高等代数复习：线性空间

本篇文章适合个人复习翻阅，不建议新手入门使用

线性空间

定义和性质

定义：（线性空间）
设集合 $V$ 和数域 $\mathbb{K}$，在 $V$ 上
定义加法 $+:V\times V\to V,(\alpha ,\beta )\mapsto \alpha +\beta$；
定义数乘 $\cdot :V\times V\to V,(k,\alpha )\mapsto k\cdot \alpha$
上述加法和数乘满足以下性质

1. 加法交换律
2. 加法结合律
3. 加法单位元
4. 加法逆元
5. 数乘单位元
6. 数乘结合律
7. 分配律1：$k(\alpha +\beta )=k\alpha +k\beta$
8. 分配律2：$(k+l)\alpha =k\alpha +l\alpha$

则称 $V$ 是数域 $\mathbb{K}$ 上的线性空间

注：若无注明，全篇均默认 $V$ 是数域 $\mathbb{K}$ 上的线性空间

性质

• 加法单位元是唯一的
• 加法逆元是唯一的
• 加法消去律成立
• $0\cdot \alpha =0$
• $k\cdot 0=0$
• $(-1)\alpha =-\alpha$
• 若$k\cdot \alpha =0$，则$\alpha =0$或$k=0$

线性相关性与秩

线性组合，线性表出，线性相关，线性无关的定义略；线性空间 $V$ 中，向量的集合称为向量族，向量的有限集合称向量组

定义：（极大无关组）
设向量族 $S$ ，若 $S$ 中存在一组向量 { α 1 , … , α r } \{\alpha_1,\dots,\alpha_r\} {α1​,…,αr​} 满足

1. ${\alpha }_1,\dots ,{\alpha }_r$ 线性无关
2. $S$ 中任一向量均可用 ${\alpha }_1,\dots ,{\alpha }_r$ 线性表示

则称 { α 1 , … , α r } \{\alpha_1,\dots,\alpha_r\} {α1​,…,αr​}是向量族 $S$ 的极大（线性）无关组

存在性与唯一性
设 $S$ 是一向量组且至少包含一个非零向量，则 $S$ 的极大无关组一定存在；一般来说，向量族的极大无关组不唯一

定理：（秩的概念）：
设 $A$ 与 $B$ 都是向量族 $S$ 的极大线性无关组，则 $A,B$ 所含的向量个数相等，称为 $S$ 的秩，记为 $r(S)$

证明思路：
只需证明如下的两个引理
设向量组 $A,B$，且 $A$ 中每个向量可由 $B$ 线性表出
引理1：若 $A$ 线性无关，则 $r(A)\le r(B)$
引理2：若 $A,B$ 均线性无关，且 $B$ 也可被 $A$ 线性表出，则 $r(A)=r(B)$

引理1的证明:
反证法，归纳地证明，在“$A$ 中每个向量可由 $B$ 线性表出”意义下，$B$ 中的 ${\beta }_i$ 可被替换为 ${\alpha }_i$，由 $r>s$ 推出 $A$ 是线性相关的

关于秩的更多结论：

1. 两个向量组等价（即可相互线性表出）当且仅当它们有相同的秩，且一个可以被另一个线性表出
2. 若向量组 $\alpha$ 可被向量组 $\beta$ 线性表出，则 $r(\alpha )\le r(\beta )$

基与维数

定义：（基与维数）
设线性空间 $V$ ，若 $V$ 中存在线性无关的向量 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 使得 $V$ 中任一向量均可由这组向量线性表出，则称 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 是 $V$ 的一组基，称 $V$ 具有维数 $n$ ，记为 $di{m}_{\mathbb{K}}V=n$，若不存在有限个向量组成 $V$ 的一组基，则称 $V$ 是无限维线性空间

命题：向量组成为基的条件
设 $n$ 维向量空间 $V$，$e_1,\dots ,e_n$ 是 $V$ 中 $n$ 个向量，若其适合下列条件之一，则 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 是 $V$ 的一组基

