Cơ sở, độc lập tuyến tính và số chiều của không gian vectơ

Ý tưởng rất đơn giản: nếu muốn mô tả mọi màu trên màn hình, ta cần những “màu gốc” nào, và cần bao nhiêu màu gốc như thế? Đó cũng chính là cách ta nghĩ về cơ sở, độc lập tuyến tính và số chiều trong đại số tuyến tính.

1. Cơ sở là gì? Khi nào $B$ là cơ sở của không gian vectơ $X$?

Hãy bắt đầu bằng hệ màu RGB trên màn hình.

Mỗi màu bạn nhìn thấy được tạo ra bằng cách pha ba kênh sáng: Đỏ (Red), Xanh lá (Green) và Xanh lam (Blue). Khi thay đổi cường độ của ba kênh này, ta thu được rất nhiều màu khác nhau. Theo trực giác, bộ ba ${R,G,B}$ đóng vai trò như một bộ “màu gốc” để mô tả toàn bộ không gian màu.

Ví dụ này gợi ra hai ý quan trọng:

• Đủ để tạo ra mọi màu: bằng cách thay đổi tỉ lệ của $R$, $G$, $B$, ta tạo được các màu khác.
• Không có màu nào là thừa: ánh sáng đỏ thuần không thể pha chỉ từ xanh lá và xanh lam; tương tự cho hai kênh còn lại.

Đó chính là trực giác của cơ sở: một tập vectơ vừa đủ để sinh ra toàn bộ không gian, nhưng không chứa phần dư.

Trong ngôn ngữ toán học, ta nói một tập

$$ B=\{v_1,v_2,\dots,v_n\} $$

là cơ sở của không gian vectơ $X$ nếu đồng thời thỏa hai điều kiện:

1. $B$ sinh ra $X$, tức là mọi vectơ trong $X$ đều biểu diễn được từ các vectơ trong $B$.
2. $B$ độc lập tuyến tính, tức là không có vectơ nào trong $B$ biểu diễn được từ các vectơ còn lại.

Khi hai điều kiện này cùng đúng, mỗi vectơ trong $X$ sẽ có một biểu diễn duy nhất theo cơ sở $B$.

Ghi chú nhỏ: RGB vật lý trên màn hình chỉ cho cách hiểu trực giác đủ tốt chứ không hoàn toàn đúng về mặt toán học, vì cường độ sáng thực tế vừa bị chặn, vừa thường không âm. Nếu muốn kéo trực giác này gần hơn với không gian vectơ, ta có thể hiểu hệ số dương là chiếu thêm ánh sáng, còn hệ số âm là lọc bớt hay hấp thụ kênh màu tương ứng. Chẳng hạn, một hệ số âm ở kênh đỏ có thể hình dung như đang đặt một màng lọc làm giảm thành phần đỏ trong chùm sáng. Cách hiểu này vẫn chỉ là mô hình trực giác, không phải mô tả vật lý chính xác, nhưng nó giúp ta chấp nhận ý quan trọng nhất: trong toán học, các hệ số tọa độ có thể là mọi số thực, cả dương lẫn âm.

2. Tổ hợp tuyến tính là gì?

Quay lại với RGB. Muốn tạo màu vàng trên màn hình, ta tăng kênh đỏ và kênh xanh lá, đồng thời để kênh xanh lam bằng $0$. Màu thu được là kết quả của việc lấy một lượng nào đó của $R$, một lượng nào đó của $G$, rồi cộng lại.

Đó chính là tổ hợp tuyến tính.

Nói chung, nếu có các vectơ $v_1,\dots,v_k$, thì một vectơ $v$ được gọi là tổ hợp tuyến tính của chúng nếu

$$ v=c_1v_1+c_2v_2+\cdots+c_kv_k $$

với các hệ số vô hướng $c_1,\dots,c_k$.

Điều đáng nhớ ở đây không phải là công thức, mà là ý nghĩa:

tổ hợp tuyến tính là cách “pha” các vectơ đã có để tạo ra vectơ mới.

Với RGB, các hệ số đóng vai trò như mức cường độ của từng kênh màu. Với các không gian vectơ nói chung, chúng cho biết ta cần “bao nhiêu” của từng vectơ gốc.

3. Thế nào là độc lập tuyến tính?

Tiếp tục với ví dụ RGB: ánh sáng đỏ thuần không thể được tạo ra chỉ từ xanh lá và xanh lam. Mỗi kênh màu mang một vai trò riêng, không bị thay thế bởi hai kênh còn lại.

Trong đại số tuyến tính, đó là trực giác của độc lập tuyến tính.

Một tập vectơ được gọi là độc lập tuyến tính nếu không có vectơ nào trong tập là “bản sao trá hình” của các vectơ khác. Ngược lại, nếu một vectơ có thể dựng lại từ các vectơ còn lại, thì tập đó phụ thuộc tuyến tính và đang chứa phần dư.

