线性变换的矩阵表示1

无脑敲代码，bug漫天飞

已于 2022-03-08 09:20:30 修改

阅读量1.5k

点赞数

分类专栏：矩阵论文章标签：矩阵线性代数机器学习

于 2022-03-04 20:48:58 首次发布

本文链接：https://blog.csdn.net/qq_40671063/article/details/123284484

版权

矩阵论专栏收录该内容

7 篇文章 7 订阅

订阅专栏

本文讨论了线性变换在线性空间中的表示，强调了通过基元素的象来确定变换的重要性。线性变换与矩阵的关系被阐述，包括加法、数乘和复合运算的对应性质。此外，介绍了相似矩阵的概念，指出它们是同一变换在不同基下的表示，并给出了相应的性质和充要条件。最后，探讨了相似矩阵的性质和它们与线性变换的关系。

摘要由CSDN通过智能技术生成

1 设 T是线性空间 $V^n$ 的一个线性变换，且 $\left \{ x_1,x_2,...x_n \right \}$ 是 $V^n$ 的一个基， $\forall \ \vec{x} \epsilon V^n$ , 存在唯一的坐标表示

$\vec{x} = \left [ \vec{x_1}, \vec{x_2},...,\vec{x_n} \right ] \begin{bmatrix} \xi _1\\ \xi _2\\ ...\\ \xi _n \end{bmatrix} = \xi _1 \vec{x_1} + ... + \xi _n\vec{x_n}$

$T\vec{x} = T(\xi _1\vec{x_1} + ... \xi _n\vec{x_n}) = (T\vec{x_1,...,T\vec{x_n}})\begin{bmatrix} \xi _1\\ \xi _2\\ ...\\ \xi _n \end{bmatrix} = T(\vec{x_1},...,\vec{x_n})\begin{bmatrix} \xi _1\\ \xi _2\\ ...\\ \xi _n \end{bmatrix}$

因此要确定线性变换T，只需要确定基元素在该变换下的象就可以了

$T\vec{x_i} = \left [ \vec{x_1},..., \vec{x_n} \right ]\begin{bmatrix} \vec{a_{1,i}}\\ \vec{a_{2,i}}\\ ...\\ \vec{a_{n,i}} \end{bmatrix}$

$T\left [ \vec{x_1},..., \vec{x_n} \right ] = \left [ \vec{x_1},..., \vec{x_n} \right ]\begin{bmatrix} a_{11} & a_{12} &... & a_{1n} \\ a_{21} & a_{22} & ... &a_{2n} \\ ...&... &... &... \\ a_{n1} & a_{n2} &... & a_{nn} \end{bmatrix} = \left [ \vec{x_1},...,\vec{x_n} \right ] A$

这里的A表示线性变换在这组基下对应的矩阵。

对于任意元素 $\vec{x}$ ，在该基下，变换后 $T\vec{x}$ 的坐标表示为

$T\vec{x} = \left [ \vec{x_1},...,\vec{x_n} \right ]\begin{bmatrix} \eta _1\\ \eta _2\\ ...\\ \eta _n \end{bmatrix}$

同时

$T\vec{x} = \left [ T(\vec{x_1},...,\vec{x_n}) \right ]\begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix} = \left [ \vec{x_1},...,\vec{x_n} \right ] A \begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix}$

对比可知

$\begin{bmatrix} \eta _1\\ \eta _2 \\ ...\\ \eta _n \end{bmatrix} = A \begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix}$

即： $\vec{x} \leftrightarrow \begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix}$ $T\vec{x} \leftrightarrow A\begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix}$

2 线性变换与其对应矩阵的关系（定理）

设 $\left \{ \vec{x_1},...,\vec{x_n} \right \}$ 是 $V^n$ 的一个基， $T_1,T_2$ 在该基下的矩阵分别为A，B

则有：

（1） $(T_1 + T_2) \left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] (A+B)$

（2） $kT_1\left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] (kA)$

（3） $(T_1T_2)\left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] (AB)$

（4） $T^{-1} \left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] A^{-1}$

证明 $T^{-1} \left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] A^{-1}$

设 $T^{-1} \left [ x_1,x_2,...x_n \right ] = \left [ x_1,x_2,...x_n \right ] C$

那么证明 $C = A^{-1}$ 就可

因为： $T\left [ x_1,..x_n \right ] = \left [ x_1,...x_n \right ] A$

在 $T^{-1} \left [ x_1,x_2,...x_n \right ] = \left [ x_1,x_2,...x_n \right ] C$

两边同时乘T 得： $\left [ x_1,...x_2 \right ] = T\left [ x_1,...x_2 \right ] C$

用A替换得： $\left [ x_1,...x_2 \right ] = \left [ x_1,...x_2 \right ] A C$

又因为： $AC = I$

所以： $C = A^{-1}$

3 推论：设 $f(t) = \sum_{i = 0}^{m} a_it^i$ 为纯量t的m次多项式，T为空间 $V^n$ 的一个线性变换，且在 $V^n$

的基 $\left [ x_1,..x_n \right ]$ 下的矩阵为A，则

$f(T)\left [ x_1,...x_n \right ] = \left [ x_1,...x_n \right ]f(A)$

其中 $f(T) = a_0T_e+a_1T + a_2T^2+...+a_nT^n$

$f(A) = a_0I+a_1A+a_2A^2+...+a_nA^n$

(根据上面四种运算形式，可以很清楚的看到对T加法、数乘的运算等价于对A的运算)

4 设线性变换T在 $V^n$ 的基 $(x_1,x_2,...,x_n)$ 下的矩阵为A，元素 $\vec{x}$ 在该基下的坐标为 $\left [ \xi _1,..,\xi _n \right ]$ ,则在 $T\vec{x}$ 在该基下的坐标 $\left [ \eta _1,...,\eta _n \right ]$ ，满足：
$\left [ \eta ,...,\eta _n \right ]^T = A\left [ \xi _1,...\xi _n \right ]^T$

5 相似矩阵：（定义）在线性代数中，相似矩阵是指存在相似关系的矩阵。设A，B为n阶矩阵，如果有n阶可逆矩阵P存在，使得
$P^{-1}AP =B$
则称矩阵A与B相似，记为A~B。

6 设T在 $V^n$ 的两个基 $\left \{ x_1,x_2,...,x_n \right \}$ 和 $\left \{ x_1',...x_n' \right \}$ 下的矩阵分别为A和B，且 $\left [ x_1',...x_n' \right ] = \left [ x_1,...,x_n \right ]C$ 则： $B = C^{-1}AC$ ，即A和B为相似矩阵。