Skip to content

线性空间#

定义#

线性空间（Linear Space），又称向量空间（Vector Space），是线性代数中最基础和最重要的概念之一。它是一个满足特定公理的数学结构，用于描述可以进行加法和数乘运算的对象集合。

设 \(V\) 是一个非空集合，\(\mathbb{F}\) 是一个数域（通常为实数域 \(\mathbb{R}\) 或复数域 \(\mathbb{C}\)）。如果在 \(V\) 上定义了两种运算：

  1. 加法运算：\(\forall \mathbf{u}, \mathbf{v} \in V\)，有 \(\mathbf{u} + \mathbf{v} \in V\)
  2. 数乘运算：\(\forall k \in \mathbb{F}, \mathbf{v} \in V\)，有 \(k\mathbf{v} \in V\)

且这两种运算满足以下八条公理，则称 \(V\) 为数域 \(\mathbb{F}\) 上的线性空间：

加法运算的四条公理：

  1. 交换律：\(\mathbf{u} + \mathbf{v} = \mathbf{v} + \mathbf{u}\)
  2. 结合律：\((\mathbf{u} + \mathbf{v}) + \mathbf{w} = \mathbf{u} + (\mathbf{v} + \mathbf{w})\)
  3. 零元素存在性：存在 \(\mathbf{0} \in V\)，使得 \(\mathbf{v} + \mathbf{0} = \mathbf{v}\)
  4. 负元素存在性：对任意 \(\mathbf{v} \in V\)，存在 \(-\mathbf{v} \in V\)，使得 \(\mathbf{v} + (-\mathbf{v}) = \mathbf{0}\)

数乘运算的四条公理：

  1. 数乘分配律：\(k(\mathbf{u} + \mathbf{v}) = k\mathbf{u} + k\mathbf{v}\)
  2. 域分配律：\((k + l)\mathbf{v} = k\mathbf{v} + l\mathbf{v}\)
  3. 数乘结合律：\((kl)\mathbf{v} = k(l\mathbf{v})\)
  4. 单位元性质：\(1\mathbf{v} = \mathbf{v}\)

基本性质#

从线性空间的定义出发，可以推导出以下重要性质：

  1. 零向量的唯一性：线性空间中的零向量是唯一的
  2. 负向量的唯一性：每个向量的负向量是唯一的
  3. 零数乘性质：\(0\mathbf{v} = \mathbf{0}\)，\(k\mathbf{0} = \mathbf{0}\)
  4. 数乘为零的充要条件：\(k\mathbf{v} = \mathbf{0}\) 当且仅当 \(k = 0\) 或 \(\mathbf{v} = \mathbf{0}\)
  5. 负数乘性质：\((-1)\mathbf{v} = -\mathbf{v}\)

常见的线性空间示例#

示例1：n维实向量空间 \(\mathbb{R}^n\)#

\(\mathbb{R}^n = \{(x_1, x_2, \ldots, x_n) \mid x_i \in \mathbb{R}\}\) 是最常见的线性空间，其中：

  • 加法：\((x_1, \ldots, x_n) + (y_1, \ldots, y_n) = (x_1 + y_1, \ldots, x_n + y_n)\)
  • 数乘：\(k(x_1, \ldots, x_n) = (kx_1, \ldots, kx_n)\)

在平面 \(\mathbb{R}^2\) 中：向量 \(\vec{v} = (x, y)\)。 在空间 \(\mathbb{R}^3\) 中：向量 \(\vec{v} = (x, y, z)\)。

示例2：矩阵空间 \(\mathbb{M}_{m \times n}\)#

所有 \(m \times n\) 矩阵构成的集合 \(\mathbb{M}_{m \times n}\) 在矩阵加法和数乘运算下构成线性空间。

示例3：多项式空间 \(\mathbb{P}_n\)#

次数不超过 \(n\) 的多项式全体 \(\mathbb{P}_n = \{a_0 + a_1x + \cdots + a_nx^n \mid a_i \in \mathbb{F}\}\) 构成线性空间。

子空间#

定义#

设 \(V\) 是数域 \(\mathbb{F}\) 上的线性空间，\(W\) 是 \(V\) 的非空子集。如果 \(W\) 对 \(V\) 的加法和数乘运算也构成线性空间，则称 \(W\) 是 \(V\) 的子空间。

子空间判定定理#

\(V\) 的非空子集 \(W\) 是子空间的充要条件是：

  1. \(\mathbf{u}, \mathbf{v} \in W \Rightarrow \mathbf{u} + \mathbf{v} \in W\)（对加法封闭）
  2. \(k \in \mathbb{F}, \mathbf{v} \in W \Rightarrow k\mathbf{v} \in W\)（对数乘封闭）

或者更简洁地：\(\forall \mathbf{u}, \mathbf{v} \in W, k, l \in \mathbb{F}\)，有 \(k\mathbf{u} + l\mathbf{v} \in W\)。

常见子空间#

  1. 零子空间：\(\{\mathbf{0}\}\) 是任意线性空间的子空间
  2. 平凡子空间：\(V\) 本身是 \(V\) 的子空间
  3. 解空间：齐次线性方程组的解集构成子空间

