线性代数【五】向量(2):向量组的秩,向量内积、正交,正交规范化,向量空间
本节为线性代数复习笔记的第五部分,向量(2),主要包括:向量组的秩,向量内积、正交、模,施密特标准正交化(正交规范化),向量空间以及坐标变换公式。
1. 向量组的秩
向量组α1⃗,α2⃗,...,αs⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}α1,α2,...,αs的极大线性无关组中所含有向量的个数称为向量组的秩,其中等价向量组必然等秩,但向量组等秩不一定是等价向量组,且有矩阵的秩=行向量组秩=列向量组秩。
若A经过初等行变换变为B,则A的行向量组合B的行向量组等价,且A和B任何列向量组具有相同的线性相关性。
设有向量组β1⃗,β2⃗,...,βt⃗\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_t}β1,β2,...,βt和α1⃗,α2⃗,...,αs⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}α1,α2,...,αs,若βi\beta_iβi均可由α1⃗,α2⃗,...,αs⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}α1,α2,...,αs线性表出,则:r[β1⃗,β2⃗,...,βt⃗]r[\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_t}]r[β1,β2,...,βt]≤\leq≤r[α1⃗,α2⃗,...,αs⃗]r[\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}]r[α1,α2,...,αs]。
2. 向量组内积,向量正交,模
设αT=[α1⃗,α2⃗,...,αn⃗]T\alpha^T=[\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_n}]^TαT=[α1,α2,...,αn]T,β=[β1⃗,β2⃗,...,βn⃗]T\beta=[\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_n}]^Tβ=[β1,β2,...,βn]T,则αTβ\alpha^T\betaαTβ称为向量组的内积,记为(α,β)=αTβ(\alpha,\beta)=\alpha^T\beta(α,β)=αTβ。
当αTβ=0\alpha^T\beta=0αTβ=0,称两个向量组正交。
向量组的模记为∣∣α∣∣=Σi=1nαi2||\alpha||=\sqrt{\Sigma_{i=1}^n\alpha_i^2}∣∣α∣∣=Σi=1nαi2,模为1则向量为单位向量。
3. 标准正交向量组
对于向量组α1⃗,α2⃗,...,αn⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_n}α1,α2,...,αn,若i=j,αiTαj=1i=j,\alpha_i^T\alpha_j=1i=j,αiTαj=1;i≠j,αiTαj=0i\neq j,\alpha_i^T\alpha_j=0i=j,αiTαj=0,则称向量组α1⃗,α2⃗,...,αn⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_n}α1,α2,...,αn为标准/单位正交向量组。
A是正交矩阵(方阵)⇔\Leftrightarrow⇔ATA=EA^TA=EATA=E⇔\Leftrightarrow⇔AT=A−1A^T=A^{-1}AT=A−1⇔\Leftrightarrow⇔A的行与列向量组皆为标准正交向量组
若A是正交矩阵,则称Y=AXY=AXY=AX为正交变换,不改变向量内积(成都和两两夹角不变)。
对于正交矩阵A,若|A|=1,称A为特殊正交矩阵/旋转矩阵;若|A|=-1,称A为瑕旋转矩阵。
正交矩阵和正交变换还有很多有意思的性质~
4. 施密特标准正交化/正交规范化
线性无关向量组α1⃗,α2⃗,...,αn⃗\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_n}α1,α2,...,αn的标准正交化公式为:
β1=α1β2=α2−(α2,β1)β1,β1β1...βn=αn−(αn,βn−1)βn−1,βn−1βn−1−...−(αn,β1)β1,β1β1\beta_1=\alpha_1\\\beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{\beta_1,\beta_1}\beta_1\\...\\\beta_n=\alpha_n-\frac{(\alpha_n,\beta_{n-1})}{\beta_{n-1},\beta_{n-1}}\beta_{n-1}-...-\frac{(\alpha_n,\beta_1)}{\beta_1,\beta_1}\beta_1 β1=α1β2=α2−β1,β1(α2,β1)β1...βn=αn−βn−1,βn−1(αn,βn−1)βn−1−...−β1,β1(αn,β1)β1
得到的β1⃗,β2⃗,...,βn⃗\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_n}β1,β2,...,βn是正交向量组,将β1⃗,β2⃗,...,βn⃗\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_n}β1,β2,...,βn单位化得:ηi=βi∣∣βi∣∣\eta_i=\frac{\beta_i}{||\beta_i||}ηi=∣∣βi∣∣βi,这样即可得到标准正交向量组。
