向量 | 考研学习

向量可以理解成：一种同时描述“大小”和“方向”，并且能够按照线性规则进行组合的数学对象。

但如果想真正学懂线性代数，最好不要只把向量理解成“带箭头的线段”。“箭头”只是向量最直观的几何模型。更深一层看，向量是线性代数用来描述“状态、方向、变化和组合”的基本语言。

一、先从最直观的问题开始：什么是向量？

假设你站在平面上的某一点，然后：

向右走 3 米；
向上走 2 米。

我们可以画一个箭头：

v = (32)

这个箭头表达了两件事：

方向：右上方；
大小：走了多远。

长度为

∥ v ∥ = 3^{2} + 2^{2} = 13 .

因此，在初等几何里：

向量就是具有大小和方向的量。

例如：

位移；
速度；
加速度；
力；
电场；
风速。

这些都天然适合用向量描述。

二、为什么普通的数不够用？

一个普通数字只能表达“多少”。

例如：

5

可以表示 5 米、5 秒、5 千克。

但如果我说：

一个物体移动了 5 米。

信息是不完整的。

你还不知道：

往哪个方向移动？

因此需要同时记录方向。

例如二维空间中：

v = (34) .

它不只是告诉你“移动多少”，还告诉你：

x 方向移动 3,

y 方向移动 4.

所以向量本质上是在回答：

一个量在多个独立方向上的分量分别是多少？

这是理解向量非常关键的一句话。

三、向量为什么写成一串数字？

例如：

v = (32) .

为什么这个东西代表一个箭头？

因为我们提前规定了两个基本方向：

e_{1} = (10), e_{2} = (01) .

于是

v = 3 e_{1} + 2 e_{2} .

也就是说：

向右的基本方向走 3 份，再向上的基本方向走 2 份。

所以

(32)

实际上只是告诉我们：

这个向量由哪些基本方向组合而成。

这里已经出现了线性代数最重要的概念之一：

基

e_{1}, e_{2}

就是一组基向量。

而

3, 2

叫这个向量在这组基下的坐标。

四、一个极其重要的观念：向量不是坐标

这是很多人学线性代数时一直没有真正意识到的一件事。

例如：

(32)

并不一定就是“向量本身”。

更准确地说，它通常是：

某个向量在某组基下的坐标表示。

比如同一个真实的箭头，换一套坐标系以后，可能变成

(13) .

数字变了。

但是那个真实的方向和长度并没有变化。

所以：

向量本身 \neq = 向量坐标

更加准确地说：

坐标只是向量在某组基下的表示

这和“一个人”和“这个人的身份证号码”的关系有点类似。

身份证号码可以变化，但人还是那个人。

五、从几何角度看，向量到底是什么？

在平面中，我们可以把向量看成一个箭头。

例如：

v = (21) .

这个箭头从原点出发：

(0, 0) \to (2, 1) .

但向量并不一定非得从原点开始。

例如：

(0, 0) \to (2, 1)

和

(5, 4) \to (7, 5)

表示的是同一个自由向量。

因为它们：

长度相同；
方向相同。

因此，在线性代数中，我们通常不关心箭头具体放在哪里。

只关心：

方向和大小

这种向量叫做自由向量。

六、从代数角度看，向量是什么？

代数上可以直接把向量看成一个有序数组：

x = x_{1} x_{2} ⋮ x_{n} .

例如：

25 - 1 .

这是一个三维向量。

一般：

R^{n}

中的向量写成

x = x_{1} x_{2} \dots x_{n} .

这里每一个

x_{i}

都代表某一个方向上的分量。

七、但是向量甚至不一定是一串数字

这就进入真正的线性代数了。

向量的核心并不是：

“它必须是一串数字。”

真正核心的是：

它能够进行向量加法和数乘，并满足一系列线性规则。

例如一个函数：

f (x) = x^{2} + 2 x + 1

也可以看成一个向量。

因为两个函数可以相加：

(f + g) (x) = f (x) + g (x),

也可以乘一个数字：

(λ f) (x) = λ f (x) .

例如所有二次以下多项式：

P_{2} = {a + b x + c x^{2}} .

其中

a + b x + c x^{2}

可以写成

a \cdot 1 + b \cdot x + c \cdot x^{2} .

所以

1, x, x^{2}

就是一组基。

而多项式

3 + 2 x - 5 x^{2}

对应坐标：

32 - 5 .

你会发现：

多项式其实也可以和空间中的箭头使用完全一样的数学结构。

这就是线性代数非常强大的地方。

八、为什么要研究向量？

原因非常简单：

现实世界中的很多问题不是一个数字，而是一组数字

例如一个学生的数据：

x = 数学 英语 政治 专业课 = 1307075120 .

