3D 可逆性和同构

本节概览

本节围绕可逆线性映射和同构两个核心概念展开，建立了一系列等价刻画，并最终导出换基公式。同构精确地刻画了”两个向量空间本质上相同”的含义——维数相同是唯一的判别标准。本节还证明了 $L (V, W)$ 与 $F^{m, n}$ 同构，以及线性映射的作用可以用矩阵乘法表达： $M (T v) = M (T) M (v)$ 。

逻辑链条：可逆定义 → 逆的唯一性 → 可逆 ⟺ 单射+满射 → 有限维下三者等价 → 同构 → 维数判别 → $L (V, W) ≅ F^{m, n}$ → 向量矩阵 → $M (T v) = M (T) M (v)$ → range 维数 = 列秩 → 恒等矩阵/可逆矩阵 → 换基公式 $A = C^{- 1} BC$

前置依赖：3A 线性映射所成的向量空间（线性映射定义与运算）、3B 零空间和值域（单射/满射性、基本定理 3.21）、3C 矩阵（ $M (T)$ 的定义、矩阵乘法、列秩）、2B 基（基的选取与坐标表示）、2C 维数（维数等式）

核心主线：可逆性是线性映射”完美对应”的精确表述——在有限维等维空间中，单射、满射、可逆三者完全等价；同构将不同向量空间统一为同一维数下的等价类

一、可逆线性映射

1.1 可逆与逆的定义

定义 3.59：可逆的（invertible）、逆（inverse）

设 $T \in L (V, W)$ ，如果存在线性映射 $S \in L (W, V)$ ，使得 $ST = I_{V} 且 TS = I_{W}$ （其中 $I_{V}$ 是 $V$ 上的恒等算子， $I_{W}$ 是 $W$ 上的恒等算子），则称 $T$ 是可逆的。满足上述条件的 $S$ 被称为 $T$ 的一个逆。

学习注解

注意 $ST = I_{V}$ 和 $TS = I_{W}$ 缺一不可。 $S$ 和 $T$ 作用于不同空间，顺序不可交换。

定义说的是”一个逆”（an inverse），因为此时尚未证明唯一性。

直觉： $T$ 可逆意味着 $T$ 建立 $V$ 和 $W$ 之间的一一对应，且保持线性结构。

1.2 逆的唯一性

定理 3.60：逆是唯一的

可逆的线性映射具有唯一的逆。

证明思路

设 $S_{1}, S_{2}$ 都是 $T$ 的逆，则 $S_{1} = S_{1} I_{W} = S_{1} (T S_{2}) = (S_{1} T) S_{2} = I_{V} S_{2} = S_{2}$

[三明治消去技巧]： 利用结合律，将 $I_{W}$ 替换为 $T S_{2}$ ，再利用 $S_{1} T = I_{V}$ 替换为 $I_{V}$ ，最终得到 $S_{1} = S_{2}$ 。

$■$

记号 3.61： $T^{- 1}$

如果 $T \in L (V, W)$ 是可逆的，那么它的逆记作 $T^{- 1}$ 。换言之， $T^{- 1} \in L (W, V)$ 是 $L (W, V)$ 中唯一使得 $T^{- 1} T = I_{V}$ 和 $T T^{- 1} = I_{W}$ 成立的元素。

1.3 典型例子

例 3.62： $R^{3}$ 上的可逆线性映射

设 $T \in L (R^{3})$ 定义为 $T (x, y, z) = (- y, x, 4 z)$ 。

几何意义：在 $x y$ 平面上逆时针旋转 $90°$ ，并将 $z$ 轴分量拉伸至 $4$ 倍。

逆映射： $T^{- 1} (x, y, z) = (y, - x, \frac{z}{4})$ （顺时针旋转 $90°$ ， $z$ 轴压缩至 $\frac{1}{4}$ 倍）。

学习注解

这个例子很好地展示了可逆映射的几何直观：旋转是可逆的（反向旋转即可），非零拉伸也是可逆的（反向拉伸即可）。两者复合仍然可逆。

二、有限维空间中的等价条件

2.1 核心等价定理

定理 3.63：可逆性 ⟺ 单射性 + 满射性

一个线性映射是可逆的，当且仅当它既是单射又是满射。

证明思路

方向一（可逆 → 单射+满射）：

[单射性]： $T u = T v \Rightarrow u = T^{- 1} (T u) = T^{- 1} (T v) = v$

[满射性]： $\forall w \in W$ ， $w = T (T^{- 1} w) \in range T$

方向二（单射+满射 → 可逆）：

[构造逆映射]： 对每个 $w \in W$ ，由满射性知存在 $v \in V$ 使 $T v = w$ ；由单射性知这样的 $v$ 唯一。定义 $S (w) = v$ 。

[验证 $ST = I_{V}$ ]： 对任意 $v \in V$ ， $T (S (T v)) = T v$ （因为 $S (T v)$ 是满足 $T (\cdot) = T v$ 的唯一向量，即 $v$ 本身），故 $S (T v) = v$ 。

[验证 $TS = I_{W}$ ]： 由 $S$ 的定义， $T (Sw) = w$ ，故 $TS = I_{W}$ 。

[验证 $S$ 是线性的]：

可加性： $T (S (w_{1} + w_{2})) = w_{1} + w_{2} = T (S w_{1}) + T (S w_{2}) = T (S w_{1} + S w_{2})$ ，由 $T$ 的单射性得 $S (w_{1} + w_{2}) = S w_{1} + S w_{2}$ 。

