《线性代数的几何意义》之五(矩阵的几何意义(上))
线性代数概念的几何意义优秀课件
与过点C做平行y轴直线相交于点D。显然可以得到三角形CDB
和三角形AEO全等,则有:
y
C
SOACB=SOEDB+SCDB-SAEO-SAEDC
B(a2,b2) D
=SOEDB-SAEDC
A(a1,b1)
=a1b2 -a2b1
O
E
x
二阶行列式的几何意义
根据二阶行列式的定义,该平行四边形的面积刚好是以 A、B两点坐标所构成的二阶行列式:
3
请分析经过线性变换 yi Ai x i1,2,3,4 后,向量
y i 与原向量 x的几何关系 。
• 绘制图形如下图所示: 图3 线性变换的几何意义
例4.设二维平面上第一象限中的一个单位方块, 其四个顶点的数据可写成
B
0 0
1 0
1 1
0 1
把不同的A 矩阵作用于此组数据,可以得到多
ezplot('2*x1-3*x2=-4')
% 再绘制直线2*x1-3*x2=-4
title('x1+2*x2=5 2*x1-3*x2=-4')
% 在图上标注x1+2*x2=5 2*x1-3*x2=-4
grid on
% 显示网格
绘制图形如图1所示:
从运行结果可以看出:
方程组(1)的解为
x1 x2
a1 b1 a2 b2
一般情况下也可以证明:过原点的两条直线(向量) ,
如
OA构,O 成B的一个平行四边形的面积为A、B两
点坐标所构成的二阶行列式的绝对值。
三维情形 已知三个向量
u ( a 1 ,a 2 ,a 3 )v ,( b 1 ,b 2 ,b 3 )w ,( c 1 ,c 2 ,c 3 )
线性方程组的几何意义与矩阵之间的关系
线性方程组的几何意义与矩阵之间的关系数学系数052 蒋春摘要:通过对二元线性方程组,三元线性方程组,四元线性方程组有关系数矩阵,增广矩阵的秩的分析,对其列,行向量的线性相关性分析,初步得出如何用矩阵的方式讨论线性方程组的几何意义。
关键词:线性方程组 空间直线 系数矩阵 增广矩阵 矩阵秩 线性相关性引言:判断空间中平面与平面、直线与直线及直线与平面的位子关系是代数知识在空间解析几何上的应用,体现了几何与代数的完美结合,虽在解析中给出了两条判定定理,但在实际应用中这两条定理是不够用的,本文用方程组系数矩阵,增广矩阵的秩,对其列,行向量的线性相关性作出系统研究,并给出了一些非常有用的结论。
1:二元线性方程组几何意义与矩阵之间的关系设线性方程组:11112222a x b y c l a x b y c l +=⋅⋅⋅⋅⋅⋅⋅⎧⎨+=⋅⋅⋅⋅⋅⋅⋅⎩因为i i i a x b y c +=表示平面内一条直线i l 根据解析几何知1l 与2l 的几何关系: ○1:相交的充分必要条件是(不重合):()11221a b a b ≠⋅⋅⋅⋅⋅⋅⋅ ○2平行的充分必要条件是:()1112222a b c a b c =≠⋅⋅⋅⋅⋅⋅⋅ ○3重合的充分必要条件是:()1112223a b c a b c ==⋅⋅⋅⋅⋅⋅⋅ 设线性方程组系数矩阵和增广矩阵分别为1122a b A a b ⎡⎤=⎢⎥⎣⎦,111222a b c B a b c ⎡⎤=⎢⎥⎣⎦现记线性方程组增广矩阵的列向量112a a α⎡⎤=⎢⎥⎣⎦,122b b α⎡⎤=⎢⎥⎣⎦,132c c α⎡⎤=⎢⎥⎣⎦则○1:由条件(1)相交的充分必要条件是(不重合):1α与2α线性无关,即[]1112220a b A a b αα⎡⎤==≠⎢⎥⎣⎦或则Rank(A)=2 几何图形:○2由条件(2)平行的充分必要条件是: 1α与2α线性相关,1α、2α、3α线性无关,Rank(A)=1, Rank(B)=2 几何图形:○3由条件(3)重合的充分必要条件是: 1α、2α、3α线性相关,即Rank(A)= Rank(B)=1 几何图形:例:直线1l 与2l 的方程分别为269x y +=,4127x y +=确定他们的位置关系。
线性代数概念的几何意义
教师:李红艳
主要内容
• 二元、三元线性方程组的几何意义 • 二阶、三阶行列式的几何意义 • 平面上线性变换的几何意义 • 二阶矩阵特征值的几何意义 • R 2 中向量组的线性相关性的几何意义
二元、三元线性方程组的几何意义
二元一次方程在几何上表示的是一条直线, 则含两个二元一次方程的方程组在几何上则 表示两条直线的位置关系:
• 方程组(4)也无解。
二阶、三阶行列式的几何意义
二维情形: 在平面上有一个平行四边形OACB,A、B两
点的坐标分别为:a1,b1 、a2,b2 ,如下图所示,求平
行四边形OACB的面积。
分析:过点A做x轴垂线,交x轴于点E;过点B做平行x轴直线
与过点C做平行y轴直线相交于点D。显然可以得到三角形CDB
ezplot('2*x1-3*x2=-4')
% 再绘制直线2*x1-3*x2=-4
title('x1+2*x2=5 2*x1-3*x2=-4')
% 在图上标注x1+2*x2=5 2*x1-3*x2=-4
grid on
% 显示网格
绘制图形如图1所示:
从运行结果可以看出:
方程组(1)的解为
x1 x2
种多样的结果 Ci = AiB。 令B=(X1,X2,X3,X4),则
AiB=Ai(X1,X2,X3,X4)=(AiX1,AiX2,AiX3,AiX4)
用MATLAB程序进行计算,并画出B及C图形:
B=[0,1,1,0;0,0,1,1]; subplot(2,3,1), fill([B(1,:),0],[B(2,:),0],'r') A1=[-1,0;0,1],C1=A1*B subplot(2,3,2), fill([C1(1,:),0],[C1(2,:),0],'g')
(优选)线性代数概念的几何意义
grid on
% 显示网格
绘制图形如图1所示:
从运行结果可以看出:
方程组(1)的解为
xx21
1 2
;
