w wyl123ly 的博客
MD

8-2-线性变换的矩阵表示

103 KB 2026.10.11 原文件

8-2-线性变换的矩阵表示

一句话概括

上一节说" 由它在基上的像完全决定"。这一节把这句定性的话变成一条可计算的公式:

设 是 的一组基,则存在唯一的 矩阵 使 在 下的作用等于"乘 ",而且

这就是 Strang 反复强调的"矩阵是线性变换的记账本":换一组基,只需换一个记账本。

本篇覆盖:核心结论的完整论证、标准基下矩阵即通常的矩阵、三个完整例子(投影到直线、旋转 、微算子作用在多项式空间上)、矩阵与变换的对应字典(乘法 ↔ 复合、可逆 ↔ 可逆、 ↔ 恒等)、核与像(kernel / image)与秩—零化度定理的变换版本、单射 / 满射 / 双射与"列无关 / 列张成 / 可逆"的对应表、相似矩阵的引出与基变换矩阵的构造例题。

一、定义

1.1 坐标向量

要写出"矩阵",先得把向量变成"一列数"。这需要坐标的概念。

定义 8.2.1(坐标向量,coordinate vector) 设 是 的一组有序基(ordered basis)。由 3-4-线性无关基与维数 的基表示定理,任意 可以唯一地写成

这组唯一的系数按顺序排成的列向量

称为 在基 下的坐标向量(coordinate vector), 称为第 个坐标。

"有序"二字不能省

基必须看成有序的:把 与 交换位置,同一向量 的坐标向量就变成把两行交换后的结果。矩阵的列顺序与基的顺序必须严格对应,否则"第 列 的坐标"这条公式就会错位。

例(标准基下的坐标) 取标准基 。若 ,则 ,故

在标准基下,坐标向量就是向量本身。这就是为什么平时我们从不区分"向量"与"它的坐标"——因为默认基就是标准基。

1.2 线性变换在给定基下的矩阵

定义 8.2.2( 在基下的矩阵) 设 是线性变换, 是 的一组基, 是 的一组基。对每个 ,把像 用基 唯一表示:

把系数按列排成 矩阵

则称 为 关于输入基 与输出基 的矩阵,记作 。若 ( 且两组基相同),简记 。

用坐标向量写, 与 合起来就是本节的主公式:

一句话: 的第 列,就是第 个输入基向量的像在输出基下的坐标。

记号里的 别写反

读作"从 到 "。右边是被作用的基(输入),左边是结果所在的基(输出)。这个方向与"矩阵左乘向量"的方向一致:。若 ,箭头两端相同,写 即可,本篇后面主要用这种情形。


二、几何直观

2.1 矩阵是"记录的格子"

上一节说:线性变换 的全部信息压缩在 个像 里。可是这 个像本身是 中的几何对象(箭头),怎么把它们变成数字?

答案是:用一组基当"尺子"去量它们。取定 的基 ,把每个 量出 个坐标,填进矩阵的第 列。于是

  • 列 ↔ 个输入基向量的像;
  • 行 ↔ 输出空间的 个"测量方向"。

所以矩阵是一个双向依赖的对象:它既依赖"输入用什么基描述",也依赖"输出用什么基描述"。矩阵不是 的固有属性,而是 加上两组基之后的产物。

换一个比喻

把 想成一件实物,把基想成"坐标系"(尺子的刻度方式),把矩阵想成"这件实物在某个坐标系里量出来的尺寸表"。实物没变,但换一套尺子量,尺寸表就全变了。

本节的公式 的含义就是:"量出来"这件事本身是线性的,所以可以先用矩阵把坐标算完,再翻译回几何。

2.2 两个"极端"例子带来的直觉

(a) 输出基取标准基:矩阵的列就是像本身。 若 (标准基),则由 得

这正是上一节 的结论的推广。列就是像,看得见摸得着。

(b) 输入基也取标准基:矩阵就是"通常的矩阵"。 若 ,则 的第 列是 ,于是对一切 有 。这就是从第 1 章一直用到现在的"矩阵"。

(c) 若 恰好是特征向量基,矩阵就变成对角矩阵。 因为此时 , 在基 下的坐标是 ——只有一个非零分量。于是

这就是"对角化 = 找一组好基"的全部内容,也正是 6-2-矩阵的对角化 的变换视角。下一节 8-3-相似矩阵与基变换 会把这件事讲透。


三、性质与定理

3.1 核心定理:坐标版的线性性

定理 8.2.1(矩阵表示定理) 设 线性, 是 的基, 是 的基, 由 定义。则对一切 成立

证明

第一步:把 用输入基 展开。 设 ,即

第二步:用线性性把 展开成 的组合。 由定理 8.1.2(线性变换保持线性组合):

第三步:把每个 换成它的坐标表示。 由定义 ,。代入:

第四步:读出坐标。 上式是 关于基 的线性组合表示。由于基下的表示唯一,第 个坐标就是括号里的和:

第五步:认出这是矩阵乘法。 上式右端逐分量正是"矩阵 的第 行与向量 的内积":

因此

这个证明"没有内容"——这正是它的美

定理 8.2.1 的证明只用了两件事: 的线性性与坐标表示的唯一性。换句话说:只要 的列按 定义,主公式就自动成立,不需要任何额外条件。这就是"矩阵乘法的定义为什么必须是行乘列"的最深层解释——它是唯一能让" 的坐标 的坐标"这条线性规则成立的排法。

3.2 矩阵与变换的对应字典

下面的对应关系是本节最实用的结论,它让"关于矩阵的定理"可以随时翻译成"关于变换的定理",反之亦然。

变换的语言矩阵的语言说明
恒等变换 单位矩阵 对任何 成立
变换的复合 矩阵乘法 顺序相同,先作用的在右边
变换的加法 矩阵加法 定义
数乘 数乘 —
可逆变换 逆矩阵 :仅当 且 可逆
核 零空间 维数
像 列空间 维数
单射 的列线性无关等价于
满射 的列张成整个陪域等价于
双射 可逆要求
可对角化基 由特征向量组成

复合对应矩阵乘法的证明:设 、,、。对任意 ,连用两次定理 8.2.1:

由于这对一切 成立,且"坐标映射"是一一对应,故 。

矩阵乘法不满足交换律,正是变换复合不可交换的翻译

一般成立,对应 (见例题 8.1.2)。不要把"矩阵乘法不交换"当成一条孤立的规定——它是几何事实的反映:先转再剪 ≠ 先剪再转。

3.3 核与像:零空间与列空间的变换语言

定义 8.2.3(核,kernel) 设 线性。 的核定义为被 映成零向量的全体输入:

定义 8.2.4(像,image) 的像定义为全体输出:

(像有时也记作 或 ,秩记作 。)

定理 8.2.2(核与像都是子空间)

  1. 是 的子空间;
  2. 是 的子空间。

证明

(1) 需验三条(对照 3-1-向量空间):

  • ,因为 (定理 8.1.1)。
  • 若 ,则 ,故 。
  • 若 、 为标量,则 ,故 。

(2) 在定理 8.1.3 中取 ( 本身是子空间)即得。

定理 8.2.3(核与像的矩阵版本) 设 ()。则

即: 的核在坐标下就是 的零空间, 的像在坐标下就是 的列空间。

证明思路 由定理 8.2.1,。又 是双射,故核对应零空间。像的情形: 由 张成(因为 ),而这些向量在基 下的坐标正是 的各列,故像对应列空间。

3.4 秩—零化度定理(变换版本)

