线性代数的本质
视频:https://www.bilibili.com/video/BV1ys411472E
1、向量究竟是什么
物理解释:向量是空间中的箭头(长度、方向)
计算机解释:向量是有序的数字列表
点point (2, 3)
向量vector
[23]
线性代数围绕两种基本的运算:
向量加法与向量数乘
加法:位移结果
数轴Number line 加法
0→2+0→3=0→5=>2+3=5
扫描二维码关注公众号,回复:
11032143 查看本文章
向量加法
[x1y2]+[x2y2]=[x1+x2y1+y2]
缩放:标量scalar * 向量
2∗[xy]=[2x2y]
2、线性组合、张成的空间、基
单位向量(基向量)
i
=(1,0),
j
=(0,1)
[1001]
缩放向量并且相加
(3,2) (i, j) ->
3i+2j
当使用数字描述向量时,都依赖于我们正在使用的基
线性组合:两个数乘向量的和被称为这两个向量的线性组合
av
+bw
v
与
w
全部线性组合构成的向量合称为“张成的空间”
单个向量看做箭头,多个向量看做点
线性相关 Linearly dependent:多个向量,移除其中一个不减小张成的空间
线性无关 Linearly independent:如果所有的向量都给张成的空间增加了新的维度
严格定义:
向量空间的一组基是张成该空间的一个线性无关
向量集
3、矩阵与线性变换
变换 <=> 函数
矩阵看做是空间的变换
线性的条件:
-
直线在变换后仍然保持为直线,不能有所弯曲
-
原点必须保持固定
两个点 (a, c)、(b, d),矩阵的乘法
[acbd][xy]=x[ac]+y[bd]=[ax+bycx+dy]
1、逆时针旋转90度
i=(1, 0), j=(0, 1) => (0, 1), (-1, 0)
A (2, 2) => (-2, 2)
[01−10][22]=[−22]
2、剪切基向量对角线剪开
i=(1, 0), j=(0, 1) => (0, 1), (1, 1)
A (2, 2) => (2, 4)
[0111][22]=[24]
4、矩阵乘法与线性变换复合
复合变换
旋转矩阵 + 剪切矩阵 => 复合矩阵
[1011]([01−10][xy])=[11−10][xy]
矩阵乘法
[acbd][egfh]=[ae+bgce+dgaf+bhcf+dh][acbd][eg]=[ac]e+[bd]g=[ae+bgce+dg][acbd][fh]=[ac]f+[bd]h=[af+bhcf+dh]
不满足交换律 $NM \neq MN $
满足结合律
A(BC)=(AB)C
5、三维空间中的线性变换
三维空间中坐标x,y,z 对应基向量
(i
,j
,k
)
⎣⎡adgbehcfi⎦⎤⎣⎡xyz⎦⎤=⎣⎡adg⎦⎤x+⎣⎡beh⎦⎤y+⎣⎡cfi⎦⎤z=⎣⎡axdxgxbyeyhyczfziz⎦⎤
6、行列式
缩放比例,线性变换改变面积的比例被称为这个变换的行列式
行列式为正
行列式为0 变换减少了空间的维度
行列式为负 变换改变了空间的定向
det([112−1])=−3
右手定则
右手食指指向i-hat方向
右手中指指向j-hat方向
大拇指竖起来,指向k-hat方向
计算行列式
det([acbd])=(a+b)(c+d)−ac−bd−2bc=ad−bc
三阶行列式 (体积)
det(⎣⎡adgbehcfi⎦⎤)=a∗det([ehfi])+b∗det([dgfi]+c∗det([ehfi])
性质
det(M1M2)=det(M1)det(M2)
7、逆矩阵、列空间与零空间
线性方程组
Ax
=v
⎩⎪⎨⎪⎧2x+5y+3z=−34x+0y+8z=01x+3y+0z=2=>⎣⎡241503380⎦⎤⎣⎡xyz⎦⎤=⎣⎡−302⎦⎤
