线性代数学习点(五)：向量运算规则的几何表示

上述规则无疑是正确的。但从技术上来讲，向量相加的法则仅定义了两个向量相加。因此，我们必须确保上述法则在只有两个向量相加时也是正确的。因此，我们还需要如下的规则：即向量相加满足结合律。用更数学化的语言可表述为：对任意向量u 、v和w，有如下等式成立： (u + v)+ w = u + (v + w).

下图给出了向量加法结合律的几何图示。上面是等式左边的相加结果，下面是等式右边的相加结果。可以看出，结果都是黑色的向量。

利用交换律和结合律这两个规则，我们就可以解决任意多个向量以任意次序相加的问题。

前面我们仅给出了向量相加运算法则在二维空间的几何示意图。下图给出了三个向量在三维空间相加的几何示意图。图中三个向量处于不同的平面，我们可以先将他们的起点放置在一起，然后先利用平行四边形法则计算u + v，然后再利用三角形法则计算(u + v)+ w。由图可以看出，和向量实际上是由u、 v、w三个向量构成的平行六面体的对角线。因此，在三维空间，向量相加的法则也称为平行六面体法则，这是二维空间到三维空间的自然推广。在数学抽象上，这样的法则还可以推广到三维以上的空间，只是无法给出具体的几何示意图。

上面我们讨论了多个向量相加的问题。对数乘运算，假定现在有两个数c 和 d，都要和向量v进行数乘运算，那么运算的次序有关系吗？可以证明，数乘运算时，先用那个数进行数乘并不影响最终的结果，即有：c(dv) =d(cv) = (cd)v.

如果c 和 d均为正数，那么很明显，上述三种运算所得的结果相同，并且仍然是一个向量，其方向与v相同，其长度为v的长度乘以cd。如果c 和 d有一个为负数或者两者均为负数，上述三种运算就必须要考虑方向的变反的情况，但注意到，在三种运算中，向量方向变反的次数是一样的，因此，三种运算所得的结果仍然相同。这即说明上述数乘满足交换律的运算规则是有效的。

我们再考虑更复杂一些的情况，几个向量之间的运算不仅有加法，还有数乘运算，这时就需要分配率。这里，分两种情况来讨论。

第一种情况是两个数相加后再与向量相乘。此时的运算规则如下：两个数相加之后再与向量相乘，等于两个数分别与向量相乘后再相加。用数学公式可表示为：对于任意的数c，d及任意的向量v，有：

(c + d)v =cv +dv.

如果c 和 d均为正数，如下图所示，那么从图很容易看出，上述等式两边的运算结果相同，结果均为向量，其方向与v相同，长度为v的长度乘以(c +d)。

如果c 和 d有一个为负数，或者均为负数，上述分配率规则同样有效，但所得向量的方向与(c+d)的取值有关，可能与v相同，也可能与v相反。

再来考虑另外一种情况，一个数与两个向量相加的结果相乘，此时的运算规则如下：一个数与两个向量相加的结果相乘，等于这个数分别与这两个向量单独相乘，然后再相加。用数学公式可表示为：对于任意的数c，d及任意的向量v，有：

c(u + v) = cu + cv.

对这条规则的理解与第一种情况的完全类似，下图给出了一个这种情况下的几何示意图。

综合这两种情况，用更口语化的方式，分配率可统一表述为：相加之后的相乘与相乘之后的相加相等。

线性代数学习点(五)：向量运算规则的几何表示相关推荐

机器学习和深度学习之数学基础-线性代数第一节向量及线性映射
转自:https://blog.csdn.net/yong_bai/article/details/80033516 yong_bai 发布于2018-04-18 21:40:15 阅读数 1440 ...
线性代数第五版吉尔伯特课后答_线性代数同济第五版第四章课后习题答案！
搜集 | 整理 | 测试 | @小愉免责声明:以下资源或软件均来自互联网,仅供学习和交流使用,如有侵权请联系删除,请勿用于商业和非法途径等,如有法律纠纷与本人无关! 本文未经允许,不得转载! 适用 ...
2020年李永乐线性代数强化笔记-向量
写在前面:相信时间的力量,做时间的朋友:走过的每一步都算数. 2020年李永乐线性代数强化笔记-向量当我学向量的时候,需要复习巩固前面的矩阵,这样螺旋上升. 文章目录 1 线性相关与线性无关 2 线 ...
线性代数第五版吉尔伯特课后答_线性代数同济第五版第六章课后习题答案！
搜集 | 整理 | 测试 | @小愉免责声明:以下资源或软件均来自互联网,仅供学习和交流使用,如有侵权请联系删除,请勿用于商业和非法途径等,如有法律纠纷与本人无关! 本文未经允许,不得转载! 适用 ...
线性代数1：向量、线性组合、张成的空间和基
课程地址:[官方双语/合集]线性代数的本质 - 系列合集目录一.什么是向量 1. 向量的表达方式 2. 向量的加法 3. 向量的数乘二.线性组合.张成的空间和基 1. 坐标系的基 2. 线性组合 ...
人工智能数学基础-线性代数2：向量的点积、內积、数量积和外积
☞ ░ 老猿Python博文目录░ 一.内积 1.1.定义内积(inner product)又称数量积( scalar product).点积(dot product),是指接受在实数R上的两个向量 ...
线性代数学习点(四)：向量数乘的几何表示
原文链接:http://thejuniverse.org/PUBLIC/LinearAlgebra/LOLA/geomVect/mult.html 翻译过程稍有删减用一个数去乘以一个向量,所得的结果 ...
c++矩阵转置_线性代数中的向量矩阵
目录前言符号约定向量的基本性质 [定义,基向量,线性相关/无关*,向量点积] 矩阵的基本性质 [转置,广播,线性变换] 矩阵基本运算 [矩阵相乘,矩阵点积] 行列式 [概念,性质,右手法则,行列 ...
线性代数--矩阵、向量
线性代数线性代数矩阵及其运算矩阵分块法矩阵的初等变换于线性方程组矩阵的初等变换矩阵的秩线性方程组的解向量组的线性相关性向量组及其线性组合向量组的线性相关性线性代数矩阵及其运算 ...
线性代数向量乘法_向量的标量乘法| 使用Python的线性代数
线性代数向量乘法 Prerequisite: Linear Algebra | Defining a Vector 先决条件: 线性代数| 定义向量 Linear algebra is the bra ...

线性代数学习点(五)：向量运算规则的几何表示

线性代数学习点(五)：向量运算规则的几何表示相关推荐

最新文章

热门文章