Agfdhyk

在R²中标准基的图示。红蓝向量是这个基的元素。

线性代数

A=[1234]{displaystyle mathbf {A} ={begin{bmatrix}1&2\3&4end{bmatrix}}}

向量 · 向量空间  · 行列式  · 矩阵 向量 标量 · 向量 · 向量空间 · 向量投影 · 外积 · 内积 · 数量积 · 向量积 矩阵与行列式 矩阵 · 行列式 · 线性方程组 · 秩 · 核 · 迹 · 單位矩陣 · 初等矩阵 · 方块矩阵 · 分块矩阵 · 三角矩阵 · 非奇异方阵 · 转置矩阵 · 逆矩阵 · 对角矩阵 · 可对角化矩阵 · 对称矩阵 · 反对称矩阵 · 正交矩阵 · 么正矩阵 · 埃尔米特矩阵 · 反埃尔米特矩阵 · 正规矩阵 · 伴随矩阵 · 余因子矩阵 · 共轭转置 · 正定矩阵 · 幂零矩阵 · 矩阵分解 （LU分解 · 奇异值分解 · QR分解 · 极分解 · 特征分解） · 子式和余子式 · 拉普拉斯展開 · 线性空间与线性变换 线性空间 · 线性变换 · 线性子空间 · 线性生成空间 · 基 · 线性映射 · 线性投影 · 线性无关 · 线性组合 · 线性泛函 · 行空间与列空间 · 对偶空间 · 正交 · 特征向量 · 最小二乘法 · 格拉姆-施密特正交化 ·

查 论 编

在线性代数中，基(basis)（也称为基底）是描述、刻画向量空间的基本工具。向量空间的基是它的一个特殊的子集，基的元素称为基向量。向量空间中任意一个元素，都可以唯一地表示成基向量的线性组合。如果基中元素个数有限，就称向量空间为有限维向量空间，将元素的个数称作向量空间的维数。

使用基底可以便利地描述向量空间。比如说，考察从一个向量空间V{displaystyle mathrm {V} }射出的线性变换f{displaystyle f}，可以查看这个变换作用在向量空间的一组基B{displaystyle {mathfrak {B}}}上的效果。掌握了f(B){displaystyle f({mathfrak {B}})}，就等于掌握了f{displaystyle f}对V{displaystyle mathrm {V} }中任意元素的效果。

不是所有空间都拥有由有限个元素构成的基底。这样的空间称为无限维空间。某些无限维空间上可以定义由无限个元素构成的基。如果承认选择公理，那么可以证明任何向量空间都拥有一组基。一个向量空间的基不止一组，但同一个空间的两组不同的基，它们的元素个数或势（当元素个数是无限的时候）是相等的。一组基里面的任意一部分向量都是线性无关的；反之，如果向量空间拥有一组基，那么在向量空间中取一组线性无关的向量，一定能将它扩充为一组基。在内积向量空间中，可以定义正交的概念。通过特别的方法，可以将任意的一组基变换成正交基乃至标准正交基。

定义

给定一个向量空间V{displaystyle mathrm {V} }。V{displaystyle mathrm {V} }的一组基B{displaystyle {mathfrak {B}}}是指V{displaystyle mathrm {V} }里面的可线性生成V{displaystyle mathrm {V} }的一个线性无关子集。B{displaystyle {mathfrak {B}}}的元素称为基向量。

更详细来说，设B={e1,e2,⋯,en}{displaystyle {mathfrak {B}}={e_{1},e_{2},cdots ,e_{n}}}是在系数域F{displaystyle mathbb {F} }（比如实数域R{displaystyle mathbb {R} }或复数域C{displaystyle mathbb {C} }）上的向量空间V{displaystyle mathrm {V} }的有限子集。如果B{displaystyle {mathfrak {B}}}满足下列条件：

1. 对任意(λ1,λ2,⋯,λn)∈Fn{displaystyle (lambda _{1},lambda _{2},cdots ,lambda _{n})in mathbb {F} ^{n}}，如果λ1e1+λ2e2+⋯+λnen=0{displaystyle lambda _{1}e_{1}+lambda _{2}e_{2}+cdots +lambda _{n}e_{n}=0}，则必然λ1=λ2=⋯=λn=0{displaystyle lambda _{1}=lambda _{2}=cdots =lambda _{n}=0}；


