线性代数讲义（三）线性空间与线性变换

2021年暑假，受仲英书院学辅邀请，我主持了三次线性代数沙龙，对象是非数学物理专业的本科一年级学生。这是第三次沙龙的讲义，主题是线性空间与线性变换。这理应是线性代数的核心，但学校的教学却侧重在矩阵运算上。希望这份讲义能帮助同学纠正概念，理解线性代数的逻辑与本质。

线性空间与线性变换的基础概念

线性空间

设 $V$ 是一个非空集合， $\mathbb{F}$ 是一个数域，如果 $V$ 上规定了加法运算和数乘运算（对加法运算和数乘运算封闭），且满足以下8条运算规律（加法四条，乘法四条），则称 $V$ 是 $\mathbb{F}$ 上的线性空间。

1. 加法交换律：$\boldsymbol{\alpha} + \boldsymbol{\beta} = \boldsymbol{\beta} + \boldsymbol{\alpha} \qquad \forall \boldsymbol{\alpha},\boldsymbol{\beta} \in V$

2. 加法结合律：$\boldsymbol{\alpha} + (\boldsymbol{\beta} + \gamma) = (\boldsymbol{\alpha} + \boldsymbol{\beta}) + \gamma \qquad \forall \boldsymbol{\alpha},\boldsymbol{\beta},\gamma \in V$

3. 零元素：$\exists 0 \in V, \ \text{s.t.} \ \forall \boldsymbol{\alpha} \in V,\ \boldsymbol{\alpha} + 0 = \boldsymbol{\alpha}$

4. 负元素：$\forall \boldsymbol{\alpha} \in V, \ \exists \boldsymbol{\beta} \in V, \ \text{s.t.} \ \boldsymbol{\alpha}+\boldsymbol{\beta}=0$

5. 数乘单位元：$1 \boldsymbol{\alpha} = \boldsymbol{\alpha} \qquad \boldsymbol{\alpha} \in V$

6. 数乘和域乘法相容：$(kl) \boldsymbol{\alpha} = k (l \boldsymbol{\alpha}) \qquad \forall \boldsymbol{\alpha} \in V,\ k,l \in \mathbb{F}$

7. 数乘对向量加法满足分配律：$k(\boldsymbol{\alpha}+\boldsymbol{\beta}) = k \boldsymbol{\alpha} + k \boldsymbol{\beta} \qquad \forall \boldsymbol{\alpha},\boldsymbol{\beta} \in V,\ k \in \mathbb{F}$

8. 数乘对标量加法满足分配律：$(k + l) \boldsymbol{\alpha} = k \boldsymbol{\alpha} + l \boldsymbol{\alpha} \qquad \forall \boldsymbol{\alpha} \in V,\ k,l \in \mathbb{F}$

线性空间中的元素称为向量。

线性映射

设 $V$ 和 $V^\prime$ 是数域 $\mathbb{F}$ 上的两个线性空间， $V$ 到 $V^\prime$ 的一个映射 $\mathscr{A}$ 如果保持加法运算(additivity)和纯量乘法运算(homogeneity)，即

$$\mathscr{A} (\boldsymbol{\alpha} + \boldsymbol{\beta}) = \mathscr{A}(\boldsymbol{\alpha}) + \mathscr{A} (\boldsymbol{\beta})$$

$$\mathscr{A} (k \boldsymbol{\alpha}) = k \mathscr{\boldsymbol{\alpha}}$$

则称 $\mathscr{A}$ 是 $V$ 到 $V^\prime$ 的线性映射。

线性空间 $V$ 到自身的线性映射称为 $V$ 上的线性变换。

把 $V$ 到 $V^\prime$ 所有线性映射组成的集合记作 $\operatorname{Hom} (V,V^\prime)$ ，把 $V$ 到 $V$ 上所有线性变换组成的集合记作 $\operatorname{Hom} (V,V)$ 。

线性相关与线性无关

在数域 $\mathbb{F}$ 上的线性空间 $V$ 中，给定向量组 $\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n$ ，对于 $\boldsymbol{\beta} \in V$ ，如果存在 $\mathbb{F}$ 中的一组数 $k_1,k_2,\cdots,k_n$ ，使得 $\boldsymbol{\beta} = k_1 \boldsymbol{\alpha}_1 + k_2 \boldsymbol{\alpha}_2 + \cdots + k_n \boldsymbol{\alpha} _n$ 则称 $\boldsymbol{\beta}$ 可以被 $\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \cdots, \boldsymbol{\alpha}_n$ 线性表出。