定理 8.2.4(秩—零化度定理 / 维数定理) 设 线性,则

即"零化度 秩 定义域维数"。用矩阵语言写就是 ,见 3-4-线性无关基与维数 与 3-5-四大子空间的维数。

证明 设 。取 的一组基 ,由基扩充定理(3-4-线性无关基与维数),可把它扩充成 的一组基

要证: 是 的基。

(一)它们张成 。 取任意 ,则 对某个 。把 用上述基展开:。于是

(前 项为零是因为 。)故 张成 。

(二)它们线性无关。 设 。由线性性,

即 。于是 可以写成 的基的组合:。两式相减:

由于 线性无关,所有系数必须为零,特别地 。故线性无关。

由(一)(二), 是 的基,共 个向量,所以

移项即得结论。

适用条件与常见误用

- 定理要求 线性、定义域有限维。对非线性映射不成立;对无限维空间(如多项式空间 本身)需要更细致的条件。

- 定理不要求 。无论输入输出维数如何,右边的 永远是定义域的维数。

- 常见误用:把它写成 。错。想象把 投影到 轴()恰好两边都为 2 所以看不出区别,但把 映到 的满射:、,和为 。

3.5 单射、满射、双射

定义 8.2.5 设 线性。

  • 是单射(injective,一对一),若 必有 ;
  • 是满射(surjective,映上),若 ,即每个 都是某个 的像;
  • 是双射(bijective,一一对应),若它既单射又满射。

定理 8.2.5(单射的判别) 单射 。

证明

()设 单射,取 ,则 。由单射性得 。故 。

()设 ,且 。由线性性,

故 ,即 。所以 单射。

定理 8.2.6(对应表) 设 是 关于某组基的 矩阵,。则

变换性质 的性质秩条件
单射 的列线性无关(各列构成 中无关组)
满射 的列张成
双射(可逆) 可逆

证明 由定理 8.2.3 与 8.2.5:

  • 单射 的列线性无关 。
  • 满射 的列张成 。
  • 双射 两者同时成立 是方阵且满秩 可逆。

推论 8.2.1(维数限制) 若 (输入维数大于输出维数),则 不可能是单射(因为 ,必有非平凡核);若 ,则 不可能是满射(因为 )。直观说法:"多对一"不可避免(降维必有信息损失),"不满"也不可避免(升维必有达不到的方向)。

3.6 相似矩阵的引出

现在考虑一个自然的问题:同一个线性变换 ,在两组合不同的基下,矩阵之间是什么关系?

定理 8.2.7(换基公式 / 相似关系) 设 与 都是 的基。记 是"新基在旧基下的坐标"按列拼成的矩阵(基变换矩阵,详见 8-3-相似矩阵与基变换):

设 、。则

证明 只需证明一个更基本的坐标变换公式。设 ,其在新旧基下的坐标分别为 与 。

第一步:坐标怎么换算。 把 用新基展开:,其中 。写成"列的线性组合"就是

现在把两边都换成旧基 下的坐标。对左边用 ;对右边,注意"取坐标"这个操作是线性的(因为 就是解一个线性方程组,等价于乘一个固定矩阵),于是

第二步:对 用同一公式。 把 换成 :

第三步:用两个矩阵的定义各算一次 。

一方面,由 与定理 8.2.1:

另一方面,把 里的 用 替换:

第四步:比较 与 。 两式对一切 相等,取 ()比较第 列,得 。由于 的列是新基向量在旧基下的坐标、新基线性无关,故 可逆,两边左乘 :

这条公式的两种读法

- 几何读法: 没变,只是换了一套坐标系看它,所以两个矩阵"描述同一件事"。满足这种关系的两个矩阵叫做相似(similar)。

- 计算读法: 意味着"先翻译成旧坐标(),用旧矩阵作用(),再翻译回新坐标()"。三个因子连起来读就是一句完整的话。

详细的相似理论、相似不变量、对角化与 Jordan 形,见 8-3-相似矩阵与基变换。


四、计算方法与步骤

4.1 求 在给定基下的矩阵(标准流程)

输入:线性变换 、输入基 、输出基 。

  • 步骤 1:对 ,逐一计算 。(只需代入 的公式。)
  • 步骤 2:把 表示成 的线性组合,解线性方程组

若 是标准基,这一步无需计算,直接读分量。

  • 步骤 3:把解得的系数 竖着填进 的第 列。
  • 步骤 4(检验):把矩阵作用于某个输入基向量的坐标(例如 ,即 ),看是否得到 。

步骤 2 的实用技巧

若输出基是标准基 :跳过步骤 2, 的第 列就是 本身。

若输出基不是标准基但已知"标准基 ↔ 输出基"的换算矩阵 (列是 ),则 ——一次解方程批量算完所有列。

4.2 由"变换的几何描述"造矩阵

很多题目不给公式,只给几何描述("投影到直线 "、"绕原点转 ")。此时:

  • 步骤 1:先造标准基下的矩阵 :把 的像直接写出来(用几何判断,不必算)。
  • 步骤 2:若题目要求在某组基 下的矩阵,用 ,其中 的列是 中向量(标准坐标)。
  • 步骤 3:检验:、(相似不变量,见 8-3-相似矩阵与基变换)。数值不等就说明算错了。

4.3 求核与像的基(变换版)

步骤 1:写出任意一组基(最方便是标准基)下的矩阵 。

步骤 2:求 的基——解 ,把自由变量轮流取 1 得到特解。这些 的坐标对应 的基向量:若 ,则 就是 的基向量。

步骤 3:求 的基——先对 做行化简找出主元列(第 列),则

就是 的一组基。注意两点:

  • 取的是主元列对应的那些 本身(它们是 中的真实向量),不是把 的主元列直接当成像向量。若输出基 不是标准基,还需要用 把坐标还原成向量:。
  • 若输出基是标准基,这一步可以直接读 的主元列作为基向量。

步骤 4(校验): 必须等于 。不等就回头查。


五、例题

例题 8.2.1(投影与旋转在非标准基下的矩阵)

设 是把向量正交投影到直线 的线性变换; 是逆时针旋转 。

给定基 。

(1) 求 在标准基下的矩阵 ,并求在 下的矩阵 。

(2) 求 在 下的矩阵 。

(3) 解释为什么两个答案的"简洁程度"差别很大。

解

(1) 第一步:求标准基下的矩阵 。

投影到直线 的几何效果:向量 的投影是 。验证:对 得 ;对 得 。所以

第二步:算 与 。 几何观察最省事: 本身就在直线 上,投影到自身; 与直线垂直,投影到零向量。

第三步:把像写成 的组合。

第四步:拼矩阵。

几何解释:在基 下,投影的作用被描述得极其干净——"保留第一个坐标(沿直线的分量),抹掉第二个坐标(垂直分量)"。这正是选对基的价值。

(2) 第一步:算 在标准基下的矩阵。

第二步:算 与 。

第三步:把像写成 的组合。 注意观察:

(第一个等式的验证:,确实。)

第四步:拼矩阵(第 1 列是 ,第 2 列是 ):

几何解释: 与 不是旋转的"好基"——旋转把 送到 方向、把 送到 方向,两个基向量"互相换位",所以矩阵是 (一个带符号的置换)。

(3) 为什么简洁程度差别大?

