矩阵的行列式的几何意义是矩阵对应的线性变换前后的面积比
行列式的意义是什么？
从第一次接触线性代数到现在已经六年了，感觉这门学科还是很有意思的，里面的向量矩阵在处理问题时很实用也很有实际意义。
但行列式这玩意，在线代里从头用到尾的东西，到底代表着什么呢？？有什么实际的物理意义？应该不仅仅是特征值的乘积吧？
按投票排序
33赞同反对，不会显示你的姓名
&，数学系在读
、、&等人赞同
矩阵的行列式的几何意义是矩阵对应的线性变换前后的面积比。
不过话说回来，讲线性代数的书不一定会讲到这个几何意义，因为定义行列式几行就写完了，但是定义面积(体积)，尤其是高维空间的面积(体积)是一件相当麻烦的事情。
如果读者只读过线性代数，那么不妨这样直观感受一下行列式。而如果读者读过实变函数或者测度论，那么这个结论可以作为一道不错的习题。
&&&&&&&&&&
77赞同反对，不会显示你的姓名
知乎用户、、&等人赞同
最初是解线性方程组得到的。世界上有一种东西叫维基百科：。
大概就是先暴力算出2元/3元一次方程组，然后发现定义行列式这种运算符可以把它们的解写得简洁而好记（虽然并不好算），也就是Cramer法则。
后来人们又发现了行列式的几何意义。
关于行列式，我知道三种等价定义：
一是用排列和逆序数定义（国内大多数教材上都用这种定义）；
二是用归一化（单位矩阵行列式为1）、多线性（当矩阵的某一列所有元素都扩大c倍时，相应行列式也扩大c倍。多的意思是对所有n个列都呈现线性性质）、反对称（交换两列行列式反号）来定义；
三是利用代数余子式和按第一行展开进行归纳定义；
我最喜欢的是第二个定义。行列式等于它的各个列对应的向量张成的平行2n面体的体积，这是因为行列式是一个交替多重线性形式，而我们通常理解的欧式空间中的体积也是这样一个函数（单位立方体体积为1，沿某条边扩大c倍体积就扩大c倍，交换两条边以后体积反号——这一条是补充定义的，我们认为体积是有向体积，其数值表示体积大小，正负号表示各条边的排列顺序或坐标轴手性），而满足归一性、多线性、反对称性的函数是唯一的，所以行列式的直观理解就是欧式空间中的有向体积。
用矩阵与线性变换的同构来解释也很好理解，行列式就是矩阵对应的线性变换对空间的拉伸程度的度量，或者说物体经过变换前后的体积比。特别地，如果矩阵不是满秩的，意味着一个维的空间变换后被压扁了，变成了其中的一个维的超平面甚至是维度更低的超直线，所以原来空间中的体积元在变换后体积为0，此时行列式也是0。多元函数积分作变量代换后要乘一个Jacobi行列式就是这个道理，表示变换前后的微元体积比。
&&&&&&&&&&
2赞同反对，不会显示你的姓名
这例子描述的就是是行列式的几何直观的意义。
实际上一个n维方阵对应着n维欧式空间到自身的一个线性变换，而这个线性变换把欧式空间的体积元变成多少倍就是它的行列式，所以有正负的区别。
这也是为什么在做多元积分的变量代换时需要乘一个雅可比矩阵的行列式绝对值。
参考: Arnold 经典力学的数学方法第七章
&&&&&&&&&&
3赞同反对，不会显示你的姓名
&，数学/物理
从行列式的公理化定义出发容易看出来，这是一个从n阶矩阵到R的映射，满足三条性质(具体的学过应该知道)。但最重要的应该是在线性映射中的应用。
每一个线性映射都能用矩阵来表示，为了对应线性映射的复合，才有了现在的矩阵乘法，而在这个乘法下的行列式就成了这个样子。但是现行的很多教材上来就是行列式的计算，大家根本不知道这个是咋来的。。
&&&&&&&&&&
2赞同反对，不会显示你的姓名
&，默而成之
《线性代数应该这样学》一书中类比了体积的概念。Hoffiman的《linear
algebra》中把行列式定义为矩阵上的一个函数，然后规定函数的一些性质，最终导出了这个函数的具体形式。
&&&&&&&&&&
1赞同反对，不会显示你的姓名
&，把文字用在刀刃上
行列式三个作用
1. 求逆用得到
2. 求线性方程组用得到
3. 求特征值和特征向量用得到
4. 求平行六面体的体积和平行四边形的面积
