矩阵空间与线性变换

最新推荐文章于 2026-03-28 02:42:05 发布

原创最新推荐文章于 2026-03-28 02:42:05 发布 · 1.5k 阅读

2 ·

本内容遵循CC 4.0 BY-SA版权协议

收录于

数理基础

本文介绍了线性空间的概念，包括向量加法性质和数乘性质，并阐述了子空间的定义及其判别法。同时，详细讨论了与矩阵相关联的四个子空间：零空间、列空间、行空间和左零空间。通过具体矩阵示例说明了如何计算这些子空间。此外，文章还探讨了线性变换，包括线性变换的定义、零度和秩，以及单射、满射和同构的概念。最后，列举了一些常见的线性变换类型。

一、线性空间

1.线性空间的概念：若V群是个加群（即满足向量加法），同时又满足F域中的数乘，则称V为线性空间。

向量加法性质：

(C)封闭性：对任意 $\alpha ,\beta \in \mathbb{P}^{n}$ , $\alpha +\beta \in \mathbb{P}^{n}$ ;

(A1)结合律：对任意 $\alpha ,\beta ,\gamma \in \mathbb{P}^{n}$ , $(\alpha +\beta) + \gamma = \alpha + (\beta + \gamma)$ ;

(A2)交换律：对任意 $\alpha ,\beta \in \mathbb{P}^{n}$ , $\alpha +\beta = \beta + \alpha$ ;

(A3)存在零向量：存在元素0，使得对任意 $\alpha \in \mathbb{P}^{n}$ ， $\alpha + 0 = \alpha$ ；

(A4)存在负向量：对任意 $\alpha \in \mathbb{P}^{n}$ ，存在一个向量，记为 $-\alpha$ ，使得 $\alpha + (-\alpha) = \alpha$

数乘性质：

(B1)数乘的结合律：设 $a,b \in \mathbb{P}$ , $\alpha \in \mathbb{P}^{n}$ ,有 $a(b\alpha)=(ab)\alpha$

(B2)数乘关于向量加法的分配率：设 $a \in \mathbb{P}$ , $\alpha ,\beta \in \mathbb{P}^{n}$ ,有 $a(\alpha+\beta)=a\alpha+a\beta$

(B3)数乘关于数的加法的分配率：设 $a,b \in \mathbb{P}$ , $\alpha \in \mathbb{P}^{n}$ ,有 $(a+b)\alpha=a\alpha+b\alpha$

(B4)数乘的初始条件： $1\cdot \alpha = \alpha$ ,其中 $1 \in \mathbb{P}$

2.子空间的概念：设U是一个线性空间，U是V的一个非空子集。如果U本身关于V的向量加法与数乘作成一个线性空间，则称U是V的一个线性子空间或子空间。

判别法：设U是线性空间V的一个非空子集，则U是子空间 $\Leftrightarrow$ 对任意 $\lambda \in \mathbb{P},\alpha ,\beta \in U$ ,有 $\alpha+\beta\in U$ 与 $\lambda \alpha\in U$

3.与一个矩阵 $A_{m\times n}$ 相联系的四个子空间：

(1) $A_{m\times n}$ 的零空间 $N(A)$ ：即齐次线性方程组 $Ax=0$ 的解空间

(2) $A_{m\times n}$ 的列空间(或像空间，值域) $R(A)$ ：即 $A_{m\times n}$ 的列向量生成的子空间

(3) $A_{m\times n}$ 的行空间 $R(A^{T})$ ：即 $A_{m\times n}$ 的行向量生成的子空间

(4) $A_{m\times n}$ 的左零空间 $N(A^{T})$ ：即线性方程组 $y^{T}A=0$ 或 $A^{T}x=0$ 的解空间

计算矩阵子空间实例如下：

设

$A=\begin{bmatrix} 1 & 1 & 2\\ 0& 1 & 1\\ 1& 2 & 3 \end{bmatrix}$

则先将 $A$ 化为Hermite标准形，并记录相应的可逆矩阵 $P$ ：

$(A,I_{3})=\begin{bmatrix} 1 & 1 & 2&1&0&0\\ 0& 1 & 1&0&1&0\\ 1& 2 & 3&0&0&1 \end{bmatrix}\rightarrow \begin{bmatrix} 1 & 0 & 1&1&-1&0\\ 0& 1 & 1&0&1&0\\ 0& 0 & 0&-1&-1&1 \end{bmatrix}=(H_{A},P)$

由此可得 $PA=H_{A}$ ,即

$\begin{bmatrix}1&-1&0\\ 0&1&0\\ -1&-1&1 \end{bmatrix}\begin{bmatrix}1&1&2\\ 0&1&1\\ 1&2&3 \end{bmatrix}=\begin{bmatrix}1&0&1\\ 0&1&1\\ 0&0&0 \end{bmatrix}$

从而矩阵 $A$ 的秩 $=2$ ，而 $H_{A}$ 的前两列线性无关，所以 $A$ 的前两列线性无关，即

$R(A)=span\begin{Bmatrix} A_{1},&A_{2} \end{Bmatrix}=span\begin{Bmatrix} (1,0,1)^{T},&(1,1,2)^T \end{Bmatrix}$ ;

$R(A^{T})=R(H_{A}^{T})=span\begin{Bmatrix} (H_{A}^{1})^{T},&(H_{A}^{2})^{T}\end{Bmatrix}=span\begin{Bmatrix} (1,0,1)^{T},&(0,1,1)^T \end{Bmatrix}$ ;

$N(A)=N(H_{A})=span\begin{Bmatrix} (-1,-1,1)^{T} \end{Bmatrix}$

最后，由于矩阵 $P$ 最后一行左乘 $A$ 为零向量，故它是 $xA=0$ 的解。于是

$N(A^{T})=span\begin{Bmatrix} (P^{3})^{T})\end{Bmatrix}=span\begin{Bmatrix} (-1,-1,1)^{T}\end{Bmatrix}$

二、线性变换

1.线性变换的概念：设U与V是两个线性空间。U到V内的一个映射 $\sigma$ 如果满足可加性和齐次性条件，则称 $\sigma$ 是U到V的线性变换。可将U到V的线性变换的全体记为 $Hom(U,V)$

和线性变换 $\sigma \in Hom(U,V)$ 密切相关的有两个集合，一个是其“零点集” $\begin{Bmatrix} \alpha \in U:\sigma (\alpha)=0 \end{Bmatrix}$ ,称为 $\sigma$ 的核，记为 $Ker(\sigma)$ ；另一个是其“函数值”的集合，即 $\begin{Bmatrix} \alpha \in V:\exists \beta\in U,\alpha =\sigma (\beta) \end{Bmatrix}$ ,称为 $\sigma$ 的像，记为 $Im(\sigma )$ ，易证 $Ker(\sigma)$ 和 $Im(\sigma )$ 分别是U与V的子空间，其维数分别称为 $\sigma$ 的零度和秩。