线性相关与线性无关#

线性组合#

设 \(\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_n\) 是线性空间 \(V\) 中的向量，\(k_1, k_2, \ldots, k_n\) 是数域 \(\mathbb{F}\) 中的数，则称

\[\mathbf{v} = k_1\mathbf{v}_1 + k_2\mathbf{v}_2 + \cdots + k_n\mathbf{v}_n\]

为向量组 \(\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_n\) 的一个线性组合。

线性相关#

向量组 \(\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_n\) 称为线性相关，如果存在不全为零的数 \(k_1, k_2, \ldots, k_n\)，使得

\[k_1\mathbf{v}_1 + k_2\mathbf{v}_2 + \cdots + k_n\mathbf{v}_n = \mathbf{0}\]

线性无关#

如果只有当 \(k_1 = k_2 = \cdots = k_n = 0\) 时，才有

\[k_1\mathbf{v}_1 + k_2\mathbf{v}_2 + \cdots + k_n\mathbf{v}_n = \mathbf{0}\]

则称向量组 \(\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_n\) 线性无关。

基与维数#

基的定义#

设 \(V\) 是线性空间，如果向量组 \(\mathbf{e}_1, \mathbf{e}_2, \ldots, \mathbf{e}_n \in V\) 满足：

  1. \(\mathbf{e}_1, \mathbf{e}_2, \ldots, \mathbf{e}_n\) 线性无关
  2. \(V\) 中任一向量都可以由 \(\mathbf{e}_1, \mathbf{e}_2, \ldots, \mathbf{e}_n\) 线性表示

则称 \(\mathbf{e}_1, \mathbf{e}_2, \ldots, \mathbf{e}_n\) 为 \(V\) 的一组基（或基底）。

维数#

如果线性空间 \(V\) 有一组包含 \(n\) 个向量的基，则称 \(V\) 是 \(n\) 维线性空间，记作 \(\dim V = n\)。如果 \(V\) 不存在有限基，则称 \(V\) 是无限维的。

坐标#

设 \(\mathbf{e}_1, \mathbf{e}_2, \ldots, \mathbf{e}_n\) 是 \(V\) 的一组基，对于任意 \(\mathbf{v} \in V\)，存在唯一的一组数 \(x_1, x_2, \ldots, x_n\) 使得

\[\mathbf{v} = x_1\mathbf{e}_1 + x_2\mathbf{e}_2 + \cdots + x_n\mathbf{e}_n\]

称 \((x_1, x_2, \ldots, x_n)\) 为向量 \(\mathbf{v}\) 在基 \(\mathbf{e}_1, \mathbf{e}_2, \ldots, \mathbf{e}_n\) 下的坐标。

基变换与坐标变换#

基变换公式#

设 \(\mathbf{e}_1, \mathbf{e}_2, \ldots, \mathbf{e}_n\) 和 \(\mathbf{e}'_1, \mathbf{e}'_2, \ldots, \mathbf{e}'_n\) 是线性空间 \(V\) 的两组基，则存在可逆矩阵 \(P\)（称为过渡矩阵），使得

\[(\mathbf{e}'_1, \mathbf{e}'_2, \ldots, \mathbf{e}'_n) = (\mathbf{e}_1, \mathbf{e}_2, \ldots, \mathbf{e}_n)P\]

坐标变换公式#

设向量 \(\mathbf{v}\) 在两组基下的坐标分别为 \((x_1, \ldots, x_n)^T\) 和 \((x'_1, \ldots, x'_n)^T\)，则

\[\begin{pmatrix} x_1 \\ \vdots \\ x_n \end{pmatrix} = P \begin{pmatrix} x'_1 \\ \vdots \\ x'_n \end{pmatrix}\]

线性空间的同构#

同构的定义#

设 \(V\) 和 \(W\) 是数域 \(\mathbb{F}\) 上的两个线性空间，如果存在双射 \(\phi: V \to W\) 满足：

  1. \(\phi(\mathbf{u} + \mathbf{v}) = \phi(\mathbf{u}) + \phi(\mathbf{v})\)
  2. \(\phi(k\mathbf{v}) = k\phi(\mathbf{v})\)

则称 \(V\) 与 \(W\) 同构，记作 \(V \cong W\)。

同构定理#

数域 \(\mathbb{F}\) 上的任意 \(n\) 维线性空间都与 \(\mathbb{F}^n\) 同构。这意味着所有相同维数的线性空间在代数结构上是完全相同的。

应用与意义#

线性空间理论在数学和应用科学中有广泛的应用：

  1. 线性方程组理论：利用线性空间理论研究解的结构
  2. 线性变换：线性空间是研究线性变换的基础
  3. 量子力学：态空间是复数域上的线性空间（Hilbert空间）
  4. 信号处理：信号可以看作函数空间中的向量
  5. 计算机图形学：几何变换基于向量空间理论
  6. 机器学习：特征空间、核方法等都建立在线性空间基础上

总结#

线性空间是现代数学的基础概念之一，它抽象了向量的本质特征，为研究线性结构提供了统一的框架。通过线性空间理论，我们可以用统一的方法处理看似不同的数学对象（向量、矩阵、多项式、函数等），这体现了数学抽象的强大力量。掌握线性空间理论是深入学习线性代数、泛函分析等高等数学课程的关键。