本文是关于线性空间的学习笔记，探讨了线性空间的基础概念，包括线性空间的定义、性质和例子。文章还涉及线性相关、线性无关、维数、基与坐标的概念，以及同构和线性映射的初步介绍，帮助理解线性代数的核心思想。
前言
瞬间化身毕加索，抽象大师就是你(｢･ω･)｢
迎春 2023.4.9
昨日薄衫冬里醉，
今朝柳绿欲娉婷。
不必堂前来燕语，
风过东篱满山青。
什么叫线性？为什么需要定义线性？
\quad
\quad 在初等数学中，线性狭义地指直线型函数，着重于函数图像。
\quad
\quad 而在高等数学中，如果一种运算同时满足特定的“加性“和”齐性”，则称这种运算是线性的。例如，空间运算中的向量加法和数乘。
\quad
\quad 广义到一维以上的函数，**线性是指函数与加法和缩放相容的性质，也称为叠加原理（superposition principle）。**这种规律在初等数学中，就并非所有直线型函数都表现为线性，只有图像过原点的直线函数才能被称为线性函数。
\quad
\quad 事实上，线性是对线性空间特征的总结。定义线性的好处是，找到了一种特殊的数学关系，并且该关系能有效地简化问题。
线性空间
为什么要定义线性空间？为什么要根据线性运算来定义线性空间？
我们需要找到一种更具普适性的空间，使其在具有向量空间性质的同时，空间内用于运算的元素能更加一般性，不再局限于有序数组（即打破向量必须为有序数组的论断）,使得该空间有区别于一般的几何空间。
线性空间，顾名思义其特征在于线性法则（叠加原理）。即其内部元素的运算必须满足线性法则。
定义
如果一个代数系统
(
V
;
+
,
⋅
;
P
)
(V;+, \cdot ;\mathbb{P})
(V;+,⋅;P)满足下列性质：
∀
α
,
β
∈
V
,
α
+
β
=
β
+
α
(1 加法交换律)
\forall \alpha , \beta \in V , \alpha + \beta = \beta + \alpha \tag{1 加法交换律}
∀α,β∈V,α+β=β+α(1 加法交换律)
∀ α , β , γ ∈ V , ( α + β ) + γ = α + ( β + γ ) (2 加法结合律) \forall \alpha , \beta , \gamma \in V , ( \alpha + \beta ) + \gamma = \alpha + ( \beta + \gamma ) \tag{2 加法结合律} ∀α,β,γ∈V,(α+β)+γ=α+(β+γ)(2 加法结合律)
∃ θ ∈ V , ∀ α ∈ V , α + θ = α (3 加法有单位元) \exists \theta \in V , \forall \alpha \in V , \alpha + \theta = \alpha \tag{3 加法有单位元} ∃θ∈V,∀α∈V,α+θ=α(3 加法有单位元)
∀ α ∈ V , ∃ α ′ ∈ V , α + α ′ = θ (4 加法有负元) \forall \alpha \in V, \exists \alpha ' \in V, \alpha + \alpha ' = \theta \tag{4 加法有负元} ∀α∈V,∃α′∈V,α+α′=θ(4 加法有负元)
∀ α , β ∈ V , ∀ k ∈ P , k ⋅ ( α + β ) = k ⋅ α + k ⋅ β (5 数乘对向量加法有分配律) \forall \alpha, \beta \in V, \forall k \in \mathbb{P}, k \cdot (\alpha + \beta) = k \cdot \alpha + k \cdot \beta \tag{5 数乘对向量加法有分配律} ∀α,β∈V,∀k∈P,k⋅(α+β)=k⋅α+k⋅β(5 数乘对向量加法有分配律)
∀ α ∈ V , ∀ k , l ∈ P , ( k + l ) ⋅ α = k ⋅ α + l ⋅ α (6 数乘对域加法有分配律) \forall \alpha \in V, \forall k,l \in \mathbb{P}, (k+l) \cdot \alpha = k \cdot \alpha + l \cdot \alpha \tag{6 数乘对域加法有分配律} ∀α∈V,∀k,l∈P,(k+l)⋅α=k⋅α+l⋅α(6 数乘对域加法有分配律)
