线性空间中有些啥？

嗨，大家好！我是$n$维线性空间中的非零向量阿尔法$\alpha$. 您学习了线性空间的概念以后一定觉得很抽象吧！今天我就给您当向导，一起来线性空间玩耍玩耍！

什么叫线性空间？

我家的兄弟姊妹很多，比如最小的兄弟0向量，我的孪生妹妹——负向量，$-\alpha$. 所有的向量构成了大家族——非空向量集合$V$.

通过运算可以由已有的向量产生新的向量. $V$中的两个向量可以做加法，$\gamma =\alpha +\beta$, 加法的结果叫做和. 借助数域王国$P$中的数和$V$中的向量通过数乘运算也可以产生新的向量. 例如$k\alpha$, 叫做数$k$与向量$\alpha$的积. 当$k$跑遍数域$P$中的数时，就得到所有与我"共线"的向量啦！两种运算都必须封闭，即运算的结果必须还在$V$中. 加法和数乘统称为线性运算.

俗话说：“不以规矩，不成方圆”. 线性运算必须满足下面的八条运算规则，它们是被数学家公理化地规定下来的，即其正确性毋须证明.

加法运算律	数乘运算律
$A_1:\alpha +\beta =\beta +\alpha$	$M_1:1\alpha =\alpha$
$A_2$: $(\alpha +\beta )+\gamma =\beta +(\alpha +\gamma )$	$M_2:K(l\alpha )=(kl)\alpha$
$A_3:0+\alpha =\alpha +0=\alpha$	$M_4$:$(k+l)\alpha =k\alpha +l\alpha$
$A_4:\alpha +(-\alpha )=(-\alpha )+\alpha =0$	$M_4:k(\alpha +\beta )=k\alpha +k\beta$

线性空间的四个要素是：一个数域$P$, 一个非空集合$V$, 两种线性运算，八条运算规则，这样的一个代数系统称为线性空间, 记为$V(+,\cdot )$.

线性运算与子空间

你可以把$k\alpha ,\forall k\in P$想象成线性空间$V$中的“直线”, 呃，准确地说应该是$V$的一个一维子空间. 在$n$维线性空间中一定存在许多不同“方向”的"直线". 例如，若$\beta ̸=k\alpha$，那么$m\beta ,\forall m\in P$就是另外一个一维子空间.

下面继续思考用运算产生新向量：$\forall \alpha ,\beta \in V,\forall k,l\in P$, 由这些向量和数通过线性运算——加法和数乘，能产生什么样的结果呢？

对了，就是$k\alpha +l\beta$这样的式子，我们把它成为$\alpha ,\beta$的线性组合. 固定$\alpha ,\beta$为两个不共线的向量, 让$k,l$跑遍一切数域$P$里的数，则$k\alpha +l\beta$将会张成一个通过“直线”$k\alpha$和“直线”$l\beta$的“平面”，或者准确地说成是$V$中的一个二维子空间.

$r$个向量${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$通过线性运算所得的结果将是下面的样子：

$$\sum _{i=1}^{i=r}{k}_i{\alpha }_i=k_1{\alpha }_1+k_2{\alpha }_2+\cdots +k_r{\alpha }_r.(1)$$

按照上面的推理，是否可以说${\sum }_{i=1}^{i=r}{k}_i{\alpha }_i$生成一个**$r$维子空间**呢？这可不一定哦！要看${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$的关系如何？根据他们是否为$r$个"独立的方向”还是“某个方向”依赖于其他的向量，可以分为两类关系：线性相关和线性无关.

如果能用不全为0的系数$k_1,k_2,\cdots ,k_r$将${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$组成0向量，那么就说${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$是线性相关的，否则，称它们是线性无关的. 说得通俗一点，如果只有唯一的方式将它们组成0向量，它们就是线性无关的.