齐次性： $T (S (λ w)) = λ w = λ T (Sw) = T (λ Sw)$ ，由单射性得 $S (λ w) = λ Sw$ 。

关键洞察：满射性保证 $S$ 的存在性（每个 $w$ 都有原像），单射性保证 $S$ 的良定义性（原像唯一）。

$■$

2.2 无限维的反例

例 3.64：仅凭单射性或满射性不能推出可逆性

与 $x^{2}$ 相乘的映射 $P (R) \to P (R)$ ：是单射但不是满射（常数多项式 $1$ 不在值域中）。

后向移位映射 $F^{\infty} \to F^{\infty}$ ：是满射但不是单射（向量 $(1, 0, 0, 0, \dots)$ 在零空间中）。

学习注解

这个例子极其重要！它说明在无限维空间中，单射和满射是独立的条件，不能互推。这为下面的有限维定理做了铺垫——有限维的”好性质”在无限维中不再成立。

2.3 有限维下的三者等价

定理 3.65：若 $dim V = dim W < \infty$ ，则单射性与满射性等价

假设 $V$ 和 $W$ 都是有限维向量空间， $dim V = dim W$ ，且 $T \in L (V, W)$ 。那么 $T 可逆 ⟺ T 是单射 ⟺ T 是满射$

证明思路

核心工具： 线性映射基本定理（3.21） $dim V = dim null T + dim range T$

[单射 ⟹ 满射]： 若 $T$ 单射，则 $dim null T = 0$ ，故 $dim range T = dim V = dim W$ 。由于 $range T \subseteq W$ 且维数相同， $range T = W$ ，故 $T$ 满射。

[满射 ⟹ 单射]： 若 $T$ 满射，则 $dim range T = dim W = dim V$ ，故 $dim null T = dim V - dim range T = 0$ ，即 $null T = {0}$ ，故 $T$ 单射。

$■$

学习注解

这是本节最重要的定理之一！它意味着在有限维且维数相同的条件下，验证可逆性只需验证单射或满射之一即可，大大简化了问题。

特例：当 $W = V$ （即 $T \in L (V)$ ）时， $dim V = dim W$ 自动满足。

应用实例：例 3.67

问题：给定 $q \in P (R)$ ，是否存在 $p$ 使得 $(x^{2} + 5 x + 7) p^{''} = q$ ？

解法：

$P (R)$ 是无限维的，不能直接用 3.65。

限制到有限维子空间 $P_{m} (R)$ ，定义 $Tp = (x^{2} + 5 x + 7) p^{''}$ 。

验证 $T : P_{m} (R) \to P_{m} (R)$ 是良定义的（乘 $x^{2} + 5 x + 7$ 升 $2$ 次，求两次导降 $2$ 次，次数不变）。

$null T = {0}$ （因为 $p^{''} = 0$ 的多项式形如 $a x + b$ ，但乘以 $x^{2} + 5 x + 7$ 后不为零）。

由 3.65， $T$ 是满射，故存在 $p$ 。

学习注解

这个例子展示了一个强大的技巧：当无限维空间上的问题难以处理时，将其限制到有限维子空间，利用有限维的优良性质来解决问题。这是一种非常通用的数学方法。

2.4 单侧逆即双侧逆

定理 3.68： $ST = I ⟺ TS = I$ （ $S$ 和 $T$ 作用于维数相同的向量空间）

假设 $V$ 和 $W$ 是维数相同的有限维向量空间， $S \in L (W, V)$ 且 $T \in L (V, W)$ 。那么 $ST = I$ 当且仅当 $TS = I$ 。

证明思路

[单侧逆 ⟹ 双侧逆]：

假设 $ST = I_{V}$ 。

$ST = I_{V} \Rightarrow T$ 是单射（若 $T u = T v$ ，则 $u = ST u = ST v = v$ ）

由定理 3.65（ $dim V = dim W$ ）， $T$ 单射 $\Rightarrow T$ 可逆

$T$ 可逆 $\Rightarrow S = T^{- 1}$ （因为 $ST = I$ 且逆唯一）

$S = T^{- 1} \Rightarrow TS = T T^{- 1} = I_{W}$

$■$

学习注解

深刻含义：在有限维等维数的条件下，“左逆”和”右逆”自动统一。这在无限维中不成立（参考例 3.64）。

推论：对于有限维 $V$ 上的方阵， $A B = I ⟺ B A = I$ （习题 24）。

三、同构向量空间

3.1 同构的定义

定义 3.69：同构（isomorphism）、同构的（isomorphic）

同构就是可逆线性映射。对于两个向量空间，若存在将其中一个向量空间映成另一个向量空间的同构，则称它们是同构的。

学习注解

“同构”和”可逆线性映射”这两个术语同义，但用法上有微妙区别：

用”可逆线性映射”时，强调映射本身的性质。

用”同构”时，强调两个空间之间的本质相同性。

同构 $T : V \to W$ 可以理解为把 $v \in V$ “改写”为 $T v \in W$ ——只是换了标签，结构完全一样。

3.2 维数判定同构

定理 3.70：维数表明了向量空间是否同构

对于 $F$ 上的两个有限维向量空间，当且仅当它们的维数相同时，它们才是同构的。

证明思路

方向一（同构 → 维数相同）：

设 $T : V \to W$ 是同构。则 $null T = {0}$ （ $T$ 是单射）且 $range T = W$ （ $T$ 是满射）。由基本定理： $dim V = dim null T + dim range T = 0 + dim W = dim W$ 。

