线性代数学习教程，从入门到精通，线性空间与线性变换 — 完整知识点详解(11）

线性空间与线性变换 — 完整知识点详解

§1 线性空间的定义与性质

一、数域

定义 1.1 设 $P$ 是包含 $0$ 和 $1$ 的数集，若 $P$ 中任意两个数的和、差、积、商（除数不为零）仍在 $P$ 中，则称 $P$ 为一个数域。

常见数域：$\mathbb{Q}$（有理数域）、$\mathbb{R}$（实数域）、$\mathbb{C}$（复数域）。

二、线性空间的定义

定义 1.2 设 $V$ 是一个非空集合，$P$ 是一个数域。在 $V$ 上定义两种运算：

1. 加法：$\forall \mathbf{\alpha },\mathbf{\beta }\in V$，存在唯一的 $\mathbf{\alpha }+\mathbf{\beta }\in V$；
2. 数乘：$\forall k\in P,\mathbf{\alpha }\in V$，存在唯一的 $k\mathbf{\alpha }\in V$。

若以下 8 条公理 全部满足，则称 $V$ 为数域 $P$ 上的线性空间（向量空间）。

加法公理（4条）

数乘公理（4条）

三、线性空间的基本性质

性质 1 零元素唯一。

证明：设 $0_1,0_2$ 均为零元素，则
$$0_1=0_1+0_2=0_2+0_1=0_2$$
故零元素唯一。$■$

性质 2 每个元素的负元素唯一。

证明：设 $\mathbf{\alpha }$ 有负元素 $\mathbf{\beta }$ 和 $\mathbf{\gamma }$，即 $\mathbf{\alpha }+\mathbf{\beta }=0$，$\mathbf{\alpha }+\mathbf{\gamma }=0$。则
$$\mathbf{\beta }=\mathbf{\beta }+0=\mathbf{\beta }+(\mathbf{\alpha }+\mathbf{\gamma })=(\mathbf{\beta }+\mathbf{\alpha })+\mathbf{\gamma }=0+\mathbf{\gamma }=\mathbf{\gamma }$$
$■$

性质 3 $0\cdot \mathbf{\alpha }=0$，$k\cdot 0=0$，$(-1)\mathbf{\alpha }=-\mathbf{\alpha }$。

证明（以第一个为例）：
$$0\cdot \mathbf{\alpha }=(0+0)\mathbf{\alpha }=0\cdot \mathbf{\alpha }+0\cdot \mathbf{\alpha }$$
两边加上 $-(0\cdot \mathbf{\alpha })$，得 $0=0\cdot \mathbf{\alpha }$。$■$

性质 4 若 $k\mathbf{\alpha }=0$，则 $k=0$ 或 $\mathbf{\alpha }=0$。

证明：若 $k\ne 0$，则 $k^{-1}(k\mathbf{\alpha })=k^{-1}\cdot 0=0$。又 $(k^{-1}k)\mathbf{\alpha }=1\cdot \mathbf{\alpha }=\mathbf{\alpha }$，故 $\mathbf{\alpha }=0$。$■$

四、线性空间的典型例子

§2 维数、基与坐标

一、线性组合与线性表出

定义 2.1 设 ${\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\dots ,{\mathbf{\alpha }}_s\in V$，$k_1,k_2,\dots ,k_s\in P$，则

$$k_1{\mathbf{\alpha }}_1+k_2{\mathbf{\alpha }}_2+\cdots +k_s{\mathbf{\alpha }}_s$$

称为 ${\mathbf{\alpha }}_1,\dots ,{\mathbf{\alpha }}_s$ 的一个线性组合。

若 $\mathbf{\beta }=k_1{\mathbf{\alpha }}_1+\cdots +k_s{\mathbf{\alpha }}_s$，则称 $\mathbf{\beta }$ 可由 ${\mathbf{\alpha }}_1,\dots ,{\mathbf{\alpha }}_s$ 线性表出。

二、线性相关与线性无关

定义 2.2 设 ${\mathbf{\alpha }}_1,\dots ,{\mathbf{\alpha }}_s\in V$，若存在不全为零的 $k_1,\dots ,k_s\in P$ 使

$$k_1{\mathbf{\alpha }}_1+k_2{\mathbf{\alpha }}_2+\cdots +k_s{\mathbf{\alpha }}_s=0$$

