线性代数----对一些概念深入理解（多角度）

概要

思考任何问题，从定义出发，无论还要不要从其他角度，第一角度永远是定义。

第二、三角度：空间几何角度（旋转、平移...）、方程组（解）的角度

本文为经过网上资料学习和个人思考得出的结论，如有不对，欢迎指正！

1  特征值和特征向量的意义

（1）首先，相关公式是：Ax=λx，λ是常数，x和A是矩阵，x称为矩阵A关于特征值λ的特征向量。

（2）其次，从几何角度看，矩阵A和常数λ在与x矩阵相乘的时候所起到的作用是一致的，即改变x的大小，有可能使x反向，但x操作前后始终在一条直线上，也就是x仅仅被拉伸或收缩了。特征向量的意义可以结合计算机图形学中所学，如果旋转一个物体，那么旋转轴刚好可以用特征向量来表征。

（3）最后，特征值和特征向量之间的关系：特征值：特征向量=1：n（1对多）。

因为当特征向量x固定后，λ可通过Ax=λx求出唯一解，当λ固定后，x仍然无法被唯一确定。

2  线性相关与线性无关

（1）首先，基础定义是：存在非零向量c，使得矩阵b有bc=0，那么b是线性相关的，否则b是线性无关的。

（2）其次，从线性方程组角度观察，若有这样方程：Ax=0，且A是由线性无关的列向量构成，则x只有唯一零解。

（3）还可以从行列式角度来观察，有这样规律：线性无关矢量组成的矩阵的行列式不为零；线性相关矢量组成的矩阵的行列式必为零。

3  行列式意义

       对于二维来说，行列式代表的就是面积变化，三维来说，行列式表征的就是体积变化了，推之高维空间亦然。总地来说，行列式体现了向量所围成的密闭空间的容量变化。

4  逆矩阵意义

       可逆->逆矩阵->逆变化（依据逆矩阵）。如果一个n阶矩阵的行列式为零（秩<n），代表使用这个矩阵对目标矩阵进行变换将对目标进行降维（降秩）（比如从平面变成点）。然后我们可以想象，一个物体维度一旦下降（比如从平面变成点），这个过程将不能逆转（从点重新恢复成平面）。即若存在n阶矩阵P使得R（PA）<R（A），且不可能存在矩阵Q，使得R(QPA)=R(A)，也即QP!=E。这就是为什么有些矩阵变换不能求逆矩阵！

5  这门课讲了什么，你学到了什么？

       线性代数和高等数学一样，是一门工具，线性代数这门课介绍了向量、矩阵的线性变换、以及一些特征与性质。体现在公式中，可以将复杂的方程组转化为简洁的形式。体现在空间几何中，线性代数其实就是高维图形的几何变换，比如平移、拉伸等等。