w wyl123ly 的博客
MD

3-1-向量空间

105 KB 2026.10.11 原文件

3-1-向量空间

一句话概括

向量空间(vector space)是"能做加法与数乘、且做完之后不跑出去"的集合;子空间(subspace)是它内部"同样封闭"的子集。本章最重要的例子是矩阵的列空间(column space):所有列的线性组合构成的集合——它正是" 何时可解"的答案。

本篇覆盖:向量空间的八条公理 → 子空间的定义与两条判别条件 → 、 子空间的完整分类(含"不过原点的直线不是子空间")→ 中的子空间(对称矩阵、上三角矩阵)→ 列空间 → 可解 → 张成(span)。

本次补完新增:国内教材特有的公理化写法——数域 上的线性空间八条公理、"为什么公理化定义有用"、去掉某条公理会出现的怪例(例如去掉 )、常见线性空间举例(、、、、 在 上与 上的维数差异);以及子空间的交与和、维数公式 的完整证明、直和的定义与判定;另有例题 3–8(三道手算题、两道证明题、一道 numpy 验证题)与 ## 本篇小结。

一、定义

1.1 向量空间

设 是一个集合,在它上面定义了两种运算:

  • 加法(addition):对 中任意两个元素 ,对应唯一元素 ;
  • 数乘(scalar multiplication):对任意实数 与任意 ,对应唯一元素 。

如果下面的八条规则(公理,axioms)对 中所有元素与所有实数都成立,则称 是一个(实)向量空间:

编号公理表达式
1加法交换律
2加法结合律
3零向量存在存在 ,使
4负向量存在对每个 ,存在 使
5数乘单位元
6数乘结合律
7对向量加法的分配律
8对实数加法的分配律

中的元素称为向量(vector)——注意在这里"向量"是一个抽象名词,它可以是数组、可以是矩阵、可以是多项式、也可以是函数。

为什么这八条重要

因为所有后续结论都只依赖这八条。只要一个集合满足它们,"线性组合""线性无关""基""维数""线性变换"这一整套语言就自动可用,无需重新证明。这就是抽象的威力:我们证明一次" 中线性无关向量不超过 个",就同时得到了"次数不超过 的多项式空间中线性无关向量不超过 个"。

具体来说:

- 公理 1、2 保证"线性组合"的写法 与加法的先后顺序无关(否则这个记号没有意义);

- 公理 3 保证零向量存在,于是""与" 可解"能对应起来( 时取 );

- 公理 4 保证可以移项(),这是解方程的基本动作;

- 公理 7、8 保证数乘可以分配,于是消元中的"提公因子"合法。

由公理推出的三条常识(都可从八条推出,不必单列为公理):

  • ;
  • ;
  • 。

证明第三条. ,所以 满足负向量的定义,由唯一性得 。

1.2 子空间

设 是向量空间, 是它的子集。若 在 的加法与数乘下自身也构成一个向量空间,则称 是 的子空间(subspace)。

判别条件(两条,最常用). 是 的子空间,当且仅当:

为什么只要两条? 因为其余六条公理(交换律、结合律、分配律等)是"对所有 中元素成立"的等式, 的元素本来就在 里,所以自动继承。唯一需要检查的是封闭性:加法和数乘的结果会不会跑出 。而公理 3(零向量存在)也被蕴含了:取 ,由 (ii) 得 。

等价的一步判别法. 把 (i)、(ii) 合并成一条:

更一般地:

任何子空间都自动包含零向量,也必须包含零向量。 这是最快的"否决测试":

1.3 张成

设 是向量空间 中的向量。它们的全部线性组合(linear combination)构成的集合

称为这组向量的张成空间(span)。称这组向量张成(span)了这个空间。

定理. 任意一组向量的张成空间一定是子空间;而且它是包含这组向量的最小子空间。

证明(前半). 设 。

  • 零向量属于 :取全部 即可。
  • 对加法封闭:设 、,则

  • 对数乘封闭:。

所以 是子空间。

证明(后半,"最小"). 设 是任一包含全部 的子空间。由封闭性, 包含 的任意线性组合,即 。所以 是所有这样的 中最小的一个。

1.4 列空间

设 是 矩阵,记它的 个列为 。 的列空间(column space)定义为

后一个等号是关键:由矩阵乘法的列读法,

所以"列的全部线性组合"与"所有可能的 "是同一个集合。 是 的子空间(下标是 ,即行数,这是最容易记错的一点)。

1.5 数域 上的线性空间(国内教材的公理化写法)

上面的 1.1 把数乘的系数取在实数系 里。国内教材通常把"数"换成更一般的数域,这样 、、 上的结论可以统一处理,也能看清"维数"到底依赖于什么。

定义(数域). 设 是复数集 的一个子集,且 含有 与 。若 中任意两个数的和、差、积、商(除数不为 )仍属于 ,则称 是一个数域(number field)。

常见的数域:

  • (有理数域)、(实数域)、(复数域);
  • (验算:,且非零元的倒数仍可写成 )。

不是数域的例子:整数集 (,除法不封闭);正实数集 (不含 );全体无理数(不含 ,乘法也不封闭)。

定义( 上的线性空间). 设 是一个非空集合, 是一个数域。在 上定义了两个运算:

  • 加法:对任意 ,有唯一的 ;
  • 数乘:对任意 与任意 ,有唯一的 。

若下列八条公理(axioms)对一切 与一切 成立,则称 是数域 上的线性空间(linear space),记作 ; 中的元素称为向量。

编号公理表达式
1加法交换律
2加法结合律
3零元存在存在 ,对一切 有
4负元存在对每个 ,存在 使
5数乘单位元( 是数域 里的 )
6数乘结合律
7数乘对向量加法的分配律
8数乘对数的加法的分配律

与 1.1 的关系,以及符号说明

1.1 的八条规则与本表逐条相同——那里默认数域是 ,这里把它推广成 。本库其余部分按 关于本笔记库 的符号约定用 表示向量;本节出现 只是为了让读者熟悉国内教材的记法,两者指的是同一件事。

另外注意:"加法"和"数乘"是被定义出来的运算,不是天生就有的。同一个集合上换一种运算定义,就可能不再是线性空间——这正是下面"怪例"要说明的事。

为什么"公理化"有用

1. 一次证明,处处可用。八条公理里没有一个字提到"数组",所以凡是只用到这八条的结论——线性组合、线性无关、基、维数、线性变换、矩阵表示——对 、矩阵空间、多项式空间、连续函数空间同时成立。例如" 维空间中任意 个向量必线性相关",只需证一次,就同时得到"次数不超过 的多项式空间中任意 个多项式线性相关"(见 3-4-线性无关基与维数)。

2. 把"看起来不像箭头"的对象统一起来。多项式、函数、矩阵都能做加法与数乘,于是可以谈"张成""维数""正交"——这正是傅里叶级数(10-4-傅里叶级数与函数空间)、微分方程解的叠加原理、量子力学态空间的公共骨架。

3. 公理是"入场券"。想知道一个对象能不能用线性代数这套语言,就逐条核对八条公理;而判断子空间时只需核对两条封闭性(1.2 已经解释过为什么)。

去掉一条公理会出什么怪例

公理不是装饰,每一条都删不得。下面给出"只删一条、其余全满足"的例子。

(1)删掉公理 5()。 取 、,加法照常,但把数乘重新定义为

逐条检查:公理 1、2、3、4 与普通 一样成立(零元是 ,负元是 );公理 6 成立(两边都是 );公理 7 成立(两边都是 );公理 8 成立(两边都是 )。只有公理 5 失效:

后果很严重:

- 由公理推出的"常识" 不再成立——左边是 ,右边是 (回顾 1.1 里第三条常识的证明,它用到了公理 5);

- 更致命的是"线性组合"失去表达力。用 与 去组合,永远只能得到 轴上的点:

于是"张成""基""维数"这一整套概念整体崩塌。公理 5 是"抽象向量"与"坐标"之间的那座桥。

(2)删掉公理 8()。 仍取 、加法照常,数乘改成"只乘第一个坐标":

公理 1 到 7 都成立(公理 5 也成立:),但公理 8 失效:

当 时两者不等。分配律一坏,"数乘"与"加法"就不再协调,连 这类基本换算都会出错。

(3)删掉公理 1(加法交换律)。 加法不交换的集合确实存在(例如全体 阶可逆矩阵在矩阵乘法下构成群,而矩阵乘法不交换)。但在那样的结构里 与 不同,记号 就必须先规定求和顺序才有意义,整套理论无法展开。所以除了数乘,加法部分必须是一个交换群。

(4)删掉公理 3 或 4。 没有零元就无法表达"齐次方程组总有解";没有负元就无法移项,连 的消元都做不下去。这两条在 1.1 已经解释过。

1.6 常见线性空间举例(都要能一眼认出)

线性空间元素加法与数乘维数备注
元数组 逐分量运算取 就是
矩阵矩阵加法、数乘基是 (只有一个位置为 )
次数 的多项式多项式加法、数乘基是 (例题 7 证明)
全体多项式同上无限维次数没有上界
上的连续函数函数加法、数乘无限维是函数空间的标准例子,见 6.3
(数域取 )复数复数加法、实数乘基是
(数域取 )复数复数加法、复数乘基是
齐次方程组的解空间向量加法、数乘见 [[3-2-零空间与阶梯形]]、[[3-3-Ax=b的完整解]]
区间 上全体多项式多项式函数函数加法、数乘无限维是 的子空间

同一个集合,换个数域,维数就变

作为 上的线性空间是 2 维的(基 :任意 都是 与 的实系数组合),作为 上的线性空间是 1 维的(基 :任意 都是 的复系数组合)。

这说明"维数"不是集合自身的属性,而是集合 + 数域 + 两种运算三者的属性。国内教材强调"数域 上的线性空间",正是为了避免这种含混。复数域与实向量空间的关系在第 9 章 9-1-复数与复向量 会系统使用。

判断"某个对象是不是线性空间"的快速流程:先确认加法与数乘的定义(结果是否还在集合里),再看零元是否在集合里,最后重点核对公理 5、7、8——这三条最容易被"自定义的运算"破坏。


二、几何直观

2.1 子空间 = 过原点的"平坦"集合

在 里,子空间只有三种:

  1. 整个平面 ;
  2. 过原点的直线;
  3. 只含零向量的集合 。

为什么必须是"过原点"? 因为若 ,取 得 ,所以零向量必须属于 。而零向量就是原点。

在 里,加上"过原点的平面"这一种,共四种:

  1. 整个空间 (3 维);
  2. 过原点的平面(2 维);
  3. 过原点的直线(1 维);
  4. (0 维)。

最经典的易错点

不过原点的直线不是子空间。 例如 中的直线 。它不过原点,所以零向量不在其中,立刻可以断定它不是子空间。

更具体地验证封闭性也失败: 与 都在这条直线上,但

而 满足 ,不在直线上。加法不封闭。

数乘同样失败: 也不在直线上。

几何图像:这条直线"错过了原点",沿着它做加法会"滑出去"。这个例子说明——子空间的核心是"过原点",也就是"对通过原点的直线组合封闭"。

2.2 列空间的几何图像

把 的每一列看成一个箭头, 就是"这些箭头能到达的全部位置"。三种情形:

(a) 是 且两列不平行():两列指向不同方向,它们的线性组合能填满整个平面,

此时对任何 , 都有解(且唯一)。

(b) 是 且两列平行():两列在同一条过原点的直线上,怎么组合都出不了这条线,

此时只有落在这条直线上的 才有解。例如

就是直线 。取 (),它在直线外,方程无解。

(c) 是 且有一列是另两列的组合:列空间是一个过原点的平面。" 无解"的几何含义就是" 不在 的列张成的那个平面里"。此时第 4 章要做的事就是:把 投影到 上,求最近的替代解。

2.3 空间的"维数直觉"

维数就是"需要几个独立的箭头才能到达空间中所有点":

  • 直线:1 个方向;
  • 平面:2 个方向;
  • :3 个方向。

所以" 的维数 = 中线性无关列的个数 = 秩 "。这句话把几何(维数)与代数(秩)连了起来,是第 3 章后半部分的主线。


三、性质与定理

3.1 定理:子空间的判别

定理. 设 是向量空间 的非空子集。则

证明. ""显然(子空间定义要求封闭)。"":由 得 (公理 3);由封闭性,(i)、(ii) 成立;其余六条公理在 中已对全部元素成立, 自动继承。故 自身是向量空间。

推论(交集封闭). 若 与 都是 的子空间,则 也是子空间。

证明. 非空(至少含 )。设 。因为 都在 中而 是子空间,所以 ;同理 。故 。数乘同理。

注意:并集一般不是子空间。 取 中两条过原点的不同直线 ( 轴)与 ( 轴)。,,但

所以并集对加法不封闭。子空间对"和"封闭,但不一定对"并"封闭——线性代数里"两个子空间相加"指的是所有 的集合(即 ),那才是子空间。

3.2 与 子空间的完整分类

定理(). 的子空间恰好是:

  1. 本身;
  2. 所有过原点的直线;
  3. 。

证明思路. 设 是子空间,取非零向量 。由数乘封闭, 包含整条过原点的直线 。

  • 若 ,属于第 2 类。
  • 若 ,取 。则 与 不共线,因而线性无关(这是 中的事实:不共线即无关)。对任意 ,因为 是两个无关向量,它们构成 的基, 可唯一写成

由封闭性 ,故 ,属于第 1 类。

定理(). 的子空间恰好是:

  1. 本身;
  2. 过原点的平面;
  3. 过原点的直线;
  4. 。

证明思路. 与上完全平行:设 。

  • 取 ,若 只含 的倍数,是直线。
  • 否则取 不在该直线上,则 无关, 是过原点的平面。若 等于这个平面,完毕。
  • 否则取 不在这个平面内,则 无关,构成 的基,。

这条分类定理的推论(重要): 中不过原点的直线,与 中不过原点的直线或平面,都不是子空间,因为零向量不属于它们。

3.3 更一般的

定理. 的子空间恰好是" 中过原点的 维平坦集合"(),即

其中 线性无关。 称为 的维数(dimension),记作 。

三个"必定是子空间"的例子(都要会证明):

(1) 零空间. 对任意 矩阵 ,

是 的子空间。

证明. 非空:,故 。设 ,:

所以 、。

(2) 列空间. 由 1.4 与 1.3 的定理, 是 的子空间。

(3) 解集不是子空间(反例). 若 ,则解集

不是子空间,因为 ()。它是"零空间平移 得到的仿射集合":

几何上是一条不过原点的直线(或平面)。这正是 3-3-Ax=b的完整解 中"特解 + 零空间"的几何含义。

3.4 中的子空间

矩阵本身也可以当"向量"看: 矩阵全体 在矩阵加法与数乘下构成向量空间(八条公理逐元素成立)。它的子空间包括:

(1)全体对称矩阵()构成子空间。

证明. 设 对称,。则

所以加法与数乘都封闭。零矩阵是对称的。

维数: 对称矩阵由主对角线( 个)与上方( 个)共

个自由元素决定。故 。 时维数是 :

(2)全体上三角矩阵构成子空间。

证明. 上三角矩阵的 ()元素为 。两个这样的矩阵相加,对应位置仍是 ;数乘仍是 。所以封闭。

维数:只需确定 的位置,共 个(与对称矩阵维数相同,这不是巧合——两者互为对偶的"形状")。 时维数是 :