Định nghĩa chính thức là:

Tập ${v_1,\dots,v_k}$ độc lập tuyến tính nếu phương trình

$$ c_1v_1+c_2v_2+\cdots+c_kv_k=0 $$

chỉ có nghiệm duy nhất

$$ c_1=c_2=\cdots=c_k=0. $$

Ý nghĩa của điều kiện này là: cách duy nhất để cộng các vectơ ấy lại mà cho ra vectơ $0$ là không dùng vectơ nào cả. Nếu tồn tại một cách khác, thì các vectơ đang “triệt tiêu” lẫn nhau, và điều đó cho thấy có sự phụ thuộc.

4. Cách xác định một tập $B$ có phải là cơ sở hay không

Trực giác

Hãy tưởng tượng bạn có một “rổ” gồm rất nhiều màu ứng viên: đỏ, xanh lá, xanh lam, vàng, lục lam, tím… Nếu một màu nào đó đã có thể pha từ các màu khác, thì nó không còn cần thiết nữa. Ta bỏ dần các màu thừa đi. Khi không thể bỏ thêm mà vẫn giữ khả năng tạo ra toàn bộ không gian màu, phần còn lại chính là một cơ sở.

Đó cũng là cách nghĩ đúng trong đại số tuyến tính: bắt đầu từ một tập sinh, rồi loại các phần tử phụ thuộc tuyến tính để giữ lại một tập vừa đủ.

Về mặt toán học

Giả sử $B={v_1,\dots,v_n}\subset \mathbb{R}^n$ và đặt các vectơ này làm cột của ma trận

$$ A=\begin{bmatrix} v_1 & v_2 & \cdots & v_n \end{bmatrix}. $$

Khi đó, các mệnh đề sau là tương đương:

1. $B$ là cơ sở của $\mathbb{R}^n$.
2. Các cột của $A$ độc lập tuyến tính.
3. Các cột của $A$ sinh ra $\mathbb{R}^n$.
4. $\operatorname{rank}(A)=n$.
5. $\det(A)\neq 0$.
6. $A$ khả nghịch.

Trong trường hợp tổng quát hơn, khi số vectơ không nhất thiết bằng số chiều, ta dùng khử Gauss. Sau khi đưa ma trận về dạng bậc thang, các cột trụ của ma trận gốc sẽ cho ta một cơ sở của không gian do các vectơ ban đầu sinh ra.

Nói ngắn gọn:

• định thức chỉ là tiêu chuẩn nhanh cho ma trận vuông;
• khử Gauss là công cụ tổng quát hơn để tìm cơ sở và phát hiện phần tử thừa.

5. Số chiều của không gian vectơ

Nếu cơ sở là một bộ hướng gốc, thì số chiều chính là số lượng hướng gốc cần thiết.

Định nghĩa chính thức:

Số chiều của một không gian vectơ hữu hạn chiều là số phần tử trong một cơ sở của nó.

Điểm quan trọng là: mọi cơ sở của cùng một không gian đều có cùng số phần tử. Vì vậy, số chiều là một đại lượng được xác định duy nhất.

Ví dụ:

• đường thẳng qua gốc có số chiều $1$;
• mặt phẳng có số chiều $2$;
• $\mathbb{R}^3$ có số chiều $3$.

Trong trực giác RGB, ta cần đúng ba kênh độc lập để mô tả không gian màu, nên không gian ấy có số chiều $3$.

Cách xác định số chiều bằng ma trận

Nếu một không gian con được sinh bởi các vectơ $v_1,\dots,v_m$, hãy đặt chúng thành các cột của một ma trận rồi khử Gauss. Số cột trụ, hay tương đương là hạng của ma trận, chính là số chiều của không gian con đó.

Vì thế, trong ngôn ngữ ma trận, “đếm số chiều” thực chất là “đếm số hướng độc lập”.

Ví dụ tính toán

Để thống nhất với câu chuyện về không gian màu ở trên, ta lấy ví dụ trong $\mathbb{R}^3$. Giả sử ta có 3 vectơ:

$$ v_1=\begin{bmatrix}1\\0\\1\end{bmatrix},\qquad v_2=\begin{bmatrix}0\\1\\1\end{bmatrix},\qquad v_3=\begin{bmatrix}1\\1\\2\end{bmatrix}. $$

Ba vectơ này sinh ra một không gian con của $\mathbb{R}^3$. Để biết không gian con ấy có số chiều bao nhiêu, ta đặt chúng thành các cột của ma trận

$$ A= \begin{bmatrix} 1 & 0 & 1\\ 0 & 1 & 1\\ 1 & 1 & 2 \end{bmatrix}. $$

Khử Gauss:

$$ \begin{bmatrix} 1 & 0 & 1\\ 0 & 1 & 1\\ 1 & 1 & 2 \end{bmatrix} \xrightarrow{H_3-H_1} \begin{bmatrix} 1 & 0 & 1\\ 0 & 1 & 1\\ 0 & 1 & 1 \end{bmatrix} \xrightarrow{H_3-H_2} \begin{bmatrix} 1 & 0 & 1\\ 0 & 1 & 1\\ 0 & 0 & 0 \end{bmatrix}. $$

Sau phép biến đổi này, ma trận dạng bậc thang có hai hàng khác 0, nên

$$ \operatorname{rank}(A)=2. $$

Vì vậy, không gian do $v_1, v_2$ và $v_3$ sinh ra có số chiều bằng $2$. Nó không lấp đầy toàn bộ $\mathbb{R}^3$ mà thực chất chỉ là một mặt phẳng đi qua gốc tọa độ. Ở đây $v_3$ chính là phần dư (vì $v_3 = v_1 + v_2$), nên việc loại bỏ $v_3$ không làm giảm không gian sinh được của hệ thống.