函数空间

实平方可积函数空间

实平方可积

定义在 $[a,b]$ 上的函数 $f(x)$ 在此区间上的积分 $\int_a^b |f(x)|^2 \,\mathrm{d} x$ 存在且由极限，则称函数 $f(x)$ 是平方可积的，此空间记为 $L_2 [a,b]$ 。

实平方可积函数空间

元素是定义在 $[a,b]$ 上的实变量 $x$ 的实值函数，它们是平方可积的，并且符合线性性，这些元素的集合形成的线性空间称为平方可积的函数空间，简称为函数空间。

两个函数 $f$ 和 $g$ 之间的距离定义为

$$\rho(f, g)=\left[\int_{a}^{b}|f(x)-g(x)|^{2} \,\mathrm{d} x\right]^{1/2}$$

可知 $L_2 [a,b]$ 是一个距离空间。

两个函数 $f$ 和 $g$ 之间的内积定义为

$$(f, g)=\int_{a}^{b} f(x)g(x) \,\mathrm{d} x$$

泰勒级数

幂函数基

回顾泰勒级数公式

$$f(x)=\frac{f(x_{0})}{0 !}+\frac{f^{\prime}(x_{0})}{1 !}\left(x-x_{0}\right)+\frac{f^{\prime \prime}(x_{0})}{2 !}\left(x-x_{0}\right)^{2}+\cdots+\frac{f^{(n)}(x_{0})}{n !}\left(x-x_{0}\right)^{n}+R_{n}(x)$$

注意到 $n-1$ 次多项式函数 $f(x) = a_0 + a_1 x + a_2 x^2 + \cdots + a_{n-1} x^{n-1}$ 求 $n$ 阶导数就变成 $0$ 了。因此任意 $n-1$ 次多项式函数的泰勒级数都只有前 $n$ 项！若 $n-1$ 次多项式函数定义在 $[a,b]$ 上， $x_0 \in [a,b]$ ，则可以选定

$$\left\{ 1, x-x_{0} , \frac{1}{2!} \left(x-x_{0}\right)^{2}, \cdots , \frac{1}{(n-1)!} \left(x-x_{0}\right)^{n-1}\right\}$$

为多项式函数构成的线性空间的一组基。
任意多项式函数在这组基下的坐标为 $[f(x_0) \quad f^{\prime}(x_{0}) \quad f^{\prime \prime}(x_{0}) \quad \cdots \quad f^{(n-1)}(x_{0}) ]^T$ 。

特殊地，我们平常表示一个多项式函数为

$$f(x) = a_0 + a_1 x + a_2 x^2 + \cdots + a_{n-1} x^{n-1}$$

这也是选定了 $\{ 1, x, x^2, \cdots , x^{n-1}\}$ 为基后的表达形式。应用泰勒级数，我们可以得到前面的坐标为

$$a_k = k ! f^{(k)}(0)$$

此时函数就可以表达成

$$f(x) = [1 \quad x \quad x^2 \quad \cdots \quad x^{n-1} ] \begin{bmatrix} a_0 \\ a_1 \\ a_2 \\ \vdots \\ a_{n-1} \end{bmatrix}$$

求导变换与幂零矩阵

求导变换 $\mathscr{D}$ 定义为

$$\mathscr{D} : f(x) \mapsto f^{\prime}(x)$$

求导变换是线性变换。这可以通过导数的性质立刻得到。

$$\mathscr{D}[f(x)+g(x)] = f^{\prime}(x) + g^{\prime}(x) = \mathscr{D}f(x) + \mathscr{D}g(x)$$

$$\mathscr{D}[kf(x)] = k f^{\prime}(x) = k \mathscr{D}f(x)$$

求导变换是定义在函数空间上的，它把任意一个函数映射到另一个函数。它是更本质的存在，脱离于函数基的选择。如果没学过线性代数这门课，你也可以研究导数十分透彻。然而，我们现在要用矩阵去描述它。