其中我认为要数第三个最有意义。因为高阶微分方程或一阶多变量方程组可以通过简单的转化，都变成一阶单变量微分方程！！也就是变成如下简单的形式
其中y是向量形式的变量，A是方阵，设其为n*n。它的解为：
其中S的每列为A的n个特征向量，Λ为A对角化之后的方阵，它的对角线为A的n个特征值。
是不是相当简单！！
对于差分方程也同样道理，高阶的和多变量的，最终化成如下形式
y(n+1)=Ay(n)
其中y(n+1)和y(n)是向量形式的变量，A是方阵，设其为n*n。它的解为：
---------------------第二次补充------------------
评论中陈晓同学说我歪了，那我明确点地答
1.&在线代里从头用到尾的东西，到底代表着什么呢？
我个人认为它只是起辅助作用，辅助我们获得其他有意义的计算结果，如助我们得出最前面所说的四点的结果。
2.&有什么实际的物理意义？
直接的物理意义就是最前面的第四点
间接的物理意义我个人认为主要通过第三点得出，你想想世界上，基本上所有的物理系统，物理现象（不管是温度的变化，气压的变动，或者是天宫一号里面各个机械部件地运作）基本上都可以用微分方程来描述。还有电脑上，嵌入式系统的算法，优化也经常用差分方程来获得。当我们能通过第三点解出这些微分方程和差分方程，你说这些物理意义大不大？
&&&&&&&&&&
0赞同反对，不会显示你的姓名
最开始发明行列式的人还没理解到线性变换前后面积比的情况，他得到了这个式子，发现这个式子对解线性方程租很有用（当时来说很方便），于是他把这个式子取名determinant（“决定因素”）最初的意思是在解线性方程组过程中的决定性“参数”。后来有了线性代数后发现这个“参数”在解决很多线性代数很多其它问题里也有很大作用，再后来才明确了它在线性变换时的几何意义…然而我们用的时候其实只要理解到它是一个“参数”就够了，一次听北大的教授尤承业老师讲线代课时对我们学生说：“他说在我理解来，行列式在线代中的地位就是一个工具，关键在求法，没有必要花太多的篇章和精力去深讲”所以说，你只要把他当做矩阵的一个determinat就够了，深究太多没啥用。
&&&&&&&&&&
0赞同反对，不会显示你的姓名
知乎用户&，会造墙，轻度追星，有点笨。支付宝五福获…
可以用来算结构的稳定性计算
&&&&&&&&&&
0赞同反对，不会显示你的姓名
n维向量空间中，n个线性无关向量所张成的n维立方体的体积。
&&&&&&&&&&
0赞同反对，不会显示你的姓名
广义的是否成比例判断，如果行列式是零，就说明里面的向量存在成比例的。
&&&&&&&&&&
0赞同反对，不会显示你的姓名
&，数学专业本科生
据说最开始时从n=m的n元n组多项式方程的求解推出来的，求考证。
&&&&&&&&&&
0赞同反对，不会显示你的姓名
知乎用户&，数学系学生
简单的说，就是一个n维线性空间上的n阶外形式。也叫体积元。n阶外形式是一个一维的线性空间，行列式是它的一个生成元，其他的n
form是行列式的常数倍。
你如果不喜欢内蕴的定义，非要写坐标的话，那你取定线性空间一组基，然后对应的n个向量你可以写成坐标列向量的样子，再然后你按照线性性展开，就得到了课本上定义的行列式的样子，不过差一个常数。
&&&&&&&&&&
0赞同反对，不会显示你的姓名
&，快开门，抄电表的
个人感觉是用来量化矩阵的——只在大学学过线代的说
&&&&&&&&&&
0赞同反对，不会显示你的姓名
线性代数中的行列式，矩阵，方程组，二次型都可以看作是向量！！！
行列式表示的是向量的内积
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。以下试题来自：
问答题已知，用配方法化二次型为标准形，并求所作的可逆线性变换． [*]
为您推荐的考试题库
你可能感兴趣的试题
1.问答题 [*]2.填空题 [*]3.填空题 [*]4.填空题 二次型的秩为2．[提示] 二次型的秩即是对应矩阵的秩．5A．A、B有相同的秩．B．A、B都合同于对角阵．C．A、B的全部特征值相同．D．A、B有相同的正负惯性指数．
热门相关试卷
最新相关试卷定义/线性变换
