重写线代第2至4讲并补齐矩阵习题与PDF

This commit is contained in:
2026-10-20 23:45:55 +08:00
parent 9ffc963f6a
commit 60aa48c8b2
26 changed files with 1376 additions and 2107 deletions
@@ -1,440 +1,214 @@
---
tags:
- 数学一
- 在学练习
- 线性代数
- 向量
- 考点
专题: 线性代数 第3讲 · 向量(真题库第 11 章)
日期: 2026-10-18
来源: 🟨真题库第 11 章(8 题 44 分)· 🟩参考仓库 linear-algebra/knowledge/3-vector + exercise/3-vector
关联: "[[README]] · [[02-试题]] · [[03-解析]] · [[线性代数-第2讲-矩阵/01-考点手册]]"
tags: [数学一, 在学练习, 线性代数, 向量]
专题: 线性代数 第3讲 · 向量
日期: 2026-10-20
状态: 重写版
关联笔记: ["[[02-试题]]", "[[03-解析]]"]
---
# 线性代数 第3讲 · 向量 · 考点手册
# 第3讲 · 向量:表示、冗余和坐标
> **定位**:向量是"**用一组向量去表示另一批向量**"的学问。真题库 **第 11 章**近十年 **8 题 44 分**,热度「常态」,**单选为主**,但 2019·20 出过 11 分大题(基与过渡矩阵)。
> **本讲是第 2 讲与第 4 讲的桥**:线性表示 ⟺ 方程组有解 ⟺ 秩相等。**一句话贯穿全讲**。
> **来源记号**:🟨 真题库 · 🟩 参考仓库 · 🟦 视频讲次。
这一讲容易混,是因为“向量、系数、坐标”都写成一列数。先分清:向量是我们要表示的对象;系数是组合它时各用多少;选定一组基后,这些唯一确定的系数才叫坐标。
---
默认实列向量。$L(\alpha_1,\ldots,\alpha_s)$ 或 $\operatorname{span}\{\alpha_1,\ldots,\alpha_s\}$ 都表示这些向量的全部线性组合组成的集合。
## 0. 本讲定位与学习地图
## 1. 线性表示:给定材料,能不能拼出目标
**一句话概括**:**向量组的一切问题,都翻译成矩阵的秩**。
取 $\alpha_1=(1,0,1)^{\mathrm T}$、$\alpha_2=(0,1,1)^{\mathrm T}$,问 $\beta=(2,3,5)^{\mathrm T}$ 能否由它们表示。
```
向量组 α1..αs(排成矩阵的列)
│
├──► 线性表示:β 能否由 α 组表示 ──► r(A)=r(A,β) ──► 方程组有解(第4讲)
│
├──► 线性相关:是否存在非零系数使组合为 0 ──► r(A)<s ──► 齐次方程有非零解
│
├──► 秩与极大无关组:r(A) ──► 主元列
│
├──► 等价:可互相表示 ──► r(A)=r(B)=r(A,B)
│
├──► 内积/正交/施密特 ──► 规范正交基 ──► 正交矩阵(第2讲)─► 正交变换(第6讲)
│
└──► 基/维数/坐标/过渡矩阵 ──► 坐标变换(2019·20 大题)
```
“表示”就是寻找两个数 $x_1,x_2$,使
**六条主线与真题对应**
$$x_1\alpha_1+x_2\alpha_2=\beta.$$
| 主线 | 核心结论 | 真题落点 |
|---|---|---|
| 线性表示 | $r(A)=r(A,\beta)$ | 2020·6、2023·7、2023·15 |
| 线性相关 | $r(A)<s$ | 2024·6 |
| 秩与极大无关组 | 行变换 + 主元列 | 2017·13 |
| 向量组等价 | $r(A)=r(B)=r(A,B)$ | 2022·7 |
| 施密特正交化 | 正交化 + 单位化 | 2021·6 |
| 基与过渡矩阵 | $(新)=(旧)C$ | 2019·20 |
按分量写开:
---
$$\begin{cases}x_1=2,\\x_2=3,\\x_1+x_2=5.\end{cases}$$
## 1. 向量与向量组
三式相容,故 $\beta=2\alpha_1+3\alpha_2$。若把目标改成 $(2,3,6)^{\mathrm T}$,前两式仍强制 $x_1=2,x_2=3$,第三式却要求 $5=6$,所以无法表示。
### 1.1 基本概念
把材料按列拼成 $A=(\alpha_1,\alpha_2)$,上面就是 $Ax=\beta$。因此
$n$ 维向量 $\alpha=(a_1,a_2,\cdots,a_n)^{\mathrm T}$ 是**列向量**(本章默认列向量)。线性运算按分量进行。
$$\beta\text{ 可由原组表示}\iff Ax=\beta\text{ 有解}\iff r(A)=r(A,\beta).$$
