MIT 线性代数 1-3讲 笔记:方程组的几何解释,矩阵消元,矩阵乘法,逆矩阵
第一讲 方程组的集合解释
从行图像,列图像解线性方程组。
二维:
eg:
行图像:
列图像:
所谓行图像,就是在系数矩阵上,一次取一行构成方程,在坐标系上作图。最终解就是两条直线的交点。
列图像可看做求解两个二维向量(2,-1),(-1 , 2)的某种线性组合,使得结果为(0,3)。
任意取x,y可以得到得到任意方向的二维向量,覆盖整个二维平面。
三维:
eg:
行图像:
列图像:
三维的行图像即求三个平面的交点,实际上到了三维就已经很难看出,若到了更高维,行图像显然是不合理的。
而列图像仍是对向量的线性组合,这里变成三个三维向量(2,-1,0),(-1, 2 ,3), (0,-1, 4)的线性组合。列图像的思路显然更加清晰,即寻找线性组合。这里很容易看出x=0,y=0,z=1.
这里讨论了一个问题:对于AX=b,任意b都有解吗?也就是说3*3矩阵A中的列向量是否可以覆盖整个三维空间。
列向量线性不相关则是可以覆盖的,也就是对任意b都能求出解。
第二讲 矩阵消元
这篇文章写得很清楚了,这一节讲了通过消元方法求解复杂方程组(最终消元成上三角形式)
第三讲 矩阵乘法和逆矩阵
这一讲介绍了四种矩阵乘法:行乘列即常规方法,行方法,列方法,列乘行。
详细的阐述:
A * B = C
常规方法:就是大学里学的那种
行方法:看做B中行的线性组合
列方法:看做A中列的线性组合(大学里学过的:左乘行变换,右乘列变换)
列乘行方法:
分块乘法:
逆矩阵&非奇异矩阵:
或
判断是否可逆:
不可逆的解释:A的n维向量不能覆盖整个n维空间;所有线性组合均线在一条直线上。
求可逆矩阵的逆矩阵:
Gause-Jordan (solve 2 aquations at once)
这种方法跟我们大学里学的差不多,不过看完这节课对它有了更深层次点的认识,以前只知道怎么算知其然不知其所以然,
这里面的E可以看做是多个矩阵消元操作的结合,A经过E变换为单位矩阵,,可知E就是,所以,就求得了矩阵A的逆。
参考链接:
ps:这个公众号有几篇对线性代数的精细讲解,可惜后面没更新了,本片笔记有些图片来自这篇文章