这就是一个四维向量。

一个图片中的像素也可以组成巨大向量。

例如一张

1920 \times 1080

的灰度图片，本质上可以看成一个

1920 \times 1080 = 2073600

维的向量。

一个神经网络中的词也可以被表示成向量：

word \to 0.21 - 0.83 0.12 ⋮ .

因此：

机器学习；
图像处理；
计算机图形学；
物理；
工程；
数据科学；
经济学；
控制理论；

大量问题本质上都在研究向量。

九、为什么叫“线性”代数？

因为向量最重要的两种操作是：

加法

和

数乘

也就是：

u + v

以及

λ v .

由它们组合出来：

a_{1} v_{1} + a_{2} v_{2} + \dots + a_{n} v_{n}

叫做线性组合。

这几乎就是整个线性代数的核心语言。

矩阵、线性方程组、秩、特征值、特征向量，本质上全部建立在这个概念上。

十、向量加法怎么理解？

假设：

u = (21), v = (13) .

那么

u + v = (34) .

几何上是什么意思？

先按照

u

走一次，再按照

v

走一次。

最终总位移就是

u + v .

所以：

向量加法 = 变化的叠加

这是非常深刻的理解。

例如：

两个力叠加；
两个位移叠加；
两个速度影响叠加；
两个信号叠加。

十一、数乘是什么意思？

例如

2 v .

如果

v = (31),

那么

2 v = (62) .

几何上就是：

方向不变，长度变成原来的 2 倍。

如果

λ = - 1,

那么

- v

表示：

长度不变，方向相反。

所以一般

λ v

表示：

$∣ λ ∣$ 控制长度；
$λ$ 的正负控制方向。

十二、为什么线性组合如此重要？

考虑

a u + b v .

它的意思是：

把 $u$ 放大 $a$ 倍；
把 $v$ 放大 $b$ 倍；
把两者加起来。

如果

u = (10), v = (01),

那么

a u + b v = (a b) .

因此二维空间中所有向量，都可以由这两个基本方向生成。

于是我们说：

span {u, v} = R^{2} .

这里的 span 叫张成空间。

十三、这就是“基”的真正含义

一组基，其实就是：

一组最基本、互不冗余的方向，所有向量都可以由它们组合出来。

二维空间最常见的一组基：

e_{1} = (10), e_{2} = (01) .

三维空间：

e_{1} = 100, e_{2} = 010, e_{3} = 001 .

于是任意：

x = x y z

其实就是：

x = x e_{1} + y e_{2} + z e_{3} .

所以：

坐标就是向量在各个基方向上的权重

十四、什么叫线性相关？

假设有两个向量：

v_{1} = (12), v_{2} = (24) .

显然：

v_{2} = 2 v_{1} .

第二个方向根本没有提供新的方向。

所以它们叫做：

线性相关

直观上：

有向量是多余的。

例如二维空间中的两个共线向量。

如果

v_{1} = (10), v_{2} = (01),

一个不能由另一个产生。

所以它们线性无关。

直观上：

每个向量都贡献了一个新的独立方向

十五、维数到底是什么？

这时候“维数”也非常容易理解了。

维数就是：

描述这个空间需要多少个互相独立的基本方向。

例如：

一条直线：

dim = 1.

一个平面：

dim = 2.

普通空间：

dim = 3.

而

R^{100}

是 100 维空间。

并不是说我们能真的“看见”100维。

而是说：

描述一个状态需要 100 个独立参数。

例如：

x = x_{1} x_{2} ⋮ x_{100} .

十六、向量有哪些基本运算？

最基础的是：

1. 向量加法

a + b .

分量相加：

(a_{1} a_{2}) + (b_{1} b_{2}) = (a_{1} + b_{1} a_{2} + b_{2}) .

本质：

变化叠加

2. 向量减法

a - b = a + (- b) .

如果把

a, b

看成两个点的位置向量，那么：

a - b

表示：

从 $b$ 指向 $a$ 的位移。

因此两点

A (x_{1}, y_{1}), B (x_{2}, y_{2})

之间的位移向量为

A B = (x_{2} - x_{1} y_{2} - y_{1}) .

3. 数乘

λ v .

控制向量：

长短；
正反方向。

4. 线性组合

a_{1} v_{1} + \dots + a_{n} v_{n} .

这是线性代数最核心的运算。

十七、向量的长度是什么？

二维：

v = (x y) .

根据勾股定理：

∥ v ∥ = x^{2} + y^{2} .

三维：

∥ v ∥ = x^{2} + y^{2} + z^{2} .