(α2,β1)β1,β1\frac{(\alpha_2,\beta_1)}{\beta_1,\beta_1}β1,β1(α2,β1)这个计算本质上是将α2\alpha_2α2投影到α1\alpha_1α1方向上的投影系数,然后做向量的相减,得到方向上与α1\alpha_1α1正交的新向量。
5. 向量空间
若ξ1⃗,ξ2⃗,...,ξn⃗\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}ξ1,ξ2,...,ξn是RnR^nRn中的线性无关向量组,且任一向量α⃗∈Rn\vec{\alpha}\in R^nα∈Rn均可由ξ1⃗,ξ2⃗,...,ξn⃗\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}ξ1,ξ2,...,ξn线性表出,则称ξ1⃗,ξ2⃗,...,ξn⃗\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}ξ1,ξ2,...,ξn是RnR^nRn的一个基,其个数n称为该向量空间的维数。若有:α⃗=a1ξ1⃗+a2ξ2⃗+...+anξn⃗\vec{\alpha}=a_1\vec{\xi_1}+a_2\vec{\xi_2}+...+a_n\vec{\xi_n}α=a1ξ1+a2ξ2+...+anξn,则(a1,a2,...,an)(a_1,a_2,...,a_n)(a1,a2,...,an)称为向量α⃗\vec{\alpha}α在此向量空间的坐标。
若η1⃗,η2⃗,...,ηn⃗\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}η1,η2,...,ηn和ξ1⃗,ξ2⃗,...,ξn⃗\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}ξ1,ξ2,...,ξn为向量空间RnR^nRn的两个基,且:
[η1⃗,η2⃗,...,ηn⃗]=[ξ1⃗,ξ2⃗,...,ξn⃗][c11c12...c1nc21c22...c2n............cn1cn2...cnn]=[ξ1⃗,ξ2⃗,...,ξn⃗]C[\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}]=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]\left[\begin{matrix}c_{11}&c_{12}&...&c_{1n}\\c_{21}&c_{22}&...&c_{2n}\\...&...&...&...\\c_{n1}&c_{n2}&...&c_{nn}\end{matrix}\right]\\=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]C [η1,η2,...,ηn]=[ξ1,ξ2,...,ξn]⎣⎢⎢⎡c11c21...cn1c12c22...cn2............c1nc2n...cnn⎦⎥⎥⎤=[ξ1,ξ2,...,ξn]C
称矩阵C为从η\etaη到ξ\xiξ的过渡矩阵(必然是可逆矩阵),上述公式称为基变换公式。
若α⃗=[ξ1⃗,ξ2⃗,...,ξn⃗]x⃗=[η1⃗,η2⃗,...,ηn⃗]y⃗\vec{\alpha}=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]\vec{x}=[\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}]\vec{y}α=[ξ1,ξ2,...,ξn]x=[η1,η2,...,ηn]y,且[η1⃗,η2⃗,...,ηn⃗]=[ξ1⃗,ξ2⃗,...,ξn⃗]C[\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}]=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]C[η1,η2,...,ηn]=[ξ1,ξ2,...,ξn]C,则α⃗=[ξ1⃗,ξ2⃗,...,ξn⃗]x⃗=[η1⃗,η2⃗,...,ηn⃗]y⃗=[ξ1⃗,ξ2⃗,...,ξn⃗]Cy⃗\vec{\alpha}=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]\vec{x}=[\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}]\vec{y}=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]C\vec{y}α=[ξ1,ξ2,...,ξn]x=[η1,η2,...,ηn]y=[ξ1,ξ2,...,ξn]Cy,即x⃗=Cy⃗,y⃗=C−1x⃗\vec{x}=C\vec{y},\vec{y}=C^{-1}\vec{x}x=Cy,y=C−1x,称为坐标变换公式。这里要注意区分是从哪一个坐标到哪一个坐标。
欢迎扫描二维码关注微信公众号 深度学习与数学 [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读,算法和其他互联网技能的学习,概率论、线性代数等高等数学知识的回顾]
线性代数【五】向量(2):向量组的秩,向量内积、正交,正交规范化,向量空间相关推荐
- 线性代数(5)—— 向量组的秩和矩阵的秩
参考:张宇高等数学基础30讲 文章目录 1. 向量组的秩 1.1 极大线性无关组 1.2 等价向量组 1.3 向量组的秩 1.4 重要定理和公式 1.5 向量空间 1.5.1 基本概念 1.5.2 基 ...
- 线代笔记:线性相关性,向量组的秩
线性相关性 1.线性表示,线性组合: 若一个向量等于另外几个向量乘以常数相加,则称该向量可用向量a1,s2...an来线性表示 而该向量也被称为是这几个向量的一个线性组合 2.而一个向量能否被另外几个 ...
