【线性代数基础】矩阵与线性映射
这是一篇线代笔记。
矩阵与线性映射的关系
我们知道,矩阵与线性变换有着一一对应的关系,因此常常用矩阵来研究线性映射。
接下来,我们讨论矩阵及其对应的线性映射在二维空间里的具体体现。
______________________________________________
以矩阵
A
=
[
1
2
1
1
]
A= \begin{bmatrix} 1 & 2\\ 1 & 1 \end{bmatrix}
A=[1121]为对应的线性映射为例,探究二维直角坐标系中的点的变化。
取
x
x
x轴上的点
(
0
,
x
)
,
x
∈
N
(0,x),x\in\mathbb N
(0,x),x∈N,则有
[ 1 2 1 1 ] [ x 0 ] = [ x x ] \begin{bmatrix} 1 & 2\\ 1 & 1 \end{bmatrix} \begin{bmatrix} x\\0 \end{bmatrix} = \begin{bmatrix} x\\ x \end{bmatrix} [1121][x0]=[xx]
我们令
y
1
=
x
,
x
1
=
x
y_{1}=x,x_{1}=x
y1=x,x1=x,可以看到原来的直线
x
=
0
x=0
x=0经过线性映射变为直线
y
1
=
x
1
y_{1}=x_{1}
y1=x1,它在新的坐标系
x
1
O
y
1
x_{1}Oy_{1}
x1Oy1,中,为了方便观察,我们把它画在坐标系
x
O
y
xOy
xOy中,便得到下图的结果:
当然,为了得到更普遍的结果,我们可以直接求点
(
x
,
y
)
(x,y)
(x,y)在线性映射后的结果
(
x
1
,
y
1
)
(x_{1},y_{1})
(x1,y1):
[ 1 2 1 1 ] [ y x ] = [ y + 2 x y + x ] \begin{bmatrix} 1 & 2\\1 & 1 \end{bmatrix} \begin{bmatrix} y\\x \end{bmatrix}= \begin{bmatrix} y+2x\\y+x \end{bmatrix} [1121][yx]=[y+2xy+x]
令
y
1
=
y
+
2
x
,
x
1
=
y
+
x
y_{1}=y+2x,x_{1}=y+x
y1=y+2x,x1=y+x,为了得到与
x
x
x轴垂直的直线在线性映射后的结果,我们联立
y
1
y_{1}
y1与
x
1
x_{1}
x1,消去
y
y
y,得到
y
1
=
x
+
x
1
y_{1}=x+x_{1}
y1=x+x1(这时
x
x
x看作一个常数)它就是与
x
x
x轴垂直的直线系经过线性映射后得到的直线系,它是一个斜率为1的平行直线系,如下图(蓝色):
与
x
x
x轴垂直的直线系同理,得到
y
1
=
2
x
1
−
y
y_{1}=2x_{1}-y
y1=2x1−y(y看作一个常数),它是一个斜率为2的平行直线系,如下图(红色):
我们可以清晰地看到,原来相互垂直的网格,变成了平行四边形网格,而我们发现,原点
(
0
,
0
)
(0,0)
(0,0)在线性映射后的位置保持不变,这就是线性映射的效果。
我们可以这样总结二维平面坐标系中的线性映射:
二维平面中的直线在线性映射后仍旧为直线,是直线的运动,而原点在线性映射后的位置保持不变。
逆矩阵
那么在做了上述讨论后,我们知道,在矩阵
A
A
A的作用下,二维坐标系中的直线发生了变化,那如果想把它们变回去,消除矩阵
A
A
A的影响,该怎么做呢?
