【推导】线性变换与在基下的矩阵一一对应
前置定义 1 设 T T T 是线性空间 V n V_n Vn 中的线性变换,在 V n V_n Vn 中取定一个基 α 1 , α 2 , ⋯ , α n \boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n α1,α2,⋯,αn,如果这个基在变换 T T T 下的像(用这个基线性表示)为
{ T ( α 1 ) = a 11 α 1 + a 21 α 2 + ⋯ + a n 1 α n ) T ( α 2 ) = a 12 α 1 + a 22 α 2 + ⋯ + a n 2 α n ) ⋯ ⋯ ⋯ T ( α n ) = a 1 n α 1 + a 2 n α 2 + ⋯ + a n n α n ) (1) \left\{ \begin{aligned} & T(\boldsymbol{\alpha}_1) = a_{11} \boldsymbol{\alpha}_1 + a_{21} \boldsymbol{\alpha}_2 + \cdots + a_{n1} \boldsymbol{\alpha}_n) \\ & T(\boldsymbol{\alpha}_2) = a_{12} \boldsymbol{\alpha}_1 + a_{22} \boldsymbol{\alpha}_2 + \cdots + a_{n2} \boldsymbol{\alpha}_n) \\ & \cdots \cdots \cdots \\ & T(\boldsymbol{\alpha}_n) = a_{1n} \boldsymbol{\alpha}_1 + a_{2n} \boldsymbol{\alpha}_2 + \cdots + a_{nn} \boldsymbol{\alpha}_n) \\ \end{aligned} \right. \tag{1} ⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧T(α1)=a11α1+a21α2+⋯+an1αn)T(α2)=a12α1+a22α2+⋯+an2αn)⋯⋯⋯T(αn)=a1nα1+a2nα2+⋯+annαn)(1)
记 T ( α 1 , α 2 , ⋯ , α n ) = ( T ( α 1 ) , T ( α 2 ) , ⋯ , T ( α n ) ) T(\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n) = (T(\boldsymbol{\alpha}_1), T(\boldsymbol{\alpha}_2), \cdots, T(\boldsymbol{\alpha}_n)) T(α1,α2,⋯,αn)=(T(α1),T(α2),⋯,T(αn)),则上式 ( 6 ) (6) (6) 可表示为
T ( α 1 , α 2 , ⋯ , α n ) = ( α 1 , α 2 , ⋯ , α n ) A (2) T(\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n) = (\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n) \boldsymbol{A} \tag{2} T(α1,α2,⋯,αn)=(α1,α2,⋯,αn)A(2)
其中
A = ( a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n ) \boldsymbol{A} = \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \\ \end{pmatrix} A=⎝⎜⎜⎜⎛a11a21⋮an1a12a22⋮an2⋯⋯⋯a1na2n⋮ann⎠⎟⎟⎟⎞
那么, A \boldsymbol{A} A 就称为 线性变换 T T T 在基 α 1 , α 2 , ⋯ , α n \boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n α1,α2,⋯,αn 下的矩阵。
定义详 “【推导】线性变换的矩阵表达式”。
根据前置定义 1,显然,矩阵 A \boldsymbol{A} A 由基的像 T ( α 1 ) , ⋯ , T ( α n ) T(\boldsymbol{\alpha}_1),\cdots,T(\boldsymbol{\alpha}_n) T(α1),⋯,T(αn) 唯一确定,即由线性变换 T T T 可唯一地确定一个矩阵 A \boldsymbol{A} A。下面推导由一个矩阵 A \boldsymbol{A} A 也可唯一地确定一个线性变换 T T T。
将 V n \boldsymbol{V}_n Vn 中的任意元素记为 α = ∑ i = 1 n x i α i \boldsymbol{\alpha} = \sum_{i=1}^n x_i \boldsymbol{\alpha}_i α=∑i=1nxiαi,根据前置定义 1 的式 ( 2 ) (2) (2),有
T ( ∑ i = 1 n x i α i ) = ∑ i = 1 n x i T ( α i ) = ( T ( α 1 ) , T ( α 2 ) , ⋯ , T ( α n ) ) ( x 1 x 2 ⋮ x n ) = ( α 1 , α 2 , ⋯ , α n ) A ( x 1 x 2 ⋮ x n ) \begin{aligned} T(\sum_{i=1}^n x_i \boldsymbol{\alpha}_i) & = \sum_{i=1}^n x_i T(\boldsymbol{\alpha}_i) \\ & = (T(\boldsymbol{\alpha}_1),T(\boldsymbol{\alpha}_2),\cdots,T(\boldsymbol{\alpha}_n)) \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n\end{pmatrix} \\ & = (\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n) \boldsymbol{A} \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n\end{pmatrix} \end{aligned} T(i=1∑nxiαi)=i=1∑nxiT(αi)=(T(α1),T(α2),⋯,T(αn))⎝⎜⎜⎜⎛x1x2⋮xn⎠⎟⎟⎟⎞=(α1,α2,⋯,αn)A⎝⎜⎜⎜⎛x1x2⋮xn⎠⎟⎟⎟⎞
即