**向量组**:同维数的若干个向量构成的集合 $A:\alpha_1,\alpha_2,\cdots,\alpha_s$ 。
最后一条为什么合理?加上 $\beta$ 后秩不变,说明它没有提供新方向;若秩增加,说明它在原有材料张成的空间之外。
### 1.2 向量组的矩阵表示(第一个关键动作)
若材料共有 $s$ 个,表示法唯一还要 $r(A)=s$。**是否能表示**取决于目标;**表示法是否唯一**取决于材料中有没有冗余。
把 $s$ 个 $n$ 维**列**向量拼成 $n\times s$ 矩阵:
## 2. 线性相关:能不能用不全为零的系数组合出零
$$A=(\alpha_1,\alpha_2,\cdots,\alpha_s).$$
总能用全零系数组合出零,那没有信息。线性相关要求存在不全为零的 $c_i$,使
于是:
$$c_1\alpha_1+\cdots+c_s\alpha_s=0.$$
- 向量组的**秩**就是 $r(A)$ ;
- "$\beta$ 可由 $\alpha$ 组表示"就是"$Ax=\beta$ 有解";
- "$\alpha$ 组线性相关"就是"$Ax=0$ 有非零解"。
例如再添 $\alpha_3=(1,1,2)^{\mathrm T}$,有
> ⚠️ **方向别搞反**:$s$ 个 $n$ 维**列**向量拼成的是 $n\times s$ (**行数 = 维数,列数 = 向量个数**)。若拼成行向量矩阵($s\times n$ ),则要转置过来、结论对偶。考场上**统一拼成列**最省事。
$$\alpha_1+\alpha_2-\alpha_3=0.$$
---
这说明第三个向量没有增加方向。因此 $\beta$ 既可以表示成 $2\alpha_1+3\alpha_2$,也可以表示成 $\alpha_1+2\alpha_2+\alpha_3$。
## 2. 线性表示
一般地,若 $Ax=\beta$ 有一个解 $x_0$,且 $Ac=0$ 有非零解,那么 $x_0+tc$ 也都是表示系数:
### 2.1 定义
$$A(x_0+tc)=\beta+t0=\beta.$$
若存在数 $k_1,\cdots,k_s$ 使
这就是“相关导致表示不唯一”的原因。反之,若两种系数 $x,y$ 表示同一个目标,则 $A(x-y)=0$;材料无关时,只能 $x=y$。
$$\beta=k_1\alpha_1+k_2\alpha_2+\cdots+k_s\alpha_s,$$
设 $A$ 有 $s$ 列:
则称 $\beta$ 可由 $\alpha_1,\cdots,\alpha_s$ **线性表示**(线性表出)。
$$\text{无关}\iff Ax=0\text{ 只有零解}\iff r(A)=s,$$
### 2.2 三个等价判据(必须背成条件反射)
$$\text{相关}\iff Ax=0\text{ 有非零解}\iff r(A)<s.$$
$$\boxed{\beta\ \text{可由}\ \alpha_1,\cdots,\alpha_s\ \text{表示}\iff Ax=\beta\ \text{有解}\iff r(A)=r(A,\beta)}$$
**秩与向量个数比较,不是与维数随便比较。** 只有 $s=n$、矩阵为方阵时,才能用 $|A|$ 判无关。
其中 $A=(\alpha_1,\cdots,\alpha_s)$ ,$(A,\beta)$ 是**增广矩阵**。
### 2.1 几条结论从定义推出
**三种情形的精确判据**(设 $A$ 为 $n\times s$ ):
- 含零向量必相关:给零向量系数 1,其余为 0。
- 整体无关,则其中任意部分无关;部分相关,则补上系数 0 后整体仍相关。
- $n$ 维空间里超过 $n$ 个向量必相关,因为秩不超过 $n$。
- 相关只保证至少有一个向量能被其余表示,不保证每个都能。例如 $e_1,e_2,2e_2$ 中 $e_1$ 不能由后两个表示。
- 无关组统一增加分量后仍无关:若长向量有相关关系,截回原分量就与原组无关矛盾。相关组统一删去分量后仍相关,因为原有关系仍成立。
| 情形 | 秩条件 | 方程组语言 |
|---|---|---|
| **不能**表示 | $r(A)\neq r(A,\beta)$ (此时 $r(A,\beta)=r(A)+1$ ) | 无解 |
| 可表示且**表示法唯一** | $r(A)=r(A,\beta)=s$ | 唯一解 |
| 可表示且**表示法不唯一** | $r(A)=r(A,\beta)<s$ | 无穷多解 |
### 2.2 抽象向量组为什么能只算系数矩阵
> **为什么"唯一"要求 $=s$ **:系数个数是 $s$ ,方程组的系数矩阵列满秩($r=s$ )才能约束住每一个系数。
若原组 $\alpha_1,\ldots,\alpha_s$ 无关,记 $A=(\alpha_1,\ldots,\alpha_s)$,新组为 $B=AC$,则
### 2.3 表示式与矩阵乘法的统一视角
$$By=0\iff A(Cy)=0\iff Cy=0.$$
设 $B=(\beta_1,\cdots,\beta_t)$ ,则