一般：

∥ v ∥ = v_{1}^{2} + v_{2}^{2} + \dots + v_{n}^{2}

这叫做向量的范数。

十八、单位向量是什么？

如果

v \neq = 0,

那么：

\frac{v}{∥ v ∥}

长度一定是 1。

于是：

\overset{v}{^} = \frac{v}{∥ v ∥}

称为单位向量。

它保留：

方向

但去掉：

大小

因此有时候可以把任意非零向量理解成：

v = ∥ v ∥ \overset{v}{^} .

也就是：

向量 = 大小 \times 方向

十九、两个向量如何判断“方向像不像”？

这就引出了非常重要的：

内积

对于：

a = a_{1} a_{2} ⋮ a_{n}, b = b_{1} b_{2} ⋮ b_{n},

定义：

a \cdot b = a_{1} b_{1} + a_{2} b_{2} + \dots + a_{n} b_{n} .

但是这个公式背后的几何意义更加重要：

a \cdot b = ∥ a ∥∥ b ∥ cos θ

其中 $θ$ 是两个向量之间的夹角。

因此：

如果方向接近：

θ \approx 0,

那么：

cos θ \approx 1,

内积很大。

如果垂直：

θ = 9 0^{\circ},

那么：

cos θ = 0,

所以

a \cdot b = 0.

如果方向相反：

θ = 18 0^{\circ},

则：

cos θ = - 1.

因此内积实际上是在测量：

两个向量方向上的相似程度

二十、为什么垂直向量内积为 0？

例如：

a = (10), b = (01) .

于是：

a \cdot b = 1 \times 0 + 0 \times 1 = 0.

从几何上：

cos 9 0^{\circ} = 0.

更深层地理解：

一个方向在另一个方向上的“分量”为零。

因此正交本质上意味着：

两个方向彼此完全独立

二十一、投影是什么？

假设有两个向量：

a, b .

我们想知道：

$a$ 在 $b$ 方向上有多少？

就是投影。

投影长度：

\frac{a \cdot b}{∥ b ∥} .

投影向量：

proj_{b} a = \frac{a \cdot b}{∥ b ∥ ^{2}} b

这件事情特别重要。

因为很多数学问题的本质都是：

把一个复杂对象分解到若干基本方向

傅里叶展开实际上也可以从这个角度理解。

二十二、三维空间还有叉积

对于三维向量：

a, b \in R^{3},

可以定义：

a \times b .

结果还是一个向量。

它满足：

a \times b ⊥ a,

并且

a \times b ⊥ b .

其长度：

∥ a \times b ∥ = ∥ a ∥∥ b ∥ sin θ

几何意义就是：

$a$ 和 $b$ 构成的平行四边形面积。

所以：

内积跟夹角、投影有关；
叉积跟面积、法向量有关。

二十三、向量有哪些基本性质？

假设

u, v, w

是向量，

a, b

是实数。

向量加法满足交换律：

u + v = v + u .

满足结合律：

(u + v) + w = u + (v + w) .

存在零向量：

v + 0 = v .

存在负向量：

v + (- v) = 0 .

数乘满足：

a (u + v) = a u + a v .

以及：

(a + b) v = a v + b v .

还有：

a (b v) = (ab) v .

以及：

1 v = v .

你会发现，它们几乎和普通数字的运算规则一样。

这正是我们能够建立“向量代数”的原因。

二十四、什么是零向量？

0 = 00 ⋮ 0 .

它没有长度：

∥ 0 ∥ = 0.

零向量可以理解成：

没有发生任何变化

例如位移：

0

意味着最终回到了原来的位置。

二十五、把向量理解成“状态”会更深刻

不要只认为：

向量就是空间里的箭头。

更一般地：

x = x_{1} x_{2} ⋮ x_{n}

可以表示一个系统的完整状态。

例如一个飞机：

x = x y z v_{x} v_{y} v_{z} .

其中前三个描述位置，后三个描述速度。

于是整个飞机的状态就是一个六维向量。

二十六、机器学习里的“向量”也是这个意思

例如一个人可以用很多特征表示：

x = 身高 体重 年龄 收入 学习时间 .

那么每个人就是高维空间中的一个点。

AI 处理的大量数据，本质上就是：

高维向量

例如：

图片 → 像素向量；
文本 → embedding 向量；
用户 → 特征向量；
商品 → 特征向量。

机器学习很多时候就是在高维向量空间里：

计算距离；
计算方向；
做投影；
做变换；
寻找新的坐标轴。

二十七、矩阵为什么会紧跟着向量出现？

因为矩阵本质上是在做：

向量变换

例如：

A x = y .

