线性空间
1. 线性空间
线性空间是线性代数最基本的概念之一,也是学习矩阵论的重要基础。
1.1 定义
定义1.1:设 V V V 是一个非空集合 ,它的元素用 x , y , z \boldsymbol{x},\boldsymbol{y},\boldsymbol{z} x,y,z 等表示,并称之为向量; K K K 是一个数域 ,它的元素用 k , l , m k,l,m k,l,m 等表示。如果 V V V 满足下列条件:
-
在 V V V 中定义一个加法 运算,即当 x , y ∈ V \boldsymbol{x},\boldsymbol{y}\in V x,y∈V 时,有唯一的和 x + y ∈ V \boldsymbol{x}+\boldsymbol{y}\in V x+y∈V,且加法运算满足下列性质:
1)结合律 : x + ( y + z ) = ( x + y ) + z \boldsymbol{x}+(\boldsymbol{y}+\boldsymbol{z})=(\boldsymbol{x}+\boldsymbol{y})+\boldsymbol{z} x+(y+z)=(x+y)+z;
2)交换律 : x + y = y + x \boldsymbol{x}+\boldsymbol{y}=\boldsymbol{y}+\boldsymbol{x} x+y=y+x;
3)存在零元素0,使 x + 0 = x \boldsymbol{x}+\boldsymbol{0}=\boldsymbol{x} x+0=x;
4)存在负元素,即对任一向量 x ∈ V \boldsymbol{x} \in V x∈V,存在向量 y ∈ V \boldsymbol{y}\in V y∈V,使 x + y = 0 \boldsymbol{x}+\boldsymbol{y}=\boldsymbol{0} x+y=0,则称 y \boldsymbol{y} y 为 x \boldsymbol{x} x 的负元素,记为一 x \boldsymbol{x} x,于是有 x + ( − x ) = 0 \boldsymbol{x}+(-\boldsymbol{x})=\boldsymbol{0} x+(−x)=0 (注:此处的0为零元素) -
在 V V V 中定义 数乘 (数与向量的乘法)运算,即当 x ∈ V \boldsymbol{x} \in V x∈V, k ∈ K k\in K k∈K 时,有唯一的 k x ∈ V k\boldsymbol{x} \in V kx∈V,且数乘运算满足下列性质:
5)数因子分配律 : k ( x + y ) = k x + k y k(\boldsymbol{x}+\boldsymbol{y})=k\boldsymbol{x}+k\boldsymbol{y} k(x+y)=kx+ky;
6)分配律 : ( k + l ) x = k x + l x (k+l)\boldsymbol{x}=k\boldsymbol{x}+l\boldsymbol{x} (k+l)x=kx+lx;
7)结合律 : k ( l x ) = ( k l ) x k(l\boldsymbol{x})=(kl)\boldsymbol{x} k(lx)=(kl)x;
8) 1 x = x 1\boldsymbol{x}=\boldsymbol{x} 1x=x.
