线性变换与矩阵表示：矩阵是"动作

02-矩阵与线性变换核心约 25 分钟 #线性变换#矩阵表示#列即像更新 2026-10-02

当前状态：未学

本文基于模型知识整理（生成时未联网核对），关键结论建议对照 Axler 第 3 章 / 3Blue1Brown 第 3 集复核。

一句话定义

线性变换 $T:V\to W$ 是保持加法与缩放的映射（$T(cx+y)=cT(x)+T(y)$）；它在给定基下的矩阵恰好由基向量的像按列拼成——矩阵不是数字表格而是"动作的编码"，读矩阵的每一列就是"读基向量被搬到了哪里"。

这是线性代数的中心思想转换：从"数字表"转向"空间变换"——旋转、投影、剪切、缩放都是矩阵，矩阵乘法是动作的复合（kp-007），特征向量是"动作下不动方向"（kp-012），SVD 是动作的"旋转-缩放-旋转"分解（kp-018）。没有这个视角，后面一半的知识只是运算规则的堆砌。

kp-003/004（线性组合与基）。

线性变换：$T(u+v)=T(u)+T(v)$ 且 $T(cv)=cT(v)$；等价于 $T(c_1v_1+\dots)=c_1T(v_1)+\dots$——对组合的变换 = 对像的组合。
矩阵表示定理：$A = [T(b_1)\ T(b_2)\ \dots\ T(b_n)]$（基像按列）。一个变换 + 一组基 = 一个矩阵；换基则矩阵变（同一动作的不同编码，kp-013 的相似变换）。
列向量即像：$Ae_j$ = 第 j 列——标准基被搬到哪。
矩阵-向量乘法：$Ax$ = 按 x 的坐标对"基的像"做线性组合 = $x_1(\text{col}_1) + \dots$。
确定性与信息量：变换由基像完全确定——记 n 个像 vs 记无限个点的像，抽象的压缩力量。

为什么列像确定一切：任意 $x = \sum x_j b_j$，由线性性 $T(x) = \sum x_j T(b_j)$——知道基像就知道了所有点的像。矩阵乘法 $Ax$ 的定义（列的加权求和）正是这条恒等式的代数化：矩阵-向量乘法不是"规定的运算"，而是线性性的必然后果。

视角的红利：

每个抽象概念都有即时的几何画面——这就是"动作视角"的学习效率。

域与余域：$m\times n$ 矩阵 = 从 $\mathbb{R}^n$ 到 $\mathbb{R}^m$ 的动作（吃 n 维吐 m 维）；方阵才是"同空间内动作"——特征值、行列式只在方阵语境自然（长方阵要用 SVD 的推广，kp-018）。

T(b₁)=a₁, T(b₂)=a₂  ⟹  矩阵 A = [a₁ a₂]
        ┌      ┐
  x=(x₁,x₂) → Ax = x₁a₁ + x₂a₂   (按坐标组合"基的像")
例: 旋转90° = [0 −1; 1 0]   (e₁→e₂, e₂→−e₁)

矩阵是"舞蹈动作的记谱"：列向量是"标准站位被移动到哪里"；矩阵乘向量是"照着记谱移动舞者"；矩阵乘矩阵是"连跳两段舞"。看懂记谱（列=像），任何变换都无需死记运算规则。

答：$A=\begin{bmatrix}1 & -1\\ 1 & 0\end{bmatrix}$（基像按列）。

答：$T(0)=T(0\cdot v)=0\cdot T(v)=0$——线性性直接蕴含；不保持原点的映射必非线性。

答：从 $\mathbb{R}^3$ 到 $\mathbb{R}^2$——三维信息压缩到二维（如投影），信息可能丢失（零空间非平凡，kp-008）。