线性代数物理意义学习（从几何角度出发，不同于数值解析解）

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
$\left[\begin{array}{c}2\\ 4\end{array}\right]$
矩阵中的向量起始点必须是原点
矩阵的单位数轴为基
$a\vec{v}+b\vec{w}$
$\vec{v}$与 $\vec{w}$组成平面。代表张成的空间
$a\vec{v}+b\vec{w}+c\vec{u}$
$\vec{v}$与 $\vec{w}$,$\vec{u}$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）

$\vec{i}\to \left[\begin{array}{c}1\\ -2\end{array}\right],\vec{j}\to \left[\begin{array}{c}3\\ 0\end{array}\right]$

这里$\vec{i}$代表基

$\left[\begin{array}{c}x\\ y\end{array}\right]\Rightarrow x\left[\begin{array}{c}1\\ -2\end{array}\right]+y\left[\begin{array}{c}3\\ 0\end{array}\right]=\left[\begin{array}{c}1x+3y\\ -2x\end{array}\right]$

[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

$\left[\begin{array}{cc}3& 2\\ -2& 1\end{array}\right]$

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

$\left[\begin{array}{cc}2& -2\\ 1& -1\end{array}\right]$

$F^n$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

$\left[\begin{array}{cc}1& 1\\ 0& 1\end{array}\right]\left(\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]\right)=\left[\begin{array}{cc}1& -1\\ 1& 0\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]$
 剪切矩阵         旋转矩阵               复合矩阵

$\left[\begin{array}{cc}0& 2\\ 1& 0\end{array}\right]$代表M2，$\left[\begin{array}{cc}1& -2\\ 1& 0\end{array}\right]$代表M1

$M2M1\ne M1M2$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

$A\vec{x}=\vec{v}$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$A$不为零时，$\vec{x}$向量经过变换与$\vec{v}$重合
$A^{-1}$矩阵代表按照原来的转换方向将向量返回成原来的情况
$A^{-1}A$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？

$\left[\begin{array}{c}4\\ 1\end{array}\right]\cdot \left[\begin{array}{c}2\\ -1\end{array}\right]=4\times 2+1\times \left(-1\right)=7$
  $\vec{v}$         $\vec{w}$

$\vec{w}$向$\vec{v}$上投影，投影的长度和v长度相乘，也可以$\vec{v}$向$\vec{w}$上投影

叉积如何理解？
$\vec{v}\times \vec{w}=\vec{p}$
 叉积
其实质是：$\vec{v}$与$\vec{w}$的叉积得到另一个向量$\vec{p}$，向量$\vec{p}$的长度是$\vec{v}$$\vec{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？

$A\vec{X}=\lambda \vec{X}$
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

$\vec{i}$与$\vec{j}$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
$\left[\begin{array}{cc}3& 1\\ 0& 2\end{array}\right]$

[-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。$\lambda$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$\overrightarrow{b1}$为[1,0],定义$\overrightarrow{b2}$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
$\left[\begin{array}{cc}3& 1\\ 0& 2\end{array}\right]\left[\begin{array}{cc}1& -1\\ 0& 1\end{array}\right]$
              基变换矩阵

${\left[\begin{array}{cc}1& -1\\ 0& 1\end{array}\right]}^{-1}\left[\begin{array}{cc}3& 1\\ 0& 2\end{array}\right]\left[\begin{array}{cc}1& -1\\ 0& 1\end{array}\right]=\left[\begin{array}{cc}3& 0\\ 0& 2\end{array}\right]$

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