第二步用到原组无关。所以 $r(B)=r(C)$。特别地,$C$ 是 $s$ 阶方阵时,新组无关等价于 $|C|\ne0$。**若原组不无关,不能直接把新组的秩写成 $r(C)$。**
$$B=AC\iff \text{每个}\ \beta_j\ \text{都可由}\ \alpha\ \text{组表示},$$
## 3. 秩与极大无关组:留下一套够用且无冗余的材料
其中 $C$ 的第 $j$ 列就是 $\beta_j$ 的表示系数。**这条是"向量组相互表示"的矩阵语言**,第 5 节判定等价时直接用。
极大无关组是原组的一个子组,满足:自己无关;原组里再添任何一个其余向量都会相关。它能表示原组所有向量。所有极大无关组的向量个数相同,这个个数就是原组的秩。
**推论**(极常用):
例:
$$B=AC\ \Longrightarrow\ r(B)\le r(A).$$
$$\alpha_1=(1,0,1)^{\mathrm T},\quad \alpha_2=2\alpha_1,\quad
\alpha_3=(0,1,1)^{\mathrm T},\quad\alpha_4=\alpha_1+\alpha_3.$$
即"**被表示的组,秩不超过表示的组**"——因为 $B$ 的每一列都落在 $A$ 的列空间里。
按列拼接,再作行变换:
### 2.4 常用结论
$$A=\begin{pmatrix}1&2&0&1\\0&0&1&1\\1&2&1&2\end{pmatrix}
\xrightarrow{R_3-R_1-R_2}
\begin{pmatrix}1&2&0&1\\0&0&1&1\\0&0&0&0\end{pmatrix}.$$
1. **零向量可被任何向量组表示**(取全 0 系数);
2. 任一 $\alpha_i$ 可被 $\alpha_1,\cdots,\alpha_s$ 表示(取 $e_i$ );
3. 若 $\beta$ 可由 $\alpha$ 组表示,且每个 $\alpha_i$ 可由 $\gamma$ 组表示,则 $\beta$ 可由 $\gamma$ 组表示(**传递性**);
4. $\beta$ 可由 $\alpha_1,\cdots,\alpha_s$ 表示 ⟺ $\alpha_1,\cdots,\alpha_s,\beta$ 与 $\alpha_1,\cdots,\alpha_s$ **等价**(秩相同且后者的组能被前者表示…实际判据见 §5)。
两行非零,秩为 2。主元(每行第一个非零元素)在第 1、3 列,故取**原矩阵**的 $\alpha_1,\alpha_3$ 为极大无关组。
---
为什么行变换后列关系还在?行变换等于左乘可逆矩阵 $P$,而 $Ac=0\iff PAc=0$。所以表示系数没有变化。可以在化简后的矩阵求列之间的关系,再回到原向量写答案。
## 3. 线性相关与线性无关
列变换会重组材料本身。用主元列选原向量的这个算法要用行变换,不应混用列变换。
### 3.1 定义
## 4. 向量组等价:能生成的目标完全相同
若存在**不全为零**的数 $k_1,\cdots,k_s$ 使
两个向量组等价,意思是能够互相表示,即张成同一个空间。向量个数可以不同。
$$k_1\alpha_1+k_2\alpha_2+\cdots+k_s\alpha_s=0,$$
若 $B=AC$,说明 $B$ 的每列都由 $A$ 的列组合而成,故 $r(B)\le r(A)$。若还能反向表示,就有相反的不等式,因此等价组同秩。
则称 $\alpha_1,\cdots,\alpha_s$ **线性相关**;否则(只有全零系数才成立)称**线性无关**。
但同秩未必等价:$\{(1,0)^{\mathrm T}\}$ 和 $\{(0,1)^{\mathrm T}\}$ 秩都为 1,却生成不同的直线。
> **语义**:线性相关 = 组里**有冗余**(至少一个向量是"多余的");线性无关 = 每个向量都**不可替代**。
判据是
### 3.2 三个等价判据
$$A\text{ 的列组与 }B\text{ 的列组等价}\iff r(A)=r(B)=r(A,B).$$
设 $A=(\alpha_1,\cdots,\alpha_s)$ 为 $n\times s$ :
这里是**左右拼接**:问把两组材料放到一起,会不会多出新方向。如果已知一组能表示另一组,再加同秩,就足以判等价。
$$\boxed{\alpha_1,\cdots,\alpha_s\ \text{线性相关}\iff r(A)<s\iff Ax=0\ \text{有非零解}}$$
**不要和矩阵等价混淆。** 同型矩阵等价只要求同秩;列向量组等价还要求张成空间相同。上面的两列矩阵作为矩阵等价,作为向量组却不等价。
$$\boxed{\text{线性无关}\iff r(A)=s\iff Ax=0\ \text{只有零解}}$$
## 5. 基与坐标:给表示系数一个固定的名字
**特别地**($s=n$ 时,方阵):
一个子空间 $V$ 是对加法和数乘封闭的非空集合。它必须含零向量。比如过原点的平面是子空间,不过原点的平面不是。
