线性代数的本质 - 09 - 基变换

基变换

同一个向量，同不同的基表示，会得到不同的结果。

假如现在有一组新的基底 $b_1 = \left[ \begin{matrix} 2 \\ 1 \end{matrix}\right]$ 和 $b_2 = \left[ \begin{matrix} -1 \\ 1 \end{matrix}\right]$ ，令 $A = \left[ \begin{matrix} b_1 & b_2 \end{matrix}\right]$

如何在不同基底之间转换是我们要考虑的问题。

假如一个用$b_1$ 和 $b_2$ 表示的向量是$\left[ \begin{matrix} -1 \\ 2 \end{matrix}\right]$，那么这个向量用我们的 $\hat i$ 和 $\hat j$ 表示的话该是多少呢？

$$-1 \times \left[ \begin{matrix} 2 \\ 1 \end{matrix}\right] + 2 \times \left[ \begin{matrix} -1 \\ 1 \end{matrix}\right] = \left[ \begin{matrix} -4 \\ 1 \end{matrix}\right]$$

我们就是用 $\left[ \begin{matrix} -4 \\ 1 \end{matrix}\right]$ 来描述“新环境”里的$\left[ \begin{matrix} -1 \\ 2 \end{matrix}\right]$的，上面这个过程很熟悉，就是一个矩阵乘法$\left[ \begin{matrix} 2 & -1 \\ 1 & 1 \end{matrix}\right]\left[ \begin{matrix} -1 \\ 2 \end{matrix}\right] = -1 \times \left[ \begin{matrix} 2 \\ 1 \end{matrix}\right] + 2 \times \left[ \begin{matrix} -1 \\ 1 \end{matrix}\right] = \left[ \begin{matrix} -4 \\ 1 \end{matrix}\right]$

而矩阵乘法就是一个特定的线性变换，所以这里就很好理解：$A$ 可以看作一个线性变换，它将我们的基向量$\hat i$ 和 $\hat j$ 变换成新的基向量。

那如何计算基向量为$\hat i$ 和 $\hat j$ 的向量在“新环境”中的坐标呢?

很简单，$A^{-1}\vec v$ 就可以了，以上就是坐标系中单个向量之间的转化。

如何用 $M$ 空间的语言表示 $M$ 空间的线性变换呢，比如将 $M$ 空间逆时针转90度？

• 假设有一 $A$ 空间的向量 $\vec v$，我们首先把它通过 $A\vec v$ 换成标准空间的坐标表示。
  • 然后得到的向量逆时针旋转90度，假设这个变化是 $M$ ，那变换后的坐标就是 $MA\vec v$，
  • • 再把这个坐标换回 $A$ 空间下的表示，$A^{-1}MA\vec v$，这样就得到了 $A$ 空间下的向量经过一个 $M$ 线性变换后得到的向量坐标。

    • $A^{-1}MA$ 描述的就是一个用 $A$ 空间的语言描述的线性变换，这个线性变换在标准空间的效果是 $M$.它接收一个用 $A$ 空间语言描述的向量，输出一个变换后的用 $A$ 空间语言描述的向量。

      总的来说，每当看到这样一个表达式： $A^{-1}MA$ ，这就暗示着一种数学上的转移作用。