线性代数应该这样学5：线性映射的矩阵、可逆与同构。

在本系列中，个人我的看法将使用斜体标注。每篇文章的最后，我将选择摘录一些例题。因为文章是我独自整理的，缺少审阅，不免出现错误，若有发现欢迎在评论区中指正。

目录

• Part 1：矩阵
• Part 2：可逆
• Part 3：同构的向量空间
• 例题

Part 1：矩阵

本节终于进入到熟悉的矩阵，矩阵是线性映射的一种特殊表示，上一章的例题1已经说明了任何\(\mathbb{F}^n\to \mathbb{F}^m\)的线性映射都可以被\(m\times n\)个实数所肯定。但事实上，用矩阵表示线性映射的方式并非这么狭隘的。

矩阵(matrix) 设\(m\)和\(n\)都是正整数，\(m\times n\)的矩阵\(A\)是由\(\mathbb{F}\)的元素构成的\(m\)行\(n\)列数表。

\[A=\begin{pmatrix} A_{1,1} & \cdots & A_{1,n} \\ \vdots & & \vdots \\ A_{m,1} & \cdots & A_{m,n} \end{pmatrix}. \]

记号\(A_{j,k}\)表示位于\(A\)的第\(j\)行第\(k\)列的元素，第一个下标表明行，第二个下标表明列。

线性映射的矩阵(matrix of a linear map) 设\(T\in\mathcal L(V,W)\)，并设\(v_1,\cdots,v_n\)是\(V\)的基，\(w_1,\cdots,w_m\)是\(W\)的基。规定\(T\)关于这些基的矩阵为\(m\times n\)矩阵\(\mathcal M(T)\)，其中\(A_{j,k}\)知足

\[Tv_k=A_{1,k}w_k+\cdots+A_{m,k}w_m. \]

若是这些基不是上下文自明的，则记做\(\mathcal M(T,(v_1,\cdots,v_n),(w_1,\cdots,w_m))\)。

矩阵只是一个数表，若是不与线性映射关联则矩阵没有任何意义。线性映射的矩阵是依赖于基的，而\(V,W\)中有无限组基，理论上任何一组基都能定义一个线性映射的矩阵，它们是互不相同的。所以，线性映射的矩阵必需要包含关于基的描述，不然将默认为天然基。

为了方便记忆，最好将矩阵视为一堆列向量构成的表：

\[\mathcal M(T)=(Tv_1,\cdots,Tv_n). \]

其中每一个\(Tv_k\)是\(Tv_k\)在\((w_1,\cdots,w_m)\)下的坐标，固然，这样的表述是不太严谨的。

\(\mathcal M(T)\)既能够当作是一个矩阵的代号，也能够把\(\mathcal M\)拆分出来，这时候\(\mathcal M\)应当被视为一个将线性映射映射到矩阵空间上的线性映射，即把线性映射\(T\)和矩阵\(\mathcal M(T)\)都视为各自线性空间的向量。

矩阵加法(matrix addition)与矩阵标量乘法(scalar multiplication of a matrix) 两个矩阵相加只适用于同型矩阵，将其对应元素相加；矩阵的标量乘法将其每一个元素都乘以这个标量倍。

矩阵的线性运算是为了线性映射服务的，这样在一样的基表示下，线性映射的运算就有很简单的可视化表达。

• 在相同的基下，\(\mathcal M(S+T)=\mathcal M(S)+\mathcal M(T)\)。
• 在相同的基下，\(\mathcal M(\lambda T)=\lambda \mathcal M(T)\)。

假设\(S,T\in\mathcal L(V,W)\)。若是取\((v_1,\cdots,v_n)\)和\((w_1,\cdots,w_m)\)分别做为\(V,W\)的基，则

\[(S+T)v_k=Sv_k+Tv_k, \]

至关于\(\mathcal M(S+T)\)的第\(k\)列是\(Sv_k+Tv_k\)，由线性映射的加性，结论容易证实。数乘由齐性同理。

\(\mathbb{F}^{m,n}\) \(\mathbb{F}^{m,n}\)表明全部\(m\times n\)矩阵构成的集合，结合矩阵加法和矩阵标量乘法的定义，它是一个线性空间，且\(\dim \mathbb{F}^{m,n}=mn\)。

\(\mathbb{F}^{m,n}\)是线性空间的证实，只需定义加法单位元\(0\)，它指的是全部元素都为\(0\)的\(m\times n\)矩阵，而后加法和数乘在这个空间上的封闭性，是由数域\(\mathbb{F}\)的封闭性保证的。

