清华大学公开课线性代数2——第4讲:线性变换1
此博客停止更新迁移至SnailDove’s Blog,查看本文点击此处
笔记源自:清华大学公开课:线性代数2——第4讲:线性变换1
目录
- 目录
- 前言
- 线性变换的定义性质运算
- 向量空间的定义
- 线性变换的定义
- 例子
- 线性变换的性质
- 线性变换的运算
- 加法
- 数乘
- 乘积
- 逆
- 幂
- 多项式
- 线性变化的矩阵表示
- 例子
- 线性变换与矩阵之间的关系
- 一一对应
- 线性变换的乘积与矩阵的乘积
- 线性同构
前言
历史上英国数学家Arthur Cayley是为了描述线性变换的复合而引入矩阵的乘法,从而使矩阵成为数学的研究对象。线性变换是两个向量空间之间保持线性运算的映射。线性代数就是从其中心问题(求解线性方程组)出发发展起来研究向量空间、线性变换以及研究相关数学问题的数学学科。对有限维向量空间的研究总可以转化成对矩阵的研究,这是线性代数的核心特点。
线性变换的定义性质运算
回顾中学阶段学过的函数:f(x)=2xg(x)=x2l(x)=sin(x)f(x)=2x\quad g(x)=x^{2}\quad l(x)=sin(x) 都是一个映射从定义域中的一个数映成值域中的一个数。推广到把向量映射到向量的映射比如f是从 R3R^{3} 映到 R2R^{2} 的一个映射:f:(xyz)→(2x3y−z)f:\begin{pmatrix}x\\y\\z\end{pmatrix}\,\rightarrow\,\begin{pmatrix}2x\\3y-z\end{pmatrix},我们关心向量空间到向量空间的映射。人们发现平面上的点、空间中的点 、矩阵多项式函数、连续函数等等集合看上去不同但是它们各自的加法和数乘满足同样的性质,于是就引入了向量空间这样的一个抽象的概念来统一地研究向量空间的概念。
向量空间的定义
线性变换的定义
例子
注意,由线性变换的定义 T:V→WT:V\,\rightarrow\,W 得到 T(0)=0T(0)=0
线性变换的性质
针对第一条证明: 如果 T(0)≠0T(0)\ne0 不满足线性变换定义 T(cx)=cT(x)T(cx)=cT(x),例如: T(0)=1→T(0)=T(c0)=1≠cT(0)=cT(0)=1\,\rightarrow\,T(0)=T(c0)=1\,\ne\,cT(0)=c
针对第三条证明:若 x_{1},\,...\,,x_{n}x_{1},\,...\,,x_{n} 线性相关,那么存在不全为0的数 c_{1},\,...\,,c_{n}c_{1},\,...\,,c_{n} 满足 c_{1}x_{1}\,+\,...\,+\,c_{n}x_{n}=0c_{1}x_{1}\,+\,...\,+\,c_{n}x_{n}=0 即 T(c_{1}x_{1}\,+\,c_{2}x_{2}\,+\,...\,+\,c_{n}x_{n})=T(0)=c_{1}f(x_{1})\,+\,...\,+\,c_{n}f(x_{n})=0T(c_{1}x_{1}\,+\,c_{2}x_{2}\,+\,...\,+\,c_{n}x_{n})=T(0)=c_{1}f(x_{1})\,+\,...\,+\,c_{n}f(x_{n})=0,即T(x_{1}),\,...\,,T(x_{n})T(x_{1}),\,...\,,T(x_{n}) 线性相关。
线性变换的运算
加法
数乘
乘积
注:线性变换的乘积被定义为线性变换的复合运算
注意:线性变换不满足乘法交换律、消去律,与矩阵乘法类似
逆
幂
多项式
注:由于线性变换不满足乘法交换律,因此(\sigma\tau)^{m}=\underbrace{(\sigma\tau)(\sigma\tau)\,...\,(\sigma\tau)}_{m个(\sigma\tau)相乘}\ne\sigma^{m}\tau^{m}(\sigma\tau)^{m}=\underbrace{(\sigma\tau)(\sigma\tau)\,...\,(\sigma\tau)}_{m个(\sigma\tau)相乘}\ne\sigma^{m}\tau^{m}
线性变化的矩阵表示
由于 T(v_{1})T(v_{1}),T(v_{2})T(v_{2}), … , T(v_{3})\,\epsilon\,WT(v_{3})\,\epsilon\,W 这个输出空间, 因此可以进行如下:
例子
线性变换与矩阵之间的关系
一一对应
线性变换的乘积与矩阵的乘积
注(极其重要):这里线性变换的乘积(复合)对应的是矩阵的“左乘”。
线性同构
例:设线性变换\tau\,:\,R^{3}\rightarrow\,R^{2}\tau\,:\,R^{3}\rightarrow\,R^{2}定义为\tau(x,y,z)=(x+y,y-z)\tau(x,y,z)=(x+y,y-z), 线性变换\sigma:R^{2}\,\rightarrow\,R^{2}\sigma:R^{2}\,\rightarrow\,R^{2}定义为\sigma(u,v)=(2u-v,u)\sigma(u,v)=(2u-v,u).求线性变换\sigma\tau:R^{3}\,\rightarrow\,R^{2}\sigma\tau:R^{3}\,\rightarrow\,R^{2}在R^{3}R^{3}与R^{2}R^{2}标准基下的矩阵.
