线性代数公开课笔记1

---

因为后面要用到矩阵的变换,所以复习了一下线性代数,做个笔记方便回查

---

1. 二维方程组开始

假设有个方程组如下:

$$\begin{array}{rl}& 2x-y=0\\ & -x+2y=3\end{array}$$

求一下解
$$\begin{array}{rl}& x=1\\ & y=2\end{array}$$

解方程组的关键在于未知数前面的系数, 于是把系数按行写成矩阵的形式
形如
$$Ax=b$$
具体如下
$$\left[\begin{array}{cc}2& -1\\ -1& 2\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{c}0\\ 3\end{array}\right]$$

然后再画出几何图形的图像, 就是两条线相交了:

# %matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.pyplot import MultipleLocator
#从pyplot导入MultipleLocator类，这个类用于设置刻度间隔
  
x_values=np.linspace(-7,7,1000)
y_values=2 * x_values
y2_values = (3 + x_values)/2.0
L1, = plt.plot(x_values,y_values,c='green', label='2x-y=0') #注意加','逗号
L2, = plt.plot(x_values,y2_values,c='red', label='-x+2y=3')
p_x = 1
p_y = 2
plt.plot(p_x,p_y,marker='o')
plt.annotate("({},{})".format(p_x, p_y), (p_x, p_y), xytext=(-10, 10), textcoords='offset points')
plt.legend(handles=[L1,L2],labels=['2x-y=0','-x+2y=3'] ,loc='best')
plt.title('lines',fontsize=24)
plt.tick_params(axis='both',which='major',labelsize=14)
plt.xlabel('X',fontsize=14)
plt.ylabel('Y',fontsize=14)
x_major_locator=MultipleLocator(2)
#把x轴的刻度间隔设置为1，并存在变量里
y_major_locator=MultipleLocator(2)
#把y轴的刻度间隔设置为1，并存在变量里
ax=plt.gca()
#ax为两条坐标轴的实例
ax.xaxis.set_major_locator(x_major_locator)
#把x轴的主刻度设置为1的倍数
ax.yaxis.set_major_locator(y_major_locator)
#把y轴的主刻度设置为10的倍数
plt.xlim(-3,3)
#把x轴的刻度范围设置为-0.5到11，因为0.5不满一个刻度间隔，所以数字不会显示出来，但是能看到一点空白
plt.ylim(-5,5)
#把y轴的刻度范围设置为-5到110，同理，-5不会标出来，但是能看到一点空白
plt.show()

方程组也可以按列写成矩阵的形式, 这点非常重要算是线性代数的启蒙了

$$x\cdot \left[\begin{array}{c}2\\ -1\end{array}\right]+y\cdot \left[\begin{array}{c}-1\\ 2\end{array}\right]=\left[\begin{array}{c}0\\ 3\end{array}\right]$$

用上面求出来的解$$\begin{gathered} x=1 \\ y=2 \end{gathered}$$带进去看:
$$1\cdot \left[\begin{array}{c}2\\ -1\end{array}\right]+2\cdot \left[\begin{array}{c}-1\\ 2\end{array}\right]=\left[\begin{array}{c}0\\ 3\end{array}\right]$$
然后我们也可以把的几何图形画出来,可以发现按列画的图是向量图:

import numpy as np 
import matplotlib.pyplot as plt 

plt.figure()
ax = plt.gca() 
X, Y, U, V = [0, 0, 2, -1]
ax.quiver(X, Y, U, V, angles='xy', scale_units='xy', scale=2) 
X1, Y1, U1, V1 = [0, 0, -1, 2]
ax.quiver(X1, Y1, U1, V1, angles='xy', scale_units='xy', scale=1)
X2, Y2, U2, V2 = [0, 0, 0, 3]
ax.quiver(X2, Y2, U2, V2, [255,0 ,0],angles='xy', scale_units='xy', scale=2)
ax.set_xlim([-3, 3]) 
ax.set_ylim([-3, 3]) 
plt.grid()
plt.draw() 
plt.show() 

可以看到
$$向量\left[\begin{array}{c}2\\ -1\end{array}\right]向量\left[\begin{array}{c}-1\\ 2\end{array}\right]按1和2的组合,组成了向量\left[\begin{array}{c}0\\ 3\end{array}\right]$$
不一定非得是$x=1$和$y=2$ 来组合, 其实$x$, $y$ 还有很多种组合,这种x,y按 $x\cdot a+y\cdot b=c$ 形式进行的组合我们称为线性组合, 而1 和 2 就是 $$向量\left[\begin{array}{c}2\\ -1\end{array}\right],向量\left[\begin{array}{c}-1\\ 2\end{array}\right]的一组线性组合$$

2. 发散到高维看看

方程是这个样子:
$$\begin{array}{rlr}& & 2x-y=0\\ & -& x+2y-z=3\\ & & -3y+4z=4\end{array}$$

一样按行,也就是$Ax=b$的形式把它化成矩阵的样子(这么化需要xyz在方程中保持这个顺序)
$$\left[\begin{array}{ccc}2& -1& 0\\ -1& 2& -1\\ 0& -3& 4\end{array}\right]\cdot \left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{c}0\\ 3\\ 4\end{array}\right]$$
画出在三维中的图:

