线性代数(3)- 线性映射第一讲

线性代数(3)- 线性映射第一讲

线性映射

  一个满足以下性质的函数 T : V → W T:V \rightarrow W T:VW被称为一个线性映射(Linear Map)或线性变换(Linear Transform)

  • Additivity: ∀ u , v ∈ V , T ( u + v ) = T u + T v \forall u,v \in V,T(u+v)=Tu+Tv u,vV,T(u+v)=Tu+Tv
  • Homogeneity: ∀ λ ∈ F , ∀ u ∈ V , T ( λ u ) = λ ( T u ) \forall \lambda \in F, \forall u \in V,T(\lambda u)=\lambda (Tu) λF,uV,T(λu)=λ(Tu)
  • (函数后面只有一个符号的自变量时,省略括号)

  所有线性映射 T : V → W T:V \rightarrow W T:VW组成的集合记为 L ( V , W ) L(V,W) L(V,W)

   0 0 0被定义为,如果 0 ∈ L ( V , W ) , ∀ v ∈ V , 0 v = 0 0\in L(V,W),\forall v \in V,0v=0 0L(V,W),vV,0v=0,左零是一个零映射,右零是向量空间W的零向量

   I I I被定义为单位映射(Identity Map),如果 I ∈ L ( V , V ) , ∀ v ∈ V , I v = v I\in L(V,V),\forall v \in V,Iv=v IL(V,V),vV,Iv=v

  一些线性映射的例子包括微分映射和积分映射,映射前后所属的向量空间可以是函数空间

  一些关于线性映射的推论

  向量空间 V V V中的一个基 v 1 , … , v n v_1,\dots,v_n v1,,vn,另一些向量空间 W W W内的向量 w 1 , … , w n ∈ W w_1,\dots,w_n \in W w1,,wnW,则只存在唯一的(Unique)线性映射 T : V → W T:V \rightarrow W T:VW使得 T v j = w j , j = 1 , … , n Tv_j=w_j,j=1,\dots,n Tvj=wj,j=1,,n

线性映射的运算

  如果两个线性映射 S , T ∈ L ( V , W ) S,T\in L(V,W) S,TL(V,W),且有 λ ∈ F \lambda \in F λF则加法和数乘的结果仍然是 V → W V\rightarrow W VW上的线性映射 ∀ v ∈ V , ( S + T ) ( v ) = S v + T v , ( λ T ) ( v ) = λ ( T v ) \forall v \in V, (S+T)(v)=Sv+Tv,(\lambda T)(v)=\lambda(Tv) vV,(S+T)(v)=Sv+Tv,(λT)(v)=λ(Tv) ,注意区分和线性映射的定义

  如果两个线性映射 S ∈ L ( U , V ) , T ∈ L ( V , W ) S\in L(U,V), T\in L(V,W) SL(U,V),TL(V,W),乘法(Product)的结果是 U → W U\rightarrow W UW上的线性映射 ∀ v ∈ V , ( S T ) ( v ) = S ( T v ) \forall v \in V, (ST)(v)=S(Tv) vV,(ST)(v)=S(Tv)

  以下是一些推论

   L ( V , W ) L(V,W) L(V,W)是一个向量空间

  加法满足交换律和结合律,乘法满足结合律,它们满足分配律

  线性映射 T T T总是T(0)=0

   T ∈ L ( V , W ) ,   v 1 , … , v m ∈ V T\in L(V,W),\ v_1,\dots,v_m\in V TL(V,W), v1,,vmV
   T v 1 , … , T v m Tv_1,\dots,Tv_m Tv1,,Tvm线性独立    ⟹    v 1 , … , v m \implies v_1,\dots,v_m v1,,vm线性独立

零空间

  对于线性映射 T ∈ L ( V , W ) T\in L(V,W) TL(V,W) T T T的零空间(Null Space)是 V V V的子集,有 n u l l   T = { v ∈ V ∣ T v = 0 } null\ T=\lbrace v\in V \mid Tv=0 \rbrace null T={vVTv=0}

  可推出, T ∈ L ( V , W ) T\in L(V,W) TL(V,W),零空间 N u l l   T Null \ T Null T是向量空间 V V V的一个子空间

   T ∈ L ( V , W ) ,   v 1 , … , v m ∈ V T\in L(V,W),\ v_1,\dots,v_m\in V TL(V,W), v1,,vmV
   v 1 , … , v m ∉ n u l l   T v_1,\dots,v_m \notin null \ T v1,,vm/null T且线性独立    ⟹    T v 1 , … , T v m \implies Tv_1,\dots,Tv_m Tv1,,Tvm线性独立