为证\(\dim \mathbb{F}^{m,n}=mn\)，只需找出其一组基，若是令\(e_{i,j}\)为第\(i\)行第\(j\)列为\(1\)，其余元素为\(0\)的矩阵，则\(mn\)个这样的矩阵共同构成了\(\dim\mathbb{F}^{m,n}\)的基，它的张成性和线性无关性都很容易证实。

矩阵运算的本质全是线性映射的运算，因此矩阵乘法也应当如此定义。与映射的乘法同样，它依赖于三个空间，故依赖于三组基，接下来的定义使得在一样的基下，线性映射的矩阵乘法等价于映射的乘法。

矩阵乘法(matrix multiplication) 设\(A\)是\(m\times n\)矩阵，\(C\)是\(n\times p\)矩阵，则\(AC\)定义为\(m\times p\)矩阵，其第\(j\)行第\(k\)列元素是

\[(AC)_{j,k} = \sum_{r=1}^{n}A_{j,r}C_{r,k}. \]

在这样的定义下，对于相同的基，\(\mathcal M(S)\mathcal M(T)=\mathcal M(ST)\)。

设\(\mathcal M(S)=A,\mathcal M(T)=C\)，且\(T\in\mathcal L(U,V),S\in\mathcal L(V,W)\)，其基分别是\(u_1,\cdots,u_p\)，\(v_1,\cdots,v_n\)和\(w_1,\cdots,w_m\)，则

\[\begin{aligned} (ST)u_k&=S(Tu_k)\\ &=S\left(\sum_{r=1}^{n}C_{r,k}v_r \right)\\ &=\sum_{r=1}^n C_{r,k}Sv_r\\ &=\sum_{r=1}^n C_{r,k}\sum_{j=1}^m A_{j,r}w_j\\ &=\sum_{j=1}^m\left(\sum_{r=1}^n A_{j,r}C_{r,k} \right)w_j. \end{aligned} \]

结论得证。

因为\(ST\ne TS\)，因此\(\mathcal M(ST)\ne \mathcal M(TS)\)，也就是\(\mathcal M(S)\mathcal M(T)\ne \mathcal M(T)\mathcal M(S)\)。

行矩阵和列矩阵 若\(A\)是\(m\times n\)矩阵，对于\(1\le j\le m\)，\(A_{j,\cdot}\)表示\(A\)的第\(j\)行组成的\(1\times n\)矩阵；\(A_{\cdot ,k}\)表示\(A\)的第\(k\)列组成的\(m\times 1\)矩阵。

行矩阵和列矩阵是矩阵分块的基础，它们能为矩阵的乘法运算提供很大的便利。为了应用行矩阵和列矩阵提供的便利，至少要知道行矩阵乘列矩阵等于一个数。

1. 矩阵乘积的元素等于行乘以列，即

   \[(AC)_{j,k}=A_{j,\cdot}C_{\cdot,k}. \]

2. 矩阵乘积的列等于矩阵乘以列，即

   \[(AC)_{\cdot ,k}=AC_{\cdot ,k}. \]

3. 设\(A\)是\(m\times n\)矩阵，\(C\)是\(n\times 1\)矩阵，则\(Ac\)能够当作\(A\)每一列的线性组合，系数是\(c\)的系数，即

   \[Ac=c_1A_{\cdot,1}+\cdots+c_nA_{\cdot ,n}. \]

这种表达方式将矩阵当作一堆列矩阵按行排列造成的矩阵，有时咱们也称之为列向量。这样考虑的好处是，咱们在线性映射的矩阵定义中，将每一列定义为\(Tv_k\)在\(W\)的基下的系数，所以当\(W\)取天然基时，矩阵天然就是一堆列向量构成的列向量组。

Part 2：可逆

可逆(invertible)与逆(inverse) 线性映射\(T\in\mathcal L(V,W)\)称为可逆的，若是存在\(S\in\mathcal L(W,V)\)使得\(ST=I_V\)且\(TS=I_W\)，此时\(S\)称为\(T\)的逆。

注意\(S\)的原像空间和像空间和\(T\)是正好相反的。

逆是惟一的 可逆的线性映射\(T\)必有惟一的逆，记做\(T^{-1}\)。

设\(T\in\mathcal L(V,W)\)，\(S_1,S_2\)是它的逆，则

\[S_1=S_1(TS_2)=(S_1T)S_2=S_2. \]

