LA@n维向量@解析几何向量和线性代数向量

这篇具有很好参考价值的文章主要介绍了LA@n维向量@解析几何向量和线性代数向量。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

概念

n维向量

  • n n n个有次序的数 a 1 , a 2 , ⋯   , a n a_1,a_2,\cdots,a_n a1,a2,,an组成的有序数组称为n维向量,简称向量
    • a i a_i ai称为向量的第 i i i分量

向量类型

实向量和复向量
  • 分量全为实数的向量称为实向量,分量是复数的向量称为复向量(实向量是从属于复向量的)
    • 这里默认讨论的是实向量
行向量和列向量
  • n n n维向量可以写成一行一列,分别称为行向量,列向量(或分别称为行矩阵,列矩阵)

    • 一个 n n n维行向量是 1 × n 1\times{n} 1×n的矩阵

      • ( a 1 a 2 ⋮ a n ) \begin{pmatrix} a_1\\a_2\\\vdots\\a_n \end{pmatrix} a1a2an
    • 一个 n n n维列向量是 n × 1 n\times{1} n×1的矩阵

      • ( a 1 a 2 ⋯ a n ) \begin{pmatrix}a_1&a_2&\cdots&a_n\end{pmatrix} (a1a2an)
  • 通常以小写希腊字母,例如: α , β , γ , ⋯ \boldsymbol{\alpha,\beta,\gamma,\cdots} α,β,γ,表示向量

  • 也可以用小写的粗体的英文字母表示,例如: a , b , ⋯ \boldsymbol{a,b,\cdots} a,b,,或粗正体 a , b , ⋯ \bold{a,b,\cdots} a,b,

  • 有时为例书写方便,可以用非粗体: α , β , γ , ⋯ {\alpha,\beta,\gamma,\cdots} α,β,γ,

  • 在按行分块和按列分块的分块矩阵中,还可能出现用大写英文字母表示列分块或行分块,例如 A 1 , A 2 , ⋯ A_1,A_2,\cdots A1,A2,

行列向量的转换
  • 列向量可以看作行向量的转置

  • 习惯上,向量通常默认指列向量,设向量包含 a 1 , a 2 , ⋯   , a n a_1,a_2,\cdots,a_n a1,a2,,an元素

    • 列向量和行向量分别表示为

    • a = ( a 1 a 2 ⋮ a n ) = ( a 1 a 2 ⋯ a n ) T a T = ( a 1 a 2 ⋯ a n ) = ( a 1 , a 2 , ⋯   , a n ) \bold{a}=\begin{pmatrix} a_1\\a_2\\\vdots\\a_n \end{pmatrix} =\begin{pmatrix}a_1&a_2&\cdots&a_n\end{pmatrix}^T \\ \bold{a}^T=\begin{pmatrix}a_1&a_2&\cdots&a_n\end{pmatrix}=(a_1,a_2,\cdots,a_n) a= a1a2an =(a1a2an)TaT=(a1a2an)=(a1,a2,,an)

    • 为了便于区分符号(文字)所表示的向量是列向量还是行向量,习惯上表示行向量的符号带上一个 T ^T T上标,例如 a T \bold{a}^T aT表示列向量 a \bold{a} a的转置得到的

    • 简化书写,由于列向量如果严格竖着写比较占用空间,紧凑性不好,我们可以利用转置性质: a = ( a T ) T \bold{a}=(\bold{a}^T)^T a=(aT)T,将列向量用行向量的转置形式书写展开式,这样行列向量也可以用横着写

特殊向量
  • 分量全为0的向量称为零向量
  • 零向量第 i i i个分量改为1得到的向量是 a i = 1 a_i=1 ai=1 n n n基向量
向量运算
  • 向量作为一种特殊的矩阵,仍然按照矩阵的运算规则运算

  • k a = k ( a 1 , a 2 , ⋯   , a n ) = ( k a 1 , k a 2 , ⋯   , k a n ) k\bold{a}=k(a_1,a_2,\cdots,a_n)=(ka_1,ka_2,\cdots,ka_n) ka=k(a1,a2,,an)=(ka1,ka2,,kan)