投影 的"自然方向"就是 与 :一个方向被完全保留、一个方向被完全抹掉,两者互不干扰,所以矩阵是对角矩阵。旋转 没有"被保留的方向"——平面上任何一个非零向量转过 后都不再与自身共线,所以 中不存在旋转的特征向量(实特征值),也就不可能存在一组把旋转矩阵对角化的基。

验证这个说法: 的特征多项式是 ,无实根。确实没有实特征向量。

这个例题给出的方法论

选基的目标就是让矩阵尽量"接对角"。当变换有足够多的特征向量时,取特征向量作基就得到对角矩阵(6-2-矩阵的对角化);当特征向量不够(如旋转)时,最简形式只能到 Jordan 形或块对角(8-3-相似矩阵与基变换)。

例题 8.2.2(微分算子作用在多项式空间上)

设 是次数不超过 2 的实系数多项式构成的向量空间:

定义微分算子 ,。

取基 (按这个顺序)。

(1) 验证 是 3 维向量空间、 是一组基。

(2) 验证 是线性变换。

(3) 求 。

(4) 用矩阵验算 。

(5) 求 与 ,验证秩—零化度定理。

解

(1) 是 3 维的, 是基。

中的元素是多项式,我们规定加法是"多项式相加"、数乘是"常数乘多项式"。在这两种运算下 满足向量空间的八条公理(加法交换结合、零元是零多项式 、负元是取相反系数、数乘分配律等),所以它是向量空间。元素是多项式而不是数组,不影响它是向量空间。

它与 的对应关系是"系数抽取":

这是一个保持加法与数乘的双射(同构),所以 。

张成 (每个多项式按定义就是它们的组合)且线性无关(若 是零多项式,即对一切 取值为 0,则所有系数为 0),故 是基。

(2) 线性。

对任意 与标量 ,由导数的基本性质:

两条都成立, 线性。微积分里那两个"导数可以逐项拆开、常数可以提出"的公式,正是线性性的两条要求。

顺便验证 确实把 映入自身:,所以导函数仍是次数不超过 2 的多项式。(这一点很重要:若 的值域跑出 ,就不是" 上的算子"了。)

(3) 求 。 按定义逐个算基向量的像。

第 1 个基向量:。写成基的组合:

第 2 个基向量:。

第 3 个基向量:。

把三个坐标按列排成矩阵:

关键观察: 是幂零矩阵

,所以 叫做幂零矩阵(nilpotent)。几何含义:连续求导 3 次,任何次数不超过 2 的多项式都变成零。这解释了为什么 不可对角化:它唯一的特征值是 (三重),但对应的特征空间只有 1 维(常数多项式),特征向量不够,无法拼成 的基。这是"矩阵不可对角化"的最自然的现实例子。

(4) 验算 。

先按定义直接算:

再用矩阵算。输入多项式的坐标是 ,于是

读回多项式:。与直接求导一致。矩阵乘法就是求导的机械化版本。

(5) 核与像。

核:解 ,即

故 ,。

翻译回多项式:坐标 对应 ,所以

几何/分析解释:导数为零的函数就是常数,这与微积分完全一致。

像: 的列是 、、。主元在第 1、2 列(第 1 行第 1 个非零在第 1 列,第 2 行第 2 个非零在第 2 列),所以 ,且

翻译回多项式:

( 即次数不超过 1 的多项式全体。)

解释:任何次数不超过 2 的多项式的导函数次数不超过 1;反之任何 都是某个多项式的导数(取 )。所以像是 。

验证秩—零化度定理:

补充:为什么这个例子不能对角化? 的特征多项式是

特征值只有 (代数重数 3)。而 只有 1 维,几何重数 1 代数重数 3。特征向量不够,故不可对角化。这就要求下一节的 Jordan 形工具。

例题 8.2.3(基变换矩阵的构造与相似验证)

设 在标准基下的矩阵为

取新基 (注意:这里把标准基记作 ,新基记作 )。

(1) 写出基变换矩阵 ,并验证 可逆。

(2) 求 在新基下的矩阵 。

(3) 验证 与 的特征值相同。

解

(1) 基变换矩阵 。 按定义, 的列是新基向量在旧基(标准基)下的坐标。在标准基下坐标就是向量本身,所以

可逆性:

故 可逆。这与" 线性无关"是同一件事。

求逆( 公式:,见 2-4-矩阵运算与逆矩阵):

校验:。

(2) 求 。 分三步算,避免出错。

第一步:算 。

第二步:左乘 。

逐元素计算:

所以

第三步:用"逐列验证"复核。 由定义, 的第 列应当是 在 下的坐标。

所以 、,坐标分别是 与 ,拼起来正是 。两条路径一致。

几何解读:、 恰好是 的特征向量,特征值是 4 与 2。所以在新基下 变成"沿 方向伸长 4 倍、沿 方向伸长 2 倍"的纯伸缩——两个方向互不干扰。这就是对角化的几何内容。

(3) 验证特征值相同。

对 :特征多项式

特征值 、。

对 (对角矩阵,直接读对角线):特征值 、。

两者相同。 另外两个相似不变量也对得上:

相似不变量的检验作用

若你算出的 与 的迹或行列式不等,一定是算错了(或者 的列顺序与 的列顺序没对齐)。这条检验在考场上能救回不少分。相似不变量的完整清单见 8-3-相似矩阵与基变换。


六、应用

6.1 微分方程:选基把耦合系统解耦

线性微分方程组 的解可以写成 。直接算矩阵指数很麻烦,但如果换成特征向量基, 变成对角矩阵 ,于是

是逐元素的简单指数。这就是用变换的视角解微分方程:在特征向量基下, 个耦合的方程变成 个互不相干的独立方程。详见 6-3-微分方程组与矩阵指数。

6.2 图形学:世界坐标、相机坐标与模型坐标

渲染管线中同一个物体要经历"模型坐标 → 世界坐标 → 相机坐标 → 屏幕坐标"多次换基。每一步都是一次 。物理对象没变,只是描述它的坐标系变了。 这也解释了为什么旋转矩阵在物体自身坐标系下可能是 ,到了世界坐标系下就变成别的样子。

6.3 数值线性代数:为什么"选基"决定成败

  • SVD 选择两组正交基,使矩阵在这两组基下变成对角矩阵 (对角元是奇异值)。这是"用两组不同的基"的情形——比相似变换更灵活,因此对任意矩阵(不必方阵)都能做到。见 7-1-SVD的构造与几何意义。
  • QR 分解 选择一组正交基来描述列空间,使数值计算稳定。见 4-4-标准正交基与Gram-Schmidt。
  • 条件数 本质上依赖基的选择:同一变换换成一组"接近平行"的基,矩阵就会病态。见 11-2-范数与条件数。

一句话总结工程视角:算法设计的核心问题常常不是"怎么算",而是"用哪组基算"。

6.4 用 numpy 验证本节的公式

只依赖 numpy,无需额外安装。

import numpy as np

# ---------- 例题 8.2.2 的微分算子 ----------
D = np.array([[0.0, 1.0, 0.0],
              [0.0, 0.0, 2.0],
              [0.0, 0.0, 0.0]])   # 基 {1, x, x^2} 下 d/dx 的矩阵

p = np.array([3.0, 5.0, -2.0])    # 代表 3 + 5x - 2x^2
dp = D @ p
print("dp/dx 的系数 =", dp)        # [5. -4.  0.]  ->  5 - 4x

print("rank D =", np.linalg.matrix_rank(D))          # 2
print("D^3 = \n", np.linalg.matrix_power(D, 3))      # 全零,幂零
print("det(D - 0*I) 的零点即特征值:", np.linalg.eigvals(D))  # [0. 0. 0.]