(3)全体下三角矩阵:同理,维数也是 。

(4)全体对角矩阵:维数是 。

(5)全体可逆矩阵:不是子空间!原因有二:

  • 零矩阵不可逆,所以"零向量"不在集合里;
  • 与 都可逆,但 不可逆,加法不封闭。

(6)全体迹为零的矩阵():是子空间。因为 、,所以封闭;维数是 。

检验子空间的通用套路

1. 先看零向量在不在(最快,常常直接否决);

2. 再任取两个元素,检查和是否还在集合里;

3. 最后检查数乘是否封闭。

但步骤 1 通过也不代表是子空间,这时必须继续做步骤 2、3。三个经典反例:

- 单位向量全体 :取 ,则 的模长是 ,数乘不封闭。(它也不含零向量,因为 ,所以步骤 1 就能否决。)

- 行列式非零(可逆)的矩阵全体:含 ,所以步骤 1 通过;但 与 都可逆,而

不可逆,加法不封闭。

- 行列式为零的矩阵全体:含 ,所以步骤 1 通过;但例题 2(3) 已经给出反例——两个行列式为 的矩阵相加得到 ,,加法不封闭。

这三个例子说明:"含零向量"只是一张入场券,封闭性才是真正的考验。

3.5 定理:可解性判据(本篇最重要的定理)

定理. 设 是 矩阵,。则

证明. 设 的列为 。

"":若存在 使 ,则由列读法

即 是 的列的线性组合,所以 。

"":若 ,则按定义存在 使 。把这个系数取作 ,再次用列读法得 ,即 就是一个解。

换个说法(必背):

三种语言说的是同一件事。 这就是为什么 Strang 在第 1 章就强调"把 按列读":按行读得到" 个超平面求交点",按列读得到" 是否落在列的张成空间里"。后者与子空间理论无缝衔接。

配套结论( 什么时候是全部空间).

对任意 , 都有解 ( 有 个主元,即行满秩)。

特别地,当 时:

若 可逆,解是唯一的;若 奇异但 ,则有无穷多解(特解 + 零空间中任意向量)。

3.6 定理: 与 的关系

定理. 设 是 的一个特解(particular solution)。则 的全部解是

证明. 先证每个这样的 都是解:

再证每个解都能写成这个形式:设 是任意解,令 。则

所以 ,且 。

几何解读:解集是零空间(过原点的子空间)平移 的结果。这就是"不过原点的直线"的来历——它是仿射集合(affine set)而非子空间;只有当 (即 )时才退化成子空间。详见 3-3-Ax=b的完整解 与 3-2-零空间与阶梯形。

3.7 子空间的交与和

定义(交与和). 设 、 是线性空间 的子空间。

  • 交:;
  • 和:。

定理. 与 都是 的子空间。

证明(交). 见 3.1 的推论: 同时属于 、,所以交非空;设 ,则 在 中( 是子空间)、也在 中,故在交中;数乘同理。

证明(和). 先看非空:。

加法封闭:设 ,即存在分解

由加法交换律与结合律

最后的属于号是因为 、。

数乘封闭:对 ,

因为 。两条封闭性成立,故 是子空间。

并集不是子空间

一般不是子空间(3.1 已给出 轴与 轴的例子: 跑了出去)。原因是"并集"只允许你待在 里或待在 里,不允许跨界相加;而"和" 恰好把跨界的组合全部收进来。子空间的世界里,"或"要用"和"来表达。 例题 6 会给出完整的判据:并集是子空间 一个包含另一个。

定理(和 = 包含并集的最小子空间).

证明. "":每个 都是 中两个向量( 与 )的线性组合,所以属于 。

"": 是子空间(上一段)且包含 (取 就得到 中任意向量,取 就得到 中任意向量)。而 是包含 的最小子空间(1.3 的定理),所以它必须被 包含。

推论(有限多个子空间). 对子空间 ,定义

它仍是子空间,且等于 (证明与上面逐字相同)。

3.8 维数公式

定理(维数公式). 设 、 是有限维线性空间 的子空间。则

等价地写作

证明. 记

第 1 步:取交空间的一组基。 设

是 的一组基。(若 ,则 ,下面所有含 的部分直接略去即可,论证照样成立。)

第 2 步:把它扩充成 的基。 有限维空间中,子空间的基一定能扩充为全空间的基(基扩充定理,见 3-4-线性无关基与维数)。因为 是 中线性无关的向量组,可在 中添上 个向量 ,使

成为 的一组基。

第 3 步:同样扩充成 的基。 存在 ,使

成为 的一组基。

第 4 步:证明把两组拼起来正好是 的基。 令

(a) 张成 。 任取 ,写成 ,其中 、。由第 2 步, 是 组与 组的线性组合;由第 3 步, 是 组与 组的线性组合。合起来, 是 的线性组合。

(b) 线性无关。 设

把它改写为

右边是 中向量的线性组合,所以右边属于 ;左边显然属于 。等式说明左边这个向量同时属于 与 ,即属于 。于是它能由交空间的基 组线性表示,设

移项:

而 是 的基,线性无关,所以全部系数为零,特别地

代回 (1) 式,剩下的等式是

而 是 的基,线性无关,所以

于是 (1) 式只有零解, 线性无关。

第 5 步:数个数。 由 (a)、(b), 是 的基,所以

记住公式的"集合直觉"

两个有限集合求并,元素个数满足 。维数公式长得一模一样:把"维数"当成"大小",把"和"当成"并"。差别在于"和空间"把跨界的组合也收了进来,所以它比并集大得多——但维数公式照样成立。

两条常用推论.

  1. ,且等号成立 (这正是下一节"直和"的判据)。
  2. 若 都是 维空间 的子空间,则

这条不等式常用来"一眼断定交非零":例如 中两个 维子空间必有非零交向量()。

3.9 直和

定义(直和). 设 是 的子空间。若 中每个向量都能唯一地写成

则称 是 与 的直和(direct sum),记作

定理(直和的判定). 设 是 的子空间。下列三条等价:

(i) (表示唯一);

(ii) 且 ;

(iii) 且 ( 有限维时)。

证明 (i) (ii). 直和的定义已含 (每个向量都能这样表示)。再看交: 有一个表示 ;任取 ,则

也是 的一个表示(因为 、)。由表示唯一,必有 ,所以 。

证明 (ii) (i). 设 有两个表示

移项(用公理 4 的负元与公理 1、2):

左边属于 、右边属于 ,所以这个向量属于 ,于是 、,表示唯一,(i) 成立。

证明 (ii) (iii). 由维数公式,

在 的前提下,,即 (iii) (ii)。

实践中最常用的判据是 (ii) 与 (iii)

手算时先算两个子空间的维数与和空间的维数:若 ,由维数公式立刻知道交为零,不用再解交的方程(例题 5 就是这么做的)。反之,若算出交里有非零向量,和就不是直和。

多个子空间的直和. 称 ,若每个 都能唯一地写成

判定条件比两个子空间的情形更强:除 外,还要求对每个

注意:不能只检查"两两相交为零"。 反例:在 中取三条过原点的直线

任意两个的交都是 ,但 ,而且

有两种写法,表示不唯一,所以 。(两个子空间的情形不存在这个陷阱:那时"两两相交为零"就是全部条件。)

书中反复出现的三个直和.

