《矩阵理论》大萌课程笔记 - 线性变换

《矩阵理论》大萌课程笔记 - 线性变换

---

总目录

章节名称与链接
线性空间与线性变换	线性空间与子空间
	有限维线性空间、基、维数
	线性变换
内积空间
特征值与特征向量
特殊矩阵
矩阵分解
矩阵函数

---

声明

  本专栏博客用于记录上海交通大学研究生课程《矩阵理论》笔记，课程任教老师为邓大萌老师。所有内容均为博主个人的课堂笔记，包括课堂例题与证明。如有不妥、错误之处欢迎大家指正。

---

---

1 线性变换定义与性质

1.1 定义

$U，V$是$F$上的线性空间，$\sigma :U\to V$表示$U$到$V$的映射，$\forall \alpha ，\beta \in U,k\in F$，满足以下条件：

1）$\sigma (\alpha +\beta )=\sigma (\alpha )+\sigma (\beta )$

2）$\sigma (k\cdot \alpha )=k\cdot \sigma (\alpha )$

则称$\sigma$是$U$到$V$的线性变换。

例1：$U\to 0$：零变换

例2：$U\to U$：恒等变换

例3：$\forall f\in P[R],\sigma (f)=f^{\prime }:P[R]\to P[R]$：多项式求导变换

例4：$\forall f\in P[R],\sigma (f)={\int }_0^{1}f(x)dx:P[R]\to P[R]$：多项式积分变换

例5：$\forall f\in P[R],\sigma (f)=x^{2}f:P[R]\to P[R]$

例6：$\forall x\in R,\sigma (x)=a^x(a>0,a\ne 1,a固定):R\to R^{+}$

$\star \star \star$

$\forall \alpha ，\beta \in R,k\in R$

$\sigma (\alpha +\beta )=a^{\alpha +\beta }=a^{\alpha }\cdot a^{\beta }=\sigma (\alpha )\oplus \sigma (\beta )$

$\sigma (k\cdot \alpha )=a^{k\cdot \alpha }=(a^{\alpha }{)}^k=k\otimes \sigma (\alpha )$

例7：举出满足第一条不满足第二条、满足第二条不满足第一条、两条都不满足的示例

• 满足第一条不满足第二条（复数）：$\sigma :C\to C,\sigma (a+bi)=b$

  验证：$\sigma ((a_1+b_{1}i)+(a_2+b_{2}i))=\sigma ((a_1+a_2)+(b_1+b_2)i)=b_1+b_2$

  ​ $\sigma (k\cdot (a_1+b_{1}i))$，当$k=i$时不满足封闭性

• 满足第二条不满足第一条（范数）：$\sigma :R^2\to R,\sigma (x,y)=\sqrt{x^2+y^2}$

• 两条都不满足的示例（非线性函数）：$\sigma :R\to R,\sigma (x)=\frac{1}{x}$

1.2 性质

(1) $0\to 0$

(2) $\sigma (-\alpha )=-\sigma (\alpha )$

(3) 若${\alpha }_1,{\alpha }_2,...,{\alpha }_n$线性相关，则$\sigma ({\alpha }_1,{\alpha }_2,...,{\alpha }_n)$也线性相关；逆命题不成立，逆否命题成立。

(4) ${\alpha }_1,{\alpha }_2,...,{\alpha }_n$ 为$U$的一组基，${\beta }_1,{\beta }_2,...,{\beta }_n$为$V$的一组基，则存在唯一一个线性变换满足$\sigma ({\alpha }_i)={\beta }_i$

等价于：线性变换由基的像唯一确定。

2 线性变换空间

2.1 定义

U到V所有线性变换的集合所构成的空间称为线性变换空间，用$L(U,V)$表示

作业1：验证$L(U,V)$是线性空间

​ 解：设${\sigma }_1,{\sigma }_2$是$L(U,V)$的两个线性变换，${\alpha }_1,{\alpha }_2\in U,k,K\in F$

​ 则$({\sigma }_1+{\sigma }_2)({\alpha }_1+{\alpha }_2)={\sigma }_1({\alpha }_1+{\alpha }_2)+{\sigma }_2({\alpha }_1+{\alpha }_2)={\sigma }_1({\alpha }_1)+{\sigma }_1({\alpha }_2)+{\sigma }_2({\alpha }_1)+{\sigma }_2({\alpha }_2)=({\sigma }_1+{\sigma }_2)({\alpha }_1)+({\sigma }_1+{\sigma }_2)({\alpha }_2)$