则称 V V V 为数域 K K K 上的 线性空间 或 向量空间 。
V V V 中所定义的加法及数乘运算统称为 V V V 的 线性运算 。须要指出,不管 V V V 的元素如何,当 K K K 为实数域 R \boldsymbol{R} R 时,则称 V V V 为实线性空间;当 K K K 为复数域 C \boldsymbol{C} C 时,就称 V V V 为复线性空间。
线性空间实例:
- 所有实(或复) n n n 维向量的集合 R n \boldsymbol{R}^n Rn(或 C n \boldsymbol{C}^n Cn),对 n n n 维同量的加法及数乘 n n n 维向量的运算是封闭的。加法运算还满足交换律与结合律;数乘向量的运算满足分配律与结合律。
- 在集合 P n P_n Pn 中,按通常意义定义多项式加法及实数与多项式乘法,则 P n P_n Pn 对这两种运算是封闭的,因为,如果 f ( t ) ∈ P n f(t)\in P_{n} f(t)∈Pn, g ( t ) ∈ P n g(t)\in P_{n} g(t)∈Pn,则 f ( t ) + g ( t ) ∈ P n f(t)+g(t)\in P_{n} f(t)+g(t)∈Pn;若 k ∈ R k\in \boldsymbol{R} k∈R,则 k f ( t ) ∈ P n kf(t)\in P_{n} kf(t)∈Pn 。易验证对 P n P_n Pn 的这两种运算,也有如例1中所论的诸算律成立。
- 常系数二阶齐次线性微分方程 y ′ ′ − 3 y ′ + 2 y = 0 y''-3y'+2y=0 y′′−3y′+2y=0 的解的集合 D D D,对于函数加法及数与函数乘法有,若 y 1 , y 2 ∈ D y_{1},y_{2}\in D y1,y2∈D,则 y 1 + y 2 ∈ D y_{1}+y_{2}\in D y1+y2∈D,当 k ∈ R k\in \boldsymbol{R} k∈R 时,则 k y 1 ∈ D ky_{1}\in D ky1∈D 。即 D D D 关于这两种运算是封闭的,且满足如例1中所论的诸算律。
- 在所有 n n n 阶实矩阵的集合 R n × n \boldsymbol{R}^{n\times n} Rn×n(或复矩阵的集合 C n × n \boldsymbol{C}^{n\times n} Cn×n)中,如果 A , B ∈ R n × n \boldsymbol{A},\boldsymbol{B}\in \boldsymbol{R}^{n\times n} A,B∈Rn×n(或 C n × n \boldsymbol{C}^{n\times n} Cn×n),则 A + B ∈ R n × n \boldsymbol{A}+\boldsymbol{B}\in \boldsymbol{R}^{n\times n} A+B∈Rn×n(或 C n × n \boldsymbol{C}^{n\times n} Cn×n);如果 k ∈ R k\in \boldsymbol{R} k∈R(或 C n × n \boldsymbol{C}^{n\times n} Cn×n),则 k A ∈ R n × n k\boldsymbol{A}\in \boldsymbol{R}^{n\times n} kA∈Rn×n(或 C n × n \boldsymbol{C}^{n\times n} Cn×n)。即集合对于这两种运算是封闭的。加法与数乘矩阵也都满足如例1中所论的诸算律。
例1中的 R n \boldsymbol{R}^n Rn( C n \boldsymbol{C}^n Cn)形成实(复)线性空间;例2至例4中的集合,在其各自的加法和数乘运算的定义下,都形成实线性空间。称例4所给的线性空间为 矩阵空间 。
定理1.1:线性空间 V V V 有唯一的零元素,任一元素也有唯一的负元素。
定义1.2:线性空间 V V V 中线性无关向量组所含向量最大个数称为 V V V 的维数。若 n n n 是具有这个性质的正整数,则称 V V V 的维数是 n n n ,记为 d i m V = n dimV=n dimV=n 。维数是 n n n 的线性空间称为数域 K K K 上的 n n n 维线性空间,记为 V n V^n Vn 。
例3中的集合 D D D 仅有两个线性无关的向量 y 1 = e x y_{1}=e^{x} y1=ex, y 2 = e 2 x y_{2}=e^{2x} y2=e2x ,且 D D D 中任一向量 y y y 都可以由 y 1 y_1 y1 和 y 2 y_2 y2 线性表示,即有 y = c 1 e x + c 2 e 2 x y=c_1e^{x}+c_{2}e^{2x} y=c1ex+c2e2x,故 d i m D = 2 dimD=2 dimD=2,即 D D D 是 R \boldsymbol{R} R 上的2维线性空间。例4中的 R n × n \boldsymbol{R}^{n\times n} Rn×n 是 R \boldsymbol{R} R 上的 n 2 n^2 n2 维线性空间。
1.2 线性空间的基与坐标
在解析几何中,为了借助于数量运算以实现向量的运算,必须引进向量的坐标。
定义1.3:设
V
V
V 是数域
K
K
K 上的线性空间,
x
1
,
x
2
,
⋯
,
x
r
(
r
⩾
1
)
\boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{r}(r\geqslant 1)
