线性代数（4）- 线性映射第二讲
矩阵
m,n是正整数，则m行n列的矩阵是一个数阵，每个元素都取于 F F F A = [ A 1 , 1 ⋯ A 1 , n ⋮ ⋱ A m , 1 ⋯ A m , n ] A= \begin{bmatrix} A_{1,1} & \cdots & A_{1,n} \\ \vdots & & \ddots \\ A_{m,1} & \cdots & A_{m,n} \\ \end{bmatrix} A=⎣⎢⎡A1,1⋮Am,1⋯⋯A1,n⋱Am,n⎦⎥⎤
线性映射的矩阵
T ∈ L ( V , W ) , v 1 , … , v n T \in L(V,W),\ v_1,\dots,v_n T∈L(V,W), v1,…,vn是 V V V的一个基， w 1 , … , w m w_1,\dots,w_m w1,…,wm是 W W W的一个基，则 T T T的矩阵是一个m行n列的矩阵，记为 M ( T ) M(T) M(T)，每一项 A j , k A_{j,k} Aj,k定义为 T V k = A 1 , k w 1 + ⋯ + A m , k w m T_{V_k}=A_{1,k}w_1+\dots+A_{m,k}w_m TVk=A1,kw1+⋯+Am,kwm 亦可用 M ( T , ( v 1 , … , v n ) , ( w 1 , … , w m ) ) M(T,(v_1,\dots,v_n),(w_1,\dots,w_m)) M(T,(v1,…,vn),(w1,…,wm))简记
矩阵加法和数乘
两个相同大小的矩阵 A , C A,C A,C的加法定义为 ( A + C ) j , k = A j , k + C j , k (A+C)_{j,k}=A_{j,k}+C_{j,k} (A+C)j,k=Aj,k+Cj,k
可推出， S , T ∈ L ( V , W ) , M ( S + T ) = M ( S ) + M ( T ) S,T\in L(V,W),M(S+T)=M(S)+M(T) S,T∈L(V,W),M(S+T)=M(S)+M(T)
矩阵 A A A的数乘定义为 ( λ A ) j , k = λ A j , k (\lambda A)_{j,k}=\lambda A_{j,k} (λA)j,k=λAj,k
可推出， λ ∈ F , T ∈ L ( V , W ) , M ( λ T ) = λ M ( T ) \lambda \in F,T\in L(V,W),M(\lambda T)=\lambda M(T) λ∈F,T∈L(V,W),M(λT)=λM(T)
m行m列的矩阵的集合记为 F m , n F^{m,n} Fm,n
可推出， F m , n F^{m,n} Fm,n是一个维度为 m n mn mn的向量空间
矩阵乘法
矩阵A是m行n列的，矩阵C是n行p列的，则AC被定义为m行p列的矩阵 ( A C ) j , k = ∑ r = 1 n A j , r C r , k (AC)_{j,k}=\sum_{r=1}^{n}A_{j,r}C_{r,k} (AC)j,k=r=1∑nAj,rCr,k
可推出， T ∈ L ( U , V ) , S ∈ L ( V , W ) , M ( S T ) = M ( S ) M ( T ) T\in L(U,V),S\in L(V,W),M(ST)=M(S)M(T) T∈L(U,V),S∈L(V,W),M(ST)=M(S)M(T)
亦可知，矩阵乘法的每一项，是 A A A的对应行和 C C C的对应列的乘积和结果
或者，矩阵乘法的每一列，是整个矩阵 A A A与 C C C的对应列乘积结果
如果 C C C是列向量，则矩阵乘法可以看成是 A A A的每一列和 C C C的线性组合
矩阵乘法满足结合律，和加法满足分配律
线性映射的可逆性
一个线性映射 T ∈ L ( V , W ) T\in L(V,W) T∈L(V,W)被称为可逆的（Invertible），如果存在一个 S ∈ L ( W , V ) S\in L(W,V) S∈L(W,V)，使得 S T = I , T S = I ST=I,\ TS=I ST=I, TS=I（两个 I I I处于不同向量空间）此时 S S S被称为 T T T的逆(Inverse)，记为 T − 1 T^{-1} T−1
可推出，线性映射的逆唯一
此外，线性映射是可逆的当且仅当它是一一映射且满射的
同构
同构（isomorphism）
An isomorphism is an invertible linear map.
Two vector spaces are isomorphic if there is an isomorphism from one vector space onto the other one.
有以下推论
-
两个有限维度的向量空间是同构的，充要条件是它们有相同的维度大小
-
当 V , W V,W V,W的基向量固定时， M M M是一个 L ( V , W ) , F m , n L(V,W),F^{m,n} L(V,W),Fm,n上的同构
-
V , W V,W V,W是有限维度的，则 L ( V , W ) L(V,W) L(V,W)是有限维度的，且 d i m L ( V , W ) = ( d i m V ) ( d i m W ) dim \ L(V,W)=(dim \ V)(dim \ W) dim L(V,W)=(dim V)(dim W)
算子
一个 V V V到 V V V的线性映射称为算子（Operator）
V V V上的所有算子组成的集合记为 L ( V ) L(V) L(V)，事实上， L ( V ) = L ( V , V ) L(V)=L(V,V) L(V)=L(V,V)
可推出， V V V是有限维度的， T ∈ L ( V ) T\in L(V) T∈L(V)，则有 T T T是可逆的 ⟺ \iff ⟺ T T T是一一映射的 ⟺ \iff ⟺ T T T是满射的
一些推论
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,T2∈L(V,W)，则 n u l l T 1 = n u l l T 2 null\ T_1=null\ T_2 null T1=null T2当且仅当 ∃ S ∈ L ( W ) \exists S\in L(W) ∃S∈L(W)且 S S S可逆，有 T 1 = S T 2 T_1=ST_2 T1=ST2
V V V是有限维度的， T 1 , T 2 ∈ L ( V , W ) T_1,T_2 \in L(V,W) T1,T2∈L(V,W)，则 r a n g e T 1 = r a n g e T 2 range\ T_1=range\ T_2 range T1=range T2当且仅当 ∃ S ∈ L ( V ) \exists S\in L(V) ∃S∈L(V)且 S S S可逆，有 T 1 = T 2 S T_1=T_2S T1=T2S
V , W V,W V,W都是有限维度的， T 1 , T 2 ∈ L ( V , W ) T_1,T_2\in L(V,W) T1,T2∈L(V,W)，则 d i m n u l l T 1 = d i m n u l l T 2 dim\ null\ T_1=dim\ null\ T_2 dim null T1=dim null T2当且仅当 ∃ R ∈ L ( V ) , ∃ S ∈ L ( W ) \exists R\in L(V),\exists S\in L(W) ∃R∈L(V),∃S∈L(W)且 L , S L,S L,S可逆，有 T 1 = S T 2 R T_1=ST_2R T1=ST2R
V V V是有限维度的， S , T ∈ L ( V ) S,T\in L(V) S,T∈L(V)， S T ST ST可逆当且仅当 S , T S,T S,T都可逆
V V V是有限维度的， S , T ∈ L ( V ) S,T\in L(V) S,T∈L(V)， S T = I ST=I ST=I当且仅当 T S = I TS=I TS=I
V V V是有限维度的， S , T , U ∈ L ( V ) S,T,U\in L(V) S,T,U∈L(V)， S T U = I ⟹ T STU=I \implies T STU=I⟹T可逆且 T − 1 = U S T^{-1}=US T−1=US
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