如果${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$是线性相关的，则它们不是互相独立的，其中至少有一个向量是依赖于其余$r-1$个向量的.例如，如果下列等式中的$k_r̸=0$,

$$k_1{\alpha }_1+k_2{\alpha }_2+\cdots +k_r{\alpha }_r=0,$$

那么，

$${\alpha }_r=-\frac{1}{k_r}(k_1{\alpha }_1+k_2{\alpha }_2+\cdots +k_r{\alpha }_r).(2)$$

这个式子表明，${\alpha }_r$实际上是${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_{r-1}$所生成的子空间中的一员. 将(2)代入(1)式，得

$$\sum _{i=1}^{i=r}{k}_i{\alpha }_i=k_1{\alpha }_1+k_2{\alpha }_2+\cdots +k_r{\alpha }_r$$

$$=k_1(1-\frac{1}{k_r}){\alpha }_1+k_2(1-\frac{1}{k_r}){\alpha }_2+\cdots +k_{r-1}(1-\frac{1}{k_r}){\alpha }_{r-1}$$

上面的式子表明，在生成子空间的时候，${\alpha }_r$的加入并没有给向量组${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_{r-1}$增添“新的”东西，从而可以认为是“多余的”向量. 通过不断地去掉${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$中多余的向量（也就是能被其余向量表出的向量），将得到向量组${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_r$的一个极大线性无关组，比如说是前$s(s<r)$个向量${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_s$, 那么

$$\sum _{i=1}^{i=s}{k}_i{\alpha }_i=k_1{\alpha }_1+k_2{\alpha }_2+\cdots +k_s{\alpha }_s$$

当上面的式子中的每一个系数$k_i(i=1,2,\cdots ,s)$都跑遍数域$P$时，将得到一个**$s$子维空间**，那些被去掉的向量${\alpha }_{s+1},\cdots ,{\alpha }_r$都在这个$s$子维空间中.

维数、基和坐标

在$n$维线性空间中，最多只能找到$n$个线性无关的向量组成的向量组, 换句话说，任意$n+1$个向量都必线性相关. 这个$n$就是线性空间$V$的维数. $n$维空间中$n$个线性无关的向量就是空间的一组基, 它是$n$维空间的“坐标系”. 在一组基下，每个向量都能找到自己的"位置"，用一个流行的说法，就是每个向量都被“数字化”了. 例如， 设${\epsilon }_1,{\epsilon }_2,\cdots ,{\epsilon }_n$是$V$的一组基，我阿尔法就能被它们表示出来了：

$$\alpha =a_1{\epsilon }_1+a_2{\epsilon }_2+\cdots +a_n{\epsilon }_n$$

$$=({\epsilon }_1,{\epsilon }_2,\cdots ,{\epsilon }_n)\left(\begin{array}{c}{a}_1\\ a_2\\ ⋮\\ a_n\end{array}\right)(3)$$

$n$元有序数组$\left(\begin{array}{c}{a}_1\\ a_2\\ ⋮\\ a_n\end{array}\right)$称为$\alpha$的坐标.

这样，相当于在线性空间$V$和线性空间$P^n$之间建立了一个一一映射$\sigma$，$V$中每一个向量在$P^n$中都有唯一的一个$n$元有序数组与之对应，反过来，$P^n$中的每一个$n$元有序数组都可以通过（3）式与$V$中的一个向量对应. 这种情况，我们在解析几何中也见到过：通过建立笛卡尔直角坐标系，几何空间中的有向线段就与代数空间$R^3$中的3元有序实数数组建立了一一对应关系.

这个一一映射$\sigma$（$\sigma (\alpha )$就是取向量$\alpha$该组基下的坐标的意思），由于

$$\sigma (\alpha +\beta )=\sigma (\alpha )+\sigma (\beta )$$

$$\sigma (k\alpha )=k\sigma (\alpha ),$$

我们说$\sigma$保持空间中的线性运算, 在这种观点下，任意$n$维线性空间都可以认为与我们熟悉的$n$元有序数组空间$P^n$是同构的.

好了，谢谢你的耐心，听我阿尔法的啰嗦讲解！不知你是否对线性空间有新的认识呢？欢迎点击右下方“在看”并发送消息进行讨论！也麻烦您动手转发给更多的朋友，让更多的同学受益！

最后，别忘了我阿尔法，是抽象线性空间中的抽象向量，可以代表每一个具体线性空间如$P[x{]}_n，P^n,P^{m\times n}$中的向量.

---

更多内容，欢迎用微信扫描下图中的二维码，或搜索“大哉数学之为用”，免费关注微信公众号“大哉数学之为用”进行阅读。

如果您觉得本文对您有帮助，欢迎赞赏！您的支持是作者继续下去的动力！