【线性代数】在空间中的向量、矩阵与行列式
2017-07-22 01:21
316 查看
参考资料:平冈和幸《程序员的数学3:线性代数》。
在空间中,一个向量可以表示一个点,比如
当强调“排列的数”的概念时,一般用加粗小写字母如 x 表示,当强调“有向线段”的概念时,一般用带箭头的字母如 x⃗ 表示。
如果把原点也去掉呢?那就是仿射空间。
现在要怎么表示向量?要看用什么为基准,选定基准(这里叫基底),然后就可以写出向量在该基底下的坐标。
后面会继续介绍的“可逆性”、“秩”、“特征值”等概念,都与基底的选择无关。
“有向线段”与“排列好的数”只是一一对应关系而已,至于怎么构造这种对应,就是基底的选择了。
当前空间中的任意向量 v⃗ 都可以表示成
v⃗ =x1e⃗ 1+⋯+xne⃗ n
的形式。
上一条的表示方法是唯一的。
维数=基向量的个数=坐标的分量数
x=(x1,x2,x3,…)y=(y1,y2,y3,…)
和数
但是需要特别注意,无限维下很多性质会不一样,特别是涉及“收敛”等概念时,一般情况下,不考虑无限维。
想像一下矩阵在空间中到底是怎么个映射,如矩阵 (1324),就是把原来的基底 (10) 映射到(13),成为新的基底,把基底(01)映射到(24),成为新的基底。
而矩阵的乘积,就是映射的合成,比如矩阵 AB ,就表示先作 B 的映射,再作 B 的映射。
特别地,规定 A0=I,其中 A 的所有特征值不为0.
A∗=A¯T
为什么对复矩阵来说常用共轭转置?这里暂且不解释。
如果不是对角矩阵呢?——用行列式来表示面积扩大率了。
如果是三阶方阵呢?——表示的是体积扩大率。
行列式还可以用来检测是否发生了退化,如果体积扩大率为0,那么就一定有某个维度被压缩至扁平了。
1. 向量——空间
1.1 向量是什么
向量,可以看成一堆排列的数。在空间中,一个向量可以表示一个点,比如
(2,3)就表示二维平面上横坐标为2、纵坐标为3的点,也可以表示一个一个从原点指向它的有向线段。
当强调“排列的数”的概念时,一般用加粗小写字母如 x 表示,当强调“有向线段”的概念时,一般用带箭头的字母如 x⃗ 表示。
1.2 基底与向量空间
现在,我们把原来的坐标系抽掉,不去定义长度,不去定义角度,(2,3)只是单纯表示一个向量,只是一个从原点到终点的有向线段。在这个空间中,只保留最基本的向量相加和数乘运算。
如果把原点也去掉呢?那就是仿射空间。
现在要怎么表示向量?要看用什么为基准,选定基准(这里叫基底),然后就可以写出向量在该基底下的坐标。
后面会继续介绍的“可逆性”、“秩”、“特征值”等概念,都与基底的选择无关。
“有向线段”与“排列好的数”只是一一对应关系而已,至于怎么构造这种对应,就是基底的选择了。
构成基底的条件
两个条件要同时满足, (e⃗ 1,…,e⃗ n) 才能叫基底:当前空间中的任意向量 v⃗ 都可以表示成
v⃗ =x1e⃗ 1+⋯+xne⃗ n
的形式。
上一条的表示方法是唯一的。
1.3 维数
定义完基底之后,来定义维数:维数=基向量的个数=坐标的分量数
无限维的情况要注意
如果有两个无穷数列x=(x1,x2,x3,…)y=(y1,y2,y3,…)
和数
c,可以生成新的数列 u=x+y 和 v=cx,这些无穷数列组成的空间也可以看作线性空间,还有些如“全体函数”之类的,也可以看作无限维的空间。
但是需要特别注意,无限维下很多性质会不一样,特别是涉及“收敛”等概念时,一般情况下,不考虑无限维。
2. 矩阵——映射
2.1 矩阵就是映射!
将 n 维向量 x 乘上 m×n 的矩阵 A ,就得到了 m 维的向量 y=Ax。也就是说,指定了矩阵 A,也就指定了从一个向量到另一个向量的映射。想像一下矩阵在空间中到底是怎么个映射,如矩阵 (1324),就是把原来的基底 (10) 映射到(13),成为新的基底,把基底(01)映射到(24),成为新的基底。
而矩阵的乘积,就是映射的合成,比如矩阵 AB ,就表示先作 B 的映射,再作 B 的映射。
特别地,规定 A0=I,其中 A 的所有特征值不为0.
2.2 逆矩阵=逆映射
逆矩阵,相当于把原来映射后的向量再映射回去。2.3 坐标变换
一般,坐标变换都可以写成“乘上一个矩阵”的形式。坐标变换改变了向量吗?
作为有向线段实体的向量,没有被改变,但是,由于基底的改变,它在基底下的坐标被改变了。2.4 转置矩阵
矩阵转置的意义在哪里?只有在定义了内积的线性空间中,我们才可以回答这个问题。这里暂且不解释。共轭转置
对于复矩阵来说,共轭转置更加常用。共轭转置A∗=A¯T
为什么对复矩阵来说常用共轭转置?这里暂且不解释。
3. 行列式——扩大率
3.1 体积扩大率
如方阵 A=(1.5000.5),将二维图形沿着横轴拉伸原来的1.5倍,纵轴压缩原来的0.5倍,那么,原来图形的面积,现在变成了0.75倍。如果不是对角矩阵呢?——用行列式来表示面积扩大率了。
如果是三阶方阵呢?——表示的是体积扩大率。
体积扩大率有什么用?
在微积分中,积分可以解释为由函数图像围成的面积,二重积分可以解释为由三元函数图像围成的体积。所以在多重积分的换元法中,Jacobian 矩阵起到了关键作用。行列式还可以用来检测是否发生了退化,如果体积扩大率为0,那么就一定有某个维度被压缩至扁平了。
复矩阵的行列式?
复矩阵的行列式也是复数。3.2 伴随矩阵
伴随矩阵 (adj A)A=det A.相关文章推荐
- 【线性代数】矩阵、向量、行列式、特征值与特征向量(掌握这些概念一篇文章就够了)
- R:向量和矩阵的线性代数运算
- 线性代数的本质--对线性空间、向量和矩阵的直觉描述
- MIT线性代数--推广意义的向量空间
- 线性代数(2)矩阵可以理解成空间坐标
- 线性代数(十五):对偶空间与矩阵的转置
- 【线性代数】向量空间
- 线性空间的向量组与数量矩阵的乘法
- [线性代数]矩阵的特征值与特征向量
- 本文标题: 矩阵向量叉乘-M' cross (Ma, Mb) = det(M) cross (a,b)-向量与数的混合阵及行列式-求值的中间过程与本质
- 【线性代数】向量空间
- 漫步线性代数八——向量空间和子空间
- 【通俗理解线性代数】 -- 矩阵与空间的基和坐标
- 关于 法向量 的世界空间变换矩阵
- 线性代数--向量--行列式
- Hessian 矩阵的正定性与支持向量和特征空间维数的关系
- 线性代数:置换、转置矩阵和向量空间
- 利用python做矩阵的简单运算(行列式、特征值、特征向量等的求解)
- 【线性代数公开课MIT Linear Algebra】 第五课 排列矩阵、转置、向量空间与列空间
- 线性代数(一)--什么是线性代数(兼论向量空间及其性质)