$$\alpha_1,\cdots,\alpha_n\ \text{线性无关}\iff\lvert A\rvert\neq0.$$
能表示 $V$ 中所有向量、且本身无关的一组向量,叫 $V$ 的一组基。基的向量个数叫维数。选定基 $\alpha_1,\ldots,\alpha_r$ 后,每个 $v\in V$ 都有唯一表示
> ⚠️ **只有向量个数 = 维数时才能用行列式**。$n$ 维空间里给 $n+1$ 个向量,不用算行列式,直接判"**必相关**"。
$$v=x_1\alpha_1+\cdots+x_r\alpha_r.$$
### 3.3 八条定理(选择题与证明题的全部弹药)
$x=(x_1,\ldots,x_r)^{\mathrm T}$ 是 $v$ 在这组基下的坐标。它与 $v$ 的标准分量一般不同。
1. **含零向量必相关**($0$ 的系数取 1,其余取 0);
2. **单个向量**:$\alpha$ 相关 ⟺ $\alpha=0$ ;
3. **两个向量**:$\alpha,\beta$ 相关 ⟺ 对应分量成比例(共线);
4. **部分相关 ⟹ 整体相关**;等价地,**整体无关 ⟹ 部分无关**;
5. **延长无关、截短相关**:无关向量组每个向量**增加**分量后仍无关;相关向量组**减少**分量后仍相关。(同一个线性关系逐分量成立)
6. **个数超过维数必相关**:$m$ 个 $n$ 维向量,若 $m>n$ 则必相关;
7. **"多"被"少"表示则相关**:若 $\alpha_1,\cdots,\alpha_s$ 可由 $\beta_1,\cdots,\beta_t$ 表示,且 $s>t$ ,则 $\alpha$ 组**必相关**;
8. **替换定理**:若 $\alpha_1,\cdots,\alpha_s$ 无关,而 $\alpha_1,\cdots,\alpha_s,\beta$ 相关,则 $\beta$ 可由 $\alpha_1,\cdots,\alpha_s$ **唯一**表示。
### 5.1 过渡矩阵不要靠口诀猜方向
> **第 5 条最容易反着记**:**"无关"是"抗延长"的**——在低维无关,加上分量后依然无关;反过来,**相关是"抗截短"的**。
> 口诀:**无关可以"加",相关可以"减"**。
约定旧基矩阵为 $U$、新基矩阵为 $V$,并写
> **第 7 条的本质**:$r(\alpha)\le r(\beta)\le t<s$ ,而 $\alpha$ 有 $s$ 个向量,秩小于个数 ⟹ 相关。**这是"维数决定一切"的体现**。
$$V=UC.$$
### 3.4 几何直观(三维,帮助记忆与秒判)
$C$ 的第 $j$ 列是新基第 $j$ 个向量在旧基下的坐标,称从旧基到新基的过渡矩阵。它必可逆。
| 个数 | 无关的几何含义 | 相关时 |
|---|---|---|
| 1 个 | 非零向量 | 零向量 |
| 2 个 | 不共线 | 共线(成比例) |
| 3 个 | **不共面** | 共面(含共线情形) |
| 4 个及以上 | 在 $\mathbb R^3$ 中**不可能** | 必相关 |
同一个向量 $v$,两种坐标满足
> 2020·6(直线相交)与 2024·5(三平面)都是把**几何位置关系**翻译成**秩**的题。三维里"三个向量共面 ⟺ 混合积为 0 ⟺ 行列式为 0"。
$$v=Ux_{\rm old}=Vx_{\rm new}=UCx_{\rm new}.$$
### 3.5 判定的标准流程
由旧基无关,表示系数唯一,故
1. **向量个数 ≠ 维数**:个数 $>$ 维数 → 直接判**相关**;个数 $<$ 维数 → 只能算秩;
2. **个数 = 维数**:算行列式,$\neq0$ 无关、$=0$ 相关;
3. **含参数**:算行列式(或化阶梯形),令其为 0 解出参数;
4. **抽象向量组**($\alpha_i$ 的组合):写成 $(\beta_1,\cdots,\beta_s)=(\alpha_1,\cdots,\alpha_s)C$ ,判 $C$ 是否可逆——**这一步是转化为"系数矩阵的行列式"的关键**。
$$x_{\rm old}=Cx_{\rm new},\qquad x_{\rm new}=C^{-1}x_{\rm old}.$$
---
例如旧基是标准基,新基为 $(1,0)^{\mathrm T},(1,1)^{\mathrm T}$,则
## 4. 向量组的秩与极大线性无关组
$$C=\begin{pmatrix}1&1\\0&1\end{pmatrix}.$$
### 4.1 定义
标准分量 $v=(3,2)^{\mathrm T}$ 满足 $x_1+x_2=3,x_2=2$,所以新坐标为 $(1,2)^{\mathrm T}$。检查 $1(1,0)+2(1,1)=(3,2)$ 即可。
- **极大线性无关组**:向量组中的部分组,本身线性无关,再添任一向量(原组内的)都变相关;
- **向量组的秩**:极大无关组所含向量的个数,记 $r(\alpha_1,\cdots,\alpha_s)$ ,且它等于 $r(A)$ 。
