贡献者: addis; Giacomo
如果线性映射是单射的(即定义域空间到值域空间是双射的),那么它的结构简单明了,没有太多值得讨论的。我们现在来看一个揭示多对一线性映射的结构的重要定理。考虑线性映射 $A:X\to Y$,线性空间 $X$ 的零空间(定义 3 )$X_0$ 中的每个矢量都被 $A$ 映射到 $Y$ 空间中的零矢量,即 $A(X_0) = \left\{0 \right\} $。
证明见下文。我们可以形象地把定理 1 用图 1 表示,图中每个三角形代表一个矢量空间,由于 $X_0, X_1$ 是互补的,它们只相交于零矢量。注意对于给定的映射 $A$,$X_0$ 和 $Y_1$ 是确定的,而 $X_0$ 的补空间 $X_1$ 可以随意选取。
特殊地,若 $X_0$ 是零维空间即 $X_0 = \left\{0 \right\} $,则补空间 $X_1 = X$。此时可以把图 1 中表示 $X_0$ 的三角形去掉。
该定理可以更好地帮助我们理解线性方程组解的结构:当 $ \boldsymbol{\mathbf{A}} \boldsymbol{\mathbf{x}} = \boldsymbol{\mathbf{b}} $ 的解集等于一个特解加齐次解集,齐次解。$ \boldsymbol{\mathbf{b}} $ 是 $Y_1$ 中的某向量,特解是 $X_1$ 中映射到 $ \boldsymbol{\mathbf{b}} $ 的向量,而齐次解就是零空间 $X_0$。
我们记
证明:见式 1 ,由于 $X_1$ 与 $Y_1$ 一一对应,$X_1$ 的维数也是 $ \operatorname {rank}(A)$,又因为 $X_0\oplus X_1 = X$,$X$ 的维数等于 $X_0, X_1$ 维数之和(推论 1 )。证毕。
证明:式 1 中 $\dim(X), \operatorname {nullity}(A), \operatorname {rank}(A) > 0$,所以有 $ \operatorname {rank}(A) \leqslant \dim(X)$。
说明:零空间 $X_0$ 只有零矢量一个元素当且仅当式 1 中 $\dim(X) = \operatorname {rank}(A)$ 或 $ \operatorname {nullity}(A) = 0$。
证明:前者证明后者:使用推论 1 以及单射的定义,可得 $0\in X$ 是零空间中的唯一向量。后者证明前者:$ \operatorname {nullity}(A) = 0$ 即定理 1 中的 $X = X_1$,与值空间 $Y_1 = A(X)$ 有一一对应关系。证毕。
要证明定理 1 ,首先证明 $A(X_1) = A(X)$。任意 $x\in X$ 可以表示为 $x = x_0 + x_1$,其中 $x_0\in X_0$,$x_1\in X_1$。$Ax = A x_0 + A x_1 = A x_1$。这说明任意 $y_1 \in Y_1 = A(X)$ 都能找到 $x_1$ 使 $A x_1 = y_1$,所以 $A(X_1) = Y_1$。
现在证明 $X_1$ 和 $Y_1$ 一一对应:令 $u, v \in X_1$,我们要证明如果 $Au = Av$ 那么 $u = v$。算符 $A$ 是线性的,所以 $A(u-v) = 0$,所以 $u - v \in X_0$。由封闭性,$u - v \in X_1$。由于补空间只交于零矢量 $X_0 \cap X_1 = \left\{0 \right\} $,所以 $u - v = 0$,即 $u = v$。证毕。