    • − a = − ( a 1 , a 2 , ⋯   , a n ) = ( − a 1 , − a 2 , ⋯   , − a n ) -\bold{a}=-(a_1,a_2,\cdots,a_n)=(-a_1,-a_2,\cdots,-a_n) a=(a1,a2,,an)=(a1,a2,,an)为向量 − a -\bold{a} a负向量

矩阵的向量分块👺

  • A = ( a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋮ a m 1 a m 2 ⋯ a m n ) A=\begin{pmatrix} a_{11} &a_{12} &\cdots &a_{1n} \\ a_{21} &a_{22} &\cdots &a_{2n} \\ \vdots &\vdots & &\vdots \\ a_{m1} &a_{m2} &\cdots &a_{mn} \\ \end{pmatrix} A= a11a21am1a12a22am2a1na2namn

  • 记 α j = ( a 1 j a 2 j ⋮ a m j ) , j = 1 , 2 , ⋯   , n A = ( α 1 α 2 ⋯ α n ) \\记\alpha_j =\begin{pmatrix} a_{1j} \\ a_{2j} \\ \vdots \\ a_{mj} \\ \end{pmatrix},j=1,2,\cdots,n \\A=\begin{pmatrix} \alpha_{1}&\alpha_{2}&\cdots&\alpha_{n} \\ \end{pmatrix} αj= a1ja2jamj ,j=1,2,,nA=(α1α2αn)

  • 记 β i T = ( a i 1 , a i 2 , ⋯   , a i n ) , i = 1 , 2 , ⋯   , m A = ( β 1 T β 2 T ⋮ β m T ) 记\beta_i^T=(a_{i1},a_{i2},\cdots,a_{in}),i=1,2,\cdots,m \\ A= \begin{pmatrix} \beta_{1}^T\\ \beta_{2}^T\\ \vdots \\ \beta_{m}^T \\ \end{pmatrix} βiT=(ai1,ai2,,ain),i=1,2,,mA= β1Tβ2TβmT

  • A = ( α 1 α 2 ⋯ α n ) = ( β 1 T β 2 T ⋮ β m T ) A=\begin{pmatrix} \alpha_{1}&\alpha_{2}&\cdots&\alpha_{n} \\ \end{pmatrix} =\begin{pmatrix} \beta_{1}^T\\ \beta_{2}^T\\ \vdots \\ \beta_{m}^T \\ \end{pmatrix} A=(α1α2αn)= β1Tβ2TβmT 文章来源地址https://www.toymoban.com/news/detail-651940.html

解析几何向量和线性代数向量👺

  • 在解析几何中,我们把"既有大小又有方向的"叫做向量
    • 把可随意平移的有向线段作为向量的几何形象
    • 引进坐标系后,这种向量就有了坐标表示: n n n个有次序的实数数组 ( a 1 , ⋯   , a n ) (a_1,\cdots,a_n) (a1,,an)
      • n = 1 n=1 n=1对应的是标量
      • n = 2 n=2 n=2对应于二维平面向量
      • n = 3 n=3 n=3对应于三维空间向量
    • n ⩽ 3 n\leqslant{3} n3时, n n n维向量可以把有向线段作为几何形象
    • n > 3 n>3 n>3时, n n n维向量不再有几何形象,但是沿用一些几何术语