则称 ${\mathbf{\alpha }}_1,\dots ,{\mathbf{\alpha }}_s$ 线性相关；否则称为线性无关。

线性无关的等价定义：$k_1{\mathbf{\alpha }}_1+\cdots +k_s{\mathbf{\alpha }}_s=0$ 仅在 $k_1=\cdots =k_s=0$ 时成立。

三、基与维数

定义 2.3 若线性空间 $V$ 中存在 $n$ 个线性无关的向量 ${\mathbf{\epsilon }}_1,{\mathbf{\epsilon }}_2,\dots ,{\mathbf{\epsilon }}_n$，且 $V$ 中任意一个向量都可由它们线性表出，则：

• 称 ${\mathbf{\epsilon }}_1,{\mathbf{\epsilon }}_2,\dots ,{\mathbf{\epsilon }}_n$ 为 $V$ 的一组基；
• 称 $n$ 为 $V$ 的维数，记为 $\dim V=n$。

规定：只含零向量的空间维数为 $0$，若 $V$ 中存在任意多个线性无关的向量，则称 $V$ 为无限维的。

关键性质：有限维线性空间的维数是确定的（不依赖于基的选择）。

证明思路：设 ${\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n$ 和 ${\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_m$ 都是 $V$ 的基。因 ${\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_m$ 线性无关，且每个 ${\mathbf{\eta }}_j$ 可由 ${\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n$ 线性表出，由替换定理知 $m\le n$。同理 $n\le m$，故 $n=m$。$■$

常见空间的维数：

四、坐标

定义 2.4 设 ${\mathbf{\epsilon }}_1,{\mathbf{\epsilon }}_2,\dots ,{\mathbf{\epsilon }}_n$ 是 $V$ 的一组基，$\forall \mathbf{\alpha }\in V$，存在唯一的一组数 $x_1,x_2,\dots ,x_n\in P$ 使得

$$\mathbf{\alpha }=x_1{\mathbf{\epsilon }}_1+x_2{\mathbf{\epsilon }}_2+\cdots +x_n{\mathbf{\epsilon }}_n$$

称 $(x_1,x_2,\dots ,x_n{)}^T$ 为 $\mathbf{\alpha }$ 在基 ${\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n$ 下的坐标。

坐标唯一性的证明：设 $\mathbf{\alpha }=x_1{\mathbf{\epsilon }}_1+\cdots +x_n{\mathbf{\epsilon }}_n=y_1{\mathbf{\epsilon }}_1+\cdots +y_n{\mathbf{\epsilon }}_n$，则
$$(x_1-y_1){\mathbf{\epsilon }}_1+\cdots +(x_n-y_n){\mathbf{\epsilon }}_n=0$$
由 ${\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n$ 线性无关，得 $x_i-y_i=0$，即 $x_i=y_i$（$i=1,\dots ,n$）。$■$

五、坐标运算

设 $\mathbf{\alpha }$ 在基 ${\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n$ 下的坐标为 $(x_1,\dots ,x_n{)}^T$，$\mathbf{\beta }$ 的坐标为 $(y_1,\dots ,y_n{)}^T$，则：

$$\mathbf{\alpha }+\mathbf{\beta }\leftrightarrow \left(\begin{array}{c}{x}_1+y_1\\ ⋮\\ x_n+y_n\end{array}\right),k\mathbf{\alpha }\leftrightarrow \left(\begin{array}{c}k{x}_1\\ ⋮\\ k{x}_n\end{array}\right)$$

这说明：坐标映射建立了 $V$ 与 $P^n$ 之间的同构。

§3 基变换与坐标变换

一、过渡矩阵

定义 3.1 设 $V$ 有两组基：

• 旧基：${\mathbf{\epsilon }}_1,{\mathbf{\epsilon }}_2,\dots ,{\mathbf{\epsilon }}_n$
• 新基：${\mathbf{\eta }}_1,{\mathbf{\eta }}_2,\dots ,{\mathbf{\eta }}_n$

