线性变换下的不变性（Invariance under linear transformation）：选项四误因及推广问题

一、先确认第三个选项的正确性 #

你说得完全对，第三个选项确实是正确的！线性变换下的不变子空间核心定义是：对于线性变换( T: V \to V )，若子空间( W \subseteq V )满足对任意( w \in W )，都有( T(w) \in W )（即( T(W) \subseteq W )），则( W )是( T )的不变子空间。第三个选项应该是严格贴合这个核心逻辑的表述，比如类似“若( W )是( T )的不变子空间，则所有( W )中元素经( T )映射后仍在( W )内”，完全符合定义，所以必然正确。

二、为什么第四个选项不是正确答案？ #

虽然看不到具体选项，但根据这类问题的常见陷阱，第四个选项大概率踩了以下某类误区：

• 混淆不变子空间与特征子空间：比如错误声称“所有不变子空间都是特征子空间”。但特征子空间只是一维（或更高维）不变子空间的特例——比如二维平面上的旋转变换，整个平面是它的不变子空间，但不存在非平凡的特征子空间；
• 颠倒不变性的逻辑方向：比如断言“若( T(v) \in W )，则( v \in W )”。这完全搞反了定义，不变性只要求子空间内的元素映射后仍在子空间中，不要求逆命题成立；
• 错误泛化不变性的适用范围：比如声称“任意子空间对任意线性变换都不变”，这显然不成立——比如二维空间中向x轴的投影变换，y轴就不是它的不变子空间。

三、不变性能否推广至一维以上的子空间？ #

当然可以！而且高维不变子空间是线性代数中研究线性变换结构的核心对象之一：

• 最基础的例子：整个向量空间( V )本身就是线性变换( T )的n维不变子空间；
• 特征子空间的直和：若( T )有多个特征值，对应的特征子空间的直和也是高维不变子空间——比如3维空间中，两个1维特征子空间的直和就是2维不变子空间；
• 幂零变换的迭代核：比如幂零变换( T )的(\ker T^k)（k≥2）通常是高维不变子空间，这类子空间是推导Jordan标准形的关键。

甚至可以说，一维不变子空间（即特征子空间）只是最简单的情况，高维不变子空间才是帮助我们理解复杂线性变换结构的关键。

内容的提问来源于stack exchange，提问作者Bluey