向量空间

  • 几何中,"空间"通常是作为点的集合,构成空间的元素是点,这样的空间叫做点空间
    • 我们把 3 3 3维向量的全体所组成的集合: R 3 \mathbb{R}^3 R3={ r = ( x , y , z ) T ∣ x , y , z ∈ R \bold{r}=(x,y,z)^T|x,y,z\in\mathbb{R} r=(x,y,z)Tx,y,zR}称为3维向量空间
    • 在点空间取定坐标系后,三维空间中的 P ( x , y , z ) P(x,y,z) P(x,y,z) 3 3 3向量 r = ( x , y , z ) T \bold{r}=(x,y,z)^T r=(x,y,z)T之间有一 一对应关系
  • 因此向量空间可以类比为"取定了坐标系"的点空间
    • 在讨论向量的运算时,我们把向量看作有向线段
    • 在讨论向量集时,把向量 r \bold{r} r看作时 r \bold{r} r径向的点 P P P,从而把点 P P P的轨迹作为向量集作为向量集的图形
      • 例如 Π = { P ( x , y , z ) ∣ a x + b y + c z + d = 0 } \Pi=\{P(x,y,z)|ax+by+cz+d=0\} Π={P(x,y,z)ax+by+cz+d=0},结合空间解析几何的知识,是一个平面方程的一般式,因此 Π \Pi Π是一个平面 ( a 2 + b 2 + c 2 > 0 ) (a^2+b^2+c^2>{0}) (a2+b2+c2>0) ( a , b , c ) ≠ ( 0 , 0 , 0 ) (a,b,c)\neq{(0,0,0)} (a,b,c)=(0,0,0)
      • 由此,向量集 S = { r = ( x , y , z ) T ∣ a x + b y + c z + d = 0 } S=\{\bold{r}=(x,y,z)^T|ax+by+cz+d=0\} S={r=(x,y,z)Tax+by+cz+d=0}也叫做向量空间 R 3 \mathbb{R}^3 R3中的平面(3维空间中的2维平面),并把 Π \Pi Π作为向量集S的图形
        • x , y , z x,y,z x,y,z替换为 x 1 , x 2 , x 3 x_1,x_2,x_3 x1,x2,x3; x , y , z x,y,z x,y,z替换为 a 1 , a 2 , a 3 a_1,a_2,a_3 a1,a2,a3,则平面方程作 ( ∑ i = 1 3 a i x i ) + b = 0 (\sum_{i=1}^{3}a_ix_i)+b=0 (i=13aixi)+b=0

n n n维向量空间

  • 设集合 D = { 1 , 2 , ⋯   , n } D=\{1,2,\cdots,n\} D={1,2,,n}
  • n n n维向量的全体构成的集合 R 3 \mathbb{R}^3 R3={ x = ( x 1 , x 2 , ⋯   , x n ) T ∣ ∀ i ∈ D , x i ∈ R \bold{x}=(x_1,x_2,\cdots,x_n)^T|\forall{i}\in{D},x_i\in\mathbb{R} x=(x1,x2,,xn)T∣∀iD,xiR}叫做 n n n向量空间

n n n维空间的 n − 1 n-1 n−1维超平面

  • n n n维向量的集合{ x = ( x 1 , x 2 , ⋯   , x n ) T ∣ ( ∑ i = 1 n a i x i ) + b = 0 \bold{x}=(x_1,x_2,\cdots,x_n)^T|(\sum_{i=1}^{n}a_ix_i)+b=0 x=(x1,x2,,xn)T(i=1naixi)+b=0}叫做 n n n维向量空间 R n \mathbb{R}^n Rn中的 n − 1 n-1 n1超平面

到了这里,关于LA@n维向量@解析几何向量和线性代数向量的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 高等数学啃书汇总重难点(八)向量代数与空间解析几何

    持续更新,高数下第一章,整体来说比较简单,但是需要牢记公式,切莫掉以轻心~  一.向量平行的充要条件 二.向量坐标的线性运算 三.向量的几何性质 四.数量积 五.向量积 六.混合积 七.曲面方程 八.空间曲线方程 九.平面的点法式方程 十.平面的一般方程 十一.平面的截距式

    2024年02月08日
    浏览(36)
  • 空间解析几何 | 向量、数量积、向量积、混合积、距离公式

       注: 通过公式我们可以发现,两个向量的 数量积 就是一个 数量 。 数量积 又称为 点积 或者 内积 。 ex: 在直角坐标系 {O; i , j , k } 中,设 α = (a1, a2, a3), β = (b1, b2, b3),     α • β = (a1 i + a2 j + a3 k ) •  (b1 i + b2 j + b3 k ) = a1b1 + a2b2 + a3b3    即两向量的数量积之和等于它