x1,x2,⋯,xr(r⩾1) 是属于
V
V
V 的任意
r
r
r 个向量,如果它满足:
(1)
x
1
,
x
2
,
⋯
,
x
r
(
r
⩾
1
)
\boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{r}(r\geqslant 1)
x1,x2,⋯,xr(r⩾1) 线性无关;
(2)
V
V
V 中任一向量
x
\boldsymbol{x}
x 都是
x
1
,
x
2
,
⋯
,
x
r
\boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{r}
x1,x2,⋯,xr 的线性组合。
则称 x 1 , x 2 , ⋯ , x r \boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{r} x1,x2,⋯,xr 为 V V V 的一个 基 或 基底 ,并称 x i ( i = 1 , 2 , ⋯ , r ) \boldsymbol{x}_{i}(i=1,2,\cdots ,r) xi(i=1,2,⋯,r) 为 基向量 。
Noted:
- 线性空间的维数是其基中所含向量的个数。
- 齐次线性方程组Ax=0的基础解系中所含的向量,就是其解空间的一个基。
- 一个线性空间的基并不是唯一的。
例如:例3中 e x e^{x} ex 与 e 2 x e^{2x} e2x 就是线性空间 D D D 的一个基;例4中 E i j ( i , j = 1 , 2 , ⋯ , n ) \boldsymbol{E}_{ij}(i,j=1,2,\cdots ,n) Eij(i,j=1,2,⋯,n) 就是线性空间 R n × n \boldsymbol{R}^{n\times n} Rn×n 的一个基。
定义1.4:称线性空间 V n V^n Vn 的一个基 x 1 , x 2 , ⋯ , x n \boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{n} x1,x2,⋯,xn 为 V n V^n Vn 的一个 坐标系 。设向量 x ∈ V n \boldsymbol{x} \in V^n x∈Vn,它在该基下的线性表示式为 x = ξ 1 x 1 + ξ 2 x 2 + ⋯ + ξ n x n \boldsymbol{x}=\xi _{1}\boldsymbol{x}_{1}+\xi _{2}\boldsymbol{x}_{2}+\cdots +\xi _{n}\boldsymbol{x}_{n} x=ξ1x1+ξ2x2+⋯+ξnxn 则称 ξ 1 , ξ 2 , ⋯ , ξ n \xi _{1},\xi _{2},\cdots ,\xi _{n} ξ1,ξ2,⋯,ξn 为 x \boldsymbol{x} x 在该坐标系中的 坐标 或 分量 ,记为 ( ξ 1 , ξ 2 , ⋯ , ξ n ) T (\xi _{1},\xi _{2},\cdots ,\xi _{n})^{T} (ξ1,ξ2,⋯,ξn)T 。
向量 x \boldsymbol{x} x 在基 x = ξ 1 x 1 + ξ 2 x 2 + ⋯ + ξ n x n \boldsymbol{x}=\xi _{1}\boldsymbol{x}_{1}+\xi _{2}\boldsymbol{x}_{2}+\cdots +\xi _{n}\boldsymbol{x}_{n} x=ξ1x1+ξ2x2+⋯+ξnxn 下的矩阵表示为
x = [ x 1 x 2 ⋯ x n ] [ ξ 1 ξ 2 ⋮ ξ n ] \boldsymbol{x}=\begin{bmatrix} x_{1} & x_{2} & \cdots & x_{n} \end{bmatrix}\begin{bmatrix} \xi _{1}\\ \xi _{2}\\ \vdots \\ \xi _{n} \end{bmatrix} x=[x1x2⋯xn]⎣⎢⎢⎢⎡ξ1ξ2⋮ξn⎦⎥⎥⎥⎤
Noted: 在不同的坐标系(或基)中,同一向量的坐标一般是不同的。
定理1.2:设 x 1 , x 2 , ⋯ , x n \boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{n} x1,x2,⋯,xn 是 V n V^n Vn 的一个基, x ∈ V n \boldsymbol{x} \in V^n x∈Vn ,则 x \boldsymbol{x} x 可以唯一地表示成 x 1 , x 2 , ⋯ , x n \boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{n} x1,x2,⋯,xn 的线性组合。
例:复数域 C \boldsymbol{C} C 是其自身上的线性空间,且 d i m C = 1 dimC=1 dimC=1,数 1 就是它的基;如果把 C \boldsymbol{C} C 看做是实数域 R \boldsymbol{R} R 上的线性空间,则 d i m C = 2 dimC =2 dimC=2,数 1 与 j 就是一个基。此例说明,维数与所考虑的数域有关。
1.3 基变换与坐标变换
在 V n V^n Vn 中,任意 n n n 个线性无关的向量都可取作它的基或坐标系。但对不同基或坐标系,同一个向量的坐标一般是不同的。现在讨论当基改变时,向量的坐标如何变化?