下面举一个函数基的例子，另一个函数基留作例题。

在 $n-1$ 次多项式函数构成的线性空间中，选定 $\{ 1, x, x^2, \cdots , x^{n-1}\}$ 为基。对 $f(x) = a_0 + a_1 x + a_2 x^2 + \cdots + a_{n-1} x^{n-1}$ 求导，得到

$$f^{\prime}(x) = a_1 + 2 a_2 x + \cdots + (n-1) a_{n-1} x^{n-2}$$

写成基乘坐标向量的形式

$$f^{\prime}(x) = [1 \quad x \quad x^2 \quad \cdots \quad x^{n-1} ] \begin{bmatrix} a_1 \\ 2a_2 \\ \vdots \\ (n-1) a_{n-1} \\ 0 \end{bmatrix}$$

观察到从 $f(x)$ 的坐标到 $f^{\prime}(x)$ 的坐标，可以写成矩阵 $D$ 作用于其上

$$\begin{bmatrix} a_1 \\ 2a_2 \\ 3a_3 \\ \vdots \\ (n-1) a_{n-1} \\ 0 \end{bmatrix} = \begin{bmatrix} 0 & 1 & 0 & 0 & \cdots & 0 \\ 0 & 0 & 2 & 0 & \cdots & 0 \\ 0 & 0 & 0 & 3 & \cdots & 0 \\ \vdots & \vdots & \vdots & \vdots & & \vdots \\ 0 & 0 & 0 & 0 & \cdots & n-1 \\ 0 & 0 & 0 & 0 & \cdots & 0 \end{bmatrix} \begin{bmatrix} a_0 \\ a_1 \\ a_2 \\ a_3 \\ \vdots \\ a_{n-1} \end{bmatrix}$$

因此，矩阵 $D$ 就是求导变换在基 $\{ 1, x, x^2, \cdots , x^{n-1}\}$ 下的矩阵。

给出求导变换 $\mathscr{D}$ 在基 $\{ 1, x, \frac{x^2}{2!}, \cdots , \frac{x^{n-1}}{(n-1)!}\}$ 下的矩阵。

Proof

答案为 $J_n(0)$ 。

我们不禁思考：不同函数基下的求导变换对应的矩阵有何共性？

正如给定幂等矩阵我们还原回投影变换去思考，给定对合矩阵我们还原回对称变换去思考，求导变换有什么性质，求导变换在一个个函数基下的矩阵就有什么性质。这再次说明线性变换才是线性代数的核心，矩阵只是研究工具。

注意到，任意一个 $n-1$ 阶函数求 $n$ 次导就变成零函数 $0$ 。每求一次导，相当于对当前函数施加一个求导变换 $\mathscr{D}$ 。也就是说，每求一次导，相当于对当前函数在某个函数基下的坐标左乘一个矩阵 $D$ 。求导 $n$ 次变成 $0$ ，意味着 $\mathscr{D}^n = \mathscr{O}$ ，也意味着， $D^{n}=O$ 。因此， $\mathscr{D}$ 是一个幂零指数为 $n$ 的幂零变换， $D$ 是一个幂零指数为 $n$ 的幂零矩阵。

你若不信，我们来手算一下。考虑例2.1中的基下的矩阵，不妨令 $n=5$ ，则

$$D = \begin{bmatrix} 0 & 1 & 0 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 1 \\ 0 & 0 & 0 & 0 & 0 \\ \end{bmatrix}$$

$D$ 的二次幂为

$$D^2 = \begin{bmatrix} 0 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 1 \\ 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 \\ \end{bmatrix}$$

$D$ 的三次幂为

$$D^2 = \begin{bmatrix} 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0 & 1 \\ 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 \\ \end{bmatrix}$$

可以料想， $D$ 的五次幂就会变成 $O$ 。

矩阵有秩。可以看到，求导变换矩阵 $D$ 的秩为 $n-1$ 。上一次线代沙龙提到，秩代表着经历线性变换/矩阵左乘后，信息量的维度剩下多少。求导变换矩阵 $D$ 就鲜明地说明了这一点。每次求导后，常数项消失了，函数变成了 $n-2$ 次多项式。我们不能通过导数精准地还原到原函数，这就是不定积分为何有常数 $C$ 的原因。当大家学到第八章的时候，会发现一个线性变换的秩也是这样定义出来的。

最后，我们来看看线代课本上的一道习题有何意义，以此来结束这一小节。

设 $A$ 为 $n$ 阶方阵， $l$ 为正整数， $\boldsymbol{\alpha}$ 为某一向量。 $A^l \boldsymbol{\alpha} =0$ 但 $A^{l-1} \boldsymbol{\alpha} \neq 0$ 。求证：$\boldsymbol{\alpha}, A \boldsymbol{\alpha}, \cdots, A^{l-1} \boldsymbol{\alpha}$ 线性无关。

