MIT 第一课: 方程组的几何解释_写成列向量的线性组合-CSDN博客

本文链接：https://blog.csdn.net/sinat_34857341/article/details/78516139

本文介绍了线性方程组的几何解释，从二维的行图像和列图像出发，讨论了二维和三维空间中线性组合的概念。通过列向量的线性组合来理解方程组的解，强调了列向量是否能覆盖整个向量空间的重要性。文章以MIT线性代数课程为例，解释了当向量在同平面内时，方程组可能无解的情况，并预告了后续将介绍的消元法作为求解线性方程组的方法。

摘要由CSDN通过智能技术生成

以两个方程两个未知数为例

{2 x - y - x + 2 y = 0 = 3

$\left\{ \begin{aligned} 2x-y &=0 \\ -x+2y &= 3 \\ \end{aligned} \right.$

写成矩阵形式为: $\begin{bmatrix} 2 & -1 \\ -1 & 2 \\ \end{bmatrix}$ $\begin{bmatrix} x \ y \ \end{bmatrix}$ = $\begin{bmatrix} 0 \ 3 \ \end{bmatrix}$ , 通常我们把第一个矩阵称为系数矩阵 A，第二个矩阵称为未知向量 $x$ , 右侧的矩阵称为向量 b, 那么线性向量组可以简写为: A $x$ = b

1.1 行图像

#!usr/bin/env python3
# -*- coding:utf-8 -*-

import matplotlib.pyplot as plt

x = [-2, 2, -2, 2]
y = [-4, 4, 0.5, 2.5]

fig, ax = plt.subplots()
plt.axhline(y=0, c='black')
plt.axvline(x=0, c='black')

ax.plot(x[:2], y[:2], x[2:], y[2:])
ax.grid()
fig.savefig("test.png")
plt.show()

image_1bs01j7h71gsu1g191vbet4ft9b9.png-26.3kB

上图是我们都很熟悉的直角坐标系中两直线相交的情况

1.2 列图像

接下来我们按列观察方程组 $x\begin{bmatrix} 2\ -1 \end{bmatrix}$ + $y\begin{bmatrix} -1\\ 2 \end{bmatrix}$ = $\begin{bmatrix} 0\\ 3 \end{bmatrix}$ 把这种按列组合的称之为列向量的线性组合。