方向二（维数相同 → 同构）：

设 $dim V = dim W = n$ 。取 $V$ 的基 $v_{1}, \dots, v_{n}$ 和 $W$ 的基 $w_{1}, \dots, w_{n}$ 。定义 $T (c_{1} v_{1} + \dots + c_{n} v_{n}) = c_{1} w_{1} + \dots + c_{n} w_{n}$ 。

$T$ 是满射： $w_{1}, \dots, w_{n}$ 张成 $W$ ，故任意 $w \in W$ 都能写成 $T$ 的像。

$T$ 是单射：若 $T (\sum c_{i} v_{i}) = 0$ ，则 $\sum c_{i} w_{i} = 0$ ，由 $w_{i}$ 线性无关得所有 $c_{i} = 0$ ，故 $null T = {0}$ 。

$■$

学习注解

核心推论：每个 $n$ 维向量空间都与 $F^{n}$ 同构。例如 $P_{m} (F) ≅ F^{m + 1}$ 。

深度思考

既然每个有限维向量空间都与某个 $F^{n}$ 同构，为何不只研究 $F^{n}$ ？

书中给出的回答非常深刻：对 $F^{n}$ 的研究势必引入其他向量空间（如线性映射的零空间和值域），虽然这些空间也同构于某个 $F^{m}$ ，但这样考虑问题往往更复杂且不带来新见解。直接在抽象向量空间上工作，反而更简洁、更深刻。

3.3 线性映射空间的同构

定理 3.71： $M$ 是 $L (V, W)$ 与 $F^{m, n}$ 间的同构

设 $v_{1}, \dots, v_{n}$ 是 $V$ 的基且 $w_{1}, \dots, w_{m}$ 是 $W$ 的基。那么 $M$ 是 $L (V, W)$ 与 $F^{m, n}$ 间的同构。

证明思路

[线性性]： 由定理 3.35 和 3.38， $M (T + S) = M (T) + M (S)$ 且 $M (λ T) = λ M (T)$ 。

[单射性]： 若 $M (T) = 0$ ，则 $T v_{k} = 0$ 对所有 $k$ 成立。由 $v_{1}, \dots, v_{n}$ 张成 $V$ ， $T = 0$ 。

[满射性]： 给定 $A \in F^{m, n}$ ，由线性映射引理（3.4），存在 $T \in L (V, W)$ 使得 $T v_{k} = \sum_{j = 1}^{m} A_{j, k} w_{j}$ ，于是 $M (T) = A$ 。

$■$

定理 3.72： $dim L (V, W) = (dim V) (dim W)$

假设 $V$ 和 $W$ 是有限维的。那么 $L (V, W)$ 是有限维的，且 $dim L (V, W) = (dim V) (dim W)$ 。

证明思路

由定理 3.71， $M$ 是 $L (V, W)$ 到 $F^{m, n}$ 的同构。由定理 3.70，同构的空间维数相同。由定理 3.40， $dim F^{m, n} = mn = (dim V) (dim W)$ 。

$■$

学习注解

这两个定理揭示了线性映射空间本身也是一个向量空间，且其维数等于定义域维数乘以目标空间维数。这是一个非常优美的结果。

四、线性映射与矩阵乘法、换基

4.1 向量的矩阵与 $M (T v) = M (T) M (v)$

定义 3.73：向量的矩阵（matrix of a vector）、 $M (v)$

假设 $v \in V$ 且 $v_{1}, \dots, v_{n}$ 是 $V$ 的基。 $v$ 关于该基的矩阵是 $n \times 1$ 矩阵 $M (v) = b_{1} ⋮ b_{n}$ 其中 $b_{1}, \dots, b_{n}$ 是使得 $v = b_{1} v_{1} + \dots + b_{n} v_{n}$ 成立的标量。

例 3.74：多项式的矩阵

多项式 $2 - 7 x + 5 x^{3} + x^{4} \in P_{4} (R)$ 关于标准基 $1, x, x^{2}, x^{3}, x^{4}$ 的矩阵为 $M (2 - 7 x + 5 x^{3} + x^{4}) = 2 - 7 051$

学习注解

一旦取定基 $v_{1}, \dots, v_{n}$ ，映射 $M : V \to F^{n, 1}$ 就是一个同构。这意味着我们可以把抽象向量 $v$ “翻译”成具体的列矩阵 $M (v)$ 。

定理 3.75： $M (T)_{\cdot, k} = M (T v_{k})$

设 $T \in L (V, W)$ ， $v_{1}, \dots, v_{n}$ 是 $V$ 的基且 $w_{1}, \dots, w_{m}$ 是 $W$ 的基。令 $1 \leq k \leq n$ 。那么 $M (T)$ 的第 $k$ 列就等于 $M (T v_{k})$ 。

定理 3.76：线性映射的作用就像矩阵乘法

$M (T v) = M (T) M (v)$

证明思路

设 $v = b_{1} v_{1} + \dots + b_{n} v_{n}$ ，则 $T v = b_{1} T v_{1} + \dots + b_{n} T v_{n}$ 。 $M (T v) = b_{1} M (T v_{1}) + \dots + b_{n} M (T v_{n}) = b_{1} M (T)_{\cdot, 1} + \dots + b_{n} M (T)_{\cdot, n} = M (T) M (v)$

