线性代数重学

行列式(直观几何)

det: delta : 希腊字母表中第4个字母，相当于英语字母中的d，通常含义是 变化量 、变化了多少

上图中 向量a和向量b围城的平行四边形 用矩阵A表示，如下：
$$A=\left[\begin{array}{cc}{x}_1& y_1\\ x_2& y_2\end{array}\right]$$

det (A) 字面意思就是 从向量a到向量b变化了多少， 确切定义是 矩阵A代表的平行四边形的面积.

正因为从向量a到向量b是有变化的，所以向量a和向量b围成的平行四边形才有面积
如果从向量a到向量b没有变化(向量a和向量b重合)， 则向量a和向量b围成的平行四边形面积为0.
所以 行列式 才叫 det

高等代数（上）

符号约定、用词约定

线性代数 符号约定、用词约定

$A$ : 矩阵
det(A) : 矩阵A的行列式, 为一实数
$E_n$ 或 $I_n$ : 单位阵，n行n列的单位方阵
${\mu }_{k,i}$ : 矩阵的第k行第i列元素的余子阵，为一更小的矩阵

1.4 行列式

行列式 由余子阵递归定义

行列式的定义是递归定义

矩阵A是n行n列的方阵,
矩阵A中的第k行第i列元素记为$a_{k,i}$,
$$A=\left[\begin{array}{cccccc}{a}_{1,1}& a_{1,2}& ...& a_{1,i}& ...& a_{1,n}\\ a_{2,1}& a_{2,2}& ...& a_{2,i}& ...& a_{2,n}\\ ...& ...& ...& ...& ...& ...\\ a_{k,1}& a_{k,2}& ...& a_{k,i}& ...& a_{k,n}\\ ...& ...& ...& ...& ...& ...\\ a_{n,1}& a_{n,2}& ...& a_{n,i}& ...& a_{n,n}\end{array}\right]$$

矩阵A中去掉第k行和第i列 ，余下的元素组成的矩阵，称为原矩阵A的余子阵${\mu }_{k,i}$
$${\mu }_{k,i}=\left[\begin{array}{ccccccc}{a}_{1,1}& a_{1,2}& ...& a_{1,i-1}& a_{1,i+1}& ...& a_{1,n}\\ a_{2,1}& a_{2,2}& ...& a_{2,i-1}& a_{2,i+1}& ...& a_{2,n}\\ ...& ...& ...& ...& ...& ...& ...\\ a_{k-1,1}& a_{k-1,2}& ...& a_{k-1,i-1}& a_{k-1,i+1}& ...& a_{k-1,n}\\ a_{k+1,1}& a_{k+1,2}& ...& a_{k+1,i-1}& a_{k+1,i+1}& ...& a_{k+1,n}\\ ...& ...& ...& ...& ...& ...& ...\\ a_{n,1}& a_{n,2}& ...& a_{n,i-1}& a_{n,i+1}& ...& a_{n,n}\end{array}\right]$$

例如，将矩阵A按第一行元素的余子阵展开，则有 矩阵A的行列式det(A)定义为：

$det(A)={\sum }_{i=1}^n{a}_{1,i}(-1{)}^{1+i}det({\mu }_{1,i})$

可见，行列式定义显然是递归的: 矩阵A的行列式由多个更小的矩阵的行列式定义的， 这些更小的矩阵就是原矩阵A的余子阵。

显然，
可以将矩阵A按任一行的余子阵 展开，来定义矩阵A的行列式det(A), 如下：

d e t ( A ) = ∑ i = 1 n a k , i ( − 1 ) k + i d e t ( μ k , i ) , ∀ k ∈ { 1 , 2 , . . . , n } det(A)=\sum_{i=1}^{n} a_{k,i}(-1)^{k+i}det(\mu_{k,i}), {\forall}k \in \{1,2,...,n\} det(A)=∑i=1n​ak,i​(−1)k+idet(μk,i​),∀k∈{1,2,...,n}

可以将矩阵A按任一列的余子阵 展开，来定义矩阵A的行列式det(A)，如下：

d e t ( A ) = ∑ k = 1 n a k , i ( − 1 ) k + i d e t ( μ k , i ) , ∀ i ∈ { 1 , 2 , . . . , n } det(A)=\sum_{k=1}^{n} a_{k,i}(-1)^{k+i}det(\mu_{k,i}), {\forall}i \in \{1,2,...,n\} det(A)=∑k=1n​ak,i​(−1)k+idet(μk,i​),∀i∈{1,2,...,n}

