最后更新: 2025-10-20 15:44 查看: 605 次反馈能力测评会员8.2元/月赞助

线性映射的意义

## 线性映射的几何意义

初等线性函数 $f(x)=k x$ 和高等线性函数 $f(\boldsymbol{x})=\boldsymbol{k}$ 的表达式一致, 因此线性函数的概念形式上是统一的。这种统一在数学的实质意义上也是一致的, 就是函数的 “线性”,实质上就是指变量之间的 “线性关系”。

我们再来回味一下这句关于线性函数中心性质的话: **线性组合的函数, 等于函数的线性组合。** 详细说来就是, 当自变量从 $x$ 变换为它自身的线性组合 $k_1 x_1+k_2 x_2$ 时, 其函数也从 $f(x)$变换为函数的线性组合 $k_1 f\left(x_1\right)+k_2 f\left(x_2\right)$ 。因为函数的本意是因变量与自变量之间的对应关系,所以 “线性” 的本质就是因变量与自变量之间始终保持组合形式不变的一种对应关系, 我们把这类特殊的对应关系称之为 “线性关系”。因此我们所说的 “线性”, 实质上就是指变量之间的 “线性关系”。

实际上, 我们可以引入一种运动的思想, 把函数看成一种变换, 一种映射, 一种从自变量的集合对应变换到因变量的集合的瞬间过程。

这正是线性代数的中心思想之一。
对于初等的线性函数 $f(x)=k x$ 而言; 我们需要改变中学老师谆谆教导。中学老师说,线性函数的几何图形是所有满足关系式 $y=k x$ 的点 $(x, y)$ 所累积起来的图形。这个静态的图形概念需要改造改造。要在这里加入变换或映射的动作 (注意: 是动作, 一个瞬时的变化动作, 只有开始和结果), 并突出表达这种变换和投射的关系, 我们把表达式

$f(x)=k x$

改写成

$T: x \rightarrow y, x \mapsto k x$ 。

其中 $T: x \rightarrow y$ 表示为一个从自变量数的集合 $x$ 到因变量数的集合 $y$ 的映射, $x \mapsto k x$ 表示两个集合里的自变量 $x$ 到因变量 $y$ 之间具体的对应变换关系。

下面来看一个映射的集合示意图。图 1-9 给出了一元线性齐次函数 $\boldsymbol{f(x)=k x}$ 当 $k$ 取不同的数时的映射对应关系。在三个分图中, 有一个共性就是元素 0 必然映射到元素 0 。

![图片](/uploads/2025-10/491030.jpg)

在集合上建立坐标系, 用坐标系里的点表示集合里的元素, 就可以把集合上的映射关系几何化了。

### 一维函数 
对于一元线性齐次函数 $f(x)=k x$, 集合 $x$ 和集合 $y$ 都是实数。大家知道, 一个实数域可以用一根坐标轴来表示。因此集合 $x$ 的坐标系就是一根线轴, 写为 $x$ 轴; 集合 $y$ 的坐标系也是一根轴, 写为 $y$ 轴。这样, 我们就可以**用坐标轴上点之间的映射来替代上图集合的映射表示法**（见图 1-10）。

![图片](/uploads/2025-10/80cb19.jpg){width=600px}
 
 
如果把两个坐标轴的原点进行重合 (因为 0 元素必然映射到 0 元素), 再把两个坐标轴的夹角调整到 $\pi / 2$ 角, 就可得到笛卡尔平面坐标系 (线性代数中讲的线性空间坐标系的坐标轴可以是任意非零的夹角)。把 $x \mapsto k x$ 用带箭头的线段连接起来, 如图 1-11 所示 (图中只画出了 $k>0$ 的映射情况)。

![图片](/uploads/2025-10/670eeb.jpg){width=600px}
 
 
 
如图 1-11 (a) 所示, $x$ 轴上的点 $a$ 和 $b$ 等分别映射到 $y$ 轴上的点 $a^{\prime}$ 和 $b^{\prime}$ 等等。过一三象限的直线就是所谓的一元齐次函数 $y=k x$ 的图形, 它是由 $k$ 值确定的; 就像平行光线通过平面镜进行反射一样, 元素通过直线完成了映射。显然, 这是点到点的映射。而且, 不同的比率 $k$ 值确定了一个不同的映射关系。

如

免费注册查看余下70%

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

高等数学测评 函数与极限一元函数微分学一元函数积分学微分方程空间向量与代数多元微分学多元积分学无穷级数

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

线性代数测评 行列式矩阵向量空间

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

概率统计测评 事件与概率一维随机变量与事件多维随机变量与事件随机变量的数字特征大数定律与中心极限定理统计量与抽样分布参数估计假设检验

上一篇：线性函数、多项式、群与环

下一篇：线性变换的意义

本文对您是否有用？有用 (2) 无用 (0)