{matrix} a_1& a_2& \cdots& a_n \end{matrix} \right]^T$ 称为n维列向量。

2、向量组的线性表出与线性相关的概念

1.2.1 线性组合

设 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 是n维向量， $k_1,k_2,\cdots k_s$ 是一组实数，则称
$k_1\boldsymbol{\alpha }_1+k_2\boldsymbol{\alpha }_2+\cdots +k_s\boldsymbol{\alpha }_{\boldsymbol{s}}$
是 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 的线性组合

1.2.2 线性表出

设向量 $\beta$ 能表示成向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 的线性组合，即存在 $k_1,k_2,\cdots k_s$ ，使得
$\boldsymbol{\beta} = k_1\boldsymbol{\alpha }_1+k_2\boldsymbol{\alpha }_2+\cdots +k_s\boldsymbol{\alpha }_{\boldsymbol{s}}$
则称向量 $\beta$ 能被向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 线性表出

1.2.3 线性相关

对n维向量 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ ，如果存在不全为零的数使得
$k_1\boldsymbol{\alpha }_1+k_2\boldsymbol{\alpha }_2+\cdots +k_s\boldsymbol{\alpha }_{\boldsymbol{s}}=0$
则称向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 线性相关，否则，则称向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 线性无关

含有零向量或者有成比例的向量的向量组必定线性相关

3、判别线性相关性的七大定理

1.3.1 定理1

向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{n}}(n \ge 2)$ 线性相关的充要条件是向量组中至少有一个向量可以由其余的n-1个向量线性表出

1.3.2 定理2

若向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{n}}$ 线性无关，而向量组 $\boldsymbol{\beta} ,\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{n}}$ 线性相关，则 $\beta$ 能被向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 线性表出

1.3.3 定理3

如果向量组 $\beta _ { 1 } , \beta _ { 2 } , \cdots , \beta _ { t }$ 可以由向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 线性表示，且t>s则 $\beta _ { 1 } , \beta _ { 2 } , \cdots , \beta _ { t }$ 线性相关

1.3.4 定理4

设m个n维向量 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{m}}$ ，其中
$\boldsymbol{\alpha}_{1}=\left[a_{11}, a_{21}, \cdots, a_{n 1}\right]^{\mathrm{T}}$

$\boldsymbol{\alpha}_{2}=\left[a_{12}, a_{22}, \cdots, a_{n 2}\right]^{\mathrm{T}}$

$\ldots \ldots$

$\boldsymbol{\alpha}_{m}=\left[a_{1 m}, a_{2 m}, \cdots, a_{m}\right]^{\mathrm{T}}$

则向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{m}}$ 线性相关的是齐次线性方程组
$\boldsymbol{A}x=\boldsymbol{0}$
有非零解，其中
$A=\left[\boldsymbol{\alpha}_{1}, \boldsymbol{\alpha}_{2}, \cdots, \boldsymbol{\alpha}_{m}\right]=\left[\begin{array}{cccc}a_{11} & a_{12} & \cdots & a_{1 m} \\ a_{21} & a_{22} & \cdots & a_{2 m} \\ \vdots & \vdots & & \vdots \\ a_{n 1} & a_{n 2} & \cdots & a_{m}\end{array}\right], \quad x=\left[\begin{array}{c}x_{1} \\ x_{2} \\ \vdots \\ x_{m}\end{array}\right]$

1.3.5 定理5

量 $\beta$ 能被向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 线性表出

$\Leftrightarrow$ 非齐次线性方程组 $\left[\boldsymbol{\alpha}_{1}, \boldsymbol{\alpha}_{2}, \cdots, \boldsymbol{\alpha}_{s}\right]\left[\begin{array}{c}x_{1} \\ x_{2} \\ \vdots \\ x_{s}\end{array}\right]=\boldsymbol{\alpha}_{1} x_{1}+\boldsymbol{\alpha}_{2} x_{2}+\cdots+\boldsymbol{\alpha}_{s} x_{s}=\boldsymbol{\beta}$ 有解