## 6. 内积与施密特:逐次减掉已经有的方向
**两条基本事实**:
实向量的内积与长度:
1. 秩为 $r$ 的向量组中,**任意 $r$ 个线性无关的向量**都构成极大无关组(不唯一);
2. 原组中**每个向量**都可由极大无关组**唯一**表示。
$$\langle u,v\rangle=u^{\mathrm T}v=\sum_i u_iv_i,\qquad \|u\|=\sqrt{u^{\mathrm T}u}.$$
### 4.2 求法(唯一正确姿势:只作行变换)
非零向量夹角满足 $\cos\theta=\langle u,v\rangle/(\|u\|\|v\|)$。内积为零叫正交。非零且两两正交的一组向量必无关:对 $\sum c_i u_i=0$ 与 $u_j$ 作内积,得到 $c_j\|u_j\|^2=0$,故每个 $c_j=0$。
1. 把向量**按列**拼成矩阵 $A$ ;
2. 只作**初等行变换**,化为**行阶梯形**;
3. 数非零行数得秩 $r$ ;
4. **主元所在的列号**(第 1、3 列之类)→ 对应**原矩阵**中同序号的向量,即为一个极大无关组。
常用估计是 $|\langle u,v\rangle|\le\|u\|\|v\|$、$\|u+v\|\le\|u\|+\|v\|$。
> ⚠️ **两个致命错误**:
> ① 用**列变换**求列向量组的极大无关组——列变换会**改变列之间的线性关系**,主元列对不上原向量;
> ② 把**变换后的**列向量当成极大无关组——必须回到**原**向量(阶梯形里的列已经被改过了)。
### 6.1 投影系数为什么是内积除以长度平方
> **对偶记忆**:求**列**向量组的极大无关组用**行**变换;求**行**向量组的极大无关组用**列**变换。("动另一边")
想从 $v$ 中减去 $u$ 方向的部分,设 $w=v-cu$。要求 $w\perp u$,则
### 4.3 秩与相关性/表示的关系
$$0=\langle v-cu,u\rangle=\langle v,u\rangle-c\langle u,u\rangle.$$
$$r(\alpha_1,\cdots,\alpha_s)=s\iff\text{线性无关};\qquad r<s\iff\text{线性相关}.$$
因此 $c=\langle v,u\rangle/\langle u,u\rangle$。分母是长度平方,因为方程里出现的是 $\langle u,u\rangle$。
$$\beta\ \text{可由}\ \alpha\ \text{组表示}\iff r(\alpha_1,\cdots,\alpha_s)=r(\alpha_1,\cdots,\alpha_s,\beta).$$
### 6.2 完整的两向量例子
$$\text{若}\ \alpha\ \text{组可由}\ \beta\ \text{组表示,则}\ r(\alpha)\le r(\beta).$$
取 $\alpha_1=(1,1,0)^{\mathrm T},\alpha_2=(1,0,1)^{\mathrm T}$。先保留第一个方向:$u_1=\alpha_1$。再减投影:
---
$$u_2=\alpha_2-\frac{1}{2}u_1=(1/2,-1/2,1)^{\mathrm T}.$$
## 5. 向量组等价
自检 $\langle u_1,u_2\rangle=1/2-1/2=0$。单位化得到
### 5.1 定义
$$e_1=\frac{(1,1,0)^{\mathrm T}}{\sqrt2},\qquad e_2=\frac{(1,-1,2)^{\mathrm T}}{\sqrt6}.$$
若向量组 $A$ 中每个向量都可由 $B$ 线性表示,且 $B$ 中每个向量都可由 $A$ 线性表示,则称 $A$ 与 $B$ **等价**,记 $A\cong B$ 。
如果还有 $\alpha_3$,要减去它在**前面每一个正交方向**上的投影:
> **直觉**:等价 = 两组"张成同一个空间"(列空间相同)。
$$u_3=\alpha_3-\frac{\langle\alpha_3,u_1\rangle}{\langle u_1,u_1\rangle}u_1
-\frac{\langle\alpha_3,u_2\rangle}{\langle u_2,u_2\rangle}u_2.$$
### 5.2 判定定理(三合一)
先单位化再处理后面的向量也合法,只要公式始终使用当前的正交向量;若前面已经是单位向量,分母就为 1。重要的是不混用两套数值。
设 $A=(\alpha_1,\cdots,\alpha_s)$ ,$B=(\beta_1,\cdots,\beta_t)$ ,则
给定输入组无关时,每步得到的 $u_i$ 都非零。若出现零向量,说明原输入有冗余,不能继续除以它的长度。
$$\boxed{A\cong B\iff r(A)=r(B)=r(A,B)},$$
## 7. 和空间与交空间:能共同生成什么
其中 $(A,B)$ 是把两组向量**并排拼**成的大矩阵。
