线性映射

Linear Maps

本章是整本书内容最多的章节。很多基本概念都在这里详细论述

3.A The Vector Space of Linear Maps

1. 从 $V$ 到 $W$ 的所有映射定义为 $L(V,W)$

2. 当满足以下条件时
   $$dim(V)\equiv dim(W),T{v}_j=w_{j}j\in 1,2,\cdots ,n$$ ,
   只有一个 $T:V\to W$，使 $V\to W$ 满足以上条件.

   • 加入有连个 $T,H$ 可以满足条件 $T{v}_j=w_j,H{v}_j=w_j$
     $$T(c_1{v}_1+c_2{v}_2+\cdots +c_n{v}_n)=c_1{w}_1+c_2{w}_2+\cdots +c_n{w}_n$$
     $$H(c_1{v}_1+c_2{v}_2+\cdots +c_n{v}_n)=c_1{w}_1+c_2{w}_2+\cdots +c_n{w}_n$$

   • 由于 $v_1,v_2,\cdots ,v_n$ 是非线性相关的所以 $T,H$
     实际上是同一个映射

3. $L(V,M)$ 本身也是一个向量空间

4. $T(0)=0$

   • $T(0)=T(0+0)=T(0)+T(0)\Rightarrow T(0)=0$

3.B Null Spaces and Ranges

1. 定义 null space, $null\mathbf{T}$
   n u l l T = { v ∈ V : T v = 0 } null\bm{T}=\{v\in \bm{V}:\bm{T}v=0\} nullT={v∈V:Tv=0} null space $\equiv$
   kernel

2. 如果$T\in L(V,W)$.那么 $T$ 单射的充分必要条件为 n u l l T = { 0 } null\bm{T}=\{0\} nullT={0}

   • 如果 $T$
     如果单射那么，因为$T(0)=0$,那么单射只能是 n u l l T = { 0 } null\bm{T}=\{0\} nullT={0}.

   • 令 n u l l T = { 0 } null\bm{T}=\{0\} nullT={0}， 但是如果$v_1,v_2\in V,v_1̸=v_2$
     通过$T$ 映射到相同的 $w$。也就是说 $T(v_1-v_2)=0$。但是我们得到
     $v_1\equiv v_2$，与假设矛盾。

3. range的定义 r a n g e T = { T v : v ∈ V } range\bm{T}=\{\bm{Tv}:\bm{v}\in \bm{V}\} rangeT={Tv:v∈V}

4. $range\mathbf{T}$ 是 $W$ 的一个子空间.

5. $dim(V)=dim(null\mathbf{T})+dim(range\mathbf{T})$,$T\in L(V,W)$

   • 令$u_1,u_2,\cdots ,u_m$ 是 $null\mathbf{T}$的一组基,并且
     $u_1,u_2,\cdots ,u_m,v_1,v_2,\cdots ,v_n$ 是 $V$ 的一组基

   • 那么$dim(V)=m+n,dim(null\mathbf{T})=m$.也就是需要证明
     $dim(range\mathbf{T})=n$ 也就是说 $T{v}_1,T{v}_2,\cdots ,T{v}_n$ 是
     $range\mathbf{T}$ 的一 组基

   • 任意
     $w\in W\equiv Tv=T(a_1{u}_1+a_2{u}_2+\cdots +a_m{u}_m+b_1{v}_1+b_2{b}_2+\cdots +b_n{v}_n)$
     $$w\equiv Tv=T(b_1{v}_1+b_2{v}_2+\cdots +b_n{v}_n)=T(b_1{v}_1)+T(b_2{v}_2)+\cdots +T(b_n{v}_n)$$
     也就是说 $T(b_1{v}_1),T(b_2{v}_2),\cdots ,T(b_n{v}_n)$ spans $W$,
     因为$u_i$都映射到 0上面去了。

   • 令$c_{1}T{v}_1+c_{2}T{v}_2+\cdots +c_{n}T{v}_n=0$ 也就是说
     $c{v}_1+c{v}_2+\cdots +c_n{v}_n\in null\mathbf{T}$.那么下面的等式成立。
     $$c_1{v}_1+c_2{v}_2+\cdots +c_n{v}_n=d_1{u}_1+d_2{u}_2+\cdots +d_m{u}_m$$ all
     但是$c_j$ and $d_j$ 应该都是 0,因为 $v_j$ 和 $u_j$ 非线性相关.

