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,yx, yx,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, 0i^=1,0,j^=0,1\hat{j} = 0, 1j^=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
1,2,3,41,2, 3,41,2,3,4 线性无关 整个二维平面
1,2,2,41,2, 2,41,2,2,4 线性相关(共线) 一条直线
相关推荐
AI科技星3 分钟前
依托Gε₀ = e²/(4παmₚ²)核心方程:全新公式推导+原创理论提炼+全维度精算验证
人工智能·线性代数·架构·概率论·学习方法
ZHANG8023ZHEN2 小时前
斜方差矩阵Cholesky参数化
线性代数·矩阵
打不死的技术工小强21 小时前
2026海外社媒新玩法:如何用AI批量运营海外社媒矩阵?
人工智能·线性代数·矩阵
装不满的克莱因瓶2 天前
实现矩阵的转置:从数学原理到 NumPy 实战
线性代数·机器学习·矩阵·数据分析·numpy·特征分解
吃好睡好便好2 天前
矩阵旋转的计算
学习·线性代数·算法·矩阵
装不满的克莱因瓶2 天前
机器学习和数据科学的基石:NumPy详解与实战技巧
人工智能·线性代数·机器学习·ai·矩阵·numpy
吃好睡好便好2 天前
矩阵秩的计算
人工智能·学习·线性代数·算法·机器学习·matlab·矩阵
装不满的克莱因瓶2 天前
实现矩阵的点积:从数学原理到 NumPy 实战
人工智能·线性代数·算法·机器学习·矩阵·numpy
lqqjuly2 天前
线性代数公式大全
线性代数
luweis3 天前
企智孪生 ETA(3.3 认知算法层:ETA 的思维内核 3.4 基础架构:算力与弹性)【浙江联保网络 卢伟舜】
大数据·运维·线性代数·ai·矩阵·学习方法