数学-线性代数-#1 表示及解方程组的新视角

线性代数-#1 表示及解方程组的新视角

学习线性代数之前,我们解n元一次方程组的方法(消元法)着眼于行,把每一行当成一个独立的整体进行处理,最后将各行联系起来求解。

而线性代数为我们提供了一个新视角:着眼于列。

以二元一次方程组为例,即把方程组表示为系数x乘以未知数x的系数组成的列向量v1与系数y乘以未知数y的系数组成的列向量v2通过平行四边形/三角形法则相加后得到方程组每一行的常数项所组成的列向量v3。

在这个视角下,我们可以发现:

1.代数学中的方程组可以通过向量的画法表示为几何学中的列图像。向量为代数学和几何学建立了一座桥梁,使几何学的相关结论可以运用到对方程组和解的分析中;

2.解方程组可以理解为找使得列向量v1和列向量v2的线性组合等于列向量v3的系数x和y。而具体怎么找,我们将引入消元法这一系统求解方法;

3.n元一次方程组是否有解的问题等价于n个列向量的所有线性组合是否能够覆盖整个n维空间,也就是这些列向量是否全部共面。

为了给列视角下的方程组找到一种比“x*v1+y*v2=v3”的线性组合表示法更简单的表示方法,我们规定了一种形如“Ax=b”的表示方法,名为矩阵。

其中b就是v3,而A为v1和v2的组合,x为x和y的组合,Ax等价于x*v1+y*v2。

在矩阵表示法中,我们可以发现:

求方程组的解,也就是求x。而x=b/A,也就是b乘以A的“倒数”,也就是b乘以A的逆矩阵。这为我们引出了一种求解方程组的全新思路,将在之后的学习中介绍。

原文地址:https://www.cnblogs.com/samaritan-z/p/8336297.html

时间: 2024-08-01 01:27:10

数学-线性代数-#1 表示及解方程组的新视角的相关文章

数学-线性代数-#2 用消元法解线性方程组

线性代数-#2 用消元法解线性方程组 #2实现了#1中的承诺,介绍了求解线性方程组的系统方法--消元法. 既然是一种系统的方法,其基本步骤可以概括如下: 1.将方程组改写为增广矩阵: 为了省去传统消元法中反复出现但是没有应用价值的未知数符号和运算符,我们可以将线性方程组表示为增广矩阵的形式,也就是把"Ax=b"中的b附在A右侧; 2.确定第一列中的一个非零元素为主元,以方框框起示之.此元素所在行即为主元行: 一般第n个主元选在第n行.若在进行行变换(交换上下行)后仍没有可供选择的非零元

杜立特尔法解方程组

试编出下列子程序: (1)实现矩阵三角分解A=LU: (2)利用分解因子L,U解方程组AX=b(即先求解LY=b 再求解UX=Y)的子程序. 利用上述子程序解线性方程组AX=bk(k=1,2,-,10),其中 A=1  2 4  7  11  16 2 3  5  8 12  17 4 5  6  9 13  18 7 8  9  10 14 19 11 12 13 14 15  20 16 17 18 19 20  21 b1为任一非零的六元向量:若记Xk为AX= bk的解向量,则取bk+1=

用列主元消去法分别解方程组Ax=b,用MATLAB程序实现(最有效版)

数值分析里面经常会涉及到用MATLAB程序实现用列主元消去法分别解方程组Ax=b 具体的方法和代码以如下方程(3x3矩阵)为例进行说明: 用列主元消去法分别解方程组Ax=b,用MATLAB程序实现: (1) 1. 实现该方程的解的MATLAB代码可以分为两种,一种是入门级别的,只是简单地计算出这道题即可,第二种是一种通用的代码,可以实现很多3x3矩阵的方程解,写好以后只需要改不同矩阵里的元素即可算出相应的解,需要建立在对MATLAB比较熟悉的基础上,具体如下: 第一种代码实现-入门级: A=[3