$({\sigma }_1+{\sigma }_2)(k\cdot {\alpha }_1)={\sigma }_1(k\cdot {\alpha }_1)+{\sigma }_2(k\cdot {\alpha }_1)=k\cdot {\sigma }_1({\alpha }_1)+k\cdot {\sigma }_2({\alpha }_1)=k\cdot ({\sigma }_1+{\sigma }_2)({\alpha }_1)$

​ $\Rightarrow {\sigma }_1+{\sigma }_2\in L(U,V)$

​ 又

$(K\cdot {\sigma }_1)({\alpha }_1+{\alpha }_2)=K\cdot {\sigma }_1({\alpha }_1+{\alpha }_2)=K\cdot {\sigma }_1({\alpha }_1)+K\cdot {\sigma }_1({\alpha }_2)=K\cdot {\sigma }_1({\alpha }_1+{\alpha }_2)$

$(K\cdot {\sigma }_1)(k\cdot {\alpha }_1)=K\cdot {\sigma }_1(k\cdot {\alpha }_1)=K\cdot k\cdot {\sigma }_1({\alpha }_1)=k\cdot (K\cdot {\sigma }_1)({\alpha }_1)$

​ $\Rightarrow K\cdot {\sigma }_1\in L(U,V)$

​ $\therefore L(U,V)$满足计算封闭性

​ $\therefore L(U,V)$是线性空间。

2.2 复合线性变换空间

若$T_1\in L(U,V),T_2\in L(V,W)$，则$T_1$与$T_2$的复合变换表示为 : $T_1\cdot T_2=T_1(T_2(U))$

作业2：验证$T_1\cdot T_2$是线性变换：

设${\alpha }_1,{\alpha }_2\in U,k\in F$

则：$(T_1\cdot T_2)({\alpha }_1+{\alpha }_2)=T_1(T_2({\alpha }_1+{\alpha }_2))=T_1(T_2({\alpha }_1)+T_2({\alpha }_2))=(T_1\cdot T_2)({\alpha }_1)+(T_1\cdot T_2)({\alpha }_2)$

​ $(T_1\cdot T_2)(k\cdot {\alpha }_1)=T_1(T_2(k\cdot {\alpha }_1))=T_1(k\cdot T_2({\alpha }_1))=k\cdot (T_1\cdot T_2)({\alpha }_1)$

​ $\Rightarrow T_1\cdot T_2$是线性变换

复合变换性质：

• $(T_1\cdot T_2)\cdot T_3=T_1\cdot (T_2\cdot T_3)$
• $T_1\cdot (T_2+T_3)=T_1\cdot T_2+T_1\cdot T_3$
• $(T_1+T_2)\cdot T3=T_1\cdot T_3+T_2\cdot T_3$

证明两条分配律，即验证：

1. $T_1\cdot (T_2+T_3)=T_1\cdot T_2+T_1\cdot T_3,T_1\in L(U,V),T_2,T_3\in L(V,W)$
2. $(T_1+T_2)\cdot T3=T_1\cdot T_3+T_2\cdot T_3,T_1,T_2\in L(U,V),T_3\in L(V,W)$

证明：

设$\alpha \in U$

则：$(T_1\cdot (T_2+T_3))(\alpha )=T_1\cdot (T_2+T_3)(\alpha )=T_1\cdot (T_2(\alpha )+T_3(\alpha ))=T_1\cdot (T_2(\alpha ))+T_1\cdot (T_3(\alpha ))=(T_1\cdot T_2)(\alpha )+(T_1\cdot T_3)(\alpha )$

$((T_1+T_2)\cdot T_3)(\alpha )=(T_1+T_2)\cdot (T_3(\alpha ))=T_1(T_3(\alpha ))+T_2(T_3(\alpha ))=(T_1\cdot T_3)(\alpha )+(T_2\cdot T_3)(\alpha )$