# ---------- 例题 8.2.3 的相似变换 ----------
A = np.array([[3.0, 1.0], [1.0, 3.0]])
M = np.array([[1.0, 1.0], [1.0, -1.0]])   # 列 = 新基向量(标准坐标)
B = np.linalg.inv(M) @ A @ M
print("B = \n", np.round(B, 10))          # [[4. 0.] [0. 2.]]

print("tr  A, tr  B =", np.trace(A), np.trace(B))          # 6.0 6.0
print("det A, det B =", np.linalg.det(A), np.linalg.det(B))# 8.0 8.0
print("eig A =", np.sort(np.linalg.eigvals(A)))            # [2. 4.]
print("eig B =", np.sort(np.linalg.eigvals(B)))            # [2. 4.]

# ---------- 无标准基时"重新造矩阵"的通用做法 ----------
# 已知 [T]_{C<-B} = A,求 [T]_{C'<-B'}
# 需要两组新基的坐标矩阵 MB(输入侧)与 MC(输出侧)
# 公式: [T]_{C'<-B'} = inv(MC) @ A @ MB
MB = np.array([[1.0, 1.0], [1.0, -1.0]])   # 新输入基在旧输入基下的坐标
MC = np.array([[1.0, 0.0], [0.0, 1.0]])    # 这里输出基不变
print("换基后 = \n", np.round(np.linalg.inv(MC) @ A @ MB, 10))

# ---------- 例题 8.2.1 的投影 ----------
P = np.array([[0.5, 0.5], [0.5, 0.5]])
V1 = np.array([1.0, 1.0])
V2 = np.array([1.0, -1.0])
Bproj = np.linalg.inv(np.column_stack([V1, V2])) @ P @ np.column_stack([V1, V2])
print("[T1]_B = \n", np.round(Bproj, 10))   # [[1. 0.] [0. 0.]]

运行要点:

  • np.linalg.eigvals 对实矩阵可能返回复数数组;用 np.round(..., 10) 去掉浮点噪声后再看。
  • np.column_stack([V1, V2]) 把两个向量按列拼成矩阵,正是"基变换矩阵 "的构造方式。
  • 秩用 np.linalg.matrix_rank(基于 SVD 的阈值判定,见官方文档):它能自动处理浮点误差导致的"近似零"问题,比手动数主元稳健。
  • 若矩阵接近奇异,np.linalg.inv 会给出很大的数值误差——此时应改用 np.linalg.solve 或 lstsq(见 11-2-范数与条件数)。

七、易错点

易错点清单

1. 列的顺序与基的顺序不对齐。 的第 列必须对应第 个输入基向量的像。若把基的顺序调换,矩阵的列也要同步调换,否则一切结论都错。

2. 把 直接当坐标填进列。只有当输出基是标准基时, 才等于它的坐标。输出基若不是标准基,必须先解线性方程组求出组合系数(这是最常被漏掉的一步)。

3. 混淆"输入基"与"输出基"。 时, 列来自输入基、 行来自输出基。若 ,输入基与输出基各有一套(本例中相同,但不是必然)。

4. 把 的基向量写成坐标形式而不是几何向量。解 得到的是坐标 ; 的基向量是 。若 是标准基,两者碰巧相同,容易掩盖这个区别。

5. 把 记成 。右边永远是定义域维数 。见定理 8.2.4 后的提醒。

6. 认为"矩阵不同就说明变换不同"。同一个 在不同基下矩阵完全不同(例题 8.2.3 中 与 )。矩阵相同才是巧合,矩阵不同才是常态。

7. 把相似与相等混为一谈。 中的 一般不等于 。相似只保证"描述同一个变换",不保证元素相同。只有 时才有 。

8. 以为"单射"和"满射"可以随便满足。由推论 8.2.1, 时必不单射、 时必不满射。很多"找不出反例"的困惑都源于忽略了这个维数限制。

9. 忘记 必须映入自身才能谈" 上的算子"。微分算子作用在 上是合法的,但作用在 (一次多项式空间)上就不封闭(导数是常数,仍在里面——其实封闭),真正不封闭的例子是积分算子作用在 上()。做题前务必确认封闭性。


八、练习题

练习 8.2.1(基础) 设 在标准基下的矩阵为 。取基 。

(a) 求基变换矩阵 及其逆。

(b) 求 ,并用"算 再求坐标"的方法逐列验证。

(c) 验证 与 在换基前后不变。

练习 8.2.2(基础) 判断下列说法是否正确,并说明理由。

(a) 若 线性,则 一定不是单射。

(b) 若 线性,则 一定不是满射。

(c) 若 线性且 ,则 是满射。

(d) 若 线性且 ,则 。

练习 8.2.3(进阶) 设 ,,基取 。

(a) 写出 。

(b) 求 与 ,并验证秩—零化度定理。

(c) 求 的全部特征值,说明为什么它不可对角化。

(d) 计算 ,并解释结果的几何/分析意义。

练习 8.2.4(进阶) 设 由

定义。

(a) 求 在标准基下的矩阵 。

(b) 求 与 的基,验证 。

(c) 取基 ,求 。

(d) 说明 (c) 的结果为什么是分块对角形式,并解释其几何含义。

练习 8.2.5(思考) 设 线性, 是它在任意一组基下的矩阵,且 。

(a) 证明 (即 对一切 成立)。

(b) 证明 (即每个 可以唯一地写成一个核中向量与一个像中向量之和)。

(c) 举例说明 (b) 中的分解在投影变换下是什么样子。

(d) 若 但 且 , 是否可逆?为什么?


九、常见问题 FAQ

Q1:为什么 的第 列是 的坐标,而不是反过来第 行?

这是由"矩阵乘法如何作用于向量"决定的。矩阵乘向量 的定义是" 的列的线性组合":

其中 表示 的第 列。

我们希望输入"只用第 个基向量的坐标"(即 )时,输出正好是"第 个基向量像的坐标"(即 )。代入上式: 的展开只有一个非零项 ,所以第 列必须是 。

如果反过来把像填进行, 会取到第 行,那就变成了"输出的第 个分量由输入的第 个分量决定"的奇怪对应,主公式 就不成立了。列优先是由" 是列的线性组合"这条 Strang 主线决定的,见 1-1-向量与线性组合。

Q2:为什么相似矩阵的两个矩阵"行列式相同"是必然的?

因为 。行列式描述的是体积伸缩率——这是变换 的几何属性,不该依赖你用什么尺子去量它。同理迹、特征值、秩、特征多项式都是相似的"不变量"。

(这条也是判断两个矩阵不相似的有效手段:只要有一个不变量不同,就必然不相似。但反过来不成立:不变量全同也未必相似,需要比较特征值的"特征向量够不够",详见 8-3-相似矩阵与基变换。)

Q3:核与像和第四章的零空间、列空间是不是同一件事?

是同一件事的两种语言。 对矩阵 :

  • 的坐标集合就是 (零空间);
  • 的坐标集合就是 (列空间)。

区别只在于"要不要把坐标翻译回几何向量":

  • 若基是标准基,坐标就是向量本身,两者写法完全一致;
  • 若基不是标准基, 的元素是坐标列,而 的元素是原空间中的向量。

所以第三章学的全部技术(消元求零空间、主元列求列空间、秩—零化度定理)可以直接搬过来用,只需要在最后一步把坐标翻译成向量。四大子空间的完整图景见 3-5-四大子空间的维数。

Q4:为什么一定要区分"输入基"和"输出基"?用一个基不行吗?