1.3.1 基变换
设 x 1 , x 2 , ⋯ , x n \boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{n} x1,x2,⋯,xn 是 V n V^n Vn 的旧基,而 y 1 , y 2 , ⋯ , y n \boldsymbol{y}_{1},\boldsymbol{y}_{2},\cdots ,\boldsymbol{y}_{n} y1,y2,⋯,yn 是 V n V^n Vn 的新基,那么有
{ y 1 = c 11 x 1 + c 21 x 2 + ⋯ + c n 1 x n y 2 = c 12 x 1 + c 22 x 2 + ⋯ + c n 2 x n ⋮ y n = c 1 n x 1 + c 2 n x 2 + ⋯ + c n n x n \left\{\begin{matrix} \boldsymbol{y}_{1}=c_{11}\boldsymbol{x}_{1}+c_{21}\boldsymbol{x}_{2}+\cdots +c_{n1}\boldsymbol{x}_{n}\\ \boldsymbol{y}_{2}=c_{12}\boldsymbol{x}_{1}+c_{22}\boldsymbol{x}_{2}+\cdots +c_{n2}\boldsymbol{x}_{n}\\ \vdots \\ \boldsymbol{y}_{n}=c_{1n}\boldsymbol{x}_{1}+c_{2n}\boldsymbol{x}_{2}+\cdots +c_{nn}\boldsymbol{x}_{n} \end{matrix}\right. ⎩⎪⎪⎪⎨⎪⎪⎪⎧y1=c11x1+c21x2+⋯+cn1xny2=c12x1+c22x2+⋯+cn2xn⋮yn=c1nx1+c2nx2+⋯+cnnxn
或者形式地写成 (基变换公式)
(
y
1
,
y
2
,
⋯
,
y
n
)
=
(
x
1
,
x
2
,
⋯
,
x
n
)
C
(\boldsymbol{y}_{1},\boldsymbol{y}_{2},\cdots ,\boldsymbol{y}_{n})=(\boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{n})\boldsymbol{C}
(y1,y2,⋯,yn)=(x1,x2,⋯,xn)C
其中,矩阵
C = [ c 11 c 12 ⋯ c 1 n c 21 c 22 ⋯ c 2 n ⋮ ⋮ ⋮ c n 1 c n 2 ⋯ c n n ] \boldsymbol{C}=\begin{bmatrix} c_{11} & c_{12} & \cdots & c_{1n}\\ c_{21} & c_{22} & \cdots & c_{2n}\\ \vdots & \vdots & & \vdots \\ c_{n1} & c_{n2} & \cdots & c_{nn} \end{bmatrix} C=⎣⎢⎢⎢⎡c11c21⋮cn1c12c22⋮cn2⋯⋯⋯c1nc2n⋮cnn⎦⎥⎥⎥⎤
称为由旧基改变为新基的 过渡矩阵。
1.3.2 坐标变换
设 x ∈ V n \boldsymbol{x} \in V^n x∈Vn 在上面所述旧新旧基下的坐标依次是 ( ξ 1 , ξ 2 , ⋯ , ξ n ) T (\xi _{1},\xi _{2},\cdots ,\xi _{n})^{T} (ξ1,ξ2,⋯,ξn)T 与 ( η 1 , η 2 , ⋯ , η n ) T (\eta _{1},\eta _{2},\cdots ,\eta _{n})^{T} (η1,η2,⋯,ηn)T ,即有