   • 最后，我们根据$c_{1}T{v}_1+c_{2}T{v}_2+\cdots +c_{n}T{v}_n=0$,成立的条件是所有
     $c_i$都等于0可得, 我们的假设成立。

6. 如果 $dim(V)>dim(W)$ 那么不存在从 $V$ 到 $W$ 的单射

   • $$dim(null\mathbf{T})=dim(V)-dim(range\mathbf{T})⩾dim(V)-dim(W)>0$$

   • 因为必定有两个或者连个以上的向量映射到0向量。

7. 同理 $dim(V)<dim(W)$ 那么不存在从 $V$ 到 $W$ 的满射。

8. 齐次线性方程组中，如果变量的个数多于方程的个数。则一定有非 零解。

   • 方程组的系数构成一个变换$T$ from $F^n\to F^m$, $n>m$.

   • 也即是说，$null\mathbf{T}$肯定是不只含有 { 0 } \{0\} {0}，所以必然含有非0向量。也就
     是说，方程组有非零解。

9. 非齐次线性方程组，当变量的个数小于方程组的个数时，再适当的系数情况下是，可以没有解。

   • 不是满射。固然存在某些系数使得方程组没有解。和上一个定理基本一样的原理。

3.C Matrices

1. ${\mathbf{T}\mathbf{v}}_k={\sum }_{j=1}^m{\mathbf{A}}_{j,k}{\mathbf{w}}_j$

2. 假如 $S,T\in L(V,W)$. 那么 $M(S+T)=M(S)+M(T)$

3. 假如 $\lambda \in \mathbf{F}$ 和 $T\in L(V,W)$. 那么 $M(\lambda \mathbf{T})=\lambda M(\mathbf{T})$，其中M是一个函数，是一个将映射转化为矩阵的函数

4. 所有的 m-by-n 矩阵定义为 ${\mathbf{F}}^{m,n}$

5. $dim{\mathbf{F}}^{m,n}=mn$

   • The $0$ element is $$\left[\begin{array}{cccc}0& 0& \cdots & 0\\ 0& 0& \cdots & 0\\ ⋮& ⋮& ⋮& ⋮\\ 0& 0& \cdots & 0\end{array}\right]$$

   • The basis of ${\mathbf{F}}^{m,n}$ is $$\left[\begin{array}{cccc}1& 0& \cdots & 0\\ 0& 0& \cdots & 0\\ ⋮& ⋮& ⋮& ⋮\\ 0& 0& \cdots & 0\end{array}\right],\left[\begin{array}{cccc}0& 1& \cdots & 0\\ 0& 0& \cdots & 0\\ ⋮& ⋮& ⋮& ⋮\\ 0& 0& \cdots & 0\end{array}\right],\cdots ,\left[\begin{array}{cccc}0& 0& \cdots & 0\\ 0& 0& \cdots & 0\\ ⋮& ⋮& ⋮& ⋮\\ 0& 0& \cdots & 1\end{array}\right]$$

   • It means that $dim{\mathbf{F}}^{m,n}=mn$

6. Matrices Multiplication $$(AC{)}_k=\sum _{r=1}^n{A}_{j,r}{C}_{r,k}$$

7. If $T\in L(U,V),S\in L(V,W)$, then $M(ST)=M(S)M(T)$

Invertibility and Isomorphic Vector Spaces

Invertible Linear Maps

1. 任何一个可逆线性映射的逆只有一个。
   $$S_1=S_{1}I=S_1(T{S}_2)=(S_{1}T)S_2=I{S}_2=S_2$$

2. 一个线性映射可逆的充分必要条件是这个线性映射满射和单射。

   • 从一个方向证明，先令 $T$ 是一个可逆线性映射.

