没有合适的资源?快使用搜索试试~ 我知道了~
首页超详细MIT线性代数公开课笔记-完整版
资源详情
资源评论
资源推荐

4
第 01 讲 行图像和列图像
Row picture & Column picture
线性方程的几何图像 The geometry of linear equations
线性代数的基本问题就是解 n 元一次方程组。例如:二元一次方程组
32
02
yx
yx
写成矩阵形式就是
3
0
21-
1-2
y
x
其中
A
=
21-
1-2
被称为系数矩阵(coefficient matrix)。
未知数向量通常记为 x=
y
x
而等号右侧的向量记为 b。线性方程组简记为
A
x=b。
行图像 Row Picture
行图像遵从解析几何的描述,每个
方程在平面上的图像为一条直线。找到
符合方程的两个数组,就可以确定出
x-y 平面上的两个点,连接两点可以画
出该方程所代表的直线。两直线交点即
为方程组的解 x=1,y=2。
列图像 Column Picture
在列图像中,我们将系数矩阵写成列向量的形式,则求解原方程变为寻找列向
量的线性组合(linear combination)来构成向量 b。

5
3
0
2
1
1
2
yx
向量线性组合是贯穿本课程的重要概念。对于给定的向量 c 和 d 以及标量 x 和
y,我们将 xc+yd 称之为 c 和 d 的一个线性组合。
从几何上讲,我们是寻找满足如下要求的 x 和 y,使得两者分别数乘对应的列向
量之后相加得到向量
3
0
。其几何图像如下图。
蓝色为向量
1-
2
;
红色为向量
2
1-
;
可以看到当蓝色的向量乘以 1 与红色的
向量乘以 2(红色虚线)后做加法(首尾
相接)就可以得到绿色的向量 b=
3
0
,
由此可得到方程的解 x=1,y=2。
想象一下如果任意取 x,y,则得到的线性组合又是什么?其结果就是以上两个列
向量的所有线性组合将会布满整个坐标平面。
D.C.Lay 的《线性代数及其应用》中,绘制向量
1
1
1
v
和
2
1
2
v
的线性
组合充满整个平面的图像,节点处为向量的整数倍线性组合。
这本书也是难得的好书,作者喜欢利用几何图像来帮助读者理解线性代数中的

6
概念,英文版出到第 5 版了,华章出过中译本。(是不是觉得上面那个图片有点斜,
是斜线造成的错觉呦!)
将以上讨论扩展到三元。图不好弄,所以用了 GS 书里的另一个方程,没有用
视频中的那个!!!这样方程和配图是吻合的。
23x6
4252
6z32
zy
zyx
yx
矩阵形式
2
4
6
13-6
252
321
z
y
x
方程的行图像比较复杂,每一个方程都是三维空间内的一个平面,方程组的解
为三个平面的交点。
画图真不是 GS 的长项,在视频里画的就比较 shi,他自己也承认了。在课本里
他用两个面相交于一条直线画了一个图,然后让这条直线和第三个平面相交画了第
二个图。同样的事,D.C.Lay 一张图分分钟搞定。
方程组列图像为
2
4
6
1
2
3
3
5
2
6
2
1
zyx
如果改变等号右侧的 b 的数值,那么对于行图像而言三个平面都改变了,而对
于列图像而言,三个向量并没有发生变化,只是需要寻找一个新的组合。

7
那么问题来了,是否对于所有的 b,方程
A
x=b 都有解?
从列图像上看,问题转化为“列向量的线性组合是否覆盖整个三维空间?”
反例:若三个向量在同一平面内——比如“列 3”恰好等于“列 1”加“列 2”,
而若 b 不在该平面内,则三个列向量无论怎么组合也得不到平面外的向量 b。此时
矩阵
A
为奇异阵或称不可逆矩阵。在矩阵
A
不可逆条件下,不是所有的 b 都能令
方程
A
x=b 有解。
对 n 维情形则是,n 个列向量如果相互独立——“线性无关”,则方程组有解。
否则这 n 个列向量起不到 n 个的作用,其线性组合无法充满 n 维空间,方程组未必
有解。
从行图像的角度来看,三元方程组是否有解意味着什么?当方程所代表的三个
平面相交于一点时方程有唯一解;三个平面中至少两个平行则方程无解;平面的两
两交线互相平行方程也无解;三个平面交于一条直线则方程有无穷多解。
都是示意图,来看看 GS 和 Lay 的作图差异有多大吧……
矩阵与向量的乘法
列图像:
A
x 是矩阵
A
列向量的线性组合 :
7
12
3
5
2
1
2
1
2
1
31
52
也可以通过将矩阵
A
的行向量和 x 向量进行点积来计算:
7
12
3211
5221
2
1
31
52

8
第 02 讲 矩阵消元
Elimination with matrices
消元法 Method of Elimination
消元法是计算机软件求解线形方程组所用的最常见的方法。任何情况下,只要
是矩阵
A
可逆,均可以通过消元法求得
A
x=b 的解。
此处给出的线性方程组为
A
=
140
183
121
b=
2
12
2
高斯消元法(Gauss elimination)就是通过对方程组中的某两个方程进行适当
的数乘和加(jian)和(fa),以达到将某一未知数系数变为零,从而削减未知数个
数的目的。
我们将矩阵左上角的 1 称之为“主元一”(the first pivot),第一步要通过消元
将第一列中除了主元之外的数字均变化为 0。操作方法就是用之后的每一行减去第
一行的适当倍数,此例中第二行应减去第一行的 3 倍。之后应对第三行做类似操作,
本例中三行第一列数字已经为 0,故不用进行操作。
A
=
121
381
041
12 1
02-2
04 1
U=
500
2-20
121
处在第二行第二列的主元二为 2,因此用第三行减去第二行的两倍进行消元,
得到第三个主元为 5。
矩阵
A
为可逆矩阵,消元结束后得到上三角阵
U
(Uppertriangular matrix),
其左侧下半部分的元素均为 0,而主元 1,2,5 分列在
U
的对角线上。主元之积即行
列式的值。
需要说明的是,主元不能为 0,如果恰好消元至某行,0 出现在了主元的位置上,
应当通过与下方一行进行“行交换”使得非零数字出现在主元位置上。如果 0 出现
在了主元位置上,并且下方没有对等位置为非 0 数字的行,则消元终止,并证明矩
阵 A 为不可逆矩阵,且线性方程组没有唯一解。
例如消成这样
000
**0
***
回代 Back-Substitution
(2,1)
(3,2)
剩余115页未读,继续阅读














安全验证
文档复制为VIP权益,开通VIP直接复制

评论2