余子阵${\mu }_{k,i}$的行列式$det({\mu }_{k,i})$称为余子式 , 又记为$M_{k,i}$
$(-1{)}^{k+i}det({\mu }_{k,i})$称为代数余子式, 又记为$A_{k,i}$,
即 $A_{k,i}=(-1{)}^{k+i}{M}_{k,i}$

不确定，线性代数教材中有没有余子阵的叫法，但有余子式。
但显然应该有余子阵的叫法，才是合理的。

线性代数

伴随矩阵 中的每个元素都是余子式

伴随矩阵$A^{\ast }$ 中的每个元素都是余子式$det({\mu }_{k,i})$

逆矩阵 的 行列式倍 为 伴随矩阵

逆矩阵$A^{-1}$ 为 $\frac{1}{det(A)}$ 倍 伴随矩阵$A^{\ast }$ 即 : $A^{\ast }\ast A=det(A)I_n$

线性代数重学(七月在线)

线性代数（七月在线）课件？

线性代数 中的 维 和 物理中的 维 不一样

线性代数中的 矩阵 只是简单的加一行， 就多了一维。
但物理中，简单的加一行 并不是一个维？（所以物理中的维是啥？）

矩阵的行秩 、矩阵的列秩

矩阵的行秩: 从 该矩阵全部行向量 找不相关的行向量, 能找到的 不相关的 行向量 的 最多个数。
矩阵的列秩: 从 该矩阵全部列向量 找不相关的列向量, 能找到的 不相关的 列向量 的 最多个数。

矩阵的行秩和列秩为何相等？

之所以 矩阵的行秩 和 列秩 相等， 是因为：

• 对一个矩阵增加一行时，若该行导致行秩增加一，则该行也同样导致列秩增加一
• 对一个矩阵增加一列时，若该列导致列秩增加一，则该列也同样导致行秩增加一
• 而任意一个矩阵都可以从最小矩阵[1]开始, 经过若干次增加行或列的方式来到达

所以 矩阵的行秩 和 列秩 相等

由此可见，矩阵的行秩和列秩相等，实际是个递归问题。

线性代数(3blue1brown)

矩阵是变换，矩阵是坐标变换

七月在线 (3)矩阵分析与应用.avi

$$\begin{gathered} 原坐标基向量:\vec{i}=\left[\begin{array}{c}1\\ 0\end{array}\right],\vec{j}=\left[\begin{array}{c}0\\ 1\end{array}\right] \\ 经过矩阵A变换后的坐标基向量:\overrightarrow{i^{\prime }}=\left[\begin{array}{c}a\\ b\end{array}\right],\overrightarrow{j^{\prime }}=\left[\begin{array}{c}c\\ d\end{array}\right] \\ 变换即:\vec{i}\to \overrightarrow{i^{\prime }},\vec{j}\to \overrightarrow{j^{\prime }} \\ 变换即:\overrightarrow{i^{\prime }}=a\vec{i}+b\vec{j},\overrightarrow{j^{\prime }}=c\vec{i}+d\vec{j},完全用原坐标基向量来描述,才不混乱 \\ 向量变换即:x\vec{i}+y\vec{j}\to x\overrightarrow{i^{\prime }}+y\overrightarrow{j^{\prime }} \\ 变换即:矩阵A=\left[\begin{array}{cc}a& c\\ b& d\end{array}\right]=[\overrightarrow{i^{\prime }},\overrightarrow{j^{\prime }}] \\ 但是这貌似仅仅对于方阵A而言? \end{gathered}$$

$$\begin{gathered} 非方阵维度缩减二维变一维 \\ 变换即:\overrightarrow{i^{\prime }}=a\vec{i}+0\vec{j},\overrightarrow{j^{\prime }}=c\vec{i}+0\vec{j},用系数0消掉原基分量\vec{j} \end{gathered}$$

$$\begin{gathered} 非方阵维度增加二维变三维怎么写？ \\ 变换即:\overrightarrow{i^{\prime }}=?,\overrightarrow{j^{\prime }}=?, \end{gathered}$$