当 (方阵情形)时,通常取输入基与输出基同一组,写作 ,这也是本篇主要的情形。但一般情况下必须分开:

  • 且 :输入输出空间不同,"同一组基"根本无从谈起。
  • (微分):输入空间是 3 维、输出空间是 2 维,必须各取一组基。
  • 即使方阵也可能需要两组不同的基:这正是 SVD 的出发点——它允许左、右各用一组正交基,从而把任意矩阵化为对角矩阵 (相似变换做不到这一点,因为它只允许左右用同一组基的"逆转置"关系)。

每多一个自由度,就能换来一个更简单的矩阵。 这是理解 SVD 优于对角化的关键一句,详见 7-1-SVD的构造与几何意义。


十、深入:抽象线性空间中的矩阵表示与同构(国内教材补充)

这一节在补什么

上一节 8-1-线性变换的思想 的第十节已经建立了线性空间(八条公理)、同构、线性变换的运算与核与值域。这一节把那套抽象工具接到矩阵上,回答三个问题:

1. 抽象空间里的线性变换,矩阵怎么写? —— 答案与 里一模一样: 的第 列是 的坐标。但"坐标"这个词现在要在一般基下理解(定理 8.2.8)。

2. 换了基,矩阵怎么变? —— 的完整推导(含"为什么两个基变换矩阵互为逆"这一步,本篇前面的证明把它一笔带过了)。

3. 为什么抽象空间不会带来任何新困难? —— 因为同构:任意 维空间都同构于 ,所以"抽象空间上的线性变换"与"矩阵"之间的对应是一个同构(定理 8.2.10)。抽象不增加难度,只增加适用范围。

10.1 坐标映射:把抽象空间搬成

先把上一节的核心工具复述成一个"可以随时调用"的命题。

定理 8.2.8(坐标映射是同构) 设 是数域 上的 维线性空间, 是 的一组基。定义

则 是同构映射(即 )。

证明 与上一节定理 8.1.8 的证明逐字相同:良定义性来自"基下表示唯一",线性性来自"线性组合的系数逐项相加、逐项乘 ",双射性来自"每个坐标列都唯一对应一个线性组合"。

这个定理是整套"抽象 具体"翻译的唯一入口****

以后凡是遇到"在抽象空间 上做线性代数",一律按四步走:

1. 在 中取一组基 ;

2. 用 把一切搬到 (向量变坐标列、变换变矩阵、子空间变子空间);

3. 在 里用第 1–7 章的全部技术算;

4. 用 (即 )把答案翻译回去。

同构保证第 2 步与第 4 步不丢信息——这正是为什么"取坐标"这个动作看起来平淡却极其重要。

10.2 一般线性空间上的矩阵表示定理

定理 8.2.9(矩阵表示定理,一般版本) 设 、 分别是数域 上的 维与 维线性空间, 是线性变换。取

对每个 ,把像 用基 唯一表示:

把系数按列排成 矩阵 ,则对一切 成立

证明 与定理 8.2.1 的证明逐字相同,只是把 换成 、把 换成 。为了让你看清"抽象没有增加任何困难",这里再写一遍关键的三步。

第一步:把 用输入基展开。 设 ,即 (这里用到 是基,表示唯一)。

第二步:用线性性拆开。 由 线性(对任意多个向量的线性组合都保持,见上一节补充例题 8.1.C 后的说明):

第三步:代入 (8.2.6) 并交换求和次序。

第四步:读出坐标。 上式是 关于基 的线性组合表示,由表示唯一性,第 个坐标就是括号里的和 ,这正是矩阵乘法的第 个分量。故 。

对照两条定理,看清"抽象化"到底做了什么

| | 定理 8.2.1( 版) | 定理 8.2.9(抽象版) |

|---|---|---|

| 定义域 | | 任意 维线性空间 |

| 陪域 | | 任意 维线性空间 |

| 输入基 | | |

| 输出基 | | |

| 主公式 | | |

| 证明用到的工具 | 线性 表示唯一 | 完全相同 |

结论:抽象版本不多用一条工具,不多写一行推导。 唯一的差别是"向量"不再是数组,所以最后必须靠 才能把它变成可以计算的东西。

例(矩阵空间上的线性变换与它的矩阵) 取 ( 实矩阵空间, 维),定义 (转置)。

取基(按这个顺序)

逐个算像:

写成基的组合并读坐标:

拼成矩阵:

这是一个置换矩阵(交换第 2、3 个坐标),而且它是对称的、——正与"转置两次回到原处"()完全对应。

这个例子说明什么

矩阵的转置是"坐标空间里的一个置换"。 看起来很"抽象"的矩阵运算,取定基之后就是四个坐标的重新排列。这条观察在讨论 上的线性变换(例如 、、)时非常有用:把它们全化成 维数组上的矩阵问题。

同样地,把 按位置拉直成 这件事,也是 7-1-SVD的构造与几何意义 里"矩阵本身是向量"那句话的严格基础。

10.3 换基公式的完整推导(把每一步都补上)

定理 8.2.7 的证明里有一个关键论断只用了一句话带过:

"对右边,注意'取坐标'这个操作是线性的(因为 就是解一个线性方程组,等价于乘一个固定矩阵)"

国内教材在这里的处理更细:它先证一个独立的"坐标变换公式",再用它推换基公式。下面把这条路径完整写一遍,你会看到一个漂亮的"两个方向互为逆"()的论证。

设定 与 是 的两组基。记 是"新基用旧基表示"的系数矩阵:

即 的第 列是 。注意方向:列是"新基在旧基下的坐标"。

第一块:。

第 1 步:把 用新基展开,设 ,即

这一步用到" 是基 表示唯一"。

第 2 步:把 (8.2.7) 代入 (8.2.8):

第 3 步:交换求和次序(有限和可以随意交换,这也是"线性"的一种体现):

第 4 步:这是 关于旧基 的线性组合表示。由表示唯一性, 的第 个旧坐标就是括号里的数:

逐行合起来就是

第二块: 必可逆。

第 5 步:把上面四步反过来做一遍——即用旧基表示新基。因为 也是基,存在矩阵 使

即 的第 列是 。完全重复第 1–4 步(只需把两套基的角色互换)得

第 6 步:把 (8.2.9) 代入 (8.2.10):

第 7 步:把"对一切 "翻译成矩阵语言。取 ,则 ,于是 。让 遍历 ,比较各列得

第 8 步:由 2-4-矩阵运算与逆矩阵 的结论"",得 。于是

第三块:。

第 9 步:记 、。任取 ,对 用 (8.2.9):

第 10 步:用 的矩阵表示性质:

第 11 步:用 (8.2.9) 把 换成 :

第 12 步:用 的矩阵表示性质:

第 13 步:比较 (8.2.12) 与 (8.2.13)。两式对一切 相等,取 比较第 列,得

第 14 步:由第 5–8 步 可逆,两边左乘 :

这次推导补上了什么

本篇前面的证明(定理 8.2.7)把"坐标变换是线性的"当成已知,一步写出 。这次的推导只用"基下表示唯一"这一条就把 造出来了,并且顺手证明了两个方向的基变换矩阵互为逆()。

这条"互为逆"的结论有很大价值:

- 它说明"换过去再换回来"必须回到原处(),否则就说明某个矩阵算错了;

- 它是判断题里最好的自检工具——算出 后先算 ,验证 ,再往下做;