证毕。

2.3 特殊线性变换空间

2.3.1 零空间

定义：设$\sigma :U\to V$ ，则 n u l l   σ = { α ∈ U , σ ( α ) = 0 } null\ \sigma=\{\alpha\in U,\sigma(\alpha)=0\} null σ={α∈U,σ(α)=0}为零空间，$null\sigma \in U$

功能：用于判别单射（单射的含义：$若存在\alpha ,\beta 使得\sigma (\alpha )=\sigma (\beta ),则\alpha =\beta$）

证明 n u l l   σ = { 0 } ⇔ 单 射 null\ \sigma=\{0\}\Leftrightarrow 单射 null σ={0}⇔单射

证明：

1. 单 射 ⇒ n u l l   σ = { 0 } 单射\Rightarrow null\ \sigma=\{0\} 单射⇒null σ={0}

单射时0有且只有映射到0，不能存在多个$\alpha$

2. n u l l   σ = { 0 } ⇒ 单 射 null\ \sigma=\{0\}\Rightarrow 单射 null σ={0}⇒单射

若存在$\alpha ,\beta$使得$\sigma (\alpha )=\sigma (\beta )\Rightarrow \sigma (\alpha )-\sigma (\beta )=\sigma (\alpha -\beta )=0\Rightarrow \sigma (\alpha -\beta )\in null\sigma \Rightarrow \alpha -\beta =0\Rightarrow \alpha =\beta$

证毕。

例1：$\sigma :U\to V,\alpha \in U,\sigma (\alpha )=0$（零变换）：$null\sigma =U$

例2：$\sigma :R^{n\times n}\to R^{n\times n},A\in R^{n\times n},\sigma (A)=A-A^T$： n u l l   σ = { 对 称 阵 } null\ \sigma=\{对称阵\} null σ={对称阵}

例3：$\sigma :P[R]\to P[R],f\in P[R],\sigma (f)=f^{\prime }$：$null\sigma =常数(或者span(1))$

例4：$\sigma :P[R]\to P[R],f\in P[R],\sigma (f)=x^{3}f$： n u l l   σ = { 0 } null\ \sigma=\{0\} null σ={0}

2.3.2 像空间

定义：设$\sigma :U\to V$ ，则 r a n g e   σ = { α ∈ U , σ ( α ) } range\ \sigma=\{\alpha\in U,\sigma(\alpha)\} range σ={α∈U,σ(α)}为像空间，$range\sigma \in V$

功能：用于判别满射（满射的含义：$\forall \beta \in V,\exists \alpha \in U,\sigma (\alpha )=\beta$）

​ $range\sigma =V⟺$满射

例1：$\sigma :U\to V,\alpha \in U,\sigma (\alpha )=0$（零变换）：$range\sigma =0$

例2：$\sigma :R^{n\times n}\to R^{n\times n},A\in R^{n\times n},\sigma (A)=A-A^T$： r a n g e   σ = { 反 对 称 阵 } range\ \sigma=\{反对称阵\} range σ={反对称阵}

例3：$\sigma :P[R]\to P[R],f\in P[R],\sigma (f)=f^{\prime }$：$range\sigma =P[R]$

例4：$\sigma :P[R]\to P[R],f\in P[R],\sigma (f)=x^{3}f$：$range\sigma =P[R]$

2.3.3 维数定理及其推断

维数公式：$dim(null\sigma )+dim(range\sigma )=dim(U)$

$\star \star \star$证明：
设${\alpha }_1,{\alpha }_2,...,{\alpha }_k$是$null\sigma$的一组基，${\alpha }_1,{\alpha }_2,...,{\alpha }_k,{\alpha }_{k+1},...,{\alpha }_n$是$null\sigma$扩充到$U$的一组基。

则$range\sigma =Span(\sigma ({\alpha }_1),\sigma ({\alpha }_2),...,\sigma ({\alpha }_k),\sigma ({\alpha }_{k+1}),...,\sigma ({\alpha }_n))$

又$\sigma ({\alpha }_1)=\sigma ({\alpha }_2)=...=\sigma ({\alpha }_k)=0$

$\Rightarrow range\sigma =Span(\sigma ({\alpha }_{k+1}),...,\sigma ({\alpha }_n))$

已知：$dim(null\sigma )=k,dim(U)=n$

则需证明$dim(range\sigma )=n-k$，即证$\sigma ({\alpha }_{k+1}),...,\sigma ({\alpha }_n)$线性无关。