6. Tọa độ của một vectơ theo một cơ sở

Khi một tập $B={v_1,\dots,v_n}$ là cơ sở, mọi vectơ $v$ trong không gian đều biểu diễn được duy nhất dưới dạng

$$ v=c_1v_1+c_2v_2+\cdots+c_nv_n. $$

Cột hệ số

$$ [v]_B= \begin{bmatrix} c_1\\ c_2\\ \vdots\\ c_n \end{bmatrix} $$

được gọi là tọa độ của $v$ theo cơ sở $B$.

Trong ví dụ RGB, đây chính là “công thức pha màu”: cần bao nhiêu đỏ, bao nhiêu xanh lá, bao nhiêu xanh lam để tạo ra màu đang xét. Với một cơ sở khác, cùng một đối tượng sẽ có một bộ tọa độ khác, vì ta đang dùng một bộ hướng gốc khác để mô tả nó.

Ví dụ tính tọa độ

Xét trong $\mathbb{R}^3$ cơ sở

$$ B=\left\{ v_1 = \begin{bmatrix}1\\0\\0\end{bmatrix}, v_2 = \begin{bmatrix}1\\1\\0\end{bmatrix}, v_3 = \begin{bmatrix}1\\1\\1\end{bmatrix} \right\} $$

và vectơ

$$ v=\begin{bmatrix}2\\5\\3\end{bmatrix}. $$

Ta cần tìm các số $c_1,c_2,c_3$ sao cho

$$ v=c_1v_1+c_2v_2+c_3v_3. $$

Viết ra theo tọa độ, ta được hệ

$$ \begin{cases} c_1+c_2+c_3 = 2,\\ c_2+c_3 = 5,\\ c_3 = 3. \end{cases} $$

Giải ngược từ dưới lên, ta tính được:

• $c_3 = 3$
• $c_2 + 3 = 5 \implies c_2 = 2$
• $c_1 + 2 + 3 = 2 \implies c_1 = -3$

Vì vậy tọa độ của $v$ theo cơ sở $B$ là:

$$ [v]_B= \begin{bmatrix} -3\\ 2\\ 3 \end{bmatrix}. $$

Ý nghĩa của kết quả này rất đơn giản: vectơ $v$ được tạo bởi $-3$ lần $v_1$, $2$ lần $v_2$ và $3$ lần $v_3$.

7. Bảng đối sánh giữa ngôn ngữ ma trận và không gian vectơ

Khi học đại số tuyến tính, ta thường phải qua lại giữa hai cách nhìn: một bên là ma trận để tính toán (để biểu diễn trong máy tính chẳng hạn), một bên là không gian vectơ để hiểu cấu trúc.

Ngôn ngữ ma trận	Ngôn ngữ không gian vectơ
Cột của ma trận	Các vectơ đang xét
Mọi tổ hợp tuyến tính của các cột	Không gian con do các vectơ ấy sinh ra
Cột trụ	Một cơ sở của không gian cột
Hạng của ma trận	Số chiều của không gian sinh bởi các cột
Nghiệm của $Ax=0$	Quan hệ phụ thuộc tuyến tính giữa các cột
Ma trận khả nghịch	Tập cột là một cơ sở của $\mathbb{R}^n$

Ma trận không thay thế trực giác hình học; nó chỉ là công cụ giúp ta kiểm tra các ý tưởng ấy một cách chính xác.

8. Kết luận

Điều quan trọng nhất của bài này có thể gói gọn trong bốn ý:

1. Tổ hợp tuyến tính là cách ta “pha trộn” các vectơ để tạo ra vectơ mới.
2. Một hệ độc lập tuyến tính là một hệ các vectơ không thể được pha trộn từ các vectơ khác.
3. Cơ sở là một tập vectơ vừa sinh ra toàn bộ không gian, vừa không chứa phần dư.
4. Số chiều là số vectơ trong một cơ sở, tức là số hướng độc lập cần thiết để mô tả không gian.

Đọc tiếp

• Phép biến đổi tuyến tính, ma trận biểu diễn và đổi cơ sở: khi đã có cơ sở và tọa độ, ta có thể mô tả cách cả không gian bị biến dạng.
• Kernel, image và định lý rank-nullity: bài này tiếp tục câu chuyện bằng cách hỏi một phép biến đổi đã làm mất những hướng nào và giữ lại những hướng nào.
• Trực giao và trực chuẩn hoá Gram-Schmidt: khi đã có khái niệm cơ sở, bước tiếp theo tự nhiên là tìm những cơ sở “đẹp” hơn, đặc biệt là cơ sở trực chuẩn.