设 $V_1=L(A)$、$V_2=L(B)$,这里 $L(A)$ 指 $A$ 的列张成的空间。
**另一条好用的判据**:若 $A$ 可由 $B$ 表示(即存在 $C$ 使 $A=BC$ ),则
**和空间**由两组材料合在一起生成:
$$A\cong B\iff r(A)=r(B).$$
$$V_1+V_2=L(A,B),\qquad \dim(V_1+V_2)=r(A,B).$$
### 5.3 三条性质与一个反例
**交空间**的向量要同时由两组表示,即 $w=Ax=By$。因此先解
| 性质 | 说明 |
$$(A,-B)\binom xy=0,$$
再把系数解代回 $w=Ax$。注意:系数解可能非零,但对应 $w=0$,也可能几个解映成同一个方向。最后必须删掉零向量和冗余向量,不能把系数解直接当成交空间的基。
例如 $V_1=L(e_1,e_2)$、$V_2=L(e_2,e_3)$,共同向量只能是 $(0,t,0)^{\mathrm T}$,故交空间基为 $e_2$。和空间是整个 $\mathbb R^3$。维数满足
$$\dim(V_1+V_2)=\dim V_1+\dim V_2-\dim(V_1\cap V_2)=2+2-1=3.$$
## 8. 练习安排与参考
| 先掌握的动作 | 题号 |
|---|---|
| 反身、对称、传递 | 等价关系(可放心传递) |
| 等价 ⟹ 秩相等 | 必要条件 |
| 秩相等 **⇏** 等价 | **必须加上"能互相表示"** |
**反例**(2022·7 的核心陷阱):$\alpha_1=(1,0,0)^{\mathrm T}$ 与 $\beta_1=(0,1,0)^{\mathrm T}$ 秩都为 1,但互相**不能**表示,故不等价。判据给出 $r(A,B)=2\neq1$ ,一眼看穿。
---
## 6. 内积、长度与正交
### 6.1 定义与性质
$$(\alpha,\beta)=\alpha^{\mathrm T}\beta=\sum_{i=1}^{n}a_ib_i,\qquad \lVert\alpha\rVert=\sqrt{(\alpha,\alpha)},\qquad \cos\theta=\frac{(\alpha,\beta)}{\lVert\alpha\rVert\,\lVert\beta\rVert}.$$
| 性质 | 式子 |
|---|---|
| 对称 | $(\alpha,\beta)=(\beta,\alpha)$ |
| 线性 | $(k\alpha+\mu\beta,\gamma)=k(\alpha,\gamma)+\mu(\beta,\gamma)$ |
| 正定 | $(\alpha,\alpha)\ge0$ ,等号仅当 $\alpha=0$ |
| Cauchy–Schwarz | $\lvert(\alpha,\beta)\rvert\le\lVert\alpha\rVert\,\lVert\beta\rVert$ |
| 三角不等式 | $\lVert\alpha+\beta\rVert\le\lVert\alpha\rVert+\lVert\beta\rVert$ |
> **内积证秩的样板**:若 $A^{\mathrm T}Ax=0$ ,则 $x^{\mathrm T}A^{\mathrm T}Ax=0$ ,即 $\lVert Ax\rVert^2=0$ ,故 $Ax=0$ 。于是 $A^{\mathrm T}Ax=0$ 与 $Ax=0$ 同解,得 $r(A^{\mathrm T}A)=r(A)$ 。**这个手法在 C 组第 18 题会再练一次。**
### 6.2 正交与正交向量组
- $\alpha\perp\beta\iff(\alpha,\beta)=0$ ;
- **正交向量组(全为非零向量)必线性无关**:设 $\sum k_i\alpha_i=0$ ,两边与 $\alpha_j$ 作内积得 $k_j\lVert\alpha_j\rVert^2=0$ ,故 $k_j=0$ ;
- **反之不成立**:线性无关未必两两正交(如 $(1,0),(1,1)$ )。
> **这条"正交 ⟹ 无关"是施密特正交化合法性的根基**:正交化不改变张成的空间,却把"无关"升级成"正交",从而便于求坐标。
### 6.3 规范正交基
若 $e_1,\cdots,e_r$ 两两正交且都是单位向量,且它们张成子空间 $V$ ,则称其为 $V$ 的**规范正交基**(标准正交基)。
- 判定:$(e_i,e_j)=\delta_{ij}$ ;
- 由规范正交基构成的矩阵 $Q=(e_1,\cdots,e_r)$ 满足 $Q^{\mathrm T}Q=E$ (方阵时即正交矩阵)。
---
## 7. 施密特正交化(2021·6 真题)
### 7.1 两步公式
给定线性无关的 $\alpha_1,\cdots,\alpha_s$ :
**第一步 · 正交化**
$$\beta_1=\alpha_1,\qquad \beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{(\beta_1,\beta_1)}\beta_1,$$
