Linear algebra1---The geometry of linear equations

1.Introduction

采用mit linear algebra的线性代数课程结构，对线性代数进行复习和总结。

2.线性方程的图像表达

$$\{\begin{array}{rlr}2x-y& =& 0\\ -x+2y& =& 3\end{array}\text{\hspace{1em}(2.1)}$$

2.1row space

（x,y）可以看成是直线1：2x-y=0；直线2：-x+2y=3的交点

2.2column space

从向量的角度出发，向量1 (2, -1) 和向量2 (-1, 2)通过线性组合，叠加处了（0,3）

2.3延伸

row space 本质是求交点，只有方程有解了才能知道交点在那，作用有限。
column space 的思想是用基向量取表示column space中的一个特殊向量，
如果把基向量写成矩阵形式：
$$\left[\begin{array}{cc}2& -1\\ -1& 2\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{c}0\\ 3\end{array}\right]\text{\hspace{1em}(2.2)}$$
这也是线性代数第一部分重点，
$$Ax=b\text{\hspace{1em}(2.3)}$$

2.4思考

对于方程（2.3），有几个解？解是多少？

3.矩阵运算

3.1introduction

既然已经引入了矩阵，当然要总结一下矩阵背后的几何意义，根据几何意义取理解矩阵的常见运算。

3.2矩阵变换的几何意义

推荐观看3Blue1Brown的线性代数视频。向量$\vec{x}$在坐标系中的坐标是由基底决定的，换言之，坐标系由基底决定。矩阵变换看成是对基底进行变换，然后再线性组合。
$$\vec{w}=x\hat{i}+y\hat{j}$$

3.2.1 这种变换是线性变换

方程（2.2）是采取系数矩阵和变量相乘的形式，所以方程（2.2）是典型的线性方程。对应的矩阵变换也是线性变换。满足
$$\{\begin{array}{rlr}T(v1+v2)& =T(v1)+T(v2)& \\ T(cv)& =cT(v)& \end{array}\text{\hspace{1em}(3.1)}$$
这种特点在几何上，则是$T(\vec{0})还是\vec{0}$，原坐标系上的直线变换后也还是直线（直线上的点投影后还是均匀分布）

3.3 计算

3.3.1 Ax=b

• matrix(A) * column(v) = column(w)
  从矩阵变换的几何意义，x是向量v在变换后坐标系$(\hat{i},\hat{j})$中的坐标，b则是其在变换前坐标系（i, j）中的坐标。
  $w中的element是如何计算得到的？$
  观察方程（2.2），$$w_i=Arowi\ast v$$
• row(v) * matrix(A) = row(w)
  和上一例相似，也可以看成是$w=v_1\ast a_{row1}+v_2\ast a_{row2}+...+v_n\ast a_{rown}$

3.3.2 AB=C

可以看成B={b1, b2, …, bn}, AB=A{b1, b2, … , bn}={c1, c2, …, cn}=C.
将B看成是向量的叠加，矩阵相乘中的每个变量都可以求得了。

3.3.3 $\alpha A$

对于向量$\alpha \vec{v}$,可以看成向量中的每个元素都乘以$\alpha$,矩阵可以看成是向量的叠加，所以也是所有变量都要乘以$\alpha$。

3.3.4 运算注意事项

矩阵乘法没有交换律，因为矩阵变换是对基向量的操作，所以变换顺序，改变很大；
矩阵乘法有结合律，AB=C，先进行B变换再进行A变换和直接C变换的效果是等同的。

Reference

[1] https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw
[2] https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/index.htm