前言
大学课本里面学的线性代数从多元方程组的解析解入手,很多时候其本质讲解的是计算问题,但是当知识点进入到矩阵,向量时便不易理解,只注重其求解思路,不注重其应用价值。这里是从空间解析几何的角度出发辅助理解线性代数的本质。
一、向量是什么?
向量代表着空间中的箭头,如图所示
这里用矩阵表示就是
[
2
4
]
\begin{bmatrix}{\color{Red} 2}\\{\color{Red} 4 }\end{bmatrix}
[24]
矩阵中的向量起始点必须是原点
矩阵的单位数轴为基
a
v
⃗
+
b
w
⃗
a{\color{Red} \vec{v}}+b{\color{Red} \vec{w}}
av+bw
v
⃗
\vec{v}
v与
w
⃗
\vec{w}
w组成平面。代表张成的空间
a
v
⃗
+
b
w
⃗
+
c
u
⃗
a{\color{Red} \vec{v}}+b{\color{Red} \vec{w}}+c{\color{Red} \vec{u}}
av+bw+cu
v
⃗
\vec{v}
v与
w
⃗
\vec{w}
w,
u
⃗
\vec{u}
u组成空间。若组成的是一个平面,说明线性相关
向量空间的一组基是张成该空间的一个线性无关向量集
矩阵变换就是考虑向量的输入输出,输入向量经矩阵转换后输入向量,改变了向量的方向和大小。
所以矩阵转换就是考虑运动,箭头终点是个点,看成点的运动。
在矩阵转换过程中,
直线依旧是直线
原点保持固定
对角线不弯折
二、线性变换的实质?
线性变换考虑的是基的变换(已知变换前后向量)
i
⃗
→
[
1
−
2
]
,
j
⃗
→
[
3
0
]
\vec{i}\rightarrow \begin{bmatrix}1\\ -2\end{bmatrix},\vec{j}\rightarrow \begin{bmatrix}3\\ 0\end{bmatrix}
i→[1−2],j→[30]
这里 i ⃗ \vec{i} i代表基
[ x y ] ⇒ x [ 1 − 2 ] + y [ 3 0 ] = [ 1 x + 3 y − 2 x ] \begin{bmatrix}x\\ y\end{bmatrix}\Rightarrow x\begin{bmatrix}1\\ -2\end{bmatrix}+y\begin{bmatrix}3\\0\end{bmatrix}=\begin{bmatrix}1x+3y\\ -2x\end{bmatrix} [xy]⇒x[1−2]+y[30]=[1x+3y−2x]
[x,y]是起始向量,经过矩阵转换后,变换成了[1x+3y,-2x],这是变换后的向量
这里两个基合并在一起变成了2*2矩阵
[ 3 2 − 2 1 ] \begin{bmatrix}3 & 2\\ -2& 1\end{bmatrix} [3−221]
代表基的变换
若是列向量相关,则两个基平行,张成一维空间
比如说
[ 2 − 2 1 − 1 ] \begin{bmatrix}2 & -2\\ 1 & -1\end{bmatrix} [21−2−1]
F
n
F^{n}
Fn代表的是n维空间
所以说,线性变换的实质是操纵空间
三、矩阵乘法的实质是什么?
矩阵乘法的实质是复合变换
[
1
1
0
1
]
(
[
0
−
1
1
0
]
[
x
y
]
)
=
[
1
−
1
1
0
]
[
x
y
]
\begin{bmatrix}1 & 1\\ 0 & 1\end{bmatrix}\left ( \begin{bmatrix}0 & -1\\ 1& 0\end{bmatrix}\begin{bmatrix}x\\ y\end{bmatrix} \right )=\begin{bmatrix}1 & -1\\ 1 & 0\end{bmatrix}\begin{bmatrix}x\\ y\end{bmatrix}
[1011]([01−10][xy])=[11−10][xy]
剪切矩阵 旋转矩阵 复合矩阵
[ 0 2 1 0 ] \begin{bmatrix}0 & 2\\ 1 & 0\end{bmatrix} [0120]代表M2, [ 1 − 2 1 0 ] \begin{bmatrix}1 & -2\\ 1 & 0\end{bmatrix} [11−20]代表M1
M 2 M 1 ≠ M 1 M 2 M2M1\neq M1M2 M2M1=M1M2是因为转换效果不一样,对一个空间中的线段先剪切再旋转,和先旋转再剪切是不一样的
四、行列式的实质是什么?
