原来的系数矩阵就由2X2变成了2X3,我们把它称为增广矩阵:
然后,解向量变成了(x1,x2,-1),等号右侧变成了(0,0,0),坐标系由二维变成了三维。维度是增加了,但画线的难度却大大降低了。
重点来了。注意看,在最新形式的方程组中,向量的内积都是0!既然内积为0,那向量的夹角不就是90度吗?
于是,求解上述二元一次方程组,就变成新的画线游戏。在三维坐标系中,给定两条向量线段,画出另一条向量线段与给定的两条向量线段垂直(正交)。因为两线共面,在三维坐标系内,一定能画出一条直线过原点与这个平面垂直。
所求的向量线段,如下图:
这样一来,求解的方法就有了,把系数增广矩阵化成行最简形:
相当于方程组中的两两方程式通过加减法化简成最简单的形式,然后求解就可以了。
从上述内容,我们可以得出一个结论,对于多元一次方程来说,求解不是重点,分析它有没有解、有多少解,是不是非零解才是重点。那么,依照这个结论,线性代数的重点也不是解多元方程,而是分析多维空间里的若干向量之间的关系。
可以说,线性代数所研究的对象是非常形象的,只不过我们不是高维生物,高维空间的形象我们无法描绘,也无从想象,只能通过线性代数来做抽象表达。
而在上面的三维坐标图中,线性代数的几个重要概念:线性相关与线性无关,矩阵的秩与向量组的秩,方程组相容或不相容,都能找到其相应的几何含义。
给定若干向量线段,能否画出另一条向量线段与它们全都垂直(正交)?
能,对应线性相关;不能,对应线性无关。
如果不能,减掉几个维度和相应的向量线段后能不能?对应矩阵的秩和向量组的秩。
给定的向量线段,有没有投影共线的情况,对应方程组相容或不相容。
当然这些概念我们还没讲到,以上内容属于提前剧透,详细内容在后面的文章里我们再讲。
最后我们举一个方程组无解的例子,比如下面的方程组: