考研线性代数深入理解

文章目的

考研过程中觉得考研辅导教材丝毫没有给线代一个直观的理解， 只是让你计算， 然而很多题目， 定理， 公式， 如果没有直观的理解， 就需要你强行记住定理， 以及现场推导。 这严重影响了我做题的速度。

因此在参考B站线性代数的本质的基础上， 讲线代的直观理解应用到考研范围的题目上来， 赐你屠龙刀

特征向量之前的向量组是自己兴起手推总结的， 一不小心就写了很多，虽然字很丑。

特征向量是发现效果不错， 所以打了Markdown版本的

阅前注意

1. 你必须知道向量、矩阵、向量组、基、基础解析、极大无关组、解方程组、矩阵乘法、坐标变换、基变换， 等线性代数的基本概念
2. 本文第一页， 总结了向量， 矩阵，基的理解， 这是后面一切推理的基石。如果你不能够看懂， 推荐你花2-3h观看视频线性代数的本质
3. 第二点非常重要， 这是一切直观理解的必要前提

向量、矩阵、基、极大无关组、Span

重要前提：

我们研究的线性代数， 都有一个默认基，也就是直角坐标系$E$, 以下会称其为标准基，简称标基。

向量符号不会给出箭头， 大写字母均代表矩阵 ，小写字母代表向量， 或者是数乘的时候的实数（或者说一维的矩阵），$[x_1,x_2,...x_n]$这样描述的时候， 自行理解这是向量$x$的每个分量， 还是一个矩阵$X$的列向量/行向量组

向量

向量在数学上是一组数， 物理上是矢量，计算机里是一个数组，

在几何空间中可以表示坐标。

考研中，如果和基结合来看， 就是基向量的线性组合, 放到基空间里， 就是基空间里的一个向量， 或者说一个坐标点

注：线性组合就是对应相乘再相加

看下面的等式
$$\begin{gathered} Ax=[a_1,a_2,..,a_n]x=[a_1,a_2,..,a_n][x_1,x_2,...,x_n{]}^T \\ =x_1{a}_1+x_2{a}_2+...+x_n{a}_n=y \end{gathered}$$

一行4个=， 5个表达， 是完全等价的，

矩阵乘向量（变换） = 基空间A的x向量 = [基向量]*的线性组合 = y(标系下的向量、坐标、线性组合)

你理解到什么程度就可以了呢？，你看到下面这个式子能想到上面的任何一个就过关了

$$x_1{a}_1+x_2{a}_2+...+x_n{a}_n$$

这不是相乘相加

这是基向量的线性组合， 是两个向量内积（一维空间直线上的点）， 或者说高维空间中的一个点。

并且在脑海里能大致想到这个空间， 和点即可

矩阵

矩阵是一组向量，和向量一样定义的， 分块后就没区别， 也叫二维张量

矩阵在考研里有两个角色。 一是变换，二是向量组

在做矩阵乘法的时候， 矩阵就可以看成变换

$Ax=b这里的A就是变换$

当然也可以看成向量组

$A=[a_1,a_2,..,a_n]$

矩阵乘法的含义，方程组解与函数的解

$Ax=b$

你可以看成时，将x做A变换，变成了b

也可以看成是，A空间中的x就是标空间中的b

如果你把x看成一个变量（实际上是一组变量）的话，不同的x产生不同的Ax（线性组合)， 也就描述了整个A空间的任何一个向量， $Ax=b$就是找到A空间中对应b的那个线性组合

更数学一点，你把x看成是自变量，Ax看成是自变量的函数， 变成了F(X) = b，就是解了

不过我们线代的函数是线性函数（线性变换），自变量，因变量也都是向量或者矩阵。

解当然也是向量， 通解就是整个解空间

向量组与空间、矩阵与方程组

假设$A_{n\ast m}$

行满秩，行向量全都线性无关， 从列的角度来看， 就是所有列向量张成了n维空间。

可以保证$Ax=b$有解

列满秩， 列向量组全都线性无关，列向量是一个极大无关组。假高维，实际只张成了m维空间

不能保证$Ax=b$有解

唯一解就是，b和Ax相同维度， 有唯一表示（直线在平面上）

无解就是， 目标b维度高了， Ax表示不了（直线不在平面上）

无穷解就是Ax维度高， 有一个零空间可以表示b（一族向量，投影到数轴上的同一个点，或者说一族平面， 投影到平面上的一条线）

向量、矩阵、变换、线性空间、向量组的相关性，线性方程组的解空间合集（手写版字很丑，）

坐标变换和基变换

向量

以前说了向量是一组数， 可以看成是在基下的坐标 ，也基向量的线性组合

坐标变换

注：坐标就是向量，变换就是矩阵乘法

$Ax=y$

$x$对$A$的一个线性组合计算出来的结果就是在标准坐标系中的表述$y$

注：$A$的基（所有列向量)是在标准坐标系下描述的。更宽泛的来说， 任何我们写的向量和矩阵都是默认在标系下表述的

所以他们的**线性组合** $Ax$ 也是标系的一个向量 $y$

而矩阵乘法$AX=B$不过是

$A[x_1,x_2,...x_n]=[b_1,b_2,...b_n]$

the transformation $A{x}_i=b_i$ be applied by n times

注：我今后将任何标准坐标系下的向量或者矩阵， 都叫做标述， 标准坐标系叫做标系

坐标变换做的事可以从坐标变换和基变换的角度来理解

1. 坐标变换

   对$x$施加$A$变换

2. 基变换

   在基变换$A$的情况下$x$表示的向量（线性组合）在标系下的表述$y$

注：基可以对于向量来说可以理解成语言， 向量是描述， A语言下x的描述， 在标准语言下是y

比如一个单词shabby， 你读起来会误以为它是shabi的意思， 但是经过A语言翻译到中文， 这就是破旧的意思。

那反过来， 要把一个标准表述变成基A表述只要做逆变换即可

$$x=A^{-1}y$$

基变换

如何对基$A$下的坐标作一个在标系下表示的变换

maybe above sentence can easily be understood by reading following words “make a vector in basis A be applied a transform that in basis standard”