1. $e_1,\dots ,e_n$ 线性无关
2. $V$ 中任一向量均可由 $e_1,\dots ,e_n$ 线性表出

注：这也可以作为子向量组成为原向量组极大无关组的条件

基扩张定理
设 $n$ 维线性空间 $V$，$v_1,v_2,\dots ,v_m$ 是 $V$ 中 $m(m<n)$ 个线性无关的向量，又假设 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 是 $V$ 的一组基，则必可在 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​}中选出 $n-m$ 个向量，使之和 $v_1,\dots ,v_m$一起组成 $V$ 的一组基

证明思路
{ e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 中必然能找到一个 $e_i$，加在 { v 1 , v 2 , … , v m } \{v_1,v_2,\dots,v_m\} {v1​,v2​,…,vm​}中仍线性无关；在剩下的向量组中重复这个“找”的过程，直到加到 $n$ 为止

例子

1. V 1 = { A ∈ M n ( C ) ∣ A = A ‾ ′ } V_1=\{A\in M_n(\mathbb{C})|A=\overline{A}'\} V1​={A∈Mn​(C)∣A=A′} 在矩阵加法和实数关于矩阵的数乘下成为 $\mathbb{R}$ 上的线性空间，一组基为：
   { E i i , E i j + E j i ( i ≠ j ) , i E i j − i E j i ( i ≠ j ) } \{E_{ii},E_{ij}+E_{ji}(i\neq j),iE_{ij}-iE_{ji}(i\neq j)\} {Eii​,Eij​+Eji​(i=j),iEij​−iEji​(i=j)}
2. V 2 = { A ∈ M n ( C ) ∣ A = − A ‾ ′ } V_2=\{A\in M_n(\mathbb{C})|A=-\overline{A}'\} V2​={A∈Mn​(C)∣A=−A′} 在矩阵加法和实数关于矩阵的数乘下成为 $\mathbb{R}$ 上的线性空间，一组基为：
   { i E i i , E i j − E j i ( i ≠ j ) , i E i j + i E j i ( i ≠ j ) } \{iE_{ii},E_{ij}-E_{ji}(i\neq j),iE_{ij}+iE_{ji}(i\neq j)\} {iEii​,Eij​−Eji​(i=j),iEij​+iEji​(i=j)}
3. $\mathbb{K}$ 上 $n$ 阶上三角矩阵全体，一组基： { E i j ( i ≤ j ) } \{E_{ij}(i\leq j)\} {Eij​(i≤j)}
4. $\mathbb{K}$ 上 $n$ 阶对称矩阵全体，一组基： { E i i , E i j + E j i ( i < j ) } \{E_{ii},E_{ij}+E_{ji}(i<j)\} {Eii​,Eij​+Eji​(i<j)}
5. $\mathbb{K}$ 上 $n$ 阶反对称矩阵全体，一组基： { E i j − E j i ( i < j ) } \{E_{ij}-E_{ji}(i<j)\} {Eij​−Eji​(i<j)}

矩阵的秩

定义
设 $m\times n$ 阶矩阵 $A$，则 $A$ 的 $m$ 个行向量的秩称为行秩，$n$个列向量的秩称为列秩

定理
初等变换不改变矩阵的行秩和列秩

推论
任意矩阵的行秩等于列秩

证明思路：相抵标准型

命题：
对任意秩为 $r$ 的 $m\times n$ 矩阵 $A$ ，总存在 $m$ 阶非异阵 $P$，$n$ 阶非异阵 $Q$，使得$$PAQ=\left(\begin{array}{cc}{I}_r& O\\ O& O\end{array}\right)$$

推论

• $n$ 阶方阵非奇异当且仅当 $A$ 满秩
• 两个同尺寸的矩阵相抵当且仅当秩相同
• 设 $m\times n$ 矩阵$A$， 则 $r(A)=r$ 当且仅当存在一个 $r$ 阶子式不等于零，且 $A$ 中任意 $r+1$ 阶子式（若存在）都等于零