     • 令 $u,v\in V$，假设 $Tu=Tv$ then
       $$u=T^{-1}(Tu)=T^{-1}(Tv)=v$$ 有此可见，$T$是一个单射

     • 对于任意 $w\in W$. 由 $w=T(T^{-1}w)$, 可得
       $range\mathbf{T}=W$。可见T是一 个满射

   • 再从另一个方向，先令 $T$ 是一个满射和单射.对于任意 $w\in W$,定义
     $Sw$ 是 $V$ 中唯一使得 $T(Sw)=w$ 成立的向量
     $$T((S\circ T)v)=(T\circ S)(Tv)=I(Tv)=Tv$$

     由此可见T是一个可逆的线性映射

Isomorphic Vector Spaces

1. 同构的定义：两个空间$V,W$同构，就是说，存在一个可逆矩阵$T$使得,$V\to W$

2. 两个向量空间是同构的，充分必要条件是两个空间的维度相同

   • 从一个方向证明。如果 $V,M$ 同构，而且映射的名字是 $T$

     • 因为同构，单射和满射则 $null\mathbf{T}=0$和 $range\mathbf{T}=W$

     • $dim(V)=dim(null\mathbf{T})+dim(range\mathbf{T})\Rightarrow dim(V)=dim(W)$

   • 从另一个方向 $dim(V)=dim(W)$.

     • 令 $v_1,v_2,\cdots ,v_n$ 是 $V$ 的一组基,令
       $w_1,w_2,\cdots ,w_n$ 是 $W$ 的一组基

     • 定义一个映射
       $T(c_1{v}_1+c_2{v}_2+\cdots +c_n{v}_n)=c_1{w}_1+c_2{w}_2+\cdots +c_n{w}_n$

     • 可以很容易的证明上面的映射$T$是满射和单射。

3. $L(V,W)$ 和 ${\mathbf{F}}^{m,n}$ 同构

   • $M$ 是一个函数，且$M(T),T\in L(V,W)$ 是 ${\mathbf{F}}^{m,n}$
     中的元素.也就是$M(T)\in {\mathbf{F}}^{m,n}$

   • 需要证明 $null\mathbf{M}=0$ 也就是只有一个
     $T\in L(V,W),M(T)=0,0\in {\mathbf{F}}^{m,n}$

   • T v j = 0 , ∀ j ∈ { 1 , 2 , ⋯ &ThinSpace; , n } Tv_j=0,\forall j\in \{1,2,\cdots,n\} Tvj​=0,∀j∈{1,2,⋯,n},因为 $v_1,v_2,\cdots ,v_n$
     非线性
     相关所以，没有非0的$T$,可以使所有的$T{v}_j=0$。这就是说，$null\mathbf{M}=0$,
     于是M就是单射的。

   • 令$A\in {\mathbf{F}}^{m,n}$, $$T{v}_k=\sum _{j=1}^m{A}_{j,k}{w}_j$$
     也就是说
     $M(T)=A\Rightarrow range\mathbf{M}={\mathbf{F}}^{m,n}$.这说明$M$是满射

4. $$dim(L(V,W))=dim(V)dim(W)$$

   • $dim(L(V,W))=dim{\mathbf{F}}^{m,n}$

Linear Maps Thought of as Matrix Multiplication

1. $v_1,v_2,\cdots ,v_n$ 是 $V$ 的一组基. $$M(v)=\left(\begin{array}{c}{c}_1\\ c_2\\ ⋮\\ c_n\end{array}\right)$$ 其中 $c_1,c_2,\cdots ,c_n$ 使得
   $$v=c_1{v}_1+c_2{v}_2+\cdots +c_n{v}_n$$