∀ α ∈ V , ∀ k , l ∈ P , ( k ⋅ l ) ⋅ α = k ⋅ ( l ⋅ α ) (7 数乘与域乘法相容) \forall \alpha \in V, \forall k,l \in \mathbb{P}, (k \cdot l) \cdot \alpha = k \cdot (l \cdot \alpha) \tag{7 数乘与域乘法相容} ∀α∈V,∀k,l∈P,(k⋅l)⋅α=k⋅(l⋅α)(7 数乘与域乘法相容)
∀ α ∈ V , 1 ⋅ α = α (8 数乘有单位元) \forall \alpha \in V, 1 \cdot \alpha = \alpha \tag{8 数乘有单位元} ∀α∈V,1⋅α=α(8 数乘有单位元)
那么，就称 ( V ; + , ⋅ ; P ) (V;+, \cdot ;\mathbb{P}) (V;+,⋅;P)为数域 P \mathbb{P} P上的一个线性空间。在不引起混淆的情况下， ( V ; + , ⋅ ; P ) (V;+, \cdot ;\mathbb{P}) (V;+,⋅;P)也可记为 V V V。
注：定义中提到的 "单位元" 是对于某种⼆元运算⽽⾔的, 当单位元和其他元素进⾏⼆元运算时, 不会改变那些元素。⽽某元素在某运算下的 “逆元” 是指该元素与逆元进⾏该运算后会得到单位元。
也就是说，单位元的存在保证了这种二元运算存在对应的逆运算。对加法而言，零元是单位元；对数乘而言，1是单位元。
性质
- 1.向量加法零元是唯一的，我们把这个向量 θ \theta θ也称为零向量。
假设向量加法中零元不唯一，则
∀ α , ∃ α = α + θ 1 = α + θ 2 \forall \alpha, \exists \alpha = \alpha + \theta_1 = \alpha + \theta_2 ∀α,∃α=α+θ1=α+θ2
且特别地， θ 1 + θ 2 = θ 1 , θ 1 + θ 2 = θ 2 \theta_1 + \theta_2 = \theta_1 ,\theta_1 + \theta_2 = \theta_2 θ1+θ2=θ1,θ1+θ2=θ2
θ 1 = θ 2 \theta_1 = \theta_2 θ1=θ2，与假设相悖
- 2.向量加法对于一个向量的负元也是唯一的。我们把 α ′ \alpha ' α′记作 − α -\alpha −α，称为 α \alpha α的负向量。
假设向量加法对于一个向量 α \alpha α的负元不唯一，至少存在 β , γ \beta , \gamma β,γ为 α \alpha α的负元，则
β = β + θ = β + ( α + γ ) = ( β + α ) + γ = θ + γ = γ \beta = \beta + \theta = \beta + (\alpha + \gamma) = (\beta + \alpha) + \gamma = \theta + \gamma = \gamma β=β+θ=β+(α+γ)=(β+α)+γ=θ+γ=γ，与假设相悖
- 3. ∀ α ∈ V , 0 ⋅ α = θ \forall \alpha \in V,0\cdot \alpha = \theta ∀α∈V,0⋅α=θ.
α + 0 ⋅ α = ( 1 + 0 ) α = α = α + θ \alpha + 0\cdot\alpha = (1+0)\alpha = \alpha = \alpha + \theta α+0⋅α=(1+0)α=α=α+θ
0 ⋅ α = θ 0\cdot\alpha = \theta 0⋅α=θ
- 4. ∀ α ∈ V , ( − 1 ) α = − α \forall \alpha \in V, (-1)\alpha = -\alpha ∀α∈V,(−1)α=−α.