    2023年04月09日
    浏览(33)
  • 线性代数 - 几何原理

    欢迎阅读这篇关于线性代数的文章。在这里,我们将从一个全新的角度去探索线性代数,不再仅仅局限于数值计算,而是深入理解其背后的几何原理。我们将一起探讨向量、线性变换、矩阵、行列式、点乘、叉乘、基向量等核心概念,以及它们如何在实际问题中发挥作用。无

    2024年02月05日
    浏览(44)
  • 简单的线性代数与几何

    最后编辑于 2024-01-04 本文中所有作为下标的代数均为正整数 存储 向量是表示方向的量, 在不同维度的下向量的数据长度有所不同; 记录时以轴的顺序记录在不同轴上的坐标 : { x(第0轴的坐标) , y(第1轴的坐标), z(第2轴的坐标)…} 代码中使用数值的指针并携带长度属性代替大部

    2024年02月02日
    浏览(41)
  • 线性代数的本质——几何角度理解

    B站网课来自 3Blue1Brown的翻译版,看完醍醐灌顶,强烈推荐: 线性代数的本质 本课程从几何的角度翻译了线代中各种核心的概念及性质,对做题和练习效果有实质性的提高,下面博主来总结一下自己的理解 在物理中的理解是一个有 起点和终点的方向矢量 ,而在计算机科学中

    2024年02月02日
    浏览(59)
  • 线性代数行列式的几何含义

    行列式可以看做是一系列列向量的排列,并且每个列向量的分量可以理解为其对应标准正交基下的坐标。 行列式有非常直观的几何意义,例如: 二维行列式按列向量排列依次是 a mathbf{a} a 和 b mathbf{b} b ,可以表示 a mathbf{a} a 和 b mathbf{b} b 构成的平行四边形的面积 ∣ a b ∣

    2024年02月11日
    浏览(47)
  • 线性代数克莱姆法则的几何含义

    以二元一次方程组的求解为例: { a c a 1 + b c b 1 = c 1 a c a 2 + b c b 2 = c 2 left{begin{array}{l} a_{c}a_{1} +b_{c}b_{1} =c_{1} \\\\ a_{c}a_{2} +b_cb_{2} =c_{2} end{array}right. { a c ​ a 1 ​ + b c ​ b 1 ​ = c 1 ​ a c ​ a 2 ​ + b c ​ b 2 ​ = c 2 ​ ​ 其中 a c a_c a c ​ 和 b c b_c b c ​ 是我们待求的参数。

    2024年02月12日
    浏览(40)
  • MIT线性代数-方程组的几何解释

    假设有一个方程组 A X = B AX=B A X = B 表示如下 2 x − y = 0 (1) 2x-y=0tag{1} 2 x − y = 0 ( 1 ) − x + 2 y = 3 (2) -x+2y=3tag{2} − x + 2 y = 3 ( 2 ) 矩阵表示如下: [ 2 − 1 − 1 2 ] [ x y ] = [ 0 3 ] (3) begin{bmatrix}2-1\\\\\\\\-12end{bmatrix}begin{bmatrix}x\\\\\\\\yend{bmatrix}=begin{bmatrix}0\\\\\\\\3end{bmatrix}tag{3} ​ 2 − 1 ​

    2024年04月15日
    浏览(44)
  • 使用几何和线性代数从单个图像进行 3D 重建

    使用几何和线性代数从单个图像进行 3D 重建 萨蒂亚         3D重构是一个挑战性题目,而且这个新颖的题目正处于启发和膨胀阶段;因此,各种各样的尝试层出不穷,本篇说明尝试的一种,至于其它更多的尝试,我们在陆续的跟踪中。 图1         以上这3张图片有什

    2024年02月13日
    浏览(37)
  • 线性代数本质系列(一)向量,线性组合,线性相关,矩阵

    本系列文章将从下面不同角度解析线性代数的本质,本文是本系列第一篇 向量究竟是什么? 向量的线性组合,基与线性相关 矩阵与线性相关 矩阵乘法与线性变换 三维空间中的线性变换 行列式 逆矩阵,列空间,秩与零空间 克莱姆法则 非方阵 点积与对偶性 叉积 以线性变换

    2024年02月04日
    浏览(50)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包