可逆的等价条件 \(T\in\mathcal L(V,W)\)是可逆的等价于\(T\)既是单射又是满射。

这是一个很是重要的定理，给出了一种\(T\)不可逆的情形。同时，基于线性映射基本定理，对于可逆的\(T\in\mathcal L(V,W)\)，必有

\[\dim V=\dim \mathrm{null}T+\dim\mathrm{range}T=\dim W. \]

因此若是一个线性映射的原像空间和像空间维数都不一样，则必不可逆。

证实必要性。若\(T\)可逆，则

\[Tu=Tv\Rightarrow T^{-1}Tu=T^{-1}Tv\Rightarrow u=v, \]

这里证实\(T\)是单射。另外，\(\forall w\in W\)，有

\[w=TT^{-1}w=T(T^{-1}w),\quad T^{-1}w\in V. \]

因此\(w\in\mathrm{range}T\)，这里证实\(T\)是满射。

证实充分性。\(\forall w\in W\)，存在\(v\in V\)使得\(Tv=w\)。定义一个映射\(S\)，知足\(\forall w\in W\)，若是\(Tv=w\)，就有

\[Sw=v. \]

因为\(T\)是单射，因此每一个\(w\)在\(T\)下只有一个原像，所以这样的\(S\)是合理的。

下证实\(S\)是线性的（这一点很容易被遗忘），设\(w_1,w_2\in W\)，则由\(S\)的定义方式，有

\[w_1+w_2=Tv_1+Tv_2=T(v_1+v_2),\\ S(w_1+w_2)=v_1+v_2=Sw_1+Sw_2; \]

这就验证了\(S\)的加性，齐性能够相似验证。

由\(S\)的定义方式，显然有\(ST=I_V\)。而\(TSw=Tv=w\)，说明\(TS=I_W\)。因此\(S=T^{-1}\)。

以上证实的关键就在于构造出\(S\)，可是这里写的比较简略，请读者自行扩充。同时，以上的二级补充说明对非线性的状况比较不友好，所以是一个比较粗糙的说明。

如下是书上给出的两个研究无限维线性映射可逆性的例子，由此能够知道

• 不是满的：\(\mathcal L(\mathcal P(\mathbb{R}),\mathcal P(\mathbb{R}))\)中的乘以\(x^2\)算子不满，因此不可逆。
• 不是单的：\(\mathcal L(\mathbb{F}^{\infty},\mathbb{F}^\infty)\)中的向后移位算子不单，因此不可逆。

Part 3：同构的向量空间

同构(isomorphism) 同构指的是可逆的线性映射。

同构的(isomorphic)向量空间 若两个向量空间之间存在一个同构，则称这两个向量空间是同构的。

上一章中，揭示了对于有限维向量空间，可逆线性映射一定做用在维数相同的向量空间上。下面的定理增强一步，指出了同构存在与维数直接创建关系。

同构向量空间与维数 \(\mathbb{F}\)上两个有限维向量空间同构，当且仅当其维数相同。

必要性已经证实了。

证实充分性只须要构造出这样的同构。设\(v_1,\cdots,v_n\)是\(V\)的基，\(w_1,\cdots,w_n\)是\(W\)的基，定义一个这样的映射：

\[T(c_1v_1+\cdots+v_nv_n)=c_1w_1+\cdots+c_nw_n. \]

容易证实\(T\in\mathcal L(V,W)\)。另外构造一个

\[S(c_1w_1+\cdots+c_nw_n)=c_1v_1+\cdots+c_nv_n, \]

则也容易证实\(S\in\mathcal L(W,V)\)，而且\(ST=I_V\)，\(TS=I_W\)，这就构造了一个同构。

能够看到，这个证实与可逆的等价条件证实主要差距就在因而否是有限维的。当维数被限定，证实会变得简单。

\(\mathcal L(V,W)\)与\(\mathbb{F}^{m,n}\)同构 若\(\dim V=n,\dim W=m\)，则\(\mathcal L(V,W)\)与\(\mathbb{F}^{m,n}\)同构。

这个定理代表，若是给定了矩阵的基，则线性映射与其矩阵之间的关系是可逆的，给定一个矩阵也能够惟一地决定一个线性映射，也就是说：\(\mathcal M\in\mathcal L(\mathcal L(V,W),\mathbb{F}^{m,n})\)做为一个线性映射可逆。（这符号感受套娃起来了）。