x = ξ 1 x 1 + ξ 2 x 2 + ⋯ + ξ n x n = η 1 y 1 + η 2 y 2 + ⋯ + η n y n \boldsymbol{x}=\xi _{1}\boldsymbol{x}_{1}+\xi _{2}\boldsymbol{x}_{2}+\cdots +\xi _{n}\boldsymbol{x}_{n}=\eta _{1}\boldsymbol{y}_{1}+\eta _{2}\boldsymbol{y}_{2}+\cdots +\eta _{n}\boldsymbol{y}_{n} x=ξ1x1+ξ2x2+⋯+ξnxn=η1y1+η2y2+⋯+ηnyn
采用矩阵表示,则有
x = [ x 1 x 2 ⋯ x n ] [ ξ 1 ξ 2 ⋮ ξ n ] = [ y 1 y 2 ⋯ y n ] [ η 1 η 2 ⋮ η n ] = [ x 1 x 2 ⋯ x n ] C [ η 1 η 2 ⋮ η n ] \boldsymbol{x}=\begin{bmatrix} x_{1} & x_{2} & \cdots & x_{n} \end{bmatrix}\begin{bmatrix} \xi _{1}\\ \xi _{2}\\ \vdots \\ \xi _{n} \end{bmatrix} =\begin{bmatrix} y_{1} & y_{2} & \cdots & y_{n} \end{bmatrix}\begin{bmatrix} \eta _{1}\\ \eta _{2}\\ \vdots \\ \eta _{n} \end{bmatrix}=\begin{bmatrix} x_{1} & x_{2} & \cdots & x_{n} \end{bmatrix}\boldsymbol{C}\begin{bmatrix} \eta _{1}\\ \eta _{2}\\ \vdots \\ \eta _{n} \end{bmatrix} x=[x1x2⋯xn]⎣⎢⎢⎢⎡ξ1ξ2⋮ξn⎦⎥⎥⎥⎤=[y1y2⋯yn]⎣⎢⎢⎢⎡η1η2⋮ηn⎦⎥⎥⎥⎤=[x1x2⋯xn]C⎣⎢⎢⎢⎡η1η2⋮ηn⎦⎥⎥⎥⎤
由于基向量是线性无关的,因此有
[
ξ
1
ξ
2
⋮
ξ
n
]
=
C
[
η
1
η
2
⋮
η
n
]
\begin{bmatrix} \xi _{1}\\ \xi _{2}\\ \vdots \\ \xi _{n} \end{bmatrix}=\boldsymbol{C}\begin{bmatrix} \eta _{1}\\ \eta _{2}\\ \vdots \\ \eta _{n} \end{bmatrix}
⎣⎢⎢⎢⎡ξ1ξ2⋮ξn⎦⎥⎥⎥⎤=C⎣⎢⎢⎢⎡η1η2⋮ηn⎦⎥⎥⎥⎤
或者
[ η 1 η 2 ⋮ η n ] = C − 1 [ ξ 1 ξ 2 ⋮ ξ n ] \begin{bmatrix} \eta _{1}\\ \eta _{2}\\ \vdots \\ \eta _{n} \end{bmatrix}=\boldsymbol{C}^{-1}\begin{bmatrix} \xi _{1}\\ \xi _{2}\\ \vdots \\ \xi _{n} \end{bmatrix} ⎣⎢⎢⎢⎡η1η2⋮ηn⎦⎥⎥⎥⎤=C−1⎣⎢⎢⎢⎡ξ1ξ2⋮ξn⎦⎥⎥⎥⎤
上两式给出了在基变换式下向量坐标的变换公式。
2. 线性子空间
2.1 定义
设 V 1 V_{1} V1 是数域 K K K 上的线性空间 V V V 的一个非空子集合,且对 V V V 已有的线性运算满足以下条件:
- 如果 x , y ∈ V 1 \boldsymbol{x},\boldsymbol{y} \in V_{1} x,y∈V1 ,则 x + y ∈ V 1 \boldsymbol{x}+\boldsymbol{y} \in V_{1} x+y∈V1 ;
- 如果 x ∈ V 1 \boldsymbol{x} \in V_{1} x∈V1 , k ∈ K k \in K k∈K ,则 k x ∈ V 1 k\boldsymbol{x} \in V_{1} kx∈V1 。
则称 V 1 V_{1} V1 为 V V V 的 线性子空间 或 子空间 。
Noted:
- 线性子空间 V 1 V_{1} V1 也是线性空间。因为 V 1 V_{1} V1 是 V V V 的子集合,所以 V 1 V_{1} V1 中的向量不仅对线性空间 V V V 已定义的线性运算封闭,而且还满足相应的8条运算律。