可以理解为：

把一个向量 $x$ 通过某种线性规则变成 $y$ 。

例如：

旋转；
拉伸；
压缩；
镜像；
投影；
坐标变换。

所以如果说：

向量 = 对象

那么：

矩阵 = 对向量进行操作的机器

这是理解线性代数非常好的框架。

二十八、为什么矩阵乘向量看起来那么奇怪？

例如：

A = (a c b d), x = (x y) .

于是：

A x = (a x + b y c x + d y) .

但是如果从列向量角度看：

A = ∣ a_{1} ∣ ∣ a_{2} ∣,

那么：

A x = x a_{1} + y a_{2}

这一下就很好理解了。

矩阵乘一个向量，其实是在：

按照输入向量的坐标，对矩阵的列向量进行线性组合。

二十九、这也解释了线性方程组

例如：

A x = b .

实际上是在问：

是否可以用矩阵 $A$ 的列向量，通过某些系数组合，得到 $b$ ？

如果

A = ∣ a_{1} ∣ ∣ a_{2} ∣ \dots ∣ a_{n} ∣,

那么：

A x = b

等价于：

x_{1} a_{1} + x_{2} a_{2} + \dots + x_{n} a_{n} = b .

你会发现：

解方程其实是在找线性组合系数。

三十、这样再看“秩”就非常自然了

矩阵有很多列向量：

a_{1}, a_{2}, \dots, a_{n} .

其中有些可能是多余的。

例如：

a_{3} = 2 a_{1} - a_{2} .

那么 $a_{3}$ 没有提供新的方向。

矩阵的秩，本质上就是：

这些向量真正提供了多少个独立方向

也就是：

有效信息的维数

三十一、甚至特征向量都可以这样理解

假设一个矩阵表示某种变换：

A .

普通向量经过变换后：

v \to A v

方向可能改变。

但有一些特殊向量：

A v = λ v .

它经过这个变换之后：

方向没有改变，只是长度变了。

这样的 $v$ 就叫：

特征向量

而

λ

表示在这个方向上被拉伸或压缩多少倍。

所以：

特征向量 = 变换自身最自然的方向

这也是为什么特征向量在线性代数中如此重要。

三十二、向量最深刻的三种理解

如果让我把“向量是什么”压缩成三个层次，我会这样理解。

第一层：几何

向量是带方向的箭头

表示：

位移；
速度；
力。

这是最直观的理解。

第二层：代数

向量是一组有序坐标

例如：

x_{1} x_{2} ⋮ x_{n} .

它描述一个高维状态。

第三层：抽象线性代数

向量是向量空间中的元素

只要某类对象支持：

u + v

以及：

λ v

并满足向量空间公理，就可以称为向量。

所以：

箭头可以是向量；
数组可以是向量；
多项式可以是向量；
函数可以是向量；
矩阵本身也可以被看作向量。

这才是线性代数中最本质的“向量”。

三十三、向量到底解决了什么问题？

可以把数学发展简单理解成这样。

一个数字：

x

描述一个自由度。

两个数字：

(x, y)

描述两个自由度。

三个数字：

(x, y, z)

描述三个自由度。

于是推广到：

(x_{1}, x_{2}, \dots, x_{n}) .

我们需要一门数学研究：

很多个变量同时变化时，它们如何组合、变换和相互影响？

这就是向量与线性代数出现的重要原因。

三十四、你可以用一句话贯穿整个线性代数

我建议你以后学线性代数时，一直记住这条主线：

向量描述对象，基描述基本方向，坐标描述组合系数，矩阵描述线性变换

然后：

线性组合 \to 线性相关 \to 基 \to 维数 \to 矩阵 \to 秩 \to 特征值与特征向量

其实全是围绕“向量怎么组合、怎么变换”展开的。

三十五、最后给你一个最值得建立的直觉

看到一个向量：

x = 3 - 2 5

不要只想：

这是三个数字。

而应该想成：

x = 3 e_{1} - 2 e_{2} + 5 e_{3} .

也就是：

在第一个独立方向走 3 份，在第二个方向反着走 2 份，在第三个方向走 5 份。

于是你看到的是：

一个由基本方向组合出来的对象

再进一步，看到

A x

时，可以想：

我正在把这个对象进行一次线性变换。

看到

A x = b

时想：

我要找到一种组合方式，使这些基本向量组合成目标向量。

看到

A v = λ v

时想：

我要找这个变换中方向保持不变的特殊方向。

这样一来，线性代数就不再是一堆孤立公式，而会逐渐变成一幅非常统一的图景：

空间 \to 方向 \to 向量 \to 线性组合 \to 线性变换

其中，向量就是整个线性代数世界中最基本的“对象”。

向量

On this page