方程组(2)的通解为: k13 02 ;
方程组(3)和方程组(4)这两个方程组无解。
从图1中可以形象地看出:
方程组(1)的两条直线有一个交点,故有唯一解(适定); 方程组(2)的两条直线重合,则有无穷组解(欠定); 方程组(3)的两条直线相平行,永远没有交点,即无解; 方程组(4)的三条直线不共点,则也无解(超定),可求最小二乘解。
5 4
(2)
3xx11
3x2 9x2
2 6
(3)
2xx11
3x2 6x2
5 6
(4)
x1 2 x1
2 x2 x2
3 2
x1 3x2 5
以方程组(1)为例:在MATLAB的M文件编辑器中,输入
syms x1 x2
% 定义x1、x2为符号变量
U1=rref([1,2,5;2,-3,-4])
a1 b1 c1 a2 b2 c2 a3 b3 c3
v
w u
O
平面上线性变换(y=Ax)的几何意义
例3 已知向量及矩阵
x
2 1
1 0
A1
0
1
1 0 A2 0 1
0.5 0
A3
0
2
cos sin A4 sin cos
3
请分析经过线性变换 yi Ai x i 1,2,3,4 后,向量 yi 与原向量 x 的几何关系 。
a1 b1 a2 b2
一般情况下也可以证明:过原点的两条直线(向量) ,
矩阵分块几何意义
矩阵分块几何意义全文共四篇示例,供读者参考第一篇示例:矩阵是线性代数中的重要概念,而矩阵分块是对矩阵进行更细致的处理,将矩阵分割成更小的子矩阵。
矩阵分块不仅可以简化问题的处理,还能够更直观地展示矩阵的结构和性质。
在实际应用中,矩阵分块常常用于求解大规模线性方程组、矩阵分解、图像处理等领域。
矩阵分块的几何意义主要体现在几个方面,包括矩阵的几何意义、矩阵分块的几何解释、矩阵的分块运算等方面。
让我们从矩阵的几何意义说起。
在几何代数中,向量空间中的向量可以用矩阵表示。
矩阵是由一组行向量或列向量组成的矩形阵列,每一个元素都对应着空间中的一个向量。
通过矩阵的乘法运算,我们可以实现对向量空间中的线性变换操作。
在这个过程中,矩阵的排列和元素的分布是至关重要的,它们决定了矩阵的几何形状和性质。
通过矩阵分块,我们可以更加直观地看出矩阵的结构,以及矩阵的特定性质。
对于一个大型方阵,我们可以将其分解成若干个小矩阵块,每一个小矩阵块代表着一个子空间的线性关系,通过分析这些小矩阵块之间的关系,我们可以更好地理解整个矩阵的几何特性。
矩阵分块还可以被解释为几何操作中的分块操作。
在几何变换中,我们常常需要对不同部分进行不同的操作,例如旋转、放缩、平移等。
这种分块操作可以通过矩阵的分块表示来实现。
通过对矩阵的行和列进行分块,我们可以将整个矩阵分解成若干个子矩阵,每一个子矩阵对应着几何操作中的一个分块操作。
通过分析这些子矩阵之间的关系,我们可以更好地理解和掌握整个几何变换过程。
这种几何解释的分块操作在图像处理、三维建模等领域有着广泛的应用,能够帮助我们更好地理解和设计复杂的几何变换操作。
矩阵的分块运算也是矩阵分析中的重要内容。
通过矩阵的分块运算,我们可以对矩阵进行更加高效和便捷的计算。
对于一个大型矩阵的乘法运算,通过将矩阵分解成若干个子矩阵块,我们可以将整个乘法计算过程分解成多个小的子问题,然后分别处理每一个子问题,最后再将各个子问题的结果组合起来,得到整个矩阵的乘积。
线性代数的矩阵理论
线性代数的矩阵理论线性代数是数学中的一个重要分支,涉及向量空间以及在这些空间中的线性变换。
矩阵是线性代数核心的工具之一,其不仅在理论上具有深远的意义,还在计算和应用中起着不可或缺的作用。
本文将探讨矩阵的基本概念、性质、运算以及在实际中的应用。
一、矩阵的基本概念定义矩阵是按照矩形排列的复数或实数集合,用方括号或圆括号表示。
一个 m 行 n 列的矩阵称为 m x n 矩阵。
矩阵元素通常用 a_ij 表示,其中 i 表示行索引,j 表示列索引。
特例矩阵零矩阵:所有元素均为零的矩阵称为零矩阵,记作 O。
单位矩阵:对角线元素为1,其余元素为0的方阵称为单位矩阵,记作 I。
对称矩阵:若 A = A^T(A 的转置),则称 A 为对称矩阵。
逆矩阵:若存在一个 B 使得 AB = I,则 B 称为 A 的逆矩阵,记作 A^(-1)。
二、矩阵的性质加法性质两个同型矩阵相加结果也是同型矩阵,即对于任意的 m x n 矩阵 A 和 B,有 C = A + B 也是 m x n 矩阵。
乘法性质矩阵乘法并不满足交换律,但满足结合律和分配律。
在计算时,如果 A 是 m x n 矩阵,B 是 n x p 矩阵,则 C = AB 是 m x p 矩阵。
转置性质矩阵的转置乘积法则为 (AB)^T = B^T A^T,可以利用这个性质简化计算。
行列式与迹方阵的行列式是标量,拥有判别矩阵可逆性的意义。
迹是方阵对角线元素之和,在多种计算中具有重要作用。
三、矩阵运算加法与减法对于同型矩阵,可以逐元素进行加法或减法。
例如:数乘对任意实数或复数 k,与矩阵 A 的乘积 kA 是新的一组修改后的元素,该运算对每个元素进行扩展。
乘法假设 A 为 m x n 矩阵,B 为 n x p 矩阵,对应元素乘积规则如下:转置与逆转置是一种符号操作,将行列互换。
逆是求解 Ax = b 的重要方法,只有当行列式不为零时才存在。
四、特征值与特征向量定义及求解给定一个方阵 A,若存在标量λ 和非零向量 v,使得 Av = λv,则称λ 为 A 的特征值,而 v 为对应的特征向量。
矩阵特征值的几何意义与方程特性的分析
矩阵特征值的几何意义与方程特性的分析矩阵是线性代数中广泛使用的基本工具。
其中,矩阵的特征值和特征向量是非常重要的概念,在多个领域有着广泛的应用。
特征值和特征向量是矩阵特有的性质,它们具有深刻的几何意义,并在许多实际问题的求解中起到了关键作用。
本文将介绍矩阵特征值和特征向量的定义、计算方法以及它们的几何意义和方程特性的分析。