- 每个非零线性空间至少有两个子空间,一个是它本身,另一个是仅由零向量所构成的子集合,后者称为 零子空间 。
- 由于零子空间不含线性无关的向量,因此它没有基,规定其维数为零。
- 线性子空间中不可能比整个线性空间中有更数目的线性无关的向量,所以,任何一个线性子空间 V 1 V_{1} V1 的维数不大于整个线性空间 V V V 的维数,即有 d i m V 1 ≤ d i m V dimV_{1} \leq dimV dimV1≤dimV 。
2.2 线性子空间的生成
定义1:设
x
1
,
x
2
,
⋯
,
x
m
\boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{m}
x1,x2,⋯,xm 是数域
K
K
K 上的线性空间
V
V
V 的一组向量,其所有可能的线性组合的集合
V
1
=
{
k
1
x
1
+
k
2
x
2
+
⋯
+
k
m
x
m
}
(
k
i
∈
K
,
i
=
1
,
2
,
⋯
,
m
)
V_{1}=\left \{ k_{1}\boldsymbol{x}_{1}+k_{2}\boldsymbol{x}_{2}+\cdots +k_{m}\boldsymbol{x}_{m} \right \}\; \; \left ( k_{i}\in K,i=1,2,\cdots ,m \right )
V1={k1x1+k2x2+⋯+kmxm}(ki∈K,i=1,2,⋯,m)
是非空的,且
V
1
V_{1}
V1 对于
V
V
V 的线性运算是封闭的,因而
V
1
V_{1}
V1 是
V
V
V 的一个线性子空间。这个子空间称为由
x
1
,
x
2
,
⋯
,
x
m
\boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{m}
x1,x2,⋯,xm 生成(或张成)的子空间,记为
L
(
x
1
,
x
2
,
⋯
,
x
m
)
=
{
k
1
x
1
+
k
2
x
2
+
⋯
+
k
m
x
m
}
L\left ( \boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{m} \right )=\left \{ k_{1}\boldsymbol{x}_{1}+k_{2}\boldsymbol{x}_{2}+\cdots +k_{m}\boldsymbol{x}_{m}\right \}
L(x1,x2,⋯,xm)={k1x1+k2x2+⋯+kmxm}
定义2:如果
x
1
,
x
2
,
⋯
,
x
m
\boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{m}
x1,x2,⋯,xm 是
V
1
V_{1}
V1 的一个基,那么有
V
1
=
L
(
x
1
,
x
2
,
⋯
,
x
m
)
V_{1}=L\left ( \boldsymbol{x}_{1},\boldsymbol{x}_{2},\cdots ,\boldsymbol{x}_{m} \right )
V1=L(x1,x2,⋯,xm)
特别地,零子空间就是由零元素生成的子空间
L
(
0
)
L(\boldsymbol{0})
L(0) 。
2.3 子空间的交与和
2.3.1 交空间
定义:设
V
1
V_{1}
V1,
V
2
V_{2}
V2 是数域
K
K
K 上的线性空间
V
V
V 的子空间,则所有满足
x
∈
V
1
\boldsymbol{x}\in V_{1}
x∈V1 且
x
∈
V
2
\boldsymbol{x}\in V_{2}
x∈V2 的这样的元素的集合称为
V
1
V_{1}
V1 与
V
2
V_{2}
V2 的 交 ,记为
V
1
∩
V
2
V_{1}\cap V_{2}
V1∩V2 ,即
V
1
∩
V
2
=
{
x
∣
x
∈
V
1
且
a
∈
V
2