解:注意到\sigma\tau=\sigma(\tau(x,y,z))=\sigma(x+y, y-z)=(2x+y+z, x+y)\sigma\tau=\sigma(\tau(x,y,z))=\sigma(x+y, y-z)=(2x+y+z, x+y)
因此标准基下线性变化\sigma(\tau(x\,y\,z)):R^{3}\to\,R^{2}\sigma(\tau(x\,y\,z)):R^{3}\to\,R^{2}:
e_{1}=(1,0,0)^{T}, e_{2}=(0,1,0)^{T}, e_{3}=(0,0,1)^{T}\,\Rightarrow\, I_{3}=(e_{1}\,e_{2}\,e_{3})e_{1}=(1,0,0)^{T}, e_{2}=(0,1,0)^{T}, e_{3}=(0,0,1)^{T}\,\Rightarrow\, I_{3}=(e_{1}\,e_{2}\,e_{3})
\sigma(\tau(e_{1}))=\sigma(\tau(\,(1,0,0)\,)=\begin{pmatrix}2\\1\\\end{pmatrix}\quad\sigma((\tau(e_{2}))=\begin{pmatrix}1\\1\\\end{pmatrix}\quad\sigma(\tau(e_{3}))=\begin{pmatrix}1\\0\\\end{pmatrix}\sigma(\tau(e_{1}))=\sigma(\tau(\,(1,0,0)\,)=\begin{pmatrix}2\\1\\\end{pmatrix}\quad\sigma((\tau(e_{2}))=\begin{pmatrix}1\\1\\\end{pmatrix}\quad\sigma(\tau(e_{3}))=\begin{pmatrix}1\\0\\\end{pmatrix}
\sigma(\tau(e_{1}\,e_{2}\,e_{3}))=\sigma(\tau(I_{3}))=\underbrace{\begin{pmatrix}2&1&1\\1&1&0\end{pmatrix}}_{C}\sigma(\tau(e_{1}\,e_{2}\,e_{3}))=\sigma(\tau(I_{3}))=\underbrace{\begin{pmatrix}2&1&1\\1&1&0\end{pmatrix}}_{C}
第一个线性变化\tau(x,y,z)=(x+y,y-z):R^{3}\,\to\,R^{2}\tau(x,y,z)=(x+y,y-z):R^{3}\,\to\,R^{2} :
\tau(e_{1})=\tau(1,0,0)=(1+0,0+0)=(1,0)\tau(e_{1})=\tau(1,0,0)=(1+0,0+0)=(1,0)
\tau(e_{2})=\tau(0,1,0)=(0+1,1+0)=(1,1)\tau(e_{2})=\tau(0,1,0)=(0+1,1+0)=(1,1)
\tau(e_{3})=\tau(0,0,1)=(0+0,0+1)=(0,1)\tau(e_{3})=\tau(0,0,1)=(0+0,0+1)=(0,1)
\tau(I_{3})=\tau(e_{1}\,e_{2}\,e_{3})=\begin{pmatrix}1&1&0\\0&1&-1\end{pmatrix}=I_{2}\begin{pmatrix}1&1&0\\0&1&-1\end{pmatrix}\tau(I_{3})=\tau(e_{1}\,e_{2}\,e_{3})=\begin{pmatrix}1&1&0\\0&1&-1\end{pmatrix}=I_{2}\begin{pmatrix}1&1&0\\0&1&-1\end{pmatrix}
\underbrace{\begin{pmatrix}1&1&0\\0&1&-1\end{pmatrix}}_{A}\begin{pmatrix}x\\y\\z\end{pmatrix}=\begin{pmatrix}x+y\\y-z\end{pmatrix}\underbrace{\begin{pmatrix}1&1&0\\0&1&-1\end{pmatrix}}_{A}\begin{pmatrix}x\\y\\z\end{pmatrix}=\begin{pmatrix}x+y\\y-z\end{pmatrix}
第二个线性变化\sigma(u,v)=(2u-v,u): R^{2}\,\to\,R^{2}\sigma(u,v)=(2u-v,u): R^{2}\,\to\,R^{2}:
\delta_{1}=(1,0)^{T}, \delta_{2}=(0,1)^{T}\,\Rightarrow\, I_{2}=(\delta_{1}\,\delta_{2})\delta_{1}=(1,0)^{T}, \delta_{2}=(0,1)^{T}\,\Rightarrow\, I_{2}=(\delta_{1}\,\delta_{2})
\sigma(\delta_{1})=\begin{pmatrix}2\\1\end{pmatrix},\,\sigma(\delta_{2})=\begin{pmatrix}-1\\0\end{pmatrix}\Rightarrow\sigma(\delta_{1}\,\delta_{2})=I_{2}\begin{pmatrix}2&-1\\1&0\end{pmatrix}\sigma(\delta_{1})=\begin{pmatrix}2\\1\end{pmatrix},\,\sigma(\delta_{2})=\begin{pmatrix}-1\\0\end{pmatrix}\Rightarrow\sigma(\delta_{1}\,\delta_{2})=I_{2}\begin{pmatrix}2&-1\\1&0\end{pmatrix}
