矩陣及線性變換

以向量為工具，研究向量合成即向量組線性組合，核心概念是線性空間和基。這種方法的優(yōu)點(diǎn)是具有極強(qiáng)的幾何圖像，很直觀，是理解線性代數(shù)的基礎(chǔ)。但也有明顯的缺點(diǎn)，一是表達(dá)上不簡潔，每次都需要寫出向量組中每個(gè)向量和每個(gè)表示系數(shù)，表達(dá)不簡潔不利于數(shù)學(xué)的發(fā)展，思維的提高，所以需要把向量組和表示系數(shù)組作為一個(gè)整體考慮；二是計(jì)算上不方便，判斷向量組是否為基、計(jì)算正交補(bǔ)空間和向量投影這幾個(gè)線性代數(shù)基本問題，都需要深入到向量組中每個(gè)向量的每個(gè)分量，向量為工具，向量是作為一個(gè)整體，不方便看到分量，不利于計(jì)算，所以需要解剖向量組，深入到每個(gè)分量。這兩個(gè)要求，看似矛盾，一個(gè)是要把向量組作為整體，一個(gè)是要深入到每個(gè)向量的每個(gè)分量，矩陣作為工具，可以滿足這兩個(gè)要求，達(dá)到完美結(jié)合！矩陣缺點(diǎn)是幾何圖像被掩蓋了，十分不直觀，高度抽象，難以理解，學(xué)習(xí)難度大。所以學(xué)習(xí)線性代數(shù)，需要結(jié)合向量和矩陣，做到數(shù)形結(jié)合，矩陣是代數(shù)，是工具，向量是幾何，是靈魂，工具反過來又會(huì)促進(jìn)思維的提高，兩者相輔相成，互相促進(jìn)。看到矩陣就要想到向量，看到幾何圖像。

矩陣的引入

矩陣是把向量組作為一個(gè)整體研究向量組線性組合，再一次觀察向量組線性組合，$a_1{\mathbf{v}}_1+?+a_n{\mathbf{v}}_{\mathbf{n}}$ 為向量組 $\mathbf{V}=({\mathbf{v}}_1,?,{\mathbf{v}}_{\mathbf{n}})$ 線性組合，實(shí)數(shù)組 $\mathbf{a}＝(a_1,?,a_n)$ 為表示系數(shù)組。把向量組作為整體，此時(shí) $\mathbf{V}$ 就是矩陣，作為整體時(shí)，組內(nèi)每個(gè)向量的順序很重要，如同向量的分量順序很重要，向量組相同，但順序不同的矩陣是不同的矩陣。表示系數(shù)組作為一個(gè)整體， $\mathbf{a}$ 可以看作 $n$ 維空間中的向量。線性組合表達(dá)式為 $V\mathbf{a}$ ，十分簡潔。按照線性代數(shù)的習(xí)慣，任意矩陣用大寫字母 $A$ 表示，任意向量用小寫字母 $\mathbf{x}$ 表示，故線性組合為 $A\mathbf{x}$ ，看到這個(gè)表達(dá)式就要想到向量組線性組合，幾何圖像是向量合成。

定義 矩陣 有序向量組的集合，$A=\left[{\mathbf{a}}_1,{\mathbf{a}}_2,?,{\mathbf{a}}_{\mathbf{n}}\right]$ ，${\mathbf{a}}_{\mathbf{i}}$ 是矩陣 $A$ 的第 $i$ 個(gè)向量，也稱矩陣的第 $i$ 列。

定義 矩陣乘以向量 矩陣向量組的線性組合，表示系數(shù)組是向量。
$$\begin{gathered} A\mathbf{x}=x_1{\mathbf{a}}_1+x_2{\mathbf{a}}_2+?+x_n{\mathbf{a}}_{\mathbf{n}} \\ A=\left[{\mathbf{a}}_1,{\mathbf{a}}_2,?,{\mathbf{a}}_{\mathbf{n}}\right] \\ \mathbf{x}=(x_1,x_2,?,x_n) \end{gathered}$$
${\mathbf{a}}_{\mathbf{i}}$ 是矩陣 $A$ 的第 $i$ 個(gè)向量， $x_i$ 是向量 $\mathbf{x}$ 的第 $i$ 個(gè)分量。矩陣用中括號(hào) $\left[\right]$ 圍起向量，向量用小括號(hào) $\left(\right)$ 圍起數(shù)。

$A\mathbf{x}$ 稱矩陣乘以向量，借鑒了代數(shù)語言。

書寫矩陣時(shí)，矩陣排成二維表格。比如 ${\mathbf{a}}_1=(0,1)$ 和 ${\mathbf{a}}_2=(2,3)$ ，矩陣 $A$ 寫為
$$A=\left[\begin{array}{cc}0& 2\\ 1& 3\end{array}\right]$$
比如 ${\mathbf{a}}_1=(0,1,2)$ 和 ${\mathbf{a}}_2=(3,4,5)$ ，矩陣 $A$ 寫為
$$A=?\begin{array}{cc}0& 3\\ 1& 4\\ 2& 5\end{array}?$$
矩陣排成二維表格時(shí)，第 $i$ 個(gè)向量 ${\mathbf{a}}_{\mathbf{i}}$ 排成一列，所以也稱列向量。矩陣看到了每個(gè)向量的每個(gè)分量，同時(shí)又把所有向量作為一個(gè)有序整體。

當(dāng)向量 $\mathbf{x}=(1,2)$ 時(shí)，
$$A\mathbf{x}=?\begin{array}{cc}0& 3\\ 1& 4\\ 2& 5\end{array}?(1,2)=1?\begin{array}{c}0\\ 1\\ 2\end{array}?+2?\begin{array}{c}3\\ 4\\ 5\end{array}?=?\begin{array}{c}0?1+3?2\\ 1?1+4?2\\ 2?1+5?2\end{array}?=?\begin{array}{c}6\\ 9\\ 12\end{array}?$$
為了便于觀察和記憶，中間計(jì)算過程把向量寫成列的形式，并用中括號(hào)圍起。

矩陣 $A$ 中的向量是 $m$ 維向量，有 $n$ 個(gè)向量時(shí)，矩陣形狀為 $m\times n$ ，稱 $m$ 行 $n$ 列矩陣。

重要性質(zhì) $m$ 行 $n$ 列矩陣只能與 $n$ 維向量相乘。

因?yàn)橄蛄拷M線性組合中，組合系數(shù)的數(shù)量必須等于向量的數(shù)量。

總結(jié)

以上是生活随笔為你收集整理的2.1 矩阵的引入的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。