  1. ,其中 是全体 阶对称矩阵、 是全体 阶反对称矩阵:任何矩阵唯一地分解为

而 (例题 2 已经算过 的情形:)。

  1. 与 ( 是 矩阵):这是第 4 章的正交分解——两个子空间不仅交为零,而且互相垂直,见 4-1-四大子空间的正交性。
  2. 若 阶矩阵 可对角化,则全空间是全部特征子空间的直和:。这给出了"特征向量足够多"的精确含义,见 6-2-矩阵的对角化。

四、计算方法与步骤

4.1 判断一个集合是不是子空间

  1. 看零向量: 是否属于该集合?不属于 → 不是子空间,结束。
  2. 看加法封闭:任取两个一般元素 (用参数表示),算 ,看是否仍满足该集合的定义条件。
  3. 看数乘封闭:算 ,同样检查。
  4. 若两条都通过,再用"其余公理自动继承"论证它是子空间。

4.2 求 并判断 是否属于它

  1. 写出增广矩阵 。
  2. 消元化为阶梯形(不必化成简化行阶梯形,判断相容性只需阶梯形)。
  3. 看是否出现矛盾行 且 :
  • 出现 → 方程组不相容 → ;
  • 不出现 → 相容 → 。
  1. 描述 :主元列是 的一组基, 主元个数。
  2. 若要求出具体的线性组合系数,继续回代(或化到简化行阶梯形),解出 。

4.3 判断一个张成集合能否填满

  1. 把向量按列排成矩阵 ( 行);
  2. 消元数主元个数 ;
  3. → 张成 ("张满"); → 只能张成一个真子空间。

4.4 求 与 的基与维数(标准流程)

设 、。若题目给的是定义方程(例如 ),先解方程求出各自的基,再按下面的步骤做。

第 1 步:求各自的维数。 把向量按列排成矩阵,做行变换数主元个数,得 与 。

第 2 步:求和空间的基与维数。 把两组向量放在一起排成矩阵(共 列),数主元个数得 ;主元列对应的那些原向量就是 的一组基。若 ,则交为零、和为直和,到此结束。

第 3 步:求交的维数(维数公式)。

第 4 步:求交的基(关键一步)。 设 ,则存在系数使

移项得齐次方程组

解出它的一个基础解系,每一组解代回 就得到一个交向量;这些交向量构成 的一组基。

第 5 步:检验。 交的基向量必须同时属于 与 :把它与 的基拼起来数秩,秩不应增加;与 的基拼起来也一样。

4.5 判断 的流程

  1. 求出 、 的基与维数;
  2. 求和:把两组基向量放在一起数秩,;
  3. 若第 2 步中已经出现 ,由维数公式立刻得 ,直和成立,无需再解交的方程;
  4. 否则写出交空间的一个非零向量即可否决直和(说明表示不唯一);
  5. 三个以上子空间时,必须逐个检查 ,"两两相交为零"不够(反例见 3.9)。

五、例题

例题 1:判断子空间与列空间(含"不在列空间"的完整判定)

设

(1) 判断 、 是否属于 ;(2) 求 ;(3) 判断

是否是 的子空间;(4) 判断 是否是子空间。

解 (1) 对 : 写出增广矩阵并消元。

:。

:。

:

没有出现 ()的矛盾行,所以方程组相容,。

顺带求出系数(回代): 由第 2 行 ,即 。由第 1 行

取自由变量 得一个特解 。检验:

所以 。

解 (1) 对 : 同样消元,只是最后一列换成 。

:。

:。

:

最后一行是 ,即 ,矛盾。所以方程组不相容,。

几何解读: 在 中是一个过原点的平面(见下面 (2)),而 不在这个平面里。 与 只差第三个分量( 与 ),一个在平面内、一个在平面外——这说明"落在列空间里"是一个很严格的条件。

解 (2): 消元后有两个主元(第 1、2 列),所以

即 是 中一个 2 维子空间——过原点的平面。它由 (主元列)张成。

这个平面是什么? 由消元结果可以看出第 3 列是前两列的组合。观察 :。

再看 的三行:、、。第三行 第一行 第二行(,, ✔)。所以 要落在这个平面上,其坐标应满足

验证:: ✔ 在平面上。: ✘ 不在平面上。与消元结论一致。

解 (3):。

  • 零向量: ✔,。
  • 加法:设 ,即 、。则

所以 ✔。

  • 数乘:,所以 ✔。

两条封闭性成立,故 是 的子空间。几何上它是法向量为 的过原点平面。

一个容易"看串"的地方. 例题 (2) 中算出 的方程是 ,即 ,法向量为 ;而 的方程是 ,法向量为 。两者不相等。核对一下: 属于 ,但 ,所以 。

与 都是 中过原点的平面、都是 2 维,但是不同的平面。这提醒我们:在 里"过原点的平面"有无穷多个,仅凭"都是平面、维数相同"不能断定两个集合相等,必须比较定义方程(或法向量)。

补充: 与 的真正关系. 注意 的三行满足

行向量之间的这个线性关系正是左零空间(left nullspace) 的元素:把系数写成 ,则

所以 ;而 给出 ,恰好由 张成。而 是 的正交补:法向量 与 、 的内积分别为

这条"左零空间 列空间"的正交关系是第 4 章的主线,详见 3-5-四大子空间的维数 与 4-1-四大子空间的正交性。

解 (4):。

零向量不满足 ,所以 , 不是子空间。(也可以验证加法不封闭:、 都在 中,但 使和为 ,不在 中。)

是 平移得到的平面,几何上是一个不过原点的平面——与"不过原点的直线"同理。

例题 2:判断集合是否为子空间( 与函数空间)

判断下列集合是否为相应向量空间的子空间,并给出理由:

(1) (对称矩阵);

(2) (反对称矩阵,skew-symmetric);

(3) ;

(4) (次数不超过 的多项式)。

解 (1):是子空间。 零矩阵满足 ✔。设 、:

维数:由 六个自由元决定(见 3.4),

解 (2):是子空间。 零矩阵满足 ✔。设 、:

所以封闭,是子空间。维数:反对称矩阵的对角元必须满足 ,故 (3 个约束);上方 3 个元素自由决定下方 3 个。所以

有趣的推论:任何一个 矩阵都能唯一分解为对称部分与反对称部分之和:

而 ,维数正好对上。这说明 是 与 的直和。

解 (3):不是子空间。 零矩阵有 ,所以零向量在集合里——这一步没有否决它。要另找反例。取

✔、 ✔,但

所以 。加法不封闭,不是子空间。

这个例子说明:"零向量在集合里"只是必要条件,不是充分条件,必须继续检查封闭性。

解 (4):是子空间。 把多项式看成"以 为基的向量":

加法与数乘逐系数进行,与 完全一致:零多项式对应 ,两个二次多项式的和仍是次数 的多项式,数乘同理。所以 是子空间,且

推广:次数不超过 的多项式全体 是向量空间,;而"次数恰好等于 的多项式全体"不是子空间(零多项式的次数无定义,不在集合里)。这与 的对称/上三角/可逆矩阵的判定完全同构。

例题 3:求子空间的交与和的基与维数

题目

在 中取

求 、、 与 的基和维数,验证维数公式,并写出 的一般方程。

第 1 步:求 。 设 ,即

由第 1 个分量得 ,由第 2 个分量得 ,所以 线性无关:

第 2 步:求 。 设 ,即

由第 2、3 个分量得 ;再由第 1 个分量得 。所以线性无关:

第 3 步:求 的维数与基。 把四个向量按列排成矩阵(第 1 行是所有向量的第 1 个分量,以此类推),做行变换:

(验算: ✔; ✔。)继续:

非零行有 3 行,所以

主元列是第 1、2、4 列,对应原向量 ,所以

(第 3 列 是多余的,这与第 5 步的结果一致)。

第 4 步:用维数公式求交的维数。

第 5 步:求交的基(解方程组)。 设 ,则存在 使

把两边逐分量写开:

于是得到方程组

由第 2、3 式得 ;代入第 1 式:,故 ;代回第 4 式得 ,自动成立。所以全部解为

取 :

因此

与第 4 步的维数公式一致 ✔。(顺带发现了 ,这正是第 3 步中 那一列不是主元列的原因。)

第 6 步:写出 的一般方程。 是 中的 3 维子空间,可以写成一个齐次线性方程。设 与基 都正交:

由第 1 式 ;由第 2 式 ;代入第 3 式得 。取 得 ,所以

验证:: ✔;: ✔;: ✔;: ✔。

第 7 步:核对维数公式。

例题 4:判断集合是否为子空间(矩阵空间、函数空间、多项式空间)

题目

判断下列集合是否为相应线性空间的子空间,并求是子空间者的维数:

(1) ;

(2) ;

(3) ;

(4) 。

第 1 步: 是子空间。 是"全体对称矩阵 "与"全体迹为零矩阵 "的交。 与 都是 的子空间(3.4 已经证明),而子空间的交仍是子空间(3.7 的定理),所以 是子空间。零矩阵是对称的且迹为零,所以 ✔。

第 2 步:求 (直接数自由参数)。 设 对称且 ,则

六个位置 由一个方程约束,所以自由参数有 个。取 为自由参数():

让五个自由参数依次取 、其余取 ,得到五矩阵

它们线性无关(每个矩阵都有一个"独占"的非零位置,例如 的 位置在其余四个矩阵里都是 ),而且任何 都是它们的线性组合。所以

第 3 步:用维数公式核对。 在 中:

  • (对称矩阵由 6 个自由元素决定,3.4 算过);
  • (迹为零只有一个线性约束);
  • ,因为任何矩阵都能拆成

(反对称矩阵的对角元必为零,所以迹为零,确实在 中),故 。

由维数公式

与第 2 步的结论一致。

第 4 步: 不是子空间。 零函数满足 ,所以 ,立即否决。(也可以验证加法不封闭:两个在 处取值 的连续函数之和在 处取值 ,跑出了 。)

第 5 步: 是子空间。 零函数在 上的积分为 ✔。任取 与 ,由积分的线性性

所以 、,两条封闭性成立, 是 的子空间。

它是无限维的。 对每个 ,函数

都属于 ,因为

若 (作为函数恒为零),则多项式

有无穷多个根,由例题 7 的引理它是零多项式,于是 。也就是说 对每个 都线性无关,所以 不可能是有限维的。

第 6 步: 是子空间。 零多项式满足 ✔。设 、:

所以封闭, 是 的子空间。

求基与维数。 设 满足 ,即 ,于是

所以

与 次数不同、不成比例,线性无关,故

(一般地,"在 个基函数上加一个非平凡的线性约束"会把维数降 ;这与 3.4 中"迹为零的矩阵空间维数是 "是同一现象。)

第 7 步:小结。 四个集合中 、、 是子空间,共同点是都由齐次线性条件定义(、、积分 、); 不是,因为它的条件是"等于 "(非齐次),零元不在其中。

例题 5:直和判定与向量的唯一分解

题目

取例题 1 中的矩阵

并记 。

(1) 证明 ;

(2) 把 唯一地写成 ,其中 、,并验证 。

第 1 步:算两个子空间的维数。 例题 1 已经算出 ,所以 ;又 ,所以 。两者之和

第 2 步:说明 。 例题 1 已经求出 的方程是

而 不满足它(),所以 。交中的向量必形如 ;若 ,则 (子空间对数乘封闭),矛盾。所以 ,即

第 3 步:说明两者之和是整个 。 取 的基 、(第 1、2 列),与 一起按列排成矩阵并求秩:

三个主元,所以这三个向量线性无关、张成 :

第 4 步:判断直和。 由 3.9 的判据 (ii): 且 ,所以

(也可以用判据 (iii) 验证: ✔。第 1 步其实已经算出这一点。)

第 5 步:求分解。 设 ,其中 。因为 ( 是 的法向量),两边与 作内积:

所以

代入 、:

所以 ,于是

第 6 步:验证四件事。

  • : ✔(满足 );
  • : ✔;
  • : ✔;
  • ✔。

第 7 步:说明唯一性,并指出它是什么。 由直和的定义,这样的分解只有一种。它正是第 4 章要讲的正交投影: 是 在 上的投影, 是误差向量。注意 (因为 ),所以 ;若取 (在 里),则 、、。完整理论见 4-2-投影与投影矩阵 与 4-1-四大子空间的正交性。

例题 6(证明):两个子空间的并是子空间 一个包含另一个

题目

设 、 是线性空间 的子空间。证明

第 1 步:充分性()。 若 ,则 ,是子空间;若 ,则 ,也是子空间。两种情况都成立。

第 2 步:把必要性写成逆否命题。 我们证明:若 且 ,则 不是子空间。

第 3 步:取出两个"互相越界"的向量。 由 ,存在

由 ,存在

显然 。

第 4 步:证明 。 反设 。

  • 若 :因为 而 是子空间(对减法封闭,因为有负元),所以

与 矛盾。

  • 若 :同理

与 矛盾。

两种可能都矛盾,所以 ,并集对加法不封闭,不是子空间。

第 5 步:结论。 逆否命题成立,故必要性成立。结合第 1 步,命题得证。

第 6 步:具体例子。 在 中取 ( 轴)、( 轴)。两者互不包含,第 3 步的取法是 、,于是

这个定理只对"两个"子空间成立

对三个以上的子空间,"并是子空间"的判据不再是"某一个包含其余全部"。例如 中三条过原点的直线 ,两两互不包含,并集当然不是子空间——但即使 恰好等于某个子空间(比如三条直线恰好覆盖了整个平面,这在实数域上不可能,但在有限域上会发生),也不能用本定理的简单形式去判断。稳妥的做法永远是回到定义:检查并集对加法和数乘是否封闭。

例题 7(证明): 是 的基,并由此得到 是无限维的

题目

(1) 证明 是 (次数不超过 的多项式全体)的一组基,从而 ;

(2) 由此说明闭区间上的连续函数空间 是无限维线性空间。

第 1 步:张成。 的定义就是"能写成 的多项式全体",所以 张成 。

第 2 步:问题归结为证明线性无关。 设

要证 。

第 3 步:先证一个关于根的引理。

引理. 设多项式 的次数不超过 。若 有 个互不相同的根,则 。

证明(对 归纳). 当 时 是非零常数,没有根,结论成立(前提不满足)。

设结论对次数不超过 的多项式成立,考虑次数不超过 的 ,设它有 个互不相同的根 。由因式定理( 是 的根 整除 ),

对 ,

而 ,所以 。于是 有 个互不相同的根,由归纳假设 ,从而 。

第 4 步:应用引理证明线性无关。 设 是 中的零元素,即对每个 都有 。取 个互不相同的值(例如 ),它们全是 的根;由引理 ,即所有系数为零:

所以 线性无关,是 的一组基,于是

第 5 步: 是无限维的。 把 看成 上的连续函数,它们都属于 ;由第 4 步,它们对每个 都线性无关。也就是说, 中含有任意多个线性无关的向量,因此它不可能是有限维的:

这也解释了傅里叶级数为什么需要无穷多个基函数:有限个 永远不够用(见 10-4-傅里叶级数与函数空间)。严格的收敛性讨论属于泛函分析,本库只做线性代数的类比。

第 6 步:另一条证明思路(用范德蒙德行列式)。 取 个互不相同的数 ,把 看成关于未知数 的齐次线性方程组:

系数矩阵是范德蒙德矩阵,其行列式为

所以方程组只有零解。这条路线把"线性无关"归结为行列式计算,与 6.2 的多项式插值问题(数据点互异 范德蒙德矩阵可逆)是同一个事实的两面,详见 5-2-排列与代数余子式 与 5-3-克莱姆法则与体积。

例题 8:用 numpy 数值验证维数公式

题目

用 numpy 验证维数公式。随机生成 中两组向量分别张成 、:

(1) 用秩算出 、、;

(2) 独立地用"解齐次方程组"的方法算出 的基与维数(不许用维数公式);

