线性代数学习笔记（五）：矩阵的理解之— 线性代数核心定理

线性代数学习笔记（五）：

矩阵的理解之— 线性代数核心定理

一、矩阵的秩与行列式

详见：线性代数学习笔记（三）：矩阵的理解之— 矩阵的秩与行列式

二、矩阵的特征值与特征向量

详见：线性代数学习笔记（四）：矩阵的理解之— 矩阵的特征值与特征向量

三、线性代数核心定理

以上所有线性代数定义的融合与相互联系：

以下几点说法完全等价：
（1）：$M$可逆（存在矩阵$M^{-1}，M^{-1}M=1$）
（2）：$det(M)\ne 0$
（3）：$M$满秩，r(M)=n
（4）：任何${\lambda }_i\ne 0$
（5）：$kernel(M)=0$

• 几点解释：
  （1）是说：
  $M$可逆，变换后的线性空间可以变回原空间，空间的维度没有改变，线性变换$M$没有对空间做降维打击。
  （2）是说：
  线性变换$M$没有做降维的变换，微元体积之比不为0。
  （3）是说：
  $M$满秩，各行秩/列秩线性无关，r(M)=n。
  （4）是说：
  $det(M)={\lambda }_1\ast {\lambda }_2\ast ...\ast {\lambda }_n$，而$det(M)\ne 0$，所以任何${\lambda }_i\ne 0$。
  （5）是说：
  核的概念：$M\vec{\alpha }=\vec{0}$，则$\vec{\alpha }\in ker(M)$
  核空间的概念：核向量构成的空间。
  核空间是原空间线性变换后的一个子空间。
  

四、深入理解矩阵

矩阵$M$首先是n×n个数的有机存在，从不同的侧面得到$M$的不同理解方式：

（1）线性变换：
$M$作用在一个列向量上，表示对列向量做线性变换。
（2） 过渡矩阵：
$M$可用来描述线性空间两组基之间的变换关系，也可以是两组基之间系数分量之间的关系。
（3）秩：
把$M$看做许多列向量的排列，可以得到其极大线性无关组，引出秩的概念。
（4）行列式：
借助逆序数的概念，得到行列式$det(M)$ 。
（5）特征值和特征向量：
$M$作用在一个向量上等于一个数乘这个向量，得到特征值和特征向量的概念。

五、二次型与合同

5.1. 二次型与矩阵

用矩阵可以将所以二次型的不同表达方式认同起来。

5.2. 合同

五、线性空间的理解

详见：线性代数学习笔记（一）：线性空间的理解

六、线性变换的理解

详见：线性代数学习笔记（二）：线性变换的理解