一、向量
【定义1.1.1-向量】
R
n
\mathbb{R}^n
Rn(由
n
n
n个实数组成的
n
n
n元组)中的任一元素均为向量。
- 加法:对于 a , b ∈ R n \bold{a},\bold{b}\in\mathbb{R}^n a,b∈Rn,则 a + b = c ∈ R n \bold{a}+\bold{b}=\bold{c}\in\mathbb{R}^n a+b=c∈Rn;
- 数乘:对于 a ∈ R n \bold{a}\in\mathbb{R}^n a∈Rn且 λ ∈ R \lambda\in{\mathbb{R}} λ∈R,则 λ a ∈ R n \lambda\bold{a}\in\mathbb{R}^n λa∈Rn。
- 对于向量而言,我们一般默认 R n \mathbb{R}^n Rn的写法表示列向量。
二、线性方程组
1. 【定义1.1.2-线性方程组】 形如:
a 11 x 1 + . . . + a 1 n x n = b 1 . . . a m 1 x 1 + . . . + a m n x n = b m a_{11}x_1+...+a_{1n}x_n=b_1\\ ...\\ a_{m1}x_1+...+a_{mn}x_{n}=b_{m} a11x1+...+a1nxn=b1...am1x1+...+amnxn=bm
的,我们称之为线性方程组。其中, x 1 , . . . , x n x_1,...,x_n x1,...,xn成为方程组中的未知数。而每个满足线性方程组的 n n n元组 ( x 1 , . . . , x n ) ∈ R n (x_1,...,x_n)\in\mathbb{R}^n (x1,...,xn)∈Rn,我们称之为线性方程组的解。
- 通常来说,我们认为线性方程组的解可以是0个、1个或无穷多个。
- 数形结合:解线性方程组的过程也可以看做在求由各个方程建立的图线的交点坐标。(可以是平面、三维甚至更高维)
2. 线性方程组的另一种表示形式: 我们将上面的线性方程组中的系数提出来构建成为一个向量,就可以得到第二种表述形式:
x
1
[
a
11
.
.
.
a
m
1
]
+
x
2
[
a
12
.
.
.
a
m
2
]
+
.
.
.
+
x
n
[
a
1
n
.
.
.
a
m
n
]
=
[
b
1
.
.
.
b
m
]
x_1 {\left[ \begin{array}{ccc} a_{11}\\ ...\\ a_{m1} \end{array} \right]} +x_2 {\left[ \begin{array}{ccc} a_{12}\\ ...\\ a_{m2} \end{array} \right]} +...+x_n {\left[ \begin{array}{ccc} a_{1n}\\ ...\\ a_{mn} \end{array} \right]} ={\left[ \begin{array}{ccc} b_{1}\\ ...\\ b_{m} \end{array} \right]}
x1⎣⎡a11...am1⎦⎤+x2⎣⎡a12...am2⎦⎤+...+xn⎣⎡a1n...amn⎦⎤=⎣⎡b1...bm⎦⎤
进一步抽象,我们将向量拼凑成矩阵,就可以得到第三种表述形式:
[
a
11
.
.
.
a
1
n
.
.
.
.
.
.
a
m
1
.
.
.
a
m
n
]
[
x
1
.
.
.
x
n
]
=
[
b
1
.
.
.
b
m
]
{\left[ \begin{array}{ccc} a_{11}&...&a_{1n}\\ ...& &...\\ a_{m1}&...&a_{mn} \end{array} \right]} {\left[ \begin{array}{ccc} x_{1}\\ ...\\ x_{n} \end{array} \right]} ={\left[ \begin{array}{ccc} b_{1}\\ ...\\ b_{m} \end{array} \right]}
⎣⎡a11...am1......a1n...amn⎦⎤⎣⎡x1...xn⎦⎤=⎣⎡b1...bm⎦⎤
至此,我们对线性方程组这一概念进行了充分地说明,接下来我们将在1.2中引入矩阵的概念,并在1.3中详细介绍如何利用矩阵知识求解线性方程组。