证明逆元要通过单位元和逆运算入手
α + ( − 1 ) α = ( 1 + ( − 1 ) ) α = 0 ⋅ α = θ \alpha + (-1)\alpha = (1+(-1))\alpha = 0 \cdot \alpha = \theta α+(−1)α=(1+(−1))α=0⋅α=θ
所以， ( − 1 ) α = − α (-1)\alpha = -\alpha (−1)α=−α
- 5. ∀ k ∈ P , k ⋅ θ = θ \forall k \in \mathbb{P},k \cdot \theta = \theta ∀k∈P,k⋅θ=θ.
k ⋅ θ = k ⋅ ( α + ( − α ) ) = k ⋅ α + k ⋅ ( − α ) = = k ⋅ α + ( − k ) ⋅ α = ( k + ( − k ) ) ⋅ α = 0 ⋅ α = θ k \cdot \theta = k \cdot (\alpha + (-\alpha)) = k \cdot \alpha + k \cdot (-\alpha) = = k \cdot \alpha + (-k) \cdot \alpha = (k+(-k)) \cdot \alpha = 0 \cdot \alpha = \theta k⋅θ=k⋅(α+(−α))=k⋅α+k⋅(−α)==k⋅α+(−k)⋅α=(k+(−k))⋅α=0⋅α=θ
- 6. ∀ α ∈ V , ∀ k ∈ P , k α = θ ⇒ k = 0 \forall \alpha \in V, \forall k \in \mathbb{P}, k\alpha = \theta \Rightarrow k=0 ∀α∈V,∀k∈P,kα=θ⇒k=0或 α = θ \alpha = \theta α=θ.
θ = 0 ⋅ α ⇒ k = 0 \theta = 0\cdot \alpha \Rightarrow k=0 θ=0⋅α⇒k=0
等式两边同时乘以 1 k \frac{1}{k} k1，得 1 k ⋅ k α = 1 k ⋅ θ ⇒ α = θ \frac 1k \cdot k \alpha = \frac 1k \cdot \theta \Rightarrow \alpha = \theta k1⋅kα=k1⋅θ⇒α=θ
- 7. ∀ α , β , γ ∈ V , α + β = α + γ ⇒ β = γ \forall \alpha , \beta , \gamma \in V, \alpha + \beta = \alpha + \gamma \Rightarrow \beta = \gamma ∀α,β,γ∈V,α+β=α+γ⇒β=γ.
等式两边同时加上负元 − α -\alpha −α， − α + α + β = − α + α + γ ⇒ θ + β = θ + γ -\alpha + \alpha + \beta = -\alpha + \alpha + \gamma \Rightarrow \theta + \beta = \theta + \gamma −α+α+β=−α+α+γ⇒θ+β=θ+γ
所以， β = γ \beta = \gamma β=γ
例子
1.几何空间，其元素就是空间里的坐标
2.数域 P \mathbb{P} P，其元素就是数域上的数
3.多项式集合 P n [ x ] = { f ( x ) ∈ P [ x ] ∣ ∂ f ( x ) < n } \mathbb{P}_{n}[x] = \{ f(x) \in \mathbb{P}[x] | \partial f(x) < n \} Pn[x]={f(x)∈P[x]∣∂f(x)<n}
4.区间 [ a , b ] [a,b] [a,b]上连续函数的全体构成的集合 C [ a , b ] C[a,b] C[a,b]加上函数的加法和数乘构成一线性空间
线性相关&线性无关
在线性代数里，向量空间的一组元素中，若没有向量可用有限个其他向量的线性组合所表示，则称为线性无关（或线性独立）（linearly independent），反之称为线性相关（linearly dependent）。
假设 v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn是线性空间 V V V的 n n n个向量，
- 若它们为线性相关，则在域 K K K中有非全零的元素 a 1 , a 2 , … , a n a_{1},a_{2},\dots,a_{n} a1,a2,…,an，使得
a 1 v 1 + a 2 v 2 + ⋯ + a n v n = 0 a_{1}v_{1}+a_{2}v_{2}+\dots+a_{n}v_{n}=0 a1v1+a2v2+⋯+anvn=0