常见计算问题的解法

• 求矩阵的秩：用初等变换将矩阵化为阶梯型，阶梯点个数即为秩
• 求向量组的秩：将向量组拼成一个矩阵，矩阵秩即为向量组的秩
• 判定向量组的线性相关性：秩等于向量个数则为线性无关组，否则线性相关
• 求向量组的极大无关组：将列向量组拼成一个矩阵，用初等行变换将矩阵化为阶梯型，求其秩 $r$ ，则选出秩为 $r$ 的列向量即为所求
• 判断 $\beta$ 是否能被列向量组线性表示：若 $\beta$ 的加入不改变列向量组拼成矩阵的秩，则可被线性表出，否则不能。

为了思考方便，需要熟悉以下的等价形式：

命题：等价形式

设向量组 β = { β 1 , … , β n } , α = { α 1 , … , α m } \beta =\{\beta_1,\dots,\beta_n\},\alpha=\{\alpha_1,\dots,\alpha_m\} β={β1​,…,βn​},α={α1​,…,αm​}，记 $A=(a_{ij}{)}_{n\times m}$，考虑形式（1）
$$\{\begin{array}{l}{\beta }_1=a_{11}{\alpha }_1+a_{12}{\alpha }_2+\cdots +a_{1m}{\alpha }_m\\ {\beta }_2=a_{21}{\alpha }_1+a_{22}{\alpha }_2+\cdots +a_{2m}{\alpha }_m\\ ⋮\\ {\beta }_n=a_{n1}{\alpha }_1+a_{n2}{\alpha }_2+\cdots +a_{nm}{\alpha }_m\end{array}$$该方程组等价于形式（2）
若 $\beta ,\alpha$ 均为行向量组，则有
$$\left(\begin{array}{c}{\beta }_1\\ {\beta }_2\\ ⋮\\ {\beta }_n\end{array}\right)=A\left(\begin{array}{c}{\alpha }_1\\ {\alpha }_2\\ ⋮\\ {\alpha }_m\end{array}\right)$$
若$\beta ,\alpha$ 均为列向量组，则有
$$\left(\begin{array}{c}{\beta }_1,{\beta }_2,\cdots ,{\beta }_n\end{array}\right)=\left(\begin{array}{c}{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_m\end{array}\right)A^{\prime }$$
仍记 $\alpha ,\beta$ 分别为向量组 $\alpha ,\beta$ 拼成的矩阵，则
方程组等价于形式（3）
若 $\beta ,\alpha$ 均为行向量组，则有
$$\beta =A\alpha$$
若$\beta ,\alpha$ 均为列向量组，则有
$$\beta =\alpha A^{\prime }$$
记 $A_i$ 为 $A$ 的行向量，有等价形式（4）
若 $\beta$ 为行向量组，则有
$$\left(\begin{array}{c}{\beta }_1\\ {\beta }_2\\ ⋮\\ {\beta }_n\end{array}\right)=\left(\begin{array}{c}{A}_1\\ A_2\\ ⋮\\ A_n\end{array}\right)\alpha$$
若$\beta$ 为列向量组，则有
$$\left(\begin{array}{c}{\beta }_1,{\beta }_2,\cdots ,{\beta }_n\end{array}\right)=\alpha \left(\begin{array}{c}{A}_1^{\prime },A_2^{\prime },\cdots ,A_n^{\prime }\end{array}\right)$$
考虑 $A\alpha =\beta$，
若记 $A_i$ 为 $A$ 的行向量，${\alpha }_i$ 为 $\alpha$ 列向量，则 形式（5）$$A_i{\alpha }_j={\beta }_{ij}$$若记 $A_i$ 为 $A$ 的列向量，${\alpha }_i$ 为 $\alpha$ 行向量，则形式（6）
$$\sum A_i{\alpha }_i=\beta$$