我们设:
B
=
[
a
b
c
d
]
B= \begin{bmatrix} a & b\\c & d \end{bmatrix}
B=[acbd]
看能不能利用矩阵
B
B
B消除矩阵
A
A
A的影响,那么有:
[
a
b
c
d
]
[
y
+
2
x
y
+
x
]
=
[
(
2
a
+
b
)
x
+
(
a
+
b
)
y
(
2
c
+
d
)
x
+
(
c
+
d
)
y
]
=
[
y
x
]
\begin{bmatrix} a & b\\c & d \end{bmatrix} \begin{bmatrix} y+2x\\y+x \end{bmatrix}= \begin{bmatrix} (2a+b)x+(a+b)y\\(2c+d)x+(c+d)y \end{bmatrix}= \begin{bmatrix} y\\x \end{bmatrix}
[acbd][y+2xy+x]=[(2a+b)x+(a+b)y(2c+d)x+(c+d)y]=[yx]
很显然,我们得到
a
=
−
1
,
b
=
2
,
c
=
1
,
d
=
−
1
a=-1,b=2,c=1,d=-1
a=−1,b=2,c=1,d=−1,求解了矩阵
B
B
B,我们就可以实现蓝色红色线到黑色线的变换,这是一个逆过程,如下图:
这时我们可以发现
B
A
=
A
B
=
E
BA=AB=E
BA=AB=E,这是一个巧合吗,我们来论证一下。
对于矩阵
A
1
=
[
a
b
c
d
]
A_{1}= \begin{bmatrix} a & b\\c & d \end{bmatrix}
A1=[acbd]对应的线性映射,我们想要得到它的逆过程,可以借助矩阵
B
1
=
[
e
f
g
h
]
B_{1}= \begin{bmatrix} e &f\\g & h \end{bmatrix}
B1=[egfh]
我们可以这样理解(矩阵A作用于矩阵C)
B
1
A
1
C
=
C
B
1
A
1
=
E
B
1
A
1
B
1
=
E
B
1
=
B
1
A
1
B
1
=
E
B_{1}A_{1}C=C\\B_{1}A_{1}=E\\B_{1}A_{1}B_{1}=EB_{1}=B_{1} \\A_{1}B_{1}=E
B1A1C=CB1A1=EB1A1B1=EB1=B1A1B1=E
也可以这样理解
A
1
C
=
[
a
b
c
d
]
[
x
y
]
=
[
a
x
+
b
y
c
x
+
d
y
]
B
1
A
1
C
=
[
e
f
g
h
]
[
a
x
+
b
y
c
x
+
d
y
]
=
[
x
y
]
=
C
a
e
+
c
f
=
1
b
e
+
d
f
=
0
a
g
+
c
h
=
0
b
g
+
d
h
=
1
B
1
A
1
=
[
a
e
+
c
f
b
e
+
d
f
a
g
+
c
h
b
g
+
d
h
]
=
[
1
0
0
1
]
=
E
A_{1}C= \begin{bmatrix} a & b\\ c & d \end{bmatrix} \begin{bmatrix} x\\y \end{bmatrix}= \begin{bmatrix} ax+by\\cx+dy \end{bmatrix}\\ B_{1}A_{1}C= \begin{bmatrix} e & f\\g & h \end{bmatrix} \begin{bmatrix} ax+by\\cx+dy \end{bmatrix}= \begin{bmatrix} x\\y \end{bmatrix}=C\\ ae+cf=1\\be+df=0\\ag+ch=0\\bg+dh=1\\ B_{1}A_{1}= \begin{bmatrix} ae+cf & be+df\\ag+ch & bg+dh \end{bmatrix}= \begin{bmatrix} 1 & 0\\0 & 1 \end{bmatrix}=E
A1C=[acbd][xy]=[ax+bycx+dy]B1A1C=[egfh][ax+bycx+dy]=[xy]=Cae+cf=1be+df=0ag+ch=0bg+dh=1B1A1=[ae+cfag+chbe+dfbg+dh]=[1001]=E
当然,上述推导都是建立在
A
A
A可逆的情况下的,不然
A
B
=
A
AB=A
AB=A,则
B
=
E
B=E
B=E,是不成立的,上述思考就会有漏洞。
上述的思考,引出了逆矩阵的概念,但可能会有很多不严谨的地方,但这是笔者在学习逆矩阵之前对于这个概念的思考。
以下内容摘自同济《工程数学-线性代数》第六版P39
对于 n n n阶矩阵 A A A,如果有一个 n n n阶矩阵 B B B,使
A B = B A = E AB=BA=E AB=BA=E则说矩阵 A A A是可逆的,并把矩阵 B B B称为 A A A的逆矩阵,简称逆阵.