逆变换:
A−1 称为 A 的逆
恒等变换,什么都不做
A−1A
逆矩阵Inverse matrices 存在时,可以用来求解方程组
Ax
=v
A−1Ax
=A−1v
x
=A−1v
秩 Rank :变换后空间的维数
列空间 Column space:所有可能的变换结果集合
变换后基向量张成的空间,就是所有可能的结果
换句话说,列空间就是矩阵的列所张成的空间
秩是列空间的维数
满秩Full rank:秩与列数相等
列空间与方程组解的个数有关
矩阵的零空间 null space 变换后落在原点的向量的集合
8、非方阵
A2×3 2维到3维变换
[112012]⎣⎡210⎦⎤=[42]
A3×2 3维到2维变换
⎣⎡11−1201⎦⎤[21]=⎣⎡42−1⎦⎤
9、点积和对偶性
两个向量点积(数量积/投影)
v
⋅w
[41]⋅[2−1]=4×2+1×(−1)=7
[41]T[2−1]=[41][2−1]=7
10、叉积
平行边行的面积
v
×w
=−w
×v
[31]×[2−1]=det([312−1])
3v
×w
=3(v
×w
)
右手定则
食指
v
中指
w
拇指
v
×w
⎣⎡v1v2v3⎦⎤×⎣⎡w1w2w3⎦⎤=det(⎣⎡ijkv1v2v3w1w2w3⎦⎤)i(v2w3−v3w2)+j(v3w1−v1w3)+k(v1w2−v2w1)
11、基变换
A[xiyi]=[xoyo][xiyi]=A−1[xoyo]
##12、特征向量与特征值
能够被A拉伸且保持方向不变的向量就是A的特征向量,拉伸的倍数就是特征值
特征值:每个特征向量都有一个所属的值,衡量特征向量在变换中拉伸或压缩比例的因子
Av
=λv
特征向量
v
特征值
λ
左边是用矩阵A将向量
v
做了一个转换,右边是将向量拉伸了
λ 倍。
Av
=λv
Av
−λv
=0(A−λI)v
=0det(A−λI)=0
对角矩阵
一组基向量(同样是特征向量)构成的集合被称为一组“特征基”
示例:求矩阵特征值,特征向量
A=⎣⎡−1−41130002⎦⎤求解:∣A−λE∣=∣∣∣∣∣∣−1−λ−4113−λ0002−λ∣∣∣∣∣∣=(2−λ)∣∣∣∣−1−λ−413−λ∣∣∣∣=(2−λ){(3−λ)(−1−λ)−(−4)}=(2−λ)(−3−3λ+λ+λ2+4)=(2−λ)(λ2−2λ+1)=(2−λ)(λ−1)2特征值λ=2,1当λ=2(A−2E)=0⎣⎡−3−41110000⎦⎤x=0⎩⎪⎨⎪⎧−3x1+x2=0−4x1+x2=0x1=0{x2=0x1=0P1=⎣⎡001⎦⎤当λ=1(A−E)=0⎣⎡−2−41120001⎦⎤x=0⎩⎪⎨⎪⎧−2x1+x2=0−4x1+2x2=0x1+x3=0{x2=2x1x3=−x1P2=⎣⎡−1−21⎦⎤
13、抽象向量空间
函数 f(x)
$$
f(x) + g(x)\
af(x)
$$
满足以下两条的变换是线性的
1、可加性 Additivity
L(v
+w
)=L(v
)+L(w
)
2、成比例 scaling
L(cv
)=cL(v
))
线性代数 |
函数 |
线性变换 |
线性算子 |
点积 |
内积 |
特征向量 |
特征函数 |
向量加法和数乘
u
+(v
+w
)=(u
+v
)+w
v
+w
=w
+v
0+v
=v
v
+(−v
)=0a(bv
)=(ab)v
1v
=v
a(v
+w
)=av
+aw
(a+b)v
=av
+bv
克莱姆法则
{2x−1y=40x+1y=2[20−11][xy]=[42]x=det(A)Area=det([20−11])det([42−11])=24+2=26=3y=det(A)Area=det([20−11])det([2042])=24=2