新基可由旧基唯一线性表出：

$$\{\begin{array}{rl}{\mathbf{\eta }}_1& =c_{11}{\mathbf{\epsilon }}_1+c_{21}{\mathbf{\epsilon }}_2+\cdots +c_{n1}{\mathbf{\epsilon }}_n\\ {\mathbf{\eta }}_2& =c_{12}{\mathbf{\epsilon }}_1+c_{22}{\mathbf{\epsilon }}_2+\cdots +c_{n2}{\mathbf{\epsilon }}_n\\ & ⋮\\ {\mathbf{\eta }}_n& =c_{1n}{\mathbf{\epsilon }}_1+c_{2n}{\mathbf{\epsilon }}_2+\cdots +c_{nn}{\mathbf{\epsilon }}_n\end{array}$$

采用矩阵记号（将基看作行向量），记 $({\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_n)$ 和 $({\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n)$：

$$({\mathbf{\eta }}_1,{\mathbf{\eta }}_2,\dots ,{\mathbf{\eta }}_n)=({\mathbf{\epsilon }}_1,{\mathbf{\epsilon }}_2,\dots ,{\mathbf{\epsilon }}_n)C$$

其中

$$C=\left(\begin{array}{cccc}{c}_{11}& c_{12}& \cdots & c_{1n}\\ c_{21}& c_{22}& \cdots & c_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ c_{n1}& c_{n2}& \cdots & c_{nn}\end{array}\right)$$

矩阵 $C$ 称为由旧基到新基的过渡矩阵。

关键定理：过渡矩阵 $C$ 可逆。

证明：因 ${\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_n$ 线性无关，若 $C\mathbf{x}=0$，设 $\mathbf{x}=(k_1,\dots ,k_n{)}^T$，则
$$k_1{\mathbf{\eta }}_1+\cdots +k_n{\mathbf{\eta }}_n=({\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n)C\mathbf{x}=0$$
由 ${\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_n$ 线性无关，$\mathbf{x}=0$，故 $C$ 的列向量线性无关，$C$ 可逆。$■$

二、坐标变换公式

定理 3.1 设向量 $\mathbf{\alpha }$ 在旧基 $({\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n)$ 下的坐标为 $\mathbf{x}=(x_1,\dots ,x_n{)}^T$，在新基 $({\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_n)$ 下的坐标为 $\mathbf{y}=(y_1,\dots ,y_n{)}^T$，过渡矩阵为 $C$，则：

$$\boxed{\mathbf{x}=C\mathbf{y}⟺\mathbf{y}=C^{-1}\mathbf{x}}$$

详细推导：

由基变换关系 $({\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_n)=({\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n)C$。

$\mathbf{\alpha }$ 用新基表示：
$$\mathbf{\alpha }=({\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_n)\mathbf{y}=[({\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n)C]\mathbf{y}=({\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n)(C\mathbf{y})$$

$\mathbf{\alpha }$ 用旧基表示：
$$\mathbf{\alpha }=({\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n)\mathbf{x}$$

由坐标唯一性：
$$\mathbf{x}=C\mathbf{y}$$

因 $C$ 可逆，故 $\mathbf{y}=C^{-1}\mathbf{x}$。$■$

三、过渡矩阵的传递性

设基 $\mathcal{E}\to \mathcal{F}$ 的过渡矩阵为 $C_1$，基 $\mathcal{F}\to \mathcal{G}$ 的过渡矩阵为 $C_2$，则基 $\mathcal{E}\to \mathcal{G}$ 的过渡矩阵为 $C_1{C}_2$。

证明：
$$({\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_n)=({\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n)C_1$$
$$({\mathbf{\gamma }}_1,\dots ,{\mathbf{\gamma }}_n)=({\mathbf{\eta }}_1,\dots ,{\mathbf{\eta }}_n)C_2$$
代入得：
$$({\mathbf{\gamma }}_1,\dots ,{\mathbf{\gamma }}_n)=({\mathbf{\epsilon }}_1,\dots ,{\mathbf{\epsilon }}_n)(C_1{C}_2)$$
$■$

