線性獨立

在線性代數裡，向量空間的一組元素中，若沒有向量可用有限個其他向量的線性組合所表示，則稱為線性無關或線性獨立（linearly independent），反之稱為線性相依（linearly dependent）。例如在三維歐幾里得空間R³的三個向量(1, 0, 0)，(0, 1, 0)和(0, 0, 1)線性獨立。但(2, −1, 1)，(1, 0, 1)和(3, −1, 2)線性相依，因為第三個是前兩個的和。

線性代數
${\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}$
向量 · 向量空間 · 基底  · 行列式  · 矩陣
向量 純量 · 向量 · 向量空間 · 向量投影 · 外積（叉積 · 七維叉積） · 內積（點積） · 二重向量 矩陣與行列式 矩陣 · 行列式 · 線性方程組 · 秩 · 核 · 跡 · 單位矩陣 · 初等矩陣 · 方塊矩陣 · 分塊矩陣 · 三角矩陣 · 非奇異方陣 · 轉置矩陣 · 逆矩陣 · 對角矩陣 · 可對角化矩陣 · 對稱矩陣 · 反對稱矩陣 · 正交矩陣 · 么正矩陣 · 埃爾米特矩陣 · 反埃爾米特矩陣 · 正規矩陣 · 伴隨矩陣 · 餘因子矩陣 · 共軛轉置 · 正定矩陣 · 冪零矩陣 · 矩陣分解 （LU分解 · 奇異值分解 · QR分解 · 極分解 · 特徵分解） · 子式和餘子式 · 拉普拉斯展開 · 克羅內克積 線性空間與線性轉換 線性空間 · 線性轉換 · 線性子空間 · 線性生成空間 · 基 · 線性映射 · 線性投影 · 線性獨立 · 線性組合 · 線性泛函 · 行空間與列空間 · 對偶空間 · 正交 · 特徵向量 · 最小平方法 · 格拉姆-施密特正交化
閱 論 編

定義

假設V是在域K上的向量空間。如果${\displaystyle \mathbf {v} _{1},\mathbf {v} _{2},\dots ,\mathbf {v} _{n}}$是V的向量，若它們為線性相依，則在域K 中有非全零的元素${\displaystyle a_{1},a_{2},\dots ,a_{n}}$，使得

${\displaystyle a_{1}\mathbf {v} _{1}+a_{2}\mathbf {v} _{2}+\cdots +a_{n}\mathbf {v} _{n}=\mathbf {0} }$；

或更簡略地表示成，

${\displaystyle \sum _{i=1}^{n}a_{i}\mathbf {v} _{i}=\mathbf {0} }$。

（注意右邊的零是V的零向量，不是K的零元素。）

如果K中不存在這樣的元素，那麼${\displaystyle \mathbf {v} _{1},\mathbf {v} _{2},\dots ,\mathbf {v} _{n}}$是線性獨立。

對線性獨立可以給出更直接的定義。向量${\displaystyle \mathbf {v} _{1},\mathbf {v} _{2},\dots ,\mathbf {v} _{n}}$線性獨立，若且唯若它們滿足以下條件：如果${\displaystyle a_{1},a_{2},\dots ,a_{n}}$是K的元素，適合：

${\displaystyle a_{1}\mathbf {v} _{1}+a_{2}\mathbf {v} _{2}+\cdots +a_{n}\mathbf {v} _{n}=\mathbf {0} }$，

那麼對所有${\displaystyle i=1,2,\dots ,n}$都有${\displaystyle a_{i}=0}$。

在V中的一個無限集，如果它任何一個有限子集都是線性獨立，那麼原來的無限集也是線性獨立。

線性相依性是線性代數的重要概念，因為線性獨立的一組向量可以生成一個向量空間，而這組向量則是這向量空間的基。

相關性

• 含有零向量的向量組，必定線性相依。

若有向量組${\displaystyle a_{1},a_{2},...,a_{s}}$，其中${\displaystyle a_{1}=0}$，則${\displaystyle a_{1}=0\cdot a_{2}+...+0\cdot a_{s}}$。

• 含有兩個相等向量的向量組，必定線性相依。

若有向量組${\displaystyle a_{1},a_{2},...,a_{s}}$，其中${\displaystyle a_{1}=a_{2}}$，則${\displaystyle a_{1}=1\cdot a_{2}+0\cdot a_{3}+...+0\cdot a_{s}}$。