文字向量组的秩的结论

1. 设 $A$ 是 $n\times m$ 阶矩阵，$B$ 是 $m\times n$ 阶矩阵，且 $AB=I_n$，则 $A$ 的行向量线性无关，$B$ 的列向量线性无关
2. 设 $A$ 是 $n\times m$ 阶矩阵，$\alpha$ 是 $m\times k$ 阶满秩矩阵，且 $\beta =A\alpha$，则 $r(A)=r(\beta )$

证明思路
1的证明：考虑等价形式（5）易证
2的证明：考虑等价形式（4）易证

同构

定义
设 $V,U$ 是数域 $\mathbb{K}$ 上的两个线性空间，若存在 $V$ 到 $U$ 上的一个双射 $\varphi$ ，使得对任意 $V$ 中向量 $\alpha ,\beta$ 以及 $k\in \mathbb{K}$，均有
$$\varphi (\alpha +\beta )=\varphi (\alpha )+\varphi (\beta ),\varphi (k\alpha )=k\varphi (\alpha )$$
则称 $V$ 与 $U$ 同构，记为 $V\cong U$，称 $\varphi$ 为同构映射

命题

• 同构映射将线性相关（无关）向量组映为线性相关（无关）向量组
• 同构关系是等价关系：1.自反 2.对称 3.传递
• $\mathbb{K}$上两个有限维线性空间同构当且仅当它们维数相同

坐标

定义：（坐标）
设 $n$ 维线性空间 $V$ 的一组基 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​}，$\alpha \in V$，则有
$$\alpha =a_1{e}_1+\cdots +a_n{e}_n$$称 $(a_1,\dots ,a_n{)}^{\prime }$ 为 $\alpha$ 在基 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 下的坐标

命题
设 { e 1 , … , e m } \{e_1,\dots,e_m\} {e1​,…,em​} 是 $m$ 维线性空间 $V$ 的基， ${\alpha }_1,\dots ,{\alpha }_n$ 是 $V$ 中向量，其在基下的坐标向量依次为${\tilde{\alpha }}_1,\dots ,{\tilde{\alpha }}_n$，则

• 向量组 ${\alpha }_1,\dots ,{\alpha }_n$ 与 ${\tilde{\alpha }}_1,\dots ,{\tilde{\alpha }}_n$ 有相同秩
• $\beta$ 可由 ${\alpha }_1,\dots ,{\alpha }_n$ 线性表出当且仅当 $\tilde{\beta }$ 可由 ${\tilde{\alpha }}_1,\dots ,{\tilde{\alpha }}_n$ 线性表出
• ${\alpha }_{i_1},\dots ,{\alpha }_{i_r}$ 是 ${\alpha }_1,\dots ,{\alpha }_n$ 的极大无关组 当且仅当 ${\tilde{\alpha }}_{i_1},\dots ,{\tilde{\alpha }}_{i_r}$ 是${\tilde{\alpha }}_1,\dots ,{\tilde{\alpha }}_n$ 的极大无关组

证明
同构映射将 ${\alpha }_1,\dots ,{\alpha }_n$ 的极大无关组映为 ${\tilde{\alpha }}_1,\dots ,{\tilde{\alpha }}_m$ 的极大无关组

定义：（过渡矩阵）
设 { e 1 , … , e n } , { f 1 , … , f n } \{e_1,\dots,e_n\},\{f_1,\dots,f_n\} {e1​,…,en​},{f1​,…,fn​} 是线性空间 $V$ 的基，则有
$$\{\begin{array}{l}{f}_1=a_{11}{e}_1+\cdots +a_{1n}{e}_n\\ ⋮\\ f_n=a_{n1}{e}_1+\cdots +a_{nn}{e}_n\end{array}$$称系数矩阵的转置为从 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 到 { f 1 , … , f n } \{f_1,\dots,f_n\} {f1​,…,fn​} 的过渡矩阵