$$\beta_3=\alpha_3-\frac{(\alpha_3,\beta_1)}{(\beta_1,\beta_1)}\beta_1-\frac{(\alpha_3,\beta_2)}{(\beta_2,\beta_2)}\beta_2,$$
一般地
$$\beta_k=\alpha_k-\sum_{j=1}^{k-1}\frac{(\alpha_k,\beta_j)}{(\beta_j,\beta_j)}\beta_j.$$
**第二步 · 单位化**
$$e_k=\frac{\beta_k}{\lVert\beta_k\rVert}\qquad(k=1,\cdots,s).$$
### 7.2 计算流程与自检
1. **先判无关**(相关的话 $(\beta_j,\beta_j)$ 可能为 0,公式失效);
2. 按顺序算 $\beta_1\to\beta_2\to\cdots$ ,**每一项都要减掉"对前面所有 $\beta$ 的投影"**(漏减一项就前功尽弃);
3. **自检**:算完后必须验 $(\beta_i,\beta_j)=0\ (i\neq j)$ ;
4. 单位化时**只除长度,不改方向**。
### 7.3 三类典型错误
| 错误 | 后果 |
|---|---|
| 减投影时只用 $\alpha$ 与 $\beta_1$ 的内积,漏了 $\beta_2$ | $\beta_3$ 与 $\beta_2$ 不正交 |
| 分母写成 $(\beta_j,\beta_j)$ 却代成 $\lVert\beta_j\rVert$ | 结果差一个平方,必须重算 |
| 先单位化再正交化 | 顺序错了,公式里要用的是"未单位化的 $\beta$ " |
> **考法**:2021·6 是单选,给了三个向量问正交化后的结果(或问某个系数)。**选择题可以直接用"正交 ⟹ 内积为 0"反验选项**,不必全算。
---
## 8. 向量空间、基、坐标与过渡矩阵(2019·20 大题)
### 8.1 向量空间与子空间
- **向量空间**:对加法与数乘封闭的非空向量集合(必含零向量);
- **子空间**:$V$ 的非空子集,对加法与数乘封闭;
- **由向量组张成的子空间**:$L(\alpha_1,\cdots,\alpha_s)=\{k_1\alpha_1+\cdots+k_s\alpha_s\}$ ,其维数 $=r(\alpha_1,\cdots,\alpha_s)$ 。
### 8.2 基、维数、坐标
若 $\alpha_1,\cdots,\alpha_r$ 是 $V$ 的一组**基**,则 $V$ 中任一向量 $\beta$ 可**唯一**表示为
$$\beta=x_1\alpha_1+\cdots+x_r\alpha_r,$$
称 $(x_1,\cdots,x_r)^{\mathrm T}$ 为 $\beta$ 在该基下的**坐标**。求坐标 = **解线性方程组** $Ax=\beta$ 。
> $\dim V=r$ ;$\mathbb R^n$ 的标准基 $\varepsilon_1,\cdots,\varepsilon_n$ 下坐标就是分量本身。
### 8.3 过渡矩阵(本章唯一的大题考点)
设 $(\alpha_1,\cdots,\alpha_n)$ 与 $(\varepsilon_1,\cdots,\varepsilon_n)$ 是同一空间的两组基,若
$$(\alpha_1,\cdots,\alpha_n)=(\varepsilon_1,\cdots,\varepsilon_n)\,C,$$
则 $C$ 称为从基 $\varepsilon$ 到基 $\alpha$ 的**过渡矩阵**。
**三条要点**:
1. $C$ 的**第 $j$ 列**是 $\alpha_j$ 在**旧基** $\varepsilon$ 下的坐标;
2. $C$ **必可逆**(两组基都是极大无关组,$C$ 的行列式 $\neq0$ );
3. **方向**:从 $\varepsilon$ 到 $\alpha$ 是 $C$ ;从 $\alpha$ 到 $\varepsilon$ 是 $C^{-1}$ 。
### 8.4 坐标变换公式
同一向量 $\beta$ 在两组基下的坐标 $x_\varepsilon$ 与 $x_\alpha$ 满足
$$\boxed{x_\varepsilon=C\,x_\alpha,\qquad x_\alpha=C^{-1}x_\varepsilon.}$$
> **记忆**:**坐标的变换方向与基的变换方向相反**(基"往前走"用 $C$ ,坐标"往后退"用 $C^{-1}$ )——这是 2019·20 最爱设的坑。
### 8.5 子空间的交与和(2023·7 真题)
设 $V_1=L(\alpha_1,\cdots,\alpha_s)$ ,$V_2=L(\beta_1,\cdots,\beta_t)$ :
- **和**:$V_1+V_2=L(\alpha_1,\cdots,\alpha_s,\beta_1,\cdots,\beta_t)$ ,故
$$\dim(V_1+V_2)=r(A,B);$$
- **交**:$\gamma\in V_1\cap V_2\iff\gamma=Ax=By$ 有解 ⟺ 解齐次方程组 $(A,-B)\binom{x}{y}=0$ ,取其非零解回代即得交空间的基;
- **维数公式**:
$$\boxed{\dim(V_1+V_2)=\dim V_1+\dim V_2-\dim(V_1\cap V_2)}.$$
> **快速判断**:在 $\mathbb R^3$ 中两个过原点的平面(各 2 维),若 $r(A,B)=3$ 则交于一条直线($2+2-3=1$ );若 $r(A,B)=2$ 则两平面重合(交为 2 维)。
---
## 9. 十年真题落点地图(🟨 第 11 章 8 题 44 分)
| 年份·题号 | 题型 | 分值 | 考点 | 本手册节 |
|---|---|---|---|---|
| 2017·13 | 填空 | 4 | 向量组的秩 | §4.2 |
| 2019·20 | 解答 | 11 | **基与过渡矩阵** | §8.3 / §8.4 |
| 2020·6 | 单选 | 4 | 直线相交与向量线性表示 | §2.2 / §3.4 |
| 2021·6 | 单选 | 5 | **施密特正交化** | §7 |
| 2022·7 | 单选 | 5 | **向量组等价** | §5.2 |
| 2023·7 | 单选 | 5 | 线性表示(**交空间**) | §8.5 |
| 2023·15 | 填空 | 5 | 向量内积与线性组合 | §6.1 |
| 2024·6 | 单选 | 5 | **向量组线性相关性** | §3.2 / §3.5 |
**分布规律**:
- **7 题选填(33 分)+ 1 题大题(11 分)**;选填里"判定类"(相关、等价、表示)占绝对多数;
- **2022 起年年有题**(2022、2023 两次、2024),热度在上升;
- **交空间(2023·7)是新提法**,本质仍是"两个向量组能否互相表示",但叠加了子空间的几何语言;
- 大题只在 2019 出过一次(过渡矩阵),**属于"低频但一旦考就是 11 分"**,不能放弃。
---
## 10. 速查卡 · 陷阱清单
### 10.1 速记十条
1. **一律按列拼矩阵**:$n$ 维、$s$ 个 → $n\times s$ ;
2. 可表示 ⟺ $r(A)=r(A,\beta)$ ;唯一 ⟺ 再 $=s$ ;
3. 相关 ⟺ $r(A)<s$ ;无关 ⟺ $r(A)=s$ ;
4. 个数 $>$ 维数 → **必相关**;$s=n$ 时才看行列式;
5. **无关可加(延长),相关可减(截短)**;
6. 整体无关 ⟹ 部分无关;部分相关 ⟹ 整体相关;
7. 极大无关组:**只作行变换,取主元列,回到原向量**;
8. 等价 ⟺ $r(A)=r(B)=r(A,B)$ ;**秩相等不够**;
9. 正交(非零)⟹ 无关;施密特 = 逐项减投影 + 单位化;
10. 过渡矩阵的列 = **新基在旧基下的坐标**;坐标变换用 $C^{-1}$ (方向相反)。
### 10.2 高频陷阱
| 陷阱 | 正确做法 |
|---|---|
| 求极大无关组时用了列变换 | 只能用**行**变换 |
| 把阶梯形里的列当答案 | 取**原矩阵**中同序号列 |
| 用 `r(A)=r(B)` 判等价 | 还要 $r(A,B)=r(A)$ |
| 认为"线性相关"就"每个向量都能被其余表示" | 只保证**存在某个**能被表示 |
| 用行列式判 $n+1$ 个 $n$ 维向量 | 直接判相关,不用算 |
| 施密特时漏减前面某个 $\beta_j$ | 每一项要减**全部**前面的投影 |
| 分母用 $\lVert\beta_j\rVert$ | 用 $(\beta_j,\beta_j)$ |
| 过渡矩阵方向搞反 | 从 $\varepsilon$ 到 $\alpha$ 是 $C$ ,坐标用 $C^{-1}$ |
| 认为"正交向量组"可以有零向量 | 零向量与任何向量正交,但正交组必须**全非零**才无关 |
| 坐标变换与基变换同方向 | **相反** |
---
> **下一步**:开做 [[02-试题]](18 题,约 95 分钟)。做完对 [[03-解析]]。
| 把表示、相关翻译成方程 | 1、3、7、8、12 |
| 选原向量的极大无关组 | 2、14 |
| 用互相表示判等价 | 6、10 |
| 内积、减投影 | 4、5、9 |
| 基与坐标变换 | 11、13 |
| 证明与交空间 | 15—18 |
参考 `参考仓库/Math/linear-algebra/knowledge/3-vector/vector.tex` 与 `exercise/3-vector/vector.tex`,重组了表示、相关、极大无关组、等价、基与坐标的关系,补充施密特与交空间的逐步解释。题型锚点保留在 [[02-试题]],不照搬真题原题。