1. 矩阵特征值和特征向量的定义矩阵的特征值与特征向量是矩阵的一种本征性质,也是矩阵理论中最具代表性的概念之一。
设有一个n阶矩阵A,如果存在一个非零向量X,使得下面的式子成立:AX=λX其中,λ称为矩阵A的特征值,X称为矩阵A的特征向量。
换句话说,如果向量X被A矩阵作用后,只变化了一个常数λ的倍数,那么λ就是A的特征值,X就是A的特征向量。
需要注意的是,特征向量存在不唯一性,即如果一个向量X是A的特征向量,则kX(k为非零常数)也是A的特征向量,λ值不变。
2. 矩阵特征值和特征向量的计算方法计算矩阵的特征值和特征向量是线性代数中的一个重要的课题,有多种方法可以用来计算。
其中,求解矩阵的特征值和特征向量,可以用代数补全、特征多项式和迭代法等多种方法。
代数补全法是一种古老的计算特征值和特征向量的方法,其基本思想是根据矩阵的性质构造代数方程式W(x)=0,其中W(x)是一个n阶多项式,方程的0根就是矩阵A的特征值,然后通过矩阵运算求出每个特征值对应的特征向量。
特征多项式法是一种简化代数补全法的计算方法,通过求矩阵W(A)的特征值,就可以求出矩阵A的特征值。
迭代法是求解特征值的一种数值方法。
它是一种逐步逼近的方法,通过不断迭代求解,寻找矩阵的特征值和对应的特征向量。
3. 矩阵特征值和特征向量的几何意义矩阵的特征值和特征向量具有深刻的几何意义,在计算机图形学、机器学习和信号处理等领域广泛应用。
几何意义一:特征向量表示变换方向。
矩阵的特征向量代表着变换方向。
当我们通过A作用于向量X 时,X会被变换到其特征向量的方向上,并且变换的大小是特征值λ。
线性代数的几何意义
线性代数的几何意义注解线性代数是优雅和有趣的一门学科,应用也很多,只是目前多数线性代数教材似乎都偏重"代数"而较少涉及"线性"一词包含的几何意义,所以可能给人印象较抽象,不容易让同学产生兴趣,有幸在以前偶然一次看到一位工程师自编的一本小册子叫《线性代数的几何意义》,加上后来阅读matlab 作者的书籍,才发现原来线性代数的几何含义真的印证了“数学之美”,的确很美,所以想借鉴这些零散的阅读,加上自己后来的理解,把它的部分几何意义注解一下,希望以前对线代没有很多兴趣的同学能喜欢上它,同时我也会保持更新,不断完善,一起体会数学无与伦比的美丽矩阵的几何意义1、一个矩阵是由若干向量组成的,矩阵可以看作是这些向量的集合或由这些向量为基张成的空间(在力学分析,向量空间应用时常取此几何含义,后文把此类几何含义称作矩阵的向量空间)如矩阵5673⎛⎫⎪⎝⎭按照行向量可表示为如下形式2、一个矩阵是由若干向量组成的,矩阵可以看作是这些向量终点组成的图形(在计算机图形学中常取此几何表示,后文把此类几何含义称作矩阵的图形),如矩阵579 635⎛⎫ ⎪⎝⎭按照列向量可表示为如下图形如下图是在matlab 中将z=sin(x)*cos(y)算得的离散点组成的矩阵表示成几何图形注1:如果单独查看一个矩阵m n A ⨯,可以有两种解读:矩阵A 由m 个n 维向量组成,或者由n 个m 维向量组成;在使用时会根据实际情或约定选择其中一种,而在参与变换或其他运算时,这两种解读一般不能混淆,一定要确定注2:当我们把矩阵表示成图形时,其作图没有固定标准,并不一定是把所有向量终点连接起来构成一个多边形,规则是使用者制定的,可以是网格,可以是离散面片等行列式的几何意义一个方阵n n A ⨯的行列式的绝对值是其行向量或列向量所张成的平行几何体的空间积,对于二阶行列式,就是向量张成的平行四边形的面积,对于三阶行列式,就是对应平行六面体的体积;如方阵5673⎛⎫ ⎪⎝⎭的行列式绝对值为27,它就是下图平行四边形的面积注:行列式其实是带有符号的,实际上,正负号表征了这些向量作为线性空间基的手性,正号表示右手系,负号表示左手系,在二阶矩阵的向量空间里,其判别方法是,伸出右手和矩阵的第一个列向量或行向量平行,然后调整手的正反使得能从此向量转过小于180度的角到达第二个向量,这时大拇指如果朝上(从纸面指向自己)则为右手系,矩阵的行列式为正,反之则为左手系,对应行列式为负;如果是三阶矩阵,则从第一个向量转向第二个向量时,如果大拇指指向第三个向量方向(不必重合),则为右手系,其行列式为正,反之为左手系,行列式为负;其实这一点上更广义的表述应是向量空间的基相对自然坐标系的顺序性(代数上可用逆序数表达)克拉默法则的几何意义以二维形式为例来说明其几何意义:方程A x =b ,设A=11122122a a a a ⎛⎫ ⎪⎝⎭,b =12b b ⎛⎫ ⎪⎝⎭,待求的x =12x x ⎛⎫ ⎪⎝⎭ 将A 的两个列向量分别表示为a1,a2,那么原方程可表示为1x a1+2x a2=b ,这样可以把1x 与2x 看作是列向量a1,a2的伸缩因子,经过伸缩后再叠加即得到和向量b ,故原方程可以看作已知列向量被伸缩并叠加后的向量b ,求伸缩因子i x我们已经知道行列式的几何意义,显然矩阵A 对应的平行四边形的面积就是|A|(这里以带符号的有方向面积表示,因为伸缩因子也是有符号的),当某一个向量被伸缩后,如图将OB 边伸长至OE ,形成新的平行四边形OAFE ,记其面积为OAFE S ,这样a1的伸缩因子1x 可表示为||OAFE S A ,显然只要求出OAFE S 即可解出未知量;图中OG 即向量b ,因为它是1x a1,2x a2的线性叠加,所以G 点必在EF 的延长线上,这样OG 和OE 相对OA 边的高就是相同的,故OA 与OG 组成的平行四边形面积和OAFE 相同,即OAFE S =|b a2|,所以可求得1x =|b a2|/|A|,同理可得2x =|a1 b |/|A|,可以看出此表达式和克拉默法则等价矩阵乘法的几何意义我们知道矩阵是由若干向量组成的,因此可自然地把矩阵乘法看作是两个矩阵的同维向量之间做内积(或点乘),而内积的意义是两向量同向投影的乘积,但这只是一个表面的几何含义,比较抽象(也有应用之处,后面会提到);实际上,对于矩阵乘法C=AB ,作用后得到的新矩阵C 可以看作是矩阵A 经过某种变换得到的,也可以看作是矩阵B 经过某种变换后得到的,而这种变换显然就是乘以另一个矩阵的过程,结合前面提到的矩阵的几何意义,故可以把矩阵乘法C=AB 看作是图形A (或B )经过变换B (或A )后得到新图形C ,或者是向量空间A (或B )经过变换B (或A )后得到新的向量空间C ,对于简单的变换矩阵这一点最容易感性体会到;例如变换矩阵100010000⎛⎫ ⎪ ⎪ ⎪⎝⎭会把原3D 图形向x-y 面投影,变换矩阵100010001-⎛⎫ ⎪ ⎪ ⎪⎝⎭会把原图形对x 轴镜像,变换矩阵cos30sin 30sin 30cos30-⎛⎫ ⎪⎝⎭会把原2D 图形相对原点逆时针旋转30度。
《线性代数的几何意义》之五(矩阵的几何意义(上))
b1 b2
⎤ ⎥ ⎥
=
⎛
⎜ ⎜
(
c1
c2
c3
)
⋅
⎛ ⎜ ⎜
a1 a2
⎞ ⎟ ⎟
⎢⎣a3 b3 ⎥⎦ ⎜⎝
⎝⎜ a3 ⎠⎟
(c1
c2
c3
)
⋅
⎛ ⎜ ⎜
b1 b2
⎞ ⎟ ⎟
⎞
⎟ ⎟
=
(
c1a1
+
c2a2
+
c43; c2b2 + c3b3
以上的乘积运算都是“行向量 ⋅ 列向量”的形式。下面我们换一下思维方式,把乘积运算看成“列向 量 ⋅ 行向量”的形式是否说得通?先从 Ac 的乘积开始:
⎡a1 b1 c1 ⎤
⎢ ⎢
a2
b2
c2
⎥ ⎥
⎢⎣a3 b3 c3 ⎥⎦
如果用数组来统一定义标量、向量和矩阵的话就是:标量是一维向量,向量是标量的数组,矩阵则
是向量的数组。例如上面介绍的矩阵我们如果使用列向量 a = (a1, a2 , a3 )T , b = (b1, b2 , b3 )T ,
[ c = (c1, c2 , c3 )T 来表示它,这个矩阵就可以写作: a b c] 。
A = ⎢23 23 34 44 40 45⎥ 和 B = ⎢23 23 34 45 41 45⎥ 。
⎢⎢0
0
0
0
0
0
⎥ ⎥
⎢⎢34 34 35 45 23 43⎥⎥
⎢⎣0 0 0 0 0 0 ⎥⎦
⎢⎣45 24 31 34 45 12 ⎥⎦
那么有:
A + B 实际意义是:2009、2010 年 1~6 月各产线每月产量的和(2001 年手机,VCD 机的产量为 0); B − A 实际意义是: 2010 年 1~6 月各产线每月产量比上年同期的增产情况;
线性代数5——平面方程与矩阵
线性代数5——平面方程与矩阵线性方程的几何意义二元线性方程该方程是一个二元线性方程组,包含两个方程,每个方程是一条直线,两条直线的交点就是该方程有唯一解,这就是二元线性方程的几何意义。
平面方程空间内不在同一直线上的三点构成一个平面,平面方程可表示为ax + by + cz = d。
平面方程也称为三元线性方程。
方程x + 4y + z = 8,在xyz三个坐标轴上的截距分别是(8,0,0),(0,2,0),(0,0,8),下图是该函数在坐标轴上的示意图:需要注意的是,平面是无限延伸的。
根据法向量求平面方程现在需要找到一个过原点的平面,它有一个过原点的法向量是<1, 5, 10>。
如上图所示,P<x, y, z>是所求平面上的向量,法向量N⊥OP,因此:这就是平面方程。
再看一个稍微不同点的问题,一个平面的法向量是N<1, 5, 10>,该平面经过P0(2, 1, -1),求该平面方程。
由于拥有同一个法向量,所以这是与上一个平面平行的平面:平面上的任意点P1是(x, y, z),向量P0P1⊥N:上面两个方程唯一的不同点就是ax + by + cz = d 中的d,其它参数对应了穿过原点的法向量,实际上,d两个平行平面的距离。
根据这个特点,可以很快求得第二个平面方程:示例向量V = <1, 2, -1>与平面x + y + 3z = 5的关系?平面的法向量N = <1, 1, 3>,容易看出,V·N= 1×1 + 2×1 + (-1)×3 = 0,V⊥N,向量V与平面平行。
需要注意的是,向量不是点(实际上向量有无数点),<1, 2, -1>不同于(1, 2, -1),在没有特殊说明的情况下,可以认为向量从原点出发。
如果向量V从原点出发,V经过点(1, 2, -1),但该点并不在平面上。
平面方程组的解三元线性方程组,设三个平面分别是P1,P2,P3,该方程组有唯一解,即这三个平面相交于一点,三个方程两两相交于一条直线:平面方程组也可能出现无解的情况,一种典型的情况是三个平面平行。
矩阵和行列式的几何意义及其应用
矩阵和行列式的几何意义及其应用1. 引言1.1 矩阵和行列式的基本概念矩阵和行列式是线性代数中非常重要的概念,也是几何学中不可或缺的工具之一。
矩阵是一个由数字组成的矩形阵列,而行列式则是对一个方阵进行一系列操作得到的一个标量值。
矩阵和行列式的基本概念包括了矩阵的定义、加法和乘法运算,以及行列式的定义和性质。
在矩阵中,每个元素可以表示一个空间中的向量或者点,而矩阵的运算则可以用来描述空间中的变换和关系。
矩阵的平移和旋转应用是其中最常见的几何应用之一,在计算机图形学和机器学习中有着极其广泛的应用。
行列式则可以用来描述空间中的体积和方向,对于线性方程组的求解和空间中的几何问题有着至关重要的作用。
矩阵和行列式在三维空间的表示方法和在计算机图形学中的应用更进一步扩展了它们的应用领域,而在机器学习和人工智能领域,矩阵和行列式更是成为了不可或缺的工具。
它们的重要性不仅体现在几何学中,还体现在理论计算和实际应用中的广泛深入。
通过深入研究和应用矩阵和行列式,我们可以更好地理解和描述空间中的关系和变化,从而推动科学技术的发展和进步。
1.2 矩阵和行列式在几何中的重要性矩阵和行列式在几何中的重要性体现在它们对几何变换的描述和分析中起到至关重要的作用。
