数学: 线性代数_关于线性代数的问答平台-CSDN博客

本文链接：https://blog.csdn.net/Wangpeiyi9979/article/details/93396682

前言
这篇博客是对《马同学——线性代数》以问答形式的总结。
除此之外，一些好的参考资料。

文章目录

一、向量空间
二、矩阵极其运算
三、矩阵的秩
四、矩阵方程
五、行列式
六、相似矩阵与二次型

一、向量空间

向量空间和人生活的空间对比，他们各自的两要素是什么?，小节1.
为什么说点积定义了长度和角度，并让空间成为欧式空间，小节1,2,3.

二、矩阵极其运算

电视成像的原理是什么，是如何引出求解线性方程的问题。小节1.
矩阵乘法最初的定义是怎样的，由谁提出的。基于此说明为什么 $\times n$ 的矩阵只能和 $\times k$ 的矩阵相乘。小节5.
初等变换有哪几种?什么是初等矩阵?小节3.
想象 $AB)^T=B^TA^T$ 的动画。
如何理解矩阵乘法是函数的观点。小节1.
对于 $A x = y$ , 矩阵 $A_{m,n}$ 是空间 $R^n \to$ 空间 $R^m$ 的函数。
线性函数在笛卡尔坐标系下是通过原点的直线，抽象出来是需要满足齐次性和可加性。
矩阵乘法是线性函数，为什么叫做线性函数?,小节5。
线性函数 $Ax=y_n | n=1,2,3,...$ , 要么都只有一个解，要么都有多个解。，小节6.
矩阵乘法是一种映射，是一种坐标变换。试基于此说明伸缩、旋转、剪切、镜像矩阵的作用原理小节1，小节2
矩阵乘法是线性函数，复合函数保证复合顺序很重要，因此矩阵乘法不满足交换律。小节3.
矩阵乘法是线性函数，复合函数只需要保证复合顺序，因此满足结合律和分配率, 小节4.

三、矩阵的秩

$A x$ 的值域是由 $A\in R^{m \times n}$ 的列向量张成的，若 $A$ 的列向量满秩(即等于 $n$ )，则张成空间的秩等于 $x$ 定义域空间的秩(因为由矩阵乘法，x本身处在秩为 $n$ 的空间中)，则不会发生空间坍塌，即为单射。而 $A x$ 的到达域是秩为 $m$ 的空间，如果列向量秩等于 $m$ ，则能够完成张成到达域，即满射。

矩阵乘法 $x^TA = b$ 什么时候是单射?什么时候是满射?, 小节2,3
矩阵乘法映射总结。小节5
逆矩阵的定义是什么，什么时候矩阵有逆矩阵?,小节3
为什么说 $A^2=O$ ,那么 $A$ 不是满秩矩阵？
如何理解 $\leq min\{r(A), r(B)\}.$ ，小节3, 为什么说若 $A$ 为方阵， $A B = I$ ,则 $A 、 B$ 互逆, 课后测试。
分块矩阵的转置与求逆,小节3
*西尔维斯特不等式是什么?,小节4
如何通过双射理解：若 $P$ 和 $Q$ 满秩，则 $r (P A Q) = r (A)$ ，小节4

四、矩阵方程

线性方程组的解要么只有一个，要么无穷个。
线性方程组有解的几何直观是什么?小节3
如何理解若 $a_1, a_2, b$ 线性无关，且 $A=(a_1, a_2)$ , 那么方程组 $A x = b$ 无解。
对方程 $A x = b$ , 若 $A$ 列不蛮秩，则值域空间相对于定义域空间发生空间坍塌，若有解，则为无穷解。小节1.
什么是齐次矩阵方程，什么是非齐次矩阵方程?。小节2.
如何理解求解齐次方程的过程?。小节3,4
如何理解求解非齐次方程的过程，先求特解再加上齐次方程解?。小节6
非齐次方程解空间和对应齐次方程解空间平行。
对于矩阵函数 $y = A x$ , 列空间是值域，行空间和零空间是什么？小节1。

行空间与零空间是定义域的子集，行空间与零空间正交。

行空间与零空间秩互补，两者一起张成定义域，即 $r ($ 行空间 $) + r ($ 零空间 $) = n$ (秩零定理)，小节4。

五、行列式

行列式的来历是什么?, 小节1,2,3
行列式的正负号是由第一个角标组成排列的逆序数决定的。
行列式与转置的行列式值相等。
二阶行列式的几何意义是什么?

变换前后的有向面积之比。

为其所围成的平行四边形的有向面积，面积方向由右手准则给出。

三阶矩阵 $A$ 的列向量 $a, b, c$ 围成的平行六面体的有向体积为 $\times c)$ , 小节1,2,4
行列式的余子式和代数余子式是什么?,小节1
行列式的拉普拉斯展开是什么，能够进行拉普拉斯展开的几何原因是什么?

是由于行列式的几何本质是计算多维空间多面体的体积

六、相似矩阵与二次型

在这里插入图片描述

如何完成该映射过程:, 小节2
等价矩阵的定义是什么?为什么称为等价矩阵?.小节3
行等价和列等价指的是什么?，小节4
相似矩阵的定义是什么，它和等价矩阵的区别是什么?, 小节6.
等价矩阵是同一个线性映射的不同代数形式。
基变换和等价矩阵两种映射的区别是什么?
特征向量和特征值的定义是什么是如何引出的?,小节2
如何从几何直观上理解相似矩阵有相同的特征值，他们的特征向量是什么关系？,小节4
如何理解相似矩阵的行列式相同。

相似矩阵本质上表示的是不同基下的同一个变换，因此图形的伸缩面积必然一样。
如何理解矩阵的迹(待理解)？
$\in R^{n \times n}$ 迹 $t r (A)$ 等于特征值之和。行列式等于特征值之积，因此相似矩阵迹和行列式相同。
为什么说没有为0的特征值就说明方阵满秩?

因为特征值之积等于行列式。
两个方阵特征值相同是否就一定相似?
对角化的定义是什么?对角矩阵的过渡矩阵 $P$ 是什么?,小节1。
如何理解矩阵A有无数相似矩阵，而对角阵是其中"好"的相似矩阵?, 小节1。
特征空间的定义是什么?, 小节2
如何理解不同特征值的特征向量一定线性无关。
可对角化的充要条件是什么?, 小节3
标准正交基的定义是什么?, 小节1
与自然基相比，标准正交基和非标准正交基有什么优势?, 小节2
正交矩阵的定义是什么?如何理解标准正交基之间的过度矩阵是正交矩阵?, 小节4
矩阵的行列式是映射前后不同空间有向面积之比。那么正交矩阵的行列式等于多少?
如何从几何直观上理解两个向量的正交化 ,小节2 $\begin{cases} v_1 = x_1 \\ v_2 = x_2 - \frac{x_2 \cdot v_1}{v_1 \cdot v_1}v_1 \end{cases}$
如何从几何直观上理解三个向量的正交化?, 小节3

基于两个和三个向量的正交化，推出施密特正交化公式, 小结4

def shi_mi_te(A):
    """
    A: (n,n)
    A: (n,n) 经过施密特标准正交化的矩阵
    """
    n, n = A.shape
    for c in range(n):
        v_c = A[:,c]
        for i in range(0, c):
            v_c -= (sum((A[:,c] * A[:,i])) / sum((A[:,i] * A[:,i]))) * A[:,i]
        v_c /= math.sqrt(sum(v_c * v_c))
        A[:,c] = v_c
    return A