一一映射

  一个函数 T : V → W T:V \rightarrow W T:VW称为一一映射(Injective)当且仅当 T u = T v    ⟹    u = v Tu=Tv \implies u=v Tu=Tvu=v

  可推出, T ∈ L ( V , W ) T\in L(V,W) TL(V,W),则 T T T是一一映射的充要条件是 n u l l   T = { 0 } null \ T=\lbrace 0 \rbrace null T={0}

值域

  对于线性映射 T ∈ L ( V , W ) T\in L(V,W) TL(V,W) T T T的值域(Range)是 W W W的子集,有 r a n g e   T = { T v ∣ v ∈ V } range\ T=\lbrace Tv \mid v \in V \rbrace range T={TvvV}

  可推出, T ∈ L ( V , W ) T\in L(V,W) TL(V,W) r a n g e   T range \ T range T是向量空间W的一个子空间

满射

  一个函数 T : V → W T:V \rightarrow W T:VW称为满射(surjective)当且仅当 r a n g e   T = W range \ T = W range T=W

线性映射的一些推论

  • 有限维度的向量空间 V V V,线性映射 T ∈ L ( V , W ) T\in L(V,W) TL(V,W),则 T T T的值域是有限维度的,且有 d i m   V = d i m   n u l l   T + d i m   r a n g e   T dim \ V=dim \ null \ T+dim \ range \ T dim V=dim null T+dim range T

  • d i m   V > d i m   W    ⟹    ∀ T ∈ L ( V , W ) , T   i s   n o t   i n j e c t i v e dim \ V>dim \ W \implies \forall T \in L(V,W),T \ is \ not \ injective dim V>dim WTL(V,W),T is not injective

  • d i m   V < d i m   W    ⟹    ∀ T ∈ L ( V , W ) , T   i s   n o t   s u r j e c t i v e dim \ V<dim \ W \implies \forall T \in L(V,W),T \ is \ not\ surjective dim V<dim WTL(V,W),T is not surjective

  • 对于一个齐次线性方程组,如果变量数多于方程数,则存在非零解

  • 对于一个非齐次线性方程组,如果方程数多于变量数,则存在一类常系数选择使得方程无解

  • s p a n ( v 1 , … , v n ) = V ,   T ∈ L ( V , W )    ⟹    s p a n ( T v 1 , … , T v n ) = r a n g e   T span(v_1,\dots,v_n)=V,\ T\in L(V,W) \implies span(Tv_1,\dots,Tv_n)=range \ T span(v1,,vn)=V, TL(V,W)span(Tv1,,Tvn)=range T

  • S 1 , … , S n S_1,\dots,S_n S1,,Sn是一一映射的线性映射,如果 S 1 S 2 … S n S_1S_2\dots S_n S1S2Sn有意义,则 S 1 S 2 … S n S_1S_2\dots S_n S1S2Sn是一一映射的

  • 向量空间 W W W是有限维度的,线性映射 T ∈ L ( V , W ) T \in L(V,W) TL(V,W),则 T T T是一一映射的充要条件是存在一个线性映射 S ∈ L ( W , V ) S\in L(W,V) SL(W,V)使得 S T = I ST=I ST=I(Idengtity Map)

  • 向量空间 W W W是有限维度的,线性映射 T ∈ L ( V , W ) T \in L(V,W) TL(V,W),则 T T T是满射的充要条件是存在一个线性映射 S ∈ L ( W , V ) S\in L(W,V) SL(W,V)使得 T S = I TS=I TS=I(Idengtity Map)

  • 向量空间 W W W是有限维度的, T 1 , T 2 ∈ L ( V , W ) T_1,T_2\in L(V,W) T1,T2L(V,W),则 n u l l   T 1 ⊂ n u l l   T 2    ⟺    ∃ S ∈ L ( W , W ) , T 2 = S T 1 null \ T_1 \subset null \ T_2 \iff \exist S\in L(W,W),T_2=ST_1 null T1null T2SL(W,W),T2=ST1

  • 向量空间 W W W是有限维度的, T 1 , T 2 ∈ L ( V , W ) T_1,T_2\in L(V,W) T1,T2L(V,W),则 r a n g e   T 1 ⊂ r a n g e   T 2    ⟺    ∃ S ∈ L ( V , V ) , T 1 = T 2 S range \ T_1 \subset range \ T_2 \iff \exist S\in L(V,V),T_1=T_2S range T1range T2SL(V,V),T1=T2S

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值