$■$

学习注解

这是线性代数中最核心的公式之一！

它将三个概念完美融合：

线性映射的矩阵 $M (T)$ （ $m \times n$ 矩阵）

向量的矩阵 $M (v)$ （ $n \times 1$ 矩阵）

矩阵乘法

但必须牢记：矩阵 $M (T)$ 不仅依赖于 $T$ ，还依赖于基的选取。后续章节的一个重要主题就是选取使矩阵尽可能简单的基。

定理 3.78： $dim range T$ 等于 $M (T)$ 的列秩

假设 $V$ 和 $W$ 是有限维的， $T \in L (V, W)$ 。那么 $dim range T$ 等于 $M (T)$ 的列秩。

证明思路

同构 $w \mapsto M (w)$ 将 $range T$ 映到 $span (M (T v_{1}), \dots, M (T v_{n}))$ ，而 $M (T v_{1}), \dots, M (T v_{n})$ 正是 $M (T)$ 的各列。同构保持维数，故 $dim range T$ 等于 $M (T)$ 的列秩。

$■$

学习注解

这个定理建立了抽象概念（值域维数）和具体计算（矩阵列秩）之间的桥梁。值得注意的是，虽然 $M (T)$ 依赖于基的选取，但列秩不变——因为 $range T$ 与基无关。

4.2 恒等矩阵与可逆矩阵

定义 3.79：恒等矩阵（identity matrix）、 $I$

仅对角线上元素为 $1$ 而其他元素均为 $0$ 的 $n \times n$ 矩阵称为恒等矩阵，记作 $I$ 。

学习注解

$M (I) = I$ 对任意基成立——恒等算子的矩阵总是恒等矩阵。

对任意 $m \times n$ 矩阵 $A$ ，有 $A I = I A = A$ （前提是维度兼容）。

定义 3.80：可逆矩阵、 $A^{- 1}$

称方阵 $A$ 是可逆的，如果存在方阵 $B$ 使得 $A B = B A = I$ 。 $B$ 称为 $A$ 的逆，记为 $A^{- 1}$ 。

学习注解

矩阵的可逆性与线性映射的可逆性完全对应：

$(A^{- 1})^{- 1} = A$

$(A C)^{- 1} = C^{- 1} A^{- 1}$ （注意顺序反转！，与函数复合的逆一致）

4.3 换基公式

定理 3.81：线性映射之积的矩阵（推广版）

设 $T \in L (U, V)$ 且 $S \in L (V, W)$ 。如果 $u_{1}, \dots, u_{m}$ 是 $U$ 的基， $v_{1}, \dots, v_{n}$ 是 $V$ 的基且 $w_{1}, \dots, w_{p}$ 是 $W$ 的基，那么 $M (ST, (u_{1}, \dots, u_{m}), (w_{1}, \dots, w_{p})) = M (S, (v_{1}, \dots, v_{n}), (w_{1}, \dots, w_{p})) \cdot M (T, (u_{1}, \dots, u_{m}), (v_{1}, \dots, v_{n}))$

学习注解

这正是矩阵乘法定义的动机——我们定义矩阵乘法就是为了使这个等式成立！

定理 3.82：恒等算子关于两个基的矩阵互逆

假设 $u_{1}, \dots, u_{n}$ 和 $v_{1}, \dots, v_{n}$ 是 $V$ 的两个基。那么矩阵 $M (I, (u_{1}, \dots, u_{n}), (v_{1}, \dots, v_{n})) 和 M (I, (v_{1}, \dots, v_{n}), (u_{1}, \dots, u_{n}))$ 都是可逆的，且互为对方的逆。

证明思路

在定理 3.81 中取 $S = T = I$ ，则 $M (I, (u), (u)) = M (I, (v), (u)) \cdot M (I, (u), (v))$ 而 $M (I, (u), (u)) = I$ （恒等算子在同一基下的矩阵是恒等矩阵），故两个矩阵互逆。

$■$

学习注解

直觉理解： $M (I, (u), (v))$ 的第 $k$ 列就是把 $u_{k}$ 用基 $v_{1}, \dots, v_{n}$ 表示的坐标。这个矩阵本质上是一个”坐标翻译器”——把 $u$ -基下的坐标翻译成 $v$ -基下的坐标。

例 3.83： $F^{2}$ 的换基矩阵

$F^{2}$ 的两组基： $(4, 2), (5, 3)$ 和 $(1, 0), (0, 1)$ 。

$M (I, ((4, 2), (5, 3)), ((1, 0), (0, 1))) = (4253)$

其逆为 $M (I, ((1, 0), (0, 1)), ((4, 2), (5, 3))) = (4253)^{- 1} = (\frac{3}{2} - 1 - \frac{5}{2} 2)$

定理 3.84：换基公式（change-of-basis formula）

设 $T \in L (V)$ 。假设 $u_{1}, \dots, u_{n}$ 和 $v_{1}, \dots, v_{n}$ 都是 $V$ 的基。令 $A = M (T, (u_{1}, \dots, u_{n})), B = M (T, (v_{1}, \dots, v_{n})), C = M (I, (u_{1}, \dots, u_{n}), (v_{1}, \dots, v_{n}))$ 那么 $A = C^{- 1} BC$