(3) 检查是否满足 ,并把 的退化情形也跑一遍。

第 1 步:思路(交空间怎么算)。 等价于"存在系数 使 ",即

其中 、 的列分别是两个子空间的基向量。所以

这正是 4.4 第 4 步的矩阵写法:交空间 = 齐次方程组的解空间在 下的像。

第 2 步:完整代码(本示例只需要 numpy)。

pip install numpy
import numpy as np

def nullspace(M, tol=1e-10):
    """返回 M 的零空间的一组基(列向量),用 SVD 实现。"""
    u, s, vt = np.linalg.svd(M)
    r = int((s > tol).sum())
    return vt[r:].T                      # 形状 (M.shape[1], 零空间维数)

def independent_columns(M, tol=1e-10):
    """贪心挑出 M 的列向量组的一个极大线性无关组。"""
    cols = []
    for j in range(M.shape[1]):
        cand = M[:, [j]] if not cols else np.hstack([np.column_stack(cols), M[:, [j]]])
        if np.linalg.matrix_rank(cand, tol=tol) > len(cols):
            cols.append(M[:, j])
    return np.column_stack(cols) if cols else np.zeros((M.shape[0], 0))

def dim(W):
    """W 的列向量组张成的子空间的维数。"""
    return int(np.linalg.matrix_rank(W))

def sum_basis(B1, B2):
    """W1 + W2 的一组基 = 两组向量合起来的极大无关组。"""
    return independent_columns(np.hstack([B1, B2]))

def intersection_basis(B1, B2, tol=1e-10):
    """W1 = C(B1) 与 W2 = C(B2) 的交的一组基(解 [B1, -B2][a; b] = 0)。"""
    N = nullspace(np.hstack([B1, -B2]), tol)
    A_ = N[:B1.shape[1], :]              # 只取 a 部分
    return independent_columns(B1 @ A_, tol)

def report(name, B1, B2):
    d1, d2 = dim(B1), dim(B2)
    S = sum_basis(B1, B2)
    ds = S.shape[1] if S.size else 0
    I = intersection_basis(B1, B2)
    di = I.shape[1] if I.size else 0
    print("%s: dim W1 = %d, dim W2 = %d, dim(W1+W2) = %d, dim(交) = %d"
          % (name, d1, d2, ds, di))
    print("   维数公式 d1 + d2 - di = %d 等于 dim(W1+W2) ? %s"
          % (d1 + d2 - di, d1 + d2 - di == ds))
    for j in range(di):                  # 交的基向量必须同时在两个子空间里
        x = I[:, [j]]
        assert dim(np.hstack([B1, x])) == d1 and dim(np.hstack([B2, x])) == d2
    return di

rng = np.random.default_rng(20261011)

# 情形 1:一般位置(交集通常为 0 维)
B1 = rng.normal(size=(6, 3))
B2 = rng.normal(size=(6, 3))
report("情形 1 (一般位置)", B1, B2)

# 情形 2:让两个子空间共用同一个方向 z(交集至少含 z)
z = np.ones(6)
B1 = np.column_stack([z, rng.normal(size=6), rng.normal(size=6)])
B2 = np.column_stack([z, rng.normal(size=6), rng.normal(size=6)])
report("情形 2 (共享方向 z)", B1, B2)

# 情形 3:退化情形 W2 是 W1 的子空间
B1 = rng.normal(size=(6, 3))
B2 = B1 @ rng.normal(size=(3, 2))
report("情形 3 (W2 是 W1 的子空间)", B1, B2)

# 200 次随机抽查:维数公式是否总成立
bad = 0
for _ in range(200):
    B1 = rng.normal(size=(6, 3))
    B2 = rng.normal(size=(6, 3))
    d1, d2 = dim(B1), dim(B2)
    ds = dim(np.hstack([B1, B2]))
    I = intersection_basis(B1, B2)
    di = I.shape[1] if I.size else 0
    if d1 + d2 - di != ds:
        bad += 1
print("200 次随机抽查中公式不成立的次数:", bad)

第 3 步:运行结果(已实测)。

情形 1 (一般位置): dim W1 = 3, dim W2 = 3, dim(W1+W2) = 6, dim(交) = 0
   维数公式 d1 + d2 - di = 6 等于 dim(W1+W2) ? True
情形 2 (共享方向 z): dim W1 = 3, dim W2 = 3, dim(W1+W2) = 5, dim(交) = 1
   维数公式 d1 + d2 - di = 5 等于 dim(W1+W2) ? True
情形 3 (W2 是 W1 的子空间): dim W1 = 3, dim W2 = 2, dim(W1+W2) = 3, dim(交) = 2
   维数公式 d1 + d2 - di = 3 等于 dim(W1+W2) ? True
200 次随机抽查中公式不成立的次数: 0

第 4 步:怎么读这段输出。

  • 情形 1:两个随机的 3 维子空间在 中"一般位置"相交,交是 , 直接和成整个 ()。这正是 3.9 里" 交为零"的例子。
  • 情形 2:人为让两组基共用方向 ,于是 ,和空间降为 维()。"交的维数等于两个子空间'重合掉'的维数"——这就是维数公式的直观含义。
  • 情形 3: 时 ()、(),公式给出 ✔,退化情形照样成立。
  • 最后一行: 组随机数据全部满足公式,不成立次数为 。

第 5 步:代码里两处值得学的技巧。

  1. 零空间用 SVD 求:对矩阵 做奇异值分解,奇异值近似为 的那些右奇异向量张成 (vt 的行就是右奇异向量,取 之后的行即可)。这是数值上最稳的做法,也是第 7 章 7-1-SVD的构造与几何意义 的一个直接应用。手算时当然还是用消元法解齐次方程组(3-2-零空间与阶梯形)。
  2. "取极大线性无关组"用贪心:依次把每一列试着加进来,只要秩增加就保留。虽然不如 QR 选主元快,但代码短、逻辑与"极大无关组"的定义完全对应,非常适合验证与教学。手算时对应的做法是 4.4 里的"数主元、取主元列"。

第 6 步:这个实验说明了什么。 维数公式不只是"数一数"的工具,它还可以反解出交的维数:手算时先用公式得到 ,再据此解方程组求出交的基(例题 3 就是这么做的);而本例用完全独立的途径(解齐次方程组)算出交的维数,两者在 200 组随机数据上逐一吻合,说明公式确实成立,而不是"巧合"。

数值验证不能代替证明

上面 200 组随机数据都满足维数公式,这只是"证据",不是"证明"——随机数据恰好落在反例上的概率为 ,不等于不存在反例。严格的证明只有 3.8 里那一个(用基的扩充 + 线性无关)。数值实验的价值在于:帮你发现公式、检验自己对公式的理解、以及在工程中快速排查计算错误。


六、应用

6.1 判断方程组是否有解(最直接的用途)

工程与数据分析中大量出现"超定方程组"(方程个数多于未知数): 是 且 , 一般不在 的列空间中,因此无解。此时不能强行求解,而要转到最小二乘:

这就是把 投影到 上。见 4-2-投影与投影矩阵 与 4-3-最小二乘逼近。

6.2 多项式插值与函数逼近

给定 个数据点 ,要找次数 的多项式 经过全部点。方程组是

左边的矩阵是范德蒙德矩阵(Vandermonde matrix)。当 互不相同时它可逆,即 ——任何数据都能被唯一插值。这正是"多项式空间维数是 "这个事实的应用: 个独立的基函数 张成 维空间,于是能覆盖 个自由数据。详见 5-2-排列与代数余子式。

6.3 函数空间与傅里叶级数

把函数看作向量:定义内积(inner product)

则 是一组正交基,函数空间是"无穷维向量空间"。傅里叶级数就是"把函数投影到这组正交基上",与 中的投影公式结构完全一样。详见 10-4-傅里叶级数与函数空间。

6.4 信号与图像的子空间模型

  • 稀疏表示:图像块可近似落在"少数几个字典原子张成的子空间"里,压缩感知就建立在这个假设上。
  • 子空间追踪:视频监控中"背景"是低维子空间(几乎不变的背景),"前景"是稀疏扰动,二者分离用 RPCA(鲁棒主成分分析)。
  • 信道估计:多个用户的信号分别落在不同子空间中,用子空间分解做盲分离(MUSIC、ESPRIT 算法)。

