线性代数本质深探

#线性代数与微积分的区别

线性代数—>公理化表述—>抽象的—>第二代数学模型
微积分--------->实用导向—>具体的—>第一代数学模型

---

几个核心概念

---

1.空间（space）

空间	条件	空间	条件	空间	条件	空间
线性空间	定义了范数–>	赋范线性空间	满足完备性–>	巴拿赫空间
		赋范线性空间	定义了角度–>	内积空间	满足完备性–>	希尔伯特空间

从常见的三维空间出发，进行探究：

三维空间的特点：

1. 由无穷多位置点组成
2. 这些点之间存在相对关系
3. 可以在空间中定义长度、角度
4. 空间中可以容纳运动，这里的运动是从一点到一点的变换（或者跃迁），并不是微积分上的连续运动

抽象出空间的本质：

空间的本质是：空间容纳运动（变换）
空间与变换：空间是容纳运动的一个对象集合，而变换规定了对应空间的运动（变换）

拓展到线性空间

由空间的本质提出：
问题一：线性空间中的对象是什么，有什么共同点？
问题二：线性空间的运动（线性变换）如何表示？

问题一答案：线性空间中的对象，即空间中的有向线段，即就是向量，可通过选取一组基，并通过坐标表示的方法表达。
问题二答案：在选定一组基后，使用矩阵来描述该空间中任何一个运动（线性变换）。

总结：在线性空间中，选定一组基后，使用向量刻画空间中的对象，使用矩阵来刻画对象的运动，使用矩阵与向量的乘法来施加运动。

2.基

基，可看成线性空间里面的坐标系，选定一组基，即在线性空间中，选定一个坐标系

一句话：矩阵是线性空间中的线性变换的一个描述。在一个线性空间中，只要我们选定一组基，那么对于任何一个线性变换，都能够用一个确定的矩阵来加以描述
那么，同一个线性变换，在不同的基下，就会对应不同的描述矩阵

理解：注意区别线性变换和线性变换的描述
比喻：线性变换为一个人，线性变换的描述为对这个人拍照。人不会变，但是拍照的角度会千差万别，角度的变化对应基选择的变化。

3.矩阵

问题：那么给定两个矩阵，是否能知道这两个矩阵是不是对同一个线性变换的描述呢？
答案：肯定的,若矩阵A与B是同一个线性变换的两个不同的描述，那么一定能找到一个非奇异矩阵，使得A、B之间满足：
$$A=P^{-1}BP$$即，相似矩阵的定义。所谓相似矩阵，就是同一个线性变换的不同的描述矩阵。

同一个线性变换，在不同的基（坐标系）下，对这个线性变化的描述，表现为不同的矩阵。但是本质相同，所以本征值相同

这里，同一个线性变化的不同的描述矩阵中，总会有性质较好的描述矩阵。如同，不同的角度拍摄一个人，总有美丑之分，不然也不会有著名的斜上方45度。

特殊性质：矩阵不仅可以作为线性变换的描述，而且可以作为一组基(一个坐标系)的描述。
用作变换的矩阵，不仅可以把线性空间中的一个点变换到另一个点去，而且也可以把线性空间中的一组基（一个坐标系）变换到另一组基（一个坐标系）上去。

4.向量

向量形如：$$a=[a_1,a_2,...{]}^{{}_{-1}}$$
如果一组向量(矩阵)是线性无关的，那么他们就可以成为度量这个线性空间的一组基，每个向量都躺在一个坐标轴上，成为那根坐标轴上的基本度量单位。
所以，解释了上面矩阵的特殊性质，矩阵既可以描述变换，也可以描述坐标系。

5.矩阵乘法

矩阵乘法表示施加变换（左乘）：
1.向量的变换
2.坐标系的变换

---

运动是相对的：

---

1.对于一个常见的矩阵乘法运算：

$$Ma=b$$
其中，$M$为矩阵，$a$，$b$为向量。

矩阵$M$从变换的角度看： 向量$a$经过矩阵M所描述的线性变换，变成了向量$b$。

• 如何完成相对运动呢，即向量变换vs坐标系变换？
  答：向量变换为：$Ma=b$：向量$a$经过矩阵M所描述的线性变换，变成了向量$b$。
  坐标系变换：将$Ma=b$两边同乘$M^{-1}$,$M^{-1}$为坐标系变换，得到$a=M^{-1}b$，即向量$b$经过$M^{-1}$变为$a$，

矩阵$M$从坐标系描述的角度看：矩阵M描述了一个坐标系，一个向量在坐标系$M$下度量成为向量$b$，在坐标系$I$的度量下，成为向量$a$。$I$为单位阵。

等号代表这两种描述是等价的。

• 对于单独的一个向量：
  $$a=[a_1,a_2,...{]}^{{}_{-1}}$$
  隐含着，在$I$坐标系下的度量结果为$a$，即$$Ia=a$$
• 对于单独的一个矩阵：
  $$M$$
  隐含着，如果为基，即为一个坐标系；如果为线性变换，意味着，这个矩阵$M$是在$I$坐标系下度量的。

---

对坐标系施加变换的方法，就是让表示那个坐标系的矩阵与表示那个变换的矩阵相乘。
从向量变换的角度看坐标系变换，对坐标系N施加M变换，就是把组成坐标系N中的每个向量施加M变换。