§4 线性变换

一、映射的预备知识

定义 4.1 设 $\sigma :V\to W$ 是映射：

• 满射：$\forall \mathbf{\beta }\in W$，$\exists \mathbf{\alpha }\in V$，$\sigma (\mathbf{\alpha })=\mathbf{\beta }$
• 单射：$\sigma ({\mathbf{\alpha }}_1)=\sigma ({\mathbf{\alpha }}_2)\Rightarrow {\mathbf{\alpha }}_1={\mathbf{\alpha }}_2$
• 双射（一一对应）：既单又满

二、线性变换的定义

定义 4.2 设 $V$ 是数域 $P$ 上的线性空间，$\sigma :V\to V$ 是一个变换（映射），若 $\forall \mathbf{\alpha },\mathbf{\beta }\in V$，$\forall k,l\in P$：

$$\sigma (k\mathbf{\alpha }+l\mathbf{\beta })=k\sigma (\mathbf{\alpha })+l\sigma (\mathbf{\beta })$$

则称 $\sigma$ 为 $V$ 上的一个线性变换。

等价条件（拆开验证）：

1. $\sigma (\mathbf{\alpha }+\mathbf{\beta })=\sigma (\mathbf{\alpha })+\sigma (\mathbf{\beta })$（保持加法）
2. $\sigma (k\mathbf{\alpha })=k\sigma (\mathbf{\alpha })$（保持数乘）

三、线性变换的基本性质

性质 1 $\sigma (0)=0$。

证明：$\sigma (0)=\sigma (0\cdot \mathbf{\alpha })=0\cdot \sigma (\mathbf{\alpha })=0$。$■$

性质 2 $\sigma (-\mathbf{\alpha })=-\sigma (\mathbf{\alpha })$。

证明：$\sigma (-\mathbf{\alpha })=\sigma ((-1)\mathbf{\alpha })=(-1)\sigma (\mathbf{\alpha })=-\sigma (\mathbf{\alpha })$。$■$

性质 3 若 $\mathbf{\beta }=k_1{\mathbf{\alpha }}_1+\cdots +k_s{\mathbf{\alpha }}_s$，则

$$\sigma (\mathbf{\beta })=k_1\sigma ({\mathbf{\alpha }}_1)+\cdots +k_s\sigma ({\mathbf{\alpha }}_s)$$

性质 4 线性变换将线性相关的向量组映为线性相关的向量组。

注意：线性无关的向量组经线性变换后不一定仍线性无关（若它们落入 $\sigma$ 的核中）。

性质 5 若 ${\mathbf{\alpha }}_1,\dots ,{\mathbf{\alpha }}_s$ 线性无关，$\sigma$ 是单射，则 $\sigma ({\mathbf{\alpha }}_1),\dots ,\sigma ({\mathbf{\alpha }}_s)$ 线性无关。

四、线性变换的核与值域

定义 4.3 设 $\sigma$ 是 $V$ 上的线性变换：

• 核（Kernel）：ker⁡σ={α∈V∣σ(α)=0}\ker\sigma=\{\boldsymbol{\alpha}\in V \mid \sigma(\boldsymbol{\alpha})=\boldsymbol{0}\}kerσ={α∈V∣σ(α)=0}
• 值域（Image）：Im σ={σ(α)∣α∈V}\text{Im}\,\sigma=\{\sigma(\boldsymbol{\alpha})\mid \boldsymbol{\alpha}\in V\}Imσ={σ(α)∣α∈V}

定理 4.1 $\ker \sigma$ 是 $V$ 的子空间，$\text{Im}\sigma$ 也是 $V$ 的子空间。

证明（以 $\ker \sigma$ 为例）：

1. $\sigma (0)=0$，故 $0\in \ker \sigma$，非空。
2. $\forall \mathbf{\alpha },\mathbf{\beta }\in \ker \sigma$：$\sigma (\mathbf{\alpha }+\mathbf{\beta })=\sigma (\mathbf{\alpha })+\sigma (\mathbf{\beta })=0+0=0$，故 $\mathbf{\alpha }+\mathbf{\beta }\in \ker \sigma$。
3. $\forall k\in P$，$\mathbf{\alpha }\in \ker \sigma$：$\sigma (k\mathbf{\alpha })=k\sigma (\mathbf{\alpha })=k\cdot 0=0$，故 $k\mathbf{\alpha }\in \ker \sigma$。