设存在一组系数$x_{k+1},...,x_n$使得$x_{k+1}\cdot \sigma ({\alpha }_{k+1})+...+x_n\cdot \sigma ({\alpha }_n)=0$

$⟺\sigma (x_{k+1}\cdot {\alpha }_{k+1})+...+\sigma (x_n\cdot {\alpha }_n)=0⟺\sigma (x_{k+1}\cdot {\alpha }_{k+1}+...+x_n\cdot {\alpha }_n)=0⟺x_{k+1}\cdot {\alpha }_{k+1}+...+x_n\cdot {\alpha }_n\in null\sigma$

$⟺x_{k+1}\cdot {\alpha }_{k+1}+...+x_n\cdot {\alpha }_n$可以用$null\sigma$中的基线性表示，设$x_1,x_2,...,x_k$是$x_{k+1}\cdot {\alpha }_{k+1}+...+x_n\cdot {\alpha }_n$在基${\alpha }_1,{\alpha }_2,...,{\alpha }_k$下的坐标

$\Rightarrow x_{k+1}\cdot {\alpha }_{k+1}+...+x_n\cdot {\alpha }_n=x_1\cdot {\alpha }_1+x_2\cdot {\alpha }_2+...+x_k\cdot {\alpha }_k$

$⟺x_1\cdot {\alpha }_1+x_2\cdot {\alpha }_2+...+x_k\cdot {\alpha }_k-x_{k+1}\cdot {\alpha }_{k+1}-...-x_n\cdot {\alpha }_n=0$

又${\alpha }_1,{\alpha }_2,...,{\alpha }_k,{\alpha }_{k+1},...,{\alpha }_n$是$U$的一组基$\Rightarrow {\alpha }_1,{\alpha }_2,...,{\alpha }_k,{\alpha }_{k+1},...,{\alpha }_n$线性无关

$\Rightarrow x_1=x_2=...=x_k=x_{k+1}=...=x_n=0\Rightarrow \sigma ({\alpha }_{k+1}),...,\sigma ({\alpha }_n)$ 线性无关。

证毕。

维数公式的推断

(1) $dim(U)>dim(V)\Rightarrow 一定不是单射$

证明：

已知$dim(null\sigma )+dim(range\sigma )=dim(U)$

由$dim(U)>dim(V)$

$\Rightarrow 0<dim(U)-dim(V)\le dim(U)-dim(range\sigma )=dim(null\sigma )$

$\Rightarrow U\to V一定不是单射$

(2) $dim(U)<dim(V)\Rightarrow 一定不是满射$

证明：

已知$dim(null\sigma )+dim(range\sigma )=dim(U)$

$\Rightarrow dim(range\sigma )=dim(U)-dim(null\sigma )\le dim(U)<dim(V)$

$\Rightarrow U\to V一定不是满射$

例1：证明对于矩阵$A_{m\times n}$，当$n>m$时$Ax=0$一定有非零解

证明：对于$Ax=0$相当于是$\sigma :R^n\to R^m$的线性变换，其中$x\in R^n$，则$Ax=0$的解就是零空间$null\sigma$

又$n>m$从高维映射到低维一定不是单射$\Rightarrow$$Ax=0$的解这一零空间一定有除0以外的元素$⟺Ax=0$一定存在非零解

例2：证明对于矩阵$A_{m\times n}$，当$n<m$时，存在$b$使得$Ax=b$无解

证明：对于$Ax=b$相当于是$\sigma :R^n\to R^m$的线性变换，其中$x\in R^n,b\in R^m$，则使$Ax=b$有解的$b$构成的集合就是像空间$range\sigma$

又$n<m$从低维映射到高维一定不是满射$\Rightarrow range\sigma <R^m⟺R^m$中一定存在$b$不在 使$Ax=b$有解的$b$构成的空间内$⟺Ax=b$一定存在$b$使其无解

例3：已知一个线性变换$\sigma :R^4\to R^4$，找一个$null\sigma =range\sigma$的线性例子

​ 解：记该线性变换为$L(U)$，设$e_1,e_2,e_3,e_4$为$U$中的一组基

​ 令$\sigma (e_1)=0,\sigma (e_2)=0,\sigma (e_3)=e_1,\sigma (e_4)=e_2$

证明：$range\sigma =Span(\sigma (e_1),\sigma (e_2),\sigma (e_3),\sigma (e_4))=Span(0,0,e_1,e_2)=Span(e_1,e_2)$