证明思路

由 3.81（取 $S = I$ ）： $A = C^{- 1} \cdot M (T, (u), (v))$ （利用 3.82 知 $C^{- 1} = M (I, (v), (u))$ ）

再由 3.81（取 $T = I, S = T$ ）： $M (T, (u), (v)) = BC$

代入得 $A = C^{- 1} (BC) = C^{- 1} BC$

$■$

学习注解

换基公式是本节的压轴定理，也是线性代数中最实用的公式之一！

几何意义： $A$ 和 $B$ 是同一个线性映射 $T$ 在不同基下的矩阵，它们是相似的（ $A = C^{- 1} BC$ ）。矩阵 $C$ 是基变换的”翻译器”。

核心启示：后续章节（特征值、特征向量、谱定理）的一个主要目标就是选取基使 $B$ 尽可能简单（如对角矩阵）。

定理 3.86：逆的矩阵等于矩阵的逆

设 $v_{1}, \dots, v_{n}$ 是 $V$ 的基且 $T \in L (V)$ 是可逆的。那么 $M (T^{- 1}) = M (T)^{- 1}$ 。

学习注解

这个定理优雅地表明：取逆的操作在”线性映射”和”矩阵”两个层面是完全一致的。

五、知识结构总览

graph TD
    A["3D可逆性和同构"] --> B["定义3.59 可逆与逆"]
    A --> H["定义3.69 同构"]
    A --> L["定义3.73 向量的矩阵"]
    A --> O["定义3.79 恒等矩阵"]
    B --> C["定理3.60 逆唯一"]
    B --> D["定理3.63 可逆等价单射加满射"]
    D --> E["例3.64 无限维反例"]
    E --> F["定理3.65 有限维等价条件"]
    F --> G["定理3.68 ST等于I等价TS等于I"]
    H --> I["定理3.70 维数相同等价同构"]
    I --> J["定理3.71 L_VW同构F_mn"]
    J --> K["定理3.72 dimL_VW等于mn"]
    L --> M["定理3.76 MTv等于MTMv"]
    M --> N["定理3.78 range维数等于列秩"]
    O --> P["定义3.80 可逆矩阵"]
    P --> Q["定理3.81 映射之积的矩阵"]
    Q --> R["定理3.82 恒等算子关于两基的矩阵"]
    R --> S["定理3.84 换基公式"]
    S --> T["定理3.86 逆的矩阵等于矩阵的逆"]
    F -.-> |引用| U["3B 零空间和值域"]
    J -.-> |引用| V["3C 矩阵"]
    I -.-> |引用| W["2B 基"]
    I -.-> |引用| X["2C 维数"]

六、核心思想与证明技巧

核心思想

可逆性统一了单射性和满射性——在有限维等维空间中，三者完全等价

同构是"向量空间相同性"的精确表述——维数是唯一的判别标准

$M (T v) = M (T) M (v)$ 是线性映射与矩阵之间的终极桥梁

换基公式 $A = C^{- 1} BC$ 揭示了矩阵随基变化的规律——相似矩阵的本质是同一个变换的不同描述

证明技巧清单

逆的唯一性： $S_{1} = S_{1} (T S_{2}) = (S_{1} T) S_{2} = S_{2}$ （三明治技巧）

构造逆映射：利用满射性保证存在性，单射性保证唯一性

基本定理推导等价条件： $dim V = dim null T + dim range T$ 是万能工具

单侧逆推出双侧逆： $ST = I \Rightarrow T 单射 \Rightarrow T 可逆 (dim V = dim W)$

七、补充理解与易混淆点

7.1 可逆性的层次结构

Note

可逆性在不同语境下有不同的等价条件，形成清晰的层次结构：

层次条件说明
一般函数双射 ⟺ 可逆集合论基本事实
一般线性映射可逆 ⟺ 单射且满射定理 3.63
有限维等维线性映射单射 ⟺ 满射 ⟺ 可逆定理 3.65

有限维情形是特殊的——在无限维中，单射 ↛ 满射，满射 ↛ 单射（例 3.64）。

来源：MIT 18.700 Lecture 9；U of Toronto MAT240 Notes；LibreTexts 6.7 Invertibility

层次	条件	说明
一般函数	双射 ⟺ 可逆	集合论基本事实
一般线性映射	可逆 ⟺ 单射且满射	定理 3.63
有限维等维线性映射	单射 ⟺ 满射 ⟺ 可逆	定理 3.65

7.2 同构的直觉：向量空间的”身份证”

Note

两个向量空间同构 = 它们有相同的”结构” = 维数相同。

同构映射做的事情本质上是”改名”——把 $V$ 中的元素改名为 $W$ 中的元素，同时保持所有线性结构（加法、标量乘法）不变。

每个 $n$ 维空间在某种意义上”暗地里”就是 $F^{n}$ ，只是贴了不同的标签。但为什么不全用 $F^{n}$ ？因为自然构造（如零空间和值域）会产生其他空间，直接在抽象空间上工作更简洁。

来源：Ximera OSU - Isomorphic Vector Spaces；Clark University Math 130；Jay Daigle - Isomorphisms and Similarity

7.3 换基公式的几何直觉

Note

换基公式 $A = C^{- 1} BC$ 的三个因子各有明确的几何角色：

$C$ ：将新基坐标转换为旧基坐标

$B$ ：在旧基下执行线性变换

$C^{- 1}$ ：将结果从旧基坐标转换回新基坐标

相似矩阵（ $A$ 和 $B$ 满足 $A = C^{- 1} BC$ ）代表同一个线性变换在不同基下的不同面孔。选取合适的基可以使矩阵尽可能简单（对角矩阵、上三角矩阵等），这正是后续特征值理论的核心动机。

