线性代数学习

  

线性空间中的任何一个对象，通过选取基和坐标的办法，都可以表达为向量的形式。

在线性空间中选定基之后，向量刻画对象，矩阵刻画对象的运动，用矩阵与向量的乘法施加运动。

（选取基后，对象用向量表示，对象的运动用矩阵表示）

 

矩阵的本质是运动的描述。

矩阵也可以理解成一个坐标系。

因为对象的变换等价于坐标系的变换。

  Ma = b

在同一个基下，向量a在M的变换下，变成b。

  Ma = Ib

在M坐标系下量出向量a 和 在I坐标系下量出向量b 是同一个向量。

所以看特征值和特征向量：（M的特征值是λ，特征向量是a）

Ma = λa

在M坐标系下量出向量a和 在I坐标系下量出向量λa是同一个向量。

或者：

在同一个基下，向量a经过M矩阵变换，其方向不发生变化，长度变成λ倍。

 

 

矩阵是线性空间中的线性变换的一个描述。在一个线性空间中，只要我们选定一组基，那么对于任何一个线性变换，都能够用一个确定的矩阵来加以描述。

理解这句话的关键，在于把“线性变换”与“线性变换的一个描述”区别开。一个是那个对象，一个是对那个对象的表述。

 同样一个线性变换，可以有多种不同方法来描述（不同矩阵）。

若矩阵A与B是同一个线性变换的两个不同的描述（之所以会不同，是因为选定了不同的基，也就是选定了不同的坐标系），则一定能找到一个非奇异矩阵P，使得A、B之间满足这样的关系：

A = P-1BP

相似矩阵：就是同一个线性变换的不同的描述矩阵。

 

矩阵的迹 =  对角线的和 = 特征值的和

行列式等于特征值的乘积。行列式的几何意义是线性变换的有向体积。

 

参考：

矩阵的特征：特征值，特征向量，行列式，trace

https://zhuanlan.zhihu.com/p/25955676

矩阵理解

https://blog.csdn.net/myan/article/details/647511

https://blog.csdn.net/myan/article/details/649018

https://blog.csdn.net/myan/article/details/1865397