因为我们默认任何矩阵和向量都是标系下的， 所以你如果不变基的话是不能做到对**基A下的坐标施加同一变换**的。

注：同一变换比如逆时针旋转90’在不同坐标系下是不一样的（至少大多数情况下是不一样的），这也就是相似对角化其实就是为了做这种事。

我截取了视频中最重要的部分内容描述基变换







这样基变换的目的就很明显了

首先我们的矩阵和向量都是在标系下的，因此， 你的变换矩阵transformation is also in standard basis。

而我想要知道的是相同的变换在基A下， 用我们的语言描述（标系下表示）是什么样的

注：区分变换$C$和$A^{-1}CA$.

实际上， 上述例子的本质是把一个基先变换成标系（直角坐标系）再作变换，再变回原来的基下。这样比直接找到一个$D=A^{-1}CA$ 更加的容易

注：怎么理解直角坐标系， 相互正交，而一般对角矩阵正是这样的。

特征值和特征向量

特征向量

首先应该讨论特征向量。特征值只是一个副产品而已，因为线代讨论的主体是向量而非实数

特征向量是一个矩阵（变换）施加在上面时， 只会改变大小的向量，改变的大小$\lambda$

注：你可以把特征换成伸缩， 伸缩向量， 伸缩值

为了求特征向量

$A\alpha =\lambda \alpha$

$A\alpha =\lambda E\alpha$

$(A-\lambda E)\alpha =\overrightarrow{0}$

变成了解线性方程组， 或者说找零空间

$|A-\lambda E|$会是一个特征多项式，$|A-\lambda E|=0$是一个特征方程

特征方程的根三种情况

• 无根（考研不考虑）

• 单根（该特征值解的零空间至少1维，至多1维）

• k重根（该特征值解的零空间至少1维，之多k维）

对应${\lambda }_i$零空间里的所有向量${\alpha }_{ij}$

$A{\alpha }_{ij}={\lambda }_i{\alpha }_{ij}$

零空间可以用基向量（=基础解系，=极大线性无关组，后都说成基础解系）来表述

注：

一个前提：考研大题只讨论实对称阵， 二次型矩阵都能表示实对称阵， 实对称阵一定可以相似对角化， 同样一定可以正交化

一个结论：不同特征值对应的特征向量一定线性无关，也即基础解系增广的向量组线性无关。

显然如果所有的基础解系得到的向量组有n个线性无关的特征向量的话。

将这个向量组成为$|P|\ne 0,P=[{\alpha }_1,{\alpha }_2,...,{\alpha }_n]$ 称之为特征基（伸缩基）

$A{\alpha }_1=\lambda {\alpha }_1=[{\alpha }_1,{\alpha }_2,...,{\alpha }_n][{\lambda }_1,0,0,...,0{]}^T=P[{\lambda }_1,0,0,...,0{]}^T$

对于P有 $AP = P \Lambda ， $

注：注意时右乘对角阵（Ax）这里的x也是右乘的。

由于P可逆， $A=P\Lambda P^{-1}$

对应的 $P^{-1}AP =\Lambda $

注：下面的考研这样理解就慢了，

直接记上面的

“P逆AP“

”P lambda P逆“

特征基下的A变换， 就是标基的对角变换

也就是如果你要做标基的$A^n$， 你可以考虑先做$P^{-1}$的基变换，

然后施加${\Lambda }^n$变换, 再$P$回来

特殊变换的特征值与特征向量

B矩阵	$A$	$kA+bE$	$A^n$	$A^{-1}$	$A^{\ast }$	$B=P^{-1}AP$
特征值	$\lambda$	$k\lambda +b$	${\lambda }^n$	${\lambda }^{-1}$	$	A
特征向量	$\alpha$	$\alpha$	$\alpha$	$\alpha$	$\alpha$	$P^{-1}\alpha$

首先逆把$A=P\Lambda P^{-1}$带入B中， 根据定义能现场退出来

直观理解上表

因为特征向量是伸缩向量， 伸缩大小改变不改变向量的方向

1. k倍的伸缩是不改变特征向量的， 所以线性变换只改变了特征值

2. 你伸缩n次就是n次方倍

3. 你逆着伸缩，就是倒数倍

4. 对于方阵$A^{\ast }=|A|A^{-1}$

5. B相似， 特征多项式相同， 特征向量单独推

关于相似的秩问题

首先你要分清楚， 你研究的矩阵是$A$还是$P$

$|A|=0$只能说存在特征值0，这就可以结合前面$Ax=0$来解决问题了

而$|P|=0$的话说明有k重根的基向量<k，也就是维度不够， 也就不能对角化