$\Leftrightarrow r\left(\left[\alpha_{1}, \alpha_{2}, \cdots, \alpha_{s}\right]\right)=r\left(\left[\boldsymbol{\alpha}_{1}, \boldsymbol{\alpha}_{2}, \cdots, \boldsymbol{\alpha}_{s}, \boldsymbol{\beta}\right]\right) .$

1.3.6 定理6

如果向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{m}}$ 中有一部分向量线性相关，则整个向量组也线性相关

1.3.7 定理7

如果一组 $n$ 维向量 $\boldsymbol{\alpha}_{1}, \boldsymbol{\alpha}_{2}, \cdots, \alpha_{s}$ 线性无关,那么把这些向量各任意添加 $m$ 个分量所得到的新向量 ( $n+m$ 维)组 $\boldsymbol{\alpha}_{1}^{*}, \boldsymbol{\alpha}_{2}^{*}, \cdots, \alpha_{s}^{*}$ 也是线性无关的;如果 $\alpha_{1}, \alpha_{2}, \cdots, \alpha_{s}$ 线性相关,那么它们各去掉相同的若干个分量所得到的新向埋组也是线性相关的.

二、极大线性无关组、等价向量组、向量组的秩

1、极大线性无关组

在向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 中，若存在r个向量 $\boldsymbol{\alpha }_i1,\boldsymbol{\alpha }_i2,\cdots \boldsymbol{\alpha }_ir$ 满足

$\boldsymbol{\alpha }_i1,\boldsymbol{\alpha }_i2,\cdots \boldsymbol{\alpha }_ir$ 线性无关
向量组中任一向量 $\boldsymbol{\alpha }_i\left( i=1,2\cdots s \right)$ 均可由向量组 $\boldsymbol{\alpha }_i1,\boldsymbol{\alpha }_i2,\cdots \boldsymbol{\alpha }_ir$ 线性表出

则称 $\boldsymbol{\alpha }_i1,\boldsymbol{\alpha }_i2,\cdots \boldsymbol{\alpha }_ir$ 是向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 的一个极大线性无关组

向量组的极大线性无关组一般不唯一，只由一个零向量组成的向量组不存在极大线性无关组，一个线性无关向量组的极大线性无关组就是该向量组本身

2、等价向量组

设有两个向量组（Ⅰ） $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ ；（Ⅱ） $\boldsymbol{\beta }_1,\boldsymbol{\beta }_2,\cdots \boldsymbol{\beta }_t$

如果（Ⅰ）中的每个向量都可由（Ⅱ）中的向量线性表出，则称向量组（Ⅰ）可以由向量组（Ⅱ）线性表出。如果（Ⅰ）（Ⅱ）这两个向量组可以互相线性表出，则称这两个向量组等价，记作 $(I) \cong(\Pi)$

向量组和它的极大线性无关组是等价向量组

矩阵等价的充要条件是，同型且秩相等，注意区分

3、向量组的秩

向量组 $\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}}$ 的极大线性无关组 $\boldsymbol{\alpha }_i1,\boldsymbol{\alpha }_i2,\cdots \boldsymbol{\alpha }_ir$ 中所含的向量的个数r称为这个向量组的秩，记作 $r(\boldsymbol{\alpha }_1,\boldsymbol{\alpha }_2,\cdots \boldsymbol{\alpha }_{\boldsymbol{s}})=r$

等价向量组等秩,反之未必成立.

