【复习笔记】线性代数——向量及向量组的线性相关性

目录

一、向量的概念和运算

二、向量组的表出与线性相关的概念

三、判别线性相关性的七大定理


一、向量的概念和运算

1、n维向量:n个数构成的一个有序数组\large [a_{1},....a_{n}]称为一个n维向量,记成\large \alpha =[a_{1},...a_{n}]

2、运算:相等,加法,数乘 


二、向量组的表出与线性相关的概念

1、线性组合

2、线性表出

3、线性相关

对m个n维向量,\large \alpha _{1},\alpha _{2},...\alpha _{m},,若存在一组不全为0的数,\large k_{1},...k_{m},使得

\large k_{1}\alpha _{1}+...+k_{m}\alpha_{m}=0,

则称该向量组线性相关。

4、线性无关

与线性无关相反,向量组或线形无关或线形相关,二者必居其一。

单个非零向量,两个不成比例的向量均线性无关。


三、判别线性相关性的七大定理

定理1 向量组\large \alpha _{1},\alpha _{2},...\alpha _{m},线性相关的充要条件是向量组中至少有一个向量可由其余的m-1个向量线性表出。

证明:

(必要性)

设向量组线性相关,则存在m个不全为0的数,\large k_{1},...k_{m},使得\large k_{1}\alpha _{1}+...+k_{m}\alpha_{m}=0

因为不全为0,不妨设\large k_{1}\neq 0, 则\large \alpha_{1}=-\frac{k_{2}}{k_{1}}\alpha_{2}-...\frac{k_{m}}{k_{1}}\alpha_{m},证明完毕;

(充分性)

\large \alpha_{1}可用\large \alpha_{2},...\alpha{m}线性表示,即\large \alpha_{1}=l_{1}\alpha_{2}+...+l_{m}\alpha_{m}

于是\large \alpha_{1}-l_{1}\alpha_{2}-...-l_{m}\alpha_{m}=0

显然,\large 1,-l_{2}...,-l_{m}不全为0,则向量组线性相关,证明完毕。


 定理2 若向量组\large \alpha _{1},\alpha _{2},...\alpha _{m},线性无关,而\large \beta ,\large \alpha _{1},\alpha _{2},...\alpha _{m},线性相关,则\large \beta可由\large \alpha _{1},\alpha _{2},...\alpha _{m},线性表出,并且表示法唯一

 证明:

因为加上\large \beta后线性相关,则可以得到存在不全为0的系数使向量组的线性组合为0,又因为加上\large \beta    前的向量组线性无关,所以除了\large \beta的系数全为0,将线性组合移项可得到\large \beta的线性表达。

假设有两种不同的表示法,

\large \beta=l\alpha ,\beta=h\alpha

 于是相减得.                                             

\large (l-h)\alpha=0

因为向量组\large \alpha线性无关,所以必有\large l-h=0

与假设矛盾,故线性表示的表示法唯一。

表示法唯一也可以这么理解:因为向量组\large \alpha线性无关,可以认为向量组中的每一个向量只能表示一个维度的度量,如向量(0,0,1),(0,1,0)(1,0,0),几何意义来说,只表示xyz各自方向,互不影响,独立,组合起来表示的是一个空间物体,物体是唯一的,那么表示法也是唯一的。


定理3 如果向量组\large \beta_{1},...\beta_{t}可由向量组,\large \alpha_{1},...\alpha_{s}线性表达,且\large t>s,则\large \beta_{1},...\beta_{t}线性相关。

 (高维空间可以表示低维空间,反之则不可)

证明:设出\large \beta_{1},...\beta_{t}的所有的含\large \alpha_{1},...\alpha_{s}线性表达(k),因为 \large \beta_{1},...\beta_{t}线性相关,则其存在不全为0的系数(l),使向量组的线性组合为0。

令t=3,s=2,设

\large \left\{\begin{matrix} \beta_{1}=k_{11}\alpha_{1}+k_{21}\alpha_{2}\\ \beta_{2}=k_{12}\alpha_{1}+k_{22}\alpha_{2}\\ \beta_{3}=k_{13}\alpha_{1}+k_{23}\alpha_{2} \end{matrix}\right.

需证明存在\large l_{1},l_{2},l_{3}

使得\large l_{1}\beta_{1}+l_{2}\beta_{2}+l_{3}\beta_{3}=0

代入发现三个未知数\large l_{1},l_{2},l_{3},而只有两个方程,故必存在非零l使得方程成立(可以给定一个,求解另外两个)。

从几何上来理解,这个也相当于,三维空间,令某一维不表出(为0)从而可以表出二维的向量。而二维向量无法表出三维。(x,y,z)能表示空间包含了平面的向量与(x,y)只能表示平面的向量。


定理4 向量组线性相关的充分必要条件是齐次线性方程组\large Ax=0有非0解。

\large x_{1}\begin{bmatrix} a_{11}\\ a_{21}\\ ...\\ a_{n1} \end{bmatrix}+x_{2}\begin{bmatrix} a_{12}\\ a_{22}\\ ...\\ a_{n2} \end{bmatrix}+...+ x_{m}\begin{bmatrix} a_{1m}\\ a_{2m}\\ ...\\ a_{nm} \end{bmatrix}=0

 注:如果\large n< m,即方程个数小于未知数个数(一行表示一个方程,一列表示一个未知数,n表示未知数的维度),则求解时必有自由未知量。

因此任何n+1个n维向量组成的向量组都是线性相关的。任何一个线性无关的n维向量组最多只能含有n个向量。


定理5 向量\large \beta可以由向量组线性表出的充要条件是\large Ax=\beta有解。(相当于加上\large \beta之后的向量组的秩不变)


定理6 如果向量组中有一部分向量线性相关,则整个向量组也线性相关。(已经存在不全为0使向量组合为0,再加上就算后面的系数全为0,也满足线性相关的条件,是增加列不改变线性相关


定理7 如果一组n维向量线性无关,则把这些向量增加m个分量得到的新向量(n+m维)也是线性无关的。(只有全0才能满足之前n维的组合为0,再加多行也无济于事。未知数都确定为0,再加方程的数量也改变不了

如果向量组线性相关,那么去掉相同的若干个分量所得到的新向量组也是线性相关的。(已经存在不全为0的系数使向量组合为0,就算去掉行,方程变少,未知数的量不变,所以也同样满足

你可能感兴趣的:(基础知识,线性代数,机器学习,矩阵)