若 $\mathscr{D}$ 是求导变换， $\mathscr{D}^l f(x) =0$ 但 $\mathscr{D}^{l-1} f(x) \neq 0$ 。这意味着 $f(x)$ 必定是一个 $l-1$ 次多项式，此时 $f(x), \mathscr{D} f(x), \cdots, \mathscr{D}^{l-1} f(x)$ 分别是常数，1次多项式，2次多项式，…， $l-1$ 次多项式，通过乘系数加加减减（初等变换），必定可以变成 $1,x,\cdots,x^{l-1}$ ，它们是函数空间的一组基，正是线性无关的。

从这道习题，可以引出高等代数中循环空间的概念。因为习题的结论意味着，可以通过一个幂零变换，构造出线性空间的一组基。

向量与线性变换在不同基下的表示

通过前两节的论证，我们知道，向量和线性变换都是脱离基而存在于线性空间中的概念。在选定了某一组基后，向量可以用一个坐标列向量表示，线性变换可以用一个矩阵表示。线性变换作用在向量上，就相当于矩阵作用在坐标上。从而把对西瓜山竹猕猴桃多项式函数的运算，转化为了对数字的运算。那么，如果换一组基呢？这些表示方法会发生什么变化？

考虑这样一个问题：给定向量 $f(x)$ 在基 $\{ 1, x, x^2, \cdots , x^{n-1}\}$ 下的坐标 $\boldsymbol{x}$ ，怎么求出 $f(x)$ 在基 $\{ 1, x, \frac{x^2}{2!}, \cdots , \frac{x^{n-1}}{(n-1)!}\}$ 下的坐标 $\boldsymbol{y}$ ？给定求导变换 $\mathscr{D}$ 在基 $\{ 1, x, x^2, \cdots , x^{n-1}\}$ 下的矩阵 $D$ ，怎么求出 $f(x)$ 在基 $\{ 1, x, \frac{x^2}{2!}, \cdots , \frac{x^{n-1}}{(n-1)!}\}$ 下的矩阵 $D^{\prime}$ ？答案是使用化归的思想。

基变换与坐标变换

对于第一个问题，我们已知

$$\begin{aligned} f(x) &= a_0 + a_1 x + a_2 x^2 + \cdots + a_{n-1} x^{n-1} \\ &= [1 \quad x \quad x^2 \quad \cdots \quad x^{n-1} ] \begin{bmatrix} a_0 \\ a_1 \\ a_2 \\ \vdots \\ a_{n-1} \end{bmatrix} \end{aligned}$$

现在把 $1, x, x^2, \cdots , x^{n-1}$ 在基 $\{ 1, x, \frac{x^2}{2!}, \cdots , \frac{x^{n-1}}{(n-1)!}\}$ 下的表示方法都找出来，得到

$$1 = \begin{bmatrix} 1 & x & \frac{x^2}{2!} & \cdots & \frac{x^{n-1}}{(n-1)!} \end{bmatrix} \begin{bmatrix} 1 \\ 0 \\ 0 \\ \vdots \\ 0 \end{bmatrix}$$

$$x = \begin{bmatrix} 1 & x & \frac{x^2}{2!} & \cdots & \frac{x^{n-1}}{(n-1)!} \end{bmatrix} \begin{bmatrix} 0 \\ 1 \\ 0 \\ \vdots \\ 0 \end{bmatrix}$$

以此类推

$$x^k = \begin{bmatrix} 1 & x & \frac{x^2}{2!} & \cdots & \frac{x^{n-1}}{(n-1)!} \end{bmatrix} \begin{bmatrix} 0 \\ \vdots \\ k! \\ \vdots \\ 0 \end{bmatrix}$$

接着把 $1, x, x^2, \cdots , x^{n-1}$ 的 $n$ 个坐标作为列向量排成一个矩阵，得到

$$\begin{bmatrix} 1 & x & x^2 & \cdots & x^{n-1} \end{bmatrix} = \begin{bmatrix} 1 & x & \frac{x^2}{2!} & \cdots & \frac{x^{n-1}}{(n-1)!} \end{bmatrix} \begin{bmatrix} 1 & 0 & 0 & \cdots & 0 \\ 0 & 1! & 0 & \cdots & 0 \\ 0 & 0 & 2! & \cdots & 0 \\ \vdots & \vdots & \vdots & & \vdots \\ 0 & 0 & 0 & \cdots & (n-1)! \\ \end{bmatrix}$$

