01-方程组的几何解释

最新推荐文章于 2024-07-20 10:40:46 发布

啥也不会写

最新推荐文章于 2024-07-20 10:40:46 发布

阅读量181

点赞数

分类专栏：线性代数导论文章标签：线性代数

本文链接：https://blog.csdn.net/u011057976/article/details/102983252

版权

线性代数导论专栏收录该内容

2 篇文章 0 订阅

订阅专栏

从方程组开始

$\begin{Bmatrix} 2x-y=0 \\ -x+2y=3 \end{Bmatrix}$ ${\color{Red} \Rightarrow}$ $\begin{bmatrix} 2 &-1 \\ -1&2 \end{bmatrix}$ * $\binom{x}{y}$ = $\begin{bmatrix} 0\\3 \end{bmatrix}$

A * X = B

row picture

线性方程组图像：方程的解就是所有函数的交点(matplotlib绘制,代码如下)

import numpy
from matplotlib import pyplot as plt


public_x = numpy.arange(-10,10,1)
public_y = numpy.arange(-20,20,1)
y = 2*public_x

n = (3+public_x)/2
plt.title("row picture show")

plt.xlabel("x")
plt.ylabel("y")
x_zhou = public_x-public_x
plt.plot(public_x,x_zhou,color="black",linewidth=2) #x轴
plt.plot([0 for i in range(public_y.size)],public_y,color="black",linewidth=2) #y轴

plt.plot(public_x,y) #2x-y = 0
plt.annotate("2x-y=0",xy=(-5,-10),xytext=(-7.5,-16))
plt.plot(public_x,n) #-x+2y = 3
plt.annotate("-x+2y=3",xy=(-9,-2),xytext=(-9,-3))

plt.plot([1],[2],'ro',color="red") #交点（1，2）
plt.annotate("x=1,y=2",xy=(1,2),xytext=(0.25,5),arrowprops=dict(facecolor="green",shrink=0.05))

plt.show()

总结：引入矩阵,矩阵A与一个矩阵X相乘, 得出另外一个矩阵B,

$\begin{Bmatrix} 2x-y=0 \\ -x+2y=3 \end{Bmatrix}$ $\Rightarrow$ $x*\begin{bmatrix} 2\\ -1 \end{bmatrix}+y*\begin{bmatrix} -1\\ 2 \end{bmatrix}=\begin{bmatrix} 0\\ 3 \end{bmatrix}$

column picture

$1*\begin{bmatrix} 2\\ -1 \end{bmatrix}+2\begin{bmatrix} -1\\ 2 \end{bmatrix}=\begin{bmatrix} 0\\ 3 \end{bmatrix}$

总结:从列的角度看,就是两个向量以什么样的方式组合相加得到目标向量

图像代码:

from matplotlib import pyplot
import numpy

if __name__ == "__main__":

    vector_1 = numpy.array([[0,0],[2,-1]])
    vector_2 = numpy.array([[0,0],[-1,2]])
    print(vector_1[:,:1])
    print(vector_2[:,0])

    pyplot.xlim(-8,8)
    pyplot.ylim(-8, 8)

    x_y_zhou = numpy.arange(-8,8)
    pyplot.plot(x_y_zhou,[0 for i in range(x_y_zhou.size)],linewidth=2,color="black")#x轴
    pyplot.plot([0 for i in range(x_y_zhou.size)],x_y_zhou, linewidth=2, color="black")#y轴

    pyplot.plot([i for i in vector_1[:, 0]], [i for i in vector_1[:, 1]],linewidth=2,color="blue")#向量(2,-1)
    pyplot.plot([i for i in vector_2[:,0]],[i for i in vector_2[:, 1]],linewidth=2,color="red")#向量(-1，2)

    pyplot.plot([i for i in 2*vector_2[:, 0]], [i for i in 2*vector_2[:, 1]], linewidth=1, color="green")#2倍向量(-1,2)
    pyplot.plot([i for i in 2*vector_2[:, 0]], [4 for i in range(len(vector_2[:,1]))], linewidth=2, color="gray",linestyle="--")#辅助线
    #设向量（1，-2）与y轴下方夹角为a  tan(a)=2/(-1)=-2
    #从（-2.4）点做向量（1，-2）平行线,与y轴上方相交 夹角也为a 对角相等,水平线法则,tana=-2 对边为2 得临边为1,故 与y轴交点为(0,4-1)
    pyplot.plot([0,-2],[3,4],color="blue")
    pyplot.plot([0,0],[0,3],color="orange",linewidth=2)
    pyplot.plot([0],[3],'ro')


    pyplot.show()

总结:

看待矩阵的两种重要视角:

1，以 每行一组 看待, 视为线性方程求解几何图形的交点

2，以 每列一组 看待, 视为 n维多个向量如何组合出目标向量