6.5 控制与系统

线性系统的能控子空间(controllable subspace)与能观子空间(observable subspace)就是 的子空间,维数决定系统能否被完全控制或观测。这是"子空间"概念在工程中最深刻的用途之一。

6.6 数据降维

样本协方差矩阵的特征向量张成主子空间,PCA 把数据投影到"前 个特征向量张成的子空间",用低维子空间近似高维数据。见 7-3-主成分分析PCA。

6.7 用 numpy 验证子空间的两条封闭性

抽样检验封闭性,并用反例说明"必须过原点"

本示例只需要 numpy:

```bash

pip install numpy

```

```python

import numpy as np

def in_span(v, basis):

"""判断 v 是否落在 basis 张成的空间中(用秩判定)。"""

B = np.array(basis, dtype=float).T # 每个向量作为一列

return np.linalg.matrix_rank(B) == np.linalg.matrix_rank(np.column_stack([B, v]))

v1 = np.array([1., 0., 1.])

v2 = np.array([0., 1., 1.])

W = [v1, v2] # 候选子空间 W = span{v1, v2}

# 1) 对加法与数乘封闭(随机抽样 100 组检验)

rng = np.random.default_rng(0)

ok_add = ok_scalar = True

for _ in range(100):

a, b = rng.normal(size=2), rng.normal(size=2)

v = a[0] v1 + a[1] v2

w = b[0] v1 + b[1] v2

ok_add &= in_span(v + w, W)

ok_scalar &= in_span(3.7 * v, W)

print("对加法封闭 ?", ok_add) # True

print("对数乘封闭 ?", ok_scalar) # True

print("含零向量 ?", in_span(np.zeros(3), W)) # True

print("dim W =", np.linalg.matrix_rank(np.array(W).T)) # 2,是 R^3 的真子空间

# 2) 反例:不过原点的平面 x + y + z = 1 上的点集不是子空间

p = np.array([1., 0., 0.]) # 在平面上(和为 1)

q = np.array([0., 1., 0.]) # 在平面上(和为 1)

print("p 在平面上 ?", np.isclose(p.sum(), 1)) # True

print("p + q 的和 =", (p + q).sum(), "-> 仍在平面上 ?", np.isclose((p + q).sum(), 1)) # 2.0, False

print("2p 的和 =", (2 p).sum(), "-> 仍在平面上 ?", np.isclose((2 p).sum(), 1)) # 2.0, False

print("零向量在平面上 ?", np.isclose(np.zeros(3).sum(), 1)) # False

```

反例为什么是"致命"的

平面 上有的是点,看起来很像子空间,但它对加法与数乘都不封闭,而且不含零向量。

三条判别条件里任何一条被破坏就不是子空间——而"不过原点"必然同时破坏全部三条。这就是"子空间必须过原点"的数值证据。


七、易错点

十二个高频错误

1. 不过原点的直线(平面)不是子空间。 这是本库反复强调的第一号易错点。、、 全部不是子空间,因为零向量不在里面。

2. 是 的子空间,不是 。 列向量有 个分量( 是行数)。同理 。搞错下标会导致后面维数公式全盘出错。

3. 的解集不是子空间(当 )。 它是零空间平移 得到的仿射集合。只有齐次方程 的解集才是子空间。

4. "零向量在集合里"只是必要条件。 含零矩阵却不是子空间(例题 2(3));(幂等矩阵)含 与 ,但 不幂等,也不是子空间。

5. 两个子空间的并集一般不是子空间,因为加法不封闭( 轴与 轴的并集)。交集才是子空间。

6. 可逆矩阵全体不是子空间。 零矩阵不可逆; 也不可逆。

7. "次数恰好为 的多项式全体"不是子空间(零多项式不在内),"次数不超过 "才是。

8. 张成空间里的系数可以全为 ,所以任何张成空间都含零向量。这一点常被忽略:" 是这些向量的线性组合"允许系数全零,那对应 。

9. 有解不等于解唯一。 只保证有解;若 ,则有无穷多解。

10. 是列数无关的。 不能说" 的维数等于列数 "——只有列线性无关时才等于 。

11. 子空间的判定不能只看"形状像"。 例如 (两条坐标轴的并集)满足"过原点",但 跑出去了,不是子空间。

12. 零空间与列空间是不同的集合。 、;它们一般连"住在哪个空间"都不同,不能混为一谈。

关于"交、和、直和"与"公理"的六个高频错误

1. 两个子空间的并集一般不是子空间,除非一个包含另一个(例题 6)。想表达"或"要用和:。

2. 维数公式里减的是"交的维数"。写成 是常见笔误——那样会得出"和比两个子空间加起来还大"的荒谬结论。

3. 不等于 ,还要求 。只能说" 内部是直和",不能直接写成" 是直和"。判断时先确认和空间是否等于整个 。

4. 三个以上子空间的直和不能只查"两两相交为零"(3.9 的反例: 中三条过原点的直线),必须逐个检查 。

5. 抽象线性空间里的"向量"不一定是数组。多项式、函数、矩阵都可以是向量;写 之前先确认这个空间里的元素确实能用坐标表示(只有取定一组基之后才可以)。

6. 自定义运算时,公理 5、7、8 最容易被破坏。1.5 的两个怪例说明:只删掉公理 5 就会让 、张成、基、维数全部失效。要判断一个集合是不是线性空间,先检查这两条分配律与 ,再检查其余公理。


八、练习题

基础题 1. 判断下列 的子集哪些是子空间,说明理由:

(1) ;(2) ;(3) ;(4) ;(5) 。

基础题 2. 设

求 的几何描述(用方程表示),并判断 与 是否属于 。

进阶题 3. 设

判断 是否属于 ;若属于,写出全部线性组合的系数(用参数表示)。

进阶题 4. 判断下列集合是否为 的子空间:

(1) 迹为零的矩阵;(2) 行列式为零的矩阵;(3) 的矩阵;(4) 满足 的矩阵。

思考题 5. 设 、 是向量空间 的子空间。证明

是子空间(称为 与 的和空间)。并举例说明 一般不是子空间。

思考题 6. 设 是次数不超过 的多项式全体,。证明 是子空间,并求 。

进阶题 7. 在 中取

求 与 的基与维数,并判断 是否成立。

进阶题 8. 设 是线性空间 的子空间。判断下列命题是否正确:正确的给出证明,错误的举出反例。

(1) ;

(2) 。

(提示:把 3.9 中" 里三条过原点的直线"那个例子拿来做 (2) 的反例。)

思考题 9. 设 是 维线性空间 的子空间,。证明:存在 的子空间 使 ;并说明这样的 一般不唯一(举一个 、 的例子)。


九、常见问题 FAQ

Q1:为什么子空间的判别只要"加法封闭 + 数乘封闭"两条,而不需要把那八条公理全部验证一遍?

A:因为八条公理中有六条是恒等式(交换律、结合律、分配律、 等),它们的形式是"对 中所有元素成立",而 ,所以 的元素自动满足它们——不需要重新验证。真正可能"失效"的只有两件事:加法的结果、数乘的结果会不会跑出 。这就是两条封闭性。至于"零向量存在",由 与数乘封闭自动得到;"负向量存在"由 与数乘封闭自动得到。所以两条封闭性就够。

Q2: 与" 的列张成的空间"是同一个东西吗?为什么它等于所有可能的 ?