来源：Harvard Math 22b - Knill；Georgia Tech Interactive Linear Algebra - Similarity；LibreTexts - Coordinatization and Similar Matrices

7.4 常见误区

误区1：单射（或满射）就能推出可逆

❌ 认为线性映射只要单射（或满射）就可逆 ✅ 一般需要同时单射且满射。仅在 $dim V = dim W < \infty$ 时，单射 ⟺ 满射 ⟺ 可逆。无限维空间中两者独立（参考例 3.64）。来源：MIT 18.700 Lecture 9；U of Toronto MAT240 Notes

误区2：所有方阵都可逆

❌ 认为只要是方阵就一定有逆 ✅ 方阵可逆当且仅当其列线性无关（或行线性无关，或行列式非零）。零矩阵、奇异矩阵不可逆。来源：Cornell Math 2940 - Invertible Matrices；LibreTexts 6.7 Invertibility

误区3： $A B = I$ 就能推出 $B A = I$ （任意矩阵）

❌ 对任意大小的矩阵认为 $A B = I \Rightarrow B A = I$ ✅ 仅当 $A$ 和 $B$ 是同阶方阵时成立（由定理 3.68）。对非方阵， $A B = I_{m}$ 和 $B A = I_{n}$ 可能一个成立另一个不成立。来源：LADR 定理 3.68；Cornell Math 2940；arXiv: AB=I implies BA=I

误区4：逆矩阵与转置矩阵混淆

❌ 混淆 $A^{- 1}$ 和 $A^{t}$ ，认为逆就是转置 ✅ 逆矩阵满足 $A A^{- 1} = A^{- 1} A = I$ ，转置仅交换行列。仅在正交矩阵（幺正矩阵）时 $A^{- 1} = A^{t}$ 。来源：Duke University - Matrix Inverses

误区5： $(A B)^{- 1} = A^{- 1} B^{- 1}$

❌ 认为乘积的逆等于逆的按序乘积 ✅ $(A B)^{- 1} = B^{- 1} A^{- 1}$ ，顺序反转！这与函数复合 $(f \circ g)^{- 1} = g^{- 1} \circ f^{- 1}$ 一致。来源：LADR 定义 3.80；CSDN 逆矩阵易错点；Duke University - Matrix Inverses

误区6：同构的向量空间是"同一个空间"

❌ 认为同构意味着两个空间完全相同 ✅ 同构意味着结构相同（维数相同），但元素可能完全不同。例如 $P_{3} (R)$ 和 $R^{4}$ 同构，但多项式和 4 元组是不同对象。同构只保证线性代数性质一致。来源：Jay Daigle - Isomorphisms；Clark University Math 130；Ximera OSU

八、习题精选

推荐习题总览

习题核心考点难度
习题 1 $(T^{- 1})^{- 1} = T$ ⭐
习题 3 $T$ 可逆 ⟺ $T$ 将基映为基 ⭐⭐⭐
习题 5 单射映射的扩张 ⭐⭐⭐
习题 11 $ST$ 可逆 ⟺ $S, T$ 均可逆 ⭐⭐
习题 19 $M (T)$ 与基无关 ⟺ $T = λ I$ ⭐⭐⭐
习题 21 齐次方程 vs 非齐次方程 ⭐⭐
习题 24 $A B = I \Rightarrow B A = I$ （方阵） ⭐⭐

习题	核心考点	难度
习题 1	$(T^{- 1})^{- 1} = T$	⭐
习题 3	$T$ 可逆 ⟺ $T$ 将基映为基	⭐⭐⭐
习题 5	单射映射的扩张	⭐⭐⭐
习题 11	$ST$ 可逆 ⟺ $S, T$ 均可逆	⭐⭐
习题 19	$M (T)$ 与基无关 ⟺ $T = λ I$	⭐⭐⭐
习题 21	齐次方程 vs 非齐次方程	⭐⭐
习题 24	$A B = I \Rightarrow B A = I$ （方阵）	⭐⭐

习题 1： $(T^{- 1})^{- 1} = T$

假设 $T \in L (V, W)$ 是可逆的。证明 $(T^{- 1})^{- 1} = T$ 。

查看解答

由 $T^{- 1}$ 的定义， $T^{- 1} T = I_{V}$ 且 $T T^{- 1} = I_{W}$ 。这恰好说明 $T$ 满足 $T^{- 1}$ 的逆的定义（交换 $T$ 和 $T^{- 1}$ 的角色）。由逆的唯一性（定理 3.60）， $(T^{- 1})^{- 1} = T$ 。 $■$

习题 3： $T$ 可逆 ⟺ $T$ 将（某个/每个）基映为基

假设 $V$ 和 $W$ 是有限维向量空间且 $dim V = dim W$ 。证明 $T \in L (V, W)$ 是可逆的，当且仅当以下条件之一成立：

(a) $T$ 将 $V$ 的每个基都映为 $W$ 的基。

(b) $T$ 将 $V$ 的某个基映为 $W$ 的基。

(c) $T$ 将 $V$ 的某个基映为 $W$ 的某个基。

查看解答

(a) ⟹ (b) ⟹ (c)：显然。

(c) ⟹ (a)：只需证明 $T$ 可逆。

设 $T$ 将某个基 $v_{1}, \dots, v_{n}$ 映为 $W$ 的某个基 $w_{1}, \dots, w_{n}$ 。

$T$ 是满射： $w_{1}, \dots, w_{n}$ 是 $W$ 的基，张成 $W$ 。任意 $w \in W$ 可写成 $w = \sum a_{k} w_{k} = \sum a_{k} T v_{k} = T (\sum a_{k} v_{k}) \in range T$ 。