换了个角度估计好看点。。。。这图把我画🤮了

下面是代码，还好有很多大佬的模板，不然我没了

# 创建画布
fig = plt.figure(figsize=(12, 8),
                 facecolor='lightyellow'
                )

# 创建 3D 坐标系
ax = fig.gca(fc='whitesmoke',
             projection='3d' 
            )# 二元函数定义域平面
x = np.linspace(0, 9, 9)
y = np.linspace(0, 9, 9)
X, Y = np.meshgrid(x, y)

# -------------------------------- 绘制 3D 图形 --------------------------------
# 平面 y=2x 的部分
ax.plot_surface(X=X,
                Y=2*X,
                Z=Y,
                color='g',
                alpha=0.6
               ) 

 # 平面 x+2y−z=3 的部分
ax.plot_surface(X=X,
                Y=Y,
                Z=X-2*Y+3,
                color='y',
                alpha=0.6
               )  

# 平面 -3y+4z = 4 的部分
ax.plot_surface(X=X,
                Y=Y,
                Z=(4+3*Y)/4.0, 
                color='r',
                alpha=0.6
               )   
ax.scatter3D([2.67],[5.3],[5], c = 'black', marker = '^')
# --------------------------------  --------------------------------
# 设置坐标轴标题和刻度
ax.set(xlabel='X',
       ylabel='Y',
       zlabel='Z',
       xlim=(-9, 9),
       ylim=(-9, 9),
       zlim=(-9, 9),
       xticks=np.arange(-9, 9, 1),
       yticks=np.arange(-9, 9, 1),
       zticks=np.arange(-9, 9, 1)
      )


# 调整视角
ax.view_init(elev=75,    # 仰角
             azim=80   # 方位角
            )
     
# 显示图形
plt.show()

我们发现其实它是三个平面相交于一个点, 也就是图中的黑色三角型：
位于这个点

import numpy as np
from numpy.linalg import solve
a=np.mat([[2,-1,0],[-1,2,-1],[0,-3,4]])#系数矩阵
b=np.mat([0,3,4]).T    #常数项列矩阵
x=solve(a,b)        #方程组的解
-------
matrix([[2.66666667],
        [5.33333333],
        [5.        ]]) 

现在按列化成矩阵:
$$x\left[\begin{array}{c}2\\ -1\\ 0\end{array}\right]+y\left[\begin{array}{c}-1\\ 2\\ -3\end{array}\right]+z\left[\begin{array}{c}0\\ -1\\ 4\end{array}\right]=\left[\begin{array}{c}0\\ 3\\ 4\end{array}\right]$$

画出向量图
这图画的我报警了，可能还画错了，以后再补补吧。。。

from mpl_toolkits.mplot3d import axes3d
import matplotlib.pyplot as plt 
import numpy as np

fig = plt.figure()
ax = fig.gca(projection='3d')
x,y,z = np.array([0]), np.array([0]), np.array([0])

# direction
u1 = np.array([ 2, 0, 0])
v1 = np.array([ 0, -1, 0])
w1 = np.array([0, 0, -3])
ax.quiver(x,y,z,u1,v1,w1, length=1, normalize=False, color='b')

u2 = np.array([ -1, 0, 0])
v2 = np.array([ 0, 2, 0])
w2 = np.array([0, 0, -1])
ax.quiver(x,y,z,u2,v2,w2, length=1, normalize=False, color='g')

u3 = np.array([ 0, 0, 0])
v3 = np.array([ 0, -1, 0])
w3 = np.array([0, 0, 4])
ax.quiver(x,y,z,u3,v3,w3, length=1, normalize=False, color='g')

u4 = np.array([ 0, 0, 0])
v4 = np.array([ 0, 3, 0])
w4 = np.array([0, 0, 4])
ax.quiver(x,y,z,u4,v4,w4, length=1.5, normalize=False, color='g')

ax.view_init(elev=30,    # 仰角
             azim=30   # 方位角
            )
plt.show()

3. 思考一下

1. 对于任意b, 形如$Ax+b$是否永远有解?
2. 任意的b意味着在空间上的任意一个向量, 如果一定有解说明线性组合的向量能覆盖整个三维空间
3. 但是其实有些情况不可能覆盖,比如两个向量在一个平面上, 而要组成的向量在垂直与这个平面的方向上有分量,那么任何在平面上的向量对于这个分量都不可能有贡献
4. 出现3里的这种情况$A$时, 那么我们说这个矩阵是不对所有b都有解的, 意味着给定一个b 去除以这个A有可能没有解的, 也就是说$b\cdot A^{(}-1)$ 没解, 于是A也是不可逆的, 我们统称这样的A为奇异矩阵.

4. 向量的乘法

推荐按列来弄这样可以看得到组合,工整漂亮:
$$\left[\begin{array}{cc}2& -5\\ 1& 3\end{array}\right]\left[\begin{array}{c}1\\ 2\end{array}\right]=1\left[\begin{array}{c}2\\ 1\end{array}\right]+2\left[\begin{array}{c}-5\\ 3\end{array}\right]=\left[\begin{array}{c}-8\\ 7\end{array}\right]$$

当然也可以点乘法按行来看:
$$\left[\begin{array}{cc}2& -5\\ 1& 3\end{array}\right]\left[\begin{array}{c}1\\ 2\end{array}\right]=\left[\begin{array}{c}2\ast 1-5\ast 2\\ 1\ast 1+2\ast 3\end{array}\right]=\left[\begin{array}{c}-8\\ 7\end{array}\right]$$

参考文献

latex 公式大全
latex 在线编辑文档和教学
latex 图片转公式工具
matplotlib 官方文档
matplotlib 点的标注
python 解方程组
3维matplotlib画图