2. 对任意v∈V{displaystyle vin mathrm {V} }，可以选择(λ1,λ2,⋯,λn)∈Fn{displaystyle (lambda _{1},lambda _{2},cdots ,lambda _{n})in mathbb {F} ^{n}}，使得v=λ1e1+λ2e2+⋯+λnen{displaystyle v=lambda _{1}e_{1}+lambda _{2}e_{2}+cdots +lambda _{n}e_{n}}。

就说B{displaystyle {mathfrak {B}}}是向量空间V{displaystyle mathrm {V} }的一组基。第二个条件中，将一个向量v∈V{displaystyle vin mathrm {V} }表示成λ1e1+λ2e2+⋯+λnen{displaystyle lambda _{1}e_{1}+lambda _{2}e_{2}+cdots +lambda _{n}e_{n}}的形式，称为向量v{displaystyle v}在基底B{displaystyle {mathfrak {B}}}下的分解。(λ1,λ2,⋯,λn){displaystyle (lambda _{1},lambda _{2},cdots ,lambda _{n})}称为向量v{displaystyle v}在基底B{displaystyle {mathfrak {B}}}下的分量表示。

有有限基的向量空间叫做有限维的空间。要处理无限维的空间，必须把上述基的定义推广为包括无限的基集合。如果向量空间V{displaystyle mathrm {V} }的一个子集 (有限或无限)B{displaystyle {mathfrak {B}}}满足：

• 它的所有有限子集B′⊂B{displaystyle {mathfrak {B}}'subset {mathfrak {B}}}满足上面的第一个条件（即线性无关）；


• 对任意v∈V{displaystyle vin mathrm {V} }，可以选择(λ1,λ2,⋯,λn)∈Fn{displaystyle (lambda _{1},lambda _{2},cdots ,lambda _{n})in mathbb {F} ^{n}}，以及e1,e2,⋯,en∈B{displaystyle e_{1},e_{2},cdots ,e_{n}in {mathfrak {B}}}，使得v=λ1e1+λ2e2+⋯+λnen{displaystyle v=lambda _{1}e_{1}+lambda _{2}e_{2}+cdots +lambda _{n}e_{n}}。

就称B{displaystyle {mathfrak {B}}}是无限维空间V{displaystyle mathrm {V} }的一组基。

没有装备拓扑结构的向量空间的结构不足以谈论向量的无限和，因此上述定义只包括对有限个向量求和。

性质

设B{displaystyle {mathfrak {B}}}是向量空间V{displaystyle mathrm {V} }的子集。则B{displaystyle {mathfrak {B}}}是基，当且仅当满足了下列任一条件：

• 
  V{displaystyle mathrm {V} }是B{displaystyle {mathfrak {B}}}的极小生成集，就是说只有B{displaystyle {mathfrak {B}}}能生成V{displaystyle mathrm {V} }，而它的任何真子集都不能生成全部的向量空间。


• 
  B{displaystyle {mathfrak {B}}}是V{displaystyle mathrm {V} }中线性无关向量的极大集合，就是说B{displaystyle {mathfrak {B}}}在V{displaystyle mathrm {V} }中是线性无关集合，而且V{displaystyle mathrm {V} }中没有其他线性无关集合包含它作为真子集。


• 
  V{displaystyle mathrm {V} }中所有的向量都可以按唯一的方式表达为B{displaystyle {mathfrak {B}}}中向量的线性组合。如果基是有序的，则在这个线性组合中的系数提供了这个向量关于这个基的坐标。

如果承认良序定理或任何选择公理的等价物，那么作为推论，可以证明任何的向量空间都拥有一组基。（证明：良序排序这个向量空间的元素。建立不线性依赖于前面元素的所有元素的子集。它就是基）。反过来也是真的。一个向量空间的所有基都拥有同样的势（元素个数），叫做这个向量空间的维度。这个结果叫做维度定理，它要求系统承认严格弱形式的选择公理即超滤子引理。