- 矩阵论(零):线性代数基础知识整理(2)——矩阵的秩与向量组的秩
矩阵论专栏:专栏(文章按照顺序排序) 本篇博客承接上篇矩阵论(零):线性代数基础知识整理(1)--逆矩阵.初等变换.满秩分解,主要整理秩相关的结论. 线性方程组的解与向量组的秩 线性方程组的解(初步讨 ...
- 【线性代数】向量组的秩与最大线性无关向量组
目录 一.向量组的秩的定义 二.求最大线性无关向量组 三.总结 一.向量组的秩的定义 矩阵的秩是线性代数中一个重要的概念,关于矩阵的秩,详见之前文章[线性代数]矩阵的秩与线性方程组. 二.求最大线性无 ...
- 线性代数笔记3.3向量组的秩
3.3向量组的秩 极大无关组 一个向量组可以用向量组内的部分线性无关组来表示 极大线性无关组不唯一 任意两个极大无关组,所含向量个数相同 极大无关组与向量组是等价的 向量组的秩 极大无关组含向量个数 ...
- 线性代数:第四章 向量组的线性相关性(1)向量组的线性相关性 向量组的秩
第一节 向量组的线性相关性 一.数学概念 定义1.1 n个有次序的数 ,所组成的数组称为n维向量,这n个数称为该向量的n个分量,第i个数 称为第i个分量. 定义1. 2 给定向量组A: ,对 ...
- 【线性代数(11)】极大线性无关组、向量组的秩
向量组的秩 1 极大线性无关组 2 向量组的秩 3 极大线性无关组的求解 手动反爬虫: 原博地址 知识梳理不易,请尊重劳动成果,文章仅发布在CSDN网站上,在其他网站看到该博文均属于未经作者授权的恶意 ...
- 线性代数学习笔记——第四十七讲——向量组的秩与最大无关组的概念
1. 向量组的秩与最大无关组的引例 2. 向量组的秩与最大无关组的定义 3. 最大无关组一般不唯一,秩是唯一的 4. 若向量组线性无关,则最大无关组是其自身,其秩即向量个数
- 线性代数【四】:向量(1):线性相关及其判别,极大线性无关组,等价向量组
本节为线性代数复习笔记的第二部分,矩阵的概念与计算(1),主要包括:线性相关的概念,五个判别定理,极大线性无关组和等价向量组. 1. 线性相关 对m个n维向量α1⃗,α2⃗,...,αm⃗\vec ...
- 【高等数学】矩阵与向量组的秩和等价
矩阵与向量组的秩和等价 矩阵和向量组是一组很容易混淆的概念,尤其在"秩"和"等价"这两个概念的时候容易混淆.现在把这几个概念拎出来,仔细观察,以求正本清源. 一 ...
最新文章
- Ubuntu下 ssh : connect to host localhost port 22:Connection refused
- irobot擦地机器人故障_iRobot怎么就那么香?用过擦地机器人之后,我服了
- numpy找到矩阵中不同元素的种类_基于NumPy和图像分类的人工神经网络构建
- Linux下文件的三个时间意义及用法
- Spring 核心特性
- 距离向量算法_阿里北大:深度哈希算法最新综述
- Chrome 调试技巧 1
- 深入async/await知多少
- 【剑指offer】面试题12:矩阵中的路径(Java)
- JS去除字符串去除最后的逗号
- 【Elasticsearch】玩转 Elasticsearch 7.8 的 SQL 功能
- 把互信息写成KL散度的形式
- hive 元数据 自定义_如何在Hive中创建自定义函数UDF及如何直接通过Impala的同步元数据重用UDF的jar文件-阿里云开发者社区...
- java接口中的default_java8 通过反射执行接口的default方法
- 转:tomcat7源码导入Eclipse
- mysql用户创建、授权
- pyltp安装及运行
- 互联网裁员为什么专捡大于35的裁?
- 安全扫描失败无法上传_思看科技-当木雕遇上全球首创的三维扫描仪
- Touristis(LCA)
热门文章
- JAVA 最新 环境搭建(JDK 1.8 + Tomcat 9 + eclipse oxygen + mysql 5.7)
- sort 升序还是降序?priority_queue 大根堆还是小根堆?
- 反编译那些事儿(一)
- Git和Github详细入门教程
- net.sf.json Sring转JSON对象 数据精度丢失
- 给页面加上loading加载效果
- Asp.Net删除文件夹后引起Session丢失的解决办法
- VS2015 输出目录、中间目录、目标文件名、工作目录
- JavaWeb之Cookie与Session
- cloudflare免费证书_国外Cloudflare免费ssl证书设置