Question

线性代数的定义

Answer 1

线性代数是关于向量空间和线性映射的一个数学分支，包括对线、面和子空间的研究，也涉及到所有向量空间的一般性质。 线性代数是纯数学和应用数学的核心，它的含义随着数学的发展而不断扩大，其理论和方法已经渗透到数学的许多分支，也成为理论物理和理论化学不可缺少的代数基础知识。

中文名
线性代数

外文名
linear algebra

主要问题
线性关系问题

研究对象
向量、矩阵、行列式

应用
抽象代数、泛函分析

学科
数学

定义与历史
概念
线性代数是代数学的一个分支，主要处理线性关系问题。线性关系意即数学对象之间的关系是以一次形式来表达的。例如，在解析几何里，平面上直线的方程是二元一次方程；空间平面的方程是三元一次方程，而空间直线视为两个平面相交，由两个三元一次方程所组成的方程组来表示。含有n个未知量的一次方程称为线性方程。关于变量是一次的函数称为线性函数。线性关系问题简称线性问题。解线性方程组的问题是最简单的线性问题。

所谓“线性”，指的就是如下的数学关系：。其中，f叫线性算子或线性映射。所谓“代数”，指的就是用符号代替元素和运算，也就是说：我们不关心上面的x，y是实数还是函数，也不关心f是多项式还是微分，我们统一把他们都抽象成一个记号，或是一类矩阵。合在一起，线性代数研究的就是：满足线性关系的线性算子f都有哪几类，以及他们分别都有什么性质。

历史

九章算术
线性代数作为一个独立的分支在20世纪才形成，然而它的历史却非常久远。“鸡兔同笼”问题实际上就是一个简单的线性方程组求解的问题。最古老的线性问题是线性方程组的解法，在中国古代的数学著作《九章算术·方程》章中，已经作了比较完整的叙述，其中所述方法实质上相当于现代的对方程组的增广矩阵的行施行初等变换，消去未知量的方法。

由于费马和笛卡儿的工作，现代意义的线性代数基本上出现于十七世纪。直到十八世纪末，线性代数的领域还只限于平面与空间。十九世纪上半叶才完成了到n维线性空间的过渡。

随着研究线性方程组和变量的线性变换问题的深入，行列式和矩阵在18～19世纪期间先后产生，为处理线性问题提供了有力的工具，从而推动了线性代数的发展。向量概念的引入，形成了向量空间的概念。凡是线性问题都可以用向量空间的观点加以讨论。因此，向量空间及其线性变换，以及与此相联系的矩阵理论，构成了线性代数的中心内容。

凯莱
矩阵论始于凯莱，在十九世纪下半叶，因若当的工作而达到了它的顶点。1888年，皮亚诺以公理的方式定义了有限维或无限维线性空间。托普利茨将线性代数的主要定理推广到任意体（domain）上的最一般的向量空间中。线性映射的概念在大多数情况下能够摆脱矩阵计算而不依赖于基的选择。不用交换体而用未必交换之体或环作为算子之定义域，这就引向模（module）的概念，这一概念很显著地推广了线性空间的理论和重新整理了十九世纪所研究过的情况。

“代数”这个词在中文中出现较晚，在清代时才传入中国，当时被人们译成“阿尔热巴拉”，直到1859年，清代著名的数学家、翻译家李善兰才将它翻译成为“代数学”，之后一直沿用。
学术地位
线性代数在数学、物理学和技术学科中有各种重要应用，因而它在各种代数分支中占居首要地位。在计算机广泛应用的今天，计算机图形学、计算机辅助设计、密码学、虚拟现实等技术无不以线性代数为其理论和算法基础的一部分。线性代数所体现的几何观念与代数方法之间的联系，从具体概念抽象出来的公理化方法以及严谨的逻辑推证、巧妙的归纳综合等，对于强化人们的数学训练，增益科学智能是非常有用的。随着科学的发展，我们不仅要研究单个变量之间的关系，还要进一步研究多个变量之间的关系，各种实际问题在大多数情况下可以线性化，而由于计算机的发展，线性化了的问题又可以被计算出来，线性代数正是解决这些问题的有力工具。线性代数的计算方法也是计算数学里一个很重要的内容。

线性代数的含义随数学的发展而不断扩大。线性代数的理论和方法已经渗透到数学的许多分支，同时也是理论物理和理论化学所不可缺少的代数基础知识。

“以直代曲”是人们处理很多数学问题时一个很自然的思想。很多实际问题的处理，最后往往归结为线性问题，它比较容易处理。因此，线性代数在工程技术和国民经济的许多领域都有着广泛的应用，是一门基本的和重要的学科。

如果进入科研领域，你就会发现，只要不是线性的东西，我们基本都不会！线性是人类少数可以研究得非常透彻的数学基础性框架。学好线性代数，你就掌握了绝大多数可解问题的钥匙。有了这把钥匙，再加上相应的知识补充，你就可以求解相应的问题。可以说，不学线性代数，你就漏过了95%的人类智慧！非线性的问题极为困难，我们并没有足够多的通用的性质和定理用于求解具体问题。如果能够把非线性的问题化为线性的，这是我们一定要走的方向！