命题
设 { e 1 , … , e n } , { f 1 , … , f n } \{e_1,\dots,e_n\},\{f_1,\dots,f_n\} {e1​,…,en​},{f1​,…,fn​} 是线性空间 $V$ 的基，且$$\alpha ={\lambda }_1{e}_1+\cdots +{\lambda }_n{e}_n=u_1{f}_1+\cdots +u_n{f}_n$$则
$$\left(\begin{array}{c}{\lambda }_1\\ ⋮\\ {\lambda }_n\end{array}\right)\left(\begin{array}{ccc}{a}_{11}& \cdots & a_{n1}\\ ⋮& & ⋮\\ a_{n1}& \cdots & a_{nn}\end{array}\right)=\left(\begin{array}{c}{u}_1\\ ⋮\\ u_n\end{array}\right)$$当且仅当$\left(\begin{array}{ccc}{a}_{11}& \cdots & a_{n1}\\ ⋮& & ⋮\\ a_{n1}& \cdots & a_{nn}\end{array}\right)$是从 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 到 { f 1 , … , f n } \{f_1,\dots,f_n\} {f1​,…,fn​} 的过渡矩阵

命题
设 $A$ 为从 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 到 { f 1 , … , f n } \{f_1,\dots,f_n\} {f1​,…,fn​} 的过渡矩阵，则从 { f 1 , … , f n } \{f_1,\dots,f_n\} {f1​,…,fn​} 到 { e 1 , … , e n } \{e_1,\dots,e_n\} {e1​,…,en​} 的过渡矩阵为 $A^{-1}$

下面举一个有趣的应用：

命题：证明 Taylor 公式
设 $V$ 是次数不超过 $n$ 的实系数多项式全体组成的线性空间，求从基 { 1 , x , x 2 , … , x n } \{1,x,x^2,\dots,x^n\} {1,x,x2,…,xn} 到基 { 1 , x − a , ( x − a ) 2 , … , ( x − a ) n } \{1,x-a,(x-a)^2,\dots,(x-a)^n\} {1,x−a,(x−a)2,…,(x−a)n} 的过渡矩阵，并以此证明多项式的 Taylor 公式：
$$f(x)=f(a)+\frac{f^{\prime }(a)}{1!}(x-a)+\cdots +\frac{f^{(n)}(a)}{n!}(x-a{)}^n$$其中 $f^{(n)}(x)$ 表示 $f(x)$ 的 $n$ 次导数

证明：
过渡矩阵为
$$\left(\begin{array}{ccccc}1& -a& a^2& \cdots & (-1{)}^n{a}^n\\ 0& 1& -2a& \cdots & (-1{)}^{n-1}n{a}^{n-1}\\ 0& 0& 1& \cdots & (-1{)}^{n-2}\frac{n(n-1)}{2!}{a}^{n-2}\\ ⋮& ⋮& ⋮& & ⋮\\ 0& 0& 0& \cdots & 1\end{array}\right)$$其逆矩阵即为基 { 1 , x , x 2 , … , x n } \{1,x,x^2,\dots,x^n\} {1,x,x2,…,xn} 到基 { 1 , x + a , ( x + a ) 2 , … , ( x + a ) n } \{1,x+a,(x+a)^2,\dots,(x+a)^n\} {1,x+a,(x+a)2,…,(x+a)n} 的过渡矩阵
$$\left(\begin{array}{ccccc}1& a& a^2& \cdots & a^n\\ 0& 1& 2a& \cdots & n{a}^{n-1}\\ 0& 0& 1& \cdots & \frac{n(n-1)}{2!}{a}^{n-2}\\ ⋮& ⋮& ⋮& & ⋮\\ 0& 0& 0& \cdots & 1\end{array}\right)$$设 $f(x)=a_0+a_{1}x+a_2{x}^2+\cdots +a_n{x}^n$ ，则
$$\left(\begin{array}{ccccc}1& a& a^2& \cdots & a^n\\ 0& 1& 2a& \cdots & n{a}^{n-1}\\ 0& 0& 1& \cdots & \frac{n(n-1)}{2!}{a}^{n-2}\\ ⋮& ⋮& ⋮& & ⋮\\ 0& 0& 0& \cdots & 1\end{array}\right)\left(\begin{array}{c}{a}_0\\ a_1\\ a_2\\ ⋮\\ a_n\end{array}\right)=\left(\begin{array}{c}f(a)\\ \frac{f^{\prime }(a)}{1!}\\ ⋮\\ \frac{f^{(n)}(a)}{n!}\end{array}\right)$$