}
V_{1}\cap V_{2}=\left \{ \boldsymbol{x} | \boldsymbol{x}\in V_{1} 且 a\in V_{2}\right \}
V1∩V2={x∣x∈V1且a∈V2}
定理:如果 V 1 V_{1} V1, V 2 V_{2} V2 是数域 K K K 上的线性空间 V V V 的两个子空间,那么它们的交 V 1 ∩ V 2 V_{1}\cap V_{2} V1∩V2 也是 V V V 的子空间。
子空间的交满足交换律和结合律:
V
1
∩
V
2
=
V
2
∩
V
1
V_{1}\cap V_{2}=V_{2}\cap V_{1}
V1∩V2=V2∩V1
( V 1 ∩ V 2 ) ∩ V 3 = V 1 ∩ ( V 1 ∩ V 3 ) (V_{1}\cap V_{2})\cap V_{3}=V_{1}\cap (V_{1}\cap V_{3}) (V1∩V2)∩V3=V1∩(V1∩V3)
2.3.2 和空间
定义:设
V
1
V_{1}
V1,
V
2
V_{2}
V2 是数域
K
K
K 上的线性空间
V
V
V 的子空间,且
x
∈
V
1
\boldsymbol{x}\in V_{1}
x∈V1 ,
y
∈
V
2
\boldsymbol{y}\in V_{2}
y∈V2 ,则所有
x
+
y
\boldsymbol{x}+\boldsymbol{y}
x+y 这样的元素的集合称为
V
1
V_{1}
V1 与
V
2
V_{2}
V2 的 和 ,记为
V
1
+
V
2
V_{1}+V_{2}
V1+V2 ,即
V
1
+
V
2
=
{
z
∣
z
=
x
+
y
,
x
∈
V
1
,
y
∈
V
2
}
V_{1}+V_{2}=\left \{ \boldsymbol{z} | \boldsymbol{z} = \boldsymbol{x} + \boldsymbol{y}, \boldsymbol{x} \in V_{1}, \boldsymbol{y}\in V_{2} \right \}
V1+V2={z∣z=x+y,x∈V1,y∈V2}
定理:如果 V 1 V_{1} V1, V 2 V_{2} V2 是数域 K K K 上的线性空间 V V V 的子空间,那么它们的和 V 1 + V 2 V_{1}+V_{2} V1+V2 也是 V V V 的子空间。
子空间的和满足交换律和结合律:
V
1
+
V
2
=
V
2
+
V
1
V_{1}+ V_{2}=V_{2}+ V_{1}
V1+V2=V2+V1
( V 1 + V 2 ) + V 3 = V 1 + ( V 1 + V 3 ) (V_{1}+V_{2})+ V_{3}=V_{1}+ (V_{1}+ V_{3}) (V1+V2)+V3=V1+(V1+V3)
例如,在线性空间 R 3 \boldsymbol{R}^{3} R3 中, V 1 V_{1} V1 表示过原点的直线 l 1 l_{1} l1 上所有向量形成的子空间; V 2 V_{2} V2 表示另一条过原点的直线 l 2 l_{2} l2 上所有向量形成的子空间。显然 V 1 ∩ V 2 V_{1}\cap V_{2} V1∩V2 是由 l 1 l_{1} l1 与 l 2 l_{2} l2 交点(原点)形成的零子空间; V 1 + V 2 V_{1}+V_{2} V1+V2 是在由 l 1 l_{1} l1 与 l 2 l_{2} l2 所决定的平面上全体向量形成的子空间。
2.3.2 维数
定理:(维数公式)如果
V
1
V_{1}
V1,
V
2
V_{2}
V2 是数域
K
K
K 上的线性空间
V
V
V 的两个子空间,那么有下面公式
d
i
m
V
1
+
d
i
m
V
2
=
d
i
m
(
V
1
+
V
2
)
+
d
i
m
(
V
1
∩
V
2
)
dimV_{1}+dimV_{2}=dim(V_{1}+V_{2})+dim(V_{1}\cap V_{2})
dimV1+dimV2=dim(V1+V2)+dim(V1∩V2)