- 它也解释了为什么 一定可逆:如果 不可逆,那么"用旧基表示新基"能成功而"用新基表示旧基"会失败,但两组都是基,两者本该对称。

三个最容易写反的地方

1. 的列是"新基在旧基下的坐标"((8.2.7) 的方向)。写成"旧基在新基下的坐标",就会得到 而不是 。

2. : 把新坐标翻译成旧坐标。想反着翻译就要左乘 。

3. ,不是 ,也不是 。检验口诀:"先翻译成旧坐标() 用旧矩阵作用() 翻译回新坐标()",从左往右读矩阵乘法时先做最右边的,正好与这句话的顺序一致。

数值自检:取 (新坐标是 ),则 应当等于 ,也就是 的第 1 列。用具体数字验一次,比背十遍公式有用。

10.4 从抽象空间到矩阵:一个同构

定理 8.2.10( 与矩阵空间同构) 设 是数域 上的 维线性空间, 是 上全体线性变换的集合(配上一节定义的加法与数乘), 是 的一组基。则"取矩阵"映射

是一个同构(即 ,且 保持加法、数乘,并且保持乘法)。

证明思路

第 1 步: 是双射。

  • 满射:任给矩阵 ,定义 ,即"取坐标 乘 翻译回去"。由构造,。
  • 单射:若 ,则对一切 有 ,故 ,即 。

第 2 步: 保持加法与数乘。 对任意 ,

(中间一步用了"取坐标是线性的")故 。数乘同理。

第 3 步: 还保持乘法。 这就是本篇 3.2 节已经证过的 。

第 4 步:结论。 由第 1–3 步, 是同构。又 ,故 。

这条定理的份量

它把"线性变换的线性代数"与"矩阵的线性代数"完全等同起来。具体地说:

- 关于变换的每个命题,都能翻译成关于矩阵的命题,反之亦然(字典见 3.2 节);

- 可逆性、秩、核、像、复合、逆变换、多项式全部对应;

- 唯一不同的是"相似":矩阵的"相似"对应变换的"同一变换换基"(矩阵的"相等"才是"同一个变换同一组基")。

所以线性代数可以只用矩阵来教(这是国内教材的主流做法),也可以用变换来教(Strang 的偏好),两者不会矛盾——它们说的是同一个结构的两种语言。

10.5 补充例题(完整解答,不跳步)

补充例题 8.2.A(抽象空间:矩阵空间上的线性变换与核/像)

设 是全体 实矩阵构成的线性空间( 维),定义两个变换

(1) 证明 都是线性变换;

(2) 取基 (顺序如 10.2 节),求 与 ;

(3) 求 、、、 的维数;

(4) 验证 ,并解释它对应的几何内容。

解

第 1 步(线性性)。 对任意 与 :

(用了转置的两条基本性质:、。)故 线性。 完全同理(把减号换成加号)。封闭性: 仍是 实矩阵,故确实映入自身。

第 2 步(求矩阵):逐个算基矩阵的像。

对 :

按顺序 读坐标(坐标是"各个 的系数"):

对 :

第 3 步(求核与像的维数):用秩—零化度定理,。

对 : 观察 ,中间的 块 秩为 (两行成比例),其余全零,故 。于是

翻译回矩阵语言: 对称,而 对称矩阵的空间维数是 ( 三个自由参数,)。与 完全一致。

值域: 的像由 张成,即

对 : 中间的块 秩为 ,加上两个非零对角元 ,故 。于是

翻译: 反对称,而 反对称矩阵形如 ,只有 个自由参数。维数 ,一致。

值域是全体对称矩阵(维数 )。

第 4 步(验证 )。 用矩阵乘法(复合对应乘法):

只看第二个因子的第 2、3 行(其余行要么全零,要么乘第一个因子的零行):

  • 第一因子第 2 行是 ,与第二个因子的各列做内积得 ;
  • 其余各行要么全零,要么同样是 型或零行。

故乘积为零矩阵。同理 。(也可以直接算:,而 是对称矩阵, 把它送去零。)

第 5 步(解释几何内容)。 抽出反对称部分的 倍(), 抽出对称部分的 倍。任何方阵都能唯一分解为对称部分与反对称部分之和:

这就是 的直和分解

这就是维数公式的几何含义:核与值域把整个空间"劈成两半"(互补的两块)。 这个"直和"思想与上一节补充例题 8.1.D 的"偶 奇分解"、以及第 3 章的四大子空间理论(3-5-四大子空间的维数)是同一件事。

别把""读成" 或 "

本题两个变换都不是零变换( 把 送去 )。线性变换(与矩阵)里没有"零因子"性质:"乘积为零"绝不意味着"有一个因子为零"。这与实数的直觉相反,是高频考点。

补充例题 8.2.B(证明题:相似矩阵有相等的迹,并由此求参数)

第 1 问(证明):设 都是 阶方阵且 (即存在可逆矩阵 使 )。证明

第 2 问(应用):设

已知 ,求 与 。

证明(第 1 问)

第 1 步(先用一条基础引理:)。

对任意 矩阵 与 矩阵 ,直接按定义展开:

两个二重和都是"把 对全部下标对 求和",只是求和次序不同。有限和可以交换次序,故两者相等。

第 2 步(证迹相等)。 把 代入:

(第 3 步用了引理,取 、。)

第 3 步(证行列式相等)。 用行列式的乘法性 (5-1-行列式的性质):

(注意 可逆故 ,可以约掉。)

解(第 2 问)

第 4 步(用迹)。 算两个矩阵的迹:

由第 1 问, 必有 ,故

第 5 步(用行列式)。 算两个矩阵的行列式:

由 :

第 6 步(验证充分性:、 时确实相似)。

此时

对 (下三角,特征值直接读对角元):,。验证特征向量:

第二个不对,重新求:解 ,即

取 得特征向量 。验证:。

故

对 :特征多项式

故 、。求特征向量:

  • :解 ,即 ,得 ,取 得 。验证:。
  • :解 ,即 ,得 ,取 。验证:。

故

第 7 步(结论:由相似的传递性)。 两个矩阵都相似于同一个对角矩阵 ,所以 。充分性成立。

这道题演示了国内最经典的"相似题型"套路

必要条件(迹、行列式、秩、特征多项式)解参数 再用充分条件验证。

三步走:

1. 求参数:用不变量列方程( 阶矩阵通常有两个方程: 与 ,刚好够解两个参数);

2. 验证:判断两个矩阵是"都可对角化"还是"都不可对角化"(本题特征值互不相同 ,自动都可对角化);

3. 下结论:由传递性 。

最容易丢分的地方是第 2 步:只算出参数就宣布相似是不完整的——参数方程只保证了必要条件。见 8-3-相似矩阵与基变换 3.7 节的完整判别流程。

参数可能"增根":必要条件解出的值未必都可行

本题幸运地只有一个解。但在有重特征值的题目里,用迹与行列式解出的参数值可能对应不同的 Jordan 形,此时必须比较几何重数。例如 与 :两者的迹()与行列式()对一切 都相同,但 时 可对角化、 时不可——只有 时才与 不相似, 时 才相似。参数题的答案往往是一个区间或不等式,不是单点。

补充例题 8.2.C(手算数字题:抽象空间中的换基 + 核与像)

设 (次数不超过 的多项式空间),(二阶导加一阶导)。

(1) 求 在基 下的矩阵 ;

(2) 取新基 ,求基变换矩阵 ,并验证 ;

(3) 求 与 ,验证维数公式;

(4) 用矩阵算 ,并用直接求导验证。

解

第 1 步(求 ):逐个算基向量(多项式)的像。

  • ,坐标 ;
  • ,坐标 ;
  • ,坐标 。

第 2 步(写基变换矩阵 ):把新基用旧基表示。

把系数按列填(列 新基在旧基下的坐标):

第 3 步(求 )。 用回代法解 。设 ,方程是

自下而上回代:

  • ;
  • ;
  • 。

所以

自检:。逐元素:

  • :;:;:;
  • :;:;:。

确实得到 。

第 4 步(算 ):用一个更省事的办法。

注意: 的第 列按定义就是 在 下的坐标。先算 (用多项式直接求导最快):

  • ;
  • ;
  • 。

再把这些结果用 表示:

  • ,坐标 ;
  • ,坐标 ;
  • 。比较系数:,,。坐标 。

用矩阵公式复核:先算 :

逐行算:

  • 第 1 行:;
  • 第 2 行:;
  • 第 3 行:全零。

再左乘 :

逐行:

  • 第 1 行: —— 等等,需要仔细:第 1 行是 ,与第 3 列 的内积是 。所以第 1 行是 ?