子空间

子空间的定义和性质

定义：（子空间）
设线性空间 $V$ ，$V_0$ 是 $V$ 的非空子集，且对任意 $\alpha ,\beta \in V_0,k\in \mathbb{K}$，总有 $\alpha +\beta \in V_0$ 及 $k\alpha \in V_0$ ，则称$V_0$ 是 $V$ 的（线性）子空间；称 { 0 } \{0\} {0} 和 $V$ 是 $V$ 的平凡子空间

命题

• 子空间是线性空间（在全空间的加法和数乘下）
• 若 $V_0$ 是 $V$ 的非平凡子空间，则 $0<dim{V}_0<dimV=n$

子空间的和与交

定义：（子空间的和与交）
设 $V$ 的子空间 $V_1,V_2$
子空间之交： V 1 ∩ V 2 = { v ∣ v ∈ V 1 , v ∈ V 2 } V_1\cap V_2=\{v|v\in V_1,v\in V_2\} V1​∩V2​={v∣v∈V1​,v∈V2​}
子空间之和： V 1 + V 2 = { α + β ∣ α ∈ V 1 , β ∈ V 2 } V_1+V_2=\{\alpha +\beta|\alpha\in V_1,\beta\in V_2\} V1​+V2​={α+β∣α∈V1​,β∈V2​}

命题
子空间之和、之交仍为子空间

命题：子空间之和之交的求法
设子空间 $V_1$ 的基为 α = { α 1 , … , α n } \alpha=\{\alpha_1,\dots,\alpha_n\} α={α1​,…,αn​}，子空间 $V_2$ 的基为 β = { β 1 , … , β m } \beta=\{\beta_1,\dots,\beta_m\} β={β1​,…,βm​}，则

• $V_1+V_2$ 的基为 $\alpha \cup \beta$ 的极大无关组
• 任取$v\in V_1\cap V_2$ ，设 $$v=x_1{\alpha }_1+\cdots +x_n{\alpha }_n=(-y_1){\beta }_1+\cdots +(-y_m){\beta }_m$$解这个线性方程组，求得$(x_1,\dots ,x_n,y_1,\dots ,y_m)$ 的通解后容易看出基

定义：子空间的生成
设线性空间 $V$ 的子集 $S$，记 $L(S)$ 为 $S$ 中向量所有可能的线性组合构成的子集，则 $L(S)$ 是 $V$ 的一个子空间，称为由 $S$ 生成的子空间

命题

• $L(S)$ 是包含 $S$ 的 $V$ 的最小子空间
• $L(S)$ 的维数等于 $S$ 中的极大无关组所含向量的个数

定理：维数公式
设线性空间的子空间 $V_1,V_2$，则
$$\dim (V_1+V_2)=\dim V_1+\dim V_2-\dim (V_1\cap V_2)$$

直和

定义：（直和）
设子空间 $V_1,\dots ,V_m$，若 $\forall i,V_i\cap (V_1+\cdots +V_{i-1}+V_{i+1}+\cdots +V_m)=0$，则称 $V_1+\cdots +V_m$ 为直和，记为 $V_1\oplus \cdots \oplus V_m$

命题：验证直和的办法

设子空间 $V_1,\dots ,V_m,V_0=V_1+\cdots +V_m$，下列等价

1. $V_0=V_1\oplus \cdots \oplus V_m$ 是直和
2. $\forall 2\le i\le m,V_i\cap (V_1+\cdots +V_{i-1})=0$
3. $\dim (V_1+\cdots +V_m)=\dim V_1+\cdots +\dim V_m$
4. $V_1,\dots ,V_m$ 的一组基可拼成 $V_0$ 的一组基
5. $V_0$ 中向量表示为$V_1,\dots ,V_m$ 中向量之和时其表示唯一