线性空间V到自身的映射通常称为V上的一个变换。线性变换参考图同时具有以下定义：线性空间V上的一个变换A称为线性变换，如果对于V中任意的元素α，β和数域P中任意k，都有A(α+β)=A（α）+A（β）A (kα)=kA(α)线性代数研究的一个对象，即向量空间到自身的保运算的映射。例如，对任意线性空间V，位似是V上的线性变换，平移则不是V上的线性变换。对线性变换的讨论可借助矩阵实现。σ关于不同基的矩阵是相似的。Kerσ={a∈V|σ（a）=θ}（式中θ指零向量）称为σ的核，Imσ={σ（a）|a∈V}称为σ的象，是刻画σ的两个重要概念。对于欧几里得空间，若σ关于标准正交基的矩阵是正交（对称）矩阵，则称σ为正交（对称）变换。正交变换具有保内积、保长、保角等性质，对称变换具有性质：〈σ(a)，β〉=〈a，σ（线性变换β）〉。在数学中，线性映射（也叫做线性变换或线性算子）是在两个向量空间之间的函数，它保持向量加法和标量乘法的运算。术语“线性变换”特别常用，尤其是对从向量空间到自身的线性映射(自同态)。 在抽象代数中，线性映射是向量空间的同态，或在给定的域上的向量空间所构成的范畴中的态射。
理解/线性变换
关于线性变换和特征值的理解线性变换参考图首先我们来看这样一个事实。一个二维的直角坐标系XOY，然后逆时针方向旋转了?角变为X’OY’后，那么我们考察一下后会发现，在XOY和 X’OY’的坐标系之间存在这样的转化关系。这里我们进一步来理解这个等式的含义。就是说在XOY坐标系下的某一个点 在X’OY’坐标系下的坐标变为了 。那么我们同样来考察一下这两个坐标系下的基坐标。就是来考察在XOY坐标系下的基坐标 （1，0）和 （0，1）在新的坐标系X’OY’下的 基坐标下的投影大小用 （1，0）和 （0，1）来表示为这样的。 （1，0）在 的投影 = ； （1，0）在 的投影 = ；。那么我们就说这个坐标旋转线性变换的变换矩阵为 。注意，这里的矩阵的排列是前面两个基坐标系数方程的转置矩阵，之所以写为转置矩阵是因为我们习惯这样来写基坐标的线性变换A =( , ) 。我们可以看到这样的旋转变换的目的就是把坐标系旋转后来看一下。这样的旋转角度一旦确定以后，我们就能够得到原来的老坐标下的坐标点在新坐标系下的坐标为 。注意的是，这里的坐标是右乘变换矩阵。我们指出（从后面可以进一步清楚地理解，这里的旋转变换只不过是线性变换的一个具体的例子而已。更广义的线性变换的例子我们将在下面进一步理解）。下面我们来理解什么是线性变换。它的数学定义在一般的高等代数学书中都可以找到。A(a+b)=Aa+Ab，Aka=kAa。其中a，b是V中的线性空间（线性空间的定义还是继续看高等代数书吧）。这个定义就是说把空间中的元素（特殊地想为三维空间的向量）经过一个变换，而这种变换是具有线性的特性的（就是满足上面的那个和、乘关系。三维空间的一个坐标旋转就满这种关系，可见，所谓的线性变换只不过是一个很抽象的一类具体变换的集合，很多例子）。那么这种变换的从一个元素转变到另外一个元素的对应关系，我们可以用前面的一个矩阵来表示，称为线性变换矩阵。这个的意义就是给出从一个元素变化到另外一个元素的转换关系而已，这样来看的话，那么前面的坐标系旋转只不过是线性变换的一个具体例子而已。线性变换的生动例子太广了。为了后面的说明的需要，我们来仔细考察下面的一个很有意思的例子。在三维空间中，我们有一个球心在原点（XOYZ和 X’OY’Z’的坐标系具有不为零的三个欧拉角）的球面，球面上的每一个点当然都有一个空间矢量，现在呢，我们让这个球开始沿着X’OY’Z’的三个主轴方向变化，假设X’，Z’方向膨胀，Y’方向收缩，那么我们可以想见，只有这三个方向的位置矢量是沿着原来的方向变化着的，其它的位置矢量在新的位置都会和原来的位置矢量有一个夹角。容易直观的理解，这样的变换是线性变换，下面我们要考虑的问题是，怎样来描述这样一个变换过程。无疑我们可以用变换矩阵来表明表面上任意一个点在变化前后的位置对应关系。但是，我们似乎可以预计，如果用X’OY’Z’坐标系（一个基坐标）来描述这种变换的话，要比XOYZ坐标系（另外一个基坐标）下的变换矩阵要简单一些。