الرئيسية / الكورسات / LA-101 / الوحدة 1 / الدرس 3
قراية
وضع الحكايات

التفسير الهندسي

~14 دقيقة قراية الدرس 3 من 4 في الوحدة 1

من الأرقام للصور

في الدرس اللي فات، اتعرّفنا على الـ scalars (الكميات القياسية) والـ vectors (المتجهات) والـ matrices (المصفوفات) كمجموعات أرقام. بس الـ linear algebra (الجبر الخطي) مش حسابات وبس — هو في أساسه هندسي. كل vector تقدر ترسمه سهم، وكل matrix تقدر تتخيّلها transformation (تحويل). الدرس ده بيربط الجبر بالهندسة، وبيدّيك الحدس البصري اللي بيخلّي الموضوع كله يركب في دماغك.

التفكير الهندسي مش بيلغي الحساب — هو بيكمّله. لما تقدر تشوف المعادلة معناها إيه كصورة، تقدر تراجع شغلك، وتبني حدس للمسائل الجديدة، وتفهم ليه القوانين شكلها كده.

الـ vectors كأسهم

أهم فكرة هندسية في الـ linear algebra هي دي: الـ vector سهم. ليه ديل (نقطة البداية) وراس (نقطة النهاية). طول السهم بيمثّل المقدار، والناحية اللي بيشاور عليها بتمثّل الاتجاه.

الـ vector الـ 2D زي (3, 2) معناه "امشي 3 وحدات يمين ووحدتين لفوق". لما نرسمه والديل عند نقطة الأصل، الراس بيقف عند النقطة (3, 2). والسهم نفسه هو الـ vector — مش نقطة النهاية بس. وأي سهمين ليهم نفس الطول ونفس الاتجاه هما نفس الـ vector، مهما كان بيبدأوا منين.

الـ position vectors والـ free vectors

الـ position vector (متجه الموضع) دايمًا بيبدأ من نقطة الأصل وبيشاور على مكان معيّن. أما الـ free vector (المتجه الحر) فتقدر تحطه في أي حتة — المهم طوله واتجاهه بس. في الـ linear algebra عادةً بنشتغل بالـ free vectors، بس بنرسمها من نقطة الأصل عشان الموضوع يبقى أسهل.

أنظمة الإحداثيات

عشان نوصف الـ vectors بدقة، محتاجين coordinate system (نظام إحداثيات). في الـ 2D بنرسم محورين متعامدين — أفقي (x) ورأسي (y) — بيتقابلوا عند نقطة الأصل. وأي نقطة في المستوى تقدر توصلها بتركيبة واحدة بس من إزاحة أفقية وإزاحة رأسية.

في الـ 3D بنزوّد محور z للعمق. ومركّبات الـ vector ببساطة هي إحداثيات راسه لما الديل يبقى عند نقطة الأصل. الربط ده بين الجبر والهندسة هو اللي مخلّي الـ linear algebra قوي أوي: الأرقام بتبقى صور، والصور بتبقى أرقام.

جمع الـ vectors: قاعدة متوازي الأضلاع

لما تجمع اتنين vector، الهندسة بتطلع شيك جدًا. قاعدة الراس على الديل بتقول: حط ديل الـ vector التاني عند راس الأول. والمجموع هو السهم اللي من أول الأول لحد راس التاني.

وبنفس المعنى، قاعدة متوازي الأضلاع بتقول: حط الاتنين عند نفس نقطة البداية وكمّل متوازي الأضلاع. القُطر هو المجموع. الطريقتين بيدّوا نفس النتيجة، وبيوضّحوا إن جمع الـ vectors commutative (تبديلي): a + b = b + a، لأن متوازي الأضلاع متماثل.

جمع الـ vectors
\begin{bmatrix} a_1 \\ a_2 \end{bmatrix} + \begin{bmatrix} b_1 \\ b_2 \end{bmatrix} = \begin{bmatrix} a_1+b_1 \\ a_2+b_2 \end{bmatrix}
الجمع مركّبة بمركّبة — كل مركّبة بتتجمع لوحدها

الضرب في scalar: المطّ والتصغير

الـ scalar multiplication (الضرب القياسي) بيغيّر طول الـ vector من غير ما يغيّر اتجاهه. اضرب في 2، السهم يتضاعف. اضرب في ½، يبقى نصّه. اضرب في −1، واتجاه السهم يتقلب وطوله يفضل زي ما هو.