T [ ( α 1 , α 2 , ⋯ , α n ) ( x 1 x 2 ⋮ x n ) ] = ( α 1 , α 2 , ⋯ , α n ) A ( x 1 x 2 ⋮ x n ) (3) T \left[ (\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n) \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n\end{pmatrix} \right] = (\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n) \boldsymbol{A} \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n\end{pmatrix} \tag{3} T⎣⎢⎢⎢⎡(α1,α2,⋯,αn)⎝⎜⎜⎜⎛x1x2⋮xn⎠⎟⎟⎟⎞⎦⎥⎥⎥⎤=(α1,α2,⋯,αn)A⎝⎜⎜⎜⎛x1x2⋮xn⎠⎟⎟⎟⎞(3)
上式 ( 3 ) (3) (3) 唯一地确定一个变换 T T T,可以验证确定的变换 T T T 是以 A \boldsymbol{A} A 为矩阵的线性变换。总之,以 A \boldsymbol{A} A 为矩阵的线性变换 T T T 由关系式 ( 3 ) (3) (3) 唯一确定。
综上所述,线性变换与矩阵之间有一一对应的关系。
由关系式 ( 3 ) (3) (3),可见 α \boldsymbol{\alpha} α 与 T ( α ) T(\boldsymbol{\alpha}) T(α) 在基 α 1 , α 2 , ⋯ , α n \boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n α1,α2,⋯,αn 下的坐标分别为
α = ( x 1 x 2 ⋮ x n ) , T ( α ) = A ( x 1 x 2 ⋮ x n ) \boldsymbol{\alpha} = \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{pmatrix}, \hspace{1em} T(\boldsymbol{\alpha}) = \boldsymbol{A} \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{pmatrix} α=⎝⎜⎜⎜⎛x1x2⋮xn⎠⎟⎟⎟⎞,T(α)=A⎝⎜⎜⎜⎛x1x2⋮xn⎠⎟⎟⎟⎞
即按坐标表示,有
T ( α ) = A α T(\boldsymbol{\alpha}) = \boldsymbol{A} \boldsymbol{\alpha} T(α)=Aα
【推导】线性变换与在基下的矩阵一一对应相关推荐
- 【证明】线性变换在两个基下的矩阵相似
前置定义 1(基变换公式.过渡矩阵) 设 α 1 , ⋯ , α n \boldsymbol{\alpha}_1,\cdots,\boldsymbol{\alpha}_n α1,⋯,αn 及 β ...
- 正交变换在基下的矩阵都是可逆阵_矩阵分析与应用(一,矩阵基础知识)
前言:花了一个半月时间学习了 北大丘维声的<高等代数>.北理史荣昌的<矩阵分析>.清华张贤达的<矩阵分析与应用>:北大与哈工大的网课. 本质:(万物皆矩阵)矩阵论主 ...
- 【矩阵论笔记】线性变换在不同基偶下的矩阵之间的关系
研究在不同基下的线性变换,是为了找到比较简单的形式 在同一个线性空间不同基下的线性变换之间的关系 我们为了找比较简单的形式 例题 这个就是套公式的形状,是一个比较固定的求法.把这个特征向量构成的矩阵P ...
- 【线性代数】——向量于不同基下的“线性变换”与对角化有感
最近看了三蓝一棕,对于线性代数中的<基变换>有了更好的理解. 众所周知我们大部分场合都是默认使用二维的直角坐标系的,基于这个坐标系的向量表示基,我称其为"主基"好了. ...
- ppt_第十三章_DNA_数术推导与RNA_X_THF_DD元基芯片与肽逻辑
第十三章_DNA_数术推导与RNA_X_THF_DD元基芯片与肽逻辑 理解这章节,首先要先进行元基的 O N的数量来进行统计 酸碱腐蚀度比值,进行罗盘归纳元基的活性,和元基的酸碱腐蚀性,主要体现在元基 ...
- python如何定义矩阵_基础 | Python下的矩阵定义 (下)
关键词:线性代数 / 矩阵 / 基本定义 矩阵对于算法就如同人对于食物般的关系,已经到了密不可分的状态了,在神经网络里,矩阵代表了每层神经元之间的链接,在集成算法里,矩阵记录了每次分类器更新的残差,在 ...
- 量子计算(八):观测量和计算基下的测量
文章目录 观测量和计算基下的测量 一.观测量 二.计算基下的测量 三.投影测量 观测量和计算基下的测量 一.观测量 量子比特(qubit)不同于经典的比特(bit),一个量子比特|>可以同时处于 ...
- 线性变换到底是什么以及与矩阵之间的联系
由于图形学碰到了线性变换的知识,仔细深究才发现之前学的都只是浅尝辄止,实在惭愧,因此所幸花点时间补一下相关知识. 首先,什么是线性变换? 百度百科说的当然是一些很牛逼的废话,没啥卵用.根据b站上的视频 ...
- matlab对多个矩阵循环,MATLAB:在不使用循环的情况下提取矩阵的多个部分
有许多方法可以在没有循环的情况下完成此操作.大多数解决方案涉及将向量x和y扩展为更大的索引矩阵,并且可能使用函数 REPMAT, BSXFUN或 SUB2IND中的一个或多个.可以在 here找到用于 ...
最新文章
- Unity制作游戏中的场景
- 测试多个线程调用同一静态方法(无静态变量)时是否有线程安全问题
- HDU - 2612 Find a way(BFS搜索)
- 逻辑回归模型 python_机器学习-逻辑回归分析(Python)
- android闹钟——原代码【转】
- 产品经验谈:设计思维 统计思维
- 柱形图无数据可选中_Excel---多层柱形图来了!让领导看呆
- Visual Studio 2017 通过SSH 调试Linux 上.NET Core
- vscode如何使用ajax,Ajax 的初步实现(使用vscode+node.js+express框架)
- ENVI操作:监督分类
- 猜年龄、猜数字的python程序
- scipy.linalg中kron的用法
- Python技术练习------自动化处理费用表
- Python:类与对象训练题
- day03_20170514_字符编码/文件存储/函数(一)
- windows平台简单的FTP服务器,无需安装
- oracle定时频率,Oracle 定时任务 — 定时执行存储过程
- Tecohoo VD-206S 全高清视频会议摄像机
- 做网赚如何引流,这些方法你都试了么
- 索罗斯:走在时间前面的狐狸