2. 根据定义可得$M(T{)}_{.,k}=M(T{v}_k)$

3. $T\in L(V,W),v\in V$ , 假设$v_1,v_2,\cdots ,v_n$ 是 $V$ 的一组基。而
   $w_1,w_2,\cdots ,w_m$是$W$的一组基。那么 $$M(Tv)=M(T)M(v)$$

   • $Tv=c_{1}T{v}_1+c_{2}T{v}_2+\cdots +c_{n}T{v}_n$

   • $M(Tv)=c_{1}M(T{v}_1)+c_{2}M(T{v}_2)+\cdots +c_{n}M(T{v}_n)=c_{1}M(T{)}_{.,1}+\cdots +c_{n}M(T{)}_{.,n}=M(T)M(v)$

Operators

算子是非常重要的概念，后面和这本书，最重要的基础

1. 一个集合到其自身的线性映射叫做算子。

2. $L(V)=L(V,V)$ 是$V$上的所有算子。

3. 假设$V$是有限空间$T\in L(V)$,那么下面的三个命题，互相等价。

   • T 是可逆的线性映射

   • T 是单射

   • T 是满射

   Proof

   • 有前面可逆矩线性变换的充要条件可得。$T$
     可逆的充要条件为满射和单射。

   • $T$如果是单射。那么$dim(null\mathbf{T})=0$那么根据
     $$dim(range\mathbf{T})=dim(V)-dim(null\mathbf{T})=dim(V)$$
     也就是$T$满射，进而可以推出可逆。

4. 同理可以通过满射推导单射

3.E Products and Quotients of Vectors Spaces

Products of Vector Spaces

1. $V_1\times V_2\times \cdots \times V_m$ 的定义
   V 1 × V 2 × ⋯ × V m = { ( v 1 , v 2 , ⋯ &ThinSpace; , v m ) : v 1 ∈ V 1 , ⋯ &ThinSpace; , v m ∈ V m } V_1\times V_2\times \cdots \times V_m=\{(v_1,v_2,\cdots, v_m):v_1\in V_1,\cdots,v_m\in V_m\} V1​×V2​×⋯×Vm​={(v1​,v2​,⋯,vm​):v1​∈V1​,⋯,vm​∈Vm​}

2. 从定义很容易可以证明$V_1\times V_2\times \cdots \times V_m$
   是一个向量空间

3. $dim(V_1\times V_2\times \cdots \times V_m)=dim(V_1)+dim(V_2)+\cdots +dim(V_m)$

   • 类似通过观察$P_2(R)\times R^2$的基来证明这个问题

   • $(0,(0,0)),(x,(0,0)),(x^2,(0,0)),(0,(1,0)),(0,(0,1))$

   • 也就是说，当一个空间的基变化时，其它空间的基就为0

Products and Direct Sums

1. 首先定义映射$\Gamma :U_1\times U_2\times \cdots \times U_m\to U_1+U_2+\cdots +U_m$是
   $$\Gamma (u_1,u_2,\cdots ,u_m)=u_1+u_2+\cdots +u_m$$

   那么命题是：$U_1+U_2+\cdots +U_m$是直和的充要条件是$\Gamma$是单射。

   • 前面1.C中$U_1+U_2+\cdots +U_m$是直和的充要条件是$u_1+u_2+\cdots +u_m=0$只
     有一个形式也就是$u_j=0,j\in (1,2,\cdots ,m)$

   • 从一个方向证明。$U_1+U_2+\cdots +U_m$是直和，那么0的表示形式就只有一种。
     那么$dim(null(\Gamma ))=0$,那么$\Gamma$就是单射

   • 从另一个方向证明,如果$\Gamma$是单射，那么$dim(null(\Gamma ))=0$。进而我们
     可以得出0只有一种表示形式，那么$U_1+U_2+\cdots +U_m$就是一个直和。

2. $U_1+U_2+\cdots +U_m$是直和的充要条件是
   $$dim(U_1+U_2+\cdots +U_m)=dim(U_1)+dim(U_2)+\cdots +dim(U_m)$$