事实上，微积分“以直代曲”的思想就是将整体非线性化为局部线性的一个经典的例子，尽管高等数学在定义微分时并没有用到一点线性代数的内容。许多非线性问题的处理――譬如流形、微分几何等，最后往往转化为线性问题。包括科学研究中，非线性模型通常也可以被近似为线性模型。随着研究对象的复杂化与抽象化，对非线性问题线性化，以及对线性问题的求解，就难免涉及到线性代数的术语和方法了。从这个意义上，线性代数可以被认为是许多近、现代数学分支的共同基础。

基本介绍
线性（linear）指量与量之间按比例、成直线的关系，在数学上可以理解为一阶导数为常数的函数。

非线性（non-linear）则指不按比例、不成直线的关系，一阶导数不为常数。

线性代数起源于对二维和三维直角坐标系的研究。在这里，一个向量是一个有方向的线段，由长度和方向同时表示。这样向量可以用来表示物理量，比如力，也可以和标量做加法和乘法。这就是实数向量空间的第一个例子。

向量
现代线性代数已经扩展到研究任意或无限维空间。一个维数为n的向量空间叫做n维空间。在二维和三维空间中大多数有用的结论可以扩展到这些高维空间。尽管许多人不容易想象n维空间中的向量，这样的向量（即n元组）用来表示数据非常有效。由于作为n元组，向量是n个元素的“有序”列表，大多数人可以在这种框架中有效地概括和操纵数据。比如，在经济学中可以使用 8 维向量来表示 8 个国家的国民生产总值（GNP）。当所有国家的顺序排定之后，比如（中国、美国、英国、法国、德国、西班牙、印度、澳大利亚），可以使用向量（v1,v2,v3,v4,v5,v6,v7,v8）显示这些国家某一年各自的 GNP。这里，每个国家的 GNP 都在各自的位置上。

作为证明定理而使用的纯抽象概念，向量空间（线性空间）属于抽象代数的一部分，而且已经非常好地融入了这个领域。一些显著的例子有：不可逆线性映射或矩阵的群，向量空间的线性映射的环。线性代数也在数学分析中扮演重要角色，特别在向量分析中描述高阶导数，研究张量积和可交换映射等领域。

向量空间是在域上定义的，比如实数域或复数域。线性算子将线性空间的元素映射到另一个线性空间（也可以是同一个线性空间），保持向量空间上加法和标量乘法的一致性。所有这种变换组成的集合本身也是一个向量空间。如果一个线性空间的基是确定的，所有线性变换都可以表示为一个数表，称为矩阵。对矩阵性质和矩阵算法的深入研究（包括行列式和特征向量）也被认为是线性代数的一部分。

我们可以简单地说数学中的线性问题——-那些表现出线性的问题——是最容易被解决的。比如微分学研究很多函数线性近似的问题。在实践中与非线性问题的差异是很重要的。

线性代数方法是指使用线性观点看待问题，并用线性代数的语言描述它、解决它（必要时可使用矩阵运算）的方法。这是数学与工程学中最主要的应用之一。

Answer 2

线性变换的本质就是作用于向量上的放缩、旋转（镜面反射）！而线性代数在某种程度上可以看作是通过不同的表现形式来展示线性变换！

既如此，我们从以下三个方面来介绍：

引言

一、理解线性变换的本质——放缩和旋转（镜面反射）

二、从线性变换的角度理解线性代数

引言

从加法、减法，到乘法、除法，再到幂次；从长度到面积，再到体积，我们学习数学地思路总是从简单到复杂、从特殊到一般地归纳思路，既如此，我们以正比例函数入手，层层递进，逐步深化剖析线性变换，并在直观理解线性代换的基础上，进一步的尝试理解线性代数中的行列式、矩阵之秩、方程组的解、相似变换（特征值与特征向量）和二次型（合同变换）。

一、理解线性变换的本质——放缩和旋转

0 正比例函数（放缩）

给定正比例函数如下


我们不妨定义为自变量（一维向量），为因变量（一维向量），线性比例系数（一阶方阵）为线性代换。

显然，正比例函数的本质就在于线性变换  ！

 放缩了自变量  ，映射为因变量  。

所以正比例函数的线性变换的本质是线性放缩！

如果  ，那么有 
那么必然有逆变换， 

如果  ，那么有 
但将不存在逆变换,即无法实现如下 

这就是所谓的“降维打击”，从一维降为零维，那么，就再也无法从零维升为一维了！

刘慈欣在《三体》中提到的二向箔就是迫使三维宇宙及其中的所有物质向二维宇宙坍塌的一种降维打击原理的宇宙规律武器！
降维打击不可逆的特性是最令人生畏的地方！

1 特殊的线性变换——对角矩阵（放缩）

我们再增加一个正比例函数，即 
写成矩阵形式，即 

不妨设 ,  ,  ，则



显然  为对角矩阵，也即是我们的“主角”——线性变换！

此时，线性变换仍然是将  放缩为  ，与正比例函数不同的是，放缩是独立的沿着每个分量分别放缩的！

同样的，如果存在    ，那么，必然会对二维向量造成“降维打击”，不妨设，则 
于是，同样实现不了如下逆变换 

我们拓展到  个正比例函数，即 
矩阵形式即

得到类似的矩阵简写形式



此时，线性变换（对角矩阵  ）仍然是将  放缩为  ，而且，放缩是独立的沿着  个分量分别放缩的！