几何变换包括平移、旋转、缩放等,而矩阵和行列式可以简洁地表示这些变换。
通过矩阵的乘法运算,可以连续地应用多个变换,实现复杂的几何操作。
行列式则可以用来判断矩阵的行列间关系,比如判断矩阵是否可逆、是否存在逆矩阵等。
在几何中,矩阵和行列式的重要性体现在它们提供了一种便捷且直观的描述几何对象和操作的方式。
平移可以用矩阵的加法表示,旋转可以用矩阵乘法表示。
通过矩阵和行列式,我们可以方便地求解线性方程组、计算多边形的面积、判断平行四边形的性质等几何问题。
矩阵和行列式在几何中的重要性不可替代,它们为我们理解和解决几何问题提供了强大的工具和思维方式。
在接下来的我们将更深入地探讨矩阵和行列式在不同领域的应用,展示它们的广泛性和实用性。
矩阵分析几何意义的整理
矩阵分析几何意义和透彻理解PCA的一些整理这是几篇很不错的文章集合在一起的一篇文章,有些内容来自blog,有些来自文献和教程,解决了我遇到很多疑问,感谢把它推荐给我的人。
前四部分来自早期几篇blog,把空间描述的形象且易懂,适合我们这些非数学专业的人搞明白一些抽象的问题。
一、矩阵的特征值概述:矩阵特征值要讲清楚需要从线性变换入手,把一个矩阵当做一个线性变换在某一组基下的矩阵,最简单的是数乘变换,求特征值的目的就是看看一个线性变换对一些非零向量的作用是否能够相当于一个数乘变换,特征值就是这个数乘变换的变换比。
这样的一些向量就是特征向量,其实我们更关心的是特征向量,希望把原先的线性空间分解成一些向量相关的子空间的直和,这样我们的研究就可以分别限定在这些子空间上来进行,这和物理中研究运动的时候将运动分解成水平方向和垂直方向的做法是一个道理。
自相关矩阵最大特征值和特征向量并没有和原来的哪个信号一一对应,而且特征分解本身的含义相当于对原来的信号做了这样的正交分解。
使得各个分量之间相互不相关,也就是K—L展开,每一个特征值相当于原来各个信号导向矢量的线性组合,因此不能仅仅从某个特征矢量中直接对应原来某个信号的特征。
二、线性空间和矩阵的几个核心概念:空间(space):空间的数学定义是一个集合,在这个集合上定义某某概念,然后满足某些性质,就可以被称为空间。
我们所生活的空间是一个三维欧几里德空间,我们所生活空间的特点:(1)有很多(实际上是无穷多个)位置点组成(2)这些点之间存在着相对关系。
(3)可以咋空间中定义长度、角度。
(4)这个空间可以容纳运动(从一个点到一个点的移动,而不是微积分意义上的“连续”性运动)第(4)点是空间的本质特征,(1)、(2)两点是空间的基础而非性质,第(3)点在其他空间也行并不具备,自然更不是关键的性质。
只有第(4)点是空间的本质。
把三维空间的认识拓展到其他空间。
事实上,不管是什么空间,都必须容纳和支持在其中发生的符合规律的运动(变换)。
一文读懂矩阵的秩和行列式的意义
一文读懂矩阵的秩和行列式的意义雷锋网按:张量是神经网络模型中最基本的运算单元,模型内部绝大部分的数据处理都需要依靠张量为载体,进行一系列的数学运算,然后得到结果。
就像张量是矩阵在高维度下的推广一样,本文将深入探讨秩和行列式这些在矩阵论中最基础的知识点在高维度下的推广和实际意义。
本文作者夏洪进,原载于作者的个人博客,雷锋网经授权发布。
作为一个工科的学生,我们长期以来会使用比如像是矩阵以及行列式这些在线性代数上的知识,在这篇文章中,我想来聊一聊这些问题,即什么是面积,以及什么是面积的高纬度的推广.1 什么是面积?对于什么是面积,大家可能首先就会想到我们生活中常用的长*宽么?真的是这样么,其实在这里我们所谈论的面积,其实是欧几里得空间几何面积的基本的单位:平行四边形的面积.关于平行四边形的面积的定义,几何上所说的就是相邻两边边长乘以他们之间的夹角的正弦.但是当我们面对到一些更一般的情形和更高维度的数理问题的时候,我们就有必要把这个面积的定义推广开来.首先我们应当要注意的是.面积是作为一个标量,他是来自于相邻的两个边的两个矢量相乘的结果,因此来时,我们需要把面积看作为一种映射的关系.这里的V可以看做一个适量,V*V代表的是两个适量的有序对,那么f自然而然就是所求的面积.现在我们将来证明这个映射是一个线性的映射,请坐稳扶好:现在我们举一个最简单的例子,现在我们假设第一个矢量是(1.0),第二个矢量是(0,1),也就是说两个矢量分别是X轴和Y轴上的单位为正的单位向量,那么由这两个矢量构成的四边形,这个四边形其实就是一个正方形,根据面积的定义,其实就是*宽=1*1=1因此我们可以得到:现在假设把第一个矢量缩放a倍,这个四边形的面积也会变为相对应的a倍,这样的面积也将会变为原来的a倍,把第二个矢量缩放为b倍,这样的面积也会变为原来的b倍,如果这个时候我们同时对两个向量缩放为ab倍,这样的话面积也会变为原来的ab倍,这说明,面积的映射对于其他的两个操作数的矢量的标量积是呈现出各自线性的,如下:其实在实际的情况下,面积的映射对于其操作数(矢量)的矢量加法也是线性的.因为矢量加法的操作本身就是一个线性的,那么他的面积的映射其实也就是一个线性的映射.现在我想通过几个例子,来解释下映射加法线性的一些后果.两个共线矢量所张成的平行四边形是一条线,因此来说这个面积是0.现在假设面积映射是关于一个适量加法的线性映射,那么我们有以下的结果其实这里其实用到了一个理论:也就是说,在交换相互垂直操作数适量的顺序后,面积的映射变成一个负值.到底是正还是负取决于你认为的定义.一般情况下,我们把X轴的矢量放在前边,Y轴的矢量放在后边,从X轴到Y轴张成的一个平行四边形的面积,我们把这个符号一般看作为正号.2 三维空间里的应用在三维空间中,我们一般是利用的右手定则进行实验.如果以X轴的正方形为头部,Y轴的正方向为尾部.右手定则告诉我,纸面方向向外的方向是面积的正方向.如果反过来,纸面向内的方向就是该面积的正方向.