【线代笔记】2.1 Vectors and Linear Equations - 向量与线性方程组

2.1 Vectors and Linear Equations - 向量与线性方程组

线性代数的核心问题是求解线性方程组,例如:

x − 2 y = 1 3 x + 2 y = 11 \begin{aligned} x-2y &=1 \\ 3x+2y &=11 \end{aligned} x2y3x+2y=1=11

两个方程都各自表示了位于xy平面中的一条线段,若用行的视角来进行表示

行图像

行视角上可以看出两条线交于一点(3, 2),这就是该方程组的解

如果用列视角来表示,可将线性方程组表示为向量方程,即

x [ 2 1 ] + y [ − 2 2 ] = [ 1 11 ] = b x\begin{bmatrix} 2\\ 1 \end{bmatrix} +y \begin{bmatrix} -2\\ 2 \end{bmatrix}= \begin{bmatrix} 1\\ 11 \end{bmatrix}=b x[21]+y[22]=[111]=b

列视角将左侧的两个的向量进行线性结合得到右侧的向量

列图像

该方程的系数矩阵是一个 2 ∗ 2 2*2 22的矩阵A
A = [ 1 − 2 3 2 ] A= \begin{bmatrix} 1 & -2\\ 3 & 2 \end{bmatrix} A=[1322]

矩阵的行给了我们行的视角,矩阵的列给了我们列的视角。同样的数字、方程,但不一样的图像表达

我们将以上的方程结合为矩阵的问题 A x = b \mathbf{Ax=b} Ax=b

[ 1 − 2 3 2 ] [ x y ] = [ 1 11 ] \begin{bmatrix} 1 & -2\\ 3 & 2 \end{bmatrix} \begin{bmatrix} x\\ y \end{bmatrix}= \begin{bmatrix} 1 \\ 11 \end{bmatrix} [1322][xy]=[111]

含有三个及以上未知数的方程的理解也是一样的,在高维的方程中,列图像更易于理解

关键问题: 如何理解 A x \mathbf{Ax} Ax

  • Multiplication by rows
    A x = [ ( r o w 1 ) ⋅ x ) ( r o w 2 ) ⋅ x ) ( r o w 3 ) ⋅ x ) ] \mathbf{Ax} = \begin{bmatrix} (\mathbf{row1})\cdot \mathbf{x})\\ (\mathbf{row2})\cdot \mathbf{x})\\ (\mathbf{row3})\cdot \mathbf{x}) \end{bmatrix} Ax=(row1)x)(row2)x)(row3)x)

  • Multiplication by columns
    A x = x   ( c o l u m n 1 ) + y   ( c o l u m n 2 ) + z   ( c o l u m n 3 ) \mathbf{Ax}=x\ (\mathbf{column1})+y\ (\mathbf{column2})+z\ (\mathbf{column3}) Ax=x (column1)+y (column2)+z (column3)
    Ax as a combination of the columns of A

单位矩阵 I \mathbf{I} I:只在「主对角线」上有数字1,任何矩阵乘上单位矩阵都不会改变
I = [ 1 0 0 0 1 0 0 0 1 ] a l w a y s   y i e l d s   t h e   m u l t i p l i c a t i o n I x = x \mathbf{I}= \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0& 1 \end{bmatrix}\quad always \ yields\ the \ multiplication\quad \mathbf{Ix=x} I=100010001always yields the multiplicationIx=x
矩阵的标记
A = [ a 11 a 12 a 21 a 22 ] = [ A ( 1 , 1 ) A ( 1 , 2 ) A ( 2 , 1 ) A ( 2 , 2 ) ] A=\left[\begin{array}{ll} {a_{11}} & {a_{12}} \\ {a_{21}} & {a_{22}} \end{array}\right]=\left[\begin{array}{ll} {A(1,1)} & {A(1,2)} \\ {A(2,1)} & {A(2,2)} \end{array}\right] A=[a11a21a12a22]=[A(1,1)A(2,1)A(1,2)A(2,2)]


总结:本节提供了线性方程组的两种观察角度,以及对应的意义和计算方式;单位矩阵;矩阵的标记方式

### Matlab 求解齐次线性方程组 齐次线性方程组是指其右侧常数项均为零的一类线性方程组。这类方程组的求解过程通常涉及以下几个方面:输入系数矩阵、判断矩阵是否满秩以及通过高斯消元法将其转化为行最简形式,从而找到基础解系并最终得出通解[^3]。 以下是具体实现方法: #### 输入系数矩阵 假设有一个齐次线性方程组 \(Ax=0\),其中 \(A\) 是系数矩阵。可以通过定义一个矩阵来表示该方程组的系数部分。例如: ```matlab A = [1, 2, -1; 2, 4, -2; -1, -2, 1]; ``` #### 判断矩阵是否满秩 为了验证是否存在非平凡解(即除了零解之外还有其他解),需要计算矩阵 \(A\) 的秩并列数比较。如果 \(\text{rank}(A)\) 小于矩阵的列数,则存在非平凡解。 ```matlab [m, n] = size(A); if rank(A) < n disp('存在非平凡解'); else disp('只有零解'); end ``` #### 高斯消元法行简化阶梯型 接着使用 `rref` 函数将矩阵转换成行简化阶梯型 (Row Reduced Echelon Form),这有助于识别自由变量及其对应的基础解系。 ```matlab R = rref(A); disp(R); ``` #### 构造基础解系 基于上述结果分析哪些变量是独立变量而哪些又是依赖变量,并据此构建一组线性无关的向量作为基础解系的一部分。最后组合这些向量形成完整的通解表达式。 #### 输出齐次线性方程组的通解 综合以上步骤可得如下码片段用于展示整个流程: ```matlab % 定义系数矩阵 A 和增广矩阵 B A = [1, 2, -1; 2, 4, -2; -1, -2, 1]; % 计算矩阵 A 的秩 m = rank(A); % 获取矩阵维度 [n_rows, n_cols] = size(A); % 如果矩阵不是满秩则继续处理 if m < n_cols % 转换成行简化阶梯型 R = rref(A); % 找到自由变量数目 k=n-m 并生成相应数量的基本解向量 free_vars_num = n_cols - m; % 初始化存储空间保存基本解向量 basis_vectors = zeros(n_cols, free_vars_num); % 假设已知如何提取自由参数位置及对应的单位向量填充至basis_vectors... for i = 1:free_vars_num % 这里省略实际构造逻辑细节 end % 显示所有基本解构成的整体通解形式 syms t1 t2 ... tk real positive; % 符号声明取决于具体情况调整k值大小 general_solution = sum(t .* basis_vectors); % 合并各分量得到总通解 pretty(general_solution); else fprintf('仅有零解\n'); end ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值