• 若一向量組相關，則加上任意個向量後，仍然線性相依；即局部線性相依，整體必線性相依。
• 整體線性獨立，局部必線性獨立。
• 向量個數大於向量維數，則此向量組線性相依。
• 若一向量組線性獨立，即使每一向量都在同一位置處增加一分量，仍然線性獨立。
• 若一向量組線性相依，即使每一向量都在同一位置處減去一分量，仍然線性相依。
• 若${\displaystyle a_{1},a_{2},...,a_{s}}$線性獨立，而${\displaystyle b,a_{1},a_{2},...,a_{s}}$線性相依，則${\displaystyle b}$必可由${\displaystyle a_{1},a_{2},...,a_{s}}$線性表示，且表示係數唯一。
• 有向量組${\displaystyle {\textrm {I}}\{a_{1},a_{2},...,a_{s}\}}$和${\displaystyle {\textrm {II}}\{b_{1},b_{2},...,b_{t}\}}$，其中${\displaystyle t>s}$，且${\displaystyle {\textrm {II}}}$中每個向量都可由${\displaystyle {\textrm {I}}}$線性表示，則向量組${\displaystyle {\textrm {II}}}$必線性相依。即向量個數多的向量組，若可被向量個數少的向量組線性表示，則向量個數多的向量組必線性相依。
• 若一向量組${\displaystyle b_{1},b_{2},...,b_{t}}$可由向量組${\displaystyle a_{1},a_{2},...,a_{s}}$線性表示，且${\displaystyle b_{1},b_{2},...,b_{t}}$線性獨立，則${\displaystyle t\leq s}$。即線性獨立的向量組，無法以向量個數較少的向量組線性表示。

例子1

設V = Rⁿ，考慮V內的以下元素：

${\displaystyle {\begin{matrix}\mathbf {e} _{1}&=&(1,0,0,\ldots ,0)\\\mathbf {e} _{2}&=&(0,1,0,\ldots ,0)\\&\vdots \\\mathbf {e} _{n}&=&(0,0,0,\ldots ,1).\end{matrix}}}$

則e₁、e₂、……、e_n是線性獨立的。

證明

假設a₁、a₂、……、a_n是R中的元素，使得：

${\displaystyle a_{1}\mathbf {e} _{1}+a_{2}\mathbf {e} _{2}+\cdots +a_{n}\mathbf {e} _{n}=0.\,\!}$

由於

${\displaystyle a_{1}\mathbf {e} _{1}+a_{2}\mathbf {e} _{2}+\cdots +a_{n}\mathbf {e} _{n}=(a_{1},a_{2},\ldots ,a_{n}),\,\!}$

因此對於{1, ..., n}內的所有i，都有a_i = 0。

例子2

設V是實變量t的所有函數的向量空間。則V內的函數e^t和e^2t是線性獨立的。

證明

假設a和b是兩個實數，使得對於所有的t，都有：

ae^t + be^2t = 0

我們需要證明a = 0且b = 0。我們把等式兩邊除以e^t（它不能是零），得：

be^t = −a

也就是說，函數be^t與t一定是獨立的，這只能在b = 0時出現。可推出a也一定是零。

例子3

R⁴內的以下向量是線性相依的。

${\displaystyle {\begin{matrix}\\{\begin{bmatrix}1\\4\\2\\-3\end{bmatrix}},{\begin{bmatrix}7\\10\\-4\\-1\end{bmatrix}},{\begin{bmatrix}-2\\1\\5\\-4\end{bmatrix}}\\\\\end{matrix}}}$

證明

我們需要求出純量${\displaystyle \lambda _{1}}$、${\displaystyle \lambda _{2}}$和${\displaystyle \lambda _{3}}$，使得：

${\displaystyle {\begin{matrix}\\\lambda _{1}{\begin{bmatrix}1\\4\\2\\-3\end{bmatrix}}+\lambda _{2}{\begin{bmatrix}7\\10\\-4\\-1\end{bmatrix}}+\lambda _{3}{\begin{bmatrix}-2\\1\\5\\-4\end{bmatrix}}={\begin{bmatrix}0\\0\\0\\0\end{bmatrix}}.\end{matrix}}}$

可以形成以下的方程組：

${\displaystyle {\begin{aligned}\lambda _{1}&\;+7\lambda _{2}&&-2\lambda _{3}&=0\\4\lambda _{1}&\;+10\lambda _{2}&&+\lambda _{3}&=0\\2\lambda _{1}&\;-4\lambda _{2}&&+5\lambda _{3}&=0\\-3\lambda _{1}&\;-\lambda _{2}&&-4\lambda _{3}&=0\\\end{aligned}}}$

解這個方程組（例如使用高斯消去法），可得：

${\displaystyle {\begin{aligned}\lambda _{1}&=\lambda _{1}\\\lambda _{2}&=(-\lambda _{1})/3\\\lambda _{3}&=(-2\lambda _{1})/3.\\\end{aligned}}}$

由於它們都是非平凡解，因此這些向量是線性相依的。

參考文獻

• Siegfried Bosch: Lineare Algebra. 5. Auflage, Springer, Berlin/Heidelberg 2014, ISBN 978-3-642-55259-5, Kapitel 1.5.