$T$ 是单射：若 $\sum a_{k} v_{k} \in null T$ ，则 $T (\sum a_{k} v_{k}) = \sum a_{k} w_{k} = 0$ 。由 $w_{1}, \dots, w_{n}$ 线性无关，所有 $a_{k} = 0$ ，故 $null T = {0}$ 。

由定理 3.65（ $dim V = dim W$ ）， $T$ 可逆。

(a) 的证明： $T$ 可逆 ⟹ $T^{- 1}$ 存在。设 $v_{1}, \dots, v_{n}$ 是 $V$ 的任意基。

线性无关：若 $\sum a_{k} (T v_{k}) = 0$ ，则 $T (\sum a_{k} v_{k}) = 0$ ，由单射性 $\sum a_{k} v_{k} = 0$ ，故所有 $a_{k} = 0$ 。

张成 $W$ ：任意 $w \in W$ ， $w = T (T^{- 1} w) = T (\sum b_{k} v_{k}) = \sum b_{k} (T v_{k})$ 。

故 $T v_{1}, \dots, T v_{n}$ 是 $W$ 的基。 $■$

习题 5：单射映射的扩张

假设 $U$ 是 $V$ 的子空间， $S \in L (U, W)$ 。证明： $S$ 可以扩张为 $V$ 到 $W$ 的可逆线性映射，当且仅当 $S$ 是单射且 $dim W = dim V$ 。

查看解答

(⇒)：若 $T \in L (V, W)$ 可逆且 $T ∣_{U} = S$ ，则 $S$ 是 $T$ 在 $U$ 上的限制。 $T$ 是单射 $\Rightarrow$ $S$ 也是单射。 $T$ 可逆 $\Rightarrow$ $dim V = dim W$ 。

(⇐)：设 $S : U \to W$ 是单射且 $dim W = dim V$ 。

取 $U$ 的基 $u_{1}, \dots, u_{k}$ ，扩张为 $V$ 的基 $u_{1}, \dots, u_{k}, v_{k + 1}, \dots, v_{n}$ 。

$S u_{1}, \dots, S u_{k}$ 线性无关（ $S$ 单射）。将其扩张为 $W$ 的基 $S u_{1}, \dots, S u_{k}, w_{k + 1}, \dots, w_{n}$ 。

定义 $T \in L (V, W)$ ： $T u_{i} = S u_{i}$ （ $i = 1, \dots, k$ ）， $T v_{j} = w_{j}$ （ $j = k + 1, \dots, n$ ）。

$T$ 将 $V$ 的基映为 $W$ 的基，由习题 3， $T$ 可逆。 $■$

习题 11： $ST$ 可逆 ⟺ $S$ 和 $T$ 均可逆

假设 $V$ 是有限维向量空间， $S, T \in L (V)$ 。证明 $ST$ 可逆，当且仅当 $S$ 和 $T$ 都可逆。

查看解答

(⇒)：假设 $ST$ 可逆。

$ST$ 单射 $\Rightarrow$ $T$ 单射（若 $T v = 0$ ，则 $ST v = 0$ ，由 $ST$ 单射得 $v = 0$ ）。

$ST$ 满射 $\Rightarrow$ $S$ 满射（任意 $w \in V$ ， $w = ST v = S (T v) \in range S$ ）。

由定理 3.65（ $dim V = dim V$ ）： $T$ 单射 $\Rightarrow$ $T$ 可逆； $S$ 满射 $\Rightarrow$ $S$ 可逆。

(⇐)：若 $S$ 和 $T$ 都可逆，则 $(T^{- 1} S^{- 1}) (ST) = T^{- 1} (S^{- 1} S) T = T^{- 1} I T = T^{- 1} T = I$ 。同理 $(ST) (T^{- 1} S^{- 1}) = I$ 。故 $ST$ 可逆且 $(ST)^{- 1} = T^{- 1} S^{- 1}$ 。 $■$

习题 19： $M (T)$ 与基无关 ⟺ $T = λ I$

假设 $V$ 是有限维的， $T \in L (V)$ 。证明 $M (T)$ 关于 $V$ 的每个基都相同，当且仅当 $T = λ I$ （某个 $λ \in F$ ）。

查看解答

(⇐)：若 $T = λ I$ ，则对任意基 $v_{1}, \dots, v_{n}$ ， $T v_{k} = λ v_{k}$ ，故 $M (T) = λ I$ 与基无关。