即证实\(\mathcal M\)可逆，也就是既单又满。

证实\(\mathcal M\)是单射，等价于证实\(\mathrm{null}\mathcal M=\{0\}\)，这里\(\{0\}\)是零映射。设\(T\in\mathcal L(V,W)\)，则\(\mathcal M(T)=0\)指\(T\)在给定基下对应的是\(0\)矩阵，即全部\(V\)的基向量都被\(T\)映射到\(W\)中的\(0\)向量，天然\(T\)是一个零映射。（请读者本身理清上面这段话）

证实\(\mathcal M\)是满射，\(\forall A\in \mathbb{F}^{m,n}\)，定义这样的一个\(T\in\mathcal L(V,W)\)，其中

\[Tv_k=\sum_{j=1}^m A_{j,k}w_j, \]

则\(\mathcal M(T)=A\)，因此\(\mathcal M\)是满射。

由此结论直接能够获得：

\[\dim\mathcal L(V,W)=(\dim V)(\dim W). \]

向量的矩阵(matrix of a vector) 设\(v\in V\)，并设\(v_1,\cdots,v_n\)是\(V\)的基，则规定\(v\)关于这个基的矩阵是

\[\mathcal M(v)=\begin{pmatrix} c_1 \\ \vdots \\ c_n \end{pmatrix},\\ v=c_1v_1+\cdots+c_nv_n. \]

如今咱们终于把向量与矩阵统一到了一块儿，注意咱们都把向量视为列矩阵。实际上，\(\mathcal M(v)\)的各个元素就是\(v\)在基\((v_1,\cdots,v_n)\)下的坐标。如下结论都是成立的，若是从咱们之前学过的角度来看，这些结论都很显然。

• \(\mathcal M(T)_{\cdot ,k}=\mathcal M(Tv_k)\)，即\(\mathcal M(T)\)的第\(k\)列就是\(Tv_k\)在基下的坐标，这一点就是咱们的记忆方式。
• \(\mathcal M(Tv)=\mathcal M(T)\mathcal M(v)\)，便可以用矩阵乘法来表示线性映射，事实上咱们在线性代数中一直是这样作的。

算子(operator) 向量空间到期自身的映射\(T\in\mathcal L(V,V)\)称为算子，将\(\mathcal L(V,V)\)记做\(\mathcal L(V)\)。

对于算子，咱们通常研究有限维向量空间。在有限维的情形，算子的单射与满射是等价的：设\(V\)是有限维的，\(T\in\mathcal L(V)\)，则如下陈述等价：

1. \(T\)可逆。
2. \(T\)是单射。
3. \(T\)是满射。

只需由线性映射基本定理：

\[\dim V=\dim \mathrm{null}T+\dim\mathrm{range}T, \]

注意到\(\mathrm{null}T\)和\(\mathrm{range}T\)都是\(V\)的子空间便可。

例题

矩阵部分的例题，全都是老掉牙的构造线性映射，只要知道矩阵和线性映射之间的相互转换关系就没什么难的，这里全都不提了。关于3.D的习题，也大可能是思惟存在障碍，难度上可能不是很大，由于基本用书上的结论能够直接解决。

第一题（3.D 2） 设\(V\)是有限维的且\(\dim V>1\)。证实\(V\)上不可逆的算子构成的集合不是\(\mathcal L(V)\)的子空间。

证实某个集合不是向量空间，若是\(0\)元素在子空间内，则通常考虑构造一个不知足加法封闭性的案例。最简单的可逆算子显然是恒等算子。

构造以下的\(T_1\)和\(T_2\)：

\[T_1v_1=v_2,\quad T_1v_2=v_2,\\ T_2v_1=v_1-v_2,\quad T_2v_2=0. \]

若是\(\dim V>2\)，则在其余维度上是恒等的。此时\(T_1\)和\(T_2\)都不是满射（可自行验证），可是

\[T_1+T_2=I_V. \]

第二题（3.D 9） 设\(V\)是有限维的，\(S,T\in\mathcal L(V)\)。证实\(ST\)可逆当且仅当\(S,T\)均可逆。

假设\(T\)不可逆，则\(T\)不是单射，存在\(v_1\)使得\(Tv_1=0\)。则\(STv_1=0\)，故\(\mathrm{null}(ST)\ne \{0\}\)。