$■$

维数公式（有限维时）：

$$\boxed{\dim (\ker \sigma )+\dim (\text{Im}\sigma )=\dim V}$$

证明：设 $\dim V=n$，$\dim (\ker \sigma )=r$。取 $\ker \sigma$ 的基 ${\mathbf{\alpha }}_1,\dots ,{\mathbf{\alpha }}_r$，扩充为 $V$ 的基 ${\mathbf{\alpha }}_1,\dots ,{\mathbf{\alpha }}_r,{\mathbf{\alpha }}_{r+1},\dots ,{\mathbf{\alpha }}_n$。

断言：$\sigma ({\mathbf{\alpha }}_{r+1}),\dots ,\sigma ({\mathbf{\alpha }}_n)$ 是 $\text{Im}\sigma$ 的基。

先证它们生成 $\text{Im}\sigma$。$\forall \mathbf{\beta }\in \text{Im}\sigma$，$\exists \mathbf{\alpha }={\sum }_{i=1}^n{k}_i{\mathbf{\alpha }}_i$，使
$$\mathbf{\beta }=\sigma (\mathbf{\alpha })=\sum _{i=1}^n{k}_i\sigma ({\mathbf{\alpha }}_i)=\sum _{i=1}^r{k}_i\cdot 0+\sum _{i=r+1}^n{k}_i\sigma ({\mathbf{\alpha }}_i)=\sum _{i=r+1}^n{k}_i\sigma ({\mathbf{\alpha }}_i)$$

再证线性无关。设 ${\sum }_{i=r+1}^n{l}_i\sigma ({\mathbf{\alpha }}_i)=0$，即 $\sigma \left({\sum }_{i=r+1}^n{l}_i{\mathbf{\alpha }}_i\right)=0$，故 ${\sum }_{i=r+1}^n{l}_i{\mathbf{\alpha }}_i\in \ker \sigma$，可由 ${\mathbf{\alpha }}_1,\dots ,{\mathbf{\alpha }}_r$ 表出：
$$\sum _{i=r+1}^n{l}_i{\mathbf{\alpha }}_i=\sum _{j=1}^r{m}_j{\mathbf{\alpha }}_j$$
由 ${\mathbf{\alpha }}_1,\dots ,{\mathbf{\alpha }}_n$ 线性无关，得 $l_{r+1}=\cdots =l_n=0$。

故 $\dim (\text{Im}\sigma )=n-r$，从而 $r+(n-r)=n=\dim V$。$■$

五、常见线性变换

六、线性变换的运算

设 $\sigma ,\tau$ 是 $V$ 上的线性变换，$k\in P$：

1. 加法 $(\sigma +\tau )(\mathbf{\alpha })=\sigma (\mathbf{\alpha })+\tau (\mathbf{\alpha })$

2. 数乘 $(k\sigma )(\mathbf{\alpha })=k\cdot \sigma (\mathbf{\alpha })$

3. 乘法（复合） $(\sigma \tau )(\mathbf{\alpha })=\sigma (\tau (\mathbf{\alpha }))$

注意：乘法一般不满足交换律，即 $\sigma \tau \ne \tau \sigma$。

4. 逆变换：若 $\sigma$ 是双射，则 ${\sigma }^{-1}$ 也是线性变换。

证明 $\sigma +\tau$ 为线性变换：
$$(\sigma +\tau )(k\mathbf{\alpha }+l\mathbf{\beta })=\sigma (k\mathbf{\alpha }+l\mathbf{\beta })+\tau (k\mathbf{\alpha }+l\mathbf{\beta })$$
$$=k\sigma (\mathbf{\alpha })+l\sigma (\mathbf{\beta })+k\tau (\mathbf{\alpha })+l\tau (\mathbf{\beta })$$
$$=k[\sigma (\mathbf{\alpha })+\tau (\mathbf{\alpha })]+l[\sigma (\mathbf{\beta })+\tau (\mathbf{\beta })]=k(\sigma +\tau )(\mathbf{\alpha })+l(\sigma +\tau )(\mathbf{\beta })$$
$■$

线性空间 $V$ 上全体线性变换的集合 $L(V)$ 对上述加法和数乘构成线性空间，$\dim L(V)=n^2$（当 $\dim V=n$）。