例子

• 考虑所有坐标 (a, b)的向量空间R²，这里的a和b都是实数。则非常自然和简单的基就是向量e₁ = (1,0)和e₂ = (0,1):假设v = (a, b)是R²中的向量，则v = a (1,0) + b(0,1)。而任何两个线性无关向量如 (1,1)和(−1,2)，也形成R²的一个基。

• 更一般的说，给定自然数n。n个线性无关的向量e₁, e₂, ..., e_n可以在实数域上生成Rⁿ。因此，它们也是的一个基而Rⁿ的维度是n。这个基叫做Rⁿ的标准基。

• 设V是由函数e^t和e^2t生成的实数向量空间。这两个函数是线性无关的，所有它们形成了V的基。

• 设R[x]指示所有实数多项式的向量空间；则 (1, x, x², ...)是R[x]的基。R[x]的维度因此等于aleph-0。

基的扩張

如上所述，一个向量空间的每一组基都是一个极大的线性无关集合，同时也是极小的生成集合。可以证明，如果向量空间拥有一组基，那么每个线性无关的子集都可以扩张成一组基（也称为基的扩充定理），每个能够生成整个空间的子集也必然包含一组基。特别地，在任何线性无关集合和任何生成集合之间有一组基。以数学语言来说：如果L{displaystyle {mathfrak {L}}}是在向量空间V{displaystyle mathrm {V} }中的一个线性无关集合而集合G{displaystyle {mathfrak {G}}}是一个包含L{displaystyle {mathfrak {L}}}而且能够生成V{displaystyle mathrm {V} }的集合，则存在V{displaystyle mathrm {V} }的一组基B{displaystyle {mathfrak {B}}}，它包含了L{displaystyle {mathfrak {L}}}而且是G{displaystyle {mathfrak {G}}}的子集：L⊆B⊆G{displaystyle {mathfrak {L}}subseteq {mathfrak {B}}subseteq {mathfrak {G}}}。

以上两个结论可以帮助证明一个集合是否是给定向量空间的基。如果不知道某个向量空间的维度，证明一个集合是它的基需要证明这个集合不仅是线性无关的，而且能够生成整个空间。如果已知这个向量空间的维度（有限维），那么这个集合的元素个数必须等于维数，才可能是它的基。在两者相等时，只需要证明这个集合线性无关，或这个集合能够生成整个空间这两者之一就够了。这是因为线性无关的子集必然能扩充成基；而这个集合的元素个数已经等于基的元素个数，需要添加的元素是0个。这说明原集合就是一组基。同理，能够生成整个空间的集合必然包含一组基作为子集；但假如这个子集是真子集，那么元素个数必须少于原集合的元素个数。然而原集合的元素个数等于维数，也就是基的元素个数，这是矛盾的。这说明原集合就是一组基。

有序基和坐标

基底是作为向量空间的子集定义的，其中的元素并不按照顺序排列。为了更方便相关的讨论，通常会将基向量进行排列。比如说将：B={e1,e2,⋯,en}{displaystyle {mathfrak {B}}={e_{1},e_{2},cdots ,e_{n}}}写成有序向量组：(e1,e2,⋯,en){displaystyle (e_{1},e_{2},cdots ,e_{n})}。这样的有序向量组称为有序基。在有限维向量空间和可数维数的向量空间中，都可以自然地将基底表示成有序基。在有序基下，任意的向量都可以用确定的数组表示，称为向量的坐标。例如，在使用向量的坐标表示的时候习惯谈论“第一个”或“第二个”坐标，这只在指定了基的次序前提下有意义。在这个意义下，有序基可以看作是向量空间的坐标架。

设V{displaystyle mathrm {V} }是在域F{displaystyle mathbb {F} }上的n维向量空间。在V{displaystyle mathrm {V} }上确定一个有序基等价于确定一个从坐标空间Fn{displaystyle mathbb {F} ^{n}}到V{displaystyle mathrm {V} }的一个选定线性同构ϕ{displaystyle phi }。