呵呵，问题是，在一般情况下，我们得到的变换矩阵都是在一般的基坐标下的矩阵，怎样找到这个特殊的基坐标呢，自然也是我们的问题之所在了。好了，有了这个基础理解，下面我们来点理论的事情。前面的二维例子已经指出，变换矩阵就是把一个元素（向量）变换到另外一个元素（向量）的过程。那么，我们先来考察这个元素是基坐标的特列会得到什么样的结果。假设我们已经给出这样的一个变换矩阵。 那么我们再来右乘一个基坐标 变为 （注意，矩阵的这种乘法就相当于张量右向点乘一个矢量）。得到的结果就是这个基向量 = 变为了 = 。变为了一个不和原来的基坐标同方向的矢量。同样地，其它两个基坐标也会变化为其它的方向。进一步我们指出，如果说空间中的向量（因为任何一个向量都可以用无关的基向量表述，所以我们可以自然拓广为包含基坐标的一般向量）在这个变换下得到的变换后的坐标与原来的关系为： = 。我们可以想像，在这种变换矩阵的作用下，能否找到空间中某一个向量经过这种方式变换以后，具有和原来的向量同方向，但是只是它的这个大小具有 倍的关系，即我们经常见到的 。假设我们这样的向量 存在的话，那么我们的 就称为特征向量，（因为其具有线性变换下方向不变的特征）， 称为特征值。很显然，我们可以用前面的圆球变椭球来想象，这种情况是可能发生的，但是，我们指出，这种情况发生与否只与变换矩阵本身相关。关于变换矩阵的特征值和特征向量我们多说一句，其具体的求法就是求解一个特征多项式，得到特征值后，将每一个特征值反带回元原来的方程组得到特征向量。并且，我们指出，物理意义上相同的同一个线性变换，用不同的基坐标来表示得到的变换矩阵是不一样的（就拿旋转变换来说吧，假设我现在已经有了两个坐标系XOY和 X’OY’，现在又有第三个坐标X’’OY’’首先与XOY重合，然后在旋转一个角度，那么这个转转变换在XOY和 X’OY’坐标系下的变换矩阵显然是不一样的，因为针对不同坐标系的旋转角度是不一样的）。但是，可以证明同一种变换在不同的基坐标下的变换矩阵是相似的。并且可以证明相似矩阵具有相同的特征多项式，这也就是说同一个变换的特征多项式至于变换本身有关系，而与具体的选择的基坐标无关，是有变换本身的特性决定的。那么，我们自然可以相问，能否找到一个基，使得这个变换矩阵具有最简单的形式（当然是对角矩阵了）。换句话说，就是能否找到一个矩阵和对角性矩阵相似。如果可以的话，那么这个对角形矩阵是由什么组成的，。下面，我们先来在假设第一个问题量是肯定的情况下，来看看第二个问题。我们还是用前面的圆球变椭球来想象，这种物理上的变换是不会随着基坐标系的改变而改变的。那么就圆球变椭球的例子，我们可以看到，在XOY坐标系下的变换矩阵不简单，但是，如果我们将基坐标选择为和 X’OY’重合，那么在这个坐标系下，同样基坐标方向上的那个向量在进行矩阵变换后只是变为原来的λ倍。由 = ，同样的，我们换用其它的两个基 = ； = 。可以看出，要实现这样的变化只能是 = = = = = =0，而 ， ， 。这样的话，在这个特征向量作为基的情况下，我们得到的线性变换的矩阵是最简单的对角形矩阵，并且对角线上的元素全是特征向量的特征值，至于具体的排列顺序没有严格的要求，但是，必须和你选择的基坐标的顺序一样，也就是说，如果选择 位置的话，那么就同时必须把 对应的特征向量作为X方向的基坐标。同时我们也可以看到，在三维空间中，变换矩阵表示为对角形的三个基向量是线性无关的，这个概念推广就是我们一般的结论那就是一个nxn维变换矩阵能相识于一个对角形矩阵（或者说可以在特征向量的基坐标下变化为对角形）的充要条件就是必须必须具有n个线性无关的特征向量。如果这一结论对多有矩阵都成立的话就比较完美了，但是可惜的是，并非所有矩阵都有和其维数一样多的特征向量。但是，我们可以得出如下的结论。1、属于不同特征值的特征向量彼此之间线性无关，2、如果某一特征值有几个线性无关向的特征向量，那么这几个线性无关向量和其它任何不同特征值的特征向量是线性无关的。3、矩阵相似与对角阵的条件是矩阵有和维数一样多的线性无关特征向量。好了，问题基本就解决了，我们最后指出，实对称矩阵必定可以对角化。最后我们来联系流体力学来看，张量的意思就是把变化到另外一个地方去。那么变形速度张量和一个的右向内积就是得到一个变形速度。