(⇒)：设 $M (T)$ 关于每个基都等于同一个矩阵 $A$ 。

对任意可逆矩阵 $C$ （代表某个换基），换基公式给出 $A = C^{- 1} A C$ ，即 $C A = A C$ 。

$A$ 与所有可逆矩阵 $C$ 可交换。

取 $C$ 为将第 $i$ 行和第 $j$ 行交换的置换矩阵，可推出 $A$ 的非对角元素为零。

取 $C$ 为将第 $i$ 行乘以非零常数 $c$ 的对角矩阵，可推出 $A$ 的所有对角元素相等。

故 $A = λ I$ ，从而 $T = λ I$ 。 $■$

习题 21：齐次方程 vs 非齐次方程

假设 $A$ 是 $n \times n$ 矩阵。证明以下条件等价：

(a) 齐次方程 $A x = 0$ 只有平凡解 $x = 0$ 。

(b) 对每个 $b \in F^{n}$ ，非齐次方程 $A x = b$ 都有解。

查看解答

设 $T \in L (F^{n})$ 由 $T x = A x$ 定义。

(a) 说的是 $null T = {0}$ ，即 $T$ 是单射。

(b) 说的是 $range T = F^{n}$ ，即 $T$ 是满射。

由定理 3.65（ $dim F^{n} = dim F^{n}$ ），单射 ⟺ 满射，故 (a) ⟺ (b)。 $■$

习题 24： $A B = I \Rightarrow B A = I$ （方阵）

假设 $A$ 和 $B$ 都是 $n \times n$ 矩阵且 $A B = I$ 。证明 $B A = I$ 。

查看解答

设 $T_{A}, T_{B} \in L (F^{n})$ 分别由矩阵 $A$ 和 $B$ 定义。

$A B = I$ 意味着 $T_{A} \circ T_{B} = I$ ，即 $T_{A} T_{B} = I$ 。

$T_{A} T_{B} = I \Rightarrow T_{A}$ 是满射（任意 $y$ ， $y = T_{A} (T_{B} y)$ ）。

由定理 3.65（ $dim F^{n} = dim F^{n}$ ）， $T_{A}$ 满射 $\Rightarrow T_{A}$ 可逆。

$T_{A}$ 可逆 $\Rightarrow T_{B} = T_{A}^{- 1}$ （因为 $T_{A} T_{B} = I$ 且逆唯一）。

$T_{B} = T_{A}^{- 1} \Rightarrow T_{B} T_{A} = I$ ，即 $B A = I$ 。 $■$

九、视频学习指南

视频资源

视频主题对应笔记模块平台
3Blue1Brown 线性代数的本质第5章：逆矩阵、列空间与零空间模块一、模块三 YouTube / B站
3Blue1Brown 逆矩阵和列空间模块一、模块四 YouTube / B站
3Blue1Brown 非方阵、矩阵的秩模块二 YouTube / B站

视频主题	对应笔记模块	平台
3Blue1Brown 线性代数的本质第5章：逆矩阵、列空间与零空间	模块一、模块三	YouTube / B站
3Blue1Brown 逆矩阵和列空间	模块一、模块四	YouTube / B站
3Blue1Brown 非方阵、矩阵的秩	模块二	YouTube / B站

视频精要

3Blue1Brown 第5章：逆矩阵的几何意义——列空间”填满”整个目标空间 ⟺ 可逆。当列空间维数等于目标空间维数时，变换可逆。

换基的几何意义：同一个线性变换在不同坐标系下的不同”面孔”。换基公式 $A = C^{- 1} BC$ 中的 $C$ 就是坐标系之间的”翻译器”。

相似矩阵 $A = C^{- 1} BC$ 代表同一变换的不同描述——选取合适的基（如特征向量组成的基）可以使矩阵变得极为简洁。

十、教材原文

可逆性和同构

线性代数 Wiki

探索

3D 可逆性和同构

3D 可逆性和同构

一、可逆线性映射

1.1 可逆与逆的定义

1.2 逆的唯一性

1.3 典型例子

二、有限维空间中的等价条件

2.1 核心等价定理

2.2 无限维的反例

2.3 有限维下的三者等价

2.4 单侧逆即双侧逆

三、同构向量空间

3.1 同构的定义

3.2 维数判定同构

3.3 线性映射空间的同构

四、线性映射与矩阵乘法、换基

4.1 向量的矩阵与 $M (T v) = M (T) M (v)$

4.2 恒等矩阵与可逆矩阵

4.3 换基公式

五、知识结构总览

六、核心思想与证明技巧

七、补充理解与易混淆点

7.1 可逆性的层次结构

7.2 同构的直觉：向量空间的”身份证”

7.3 换基公式的几何直觉

7.4 常见误区

八、习题精选

九、视频学习指南

十、教材原文

关系图谱

目录

反向链接

线性代数 Wiki

探索

3D 可逆性和同构

3D 可逆性和同构

一、可逆线性映射

1.1 可逆与逆的定义

1.2 逆的唯一性

1.3 典型例子

二、有限维空间中的等价条件

2.1 核心等价定理

2.2 无限维的反例

2.3 有限维下的三者等价

2.4 单侧逆即双侧逆

三、同构向量空间

3.1 同构的定义

3.2 维数判定同构

3.3 线性映射空间的同构

四、线性映射与矩阵乘法、换基

4.1 向量的矩阵与 M(Tv)=M(T)M(v)

4.2 恒等矩阵与可逆矩阵

4.3 换基公式

五、知识结构总览

六、核心思想与证明技巧

七、补充理解与易混淆点

7.1 可逆性的层次结构

7.2 同构的直觉：向量空间的”身份证”

7.3 换基公式的几何直觉

7.4 常见误区

八、习题精选

九、视频学习指南

十、教材原文

关系图谱

目录

反向链接

4.1 向量的矩阵与 $M (T v) = M (T) M (v)$