二阶行列式的实质是:矩阵中两个向量围成的平行四边形的面积
三阶行列式代表的是:六面体体积
三阶行列式的值为0,矩阵的列必然线性相关
秩为三,代表基组成三维空间
秩为二,代表基组成二维平面,其中两个基向量是平行的
秩为一,代表一条直线
秩为0,代表一个点
二阶行列式的值为负(面积不可能是负值),代表一张纸的背面,或者是i向量在j向量顺时针后面
五、线性变换的一些基本情况
A
x
⃗
=
v
⃗
A\vec{x}=\vec{v}
Ax=v代表的是一个向量在翻转矩阵的作用下,翻转成了另一个向量
当
A
A
A不为零时,
x
⃗
\vec{x}
x向量经过变换与
v
⃗
\vec{v}
v重合
A
−
1
A^{-1}
A−1矩阵代表按照原来的转换方向将向量返回成原来的情况
A
−
1
A
A^{-1}A
A−1A代表的是先变换再转换回去,表示什么都没做
点积如何理解?
[
4
1
]
⋅
[
2
−
1
]
=
4
×
2
+
1
×
(
−
1
)
=
7
\begin{bmatrix}4\\ 1\end{bmatrix}\cdot \begin{bmatrix}2\\ -1\end{bmatrix}=4\times 2+1\times\left ( -1 \right )=7
[41]⋅[2−1]=4×2+1×(−1)=7
v
⃗
\vec{v}
v
w
⃗
\vec{w}
w
w
⃗
\vec{w}
w向
v
⃗
\vec{v}
v上投影,投影的长度和v长度相乘,也可以
v
⃗
\vec{v}
v向
w
⃗
\vec{w}
w上投影
叉积如何理解?
v
⃗
×
w
⃗
=
p
⃗
\vec{v}\times \vec{w}=\vec{p}
v×w=p
叉积
其实质是:
v
⃗
\vec{v}
v与
w
⃗
\vec{w}
w的叉积得到另一个向量
p
⃗
\vec{p}
p,向量
p
⃗
\vec{p}
p的长度是
v
⃗
\vec{v}
v
w
⃗
\vec{w}
w面积大小,方向是右手定则
六、特征值,特征向量的实质是什么?
A
X
⃗
=
λ
X
⃗
A\vec{X}=\lambda \vec{X}
AX=λX
一个向量在A的作用下变换后,向量位置并没有改变
意味着矩阵对它的作用仅仅是拉伸或压缩而已,如同一个标量
i
⃗
\vec{i}
i与
j
⃗
\vec{j}
j是单位向量,组成基坐标系与[-1,1]组成了二维平面,三个向量符合平行四边形法则
这时,基坐标系发生了变换,此时[-1,1]也随之变换。基坐标系变换成了
[
3
1
0
2
]
\begin{bmatrix}3 & 1\\ 0 & 2\end{bmatrix}
[3012]
[-1,1]只是变长了2倍,说明[-1,1]是特征向量
所以说,基坐标系发生了变换,带动其坐标系内所有空间向量发生了变化,在这一过程中,方向位置没有改变的便是特征向量。
特征向量不止一个,对应的特征值也不止一个。
λ
\lambda
λ是特征值,代表的是放大或缩小的倍数。
在三阶矩阵中,A代表的是基坐标系的变化,使一个六面体发生了旋转,旋转后有的向量不发生变化,此时,旋转轴就是特征向量。
七、基的变换
将基坐标发生变换
再定义
b
1
⃗
\vec{b1}
b1为[1,0],定义
b
2
⃗
\vec{b2}
b2为[0,1]
相当于同一坐标用不同的语言(数字)来描述。
对一个矩阵来说,求n次方不好算,但是对于基坐标来说,n次方无非就是将基坐标伸缩
所以,基向量很好(基坐标变换),将特征向量变成基向量,这便是矩阵对角化
[
3
1
0
2
]
[
1
−
1
0
1
]
\begin{bmatrix}3 & 1\\ 0 & 2\end{bmatrix}\begin{bmatrix}1 & -1\\ 0 & 1\end{bmatrix}
[3012][10−11]
基变换矩阵
[ 1 − 1 0 1 ] − 1 [ 3 1 0 2 ] [ 1 − 1 0 1 ] = [ 3 0 0 2 ] \begin{bmatrix}1 & -1\\ 0& 1\end{bmatrix}^{-1}\begin{bmatrix}3 & 1\\ 0 & 2\end{bmatrix}\begin{bmatrix}1 & -1\\ 0 & 1\end{bmatrix}=\begin{bmatrix}3 &0 \\ 0 & 2\end{bmatrix} [10−11]−1[3012][10−11]=[3002]
矩阵对角化条件:能张成全空间的特征向量
二阶矩阵有两个特征向量
三阶有3个特征向量