这是线性代数系列的第二篇,国内外一般的课程与教材都是从线性方程组开始讲线性代数,从高斯消元、高斯约旦这些方法入门线性代数也是对新手比较友好的。这个系列的文章可能会比国内的教材更接近线代的本质(博主自以为 ),所以对做题、套路之类的涉及不多,主要参考的是Meyer的《Matrix Analysis and Applied Linear Algebra》和Manolis的youtobe频道,还有3Blue1Brown的bilibili频道。
矩阵与线性变换
线性变换是线代另一个无比重要的概念,我觉得理解线性变换才算开始理解线代了,而不是仅仅受限于做题。这篇文章会先介绍线性变换(linear transformation)的定义,再把它和我们熟悉的矩阵联系起来,再讲一些常见的定理与线性变换的一个应用,最后也会稍微讲一讲矩阵的本质和矩阵乘法的来源。为了便于理解,特意省去了关于抽象代数的一些知识,感兴趣的读者请看这一个视频。
线性变换定义
给定两个实数域的向量空间 U,V,从 U 到 V 的线性变换是一个函数 τ:U→V,并且满足:∀a1,a2∈R,∀u1,u2∈U:τ(a1u1+a2u2)=a1τ(u1)+a2τ(u2)
大家都清楚,函数本质上是一种映射关系(mapping),所以这个 τ 也就是从空间 U 到 V 的一个映射,其中 U 是它的定义域,V 是它的值域。上面的那条等式是在说:定义域中任何向量的线性组合的映射,都等于其映射的线性组合。然后 τ 的像,就是 U 中所有向量的映射的集合,记为 im(τ)=τ(U)={v∈V∣v=τ(u) for u∈U},所以τ(U)⊆V.
线性变换的矩阵表示
看完上面的定义可能大部分读者只有一个懵懂的认识,不能真正理解,所以接下来我们具体的告诉大家,线性变换在现实中长什么样子。
任何矩阵A∈Rm×n 都可以看做一个线性变换(重点!),为 τA:Rn→Rm,且 τA(u)=Au,通常用Rn→ARm 来表示这个映射。而实际上每一个线性映射也都有其对应的矩阵形式,也就是说任意线性变换 τ:Rn→Rm 一定要满足 τ=τA, with A∈Rm×n,而且 A=[τ(e1) τ(e2) ⋯ τ(en)],其中 ei 是 Rn 的一组标准基,只有第 i 个元素为1,其余元素均为0。
下面给大家证明这一点
∀u∈Rn,τ(u)=τ(i=1∑nαiei)=i=1∑nαiτ(ei)=[τ(e1) τ(e2) ⋯ τ(en)]⎣⎢⎢⎢⎡α1α2⋮αn⎦⎥⎥⎥⎤=Au
第一个等号是把 u 写成基的线性组合,第三个等式是把多项式用矩阵乘法表示,之后发现后面那个向量就是 u,所以根据 τA(u)=Au 得出 A=[τ(e1) τ(e2) ⋯ τ(en)] 。
此外还要引入一个重要概念,ker(τ)={u∈U∣τ(u)=0},中文名应该是线性变换的核。这一概念读者可以与矩阵的零空间类比,基本一样。留个小例题,证明:ker(τ)=0⇔τ是单射
看到这读者可能会有点感觉(希望如此),每个矩阵实际上都代表着一个线性变换,是从一个向量空间到另一个向量空间的映射。
定理介绍
这一小节会介绍一些线性变换的常用定理,基本上都和空间维度扯点关系。
首先还是引入一些概念,我们把线性映射称作同构(isomorphism),如果它是个双射(bijiective),或者等价地:im(τ)=V and ker(τ)=0。
而如果 τ:U→V 是个同构,那么 U,V 就是同构的(isomorphic)
定理一、两个向量空间是同构的,当且仅当他们的维度相同
证明
定理二、 如果τ:U→V 是一个线性变换,那么
dim U=dim im(τ)+dim ker(τ)
Proof.
令 H 是 ker(τ) 在空间U的补,U=ker(τ)⊕H,那么 dim(U)=dimker(τ)+dimH,所以我们要证明dimH=dim im(τ)。 根据定理一,我们需要证明两个空间是同构的,也就是要找出他们之间的一个同构映射(isomorphism)ϕ:H→im(τ).
令 ϕ=τ∣H,也就是把 τ 的定义域限制在了 H,此时 ϕ 必然是一个线性变换,来证明他是个双射就OK啦。
首先证明满射,对 ∀v∈im(τ),∃u s.t. v=τ(u),存在唯一的 h∈H,ξ∈ker(τ):u=h+ξ⇒v=τ(u)=τ(h+ξ)=τ(h)=τ∣H(h)=ϕ(h). 所以 τ 是满射。
对于单射,我们需要证明 ker(ϕ)=0. 假设存在 h 使得 ϕ(h)=0⇒0=ϕ(h)=τ(h)⇒h∈ker(τ), 所以 h∈H∩ker(τ)=0⇒h=0. So ker(ϕ)=0. 所以是单射。
线性变换与换基
原谅我现在懒得写了。。。有空补上!
先放张图大家自己体会吧 ????
相似矩阵
矩阵乘法