或更简略地表示成：
∑ i = 1 n a i v i = 0 \sum_{i=1}^{n} a_iv_i = 0 i=1∑naivi=0
（注意等式右边的零是 V V V的零向量，不是 K K K的零元素）
- 如果 K K K中不存在这样的元素，那么 v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn是线性无关。即若等式 a 1 v 1 + a 2 v 2 + ⋯ + a n v n = 0 a_{1}v_{1}+a_{2}v_{2}+\dots+a_{n}v_{n}=0 a1v1+a2v2+⋯+anvn=0成立，那么对所有 i = 1 , 2 , … , n i=1,2,\dots,n i=1,2,…,n都有 a i = 0 a_i=0 ai=0。
维数、基与坐标
为什么要定义线性空间的维数和基？
\quad
\quad 我们知道在狭义的向量空间（几何空间）中，其维数代表的是极大线性无关向量组中的向量个数。在这里也是相同的道理，线性空间的维数代表了线性空间中最多能有多少个线性无关的元素（向量）。
\quad
\quad 由此，得到一个极大线性无关向量组，我们可以通过对这个极大线性无关向量组内的向量，通过线性运算法则，表示出该线性空间内的所有向量。因此，我们需要一个概念去定义特殊的极大线性无关向量组。
定义
假设 v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn是线性空间 V V V的 n n n个向量，满足：
（i） v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn是线性无关；
（ii） V V V中任一向量 v v v总可由 v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn线性表出，
那么， v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn就称为线性空间 V V V的一个基； n n n称为线性空间 V V V的维数，记为 dim V = n ‾ \underline{\dim V = n} dimV=n。
维数为 n n n的线性空间，称为 n n n维线性空间，记作 V n V_n Vn。只含有一个零向量的线性空间没有基，规定它的维数是0。
\quad 在线性空间中任找一组向量，如果它们的_秩不随向量组的选取而改变_，那就把这个秩称为线性空间的维数。（根据向量组的线性相关理论这个描述和定义是等价的）
\quad
\quad 如果这样的线性无关向量组中有无数个向量，我们称其为无限维线性空间。例如，全体 P \mathbb {P} P上的多项式组成的集合 P [ x ] \mathbb{P} [x] P[x]构成的线性空间，我们可以找到一组线性无关组 ( 1 , x , x 2 , ⋯ , x n , ⋯ ) (1,x,x^{2},\cdots ,x^{n},\cdots ) (1,x,x2,⋯,xn,⋯)，其中含有无限个向量，因此它是无限维的。
- 假设 v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn 是线性空间 V n V_n Vn的一个基。对于任一向量 v ∈ V n v \in V_n v∈Vn，总有且仅有一组有序数 a 1 , a 2 , … , a n a_{1},a_{2},\dots,a_{n} a1,a2,…,an 使
v = a 1 v 1 + a 2 v 2 + ⋯ + a n v n v = a_{1}v_{1}+a_{2}v_{2}+\dots+a_{n}v_{n} v=a1v1+a2v2+⋯+anvn
a 1 , a 2 , … , a n a_{1},a_{2},\dots,a_{n} a1,a2,…,an 这组有序数就称为向量 v v v在 v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn 这个基中的坐标，并记作 v = ( a 1 , a 2 , … , a n ) T v = (a_{1},a_{2},\dots,a_{n})^T v=(a1,a2,…,an)T。
性质
1.设在 n n n维线性空间 V n V_n Vn中取定一个基 v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn ，则有唯一（ n n n维数组向量空间 R n \mathbb{R}^n Rn中的）向量 ( a 1 , a 2 , … , a n ) T (a_{1},a_{2},\dots,a_{n})^T (a1,a2,…,an)T与 V n V_n Vn中的向量 v v v对应。