   • 从一个方向证明：如果$U_1+U_2+\cdots +U_m$是直积。那么$\Gamma$是单射。也就
     是说$dim(null\Gamma )=0$也即是说按照定理3.B得。
     $$dim(U_1+U_2+\cdots +U_m)=dim(U_1\times U_2\times \cdots \times U_m)=dim(U_1)+\cdots +dim(U_m)$$

   • 反之从另一个方向也是。

Quotients of Vector Spaces

1. $v+U$ 定义 v + U = { v + u : u ∈ U } v+U=\{v+u:u\in U\} v+U={v+u:u∈U}

2. affine subset:（注意是affine subset，不是一个子空间，在$v=0$的时
   候才是一个子空间），V的一个affine subset 被定义为：$v+U,v\in V$,
   $U$ 是$V$ 的子空间。

3. 平行的定义：$v+U$平行于$U$

4. quotient space $\mathbf{V}/\mathbf{U}$ V / U = { v + U : v ∈ V } V/U=\{v+U:v\in V\} V/U={v+U:v∈V}

5. 两个平行于$U$的affine subset
   要么相等要么不想交。也就是说下面三个命题等价

   • $v-w\in U$

   • $v+U=w+U$

   • $(v+U)\cup (w+U)̸=\varnothing$

   可以用循环证明：$a\to b\to c\to a$
   这样就可以得到佐 证。

   proof

   1. $a\Rightarrow b$也就是$v-w\in U\Rightarrow v+U=w+U$

      • $v+u=w+(v-w+u)\in w+U\Rightarrow v+U\subseteq w+U$

      • 同理$w+U\subseteq v+U$

      • $w+U=v+U$

   2. $b\Rightarrow c$ 也就是$v+U=w+U\Rightarrow (v+U)\cup (w+U)̸=\varnothing$ 这一步是定义就能证明

   3. $c\Rightarrow a$
      也就是$(v+U)\cup (w+U)̸=\varnothing \Rightarrow v-w\in U$

      • $u_1,u_2\in U$

      • $v+u_1=w+u_2\Rightarrow v-w=u_2-u_1\in U$

6. $V/U$ 是一个向量空间

7. $\pi :V\to V/U$ 定义 $$\pi (v)=v+U$$

8. $dim(V/U)=dim(V)-dim(U)$

   • $null\pi =U$

   • $range\pi =V/U$

   • 根据先前的定理 $$dim(V)=dim(U)+dim(V/U)$$

9. $\tilde{T}:V/(nullT)\to W$ $$\tilde{T}(v+nullT)=Tv$$

10. 以下几个命题成立

    1. $\tilde{T}$ 是一个从$V/nullT\to W$ 的线性映射

    2. $\tilde{T}$ 是单射

       • $\tilde{T}(v+nullT)=0\Rightarrow Tv=0\Rightarrow v\in nullT$

       • $v\in nullT\Rightarrow v+nullT=0+nullT\Rightarrow null\tilde{T}=0$

       • 也就是说这是一个单射

    3. $range\tilde{T}=rangeT$

       • 从定义中很容易看出来

    4. $V/nullT$ 和$rangeT$ 同构

       • 从前面连个结论可惜看出，$V/(nullT)\to rangeT$是单射和满射。所以就可以得出两者同
         构

3.F Duality

The Dual Space and the Dual Map

1. 线性函数，定义为$L(V,F)$

2. 对偶空间$V^{{}^{\prime }}$，从V到F的所有线性函数的集合 $$V^{{}^{\prime }}=L(V,F)$$

3. $dim{V}^{{}^{\prime }}=dimV$

   • $L(V,F)=dimV\times dimF=dimV\times 1=dimV$

4. 对偶空间的基的定义,对偶空间的基于$V$空间的基有对应关系

   • 如果$v_1,v_2,\cdots ,v_n$是$V$空间中的一组基，那么
     ${\phi }_1,\cdots ,{\phi }_n$是$V^{{}^{\prime }}$的一组基，只要
     $${\phi }_j(v_k)=\{\begin{array}{r}1,k=j\\ 0,k̸=j\end{array}$$

