Skip to content

Latest commit

 

History

History
130 lines (73 loc) · 5.01 KB

19.md

File metadata and controls

130 lines (73 loc) · 5.01 KB
Raw

十九、向量空间回顾

原文：https://www.textbook.ds100.org/ch/19/vector_space_review.html

# HIDDEN
# Clear previously defined variables
%reset -f

# Set directory for data loading to work properly
import os
os.chdir(os.path.expanduser('~/notebooks/19'))

向量的定义

矢量由长度和方向定义。

注意，$\vec x 和$\vec y 具有相同的长度和方向。它们是相等的向量。

缩放和添加向量

缩放向量就是改变向量的长度。

注意$\vec 2x$和$\vec y$有方向但长度不同。他们不平等。

若要添加两个向量$\vec y+\vec z$，请根据$\vec y 的长度执行一步，然后立即根据\vec z 的长度执行一步（反之亦然）。这也被称为三角形方法，将向量的初始点放在另一个向量的端点上。

矢量符号

向量通常用笛卡尔坐标表示。

$$ \vec{x} = \begin{bmatrix} 1 \ 4 \end{bmatrix} , \quad \vec{y} = \begin{bmatrix} 3 \ 2 \end{bmatrix} , \quad \vec{z} = \begin{bmatrix} 4 \ 0 \end{bmatrix}$$

在这个符号中，我们前面看到的算术运算变得非常简单。

$$ \vec{2x} = \begin{bmatrix} 2 \ 8 \end{bmatrix} , \quad \vec{-0.5z} = \begin{bmatrix} -2 \ 0 \end{bmatrix} , \quad \vec{2x + -0.5z} = \begin{bmatrix} 0 \ 8 \end{bmatrix} $$

可以添加向量并按比例缩放元素：

$$a \vec{x} + b \vec{y} = \begin{bmatrix} a \ x_1 & + & b \ y_1 \ & \vdots & \ a \ x_n & + & b \ y_n \end{bmatrix} $$

$\vec 1$vector

在任何$d$维空间中，$\vec 1 是所有$1$的向量：$\begin bmatrix 1 \vdots\1 \end bmatrix$

一组向量的跨度

一组向量的跨度$\ \ vec v、\vec v、\dots、\vec v p 是所有可能的线性组合的集合。对于这些$P$向量：

$$ { c_1 \ \vec{v_1} + c_2 \ \vec{v_2} + \dots + c_p \ \vec{v_p} \ : \ \forall c_i \in F}$$

其中$F$是向量空间的字段（超出范围）。

向量空间

向量空间$v$是一组向量的跨度，$n\ vec \ vec \ v，\vec \ v，\dots，\vec v \ p，其中每个$\ vec v，$是$n\乘以 1$维列向量。

向量子空间

$v$的子空间$u$是一组向量的跨度（$v\ vec \ vec u、\dots、\vec u \ u），其中每个向量（$vec u i）以 v$表示。这意味着$U$中的每一个向量也都是$V$中的。

向量间的角度

当您将任意两个向量端到端放置而不改变它们的方向时，可以测量它们之间的角度。

向量长度

直觉在$\mathbb r ^2$中：

回想一下加上两个向量的三角形方法。如果我们在$\mathbb 2$中添加两个垂直向量$\vec vec 在这种情况下，我们还知道，$\vec a+\vec b$的长度将遵循勾股定理：$\sqrt a^2+b^2$。

马蹄布 r \\125\125\124\123;\124\124\124\\124\124; 124\124\124; \124\124\124\\\\\\\；V \端对齐$$

其中，最后一个运算符是点积。

$$ \begin{aligned} \vec{x} \cdot \vec{y} \quad &= \quad x_1 \ y_1 + x_2 \ y_2 + \dots + x_n \ y_n \ &= \quad||x|| \ ||y|| \ \cos{\theta} \end{aligned} $$

第一个表达式称为点积的代数定义，第二个表达式称为几何定义。注意，点积是为$\mathbb r ^n$中的向量定义的内积。

两个向量之间的距离

$$dist(\vec{x},\vec{y}) \quad = \quad || \vec{x} - \vec{y} ||$$

正交向量

要使两个非零向量正交，它们必须满足$\vec x \cdot\vec y=0$的属性。因为它们的长度不是零，所以两个向量正交的唯一方法是当$\cos \theta=0$时。一个令人满意的角度是 90 度，我们熟悉的直角。

向量投影

要将一个向量$\vec x 投射到另一个向量$\vec y 上，我们需要找到最接近于\vec x 的$K\vec y$

根据毕达哥拉斯定理，我们知道$k$必须是标量，这样，$vec x-k\vec y 就垂直于$vec-y，所以$k\vec y 是$vec x 到$vec y 的（正交）投影。

同样地，为了将一个矢量\\\123 \ 123，点，\123\123\123\\123\\123\123\\\\123；v_p 美元，最接近于\vec x 美元。