- 假设 R n \mathbb{R}^n Rn中有不同的向量可以对应 V n V_n Vn中的向量 v v v，则
- v = a 1 v 1 + a 2 v 2 + ⋯ + a n v n = v = a 1 ′ v 1 + a 2 ′ v 2 + ⋯ + a n ′ v n v = a_{1}v_{1}+a_{2}v_{2}+\dots+a_{n}v_{n}=v = a_{1}'v_{1}+a_{2}'v_{2}+\dots+a_{n}'v_{n} v=a1v1+a2v2+⋯+anvn=v=a1′v1+a2′v2+⋯+an′vn
- ( a 1 − a 1 ′ ) v 1 + ( a 2 − a 2 ′ ) v 2 + ⋯ + ( a n − a n ′ ) v n = 0 (a_{1}-a_{1}')v_{1}+(a_{2}-a_{2}')v_{2}+\dots+(a_{n}-a_{n}')v_{n} = 0 (a1−a1′)v1+(a2−a2′)v2+⋯+(an−an′)vn=0
- 即 v 1 , v 2 , … , v n v_1,v_2, \dots,v_n v1,v2,…,vn 线性相关，与条件矛盾
2.设 α ↔ ( x 1 , x 2 , … , x n ) T , β ↔ ( y 1 , y 2 , … , y n ) T \alpha \leftrightarrow (x_{1},x_{2},\dots,x_{n})^T, \beta \leftrightarrow (y_{1},y_{2},\dots,y_{n})^T α↔(x1,x2,…,xn)T,β↔(y1,y2,…,yn)T，则
（i） α + β ↔ ( x 1 , x 2 , … , x n ) T + ( y 1 , y 2 , … , y n ) T \alpha + \beta \leftrightarrow (x_{1},x_{2},\dots,x_{n})^T + (y_{1},y_{2},\dots,y_{n})^T α+β↔(x1,x2,…,xn)T+(y1,y2,…,yn)T；
- α = x 1 v 1 + x 2 v 2 + ⋯ + x n v n , β = y 1 v 1 + y 2 v 2 + ⋯ + y n v n \alpha = x_{1}v_{1} + x_{2}v_{2} + \dots + x_{n}v_{n},\quad \beta = y_{1}v_{1} + y_{2}v_{2} + \dots + y_{n}v_{n} α=x1v1+x2v2+⋯+xnvn,β=y1v1+y2v2+⋯+ynvn
- α + β = ( x 1 v 1 + ⋯ + x n v n ) + ( y 1 v 1 + ⋯ + y n v n ) = ( x 1 + y 1 ) v 1 + ⋯ + ( x n + y n ) v n \alpha + \beta = (x_{1}v_{1} + \dots + x_{n}v_{n}) + (y_{1}v_{1} + \dots + y_{n}v_{n}) = (x_{1}+y_{1})v_{1} + \dots + (x_{n}+y_{n})v_{n} α+β=(x1v1+⋯+xnvn)+(y1v1+⋯+ynvn)=(x1+y1)v1+⋯+(xn+yn)vn
- α + β ↔ ( x 1 + y 1 , x 2 + y 2 , … , x n + y n ) T \alpha + \beta \leftrightarrow (x_{1}+y_{1},x_{2}+y_{2},\dots,x_{n}+y_{n})^T α+β↔(x1+y1,x2+y2,…,xn+yn)T
- ( x 1 + y 1 , x 2 + y 2 , … , x n + y n ) T = ( x 1 , x 2 , … , x n ) T + ( y 1 , y 2 , … , y n ) T (x_{1}+y_{1},x_{2}+y_{2},\dots,x_{n}+y_{n})^T = (x_{1},x_{2},\dots,x_{n})^T + (y_{1},y_{2},\dots,y_{n})^T (x1+y1,x2+y2,…,xn+yn)T=(x1,x2,…,xn)T+(y1,y2,…,yn)T
（ii） λ α ↔ λ ( x 1 , x 2 , … , x n ) T \lambda\alpha \leftrightarrow \lambda(x_{1},x_{2},\dots,x_{n})^T λα↔λ(x1,x2,…,xn)T.
