第4讲 线性代数基础
线性代数是通过一系列的手段“折腾”方程组，抽取其中的系统信息。
线性代数的目的
解线性方程组（线性方程即未知数的次数是1的方程）。
解线性方程组的步骤
- 判断是否有解
- 如何求解
- 如何表示解
线性代数与解析几何的几个经典想法
对于二元线性方程组 { a 11 x 1 + a 12 x 2 = b 1 a 21 x 1 + a 22 x 2 = b 2 \left\{\begin{array}{l}a_{11} x_{1}+a_{12} x_{2}=b_{1} \\ a_{21} x_{1}+a_{22} x_{2}=b_{2}\end{array}\right. {a11x1+a12x2=b1a21x1+a22x2=b2，该方程组的两个方程表示了空间中的两条直线。如果两条直线相交，方程组就有解，且方程组的解就是两条直线的交点；而如果两条直线平行，方程组就无解，两条直线系数对应成比例时平行。
对于三元线性方程组 { a 11 x 1 + a 12 x 2 + a 13 x 3 = b 1 a 21 x 1 + a 22 x 2 + a 23 x 3 = b 2 \left\{\begin{array}{l}a_{11} x_{1}+a_{12} x_{2}+a_{13} x_{3}=b_{1} \\ a_{21} x_{1}+a_{22} x_{2}+a_{23} x_{3}=b_{2}\end{array}\right. {a11x1+a12x2+a13x3=b1a21x1+a22x2+a23x3=b2，该方程组的两个方程表示了空间中的两个平面。如果两个平面相交，则两个平面相交的线为方程组的解，方程组有无穷多个解。如果两个平面平行，方程组就无解，两个平面系数对应成比例时平行。
对于三元线性方程组 { a 11 x 1 + a 12 x 2 + a 13 x 3 = b 1 a 21 x 1 + a 22 x 2 + a 23 x 3 = b 2 a 31 x 1 + a 32 x 2 + a 33 x 3 = b 3 \left\{\begin{array}{l}a_{11} x_{1}+a_{12} x_{2}+a_{13} x_{3}=b_{1} \\ a_{21} x_{1}+a_{22} x_{2}+a_{23} x_{3}=b_{2}\\ a_{31} x_{1}+a_{32} x_{2}+a_{33} x_{3}=b_{3}\end{array}\right. ⎩⎨⎧a11x1+a12x2+a13x3=b1a21x1+a22x2+a23x3=b2a31x1+a32x2+a33x3=b3，该方程组的三个方程表示了空间中的三个平面。三个平面可以两两相交于同一点，这同一点就是这三个方程组的唯一解；也可以两两相交于同一线，这就是无穷多解的情况；也可以至少两个平面重合且与第三个平面相交（含三个平面都重合的情况），这也是无穷多解的情况；当然，至少有一个平面不与其它平面相交（如三个平面相互平行，或者两个平面重合并与第三个平面平行的情况），或者三个平面的交线既不重合也不相交于同一点，那这就是无解了。
解线性方程组的方法论
受到解低维线性方程组的启发，更一般地来说，对于 n n n元线性方程组 { a 11 x 1 + a 12 x 2 + a 13 x 3 + ⋯ + a 1 n x n = b 1 a 21 x 1 + a 22 x 2 + a 23 x 3 + ⋯ + a 2 n x n = b 2 … a n 1 x 1 + a n 2 x 2 + a n 3 x 3 + ⋯ + a n n x n = b n \left\{\begin{array}{l}a_{11} x_{1}+a_{12} x_{2}+a_{13} x_{3}+\dots+a_{1n} x_{n}=b_{1} \\ a_{21} x_{1}+a_{22} x_{2}+a_{23} x_{3}+\dots+a_{2n} x_{n}=b_{2}\\\dots\\ a_{n1} x_{1}+a_{n2} x_{2}+a_{n3} x_{3}+\dots+a_{nn} x_{n}=b_{n}\end{array}\right. ⎩⎪⎪⎨⎪⎪⎧a11x1+a12x2+a13x3+⋯+a1nxn=b1a21x1+a22x2+a23x3+⋯+a2nxn=b2…an1x1+an2x2+an3x3+⋯+annxn=bn，要解方程组，核心思想就是要提取这些方程组的系统信息，然后用消元方法解方程组。利用线性代数中的矩阵和矩阵的乘法，就能很好地将方程组的系统信息提取出来。
矩阵
如何看待矩阵