5. 证明上面的定义是$V^{{}^{\prime }}$的一组基

   • $a_1{\phi }_1+\cdots +a_n{\phi }_n=0$

   • $(a_1{\phi }_1+\cdots +a_n{\phi }_n)(v_j)=a_j,j\in (1,2,\cdots ,n)$都得是0

   • 那么只能是$a_1=\cdots =a_n=0$

   • 这就证明了,${\phi }_1,\cdots ,{\phi }_n$是一组基。

6. 对偶映射，$L(V,W)$的对偶映射是$L(W^{{}^{\prime }},V^{{}^{\prime }})$,其中
   $T^{{}^{\prime }}(\phi )=\phi \circ T,\phi \in W^{{}^{\prime }}$

7. 对偶映射的性质

   • $(S+T{)}^{{}^{\prime }}=S^{{}^{\prime }}+T^{{}^{\prime }},S,T\in L(V,W)$

   • $(\lambda T{)}^{{}^{\prime }}=\lambda T^{{}^{\prime }},T\in L(V,W)$

   • $(ST{)}^{{}^{\prime }}=T^{{}^{\prime }}{S}^{{}^{\prime }},T\in L(U,V),S\in L(V,W)$

The Null Space and Range of the Dual of a linear Map

1. annihilator,$U^0$
   U 0 = { φ ∈ V ′ : φ ( u ) = 0 , u ∈ U } U^{0}=\{\varphi\in V^{&#x27;}:\varphi(u)=0,u\in U\} U0={φ∈V′:φ(u)=0,u∈U}

2. $U^0$ 是$V^{{}^{\prime }}$的一个子空间

   • { 0 } 0 = V ′ \{0\}^{0}=V^{&#x27;} {0}0=V′

   • V 0 = { 0 } V^{0}=\{0\} V0={0}

3. $dimU+dim{U}^0=dimV$

   • 假设$i\in L(U,V)$定义为$i(u)=u,u\in U$

   • $i^{{}^{\prime }}$ 就是一个$V^{{}^{\prime }}\to U^{{}^{\prime }}$的一个对偶映射。
     $$dim(range(i^{{}^{\prime }}))+dim(null(i^{{}^{\prime }}))=dim{V}^{{}^{\prime }}$$

   • 从定义可知$null{i}^{{}^{\prime }}=U^0$ 因为
     $\phi \in V^{{}^{\prime }},\phi \circ i(u)=0,u\in U$

   • $\phi \in U^{{}^{\prime }}$,这个$\phi$函数可以扩展为$V^{{}^{\prime }}$里的$\Psi$。也
     就是说$i^{{}^{\prime }}(\Psi )=\phi$,$range{i}^{{}^{\prime }}=U^{{}^{\prime }}$

   • 最后替换可得证。

4. $T^{{}^{\prime }}$ 的null 空间。

   • $null{T}^{{}^{\prime }}=(rangeT{)}^0$

     • $\phi \in null{T}^{{}^{\prime }}\Rightarrow 0=T^{{}^{\prime }}(\phi )=\phi \circ T$

     • 也就是说$\phi \in (rangeT{)}^0\Rightarrow null{T}^{{}^{\prime }}\subseteq (rangeT{)}^0$

     • $\phi \in (rangeT{)}^0\Rightarrow \phi (Tv)=0,\forall v\in V$

     • $0=\phi \circ T=T^{{}^{\prime }}(\phi )\Rightarrow (rangeT{)}^0\subseteq null{T}^{{}^{\prime }}$

     • 最后结论是$null{T}^{{}^{\prime }}=(rangeT{)}^0$

   • $dim(null{T}^{{}^{\prime }})=dim(nullT)+dim(W)-dim(V)$ $$\{\begin{array}{rl}dim(null{T}^{{}^{\prime }})=& dim(rangeT{)}^0\\ =& dim(W)-dim(rangeT)\\ =& dim(W)-(dim(V)-dim(nullT))\\ =& dim(nullT)+dimW-dimV\end{array}$$

