线性代数的本质——学习笔记4:9-12章

诸神缄默不语-个人CSDN博文目录

章节名

  • 9. 基变换
  • 10. 特征向量与特征值
  • 11. 抽象向量空间
  • 12. 克莱姆法则,几何解释

原视频:【官方双语/合集】线性代数的本质 - 系列合集

本文是3B1B系列视频《线性代数的本质》的学习笔记第一部分——涵盖9、10、11、12章内容


9. 基变换

  1. 将向量坐标看作拉伸或压缩向量的标量
    第一个元素缩放 i ^ \widehat{i} i ,第二个缩放 j ^ \widehat{j} j …etc. 压缩后基和即为所求向量

  2. 原点一定,对基的选择不同,导致得到的坐标系会不同
    标准坐标系

  3. 转换:矩阵(基)向量乘法线性代数的本质——学习笔记4:9-12章_第1张图片
    线性代数的本质——学习笔记4:9-12章_第2张图片
    线性代数的本质——学习笔记4:9-12章_第3张图片
    线性代数的本质——学习笔记4:9-12章_第4张图片

  4. 基变换→线性变换→基变换的逆
    A − 1 M A A^{-1}MA A1MA暗示着一种数学上的转移作用
    这是一个跟M一样的变换,但是以另一种视角(基向量)来看的(在基变换后的坐标系上做变换,然后转到标准坐标系上)

10. 特征向量与特征值

  1. 在线性变换中,大部分向量离开了它生成的空间
  2. 线性变换的特征向量则仍留在它所张成的空间里
    矩阵对它仅作拉伸或压缩(就像一个标量:特征值衡量比例的因子
    线性性质:特征向量张成空间内所有向量都会这样
  3. 旋转轴(特征值为1)(三维空间的特征向量)
    我们过去对线性变换的描述过多依赖于特定的空间坐标系了(基坐标的变换),用特征向量和特征值其实能更好地理解线性变换
  4. 计算方式:
    A v → = λ v → = ( λ I ) v → A\overrightarrow{v}=\lambda\overrightarrow{v}=(\lambda I)\overrightarrow{v} Av =λv =(λI)v
    ( A − λ I ) v → = 0 → (A-\lambda I)\overrightarrow{v}=\overrightarrow{0} (AλI)v =0  ①
    如果 v → = 0 \overrightarrow{v}=0 v =0的话上式永远成立。但是我们主要要找一个非零特征向量
    情况就是: d e t ( A − λ I ) = 0 ⇐ det(A-\lambda I)=0\Leftarrow det(AλI)=0这是一个空间压缩
    这样算出特征值后就能代入①式求出特征向量
  5. 有的线性变换没有特征向量
    有的线性变换的一个特征值对应多个特征向量(可以不在一条直线上)
  6. 特征基
    基向量就是特征向量
    对角矩阵:每列是特征向量,对角上的元素是特征值
    (用对角矩阵多次左乘向量,会很好计算)
    选择能张成全空间的特征向量,用特征向量作基(基变换)A
    A − 1 M A A^{-1}MA A1MA  M:原始的变换  特征基视角下的变换
    线性变换得到的结果:是对角,且对角元为对应的特征值(它所处的坐标系里的基向量只做了缩放)
    有的线性变换做不了这件事,它们的特征向量不够
    用处:矩阵幂次计算

11. 抽象向量空间

  1. 有向量性质的东西
  2. 函数
    1. 函数相加是逐自变量相加,向量相加是逐元素相加
    2. 数乘
    3. 线性变换/线性算子:如导数/微分算子(可加性的严格定理见本系列笔记第3章)
    4. 举例来说,以全体多项式为一个空间,可以以1, x x x x 2 x^{2} x2 x 3 x^{3} x3…为基函数线性代数的本质——学习笔记4:9-12章_第5张图片
    5. 线性代数的本质——学习笔记4:9-12章_第6张图片
  3. 有很多数学事物都跟向量一样(只要对象集具有合理的数乘和相加概念)
    类似向量的事物:向量空间——8条公理
    线性代数的本质——学习笔记4:9-12章_第7张图片

12. 克莱姆法则,几何解释

  1. A x → = v → A\overrightarrow{x}=\overrightarrow{v} Ax =v
    本章仅考虑非零行列式情况
    二维:输入向量与基向量分别形成的平行四边形的面积(有向)就是其x/y的值
    三维:输入向量某轴上的值,是该向量与另外两轴基向量形成的平行六面体体积


    所有面积伸缩的比例都等于给定的行列式(也就是说,变换后的面积是: d e t ( A ) × y ( 或 x ) det(A)\times y(或x) det(A)×yx
    所以可以这么算y: y = A r e a det ⁡ ( A ) y=\dfrac{Area}{\det \left( A\right) } y=det(A)Area
    其中, det ⁡ ( A ) \det(A) det(A)是可算的,而 A r e a Area Area是用这个输入向量与基向量组成的新矩阵的行列式来算出来的
    克莱姆法则
  2. 正交变换(旋转):不改变点积的变换
  3. 更快的解法:高斯消元法

你可能感兴趣的:(数学学习笔记,线性代数,矩阵)