【线性代数】矩阵、向量组和方程组的关系
在线性代数的学习中,我发现矩阵、向量组、方程组这几个概念具有密切联系,连贯性非常强,而且十分抽象难以理解。但是考研中线性代数的题型分值占比又相当可观,为此不得不啃下这把硬骨头。而教辅书籍里是按照知识区块生硬地划分成几个章节,不好理解。
我尝试用自己的思路和理解把这几个概念用直观的方式串起来。
什么是线性关系
在数学中,线性关系指的是两个变量之间的关系,可以用一条直线来表示,例如函数 y = a x + b y=ax+b y=ax+b 的图像就是一条直线。
更具体地说,如果变量 x x x 和 y y y 满足一个方程 y = a x + b y=ax+b y=ax+b,其中 a a a 和 b b b 是常数,那么 x x x 和 y y y 之间就存在线性关系。
在更高维度上,线性关系可以扩展到多变量的情况。比如,假设我们有三个变量
x
,
y
,
z
x,y,z
x,y,z ,它们之间的线性关系可以表示为:
a
x
+
b
y
+
c
z
=
d
a x+b y+c z=d
ax+by+cz=d
其中
a
、
b
、
c
和
d
a 、 b 、 c \text { 和 } d
a、b、c 和 d 是常数。
线性关系的关键特征是,变量之间的关系是通过加权和来表示的,这使得我们可以使用矩阵和向量来更系统地处理和分析这些关系。
- 加权和
在数学中,我们通过给每个变量 x i x_i xi 分配一个权重(系数 a i a_i ai ),然后计算这些加权后的变量的总和。例如
a 1 x 1 + a 2 x 2 + … + a n x n a_{1} x_{1}+a_{2} x_{2}+\ldots+a_{n} x_{n} a1x1+a2x2+…+anxn
为什么要研究线性关系
将问题转换成线性关系去解决有许多实际优势,特别是在计算和分析上。
- 简化计算
线性关系在数学和计算上更简单。例如,线性方程组可以用矩阵方法求解,通过高斯消元法、逆矩阵法等方法,可以系统地找到解。而非线性方程组通常需要更复杂的迭代算法和数值方法。
- 易于理解和解释
线性关系具有简单的几何解释,能够直观地表示为直线或平面。这使得线性模型更容易解释和理解。例如,在二维空间中,线性方程 y = m x + b y=mx+b y=mx+b 表示一条直线。
非线性关系例如 y = e x y=e^x y=ex 等函数,它们在几何上可能表示为曲线、曲面等复杂形状。
- 求解方程组较简单
解线性方程组的方法较为直接且系统,而解非线性方程组的方法复杂多样,通常需要数值方法(如牛顿法、迭代法)进行近似求解。
利用线性方程组解决现实问题
线性方程组是由多个线性方程构成的一个系统。它们在现实世界中有着广泛的应用。
例如,考虑一个经济问题,我们需要分配资源来生产不同的产品。
假设我们有两种产品 x 1 x_1 x1 和 x 2 x_2 x2 ,每种产品都需要不同数量的原材料 a a a 和原材料 b b b 。
具体地,假设:
- 生产一个单位的产品 x 1 x_1 x1 需要的原材料 a 、 b a、b a、b 个数分别为 2、3;
- 生产一个单位的产品 x 2 x_2 x2 需要的原材料 a 、 b a、b a、b 个数分别为 4、2;
此外,我们还知道:
- 可供生产的原材料 a a a 有100个单位库存;
- 可供生产的原材料 b b b 有120个单位库存。
我们可以建立方程组来描述现有的生产材料库存的资源约束,以计算生产多少个产品 x 1 , x 2 x_1,x_2 x1,x2 ,可以刚好消耗完所有库存原材料,达到资源的最大利用率。
于是方程组如下:
{
2
x
1
+
3
x
2
=
100
4
x
1
+
2
x
2
=
120
\left\{\begin{array}{l} 2 x_{1}+3 x_{2}=100 \\ 4 x_{1}+2 x_{2}=120 \end{array}\right.
{2x1+3x2=1004x1+2x2=120
可以看出,它就是一个线性方程组,满足线性方程组的定义。
那么如何解出 x 1 x_1 x1 和 x 2 x_2 x2 呢?