- α = x 1 v 1 + x 2 v 2 + ⋯ + x n v n \alpha = x_{1}v_{1} + x_{2}v_{2} + \dots + x_{n}v_{n} α=x1v1+x2v2+⋯+xnvn
- λ α = λ ( x 1 v 1 + ⋯ + x n v n ) = λ x 1 v 1 + ⋯ + λ x n v n \lambda\alpha = \lambda(x_{1}v_{1} + \dots + x_{n}v_{n})=\lambda x_{1}v_{1} + \dots + \lambda x_{n}v_{n} λα=λ(x1v1+⋯+xnvn)=λx1v1+⋯+λxnvn
- λ α ↔ ( λ x 1 , λ x 2 , … , λ x n ) T \lambda\alpha \leftrightarrow (\lambda x_{1}, \lambda x_{2}, \dots, \lambda x_{n})^T λα↔(λx1,λx2,…,λxn)T
- ( λ x 1 , λ x 2 , … , λ x n ) T = λ ( x 1 , x 2 , … , x n ) T (\lambda x_{1}, \lambda x_{2}, \dots, \lambda x_{n})^T = \lambda(x_{1},x_{2},\dots,x_{n})^T (λx1,λx2,…,λxn)T=λ(x1,x2,…,xn)T
同构
\quad 设 V V V与 U U U是两个线性空间，如果在它们的向量之间有一一对应的关系，且这个对应关系保持线性组合的对应，那么就称线性空间 V V V与 U U U同构。
\quad
\quad 在数学中研究同构的主要目的是为了把数学理论应用于不同的领域。如果两个结构是同构的，那么其上的对象会有相似的性质，对某个结构成立的命题在另一个结构上也就成立，这就使得理解和处理问题变得容易。
概念
\quad
设
V
V
V与
U
U
U是两个线性空间，如果
V
→
U
V \to U
V→U存在一个双射
σ
\mathbb{\sigma}
σ，对任意的
V
V
V中向量
α
,
β
\alpha , \beta
α,β，数域
P
P
P中的数
k
k
k，满足：
\quad
(1)
σ
(
α
)
+
σ
(
β
)
=
σ
(
α
+
β
)
\sigma\left(\alpha \right) + \sigma\left(\beta \right) = \sigma\left(\alpha+\beta \right)
σ(α)+σ(β)=σ(α+β)
\quad
(2)
k
σ
(
α
)
=
σ
(
k
α
)
k \sigma\left(\alpha \right) = \sigma\left(k\alpha \right)
kσ(α)=σ(kα)
那么，就称线性空间
V
V
V与
U
U
U同构，映射
σ
\sigma
σ为同构映射。
性质
1.任何 n n n维线性空间都与 R n \mathbb{R}^n Rn同构，即 维数相等的线性空间都同构 ‾ \underline{维数相等的线性空间都同构} 维数相等的线性空间都同构 ⇒ \Rightarrow ⇒ 线性空间的结构由其维数决定
2. V n V_n Vn中抽象的线性运算可以转化为 R n \mathbb{R}^n Rn中的线性运算，并且 R n \mathbb{R}^n Rn中凡是涉及线性运算的性质都适用于 V n V_n Vn（但 R n \mathbb{R}^n Rn中超出线性运算的性质，就不一定适用于 V n V_n Vn —— 例如，内积概念在 V n V_n Vn中不一定有意义）
线性映射
为什么要定义线性映射？
\quad
\quad 映射，指两个集合之间元素的对应关系，经常等同于函数。 函数作为一个处理输入、输出的工具
定义
- 设 V V V和 W W W都是在域 K K K上定义的向量空间，若函数 f : V → W f:V \to W f:V→W对任意向量 x , y ∈ V x,y \in V x,y∈V与任何标量 a ∈ K a \in K a∈K，满足线性运算法则（叠加原理），则 f f f被称为尸线性映射。
这等价于要求
f
f
f对任意向量
x
1
,
x
2
,
…
,
x
n
∈
V
x_1,x_2,\dots ,x_n \in V
x1,x2,…,xn∈V和任意标量
a
1
,
a
2
,
…
,
a
n
∈
K
a_1,a_2,\dots ,a_n \in K
a1,a2,…,an∈K必须满足
f
(
a
1
⋅
x
1
+
⋯
+
a
n
⋅
x
n
)
=
a
1
⋅
f
(
x
1
)
+
⋯
+
a
n
⋅
f
(
x
n
)
f(a_1\cdot x_1 + \dots + a_n\cdot x_n) = a_1\cdot f(x_1) + \dots + a_n\cdot f(x_n)
f(a1⋅x1+⋯+an⋅xn)=a1⋅f(x1)+⋯+an⋅f(xn)
若要特别强调标量所在的母集合是域
K
K
K，会特称
f
f
f为**
K
−
K-
K−线性映射**。如，对复数的共轭运算
−
:
C
→
C
^- : \mathbb{C} \to \mathbb{C}
−:C→C是
R
−
\mathbb{R}-
R−线性映射（因为取实数为标量才会有齐次性）。
1164
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
