从AB与BA谈高等代数的教学串联.docxVIP

PAGE

1-

从AB与BA谈高等代数的教学串联

第一章从AB到BA：矩阵乘法的初步理解

在高等代数的学习中，矩阵乘法是一个基础且重要的概念。它起源于线性变换的复合操作，即先进行一次线性变换，再进行另一次变换。假设有两个线性变换A和B，其中A将向量x映射到向量y，B将向量y映射到向量z。在数学上，这个过程可以用矩阵表示。以两个简单的线性变换为例，设A和B是两个2x2的矩阵，分别表示为：

\[A=\begin{bmatrix}12\\34\end{bmatrix},\quadB=\begin{bmatrix}56\\78\end{bmatrix}\]

若向量x是A的输入，那么A作用于x的结果向量y可以表示为：

\[y=A\cdotx=\begin{bmatrix}12\\34\end{bmatrix}\cdot\begin{bmatrix}x_1\\x_2\end{bmatrix}=\begin{bmatrix}1\cdotx_1+2\cdotx_2\\3\cdotx_1+4\cdotx_2\end{bmatrix}\]

接下来，B作用于y得到z，即：

\[z=B\cdoty=\begin{bmatrix}56\\78\end{bmatrix}\cdot\begin{bmatrix}y_1\\y_2\end{bmatrix}=\begin{bmatrix}5\cdoty_1+6\cdoty_2\\7\cdoty_1+8\cdoty_2\end{bmatrix}\]

通过矩阵乘法，我们可以将上述两个步骤合并为一个步骤，即：

\[z=B\cdotA\cdotx=\begin{bmatrix}56\\78\end{bmatrix}\cdot\begin{bmatrix}12\\34\end{bmatrix}\cdot\begin{bmatrix}x_1\\x_2\end{bmatrix}\]

计算得到：

\[z=\begin{bmatrix}1922\\4350\end{bmatrix}\cdot\begin{bmatrix}x_1\\x_2\end{bmatrix}\]

这个例子展示了矩阵乘法在表示线性变换复合操作中的强大功能。矩阵乘法的定义不仅限于这种复合操作，它还涵盖了更广泛的数学领域。例如，在物理学中，矩阵乘法用于描述刚体运动；在计算机科学中，它用于图像处理和图形变换。

进一步探讨矩阵乘法的性质时，我们可以观察到，矩阵乘法不满足交换律，即一般情况下，AB不等于BA。这个性质在矩阵乘法的应用中具有重要意义。例如，在经济学中，矩阵乘法被用来分析多变量系统；在控制理论中，矩阵乘法用于描述系统的动态行为。以一个简单的经济模型为例，假设有两个经济变量x和y，它们之间的关系可以表示为：

\[\begin{bmatrix}x_1\\x_2\end{bmatrix}=\begin{bmatrix}0.50.3\\0.20.4\end{bmatrix}\cdot\begin{bmatrix}y_1\\y_2\end{bmatrix}\]

在这个例子中，矩阵乘法表明了x和y之间的相互依赖关系。如果我们将矩阵顺序颠倒，即先计算BA，我们会得到：

\[\begin{bmatrix}y_1\\y_2\end{bmatrix}=\begin{bmatrix}0.50.3\\0.20.4\end{bmatrix}^{-1}\cdot\begin{bmatrix}x_1\\x_2\end{bmatrix}\]

这个例子说明，矩阵乘法的顺序对于解系统的逆问题至关重要。通过深入理解矩阵乘法的性质和应用，我们可以更好地掌握高等代数的核心概念，并将其应用于解决实际问题。

第二章高等代数中的矩阵运算：从线性变换到矩阵表示

(1)线性变换是高等代数中的一个核心概念，它描述了向量空间中元素的线性映射。在二维空间中，线性变换可以通过矩阵乘法来表示。例如，一个线性变换将向量\[\begin{bmatrix}x\\y\end{bmatrix}\]映射到向量\[\begin{bmatrix}ax+by\\cx+dy\end{bmatrix}\]，其中a、b、c和d是实数。这个变换可以用矩阵\[\begin{bmatrix}ab\\cd\end{bmatrix}\]来表示，并且矩阵乘法\[\begin{bmatrix}ab\\cd\end{bmatrix}\cdot\begin{bmatrix}x\\y\end{bmatrix}\]给出了变换的结果。这种表示方法使得线性变换的运算和性质研究变得更为直观和系统。

(2)矩阵运算在高等代数中扮演着重要角色，它不仅包括矩阵乘法，还包括矩阵加法、矩阵乘法的逆运算以及行列式等。矩阵乘法是线性变换复合的一种表示方式，而矩阵加法