与所规定的正负号的方向是相反的.现在这样来看正负号的几何的意义就比较明显了现在我们假设用平面内的任意两个矢量所张成的平行四边形的面积,现在用公式来进行表示:在这里,其实我们不难看到,所谓的面积其实就是一个2*2的矩阵的行列式:就跟下边的图所示的一样:其实我们的第一行即使我们的第一个行向量(a,b),第二行就是第二个行向量(c,d),再或者是第一列是第一个列向量(a,b)的转秩,第二个列自然就是第二个列向量(c,d)的转秩.当然这么做还是取决于我们是把矢量写成行向量还是列向量的形式表达.3 行列式的性质的计算在上述的推理中,我们可以很容易的发现,行列式的值是把与行列式的矢量写成列向量的横排还是行向量的竖排的方式是无关的.这也就是为什么,在计算行列式的时候,行列的地位是对等的.并且我们还应当注意到,根据上述的分析,交换向量的顺序,面积是负号的原因.这也就是为什么行列式中,交换列向量或者行向量一次,就应当要取一次负号的原因.另外行列式其他的计算的性子,其实都一一反映在面积映射的线性性当中.所以,综上所述,行列式实际上本身就是一个关于面积的形式的推广.其实就是在给定一组基的情况下,N个向量张成的一个N维定义的广义四边形的体积,其实这就是行列式本质的一个含义.4 行列式的一个推广根据上边的结论,我们其实很容易的推广到三维体积的一个计算:在这里我们应该要注意到,行列式的定义,其实是每一行各取一个不同列的元素的一个乘积并且符号和所谓的逆序性有关的.什么是逆虚性?所谓逆序性,其几何意义就是在规定了一个正方向之后(比如从1,2,3,4,5...N这个顺序定义为正号),交换任意一对数都取一次负号。
矩阵的秩与行列式的几何意义
矩阵的秩与队列式的几何意义作者:曾博链接:假如我们把第一个矢量”缩放“a倍,面积将会相应是本来的 a 倍;把第二个矢量“缩放”b倍,面积也会成为本来的 b 倍。
假如同时缩放,很明显,面积将会变为原面积的ab 倍。
这表示,面积映照对于其两个操作数(矢量)的标量积是各自线性的,以下:最后,我们要说明,面积映照对于其操作数(矢量)的矢量加法也是线性的。
由于矢量加法操作的自己是线性的,那么其面积映照理应付此也是一个线性映照。
这里我们打算从几个实质的例子出发,说明映照的加法线性性的结果。
明显(两个共线矢量所张成的平行四边形仍是一条线,所以面积为0):假定面积映照是一个对于矢量加法的线性映照,那么我们有:注意计算过程顶用到了上边的结论。
这说明:也就是说,交换互相垂直操作数矢量的次序,面积映照取负。
孰正孰负取决于以为的定义。
一般,我们把X 轴单位矢量在前,Y 轴单位矢量在后,从 X 轴到 Y 轴张成的一个平行四边形的面积,取做正号。
1.1 右手定章由此我们引入右手定章。
注意右手定章只在三维空间中有效。
假如以X 正方向为首, Y 正方向为尾,右手定章告诉我们,纸面向外是面积的正方向;假如反过来,那么纸面向内就是该面积的正方向,与规定的正方向相反,取负号。
那么面积正负号的几何意义就明显了。
由此,我们不难获得平面内任意两个矢量所张成的平行四边形的面积( *):我们不难看到,所谓面积就是一个 2X2 矩阵的队列式:以下列图。
此中第一行就是我们的第一个行向量 (a,b) ;第二行就是第二个行向量 (c,d) 。
或许第一列是第一个列向量 (a,b)^T, 第二列是第二个列向量 (c,d)^T 。
这取决于我们把矢量写成行向量(前者)仍是列向量(后者)的形式。
1.2 队列式的计算性质由此我们很简单能发现,队列式的值与把矢量写成列向量横排仍是行向量竖排的方式是没关的。
这也就是为何说,在计算队列式时,行和列的地位是平等的。
而且注意到,由上述剖析,互换矢量的次序,面积的值取负号,这也就是为何队列式中,互换列向量或许行向量一次,就要取一次负号的原由。
矩阵和行列式的几何意义及其应用
矩阵和行列式的几何意义及其应用【摘要】矩阵和行列式在数学中被广泛运用,不仅有着严格的定义,还具有重要的几何意义。
通过研究矩阵在几何变换中的应用和行列式在几何中的作用,我们可以更深刻地理解它们在几何中的重要性。
矩阵和行列式的联系在计算机图形学和工程领域中也有着广泛的应用,能够帮助我们解决实际问题。
矩阵和行列式在几何中的重要性和广泛应用彰显出它们的重要意义,为现实生活中的许多问题提供了解决方案。
通过深入研究矩阵和行列式的几何意义,我们可以更好地掌握它们在数学和工程领域中的应用。
【关键词】关键词:矩阵、行列式、几何意义、几何变换、计算机图形学、工程领域、重要性、现实生活、应用、联系1. 引言1.1 矩阵和行列式的定义矩阵是一个按照矩阵元的排列方式排成的矩形阵列,其中有m行n列,记作A=(a_ij),其中a_ij表示矩阵A中第i行第j列的元素。
矩阵可以表示成如下形式:A = [a11, a12, a13, ..., a1n][a21, a22, a23, ..., a2n][.....................][am1, am2, am3, ..., amn]行列式是对一个特定规模的矩阵进行运算得到的一个标量,记作det(A)或|A|,它的值表示这个矩阵的行向量或列向量组之间的线性相关性。
行列式的计算需要满足一定的性质和规则,通过这些性质和规则,我们可以求出任意规模矩阵的行列式。
矩阵和行列式是线性代数中的基本概念,它们在几何学和工程领域中有着重要的应用。
接下来我们将更深入地探讨矩阵和行列式在几何中的具体应用和意义。
1.2 几何意义的介绍矩阵和行列式在数学中占据着重要的地位,它们不仅仅是代数运算中的工具,还具有着深刻的几何意义。
在几何中,矩阵和行列式可以用来描述和分析各种几何问题,从而为解决实际应用中的几何难题提供了有力的数学支持。
几何意义可以帮助我们更直观地理解矩阵和行列式的性质,从而更好地应用它们解决问题。
线性代数:“矩阵”到底怎么用?
