在前文以列向量的视角剖析了线性方程组的理论和特性后,今天我们将换个角度,探索行向量的视角。本文我们将聚焦于实数域上的齐次线性方程组,以全新的视角揭示其背后的几何意义。
内积与向量夹角
首先,我们引入内积,它是向量点乘的推广。对向量和,它们的内积定义为。这个定义看似抽象,但直观上,当取和取时,它就简化为我们熟知的二维或三维向量的点积,从而定义出向量的夹角,比如,当取为和时,就对应于平面上或空间中向量的夹角。内积的引入,正是为了将这种直观的几何概念推广至高维空间。
行向量视角下的齐次方程组
当我们从行向量的角度审视齐次线性方程组,如,矩阵是系数矩阵,是向量,它的解即寻找使得与所有行向量正交的。在三维空间中,例如方程组,寻找解就等同于找到一个向量与和都垂直,这清晰地展示了方程组的几何结构。一般情况下,解空间的维数由矩阵的行向量决定,如解空间维数公式所示。
实例解析
通过李尚志老师《线性代数》课本中的例2,我们可以看到如何利用行向量视角解决实际问题。给定向量,我们求解满足条件的齐次方程组,其实质是寻找与给定向量正交的向量。这个过程,无论给定矩阵还是解,本质上都是求解正交问题,即求解齐次线性方程组。
对于最小二乘法,非齐次线性方程组无解时,我们寻找误差最小的解,即最小二乘解。这里,误差项与列向量正交,最小二乘解给出了最佳逼近,将响应分解为估计项和误差项,两者相互垂直,勾股定理进一步揭示了它们之间的关系。
总结与启示
从行向量的观点看,线性方程组不仅是数学理论,更是几何思维的体现。通过内积和正交概念,我们能更好地理解高维空间中的线性关系,无论是求解基础解系还是最小二乘法,行向量都提供了直观的几何解释。正如封面上的图像所示,这样的视角转换让线性方程组背后的数学结构更加生动易懂。