线性代数之 线性变换，正交补与直和

前言

本篇补充一下之前线性代数里的线性变换的含义，以及向量空间的正交补与直和的定义。

线性变换

之前矩阵乘法的本质中谈到，矩阵乘法的本质是线性变换，但是没有说明什么是线性变换。

线性变换类似于函数，实际上就是一种向量的映射关系：给定向量空间$V\subset R^n,W\subset R^m$，对于任意$x\in V$，如果存在一个映射$T,T(x)=y\in W$，$y$唯一，并且存在线性关系$T(u+v)=T(u)+T(v),T(ku)=kT(u)$，则把$T$称为$V,W$上的一个线性变换。

上面这个定义比较抽象，可以联想函数是定义域与值域上的映射，而线性变换就是两个向量子空间上的映射，并且满足线性要求。

矩阵乘法就是一种线性变换。矩阵与线性变换的关系可以通过一个例子表示：
$$\begin{gathered} 向量在标准基下的坐标可表示为 \\ \left[\begin{array}{c}2\\ 3\end{array}\right]=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]\left[\begin{array}{c}2\\ 3\end{array}\right]=2\left[\begin{array}{c}1\\ 0\end{array}\right]+3\left[\begin{array}{c}0\\ 1\end{array}\right] \\ 矩阵乘法可以看作将标准基变换后，向量的坐标 \\ \left[\begin{array}{cc}1& 2\\ 1& 0\end{array}\right]\left[\begin{array}{c}2\\ 3\end{array}\right]=2\left[\begin{array}{c}1\\ 1\end{array}\right]+3\left[\begin{array}{c}2\\ 0\end{array}\right]=\left[\begin{array}{c}7\\ 2\end{array}\right] \end{gathered}$$
将矩阵的列看作是向量空间的一组基，那么矩阵乘法实际上就是基的线性组合。

正交补与直和

向量空间中，定义向量正交：对于$x,y\in R^n,<x,y>=0$，称向量$x,y$相互正交，记为$x\perp y$。

定义向量与集合正交：对于$x\in R^n,M\subseteq R^n,\forall y\in M,<x,y>=0$，称$x,M$正交，记为$x\perp W$。

定义集合与集合正交：对于集合$M,N\subseteq R^n,\forall x\in M,y\in N,<x,y>=0$，称集合$M,N$正交，记为$M\perp N$。

定义直和：对于子空间$V,W\subseteq R^n,x\in V+W$存在唯一的$x_1\in V,x_2\in W,x=x_1+x_2$，称$V+W$是直和。

直和性质：$R^n$中的子空间 V ∩ W = { 0 ⃗ } V\cap W=\{\vec 0\} V∩W={0 }，则$V+M$是直和。

定义正交补1：对于子空间 V ⊆ R n , V ⊥ = { x ∈ R n : x ⊥ V } V\subseteq R^n,V^\bot=\{x\in R^n:x\bot V \} V⊆Rn,V⊥={x∈Rn:x⊥V}，称$V^{\perp }$是子空间$V$在$R^n$中的正交补。

通过直和定义正交补2：对于$R^n$中的子空间 V , W , V ⊥ W , V + W = R n , V ∩ W = { 0 ⃗ } V,W,V\bot W,V+W=R^n, V\cap W=\{\vec 0\} V,W,V⊥W,V+W=Rn,V∩W={0 }，称$V$是$W$互为正交补，记为$V^{\perp }=W,W^{\perp }=V$，称直和$V+W=R^n$为$R^n$的正交直和分解。

正交补定理：对于$R^n$中任何一个子空间$V$，都存在唯一的正交补$V^{\perp }$。$V$与$V^{\perp }$的直和为$R^n$

后记

本篇只是一个定义，后续还会涉及到希尔伯特空间等内容。