4、有关向量组的秩的重要定理和公式

设向量组 $\boldsymbol{\alpha}_{1}, \boldsymbol{\alpha}_{2}, \cdots, \alpha_{s}$ 及 $\boldsymbol{\beta}_{1}, \boldsymbol{\beta}_{2}, \cdots, \boldsymbol{\beta}_{t} .$ 若 $\boldsymbol{\beta}_{i}(i=1,2, \cdots, t)$ 均可由 $\boldsymbol{\alpha}_{1}, \boldsymbol{\alpha}_{2}, \cdots, \boldsymbol{\alpha}_{s}$ 线性表出,则
$r\left(\boldsymbol{\beta}_{1}, \boldsymbol{\beta}_{2}, \cdots, \boldsymbol{\beta}_{t}\right) \leqslant r\left(\boldsymbol{\alpha}_{1}, \boldsymbol{\alpha}_{2}, \cdots, \boldsymbol{\alpha}_{s}\right) .$

$r(\boldsymbol{A} \boldsymbol{B}) \leqslant \min \{r(\boldsymbol{A}), \boldsymbol{r}(\boldsymbol{B})\}$

$r(A+\boldsymbol{B}) \leqslant r([\boldsymbol{A}, \boldsymbol{B}]) \leqslant r(\boldsymbol{A})+r(\boldsymbol{B})$

$r\left(A^{*}\right)=\left\{\begin{array}{ll}n, & r(A)=n, \\ 1, & r(A)=n-1, \\ 0, & r(A)<n-1 .\end{array}\right.$

三、向量空间

1、基本概念

若 $\xi_{1}, \xi_{2}, \cdots, \xi_{n}$ 是 $n$ 维向量空间 $\mathrm{R}^{n}$ 中的线性无关的有序向量组,则任一向量 $\alpha \in \mathrm{R}^{n}$ 均可由 $\xi_{1}, \xi_{2}, \cdots ，\xi_{n}$ ,线性表出，记表出式为
$\alpha=a_{1} \xi_{1}+a_{2} \xi_{2}+\cdots+a_{n} \xi_{n}$
称有序向量组 $\xi_{1}, \xi_{2}, \cdots, \xi_{n}$ 是 $\mathbf{R}^{n}$ 的一个基,基向量的个数 $n$ 称为向量空间的维数,而 $\left[a_{1}, a_{2}, \cdots, a_{n}\right]$ ( $\left[a_{1}, a_{2}, \cdots, a_{n}\right]^T$ ) 称为向量 $\alpha$ 在基 $\xi_{1}, \xi_{2}, \cdots, \xi_{n}$ 下的坐标,或称为 $\alpha$ 的坐标行(列)向量.

2、基变换、坐标变换

定理 8 若 $\eta_{1}, \eta_{2}, \cdots, \eta_{n}$ 和 $\xi_{1}, \xi_{2}, \cdots, \xi_{n}$ 是 $\mathrm{R}^{n}$ 中的两个基, 且有关系

$\left[\eta_{1}, \eta_{2}, \cdots, \eta_{n}\right]=\left[\xi_{1}, \xi_{2}, \cdots, \xi_{n}\right]\left[\begin{array}{cccc} c_{11} & c_{12} & \cdots & c_{1 n} \\ c_{21} & c_{22} & \cdots & c_{2 n} \\ \vdots & \vdots & & \vdots \\ c_{n 1} & c_{n 2} & \cdots & c_{m} \end{array}\right]=\left[\xi_{1}, \xi_{2}, \cdots, \xi_{n}\right] \boldsymbol{C},$
则上式称为矩阵由基 $\xi_{1}, \xi_{2}, \cdots, \xi_{n}$ 到基 $\eta_{1}, \eta_{2}, \cdots, \eta_{n}$ 的基变换公式，矩阵C称为由基 $\xi_{1}, \xi_{2}, \cdots, \xi_{n}$ 到基 $\eta_{1}, \eta_{2}, \cdots, \eta_{n}$ 的过渡矩阵。C的第i列即是 $\eta_i$ 在基 $\xi_{1}, \xi_{2}, \cdots, \xi_{n}$ 下的坐标列向量，且过渡矩阵C是可逆矩阵