假设\(S\)不可逆，则\(S\)不是满射，\(\exists w\in V\)使得不存在\(v\)，\(Sv=w\)，那么\(\forall D\in\mathcal L(V)\)必有\(STDw\ne w\)，即任何\(D\)都不是\(ST\)的逆。

第三题（3.D 16） 设\(V\)是有限维的，\(T\in\mathcal L(V)\)。证实：\(T=\lambda I_V\)当且仅当对每一个\(S\in\mathcal L(V)\)都有\(ST=TS\)。

这题比看上去要难，本来我认为应当使用反证法，可是答案却给出了正向证实的方式。其思路就在于，若是\(T=\lambda I_V\)，则对任何\(v\)，\(v\)与\(Tv\)线性相关。

必要性是显然的。

下证充分性。已知\(ST=TS,\forall S\in\mathcal L(V)\)，先证实\(v\)和\(Tv\)必是线性相关的，若是否则，则\(v,Tv\)能够被扩充成一组基：\(v,Tv,u_1,\cdots,u_n\)，定义这样的\(S\in\mathcal L(V)\)，使得

\[S(av+bTv+c_1u_1+\cdots+c_nu_n)=bv, \]

有\(STv=v\)且\(Sv=0\)，由\(ST=TS\)获得

\[STv=v=TSv=0, \]

这与\(v,Tv\)线性无关矛盾，因此\(v,Tv\)必然是线性相关的，这样就存在一个与\(v\)相关的\(a_v\)，使得

\[Tv=a_vv, \]

下证\(a_v\)与\(v\)无关，找到另一个\(w\in V\setminus\{0\}\)，有\(Tw=a_ww\)，下证\(a_v=a_w\)。

当\(v,w\)线性相关时，有\(v=bw\)，则

\[a_vv=Tv=bTw=ba_ww=a_wv, \]

因此\(a_v=a_w\)。

当\(v,w\)线性无关时，有

\[a_{v+w}(v+w)=T(v+w)=Tv+Tw=a_vv+a_ww, \]

移项就获得

\[a_v=a_{v+w}=a_w. \]

这说明\(a_v\)与\(v\)无关，故必有\(Tv=av\)，即\(T=aI_V\)。

第四题（3.D 17） 设\(V\)是有限维的，且\(\mathcal E\)是\(\mathcal L(V)\)的子空间使得\(\forall S\in \mathcal L(V)\)和\(T\in\mathcal E\)，都有\(ST\in\mathcal E\)和\(TS\in\mathcal E\)。证实\(\mathcal E=\{0\}\)或\(\mathcal E=\mathcal L(V)\)。

这题要从\(\mathcal L(V)\)的结构入手，注意到\(\mathcal L(V)\)是一个\(n^2\)维的线性空间。我想，从矩阵角度来作会不会更清晰一些。

必要性是显然的，下证充分性。

设\(e_1,\cdots,e_n\)是\(V\)的一个基，每个线性映射\(T\)对应的矩阵为\(\mathcal M(T)\)，\(\mathcal E\)中线性映射对应的矩阵构成的集合是\(\mathcal M(\mathcal E)\)。

取\(T\in\mathcal E,T\ne 0\)，则\(T\)对应的矩阵至少含有一个\(0\)元素，不妨设\(\mathcal M(T)_{j,k}\ne 0\)。

记\(\Delta _{a,b}\)指的是第\(a\)行第\(b\)列为\(1\)，其它元素为\(0\)的矩阵，则因为\(\Delta_{a,j}\in\mathbb{F}^{n,n}\)，

\[\Delta_{a,j}\mathcal M(T)=\Delta_{a,k}, \]

因此\(\Delta_{1,k},\cdots,\Delta_{n,k}\in\mathcal M(\mathcal E)\)。对每个\(a\)，因为\(\Delta_{k,b}\in\mathbb{F}^{n,n}\)，

\[\Delta_{a,k}\Delta_{k,b}=\Delta_{a,b}, \]

因此\(\Delta_{a,b}\in\mathbb{F}^{n,n}\)。在证实过程当中，\(a=1,\cdots,n\)，\(b=1,\cdots,n\)，这就证实了\(\mathcal M(\mathcal E)=\mathbb{F}^{n,n}\)。

因为\(\mathcal L(V)\)与\(\mathbb{F}^{n,n}\)同构，因此将每个矩阵当作线性映射，就能有相同的结论，即\(\mathcal E=\mathcal L(V)\)。