\underbrace{\begin{pmatrix}2&-1\\1&0\end{pmatrix}}_{B}\begin{pmatrix}u\\v\end{pmatrix}=\begin{pmatrix}2u-v\\u\end{pmatrix}\underbrace{\begin{pmatrix}2&-1\\1&0\end{pmatrix}}_{B}\begin{pmatrix}u\\v\end{pmatrix}=\begin{pmatrix}2u-v\\u\end{pmatrix}
发现BA=C\,\Rightarrow\,\begin{pmatrix}2&-1\\1&0\end{pmatrix}\begin{pmatrix}1&1&0\\0&1&-1\end{pmatrix}=\begin{pmatrix}2&1&1\\1&1&0\end{pmatrix}BA=C\,\Rightarrow\,\begin{pmatrix}2&-1\\1&0\end{pmatrix}\begin{pmatrix}1&1&0\\0&1&-1\end{pmatrix}=\begin{pmatrix}2&1&1\\1&1&0\end{pmatrix},符合上文所说的线性变换的复合是对应矩阵的左乘。
结论:有限维向量空间上的线性变换\leftarrow\rightarrow\leftarrow\rightarrow矩阵
清华大学公开课线性代数2——第4讲:线性变换1相关推荐
- 清华大学公开课线性代数2——第8讲:图和网络
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处 目录 目录 简介 欧姆定律Ohms law的向量形式 图与矩阵 关联矩阵incidence matrix 邻接矩阵adjacen ...
- 清华大学公开课线性代数2——第7讲:工程中的矩阵
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处 笔记源自:清华大学公开课:线性代数2--第7讲:工程中的矩阵 提示:如果文中图片看不清文字,请右键单击鼠标,选择在新窗口打开图片 ...
- 清华大学公开课线性代数2——第9讲:马尔科夫矩阵和正矩阵
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处 笔记源自:清华大学公开课:线性代数2--第9讲:马尔科夫矩阵和正矩阵 提示:如果文中图片看不清文字,请右键单击鼠标,选择在新窗口 ...
- 清华大学公开课线性代数2——第6讲:伪逆
此博客停止更新,迁移至SnailDove's blog,查看本文请点击此处,清华大学线性代数2笔记汇总:线性代数总结 笔记源自:清华大学公开课:线性代数2--第6讲:伪逆 **提示:**如果文中图片看 ...
- 清华大学公开课线性代数2——第1讲:正定矩阵
此博客停止更新迁移至SnailDove's Blog,查看本文点击 此处 清华大学线性代数2笔记汇总:线性代数总结 笔记源自:清华大学公开课:线性代数2--第1讲:正定矩阵,涉及:正定矩阵.二次型.合 ...
- 清华大学公开课线性代数2——第10讲:傅里叶级数
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处 笔记源自:清华大学公开课:线性代数2--第10讲:傅里叶级数 **提示:**如果文中图片看不清文字,请右键单击鼠标,选择在新窗口 ...
- 清华大学公开课线性代数2——第3讲:奇异值分解
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处 笔记源自:清华大学公开课:线性代数2--第3讲:奇异值分解 提示:如果文中图片看不清文字,请右键单击鼠标,选择在新窗口打开图片, ...
- 清华大学公开课线性代数2——第5讲:线性变换2
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处 清华大学公开课:线性代数2--第五讲:线性变换2 目录 目录 前言 恒等变换与基变换 基变换的应用 一张256x256的灰度图像 ...
- 清华大学公开课《线性代数2》总结
本文是本人学习线性代数的笔记汇总,个人学习顺序是网易MIT线性代数公开课结合其教材,然后是用清华大学线性代数公开课做复习,清华的课证明更多深度更深一些(逻辑更严密一些)而mit公开课是用及其3阶矩阵讲 ...
最新文章
- 预编译 ASP.NET 网站以进行部署
- linux下统计所有py文件的代码多少行
- [react] React Intl是什么原理?
- javascript学习系列(6):数组中的pop等方法
- 9 SystemVerilog语言编写SPI接收
- 当前五大浏览器内核及简史
- PHP 安装SSH2扩展 Centos
- 【测验8 编程题】: 程序设计方法学 (第8周)
- 数字化转型需要双模IT
- 斗地主算法1判断牌型
- 函数:计算字符串中大写字母的个数
- 云数据库RDS与自建数据库相比到底有什么优势?
- 高中生参加的计算机奥赛是,高中生可参加哪些含金量较高的赛事?报名流程指南来了!...
- 电精2 android,安卓街机模拟器|街机电精2(街机模拟器)安卓版 - 系统天堂
- 线程同步,为什么要引入线程同步?
- keras入门教程 1.线性回归建模(快速入门)
- C语言程序设计--商品信息管理系统
- 《缠中说禅108课》80:市场没有同情、不信眼泪
- 帝国cms教程后台关键字和tag标签自动同步更新的方法
- 适当的放松也是一种幸事