对于二元线性方程组 { a 11 x 1 + a 12 x 2 = b 1 a 21 x 1 + a 22 x 2 = b 2 \left\{\begin{array}{l}a_{11} x_{1}+a_{12} x_{2}=b_{1} \\ a_{21} x_{1}+a_{22} x_{2}=b_{2}\end{array}\right. {a11x1+a12x2=b1a21x1+a22x2=b2，其系数矩阵为 [ a 11 a 12 a 21 a 22 ] \begin{bmatrix} a_{11}& a_{12}\\ a_{21}& a_{22} \end{bmatrix} [a11a21a12a22]，要判断该线性方程组是否有解，只需要判断其系数矩阵的一个行向量（或列向量）是否可以被另一个行向量（或列向量）线性表示。
对于 n n n元线性方程组也是类似的，要判断该线性方程组是否有解，只需要判断其系数矩阵的一个行向量（或列向量）是否可以被剩余的行向量（或列向量）线性表示。将所有能被剩余的向量线性表示的向量都替换为0，而不能被剩余的向量线性表示的向量的个数即为矩阵的秩，代表了矩阵的本质属性。然后可以根据矩阵的秩讨论线性方程组解的情况，具体可以参照线性代数中的相关知识。
矩阵秩的求法
可以对矩阵做初等行变换，将其化简为阶梯形矩阵求矩阵的秩。
对于形状为 n × m n\times m n×m的矩阵其秩 R ≤ m i n ( n , m ) R\le min(n,m) R≤min(n,m)。
矩阵的基
根据矩阵的秩 R R R在矩阵中找一个 R R R阶不为0的行列式（这样的行列式至少可以找到一个），将行列式中的元素按顺序排列成一个矩阵，这个矩阵就是原矩阵的一个基。
矩阵的逆
矩阵逆的求法
用初等行变换求逆矩阵。对矩阵 ( A , E ) (A,E) (A,E)进行初等行变换，使其变成 ( E , B ) (E,B) (E,B),则 B B B就是 A A A的逆矩阵 A − 1 A^{-1} A−1。
矩阵逆的性质
A ⋅ A − 1 = E A\cdot A^{-1}=E A⋅A−1=E
行列式
行列是什么
行列式是一种运算法则，和 + 、 − +、- +、−类似，可以算出一个数。当然行列式也可以看作是一个数。
行列式的几何意义
对于行列式 ∣ a 1 a 2 b 1 b 2 ∣ \begin{vmatrix} a_1& a_2\\ b_1& b_2 \end{vmatrix} ∣∣∣∣a1b1a2b2∣∣∣∣，其对应的矩阵为 [ a 1 a 2 b 1 b 2 ] \begin{bmatrix} a_{1}& a_{2}\\ b_{1}& b_{2} \end{bmatrix} [a1b1a2b2]，其行向量 α 1 = \alpha_1= α1= [ a 1 a 2 ] \begin{bmatrix} a_{1}& a_{2}\end{bmatrix} [a1a2]， α 2 = \alpha_2= α2= [ b 1 b 2 ] \begin{bmatrix} b_{1}& b_{2}\end{bmatrix} [b1b2]，将这两个向量画在下图中。
可以发现图中黄色平行四边形的面积 S = − a b s i n ( α − β ) S=-absin(\alpha-\beta) S=−absin(α−β)，其中各符号的含义如图中标注所示。另外顺时针面积为负，逆时针面积为正，这是个有向面积，由于图中画的是顺时针，所以前面还要带一个负号，才是实际面积。然后化简得 S = a 1 b 2 − a 2 b 1 S=a_1b_2-a_2b_1 S=a1b2−a2b1。
综上，二阶行列式的几何意义是平行四边形的面积。
三阶行列式的几何意义是平行六面体的体积。
n n n阶行列式的几何意义是 n n n维超立方体的体积。
因此，如果行列式的值为0，则其对应的矩阵有多余的（不独立）的向量；反之，则其对应的矩阵是满秩的。
总结
线性代数的目的是要解线性方程组，可以与解析几何巧妙地结合。
可以从线性方程组的系数中提取出信息，将其构建为矩阵，并且将未知数也表示为一个矩阵，就可以用矩阵的乘法表示线性方程组。
矩阵中独立的（线性无关的）向量个数是矩阵的秩，反应了矩阵的本质属性。
根据矩阵的秩 R R R在矩阵中找一个 R R R阶不为0的行列式，将行列式中的元素按顺序排列成一个矩阵，这个矩阵就是原矩阵的一个基。
行列式是一种运算法则，其几何意义是两个向量构成的平行四边形的面积（以二阶行列式为例）。
977
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