利用矩阵表达线性方程组
在线性代数中,我们可以用矩阵来简化和系统化地表示和求解线性方程组。以之前的经济问题为例,我们建立了以下线性方程组:
{
2
x
1
+
3
x
2
=
100
4
x
1
+
2
x
2
=
120
\left\{\begin{array}{l} 2 x_{1}+3 x_{2}=100 \\ 4 x_{1}+2 x_{2}=120 \end{array}\right.
{2x1+3x2=1004x1+2x2=120
我们可以将这个方程组转换成矩阵形式。首先,把系数排列成矩阵
A
A
A:
A
=
[
2
3
4
2
]
A=\left[\begin{array}{ll} 2 & 3 \\ 4 & 2 \end{array}\right]
A=[2432]
再将变量
x
1
x_1
x1 和
x
2
x_2
x2 排成一个列向量
x
x
x :
x
=
[
x
1
x
2
]
\mathbf{x}=\left[\begin{array}{l} x_{1} \\ x_{2} \end{array}\right]
x=[x1x2]
最后,将常数项排列成另一个列向量
b
\mathbf{b}
b:
b
=
[
100
120
]
\mathbf{b}=\left[\begin{array}{l} 100 \\ 120 \end{array}\right]
b=[100120]
于是,原方程组可以表示为矩阵方程:
A
x
=
b
A\mathbf{x}=\mathbf{b}
Ax=b
通过这种方式,我们将线性方程组的求解问题转化为矩阵运算问题,这不仅简化了计算过程,还能利用矩阵的各种性质和方法来更高效地找到解。
引入向量组,并理解方程组中的线性关系
在理解了如何用矩阵表示线性方程组后,我们可以进一步引入向量组来更直观地表达这些方程的线性关系。
首先,我们将矩阵
A
A
A 的每一列看作一个向量,这些向量组成了一个向量组。具体到我们之前的例子,矩阵
A
A
A 可以表示为以下两个列向量
a
1
\mathbf{a}_1
a1 和
a
2
\mathbf{a}_2
a2:
A
=
[
2
3
4
2
]
=
[
a
1
a
2
]
=
[
2
4
]
[
3
2
]
A=\left[\begin{array}{ll} 2 & 3 \\ 4 & 2 \end{array}\right] =\left[\begin{array}{ll} \mathbf{a}_1\ \mathbf{a}_2 \end{array}\right]= \left[\begin{array}{ll} 2 \\ 4 \end{array}\right]\left[\begin{array}{ll} 3 \\ 2 \end{array}\right]
A=[2432]=[a1 a2]=[24][32]
这样,原方程组可以写成这两个向量的线性组合:
x
1
a
1
+
x
2
a
2
=
b
x_1 \mathbf{a}_1 + x_2 \mathbf{a}_2 = \mathbf{b}
x1a1+x2a2=b
其中
a
1
=
[
2
4
]
,
a
2
=
[
3
2
]
,
b
=
[
100
120
]
。
\mathbf{a}_1 = \left[\begin{array}{c} 2 \\ 4 \end{array}\right],\mathbf{a}_2 = \left[\begin{array}{c} 3 \\ 2 \end{array}\right],\mathbf{b} = \left[\begin{array}{c} 100 \\ 120 \end{array}\right]。
a1=[24],a2=[32],b=[100120]。
这个表示方式突出了向量组的线性关系:我们希望通过适当选择系数
x
1
x_1
x1 和
x
2
x_2
x2,使得向量
b
\mathbf{b}
b 可以表示为
a
1
\mathbf{a}_1
a1 和
a
2
\mathbf{a}_2
a2 的加权和。
这种方式不仅简化了计算,还帮助我们理解线性方程组的几何意义。
具体来说,每一个方程对应于二维平面上的一条直线,而解线性方程组相当于找到这些直线的交点。如果向量 b \mathbf{b} b 位于由 a 1 \mathbf{a}_1 a1 和 a 2 \mathbf{a}_2 a2 所生成的平面内,那么方程组有解,并且 b \mathbf{b} b 可以用 a 1 \mathbf{a}_1 a1 和 a 2 \mathbf{a}_2 a2 的线性组合表示。
通过引入向量组的概念,我们不仅可以更直观地表达线性方程组,还能更好地理解它们的线性关系和几何意义。