线性代数学习笔记(五):
矩阵的理解之— 线性代数核心定理
文章目录
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 M M可逆(存在矩阵 M − 1 , M − 1 M = 1 M^{-1},M^{-1}M=1 M−1,M−1M=1)
(2): d e t ( M ) ≠ 0 det(M)≠0 det(M)=0
(3): M M M满秩,r(M)=n
(4):任何 λ i ≠ 0 \lambda_i≠0 λi=0
(5): k e r n e l ( M ) = 0 kernel(M)=0 kernel(M)=0
- 几点解释:
(1)是说:
M M 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 M M没有对空间做降维打击。
(2)是说:
线性变换 M M M没有做降维的变换,微元体积之比不为0。
(3)是说:
M M M满秩,各行秩/列秩线性无关,r(M)=n。
(4)是说:
d e t ( M ) = λ 1 ∗ λ 2 ∗ . . . ∗ λ n det(M)=\lambda_1*\lambda_2*...*\lambda_n det(M)=λ1∗λ2∗...∗λn,而 d e t ( M ) ≠ 0 det(M)≠0 det(M)=0,所以任何 λ i ≠ 0 \lambda_i≠0 λi=0。
(5)是说:
核的概念: M α ⃗ = 0 ⃗ M\vec \alpha=\vec 0 Mα=0,则 α ⃗ ∈ k e r ( M ) \vec \alpha∈ker(M) α∈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 M M首先是n×n个数的有机存在,从不同的侧面得到 M M M的不同理解方式:
(1)线性变换:
M M 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 M 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 M 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 d e t ( M ) det(M) det(M) 。
(5)特征值和特征向量:
M M 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。