線性映射及其結構

映射關於基的矩陣

線性映射 T : V -> W 是一個抽象的、無座標的對象。要用它來計算,你需為定義域選一組基 B = (b_1, ..., b_n)、為陪域選一組基 C,於是 T 便化為一個矩陣。做法是:把 T 作用於每個定義域基向量,將結果 T(b_j) 關於 C 用座標表示,再把那個座標行作為矩陣的第 j 行。矩陣的各行就是基向量的像,按目標基寫出。

一旦矩陣 [T]_{C<-B} 建好,計算便歸結為矩陣與向量的乘法:若 x 是向量 v 關於 B 的座標行,則 [T]_{C<-B} x 是 T(v) 關於 C 的座標行。抽象映射與其矩陣做的是同一件事;矩陣不過是透過兩扇選定的座標窗口看到的映射。映射的複合,按匹配的次序,對應於它們矩陣的乘法。

關鍵的告誡是基依賴性。改換任一組基,矩陣都會改變,縱然映射紋絲未動。新的定義域基在右側乘一個換基矩陣,新的陪域基在左側乘另一個。所以同一個映射有無窮多個矩陣,而任何你想歸於映射本身的性質都必須在這些改變下不變——秩,以及對算子而言的行列式、跡與特徵值,正是這樣的不變量。

這是連接本學科兩半的橋樑:關於映射的抽象推理,與關於矩陣的具體計算。定理以無座標方式陳述最為乾淨;算術則在某組基裡完成。懂得如何在二者之間往返——以及哪些事實能挺過這往返——正是從業數學家的熟練。

j-th column of [T] = coordinates of T(b_j) in the basis C

逐行地建矩陣:把每個定義域基向量餵進去,記錄它去向何處,用陪域座標表示。

對算子 T : V -> V,人們通常兩側用同一組基,B = C。此時換基按相似變換矩陣,A -> P^-1 A P。對一般映射 V -> W 且兩組基獨立,變換是更靈活的 A -> Q^-1 A P(矩陣等價),其下唯一的不變量是秩。

又稱
matrix representationcoordinate matrix of T