5. $T$ 是满射的充要条件是$T^{{}^{\prime }}$是单射

   • $T$是满射的充要条件是 r a n g e T = W ⇔ ( r a n g e T ) 0 = { 0 } rangeT=W\Leftrightarrow (rangeT)^0=\{0\} rangeT=W⇔(rangeT)0={0}

   • ( r a n g e T ) 0 = { 0 } ⇔ n u l l T ′ = { 0 } ⇔ T ′ (rangeT)^0=\{0\}\Leftrightarrow nullT^{&#x27;}=\{0\}\Leftrightarrow T^{&#x27;} (rangeT)0={0}⇔nullT′={0}⇔T′是
     单射

6. The range of $T^{{}^{\prime }}$

   • $dim(range{T}^{{}^{\prime }})=dim(rangeT)$

     • $$\{\begin{array}{rl}dim(range{T}^{{}^{\prime }})=& dim{W}^{{}^{\prime }}-dim(null{T}^{{}^{\prime }})\\ =& dimW-dim(rangeT{)}^0\\ =& dim(rangeT)\end{array}$$

   • $range{T}^{{}^{\prime }}=(nullT{)}^0$

     • $\phi \in range{T}^{{}^{\prime }},\Psi \in W^{{}^{\prime }},\phi =T^{{}^{\prime }}(\Psi ),v\in NullT$
       $$\Phi (v)=(T^{{}^{\prime }}(\Psi ))v=(\Psi \circ T)(v)=\Psi (Tv)=\Psi (0)=0$$

     • 也就是说$T^{{}^{\prime }}\subseteq (nullT{)}^0$

     • $$\{\begin{array}{rl}dimrange{T}^{{}^{\prime }}=& dimrangeT\\ =& dimV-dimnullT\\ =& dim(nullT{)}^0\end{array}$$

7. $T$ 是单射的充分必要条件是 $T^{{}^{\prime }}$是满射

   • $T$单射的充要条件是 n u l l T = { 0 } nullT=\{0\} nullT={0}

   • n u l l T = { 0 } ⇔ ( n u l l T ) 0 = V ′ ⇔ r a n g e T ′ = V ′ nullT=\{0\}\Leftrightarrow (nullT)^{0}=V^{&#x27;}\Leftrightarrow rangeT^{&#x27;}=V^{&#x27;} nullT={0}⇔(nullT)0=V′⇔rangeT′=V′

   • 也就是说$T$ 是单射的充分必要条件是 $T^{{}^{\prime }}$是满射

8. $M(T^{{}^{\prime }})=(M(T){)}^t$

   • $$T^{{}^{\prime }}({\Psi }_j)=\sum _{r=1}^n{C}_{r,j}{\phi }_r$$

   • $$({\Psi }_j\circ T)(v_k)=\sum _{r=1}^n{C}_{r,j}{\phi }_r(v_k)=C_{k,j}$$

   • $$\begin{array}{rl}({\Psi }_j\circ T)(v_k)=& {\Psi }_j(T{v}_k)\\ =& {\Psi }_j(\sum _{r=1}^m{A}_{r,k}{w}_r)\\ =& \sum _{r=1}^m{A}_{r,k}{\Psi }_j(w_r)\\ =& A_{j,k}\end{array}$$

9. $dimrangeT=M(T)$的列秩

   • $rangeT=span(T{v}_1,T{v}_2,\cdots ,T{v}_n)\iff dimrangeT=dimspan(T{v}_1,\cdots ,T{v}_n)=M(T)$的列秩。

10. 矩阵的行秩等于矩阵的列秩

    • $$\begin{array}{rl}column-rank-of(M(T))=& dimrangeT\\ =& dimrange{T}^{{}^{\prime }}\\ =& column-rank-of(M(T^{{}^{\prime }}))\\ =& column-rank-of(A^t)\\ =& row-rank-of(A)\end{array}$$