又$dim(null\sigma )=dim(U)-dim(range\sigma )=4-2=2$

又$\sigma (e_1)=\sigma (e_2)=0\Rightarrow e_1,e_2\in null\sigma$且$e_1,e_2$线性无关

$\Rightarrow null\sigma =Span(e_1,e_2)=range\sigma$

证毕。

例4：对于线性变换$\sigma :U\to V,dim(U)=5,dim(V)=4$，是否存线性变换使得$dim(null\sigma )=dim(range\sigma )$?

​ 解：不存在，因为$U$为奇数，而$dim(null\sigma )+dim(range\sigma )=dim(U)\Rightarrow$不可能存在$dim(null\sigma )=dim(range\sigma )$

例5：对于线性变换$\sigma :U\to U$，是否满足$null\sigma \oplus range\sigma =U$?

​ 解：不一定满足，示例即例3

2.3.4 乘积空间

定义：设$U_1,U_2,...,U_k$是$F$上的线性空间，则 U 1 × U 2 × . . . × U k = { ( α 1 , α 2 , . . . , α k ) , α i ∈ U i } U_1\times U_2\times ...\times U_k=\{(\alpha_1,\alpha_2,...,\alpha_k),\alpha_i\in U_i\} U1​×U2​×...×Uk​={(α1​,α2​,...,αk​),αi​∈Ui​}

例1： R 2 × P 3 [ R ] = { ( a 1 , a 2 ) , a 3 x 3 + a 4 x 2 + a 5 x + a 6 , a i ∈ R } , d i m ( R 2 × P 3 [ R ] ) = 6 R^2\times P_3[R]=\{(a_1,a_2),a_3x^3+a_4x^2+a_5x+a_6,a_i\in R\},dim(R^2\times P_3[R])=6 R2×P3​[R]={(a1​,a2​),a3​x3+a4​x2+a5​x+a6​,ai​∈R},dim(R2×P3​[R])=6

例2：设$U_1,U_2,...,U_k$为$V$的子空间，写出一个乘积空间$U_1\times U_2\times ...\times U_k$到和空间$U_1+U_2+...+U_k$的线性变换

​ 如$\sigma ({\alpha }_1,{\alpha }_2,...,{\alpha }_k)={\alpha }_1+{\alpha }_2+...+{\alpha }_k,{\alpha }_i\in U_i$

2.3.5 商空间

定义：设 U ∈ V , v ∈ V , v + U = { v + u , u ∈ U } U\in V,v\in V,v+U=\{v+u,u\in U\} U∈V,v∈V,v+U={v+u,u∈U}，则把 V / U = { v + U , v ∈ V } V/U=\{v+U,v\in V\} V/U={v+U,v∈V}称作商空间。

商空间的加法：$v_1+U,v_2+U\in V/U$，定义商空间的加法运算为$(v_1+v_2)+U$

商空间的数乘：$v+U\in V/U,k\in F$，定义商空间的加法运算为$(k\cdot v)+U$

性质

$\forall \alpha ,\beta \in V/U,\alpha -\beta \in U⟺\alpha +U=\beta +U⟺\alpha +U\cap \beta +U\ne \varnothing$

证明：

（1）$\alpha -\beta \in U\Rightarrow \alpha +U=\beta +U$

$\alpha +U=\beta +(\alpha -\beta )+U\in \beta +U$

$\beta +U=\alpha +(\beta -\alpha )+U\in \alpha +U$

$\Rightarrow \alpha +U=\beta +U$

（2）$\alpha +U=\beta +U\Rightarrow \alpha +U\cap \beta +U\ne \varnothing$

相等的两个非空集合相交一定不为空

（3）$\alpha +U\cap \beta +U\ne \varnothing \Rightarrow \alpha -\beta \in U$

存在$u_1,u_2\in U,\alpha +u_1=\beta +u_2$

$\Rightarrow \alpha -\beta =u_2-u_1\in U$

证毕。

$U,V$是有限维线性空间，$S\in L(V,W),T\in L(U,V)$

证$dim(nullST)\le dim(nullS)+dim(nullT)$
提示：零（核）空间与基下矩阵的零空间同构，零（核）空间的维数和矩阵的零空间维数相同。