证明：这个证明利用了Fn{displaystyle mathbb {F} ^{n}}的标准基是有序基的事实。

首先假设

ϕ:Fn→V{displaystyle phi :;;mathbb {F} ^{n}rightarrow mathrm {V} }是线性同构。可以定义V{displaystyle mathrm {V} }的一组有序基{vi}1⩽i⩽n{displaystyle {v_{i}}_{1leqslant ileqslant n}}如下：

vi=ϕ(ei),∀i,1⩽i⩽n.{displaystyle v_{i}=phi (e_{i}),;;forall i,;1leqslant ileqslant n.}

其中的{ei}1⩽i⩽n{displaystyle {e_{i}}_{1leqslant ileqslant n}}是Fn{displaystyle mathbb {F} ^{n}}的标准基。

反过来说，给定一个有序基，考虑如下定义的映射

φ(x) = x₁v₁ + x₂v₂ + ... + x_nv_n,

这里的x = x₁e₁ + x₂e₂ + ... + x_ne_n是Fⁿ的一个元素。不难检查出φ是线性同构。

这两个构造明显互逆。所以V的有序基一一对应于线性同构Fⁿ → V。

确定自有序基{v_i}线性映射φ的逆映射为V装备了坐标：如果对于向量v ∈ V, φ^-1(v) = (a₁, a₂,...,a_n) ∈ Fⁿ，则a_j = a_j(v)的分量是v的坐标，在v = a₁(v) v₁ + a₂(v) v₂ + ... + a_n(v) v_n的意义上。

从向量v到分量a_j(v)的映射是从V到F的线性映射，因为φ^-1是线性的。所以它们是线性泛函。它们形成V的对偶空间的基，叫做对偶基。

概念

有时使用术语Hamel基（或代数基）来称呼上文定义的基，这里在线性组合a₁v₁ +… + a_nv_n中项的数目总是有限的。

在希尔伯特空间和其他巴拿赫空间中，需要处理无限多向量的线性组合。在无限维的希尔伯特空间中，相互正交的向量的集合可能永不能通过有限线性组合扩展出整个空间。所谓的正交基是通过有时无限的线性组合扩展出这个空间的相互正交的单位向量的集合。除了在有限维情况之外，这个概念不纯粹是代数的，而区别于Hamel基；它也是更一般性有用的。“无限维希尔伯特空间的正交基因此不是Hamel基”。

在拓扑向量空间中，一般的说，可以定义為无穷级数并表达这个空间的元素为其他特定元素的“无限线性组合”。其中的有限和无限组合的基，前者被叫做“Hamel基”而后者被叫做“Schauder基（英语：Schauder basis）”，对应的维度叫做Hamel维度和“Schauder维度”。

例子

在傅立叶级数的研究中，函数{1} ∪ { sin(nx), cos(nx) : n = 1, 2, 3, ... }是所有的在区间[0, 2π]上为平方可积分的（实数或复数值）的函数的（实数或复数）向量空间的“正交基”，这种函数f满足

∫02π|f(x)|2dx<∞.{displaystyle int _{0}^{2pi }left|f(x)right|^{2},dx<infty .}

函数{1} ∪ { sin(nx), cos(nx) : n = 1, 2, 3, ... }是线性无关的，所有在[0, 2π]上平方可积分的函数f是它们的“无限线性组合”，在如下意义上

limn→∞∫02π|a0+∑k=1n(akcos⁡(kx)+bksin⁡(kx))−f(x)|2dx=0{displaystyle lim _{nrightarrow infty }int _{0}^{2pi }{biggl |}a_{0}+sum _{k=1}^{n}{bigl (}a_{k}cos(kx)+b_{k}sin(kx){bigr )}-f(x){biggr |}^{2},dx=0}

对于适合的（实数或复数）系数a_k, b_k。但是多数平方可积分函数不能表达为这些基函数的有限线性组合，因为它们不构成Hamel基。这个空间的所有Hamel基都大于这个函数的只可数无限集合。此类空间的Hamel基没有什么价值，而这些空间的正交基是傅立叶分析的根本。

参见

• 线性代数


• 线性组合

外部链接

• 
  MIT Linear Algebra Lecture on Bases at Google Video, from MIT OpenCourseWare