定义：补空间
设 $U$ 是 $V$ 的子空间，则存在 $V$ 的子空间 $W$ ，使得 $V=U\oplus W$，称 $W$ 为 $U$ 在 $V$ 中的补空间

证明思路：基扩张定理

定义：两个空间的外直和
设数域 $\mathbb{K}$ 上的两个线性空间 $U,V$，$W=U\times V\triangleq \{(u,v)|u\in U,v\in V\}$，现在 $W$ 上定义加法和数乘：
$$(u_1,v_1)+(u_2,v_2)=(u_1+u_2,v_1+v_2),k(u,v)=(ku,kv)$$则 $W$ 是 $\mathbb{K}$ 上的线性空间，称为 $U$ 和 $V$ 的外直和

陪集和商空间

定义：陪集
设 $V$ 是数域 $\mathbb{K}$ 上的线性空间，$U$ 是 $V$ 的子空间，对任意的$v\in V$，集合 v + U ≜ { u + v ∣ u ∈ U } v+U\triangleq \{u+v|u\in U\} v+U≜{u+v∣u∈U} 称为 $v$ 的 $U$-陪集

性质

• $U$-陪集之间作为集合要么相等，要么不交
• $v+U$ 是 $V$ 的子空间当且仅当 $v\in U$
• $v_1+U=v_2+U$ 当且仅当 $v_1-v_2\in U$

命题：陪集形成的线性空间
所有 $U$-陪集构成的集合 S = { v + U ∣ v ∈ V } S=\{v+U|v\in V\} S={v+U∣v∈V}上定义加法和数乘如下：
$$(v_1+U)+(v_2+U)\triangleq (v_1+v_2)+U,$$$$k\cdot (v_1+U)\triangleq k\cdot v_1+U$$则 $S$ 是一个线性空间，记为 $V/U$，称为 $V$ 关于子空间 $U$ 的商空间

注：验证良定义性：即 $S$ 中加法和数乘不依赖于代表元 $v_1,v_2$ 的选取

定理：子空间的补空间和商空间同构
设 $n$ 维线性空间 $V$，$U$ 是 $V$ 的子空间，$W$ 是 $U$ 的补空间，则存在线性同构 $\phi :W\to V/U$，故有
$$\dim V/U=\dim V-\dim U$$

证明思路
取补空间的一组基 { e 1 , … , e m } \{e_{1},\dots,e_{m}\} {e1​,…,em​}，验证 { e 1 + U , … , e m + U } \{e_1+U,\dots,e_m+U\} {e1​+U,…,em​+U}是商空间 $V/U$ 的一组基

解线性方程组

命题：线性方程组解的存在性与唯一性
考虑 $n$ 个未知数，$m$ 个方程的线性方程组，$A$ 为系数矩阵，$\tilde{A}$ 为增广矩阵

1. 若 $r(A)=r(\tilde{A})=n$，则方程组有唯一一组解
2. 若 $r(A)=r(\tilde{A})<n$，则方程组有无穷多解
3. 若 $r(A)\ne r(\tilde{A})$，则方程组无解

命题：齐次线性方程组解的结构
设齐次线性方程组 $AX=0$，其中 $A=(a_{ij})$ 是 $m\times n$矩阵
若 $r(A)=n$ ，则方程组只有零解
若 $r(A)<n$ ，则方程组有非零解，解集构成 $n$ 维列向量空间的一个 $n-r$ 维子空间（其基称为基础解系）

命题：非齐次线性方程组解的结构
设非齐次线性方程组 $AX=\beta$，$r(A)=r(\widetilde{(}A))=r<n$，$AX=0$ 的基础解系为 { η 1 , … , η n − r } \{\eta_1,\dots,\eta_{n-r}\} {η1​,…,ηn−r​}，又 $r$ 是方程组的任一特解，则其所有解可表示为$$k_1{\eta }_1+k_2{\eta }_2+\cdots +k_{n-r}{\eta }_{n-r}+\gamma$$

参考书：《高等代数学》谢启鸿 姚慕生 吴泉水 编著