理解商空间

1. 具体化到$V\in R^2,U\in R$，也就是直线和平面。
2. 等价于把$V$向$U$的垂直方向压缩，$U$被压缩为$0$

3 线性变换矩阵及其应用

3.1 线性变换矩阵含义

设${\alpha }_1,{\alpha }_2,...,{\alpha }_n$是$U$的基，${\beta }_1,{\beta }_2,...,{\beta }_m$是$V$的基
$$\{\begin{array}{l}\sigma ({\alpha }_1)=a_{11}{\beta }_1+a_{21}{\beta }_2+...+a_{m1}{\beta }_m\\ \sigma ({\alpha }_2)=a_{12}{\beta }_1+a_{22}{\beta }_2+...+a_{m2}{\beta }_m\\ .\\ .\\ \sigma ({\alpha }_n)=a_{1n}{\beta }_1+a_{2n}{\beta }_2+...+a_{mn}{\beta }_m\end{array}$$
$\Rightarrow \sigma ({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=(\sigma ({\alpha }_1),\sigma ({\alpha }_2),...,\sigma ({\alpha }_n))=({\beta }_1,{\beta }_2,...,{\beta }_m)\cdot \left(\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{m1}& a_{m2}& ...& a_{mn}\end{array}\right)$

令$A=\left(\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{m1}& a_{m2}& ...& a_{mn}\end{array}\right)$成为线性变换$\sigma$在给定两组基下的变换矩阵。

$\star \star \star$例1：已知线性变换$\sigma :R^3\to R^2,\sigma ((x,y,z{)}^T)=(2x+y+z,x-z{)}^T$，求$U,V$空间对应标准基的变换矩阵

​ 解：设$e_1,e_2,e_3\in R^3$是$U$的标准基，$E_1,E_2\in R^2$是$V$的标准基

​ $\Rightarrow \sigma (e_1)=(2,1{)}^T,\sigma (e_2)=(1,0{)}^T,\sigma (e_3)=(1,-1{)}^T$

​ $\Rightarrow (\sigma (e_1),\sigma (e_2),\sigma (e_3))=(E_1,E_2)\cdot A$

​ $\Rightarrow A=(\sigma (e_1),\sigma (e_2),\sigma (e_3))=\left[\begin{array}{ccc}2& 1& 1\\ 1& 0& -1\end{array}\right]$

作业一：已知线性变换$\sigma :U\to U,{\alpha }_1,{\alpha }_2,{\alpha }_3$是$U$的一组基，且对应变换矩阵满足$\sigma ({\alpha }_1,{\alpha }_2,{\alpha }_3)=({\alpha }_1,{\alpha }_2,{\alpha }_3)\cdot \left[\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right]$，求在另一组基$(3{\alpha }_3,{\alpha }_2,4{\alpha }_1)$下，该线性变换对应的变换矩阵。

3.2 线性变换矩阵性质

$\star \star \star$性质1：同一线性变换在不同基下的矩阵相似

性质2：加法、数乘、嵌套变换下的矩阵的关系

$\sigma ,\tau \in L(U,V),\sigma \ne \tau ,({\alpha }_1,{\alpha }_2,...,{\alpha }_n)与({\beta }_1,{\beta }_2,...,{\beta }_m)分别是U,V的一组基,k\in F$

$\sigma ({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=({\beta }_1,{\beta }_2,...,{\beta }_m)\cdot A$

$\tau ({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=({\beta }_1,{\beta }_2,...,{\beta }_m)\cdot B$

• $(\sigma +\tau )({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=({\beta }_1,{\beta }_2,...,{\beta }_m)\cdot (A+B)$
• $(k\cdot \sigma )({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=({\beta }_1,{\beta }_2,...,{\beta }_m)\cdot (k\cdot A)$

${\sigma }_1\in L(U,V),{\sigma }_2\in L(V,W),({\alpha }_1,{\alpha }_2,...,{\alpha }_n),({\beta }_1,{\beta }_2,...,{\beta }_m),({\gamma }_1,{\gamma }_2,...,{\gamma }_p)分别为U,V,W的一组基$

