3Blue1Brown《线性代数的本质》线性组合、张成空间与基

1、基向量

基向量是描述向量空间的标尺(有方向)。在标准坐标系中,设定:

  • 一个长度为1指向右边的向量,称作ihat,x方向的单位向量 i^\hat{i}i^
  • 一个长度为1垂直向上的向量,称作jhat,y方向的单位向量 j^\hat{j}j^

i^=[10],j^=[01] \hat{i} = \begin{bmatrix} 1 \\ 0 \end{bmatrix},\quad \hat{j} = \begin{bmatrix} 0 \\ 1 \end{bmatrix} i^=[10],j^=[01]

i^\hat{i}i^ 和 j^\hat{j}j^ 这两个向量构成了坐标系的基。基向量是理解和测量向量世界的"基本单位",任意二维向量 [x,y][x, y][x,y] 可写为:
xi^+yj^ x\hat{i} + y\hat{j} xi^+yj^

如一个向量是 [2, -3] 时,其含义是:将 i^\hat{i}i^拉伸为原来的 2 倍,将 j^\hat{j}j^拉伸为原来的 3 倍并反向,然后把这两个结果加起来。

可以设定不同的基向量。基不同,同一个向量的坐标就会不同。

2、线性组合

通过缩放一组向量,然后将它们相加,得到一个新的向量。

向量 v⃗\vec{v}v 和 w⃗\vec{w}w ,它们的线性组合
av⃗+bw⃗ a\vec{v} + b\vec{w} av +bw
aaa 和 bbb 是标量。

示例,在二维空间中:

  • 基向量 i^=[1,0]\hat{i} = [1, 0]i^=[1,0],j^=[0,1]\hat{j} = [0, 1]j^=[0,1]
  • 向量 [2,−3]=2i^+(−3)j^[2, -3] = 2\hat{i} + (-3)\hat{j}[2,−3]=2i^+(−3)j^ 是它们的线性组合。

3、张成空间

  • 给定一组向量,所有它们的线性组合所构成的向量集合,称为这组向量的张成空间。
  • 这组向量所有可能的缩放与相加,其箭头尖端所能到达的所有点的集合。

在二维空间中,有下面三种情况:

  • 两个不共线的向量:它们的张成空间是整个二维平面。通过缩放和相加到达平面上的任何一个点。
  • 两个共线的向量:它们的张成空间只是一条直线。无论你怎么组合,箭头尖端都被限制在这条直线上。
  • 零向量:零向量的张成空间只有一个点。

4、如何理解三者关系

基向量 i^\hat{i}i^、 j^\hat{j}j^ → 线性组合 (缩放与相加) → 张成空间 (整个二维平面)

基向量:类似积木基本模块。

线性组合: 用基本模块进行拼接和搭建的方法。

张成空间: 所有能搭建出来的东西的集合。

5、线性相关和线性无关

5.1 线性相关

如果一组向量中,至少有一个向量可以被表示为其它向量的线性组合,那么这组向量就是线性相关的。

这个向量没有为张成空间提供新的"维度",它已经落在其它向量的张成空间里了。

5.2 线性无关

如果一组向量中,任何一个向量都无法通过其它向量的线性组合得到,那么这组向量就是线性无关的。

每个向量都提供了新的"方向",共同张成了更大的空间。

向量组 相关性 张成空间
[1,2],[3,4][1,2], [3,4][1,2],[3,4] 线性无关 整个二维平面
[1,2],[2,4][1,2], [2,4][1,2],[2,4] 线性相关(共线) 一条直线
相关推荐
deep_drink1 天前
【基础知识一】线性代数的核心:从矩阵变换到 SVD 终极奥义
线性代数·机器学习·矩阵
数智工坊1 天前
【数据结构-特殊矩阵】3.5 特殊矩阵-压缩存储
数据结构·线性代数·矩阵
AI科技星1 天前
张祥前统一场论核心场方程的经典验证-基于电子与质子的求导溯源及力的精确计算
线性代数·算法·机器学习·矩阵·概率论
deep_drink1 天前
【基础知识二】彻底读懂拉普拉斯矩阵 (Laplacian)
人工智能·深度学习·线性代数·矩阵
sonadorje1 天前
标量投影和向量投影
线性代数
别或许2 天前
01线性代数之行列式(知识总结)
线性代数
劈星斩月2 天前
线性代数-3Blue1Brown《线性代数的本质》基变换(11)
线性代数·基变换
张祥6422889042 天前
二次型:从线性代数到测量平差的桥梁
线性代数·算法·机器学习
sonadorje2 天前
欧氏内积(Euclidean Inner Product)
线性代数·矩阵
激动的兔子3 天前
Arcgis二次开发--评价单元综合限制级别判断矩阵工具
线性代数·arcgis·矩阵