这里出现分歧,必须查错。 重新检查 的第 1 行第 3 列: 第 1 行是 , 第 3 列是 ,内积 。没错。 再检查 第 1 行 与 的内积 。

所以矩阵公式给出 ,而"逐列算 "给出 。必有一处错。

回到第 4 步开头:,而 ,所以 —— 这没问题。问题出在 :,,不是 !(漏掉了 的导数贡献。)

改正:。用 表示:

故 ,于是

与矩阵公式的结果完全一致。

(这次"分歧—查错—改错"的过程本身就是最好的学习材料:两条独立路径互相校验,是发现计算错误最可靠的方法。参见本篇 4.1 节的"步骤 4 检验"。)

第 5 步(求核与像)。 用最简的 (或 ,秩相同)。

对 :解 :

翻译回多项式:坐标 对应 ,所以

直接验证:(常数)时 。

像: 的主元在第 1、2 列,故

这里要小心! 主元列是第 1、2 列,对应的像是 与 。 中有一个是零,所以张成的空间只有 维 —— 主元列的个数等于秩,但如果某个主元列的像是零向量,说明 的列向量组里有零向量。本例中 的第 1 列就是零列,主元其实只在第 2、3 列。

重新读主元位置:对 做行化简,第一行第一个非零元在第 2 列(),第二行第一个非零元在第 3 列()。主元列是第 2、3 列,故 ,而

直接验证:,这是一次多项式(或常数)。反过来,任何 都是某个多项式的像(取 ,则 ?需要核对:,,,。要让结果等于 ,取 即可)。所以像确实是全体一次多项式(含常数)。

第 6 步(验证维数公式)。

第 7 步(用矩阵算 )。

输入坐标 ,

读回多项式:。

直接求导验证:,,,故

这道题的三条经验

1. 换基不改变 ,只改变"记账方式"。 与 都是同一个 的矩阵,所以秩、迹、特征多项式全同(可自行验证 、)。

2. 两条独立路径互相校验("逐列算 "对"")是发现错误的最强工具。本题正是靠它抓出了 漏项的失误。

3. "主元列"必须回头看对应的像是否为零: 的第 1 列是零列,所以真正的像基来自第 2、3 列。这一步在本篇 4.3 节被列为"步骤 3 的两个注意点"之一。

补充例题 8.2.D(numpy 数值验证题:换基、核与像、同构三合一)

本示例只需要 numpy:

```bash

pip install numpy

```

```python

import numpy as np

np.set_printoptions(precision=6, suppress=True)

# ============ (1) 一个 3x3 例子:直接法与换基法必须一致 ============

A = np.array([[1.0, 2.0, 2.0],

[2.0, 1.0, 2.0],

[2.0, 2.0, 1.0]])

# 新基 B' = {v1, v2, v3}(按列拼成 P)

P = np.array([[1.0, 1.0, 0.0],

[1.0, 0.0, 1.0],

[1.0, -1.0, -1.0]])

print("det P =", np.linalg.det(P)) # 3.0,可逆

print("[T]_B' = inv(P) @ A @ P =\n", np.linalg.inv(P) @ A @ P)

# 期望 diag(5, -1, -1)

# 逐列验证:B' 的第 j 列应当是 T(v_j) 在新基下的坐标

AP = A @ P

print("A @ P =\n", AP)

for j in range(3):

coords = np.linalg.solve(P, AP[:, j])

print(f" 第 {j+1} 列坐标 = {np.round(coords, 8)}")

# ============ (2) 投影矩阵在好基下变成对角矩阵 ============

P0 = np.ones((3, 3)) / 3.0 # 向 (1,1,1) 方向的正交投影

print("\nP0^2 == P0 ?", np.allclose(P0 @ P0, P0)) # True(投影)

print("P0^T == P0 ?", np.allclose(P0.T, P0)) # True(正交投影)

print("rank P0 =", np.linalg.matrix_rank(P0)) # 1

print("tr P0 =", np.trace(P0)) # 1.0

print("[P0]_B' = inv(P) @ P0 @ P =\n", np.linalg.inv(P) @ P0 @ P)

# 期望 diag(1, 0, 0)

w = np.array([1.0, 1.0, -5.0]) # w 与 (1,1,1) 正交

print("P0 @ w =", P0 @ w) # [-1. -1. -1.]

print("构造一个不与 (1,1,1) 正交的 w2")

w2 = np.array([3.0, 0.0, 0.0])

print("P0 @ w2 =", P0 @ w2) # [1. 1. 1.]

print("[w2]_B' =", np.round(np.linalg.solve(P, w2), 6)) # [ 1. 2. -1.]

print("[P0 w2]_B' =", np.round(np.linalg.solve(P, P0 @ w2), 6)) # [ 1. -0. -0.]

# 对比:在 B' 下投影只保留第一个坐标

# ============ (3) 抽象空间同构:微分算子 D 在两组基下 ============

# P_2 的基 B1 = {1, x, x^2}:D 的矩阵

D1 = np.array([[0.0, 1.0, 0.0],

[0.0, 0.0, 2.0],

[0.0, 0.0, 0.0]])

# 换到基 B2 = {1, x, x^2/2}:Q 的列是 B2 在 B1 下的坐标

Q = np.diag([1.0, 1.0, 0.5])

print("\nQ^-1 @ D1 @ Q =\n", np.linalg.inv(Q) @ D1 @ Q)

# 期望 Jordan 形 [[0,1,0],[0,0,1],[0,0,0]]

p = np.array([3.0, 5.0, -2.0]) # 3 + 5x - 2x^2

print("D1 @ p =", D1 @ p) # [5. -4. 0.] -> 5 - 4x

print("rank D1 =", np.linalg.matrix_rank(D1)) # 2

print("dim ker = 3 - rank =", 3 - np.linalg.matrix_rank(D1)) # 1

print("D1^3 =\n", np.linalg.matrix_power(D1, 3)) # 零矩阵(幂零)

# ============ (4) 秩—零化度定理(4 维 -> 3 维)============

A4 = np.array([[1.0, 1.0, 1.0, 1.0],

[1.0, 2.0, 3.0, 4.0],

[2.0, 3.0, 4.0, 5.0]])

r = np.linalg.matrix_rank(A4)

print("\nA4: rank =", r, " dim ker =", 4 - r, " 和 =", r + (4 - r)) # 2 2 4

print("A4 @ (1,-2,1,0) =", A4 @ np.array([1.0, -2.0, 1.0, 0.0])) # [0. 0. 0.]

```

运行输出(本机实际运行结果):

```text

det P = 3.0000000000000004

[T]_B' = inv(P) @ A @ P =

[[ 5. -0. -0.]

[-0. -1. 0.]

[ 0. 0. -1.]]

A @ P =

[[ 5. -1. 0.]

[ 5. 0. -1.]

[ 5. 1. 1.]]

第 1 列坐标 = [ 5. -0. 0.]

第 2 列坐标 = [ 0. -1. 0.]

第 3 列坐标 = [ 0. -0. -1.]

P0^2 == P0 ? True

P0^T == P0 ? True

rank P0 = 1

tr P0 = 1.0

[P0]_B' = inv(P) @ P0 @ P =

[[ 1. 0. 0.]

[-0. 0. 0.]

[-0. 0. 0.]]

P0 @ w = [-1. -1. -1.]

构造一个不与 (1,1,1) 正交的 w2

P0 @ w2 = [1. 1. 1.]

[w2]_B' = [ 1. 2. -1.]

[P0 w2]_B' = [ 1. -0. -0.]

Q^-1 @ D1 @ Q =

[[0. 1. 0.]

[0. 0. 1.]

[0. 0. 0.]]

D1 @ p = [ 5. -4. 0.]

rank D1 = 2

dim ker = 3 - rank = 1

D1^3 =

[[0. 0. 0.]

[0. 0. 0.]

[0. 0. 0.]]

A4: rank = 2 dim ker = 2 和 = 4

A4 @ (1,-2,1,0) = [0. 0. 0.]