定理 9 设 $\alpha$ 在基 $\xi_{1}, \xi_{2}, \cdots, \xi_{n}$ 和基 $\eta_{1}, \eta_{2}, \cdots, \eta_{n}$ 下的坐标分别是 $x=\left[x_{1}, x_{2}, \cdots, x_{n}\right]^{\mathrm{T}}$ , $\boldsymbol{y}=\left[y_{1},\right. \boldsymbol{y}_2，\cdots \left.y_{n}\right]^{\mathrm{T}}$ , 即

$\alpha=\left[\xi_{1}, \xi_{2}, \cdots, \xi_{n}\right] x=\left[\eta_{1}, \eta_{2}, \cdots, \eta_{n}\right] y .$
又基 $\xi_{1}, \xi_{2}, \cdots, \xi_{n}$ 到基 $\eta_{1}, \eta_{2}, \cdots, \eta_{n}$ 的过渡矩阵为 $C$ ,即
$\begin{array}{c} {\left[\eta_{1}, \eta_{2}, \cdots, \eta_{n}\right]=\left[\xi_{1}, \xi_{2}, \cdots, \xi_{n}\right] C}\end{array}$
则
$\begin{array}{c} \alpha=\left[\xi_{1}, \xi_{2}, \cdots, \xi_{n}\right] x=\left[\eta_{1}, \eta_{2}, \cdots, \eta_{n}\right] y=\left[\xi_{1}, \xi_{2}, \cdots, \xi_{n}\right] C y \end{array}$
得
$x=C y \text { 或 } y=C^{-1} x$
上式称为左边变换公式

线性代数(三)向量组
一、向量及向量组的线性相关性 1、向量的概念和运算 n维向量：n个数构成的一个有序数组称为一个n维向量，记为,并称...
线性代数（待续）
一、概述线性代数主要包含向量、向量空间（或称线性空间）以及向量的线性变换和有限维的线性方程组。 1.1 向量标...
线性代数--向量
向量是线性代数研究的基本元素。线性代数的重点在于其推广一个数的研究到一组数的研究。使用向量(Vector)能用来...
线性代数基础
线性代数向量 1.线性相关与线性无关向量组线性相关存在一组不全为的实数，使得：即至少有一个向量可以用其余向...
线性代数导论
一、学习结构线性代数基本理论部分：行列式矩阵 n维向量线性代数应用部分：线性方程组相似对角形二次型 ...
线性代数基本概念
线性代数是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。
线性代数入门的简单理解
线性代数研究的最重要的是线性空间，伴随着最实用的核心产物就是解线性方程组。向量空间那么为什么要研究向量呢？因为...
用numpy求解方程组
用numpy求解方程组线性代数中比较常见的问题之一是求解矩阵向量方程。这是一个例子。我们寻找解决方程的向量x...
线性代数的本质与几何意义 01. 向量是什么？(3blue1br
向量是线性代数最基础、最基本的概念之一，要深入理解线性代数的本质，首先就要搞清楚向量到底是什么？向量之所以让人迷...
3Blue1Brown-线性代数
01 向量究竟是什么？线性代数中最基础、最根源的就是向量，一般来说有三种看待向量的观点，看似不同却有所关联 ——...

线性代数(三)向量组

一、向量及向量组的线性相关性

1、向量的概念和运算

2、向量组的线性表出与线性相关的概念

1.2.1 线性组合

1.2.2 线性表出

1.2.3 线性相关

3、判别线性相关性的七大定理

1.3.1 定理1

1.3.2 定理2

1.3.3 定理3

1.3.4 定理4

1.3.5 定理5

1.3.6 定理6

1.3.7 定理7

二、极大线性无关组、等价向量组、向量组的秩

1、极大线性无关组

2、等价向量组

3、向量组的秩

4、有关向量组的秩的重要定理和公式

三、向量空间

1、基本概念

2、基变换、坐标变换

相关文章

线性代数(三)向量组

线性代数（待续）

线性代数--向量

线性代数基础

线性代数导论

线性代数基本概念

线性代数入门的简单理解

用numpy求解方程组

线性代数的本质与几何意义 01. 向量是什么？(3blue1br

3Blue1Brown-线性代数

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读