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。
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 m × n m \times n m×n的矩阵只能和 n × k n \times k n×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 ( A B ) T = B T A T (AB)^T=B^TA^T (AB)T=BTAT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 Ax=y Ax=y, 矩阵 A m , n A_{m,n} Am,n是空间 R n → R^n \to Rn→ 空间 R m R^m Rm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 A x = y n ∣ n = 1 , 2 , 3 , . . . Ax=y_n | n=1,2,3,... Ax=yn∣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
- 函数的4个重要的概念是什么,对于矩阵乘法 A x = y , A ∈ R m × n Ax = y, A \in R^{m \times n} Ax=y,A∈Rm×n, 描述这4个概念.,小节6。
- 矩阵乘法 A x = b Ax = b Ax=b什么时候是单射,从直观印象和代数印象两个方面说明?, 小节1,小节4。
- 从列空间的角度说明 A x = b ∣ A = ( a b c d e f ) Ax = b|A = \begin{pmatrix} a & b & c\\ d & e & f \end{pmatrix} Ax=b∣A=(adbecf)的值域和到达域。小节3
- 矩阵乘法不会出现升维的情况。列空间是否满秩判断 A x = b Ax=b Ax=b的解的个数的原理是什么。小节4
- 矩阵乘法 A x = b Ax = b Ax=b什么时候是满射,从直观印象和代数印象两个方面说明?, 小节1,2
A x Ax Ax的值域是由 A ∈ R m × n A\in R^{m \times n} A∈Rm×n的列向量张成的,若 A A A的列向量满秩(即等于 n n n),则张成空间的秩等于 x x x定义域空间的秩(因为由矩阵乘法,x本身处在秩为 n n n的空间中),则不会发生空间坍塌,即为单射。而 A x Ax Ax的到达域是秩为 m m m的空间,如果列向量秩等于 m m m,则能够完成张成到达域,即满射。
- 矩阵乘法 x T A = b x^TA = b xTA=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 A^2=O A2=O,那么 A A A不是满秩矩阵?
- 如何理解 r ( A B ) ≤ m i n { r ( A ) , r ( B ) } . r(AB) \leq min\{r(A), r(B)\}. r(AB)≤min{r(A),r(B)}.,小节3, 为什么说若 A A A为方阵, A B = I AB=I AB=I,则 A 、 B A、B 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 P P和 Q Q Q满秩,则 r ( P A Q ) = r ( A ) r(PAQ)=r(A) r(PAQ)=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 a_1, a_2, b a1,a2,b线性无关,且 A = ( a 1 , a 2 ) A=(a_1, a_2) A=(a1,a2), 那么方程组 A x = b Ax=b Ax=b无解。
- 对方程 A x = b Ax=b Ax=b, 若 A A 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 y=Ax y=Ax, 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。
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。
- 如何从几何直观理解对于二阶方阵 A A A, ∣ A ∣ = 0 ⇔ A |A| = 0 \Leftrightarrow A ∣A∣=0⇔A不满秩,小节2
- 如何理解二阶行列式是 c 1 , c 2 c_1, c_2 c1,c2围成的平行四边形的有向面积。,小节4
- 总结: 二阶行列式的三重意义是什么?. 小节5
- 向量积/叉积的几何意义是什么?小节1-4
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 A A的列向量 a , b , c a, b, c a,b,c围成的平行六面体的有向体积为 ∣ A ∣ = a ∗ ( b × c ) |A| = a * (b \times c) ∣A∣=a∗(b×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
- 行列式性质六、性质七、性质十一的几何理解, 小节1,小节2,小节6
- 克拉默法则是什么,它的几何意义是什么?,小节3
- 只有方阵才有行列式。
- 伴随矩阵是什么? A A ∗ = ∣ A ∣ I AA^*=|A|I AA∗=∣A∣I,小节4
六、相似矩阵与二次型
- 过渡矩阵是什么?, 小节4
- 基变换的过程?如何通过面向对象声明和过渡矩阵理解?, 小节2,3,5。
- 过渡矩阵是什么?它有什么特点。,小节4。
- 利用过渡矩阵思想解决下题:
-
如何完成该映射过程:, 小节2
-
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?
-
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)?
-
A ∈ R n × n A \in R^{n \times n} A∈Rn×n 迹 t r ( A ) tr(A) tr(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?
-
特征空间的定义是什么?, 小节2
-
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
-
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 { v 1 = x 1 v 2 = x 2 − x 2 ⋅ v 1 v 1 ⋅ v 1 v 1 \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} {v1=x1v2=x2−v1⋅v1x2⋅v1v1
-
如何从几何直观上理解三个向量的正交化?, 小节3
-
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
-
如何理解对称矩阵不同特征值对应的特征向量一定正交?(待理解)
-
对称矩阵可以对角正交化?
-
什么是二次型, 如何理解 对称矩阵 ⇔ \Leftrightarrow ⇔二次型矩阵 ⇔ \Leftrightarrow ⇔二次型, 小节2
-
相似的矩阵是同一个线性变换在不同基下的矩阵。 合同的矩阵是同一个双线性形在不同基下的矩阵。
-
正交标准化的代数方法的过程是怎样的,它的几何直观是什么?小节3
lam, X = np.linalg.eig(A)
-
如何理解合同矩阵 A 、 B A、B A、B, 有(1) : r ( A ) = r ( B ) r(A) = r(B) r(A)=r(B). (2) 他们正负惯性指数相同。
合同矩阵是同一双线性在不同基下的矩阵。(1)都是基,因此r(A) = r(B) (2)需要正负惯性指数相同,才是同一双线性。
-
特征值都为正