这有点像一个向量组在基 $\{ 1, x, \frac{x^2}{2!}, \cdots , \frac{x^{n-1}}{(n-1)!}\}$ 下的坐标。每个向量的坐标是一个 $n \times 1$ 的矩阵，向量组的坐标就是 $n \times n$ 的矩阵。且都可以表示为

向量组 = 基 × 坐标

于是，就可以推得

$$\begin{aligned} f(x) &= [1 \quad x \quad x^2 \quad \cdots \quad x^{n-1} ] \boldsymbol{x} \\ &= \begin{bmatrix} 1 & x & \frac{x^2}{2!} & \cdots & \frac{x^{n-1}}{(n-1)!} \end{bmatrix} \begin{bmatrix} 1 & 0 & 0 & \cdots & 0 \\ 0 & 1! & 0 & \cdots & 0 \\ 0 & 0 & 2! & \cdots & 0 \\ \vdots & \vdots & \vdots & & \vdots \\ 0 & 0 & 0 & \cdots & (n-1)! \\ \end{bmatrix} \boldsymbol{x} \end{aligned}$$

同时，若 $f(x)$ 在基 $\{ 1, x, \frac{x^2}{2!}, \cdots , \frac{x^{n-1}}{(n-1)!}\}$ 下的坐标为 $\boldsymbol{y}$ ，则有

$$f(x) = \begin{bmatrix} 1 & x & \frac{x^2}{2!} & \cdots & \frac{x^{n-1}}{(n-1)!} \end{bmatrix} \boldsymbol{y}$$

对比两式，得到坐标变换关系

$$\boldsymbol{y} = \begin{bmatrix} 1 & 0 & 0 & \cdots & 0 \\ 0 & 1! & 0 & \cdots & 0 \\ 0 & 0 & 2! & \cdots & 0 \\ \vdots & \vdots & \vdots & & \vdots \\ 0 & 0 & 0 & \cdots & (n-1)! \\ \end{bmatrix} \boldsymbol{x}$$

实际操作中，我们定义该矩阵为从新基 $\{ 1, x, \frac{x^2}{2!}, \cdots , \frac{x^{n-1}}{(n-1)!}\}$ 到老基 $1, x, x^2, \cdots , x^{n-1}$ 的过渡矩阵 $P^{-1}$ ，而把从老基到新基的过渡矩阵定义为 $P$ 。从而

$$\begin{bmatrix} 1 & x & x^2 & \cdots & x^{n-1} \end{bmatrix} = \begin{bmatrix} 1 & x & \frac{x^2}{2!} & \cdots & \frac{x^{n-1}}{(n-1)!} \end{bmatrix} P^{-1}$$

$$\begin{bmatrix} 1 & x & \frac{x^2}{2!} & \cdots & \frac{x^{n-1}}{(n-1)!} \end{bmatrix} = \begin{bmatrix} 1 & x & x^2 & \cdots & x^{n-1} \end{bmatrix} P$$

这看似有些别扭，但符合逻辑顺序。过渡总是从旧到新过渡，因此从旧到新定义为 $P$ ，从新到旧定义为 $P^{-1}$ 。不过也用不着纠结，只需理解基变换矩阵就是一组基在另一组基下的“坐标”即可。

线性变换在不同基下的矩阵

现在我们有一组新基，一组旧基。一个脱离于基的任意向量 $\boldsymbol{\alpha}$ 和一个脱离基的线性变换 $\mathscr{A}$ ，以及脱离基的变换后向量 $\mathscr{A}\boldsymbol{\alpha}$ 。还有线性变换在旧基下的矩阵 $A$ 。目的是要找出线性变换在新基下的矩阵 $B$ 。

可以先把这一向量在旧基下的坐标 $\boldsymbol{x}$ 找出来，用 $A$ 左乘坐标，得到 $\mathscr{A}\boldsymbol{\alpha}$ 在旧基下的坐标 $A \boldsymbol{x}$ 。然后通过基变换下的坐标变换， $\boldsymbol{\alpha}$ 在新基下的坐标 $\boldsymbol{y}=P^{-1} \boldsymbol{x}$ ， $A \boldsymbol{x}$ 在新基下的坐标为 $P^{-1} A \boldsymbol{x}$ 。然后 $\mathscr{A}$ 在新基下的矩阵就显然了。由此导出了相似关系。