وبشكل أعم، الضرب في scalar سالب بيعكس الاتجاه ويغيّر الطول مع بعض. الفكرة الأساسية: الضرب في scalar بيزحلق الـ vector على الخط بتاعه نفسه، فيمطّه أو يصغّره أو يقلبه.

الضرب في scalar
c \begin{bmatrix} v_1 \\ v_2 \end{bmatrix} = \begin{bmatrix} cv_1 \\ cv_2 \end{bmatrix}
كل مركّبة بتتضرب في نفس المعامل c

المقدار: طول السهم

الـ magnitude (المقدار، أو الـ norm) بتاع الـ vector هو طول السهم بتاعه. في الـ vector الـ 2D، ده ببساطة نظرية فيثاغورس: المركّبات هي ضلعين مثلث قايم، والمقدار هو الوتر.

في n بُعد، بتجمع مربعات كل المركّبات وتاخد الجذر التربيعي. القانون ده اسمه الـ Euclidean norm (المعيار الإقليدي)، وبيشتغل مع أي عدد أبعاد.

الـ Euclidean norm
\|\mathbf{v}\| = \sqrt{v_1^2 + v_2^2 + \cdots + v_n^2}
مقدار الـ vector — نظرية فيثاغورس متعمّمة لـ n بُعد

الـ unit vectors

الـ unit vector (متجه الوحدة) مقداره 1 بالظبط. بيمثّل اتجاه صافي من غير أي معلومة عن المقدار. وعشان تعمل unit vector من أي vector مش صفر، اقسم الـ vector على مقداره — والعملية دي اسمها normalization (التطبيع).

الـ standard basis vectors (متجهات الأساس القياسية) î وĵ (في الـ 2D) هما unit vectors بيشاوروا على طول المحورين x وy. ودول الاتجاهات المرجعية للـ coordinate system كله. وأي vector تقدر تكتبه كـ linear combination (توليفة خطية) من الـ basis vectors دول.

الـ normalization
\hat{\mathbf{v}} = \frac{\mathbf{v}}{\|\mathbf{v}\|}
لما تقسم الـ vector على مقداره بيطلعلك unit vector في نفس الاتجاه

الـ dot product: الإسقاط والمحاذاة

الـ dot product (الجداء النقطي) بين اتنين vector ليه معنى هندسي قوي. جبريًا، بتضرب المركّبات اللي قصاد بعض وتجمعها. هندسيًا، بيساوي حاصل ضرب المقدارين في جيب تمام الزاوية اللي بينهم.

القانون ده بيكشف كل حاجة. لما الاتنين يبقوا متعامدين، الزاوية 90°، وcos(90°) = 0، فالـ dot product بيبقى صفر. ولما يشاوروا على نفس الاتجاه، الزاوية 0°، وcos(0°) = 1، والـ dot product بيساوي حاصل ضرب طولهم. والـ dot product كمان بيدّينا الـ projection (الإسقاط) بتاع vector على التاني.

الـ dot product (جبريًا)
\mathbf{a} \cdot \mathbf{b} = a_1 b_1 + a_2 b_2 + \cdots + a_n b_n
مجموع حواصل ضرب المركّبات
الـ dot product (هندسيًا)
\mathbf{a} \cdot \mathbf{b} = \|\mathbf{a}\|\,\|\mathbf{b}\|\cos\theta
المقدارين مضروبين في جيب تمام الزاوية

الـ cross product: المساحة والتعامد

الـ cross product (الجداء المتقاطع) موجود في الـ 3D بس. لو عندك vectors اسمهم a وb، الـ cross product بتاعهم بيطلّع vector تالت عمودي على الاتنين. اتجاهه ماشي على قاعدة اليد اليمين، ومقداره بيساوي مساحة متوازي الأضلاع اللي الاتنين بيعملوه.

