线性代数之——向量简介

1. 二维向量

在二维平面中，一个二维向量可以用一个箭头来表示，这个箭头起始于原点，终点坐标 $(x, y)$ 分别为向量中的两个元素，而 $c\boldsymbol{v}$ 与 $d\boldsymbol{w}$ 的和则是向量 $\boldsymbol{v}$ 和 $\boldsymbol{w}$ 的线性组合。

2. 三维向量

三维向量和二维向量类似，可以表示为三维平面中的一个箭头，只不过坐标变成了 $(x, y, z)$ 。

针对三维向量 $\boldsymbol{u}$ ， $\boldsymbol{v}$ 和 $\boldsymbol{w}$ ，有

所有 $c\boldsymbol{u}$ 的组合会填满一条直线
所有 $c\boldsymbol{u} + d\boldsymbol{v}$ 的组合会填满一个平面，如果 $\boldsymbol{u}$ 和 $\boldsymbol{v}$ 不在一条直线上
所有 $c\boldsymbol{u} + d\boldsymbol{v} + e\boldsymbol{w}$ 的组合会填满三维空间，如果 $\boldsymbol{w}$ 不在 $\boldsymbol{u}$ 和 $\boldsymbol{v}$ 组合成的平面上

3. 长度和点积

两个向量 $\boldsymbol v=(v_1, v_2)$ 和 $\boldsymbol w=(w_1, w_2)$ 的点积或者内积 $\boldsymbol{v \cdot w}$ 定义为：

$\boldsymbol{v \cdot w} = v_1w_1 + v_2w_2$

如果两个的向量的点积为零，说明这两个向量是垂直的，它们之间的角度为 90°。

另一个重要的情况是一个向量和自己点积，这时候点积的结果就是向量长度的平方，或者说向量的长度就等于与自身点积的平方根。

$\boldsymbol{Length}=norm(v)=||v||=\sqrt{v\cdot v}$

单位向量就是向量长度为 1 的向量，也就是 $\boldsymbol{u \cdot u}=1$ 。 $\boldsymbol{u}=v/||v||$ 是一个和 $\boldsymbol{v}$ 在一个方向上的单位向量。

沿着 $x$ 轴和 $y$ 轴的单位向量称为 $\boldsymbol{i}$ 和 $\boldsymbol{j}$ ，在 $xy$ 平面中，单位向量 $\boldsymbol{u}$ 和 $x$ 轴构成一个夹角 $\theta$ 。

$\boldsymbol{i} = \begin{bmatrix}1 \\ 0\end{bmatrix}，\boldsymbol{j} = \begin{bmatrix}0 \\ 1\end{bmatrix}，\boldsymbol{u} = \begin{bmatrix}cos\theta \\ sin\theta\end{bmatrix}$

当两个向量之间的角度小于 90° 时，它们的点积大于 0；当两个向量之间的角度大于 90° 时，它们的点积小于 0；而当两个向量之间的角度等于 90° 时，它们的点积等于 0。

我们可以直观地看到这种情况，当这两个向量分别为单位向量 $\boldsymbol u=(cos\theta, sin\theta)$ 和 $\boldsymbol i=(1, 0)$ 时，这时候 $\boldsymbol{u \cdot i}=cos\theta$ ， $\theta$ 也就是这两个向量之间的角度。

当这两个向量分别旋转到 $\boldsymbol u=(cos\beta, sin\beta)$ 到 $\boldsymbol i=(cos\alpha, sin\alpha)$ 时，它们的点积为：

$\boldsymbol{u \cdot i} = cos\beta cos\alpha + sin\beta sin\alpha = cos(\beta-\alpha) = cos\theta$

当两个向量不是单位向量的时候，我们就可以先除以向量的长度把它们变成单位向量，因此，同样地，就有：

$\frac{\boldsymbol{v \cdot w}}{||v|| \space ||w||} = cos\theta$

因为 $|cos\theta|$ 不会超过 1，因此我们就得到了 施瓦茨不等式（Schwarz Inequality） 和 三角不等式（Triangle inequality）：

$|\boldsymbol{v \cdot w}| \leqslant ||v||\space ||w||$
$||\boldsymbol{v + w}|| \leqslant ||v|| + ||w||$

4. 矩阵

给出三个向量

$\boldsymbol{u} = \begin{bmatrix}1 \\ -1 \\ 0 \end{bmatrix}，\boldsymbol{v} = \begin{bmatrix}0 \\ 1\\ -1 \end{bmatrix}，\boldsymbol{w} = \begin{bmatrix}0\\ 0\\1 \end{bmatrix}$

它们的线性组合 $c\boldsymbol{u} + d\boldsymbol{v} + e\boldsymbol{w}$ 为：

$c\begin{bmatrix}1 \\ -1 \\ 0 \end{bmatrix}+d\begin{bmatrix}0 \\ 1\\ -1 \end{bmatrix}+e\begin{bmatrix}0\\ 0\\1 \end{bmatrix} = \begin{bmatrix}c \\ d-c \\ e-d \end{bmatrix}$

我们将 $\boldsymbol{u}，\boldsymbol{v}，\boldsymbol{w}$ 作为矩阵 $A$ 的列，然后上式可以重写为：

$\begin{bmatrix}1 & 0 & 0\\ -1 &1&0\\ 0&-1&1 \end{bmatrix}\begin{bmatrix}c \\ d \\ e \end{bmatrix} = \begin{bmatrix}c \\ d-c \\ e-d \end{bmatrix}$

将 $c, d, e$ 换成 $x_1, x_2, x_3$ ，我们可以得到：

$Ax = \begin{bmatrix} & & \\ \boldsymbol{u} &\boldsymbol{v}&\boldsymbol{w}\\ && \end{bmatrix}\begin{bmatrix}x_1 \\ x_2 \\ x_3 \end{bmatrix} =x_1\boldsymbol{u} + x_2\boldsymbol{v} + x_3\boldsymbol{w} = \begin{bmatrix}x_1 \\ x_2-x_1 \\ x_3-x_2\end{bmatrix}$

这就是说， $Ax$ 的结果就是对矩阵 $A$ 的列的线性组合。

我们还可以将上面的乘积表示成另外一种形式，矩阵的行和向量的点积：

$Ax=\begin{bmatrix}1 & 0 & 0\\ -1 &1&0\\ 0&-1&1 \end{bmatrix}\begin{bmatrix}x_1 \\ x_2 \\ x_3 \end{bmatrix} = \begin{bmatrix}(1, 0, 0) \cdot (x_1, x_2, x_3)\\ (-1, 1, 0) \cdot (x_1, x_2, x_3) \\ (0, -1, 1) \cdot (x_1, x_2, x_3) \end{bmatrix}$

获取更多精彩，请关注「seniusen」!