```

怎么读这段输出:

- (1) 段验证了本节的主公式: 的每一列都等于" 在新基下的坐标",两条路径逐列吻合。注意 的元素全是 ,换基后变成干净的 —— 这就是"选基让矩阵变简单"的数值证据(对应 6-2-矩阵的对角化)。

- (2) 段是本篇最值得记住的例子之一:向直线方向的正交投影在"好基"下变成了 。含义是"保留一个方向、抹掉其余方向",几何上完全透明。例中的 投影后变成 : 在新基下的坐标是 ,投影后的坐标是 —— 第二个、第三个坐标恰好被抹成零,只有第一个坐标被保留,这正是 的含义。对照之下, 与 正交,投影后是 ,方向确实落在 上(这正是"沿该方向的分量被保留"的几何内容)。

- (3) 段是"抽象空间同构"的数值演示: 上的求导算子,取基 得一个上三角幂零矩阵,取基 就变成标准的 Jordan 块。同一个变换、两组基、两个矩阵——三者说的是同一件事。 也说明"连续求导 次,任何二次以下多项式都变成零"。

- (4) 段验证 :,右边是定义域维数,不是陪域维数 。

- np.linalg.solve(P, b) 是本篇最常用的函数:它同时充当"求坐标"( 可逆时解 就是求 在基 下的坐标)与"解方程组"两个角色。比手写 inv(P) @ b 更快、更稳(见 11-2-范数与条件数)。


本篇小结

十二句核心结论

1. 主公式:,其中 。

2. 构造口诀: 的第 列就是 在输出基下的坐标。

3. 方向记号: 里右边是输入基、左边是输出基,与"矩阵左乘向量"的方向一致。

4. 标准基特例:输出基取标准基时, 的第 列就是 本身。

5. 矩阵表示定理(一般版):定理 8.2.9——抽象线性空间上的线性变换,矩阵写法与 里完全相同,证明只用" 线性 基下表示唯一"。

6. 换基公式:,其中 的列是新基在旧基下的坐标;两个方向的基变换矩阵互为逆()。

7. 坐标方向:,。记忆抓手: 的列装的是"新基的旧坐标",所以 天然是"新 旧"的工具。

8. 核与像:,;维数公式 ,右边永远是定义域维数。

9. 单射 / 满射 / 双射:分别对应 、、; 必不单射, 必不满射。

10. 对应字典:变换的复合 矩阵乘法(顺序相同);变换的加法 矩阵加法;可逆变换 可逆矩阵。

11. :。"取矩阵"映射不但是双射,还保持加法、数乘与乘法——所以变换与矩阵是同构的两种语言。

12. 相似:同一个 在两组基下的矩阵满足 。相似矩阵一般不相等,而且这是常态。

易混概念对照表(本篇)

| 容易混淆的一对 | 区别在哪 | 一句话记住 |

|---|---|---|

| 坐标 vs 向量 | 前者是数组,后者是几何对象 | 标准基下两者写法相同,掩盖了区别 |

| 输入基 vs 输出基 | 列来自输入、 行来自输出 | 时两者通常不同 |

| 的方向 | 右边输入、左边输出 | 箭头指向"结果所在的基" |

| 的第 列 vs 第 行 | 列装 ,行不装 | 列优先由" 是列的线性组合"决定 |

| 核 vs 零空间 | 前者是向量,后者是坐标列 | 非标准基下必须翻译 |

| 像 vs 列空间 | 同上 | 主元列要取 的原始列 |

| vs | 右边是定义域维数 | 是最常见错误 |

| 单射 vs 满射 | 核是否为零 vs 像是否占满 | 维数不够时两者必缺一 |

| 相似 vs 相等 | 相似是"同一个 不同基",相等是"同一个 同一基" | 相似矩阵几乎总是不相等 |

| 相似 vs 等价 | 等价允许左右用不同矩阵,只保秩 | 相似要求左右配对,保 Jordan 形 |

| 矩阵加法 vs 矩阵乘法 | 加法逐元素,乘法行乘列 | 加法对应"变换相加",乘法对应"复合" |

| 的维数 vs 的维数 | vs | 变换比向量"多得多" |

| 直和 vs | 直和要求交为零且和为全体 | 投影变换是典型例子(例题 8.2.A) |

| 同构 vs 相似 | 同构是空间之间,相似是矩阵之间 | 同构保运算,相似保特征值 |


相关笔记

  • 8-1-线性变换的思想:上一节。线性性的两条要求、五大几何变换、以及" 由基上的像完全决定"这条本节反复引用的定理。

本篇的用法:本篇 10.5 节的坐标映射 就是上一节第十节定理 8.1.8 的同构;上一节的"一般线性空间上的线性变换"在这里落地成矩阵。

  • 8-3-相似矩阵与基变换:下一节。相似不变量、对角化就是找好基、Jordan 形的形态。

本篇的用法:本节 10.3 节的完整推导把 的每一步都补齐了(尤其是"两个方向的基变换矩阵互为逆");下一节会在此基础上系统整理相似不变量与判别流程。

  • 3-4-线性无关基与维数:基、维数、基扩充定理(定理 8.2.4 证明的核心工具)。
  • 3-5-四大子空间的维数:、 的维数关系,就是核与像的维数关系。
  • 6-2-矩阵的对角化: 正是 中 为对角矩阵的特例。
  • 7-1-SVD的构造与几何意义:允许左、右各用一组正交基,"换基"思想的极致形态。
  • 1-1-向量与线性组合: 是列的组合——"为什么第 列装 "的根本原因。
  • 00-索引:全库导航。

参考来源

  • Gilbert Strang, Introduction to Linear Algebra, 5th ed., Wellesley-Cambridge Press, 2016:第 8 章「Linear Transformations」,特别是 "The matrix of a linear transformation" 与 "Change of basis" 两节。
  • MIT OpenCourseWare 18.06 Linear Algebra, Spring 2010,Lecture 30: Linear transformations and their matrices: 的第 列 的坐标这一构造的课堂推导。
  • MIT OpenCourseWare 18.06 课程主页:<https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/>
  • Gilbert Strang, Introduction to Linear Algebra 官方配套站点:<https://math.mit.edu/~gs/linearalgebra/>
  • Weisstein, Eric W. "Linear Transformation." MathWorld:<https://mathworld.wolfram.com/LinearTransformation.html>("有限维时线性变换必须选定基后才能写成矩阵乘法"这一表述,以及正交基下的系数公式 )。
  • NumPy 官方文档 numpy.linalg.matrix_rank:<https://numpy.org/doc/stable/reference/generated/numpy.linalg.matrix_rank.html>(核与像的维数计算、基于 SVD 的秩判定)。
  • 同济大学数学系《线性代数》(第七版),高等教育出版社:第 6 章第 3 节「线性变换」(线性变换的矩阵表示、线性变换的运算与矩阵运算的对应)。