线性代数:“矩阵”到底怎么用?如果你问一个大学老师,什么是高等数学的基础课?他可能会和你说,微积分和线性代数。
对于一个非理工专业的大学生来讲,如果在大学里只学两门数学课,恐怕就是这两门了。
微积分主要是训练我们的思维方式,而线性代数,大家在工作和生活中真的用得上。
关于线性代数,我们其实已经讲了两讲了,只是我没有用这个名词罢了。
我们讲的都是向量代数,它其实就是线性代数中最基本的内容。
在线性代数中,用到的最多的概念是矩阵。
矩阵是怎样一回事,它有什么用途呢?让我们先来看一个具体的矩阵:从这个矩阵中你可以看出,它无非就是把数字按照横竖排起来,每一行、每一列数字的数量都相等。
比如上面一个矩阵有3行,每行有4个数,我们称这种矩阵为3x4的矩阵。
了解了矩阵的形态,你可能紧接着就有一个问题:把数字这么横平竖直地排列起来有什么用?事实上,把数字这么横平竖直地排列不是原因,而是结果,矩阵产生的原因是向量的扩展。
我们在前面讲了,向量是横着的一排数字,每一个数字代表一个维度的分量。
比如一个企业在招聘员工时把所有考核的项目总结为N 个维度。
每一个岗位对各种能力的侧重点就是一个N维向量,比如办公室部门对人的要求是能力、沟通、协作、健康四个维度,写成V1=(3,2,5,0)。
我们上一讲讲了,可以用它来算算和某个候选人的相似性。
当然公司不仅仅有办公室一个部门,还有比如销售部门、研发部门,等等。
每一个部门可能又有不同的岗位,每一个岗位的要求就是一个向量。
于是,我们就会有V2,V3,V4,……,VM。
这么多向量如果把它们放在一起,怎么表示比较好呢?显然最直观的方式,就是把它们一行行排起来,这形成了一个有M行N列的矩阵。
这就是矩阵的由来。
今天“矩阵”这个词无论是在数学上还是生活中都经常用,但是它在数学史上出现的时间非常晚,直到1850年才由英国数学家西尔维斯特(James Joseph Sylvester)发明,而构成它的向量其实出现的时间也很晚,是1835年才被提出来的。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第 4 页,共 38 页
《线性代数的几何意义》
5.2. 矩阵加法的几何意义
矩阵的加法和乘法等简单运算可看作来自于线性方程组的简单运算,读者可以参看第七章的 7.1 节的 详细介绍。在下面介绍矩阵的加法和乘法几何意义时,我们仍然不能离开向量的有力帮助。矩阵中的行 向量或列向量的意义可以有效地帮助我们看清矩阵所蕴含的几何变换的意义。
《线性代数的几何意义》
----图解线性代数----
线性代数的几何意义
之(5 上)
任广千 编著
y
1
-2
-1
0
x2
-1
2010.08.16
第 1 页,共 38 页
《线性代数的几何意义》
几何意义名言录
没有任何东西比几何图形更容易印入脑际了,因此用这种方式来
表达事物是非常有意义的。
-------笛卡尔
算术符号是文字化的图形,而几何图形则是图像化的公式;没有 一个数学家能缺少这些图像化的公式。 --------希尔伯特
⎜⎝
⎜⎝ c3 ⎟⎠ ⎟⎠
上式 Ac 的乘积是把矩阵 A 看作两个行向量,实质上还是向量与向量的点乘积。
类似的,向量 c 与矩阵 A 的乘积(矩阵右乘向量,记为 cA )也是一个向量,这个 cA 向量的每个分 量是行向量 c 与矩阵 A 的每个列向量的点乘积。乘法公式如下:
c⋅ A = (c1
c2
⎡a1
1
冰箱线 22 35 30 23 25
12
2
吸尘器 25 43 32 34 35
30
线
3
电视线 23 23 34 44 40
45
顺序 产线名
2010 年上半年的每月产出量
1月 2月 3月 4月 5月 6月
1
冰箱线
22 34 30 23 25 12
2
吸尘器线
24 43 32 34 35 34
3
电视线
23 23 34 45 41 45
)
,这恰是矩阵
A
的第一行。
AiT
的结果是
⎛ ⎜ ⎜
a1 b1
⎞ ⎟ ⎟
,这恰是矩阵
A
的第一列。
⎜⎝ c1 ⎟⎠
为了更明了,下面把 j 和 k 与矩阵 A 的乘积也一并列出来:
⎡a1 a2 a3 ⎤
jA = (0, 1, 0) ⎢⎢b1
b2
b3
⎥ ⎥
=
(b1
b2
b3 )
⎢⎣c1 c2 c3 ⎥⎦
⎡a1 a2 a3 ⎤
⎢⎢b11
b12
b13
⎥ ⎥
+
⎢⎢b21
b22
b23
⎥ ⎥
+
⎢⎢b31
b32
b33
⎥ ⎥
=
⎢⎢b1
b2
b3
⎥ ⎥
⎢⎣c11 c12 c13 ⎥⎦ ⎢⎣c21 c22 c23 ⎥⎦ ⎢⎣c31 c32 c33 ⎥⎦ ⎢⎣c1 c2 c3 ⎥⎦
我们把上述每个矩阵都分解为三个行向量来给出图形的,其实因为矩阵的加法是对每个元素分别对 应相加,因此对于列向量同样等效。
多个矩阵的加法比较简单,即使不用给出几何意义,我们也能轻松掌握它。不过画出矩阵加法的几 何图形,可以帮助你对多个向量所组成的几何图形的叠加有个形象的认知。
x3
b2
b3 b1
b
a a3 a2
a1
0
x2
c
c1
c3
c2
x1
上图显示了三组向量同时连加,每组有三个向量的分量连加。把上述用矩阵表述出来就是:
⎡a11 a12 a13 ⎤ ⎡a21 a22 a23 ⎤ ⎡a31 a32 a33 ⎤ ⎡a1 a2 a3 ⎤
如果把矩阵 A 分解为 3 个列向量的话,我们可以这样展开上式:
A
⋅
c
=
⎡a1 ⎢⎣b1
a2 b2
