线性变换的矩阵表示1

1 设 T是线性空间V^n的一个线性变换,且\left \{ x_1,x_2,...x_n \right \} 是V^n的一个基,\forall \ \vec{x} \epsilon V^n, 存在唯一的坐标表示

\vec{x} = \left [ \vec{x_1}, \vec{x_2},...,\vec{x_n} \right ] \begin{bmatrix} \xi _1\\ \xi _2\\ ...\\ \xi _n \end{bmatrix} = \xi _1 \vec{x_1} + ... + \xi _n\vec{x_n}

T\vec{x} = T(\xi _1\vec{x_1} + ... \xi _n\vec{x_n}) = (T\vec{x_1,...,T\vec{x_n}})\begin{bmatrix} \xi _1\\ \xi _2\\ ...\\ \xi _n \end{bmatrix} = T(\vec{x_1},...,\vec{x_n})\begin{bmatrix} \xi _1\\ \xi _2\\ ...\\ \xi _n \end{bmatrix}

因此要确定线性变换T,只需要确定基元素在该变换下的象就可以了

T\vec{x_i} = \left [ \vec{x_1},..., \vec{x_n} \right ]\begin{bmatrix} \vec{a_{1,i}}\\ \vec{a_{2,i}}\\ ...\\ \vec{a_{n,i}} \end{bmatrix}

T\left [ \vec{x_1},..., \vec{x_n} \right ] = \left [ \vec{x_1},..., \vec{x_n} \right ]\begin{bmatrix} a_{11} & a_{12} &... & a_{1n} \\ a_{21} & a_{22} & ... &a_{2n} \\ ...&... &... &... \\ a_{n1} & a_{n2} &... & a_{nn} \end{bmatrix} = \left [ \vec{x_1},...,\vec{x_n} \right ] A

这里的A表示线性变换在这组基下对应的矩阵。

对于任意元素\vec{x} , 在该基下,变换后 T\vec{x}   的坐标表示为

T\vec{x} = \left [ \vec{x_1},...,\vec{x_n} \right ]\begin{bmatrix} \eta _1\\ \eta _2\\ ...\\ \eta _n \end{bmatrix}

同时

T\vec{x} = \left [ T(\vec{x_1},...,\vec{x_n}) \right ]\begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix} = \left [ \vec{x_1},...,\vec{x_n} \right ] A \begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix}

对比可知

\begin{bmatrix} \eta _1\\ \eta _2 \\ ...\\ \eta _n \end{bmatrix} = A \begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix}

即: \vec{x} \leftrightarrow \begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix}        T\vec{x} \leftrightarrow A\begin{bmatrix} \xi _1\\ \xi_2 \\ ...\\ \xi _n \end{bmatrix}

2 线性变换与其对应矩阵的关系 (定理)

        设\left \{ \vec{x_1},...,\vec{x_n} \right \}V^n的一个基,T_1,T_2在该基下的矩阵分别为A,B

则有:

        (1)(T_1 + T_2) \left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] (A+B)

        (2) kT_1\left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] (kA)

        (3)(T_1T_2)\left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] (AB)

        (4)T^{-1} \left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] A^{-1}

        证明 T^{-1} \left [ \vec{x_1},...,\vec{x_n} \right ] = \left [ \vec{x_1},...,\vec{x_n} \right ] A^{-1}

                设T^{-1} \left [ x_1,x_2,...x_n \right ] = \left [ x_1,x_2,...x_n \right ] C

                那么证明C = A^{-1}就可

                因为:T\left [ x_1,..x_n \right ] = \left [ x_1,...x_n \right ] A

                在T^{-1} \left [ x_1,x_2,...x_n \right ] = \left [ x_1,x_2,...x_n \right ] C

两边同时乘T 得:\left [ x_1,...x_2 \right ] = T\left [ x_1,...x_2 \right ] C

用A替换得:\left [ x_1,...x_2 \right ] = \left [ x_1,...x_2 \right ] A C

又因为:AC = I

所以:C = A^{-1}

3 推论:设f(t) = \sum_{i = 0}^{m} a_it^i为纯量t的m次多项式,T为空间V^n的一个线性变换,且在V^n

的基\left [ x_1,..x_n \right ]下 的矩阵为A,则

f(T)\left [ x_1,...x_n \right ] = \left [ x_1,...x_n \right ]f(A)

其中f(T) = a_0T_e+a_1T + a_2T^2+...+a_nT^n

f(A) = a_0I+a_1A+a_2A^2+...+a_nA^n

(根据上面四种运算形式,可以很清楚的看到对T加法、数乘的运算等价于对A的运算)

4 设线性变换T在V^n的基(x_1,x_2,...,x_n)下的矩阵为A,元素\vec{x}在该基下的坐标为\left [ \xi _1,..,\xi _n \right ],则在T\vec{x}在该基下的坐标\left [ \eta _1,...,\eta _n \right ],满足:
        \left [ \eta ,...,\eta _n \right ]^T = A\left [ \xi _1,...\xi _n \right ]^T

5 相似矩阵:(定义)在线性代数中,相似矩阵是指存在相似关系的矩阵。设A,B为n阶矩阵,如果有n阶可逆矩阵P存在,使得
P^{-1}AP =B
则称矩阵A与B相似,记为A~B。

6 设T在V^n的两个基\left \{ x_1,x_2,...,x_n \right \}\left \{ x_1',...x_n' \right \}下的矩阵分别为A和B,且\left [ x_1',...x_n' \right ] = \left [ x_1,...,x_n \right ]C则:B = C^{-1}AC, 即A和B为相似矩阵。

证明为什么B = C^{-1}AC

线性变换的矩阵表示1_第1张图片

7 相似矩阵的性质:
A\sim A;

A\sim B,B\sim A;

A\sim B,B\sim CA\sim C;

如果A\sim B,那么f(A)\sim f(B), f为数域K上的多项式。

        证明:线性变换的矩阵表示1_第2张图片

 

反身性、对称性、传递性

8 n阶方阵A和B相似的充要条件是A和B为同一线性变换在不同基下的矩阵。

 

参考: 国科大-矩阵论课件

你可能感兴趣的:(矩阵论,矩阵,线性代数,机器学习)