3.4 线性独立,子空间
表示向量空间的主要方法是使用一组基(base)的线性组合表示对应向量空间中的所有向量,即对于一个向量空间 E ,其中的每一个向量 v∈E 都可以写为以下形式:
v=λ1e1+...+λnen
其中 {e1,..en} 为一组基,其中的系数 (λ1,…,λn) 两两之间相互独立。
向量空间中所有的基都具有相同数量的元素(基数),我们将其称为空间的维度。
不过当向量为无穷维度的时候,对应的基(base)该如何定义呢,是使用有限的基定义还是无限的定义呢?如果我们在无穷的非零系数下定义线性组合,那么我们需要定义一些拓扑关系,例如通过范数(norm)、度量标准(metric)或者其他的机制。这种定义是可实现的,巴拿赫空间(Banach spaces)和希尔伯特空间(Hilbert spaces)的意义,但这需要大量的工作去证明。
另外一种避免极限的解决方案是,我们可以有无穷的向量,但是我们仅仅形成有限多的非零系数的线性组合。简单来说,可以通过引入有限支持的集合(families of finite support)来实现。其可以形成按某个固定的无限索引的标量簇,并且把这些标量簇当作是有限的。
Note:除非有其他的定义,我们不能假设索引集中的数据为有序的,在本章节中,除非有另外的说明,我们假设多有的标量簇都有有限支撑(finite support)。
定义 假设向量空间 E , 向量 v∈E 是 (ui)i∈I 下的线性组合当且仅当在 K 中存在一个标量集 (λi)i∈I ,其可以表示为
v=i∈I∑λiui
当 I=∅ 时,我们规定 v=0 。我们定义 (ui)i∈I 线性独立linearly independent 当且仅当对于每一个标量集 (λi)i∈I ,可以从
i∈I∑λiui=0得到结论对于所有的i∈I,λi=0
同样的,我们定义 (ui)i∈I 非线性独立linearly dependent 当且仅当对于某些标量集 (λi)i∈I ,可以从
i∈I∑λiui=0对于某些i∈I,λi=0
特殊地,当I=∅ 时,我们规定 ∅ 是线性独立的。
Note:定义向量簇(families of vector)而不是向量集(sets of vector)的线性相关的原因之一是我们的定义允许向量的多次出现。这是因为一个矩阵可能包含相同的列,我们可以说这些列是线性相关的。集合线性相关的定义不允许我们这样做。
当 I 是非空时,如果 (ui)i∈I 线性独立同时对于所有的 i∈I,都存在 ui=0 。否则,当存在某些 i∈I 使得 ui=0 ,我们可以通过任意的非零 λi 以及 λk=0(i=k) 来得到一个非平凡线性依赖 Σi∈Iλiui=0 。当 ∣I∣≥2 ,必须对于所有的 i,j(i=j) 有 ui=uj 条件,因为否则就可以通过选择 $\lambda_i = \lambda $ 以及 λj=−λ(λ=0) 还有让对于 所有的 k∈I(k=i,j)λk=0,来得到一个非平凡线性依赖。
因此,线性无关的定义意味着一个非平凡的线性无关簇实际上是一个集合。这解释了为什么某些作者选择定义向量集合的线性无关。这种方法的问题在于线性相关(即线性无关的逻辑否定)只能定义为向量的集合。然而,正如我们之前指出的,定义线性依赖关系对于允许同一向量多次出现的集合来说是可行的。
下面是几个有关线性独立的实例:
-
任何两个在向量空间 K 中不同的标量 λ,μ=0 是线性相关的
-
在空间 R3 中,向量 (1,0,0),(0,1,0),(0,0,1) 是线性独立的 ,见下图
-
在空间 R4 中,向量 (1,1,1,1),(0,1,1,1),(0,0,1,1),(0,0,0,1) 是线性独立的
-
在空间 R2 中,向量 u=(1,1),v=(0,1),w=(2,3) 是线性相关的,因为
w=2u+v
Note:当 I 有限时,我们规定集合 I={1,2,…,n} ,同时我们也将 (ui)i∈I 记作 (u1,…,un)
下面我们给出向量空间的子空间 subspace的定义:
给定一个向量空间 E 时,它的子集 F 是一个线性子空间(或是子空间)当且仅当 F 是非空的且对于所有的 u,v∈Fλ,μ∈K 存在λu+μv∈F 。
我们可以从子空间的定义中可以得到以下的结论:
- 向量空间 E 的子空间 F 也是一个向量空间,即对于向量空间的限制 F×F→F 以及 K×F→F 均满足。
- 每一个子空间都包含零向量,因为对于任何向量 u∈F 且我们令 λ=μ=0 ,那么 λu+μu=0u+0u=0 。我们通常将子空间{0} 写为(0)或者0。
- 一个向量空间的任意簇(甚至无限簇)的子空间的交集还是子空间。
- 对于任何的非空有限索引集 I ,如果 (ui)i∈I 中所有的 ui∈F 并且 (λi)i∈I 都为标量,那么 Σi∈Iλiui∈F 。
下面是一些实例:
- 在 R2 空间中,一组向量的集合 u=(x,y) 例如
x+y=0
是 R2 的子空间。
- 在 R3 空间中,一组向量的集合 u=(x,y,z) 例如
x+y+z=0
是 R3 的子空间。
-
对于任何的 n≥0 ,对于最高次数为 n 的多项式集合 f(X)∈R[X] 是 R[X] 的子空间。
-
上三角矩阵的集合是大小为 n×n 矩阵空间的一个子空间。
-
对于任意给定的向量空间 E ,如果 S 是 E 的任意非空子集,则 E 的最小的子集 <S> (Span(S)) ,可以确定为 S 中元素的所有(有限)线性组合构成的集合。
当然,线性组合时的系数也需要有额外的约束,下面是三个很重要的限制 (通常,我们假设我们的索引集是有限的):
- 仿射组合(affine combination):对于线性组合 Σi∈Iλiui ,需存在
i∈I∑λi=1
即我们可以将每一个线性组合都堪称一个仿射组合。
- 正(圆锥)集合(positive(conic) combinations):对于线性组合 Σi∈Iλiui ,需存在
λi≥0对于所有的i∈I
即在凸优化(convex optimization)中所有向量簇的正组合是锥(cones)。
- 凸组合(convex combinations):对于线性组合 Σi∈Iλiui ,如果存在上面两个条件,即
i∈I∑λi=1λi≥0对于所有的i∈I
那么对于任意有限的向量簇,这些向量的所有凸组合的集合是一个凸多面体。凸多面体在凸优化中起着非常重要的作用。
Note:在无限索引集中,我们也可以如上的定义线性组合的相关概念。
定义 对于任何的向量空间 K ,如果对于所有的 i∈I−J ,即某些 I 中的有限子集 J ,一个标量的集合 (λi)i∈I 是有限支撑的(finite support)
所以一般情况下,有限集合中的结论都可以应用于有限支撑(finite support)中(拥有索引集的集合中)。
预告
3.5 向量空间的基(bases)