A:是同一个东西。关键在于矩阵乘法的列读法:

左边的 遍历 时,右边遍历"系数 任意取"的所有线性组合。所以两个集合逐元素相同:

这个等号是整本书最重要的等号之一,它把"解方程"与"子空间归属"绑在了一起。

Q3:为什么""就等价于" 有解"?

A:由上一条, 意味着存在系数 使 ;把这组系数拼成 ,用列读法立刻得到 ,所以有解。反过来,若 有解,则 就是列的一个线性组合,故属于 。"有解"与"属于列空间"是同一句话的两种说法。

Q4:子空间一定过原点吗?那现实中的平面(比如桌面)为什么还能用线性代数处理?

A:抽象的"子空间"必须过原点,因为零向量必须属于它。现实中的平面(桌面)不过原点,它是某个子空间的平移,数学上叫仿射子空间(affine subspace),形如 。线性代数处理它的办法是"先平移把原点搬到桌面上,在平移后的坐标系里做线性运算",这正是齐次坐标(homogeneous coordinates)的思想:把 维仿射问题提升为 维线性问题。计算机图形学里的 变换矩阵就是这么来的,见 10-5-图形学与密码学。

Q5:国内教材说"数域 上的线性空间",Strang 的书里怎么几乎不提数域?

A:Strang 全程默认数域是 (第 9 章才换成 ),因为工程与数据里的向量几乎都是实数组。国内教材强调数域,有两个实际好处:

  1. 有些结论依赖数域。例如"任意 阶复矩阵都有特征值"(代数基本定理),而实矩阵可能没有实特征值(旋转矩阵 的特征值是 );再如二次型在实数域与复数域上的标准形完全不同。详见 6-1-特征值引论、9-1-复数与复向量。
  2. 同一个集合在不同数域上的维数可能不同。 在 上是 2 维,在 上是 1 维(1.6)。说"维数"时必须说清数域。

本库的约定:主线按 Strang 用 ,涉及国内教材特有内容时显式写出数域 。

Q6:维数公式能推广到三个子空间吗?是不是照抄容斥原理就行?

A:不能照抄。 对三个子空间,一般公式里还要出现"三个子空间之和的商空间"这类更复杂的项,它不是容斥公式那一串(练习题进阶题 8 给了具体反例: 中三条过原点的直线,容斥式给出 ,而实际维数是 )。

只有两种情形可以放心用简单公式:

  1. 和是直和:若 ,则 (由直和的定义直接得到);
  2. 逐对相加:反复用两个子空间的维数公式,每一步都明确"这次是与哪个子空间相加"。

所以考试中遇到三个子空间,回到定义(逐个检查 )永远是最稳的做法。


本篇小结

核心结论

  • 线性空间 = 集合 + 两种运算 + 八条公理。公理化的价值是"一次证明、处处可用":凡只用到八条公理的结论,对 、、、 同时成立。
  • 数域 是含 且对四则运算封闭的复数子集(、、、)。同一个集合换数域可能改变维数: 在 上 2 维、在 上 1 维。
  • 公理 5()与公理 7、8(两条分配律) 是自定义运算最容易踩坏的三条。删掉公理 5,连 、张成、基、维数都会失效。
  • 子空间判别只需两条封闭性(加法、数乘);其余六条公理从 自动继承。零向量必定属于子空间,所以 "" 是否决一个集合最快的方法。
  • "过原点"是子空间的几何标志: 的子空间只有三种、 的只有四种;不过原点的直线与平面都只是仿射集合。
  • 列空间 列的全体线性组合,是 的子空间(下标是行数 ); 有解 。
  • 交与和都是子空间,并集一般不是;,它是包含 的最小子空间。
  • 维数公式:;由此 。
  • 直和: 且 表示唯一;有限维时可写 。三个以上子空间要逐个检查 。
  • 典型直和:(对称 反对称)、(正交分解)、可对角化时全空间 = 特征子空间的直和。

易混概念对照表

概念一句话辨析关键判据
子集 vs 子空间子集只要求"在 里";子空间还要求对加法、数乘封闭两条封闭性(先看 在不在)
子空间 vs 仿射集合仿射集合是"子空间 + 平移",一般不过原点看 在不在
vs 前者是列的全体组合(),后者是 的解()看向量有几个分量
并 vs 和并集一般不是子空间;和是包含并集的最小子空间
交 vs 和交越交越小(降维),和越加越大(升维);两者由维数公式相连 公式
和 vs 直和直和要求和中的表示唯一,等价于交为零
有限维 vs 无限维 是 维;、 是无限维能否找到任意多个线性无关向量
vs "次数恰好为 的多项式"前者含零多项式与低次多项式,是子空间;后者不是零多项式在不在
数域 vs 同一个集合换数域,维数可能变数乘以谁
公理 5 不是废话:自定义数乘时它可能失效逐条核对八条公理
本篇结论后面用在哪
列空间与可解性判据[[3-3-Ax=b的完整解]]、[[4-2-投影与投影矩阵]]、[[4-3-最小二乘逼近]]
子空间的交与和、维数公式[[3-5-四大子空间的维数]]、[[4-1-四大子空间的正交性]]
直和与唯一分解[[6-2-矩阵的对角化]](特征子空间直和)、[[4-1-四大子空间的正交性]](正交直和)
抽象线性空间与函数空间[[10-4-傅里叶级数与函数空间]]、[[8-1-线性变换的思想]]
数域 [[9-1-复数与复向量]]、[[6-1-特征值引论]]
的基与范德蒙德[[5-2-排列与代数余子式]]、[[5-3-克莱姆法则与体积]]

相关笔记

  • 2-1-向量与线性方程组—— 的行图像与列图像、线性组合的语言,本篇的列空间概念直接由它生长出来。
  • 3-2-零空间与阶梯形——零空间 是另一个基本子空间,用行化简求它的基。
  • 3-3-Ax=b的完整解——本篇定理 3.6 的展开:特解 + 零空间,可解性条件的完整讨论。
  • 3-4-线性无关基与维数——把"张成"与"线性无关"结合起来定义基与维数。
  • 3-5-四大子空间的维数——、、、 的维数与秩 的关系,本库主线。
  • 4-1-四大子空间的正交性——本篇 3.9 的直和在四大子空间里升级为正交直和 ,例题 5 的分解就是它的具体化。
  • 6-2-矩阵的对角化——"可对角化 全空间是特征子空间的直和",用的是本篇 3.9 的直和判据。
  • 9-1-复数与复向量——数域换成 之后:复线性空间、复内积与模长;本篇 1.5、1.6 的数域讨论在那里继续。
  • 8-1-线性变换的思想——把"抽象向量"升级为"线性变换":函数空间上也能定义变换(例如求导),这是泛函分析的入口。
  • 5-3-克莱姆法则与体积——例题 7 的第 6 步用范德蒙德行列式重证" 线性无关",那里是多项式插值唯一性的依据。
  • 7-1-SVD的构造与几何意义——例题 8 用 SVD 求零空间,那里给出零空间与奇异向量的完整理论。

参考来源

  • MIT OCW 18.06 Linear Algebra, Spring 2010(Lecture 5: Transposes, Permutations, Spaces ;Lecture 6: Column Space and Nullspace):https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/
  • Strang, Introduction to Linear Algebra, 5th Edition, §3.1 "Spaces of Vectors":https://math.mit.edu/~gs/linearalgebra/ila5/indexila5.html
  • Strang, §3.5 "Dimensions of the Four Subspaces" 原文 PDF(MIT 官方免费章节):https://math.mit.edu/~gs/linearalgebra/ila5/linearalgebra5_3-5.pdf
  • 同济大学数学系《线性代数》第六版,第四章"向量组的线性相关性"(文字参考)。
  • 同济大学数学系《线性代数》第六版,第四章"线性空间的定义与性质、维数、基与坐标、基变换与坐标变换"及第五章"子空间的交与和、直和"(数域 上的线性空间、维数公式、直和判定的国内写法,文字参考)。