线性代数思维方法

线性向量空间

向量空间的定义：

• 满足封闭性、完备性、线性运算，以及一些标准化约定。n维向量空间的点可以用基向量线性表示。

欧几里得空间的定义：

• 一种特殊的向量空间，规定了内积、长度、角度等，即欧几里得空间是向量空间与一种特殊的测度，这种测度允许我们计算距离和角度。
• n维向量组（n* n矩阵）与变换矩阵（n* n矩阵）的点积为另一组向量组（n* n矩阵）。
• n维基向量组因彼此线性无关，而一定可以正交化。方法为Schmidt正交化，即每一向量减去其他向量在该向量方向的投影。
• 线性方程组，是一组向量在n维标准正交基向量下，经过线性变换矩阵的作用后，变为一组新的向量，已知新向量组，求解原向量组。
• gauss消元法：gauss消元法是通过初等变换还原变换矩阵为标准型矩阵（反映标准正交基向量在其变换后的正交基向量），达到简化的目的。

矩阵和行列式是描述n维向量空间的基本语言，以下观点同时也是对n维向量空间的分析。

行列式与矩阵

行列式

• n阶行列式是对应n阶矩阵所描述的线性变换对空间形变的效果。
• Cramer法则：Cramer法则是在某一具体基向量下，通过末变换和初变换的比值，求解线性变换系数Xn。

矩阵

• 矩阵的乘法：两个线性映射的复合映射。
• 矩阵描述的线性基本变换：缩放、剪切、旋转（绕某一维度，镜像也包括在内）、维度变换｛投影（维度降低）、嵌入（维度升高）｝。
• 任何满秩矩阵所描述的变换都可以看成缩放、剪切、旋转的组合。

特殊矩阵

• 转置矩阵：转置操作不改变矩阵所描述的线性变换类型，但转置操作改变矩阵操作的基向量。（在这里我们称之为对偶变换）。
• 正交矩阵：是一种保距映射，即它是旋转这一基本变换。
• 对称矩阵：矩阵和转置矩阵操作的上述基向量的改变无关，原因：对称矩阵的特征向量矩阵是正交矩阵，因而对称矩阵可以表示成由特征值组成的对角矩阵在一组新的基（标准正交基经过保距映射）的线性变换，本质上，该对角矩阵已充分表述了该线性变换对标准正交基的作用）。
• 逆矩阵：原矩阵操作的回溯操作。（包括线性变换的回溯，空间形变的回溯）
• 可逆矩阵的变换：可逆矩阵所描述的变换是缩放、剪切，旋转三种基本变换的组合，这三种基本变换对应于三种初等变换。也就是说可逆矩阵可以表示成有限个初等矩阵的乘积。
• 相似矩阵：相似矩阵与原矩阵是同一种线性变换在不同基下的表示，他们的迹和特征值等等很多都是相同的。满秩矩阵一定可以相似对角化，因为它们在对基实行变换时，不会出现维度变换。
• 合同矩阵：合同矩阵和原矩阵描述了不同基下的同一二次型。进一步，当我们在不同基下观察同一个几何对象，虽然表示对象的矩阵可能不同，但所表述的对象本身的性质没有改变。

合同矩阵与对称矩阵的区别：对称矩阵是，当我们在不同基下观察同一线性变换，虽然表示这个变换的矩阵不同，但所表述的本身对象的性质没有改变。

性质

• 初等变换：任何矩阵都可以分解为初等矩阵与标准型矩阵的乘积，其中标准型矩阵反映矩阵的秩。
• 矩阵的秩：矩阵的秩反映矩阵变换所能保有的有效信息量，也就是在不发生信息减损条件下，能表达的最大信息自由度。
• 特征向量：在矩阵变换下方向不变或相反的向量。
• 特征值：特征向量的伸缩系数。特征向量个数与矩阵的秩相等。
• 特征值和特征向量描述了矩阵变换的特征。
• 相似对角化：满秩矩阵可以相似对角化，满秩矩阵可以表示成对一组基（标准基向量经过特征向量矩阵的变换）施行伸缩变换，即满秩矩阵与对角矩阵是同一线性变换在不同基下的表示。
• Jordan标准型：每个Jordan块的大小反映了矩阵在该特征值下的不可对角化程度。