正文/线性变换
同一域上两个向量空间之间的映射，是线性代数的一个主要研究对象。设V和V┡是域 K上的向量空间，L是从V到V┡的映射，如果对于V中任意向量 u、v以及K中任意元素α、b，有L(αu+bv)=αL(u)+b)L(v),那么L 称为V到V┡的线性变换。例如，解析几何里的三维空间中任一向量(尣,y,z)在xy平面上的投影:L((尣,y,z))=(尣,y),就是实数域R上三维向量空间R到二维向量空间R的一个线性变换。设尣是n维向量,M是m×n实矩阵，令L(尣)=M·尣,则L就是R到R的一个线性变换。线性变换设L 是V 到V┡的一个线性变换, B ={b)j|j=1,2,…,n}和 C ={сj|i=1，2，…，m}分别是 V 和V┡的基，于是,V 中任一元素尣可表为线性变换，其中xj是域K的元素。由线性变换的定义可推得线性变换。若线性变换线性变换式中αij是域 K 的元素，令M(L)=(αij)，尣写为列向量(x1,x2,…xn)，则L(尣)＝M(L)·尣。此时M(L)称为L对(B,C)基的矩阵。当基取定之后，就在L与M(L)之间建立了一一对应关系，即V到V的一切线性变换与K上一切n×m 矩阵之间是一一对应的。线性变换保持子空间及其包含关系，即若S1、S2都是V的子空间，且有线性变换时,则L(S1)、L(S2)必是V┡的子空间，且有。V┡的零向量在V中的原像组成的集合，称为L的核，记作KerL,L(V)表示V在L作用下的像，则KerL和L(V)分别为V和V┡的子空间,若以dim KerL 和dimL(V)分别表示子空间KerL 和L(V)的维数，则有dimKerL+dimL(V)=dimV。dim KerL称为L的亏，dimL(V)称为L的秩。线性变换从线性变换和矩阵的对应关系可知这两者是同一的，但是线性变换的矩阵与基有关，而线性变换却不受基的限制，所以线性变换使用起来要方便一些。例如，解齐次线性方程组：就可看作求KerL的问题，这里L是矩阵(αij)所代表的线性变换。因此,当L的亏为0时方程组只有零解。在m在V=V┡时，若V 到V┡的线性变换L是一个双射，则L 称为可逆变换或非奇异变换。从亏和秩的关系可知以下条件是等价的:①L是正则的;②M(L)是非奇异的;③L(V)=V；④KerV ={o}。V 的正则变换以映射的合成为运算构成一个群，称为V上的一般线性群，记作GL(V)。在V和V┡都是赋范线性空间时，V到V┡的线性变换就称为线性算子。如果V┡是一维实空间，那么就把线性算子称为线性泛函。对于线性算子L若存在常数M,使得‖L(尣)‖≤M·‖尣‖,对于V的一切x都成立，那么L称为有界的。对于线性算子来说，有界和一致连续是等价的。
万方数据期刊论文
电力自动化设备
万方数据期刊论文
万方数据期刊论文
哈尔滨工程大学学报
&|&相关影像
互动百科的词条（含所附图片）系由网友上传，如果涉嫌侵权，请与客服联系，我们将按照法律之相关规定及时进行处理。未经许可，禁止商业网站等复制、抓取本站内容；合理使用者，请注明来源于www.baike.com。
登录后使用互动百科的服务，将会得到个性化的提示和帮助，还有机会和专业认证智愿者沟通。
此词条还可添加&
编辑次数：16次
参与编辑人数：12位
最近更新时间： 14:45:35
贡献光荣榜
扫码下载APP豆丁微信公众号
君，已阅读到文档的结尾了呢~~
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
天津科技大学信息与计算科学专业高等代数教案 复习总结（七）
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='http://www.docin.com/DocinViewer-.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口