参考:行列式的本质是什么?
这篇文章的结构是:
-
线性变换的几何直观
-
实现线性变换的矩阵
-
行列式
一、线性变换的几何直观
线性变换的几何直观有三个要点:
-
变换前是直线的,变换后依然是直线
-
直线比例保持不变
-
变换前是原点的,变换后依然是原点
比如说旋转:
比如说推移:
这两个叠加也是线性变换:
二、实现线性变换的矩阵
矩阵可以讲的东西非常多,这里通过一个具体的例子来展示下矩阵是如何完成线性变换的。
把基画出来的原因是因为矩阵变换的其实是基。
举例子来看看,比如旋转(旋转矩阵):
如果要说详细点,实际上:
在参考文章中有一个可操作实例,建议去操作一下,以加深印象。
再给一个例子,看看推移是怎么改变基的:
三、行列式
3.1 行列式是线性变换的伸缩因子(负值为反向收缩),准确来讲缩放的倍数为
我们还是拿旋转矩阵来举例子:
什么意思?我们来看看:
在原文中,依旧有一个可操作的实例,可以感受不同行列值大小对线性变换所带来的影响。
掌握了行列式是线性变换的伸缩因子这一点之后,我们就很容易理解各种行列式的值与线性变换的关系。
3.2 行列式大于0,以下记线性变换矩阵为
1、,很显然对于图形有放大的作用:
2、,图形的大小不会变换:
3、,很显然对于图形有缩小的作用:
3.3
行列式等于0,有一个重要的结论是,矩阵不可逆。这点也很好理解。
先看看什么是可逆。原始的图形是这个样子:
通过旋转矩阵,逆时针旋转:
再通过另外一个旋转矩阵,顺时针旋转:
看起来这个正方形就像没有变换过一样,因此和互为逆矩阵。
有的线性变换是可逆的,有的不行,比如这样的线性变换就是不可逆的。从图像上看,图形会缩成一点或者一个超平面:
或者缩成一条直线:
没有矩阵可以把它们恢复成原来的样子。
这就好比摔碎的鸡蛋、泼出去的水、破了的镜子:
所谓覆水难收、破镜难圆就是这个意思。
3.4
原始图像是这样的:
被的矩阵线性变换后是这样的:
,其实就是改变了基的“左右手法则”。
四、推论
1、矩阵乘法与行列式乘法
知道了行列式的意义,我们就很容易知道,为什么说:
稍微解释一下,矩阵乘法之所以不成立,本质上是因为——矩阵都代表在基下的线性变换,虽然直观上理解与都做了同样的线性变换,只是顺序不同并不应该影响结果。但实际上,我们必须要注意一点,即虽然矩阵都是或者的形式,但变换的形式是相对于基而言的,同一个线性变换矩阵在不同基下进行的线性变换实际上是不同的。(更详细的理解可以参考相似矩阵)
即对于,先在基下进行的线性变换,然后再在基下进行的线性变换。此时的变换进行的操作(如推移或旋转)实际上是不等同于在基下进行的变换的。
对于同理也可以这么理解,最后就显而易见矩阵乘法的交换率是不成立的。
但在某些特殊情况下,矩阵乘法的交换律依旧成立。
(1) 设A , B 至少有一个为零矩阵,则A , B 可交换;
(2) 设A , B 至少有一个为单位矩阵, 则A , B可交换;
(3) 设A , B 至少有一个为数量矩阵() 则A , B可交换;
(4) 设A , B 均为对角矩阵,则A , B 可交换;
(5) 设A , B 均为准对角矩阵(准对角矩阵是分块矩阵概念下的一种矩阵。即除去主对角线上分块矩阵不为零矩阵外,其余分块矩阵均为零矩阵),且对角线上的子块均可交换,则A , B 可交换;
还有一种情况就是二维矩阵的旋转变换。但三维及以上就不成立了。
第二点是行列式乘法。经过上面的一堆介绍,至少可以明白矩阵行列式是线性变换的伸缩因子,方阵线性变换由三部分组成——推移、旋转、伸缩。行列式的值表示了伸缩的比例,不论是还是,其伸缩结果都是(设原基向量的长度为 )。
2、我们也很容易知道,为什么说:
这是因为:
我们也很容易知道,为什么说三阶矩阵的行列式是列组成的平行六面体的体积。
五、小结
本节主要讲解了以下几个知识点:
- 矩阵线性变换实际上是改变了基向量的长度或者方向。
- 矩阵线性变换对基向量方向的改变形式——推移或者旋转。
- 矩阵行列式的值为基向量的伸缩因子。
- 矩阵不可逆的线性变换解释。
- 从线性变换的角度解释了矩阵乘法交换律的不可行性。