${\sigma }_1({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=({\beta }_1,{\beta }_2,...,{\beta }_m)\cdot A_{m\times n}$

${\sigma }_2({\beta }_1,{\beta }_2,...,{\beta }_m)=({\gamma }_1,{\gamma }_2,...,{\gamma }_p)\cdot B_{p\times m}$

• $({\sigma }_2\cdot {\sigma }_1)({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=({\gamma }_1,{\gamma }_2,...,{\gamma }_p)\cdot (B_{p\times m}\cdot A_{m\times n})$

3.3 线性变换矩阵应用

用于求零空间与像空间

对于一个线性变换$\sigma :U\to V,dim(U)=n,dim(V)=m$

${\alpha }_1,{\alpha }_2,...,{\alpha }_n$与${\beta }_1,{\beta }_2,...,{\beta }_m$分别是$U,V$的一组基

$A_{m\times n}$是两组基下的线性变换矩阵$\Rightarrow \sigma ({\alpha }_1,{\alpha }_2,...,{\alpha }_n)=({\beta }_1,{\beta }_2,...,{\beta }_m)\cdot A$

对于任意的$\alpha \in U$，存在坐标$X$使得$\alpha =({\alpha }_1,{\alpha }_2,...,{\alpha }_n)\cdot X$

$\Rightarrow \sigma (\alpha )=\sigma (({\alpha }_1,{\alpha }_2,...,{\alpha }_n)\cdot X)=\sigma ({\alpha }_1,{\alpha }_2,...,{\alpha }_n)\cdot X=({\beta }_1,{\beta }_2,...,{\beta }_m)\cdot A\cdot X$

• 零空间

  $\sigma (\alpha )=0⟺AX=0$

  $\Rightarrow$求解$N(A)$，解得的$X$回乘$({\alpha }_1,{\alpha }_2,...,{\alpha }_n)$得到零空间

• 像空间

  $AX$表示$A$的列空间$C(A)$，即像空间$range\sigma =({\beta }_1,{\beta }_2,...,{\beta }_m)\cdot C(A)$

4 线性变换的逆变换

4.1 逆变换定义与性质

定义：若$\sigma \in L(U,V),\tau \in L(V,U)$且$\sigma \cdot \tau =\tau \cdot \sigma =I,I$表示恒等变换，则称$\tau$是$\sigma$的逆变换，或者说$\sigma$与$\tau$同构

（有时也称U与V空间同构，两空间同构的含义是存在至少一组可逆变换）

性质

• 如果$\sigma \in L(U,V)$存在逆变换$\tau$则该逆变换唯一。

证明：

设$\sigma \in L(U,V)$存在两个逆矩阵${\tau }_1,{\tau }_2$

则${\tau }_1={\tau }_1\cdot I_{V\to V}={\tau }_1\cdot (\sigma \cdot {\tau }_2)=({\tau }_1\cdot \sigma )\cdot {\tau }_2=I_{U\to U}\cdot {\tau }_2={\tau }_2$

即${\tau }_1={\tau }_2$，逆变换唯一

证毕。

• 一个线性变换存在可逆变换（同构）$⟺$该变换既是单射又是满射。

证明：

设$\sigma \in L(U,V)$，若存在逆变换，则记作${\sigma }^{-1}$

（1）一个线性变换存在逆变换$\Rightarrow$单射

设$\alpha ,\beta \in U,\sigma (\alpha )=\sigma (\beta )$

$\Rightarrow {\sigma }^{-1}(\sigma (\alpha ))={\sigma }^{-1}(\sigma (\beta ))\Rightarrow \alpha =\beta$

$\Rightarrow 该命题成立$

（2）一个线性变换存在逆变换$\Rightarrow$满射

$\forall \beta \in V,\exists \alpha ={\sigma }^{-1}(\beta )\in U,使得\sigma (\alpha )=\sigma ({\sigma }^{-1}(\beta ))=\beta$