لما الاتنين يبقوا متوازيين، الـ cross product بتاعهم بيبقى الـ zero vector — لأن متوازي أضلاع عرضه صفر مساحته صفر. والـ cross product بيظهر في كل حتة في الفيزياء: العزم، والزخم الزاوي، والقوة المغناطيسية، كلهم cross products.

الـ cross product
\mathbf{a} \times \mathbf{b} = \begin{vmatrix} \hat{i} & \hat{j} & \hat{k} \\ a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \end{vmatrix}
قانون الـ determinant للـ cross product
مقدار الـ cross product
\|\mathbf{a} \times \mathbf{b}\| = \|\mathbf{a}\|\,\|\mathbf{b}\|\sin\theta
بيساوي مساحة متوازي الأضلاع

الـ linear combinations والـ span

الـ linear combination بتاخد مجموعة vectors، وتضرب كل واحد في scalar، وتجمع النتايج. والـ span (المدى) بتاع مجموعة vectors هو كل الـ linear combinations الممكنة — وبيوصف الفضاء اللي تقدر توصله.

اتنين vectors مش متوازيين في الـ 2D بيغطّوا المستوى كله: تقدر توصل لأي نقطة لو اخترت الـ scalars الصح. لو الـ vectors متوازيين، الـ span بتاعهم بيقع لحد ما يبقى خط بس. وفي الـ 3D، تلات vectors مش في مستوى واحد بيغطّوا الفضاء الـ 3D كله. والفكرة دي هي قلب فهم الـ dimension (البُعد) والـ basis (الأساس) والـ rank (الرتبة).

الـ linear combination
\mathbf{w} = c_1 \mathbf{v}_1 + c_2 \mathbf{v}_2 + \cdots + c_k \mathbf{v}_k
أي vector في الـ span تقدر تكتبه كمجموع موزون للـ basis vectors

نتخيّل الـ transformations

هنا الهندسة والـ matrices بيتّحدوا بجد. الـ matrix بتمثّل linear transformation (تحويل خطي): دالة بتاخد vectors وتطلّع vectors، وبتحافظ على الجمع والضرب في scalar. وهندسيًا، ده بيشمل الدوران، والانعكاس، والتكبير والتصغير، والـ shear (القص).

الفكرة الأساسية: أعمدة الـ matrix بتقولك الـ basis vectors بتقع فين بعد الـ transformation. الـ rotation matrix الـ 2D بتودّي î وĵ لأماكن جديدة، وكل vector تاني بيمشي وراهم. الفكرة الواحدة دي بتخلّيك تتخيّل أي matrix كعملية هندسية.

الـ rotation matrix في 2D
R(\theta) = \begin{bmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{bmatrix}
بتلفّ كل vector بزاوية θ عكس عقارب الساعة حوالين نقطة الأصل

في الدرس الجاي، هنتكلم عن الـ vector spaces (الفضاءات المتجهية) والـ linear independence (الاستقلال الخطي) — القواعد الرسمية اللي بتتحكم في الـ vectors بتتركّب إزاي، وفكرة الـ dimension اللي بتطلع من القواعد دي.

أهم النقط
  • الـ vectors أسهم ليها اتجاه ومقدار — مش مجرد قوايم أرقام.
  • جمع الـ vectors ماشي على قاعدة متوازي الأضلاع؛ والضرب في scalar بيمطّ أو بيصغّر على خط السهم.
  • المقدار (الـ Euclidean norm) هو نظرية فيثاغورس متعمّمة؛ والـ unit vectors بتمسك الاتجاه الصافي.
  • الـ dot product بيقيس المحاذاة بين الـ vectors من خلال جيب تمام الزاوية اللي بينهم.
  • الـ cross product (في الـ 3D بس) بيطلّع vector عمودي مقداره بيساوي مساحة متوازي الأضلاع.
  • الـ span بتاع مجموعة vectors هو الفضاء اللي تقدر توصله — أساس فكرة الـ dimension والـ basis.
  • الـ matrices هي transformations هندسية؛ وأعمدتها بتوريك الـ basis vectors بتقع فين.
اللي فات الـ scalars والـ vectors والـ matrices نظرة عامة على الموديول الدرس اللي بعده الـ vector spaces والـ subspaces