数学-线性代数-#6 线性代数-#6 向量空间、列空间、R^n与子空间

线性代数-#6 向量空间.列空间.Rn与子空间 让我们回想一下#1的内容,当我们在用向量的新视角看待线性方程组时,曾经提到以"向量的图像"作为代数学与几何学桥梁的想法. 而现在,让我们沿着这个想法深入探索下去,将其作为开启线性代数核心学习的钥匙. 引入新概念:向量空间. 什么是向量空间?我们把向量构成的空间叫做向量空间. 为了简化问题,我们先假定研究的对象是某个元素数为2或3的非零向量. 回归到向量的几何定义,一条有向的线段.这条线段会覆盖从起点到终点的区域.显然,这个区域不足以以&q

数学-线性代数导论-#9 Ax=b的解:存在性、解法、解的数量、解的结构

线性代数导论-#9 Ax=b的解:存在性.解法.解的结构.解的数量 终于,我们在b为参数的一般情况下,开始分析Ax=b的解,包括标题中的四个方面. 首先是解的存在性. 从几何上说,当且仅当向量b位于列空间C(A)内时,Ax=b有解: 从代数上说,不能出现类似于"非0数=0"的矛盾方程: 1.这为我们判定是否有解提供了一个简便的途径: 根据Gauss消元法中对A和b进行行变换的同步性,行的相同线性组合其值一定相同. 所以加入A中各行可以通过简单的线性组合得到零行,而b进行相同线性组合的结

数学 - 线性代数 - #12 向量空间的衍生:矩阵空间、微分方程的解、图

线性代数导论-#12 向量空间的衍生:矩阵空间.微分方程的解.图 凡是可以进行加法和数乘运算的对象,我们都可以将其视为向量. 凡是对加法和数乘封闭的集合,我们都可以将其视为空间. 分析空间时,我们着眼于其维度和基. 矩阵空间:把矩阵视为向量 矩阵空间的维度与基 矩阵空间的交集与"合集" 秩1矩阵:rank = 1 的矩阵 特性 用途 微分方程的解:把函数视为向量 图: 图的概念 Graph = { Nodes, Edges } Small World Graph 图的两个任意节点之间最

三种迭代法解方程组(雅可比Jacobi、高斯-赛德尔Gaisi_saideer、逐次超松弛SOR)

分析用下列迭代法解线性方程组 4 -1 0 -1 0 0       0 -1 4 -1 0 -1 0        5 0 -1 4 -1 0 -1        -2 -1 0 -1 4 -1 0        5 0 -1 0 -1 4 -1        -2 0 0 -1 0 -1 4         6 的收敛性,并求出使||Xk+1-Xk||2<=0.0001的近似解及相应的迭代次数. (1)     雅可比迭代法: (2)     高斯-赛德尔迭代法: (3)     SOR迭代

数学-线性代数-#5 矩阵变换之置换与转置

线性代数-#5 矩阵变换之置换与转置 在之前的基础课程中,我们以用于解线性方程组的Gauss消元法为主线,介绍了矩阵语言这一表示法如Ax=b,介绍了一些特殊的矩阵如单位矩阵I.初等矩阵E.上三角矩阵U.下三角矩阵L,学习了矩阵乘法这一矩阵的基本运算,学习了矩阵变换中的逆变换,并运用它们进行了矩阵的LU分解.在真正进入线性代数的大门之前,我们还需要配齐两种实现矩阵变换的工具,就是之前已经提及的置换与转置. 首先是置换. 置换操作,也即行交换,通过左乘置换矩阵P来实现,可以应对解Ax=b过程中主元位

数学-线性代数导论-#11 基于矩阵A生成的空间:列空间、行空间、零空间、左零空间

线性代数导论-#11 基于矩阵A生成的空间:列空间.行空间.零空间.左零空间 本节课介绍和进一步总结了如何求出基于一个m*n矩阵A生成的四种常见空间的维数和基: 列空间C(A),dim C(A) = r,基 = { U中主元列对应的原列向量 }: 行空间C(AT), dim C(AT) = r,基 = { U中的主元行 }: 1.为什么行空间不表示为R(A)而表示为C(AT)? 因为转置是矩阵的行与列之间的桥梁. 既然我们已经研究过列空间,通过转置,我们可以将行空间视为转置矩阵的列空间. 2.行