$\Rightarrow$ 该命题成立

（3）一个线性变换既是单射又是满射$\Rightarrow$该变换存在逆变换

设$\sigma \in L(U,V)$既是单射又是满射

则存在$\forall \alpha \in U,\exists 唯一\beta ,使得\sigma (\alpha )=\beta$

反之存在$\forall \beta \in V,\exists 唯一\alpha ,使得\tau (\beta )=\alpha ,\tau$表示$V\to U$的一个映射

$\Rightarrow \sigma \cdot \tau (\beta )=\sigma (\alpha )=\beta$

​ $\tau \cdot \sigma (\alpha )=\tau (\beta )=\alpha$

$\Rightarrow \tau \cdot \sigma =\sigma \cdot \tau =I$

又设${\beta }_1=\sigma ({\alpha }_1),{\beta }_2=\sigma ({\alpha }_2)\in V,k\in F$

$\Rightarrow \tau ({\beta }_1+{\beta }_2)=\tau (\sigma ({\alpha }_1)+\sigma ({\alpha }_2))=\tau (\sigma ({\alpha }_1+{\alpha }_2))=(\tau \cdot \sigma )({\alpha }_1+{\alpha }_2)={\alpha }_1+{\alpha }_2=\tau ({\beta }_1)+\tau ({\beta }_2)$

​ $\tau (k\cdot {\beta }_1)=\tau (k\cdot \sigma ({\alpha }_1))=\tau (\sigma (k\cdot {\alpha }_1))=(\tau \cdot \sigma )(k\cdot {\alpha }_1)=k\cdot {\alpha }_1=k\cdot \tau ({\beta }_1)$

$\Rightarrow \tau$是线性变换

综上，$\tau$满足线性变换的逆变换的定义$\Rightarrow \tau$是$\sigma$的逆变换

$\Rightarrow$ 该命题成立

• $U,V$两个线性空间同构$⟺dim(U)=dim(V)$

证明：

（1）$U,V$两个线性空间存在可逆变换$\Rightarrow dim(U)=dim(V)$

设$\sigma \in L(U,V)$是可逆变换，逆变换用${\sigma }^{-1}$表示$\Rightarrow \sigma$既是单射又是满射

$dim(null\sigma )=0,dim(range\sigma )=dim(V)$

由维数定理得$\dim (U)=dim(null\sigma )+dim(range\sigma )=dim(V)$

（2）$dim(U)=dim(V)\Rightarrow U,V$两个线性空间存在可逆变换

设$({\alpha }_1,{\alpha }_2,...,{\alpha }_n),({\beta }_1,{\beta }_2,...,{\beta }_n)$是$U,V$的一组基，其中$\sigma ({\alpha }_i)={\beta }_i,\sigma \in L(U,V)$

$range\sigma =Span(\sigma ({\alpha }_1),\sigma ({\alpha }_2),...,\sigma ({\alpha }_n)=Span({\beta }_1,{\beta }_2,...,{\beta }_n)=V$

$\Rightarrow dim(range\sigma )=dim(V)\Rightarrow \sigma$是满射

$\Rightarrow dim(null\sigma )=dim(U)-dim(range\sigma )=dim(U)-dim(V)=0\Rightarrow \sigma$是单射

• 若$\sigma \in L(U)$是有限维空间且是单射/满射$\Rightarrow$满射/单射

证明：

（1）若$\sigma \in L(U)$是有限维空间且是单射$\Rightarrow$满射

单射$\Rightarrow dim(null\sigma )=0$

$dim(range\sigma )=dim(U)-dim(null\sigma )=dim(U)\Rightarrow$满射

（2）若$\sigma \in L(U)$是有限维空间且是满射$\Rightarrow$单射

满射$\Rightarrow dim(range\sigma )=dim(U)$

$dim(null\sigma )=dim(U)-dim(range\sigma )=0\Rightarrow$单射

证毕。

4.2 逆变换应用

$V=F^n$与$F$数域的$n$维线性空间$U$同构$\Rightarrow$ $\sigma :U\to V$可以用$U$的一组基的坐标$\to V$来映射

$X=F^{m\times n}/F^{n\times n}$与$F$数域中的$W=L(U,V)/L(U)$同构$\Rightarrow \sigma :W\to X$可以用$W$在两组基下的矩阵$\to X$来映射

零空间$null\sigma$和基下矩阵的零空间$N(A)$同构；

像空间$range\sigma$和基下矩阵的列空间$C(A)$同构；