1 高斯消元法与矩阵乘法
1.1 矩阵乘法:
对于:
它表达了两个过程:
- 第一行不变: r 1 ′ = r 1 r_1'=r1 r1′=r1
- 第二行改变: r 2 ′ = r 2 − 3 r 1 r_2'=r_2-3r_1 r2′=r2−3r1
用矩阵乘法可以表示为:
1.2 矩阵乘法与高斯消元法
利用矩阵乘法,整个高斯消元法可以表示如下:
所以对于方程:
( 1 2 3 3 4 5 ) \begin{pmatrix}1&2&3\\3&4&5\end{pmatrix} (132435)
我们得到了如下的答案:
( 1 0 − 1 0 1 2 ) ⟹ { x = − 1 y = 2 \begin{pmatrix}1&0&-1\\0&1&2\end{pmatrix}\Longrightarrow\begin{cases}x=-1\\y=2\end{cases} (1001−12)⟹{x=−1y=2
2 对矩阵乘法的理解
对矩阵乘法的理解,更正确的观点是把矩阵看作函数。
2.1 矩阵是一个函数
下面是一个简单的一次函数:
a x = y ax=y ax=y
换一种方式理解:
a x + 0 y = 0 x + y ax+0y=0x+y ax+0y=0x+y
整个过程可以理解为把 ( x , 0 ) (x,0) (x,0)点映射到 ( 0 , a x ) (0,ax) (0,ax)点:
我们也可以通过矩阵
A
x
⃗
=
y
⃗
A\vec{x}=\vec{y}
Ax=y 来完成这样的映射。此时,令:
A = ( 0 1 a 0 ) A=\begin{pmatrix}0&1\\a&0\end{pmatrix} A=(0a10)
此时:
A x ⃗ = ( 0 1 a 0 ) ( x 0 ) = ( 0 a x ) A\vec{x}=\begin{pmatrix}0&1\\a&0\end{pmatrix}\begin{pmatrix}x\\0\end{pmatrix}=\begin{pmatrix}0\\ax\end{pmatrix} Ax=(0a10)(x0)=(0ax)
2.2 矩阵的优点
对于:
a x = y , x ∈ R , y ∈ R ax=y,x\in R,y\in R ax=y,x∈R,y∈R
这只能完成实数到实数的映射:
x → y ⟹ R → R x\to y\Longrightarrow R\to R x→y⟹R→R
但是如果我们使用矩阵 A A A:
A x ⃗ = y ⃗ , x ⃗ ∈ R n , y ⃗ ∈ R m A\vec{x}=\vec{y},\vec{x}\in\mathbb{R}^n,\vec{y}\in\mathbb{R}^m Ax=y,x∈Rn,y∈Rm
此时可以完成更广泛的映射:
x ⃗ → y ⃗ ⟹ R n → R m \vec{x}\to\vec{y}\Longrightarrow \mathbb{R}^n\to\mathbb{R}^m x→y⟹Rn→Rm
为了完成上述的映射,矩阵 A A A此时已经不再是系数 a a a了,而是一个函数(或者说是映射)。
假设 x ⃗ \vec{x} x所在平面为 V V V,而 y ⃗ \vec{y} y所在平面为 W W W, x ⃗ \vec{x} x通过矩阵 A A A映射到了 y ⃗ \vec{y} y,可以通过如下的图进行表示:
A
A
A这个映射的特殊之处是,
V
V
V上的直线通过
A
A
A映射到
W
W
W上也是直线:
所以矩阵也被称为线性映射。
2.2 矩阵函数的工作方式
具体的矩阵作为例子
通过一个具体的例子来进行理解,令:
A = ( 1 − 1 1 1 ) a ⃗ = ( 1 1 ) b ⃗ = ( 0 2 ) A=\begin{pmatrix}1&-1\\1&1\end{pmatrix}\quad\quad\vec{a}=\begin{pmatrix}1\\1\end{pmatrix}\quad\quad\vec{b}=\begin{pmatrix}0\\2\end{pmatrix} A=(11−11)a=(11)b=(02)
此时
a
⃗
\vec{a}
a会通过
A
A
A映射到
b
⃗
\vec{b}
b,用图可进行如下的表示(为了方便理解将上面的3D图变成了2D图):
这里
V
V
V和
W
W
W都是
R
2
\mathbb{R}^2
R2
基
a ⃗ , b ⃗ \vec{a},\vec{b} a,b的基默认为各自向量空间下的自然基,其自然基为:
i ⃗ = ( 1 0 ) j ⃗ = ( 0 1 ) \vec{i}=\begin{pmatrix}1\\0\end{pmatrix}\quad\quad\vec{j}=\begin{pmatrix}0\\1\end{pmatrix} i=(10)j=(01)
所以:
a ⃗ = ( 1 1 ) = 1 i ⃗ + 1 j ⃗ b ⃗ = ( 0 2 ) = 0 i ⃗ + 2 j ⃗ \vec{a}=\begin{pmatrix}1\\1\end{pmatrix}=1\vec{i}+1\vec{j}\quad\quad\vec{b}=\begin{pmatrix}0\\2\end{pmatrix}=0\vec{i}+2\vec{j} a=(11)=1i+1jb=(02)=0i+2j
下图展示了 a ⃗ , b ⃗ \vec{a},\vec{b} a,b在各自向量空间的自然基下的表示:
工作原理
为了说清楚 A A A是怎么工作的,我们把 A A A也用一个空间表示, V V V会通过 A A A映射到 W W W:
这里
a
⃗
\vec{a}
a的基为:
i ⃗ = ( 1 0 ) j ⃗ = ( 0 1 ) \vec{i}=\begin{pmatrix}1\\0\end{pmatrix}\quad\quad\vec{j}=\begin{pmatrix}0\\1\end{pmatrix} i=(10)j=(01)
根据矩阵乘法的规则,KaTeX parse error: Undefined control sequence: \A at position 1: \̲A̲\vec{a}=\vec{b}计算如下:
我们令(此时可以将
c
1
⃗
,
c
2
⃗
\vec{c_1},\vec{c_2}
c1,c2看成另外一组基):
这样看更清晰些:
这也就是说,
A
a
⃗
A\vec{a}
Aa的机制是,坐标保持不变但基发生了变化,所以导致了位置发生变化:
如果我们使用自然基表示
A
x
⃗
A\vec{x}
Ax:
所以整个过程就是基改变,导致向量的坐标发生变化: