设数域
P
P
P上的向量空间
P
n
P^n
Pn的线性变换
T
T
T,在某个基下其变换矩阵
A
=
(
α
1
,
α
2
,
⋯
,
α
n
)
\boldsymbol{A}=(\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n)
A=(α1,α2,⋯,αn)。
T
T
T的值域
T
(
P
n
)
T(P^n)
T(Pn)为
α
1
,
α
2
,
⋯
,
α
1
\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_1
α1,α2,⋯,α1的生成空间,
T
T
T的核
K
(
T
)
K(T)
K(T)为
A
x
=
o
\boldsymbol{Ax}=\boldsymbol{o}
Ax=o的解空间。因此,只要构造出
T
T
T在
P
n
P^n
Pn的某个基底下的矩阵
A
\boldsymbol{A}
A,利用博文《向量组的最大无关组计算》定义的maxIndepGrp函数,计算
α
1
,
α
2
,
⋯
,
α
n
\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n
α1,α2,⋯,αn的最大无关组,就是
T
(
P
n
)
T(P^n)
T(Pn)的基底。用博文《线性方程组的通解》定义的mySolve函数,计算
A
x
=
o
\boldsymbol{Ax}=\boldsymbol{o}
Ax=o的基础解系,就是
K
(
T
)
K(T)
K(T)的基底。
例1 用Python计算在ℝ
4
^4
4的自然基上矩阵为
A
=
(
1
0
2
1
−
1
2
1
3
1
2
5
5
2
−
2
1
−
2
)
∈
\boldsymbol{A}=\begin{pmatrix}1&0&2&1\\-1&2&1&3\\1&2&5&5\\2&-2&1&-2\end{pmatrix}\in
A=
1−112022−22151135−2
∈ℝ
2
×
2
^{2\times2}
2×2的线性变换
T
T
T的值域
T
(
T(
T(ℝ
4
)
^4)
4)与核
K
(
T
)
K(T)
K(T)。
import numpy as np #导入numpy
from fractions import Fraction as F #导入Fraction
np.set_printoptions(formatter= #设置输出数据格式
{'all':lambda x:str(F(x).limit_denominator())})
A=np.array([[1,0,2,1], #设置矩阵A
[-1,2,1,3],
[1,2,5,5],
[2,-2,1,-2]],dtype='float')
r,ind,_=maxIndepGrp(A) #A的列向量最大无关组
print('值域基底:')
print(A[:,ind[:r]])
o=np.array([0,0,0,0]).reshape(4,1)
X=mySolve(A,o) #Ax=o的解集
print('核基底:')
print(X[:,1:])
程序的第5~8行设置线性变换矩阵A。第9行调用maxIndepGrp函数(见博文《向量组的最大无关组计算》)计算矩阵A中列向量的最大无关组,返回A的秩r和表示A中各列调整后的顺序ind,ind[0:r](或简略为ind[:r])为列向量的最大无关组下标。第11行输出A中列向量最大无关组作为值域的基底。第13行调用mySolve函数(见博文《线性方程组的通解》),计算齐次线性方程组 A x = o \boldsymbol{Ax}=\boldsymbol{o} Ax=o的解空间X。回忆X中第1列为零解,基础解系存于X[:,1:]中,第15行作为核的基底输出之。运行程序,输出
值域基底:
[[ 1 0]
[-1 2]
[ 1 2]
[ 2 -2]]
核基底:
[[ -2 -1]
[-3/2 -2]
[ 1 0]
[ 0 1]]
即
T
(
T(
T(ℝ
4
)
=
{
x
∣
x
=
λ
1
(
1
−
1
1
2
)
+
λ
2
(
0
2
2
−
2
)
}
,
λ
1
,
λ
2
∈
^4)=\{\boldsymbol{x}|\boldsymbol{x}=\lambda_1\begin{pmatrix}1\\-1\\1\\2\end{pmatrix}+\lambda_2\begin{pmatrix}0\\2\\2\\-2\end{pmatrix}\},\lambda_1,\lambda_2\in
4)={x∣x=λ1
1−112
+λ2
022−2
},λ1,λ2∈ℝ,
K
(
T
)
=
{
x
∣
x
=
c
1
(
−
2
−
3
2
1
0
)
+
c
2
(
−
1
−
2
0
1
)
}
,
c
1
,
c
2
∈
K(T)=\{\boldsymbol{x}|\boldsymbol{x}=c_1\begin{pmatrix}-2\\-\frac{3}{2}\\1\\0\end{pmatrix}+c_2\begin{pmatrix}-1\\-2\\0\\1\end{pmatrix}\},c_1,c_2\in
K(T)={x∣x=c1
−2−2310
+c2
−1−201
},c1,c2∈ℝ。
写博不易,敬请支持:
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
代码诚可贵,原理价更高。若为AI学,读正版书好。