a3 b3
⎤ ⎥ ⎦
⎛ ⎜ ⎜ ⎜⎝
c1 c2 c3
⎞ ⎟ ⎟ ⎟⎠
=
⎛ ⎜ ⎝
a1 b1
⎞ ⎟ ⎠
c1
+
⎛ a2
⎜ ⎝
b2
⎞ ⎟ ⎠
c2
+
⎛ a3
⎜ ⎝
b3
⎞ ⎟ ⎠
c3
=
⎛ a1c1
⎜ ⎝
b1
c1
+ a2c2 + b2c2
当然,矩阵不只是只有几何意义,也具有现实的物理意义,矩阵的运算也都可以从实践中找到。下 面有个例子:
比如某家电器公司的制造厂有几个生产线,产线在 2009 年和 2010 年的上半年的产出量的统计表如 下:
顺序 产线名
2009 年上半年的每月产出量
第 3 页,共 38 页
《线性代数的几何意义》
1月 2月 3月 4月 5月 6月
b2 ) +c3 (a3
b3 ) = (c1a1 + c2a2 + c3a3
⎢⎣a3 b3 ⎥⎦
) c1b1 + c2b2 + c3b3
这个式子可以理解为矩阵 A 的行向量的线性组合,组合系数是向量 c 的三个分量。
实际上,在以上的各种乘法中,我们使用了矩阵和向量的分块技术(全部是“行向量 ⋅ 列向量”的形
第 5 页,共 38 页
矩阵与向量的乘积的概念
《线性代数的几何意义》
矩阵 A 与向量 c 的乘积(矩阵左乘向量,记为 Ac )是一个向量,这个向量的每个分量是以矩阵 A 的每个行向量分别与列向量 c 的数量积作为元素的。乘式如下:
A
⋅
c
=
⎡a1 ⎣⎢b1
a2 b2
⎛
a3 b3
⎤ ⎥ ⎦
⎛ ⎜ ⎜ ⎜⎝
A = ⎢23 23 34 44 40 45⎥ 和 B = ⎢23 23 34 45 41 45⎥ 。⎢⎢00 Nhomakorabea0
0
0
0
⎥ ⎥
⎢⎢34 34 35 45 23 43⎥⎥
⎢⎣0 0 0 0 0 0 ⎥⎦
⎢⎣45 24 31 34 45 12 ⎥⎦
那么有:
A + B 实际意义是:2009、2010 年 1~6 月各产线每月产量的和(2001 年手机,VCD 机的产量为 0); B − A 实际意义是: 2010 年 1~6 月各产线每月产量比上年同期的增产情况;
矩阵与单位坐标向量的乘积的几何解释
三维的单位坐标向量就是 i = (1, 0, 0) ,j = (0, 1, 0) ,k = (0, 0, 1) 。我们取 x 坐标轴上的单位向量 i
⎡a1 a2 a3 ⎤
与 A = ⎢⎢b1
b2
b3
⎥ ⎥
相乘,得乘式如下:
⎢⎣c1 c2 c3 ⎥⎦
⎡a1 a2 a3 ⎤
⎡a1 b1 c1 ⎤
⎢ ⎢
a2
b2
c2
⎥ ⎥
⎢⎣a3 b3 c3 ⎥⎦
如果用数组来统一定义标量、向量和矩阵的话就是:标量是一维向量,向量是标量的数组,矩阵则
是向量的数组。例如上面介绍的矩阵我们如果使用列向量 a = (a1, a2 , a3 )T , b = (b1, b2 , b3 )T ,
[ c = (c1, c2 , c3 )T 来表示它,这个矩阵就可以写作: a b c] 。
4
手机线
34 34 35 45 23 43
5
VCD 线 45 24 31 34 45 12
我们将第一个表格对应的矩阵记为 A ,第二个表格对应的矩阵记为 B ,则有:
⎡22 35 30 23 25 12 ⎤
⎡22 34 30 23 25 12⎤
⎢⎢25
43
32
34
35
30
⎥ ⎥
⎢⎢24 43 32 34 35 34⎥⎥
第 2 页,共 38 页
《线性代数的几何意义》
第五章 矩阵的几何意义
通过前面的章节我们初步了解到,解线性方程组的克莱姆法则使用了行列式理论,但克莱姆法则只 能用于解方程个数等于未知数个数的方程组,而且系数行列式不能等于 0。即使以上条件都满足,也要计 算 n+1 个 n 阶行列式。实际工程中的 n 一般很大,即使在现代计算机技术面前,计算效率也不能使人满 意。
“如果代数与几何各自分开发展,那它的进步十分缓 慢,而且应用范围也很有限,但若两者互相结合而共同发展, 则就会相互加强,并以快速的步伐向着完善化的方向猛进。”
--------拉格朗日
不会几何学就不会正确的思考,而不会正确思考的人不过是行尸
走肉。
--------柏拉图
无论是从事数学教学或研究, 我是喜欢直观的。学习一条数学 定理及其证明, 只有当我能把定理的直观含义和证明的直观思路弄 明白了, 我才认为真正懂了。--------中国当代数学家徐利治
式),每一个分块都要看成是矩阵最基本的元素“数”进行运算。至此,我们较全面地理解了向量与矩阵 乘积的展开实质。显然,左乘与右乘的结果是不同的。为什么不同,答案就在随后的章节里。
第 6 页,共 38 页
矩阵与向量乘积的几何意义
《线性代数的几何意义》
为了更具体的观察矩阵和向量乘积的几何意义,我们下面先考察一个矩阵与欧式空间的单位坐标向 量的乘积的过程,然后再看一个矩阵与任意向量的乘积的几何意义。
我们知道,在直角坐标系中,一个有序的实数数组 (a, b) 和 (a, b, c) 分别代表了平面上和空间上的一
个点,这就是实数组的几何意义。类似的,在线性空间中如果确定了一个基,线性映射就可以用确定的 矩阵来表示,这就是矩阵的几何意义:线性空间上的线性映射。
矩阵独立的几何意义表现为对向量的作用结果。矩阵对一个向量是如何作用的?矩阵对多个向量是 如何作用的?矩阵对一个几何图形(由无数向量组成的几何图形)是如何作用的?在矩阵对一个几何图 形的作用研究中,我们会发现一些有规律的东西比如特征向量、秩等等。