向量空间

Vector Space
向量空间由向量基底张成，向量空间的维度就是基向量的个数。

线性组合

Linear Combination

\begin{matrix} v = (\begin{matrix} v_{1} \\ v_{2} \end{matrix}) w = (\begin{matrix} w_{1} \\ w_{2} \end{matrix}) c v + d w = (\begin{matrix} c v_{1} + d w_{1} \\ c v_{2} + d w_{2} \end{matrix}) \end{matrix}

1. 向量加法 Vector Addition

\begin{array}{r} v + w = (\begin{array}{c} v_{1} + w_{1} \\ v_{2} + w_{2} \end{array}) \end{array}

2. 标量数乘 Scalar Multiplication

\begin{array}{r} k v = (\begin{array}{c} k v_{1} \\ k v_{2} \end{array}) \end{array}

向量空间的定义

(i) $α + β = β + α$
(ii) $(α + β) + γ = α + (β + γ)$

四个子空间

1.列空间

Column space) $C (A$
包含矩阵的列向量的所有的线性组合，求解 $A x = b$ 本质上是找到矩阵 $A$ 的列向量的一个线性组合来表达向量 $b$ ，如果 $b$ 不在矩阵的列空间中，则方程无解

2.零空间

Nullspace) $N (A$
包含 $A x = 0$ 的所有解

3.行空间

Row space) $C (A^{T}$
其实就是矩阵转置的列空间

4.左零空间

Left Nullspace) $N (A^{T}$
矩阵转置的零空间

子空间的特殊关系

Orthogonal complement 正交补
空间中的所有向量不仅相互垂直，而且在维度上相互补充

Fundamental Theorem of Linear Algebra, Part 2
线性代数基本定理：

$N (A)$ 为 $C (A^{T})$ 的正交补
$N (A^{T})$ 为 $C (A)$ 的正交补

AI 结构化补充（2026-05-02）

定义和封闭性

Vector Space) 向量空间是一个集合 $V$ ，其中的对象可以相加，也可以被标量数乘，并且这些运算不会把对象带出 $V$ 。在实向量空间中，标量来自 $R$ ；若对任意 $u, v \in V$ 和任意 $c, d \in R$ 都有

c u + d v \in V,

就抓住了向量空间最核心的封闭性：任意线性组合仍在同一个空间里。

完整的向量空间公理还要求加法满足交换律、结合律，存在唯一零向量和加法逆元，并且数乘满足结合律与分配律。对通常的列向量、矩阵和函数来说，这些规则来自逐分量或逐点运算，重点通常落在“是否封闭”上。

标准空间 R^n

$R^{n}$ 是最基本的向量空间。它由所有具有 $n$ 个实数分量的列向量组成：

R^{n} = {[\begin{matrix} x_{1} \\ ⋮ \\ x_{n} \end{matrix}] : x_{i} \in R} .

$R^{1}$ 可以看成一条数轴， $R^{2}$ 是通常的 $x y$ 平面， $R^{3}$ 是三维坐标空间。高维空间 $R^{5}, R^{n}$ 不必依靠图形；一个向量只要有对应数量的实分量，就属于那个空间。例如

[\begin{matrix} 4 \\ π \end{matrix}] \in R^{2}, [\begin{matrix} 1 \\ 1 \\ 0 \\ 1 \\ 1 \end{matrix}] \in R^{5} .

在 $R^{n}$ 中，加法和数乘逐分量进行：

c [\begin{matrix} x_{1} \\ ⋮ \\ x_{n} \end{matrix}] + d [\begin{matrix} y_{1} \\ ⋮ \\ y_{n} \end{matrix}] = [\begin{matrix} c x_{1} + d y_{1} \\ ⋮ \\ c x_{n} + d y_{n} \end{matrix}] .

结果仍有 $n$ 个实分量，所以仍在 $R^{n}$ 中。

零向量和最小空间 Z

每个向量空间都必须有自己的零向量。 $R^{3}$ 的零向量是 $(0, 0, 0)^{T}$ ，矩阵空间中的零向量是零矩阵，函数空间中的零向量是零函数。

最小的向量空间是

Z = {0} .

它只含一个向量，却仍然对加法和数乘封闭，因为

0 + 0 = 0, c 0 = 0 .

按通常的维数定义， $Z$ 是零维空间。任何不包含零向量的集合都不可能是向量空间。

不止列向量

线性代数中的“向量”是结构角色，不一定是几何箭头。只要对象能相加、能数乘，并满足同样的公理，它们就可以作为向量空间的元素。

常见例子包括：

$R^{n}$ ：所有 $n$ 维实列向量。
$M$ ：所有实 $2 \times 2$ 矩阵，或更一般的 $M_{m, n} (R)$ 。
$F$ ：某个共同定义域上的所有实值函数。
$P_{n}$ ：所有次数不超过 $n$ 的实系数多项式。
$Z$ ：只含零向量的空间。

这些空间的对象不同，但线性组合规则相同。矩阵按对应位置相加，函数按每个 $x$ 的函数值相加，多项式按同类项相加。

子空间视角

很多重要对象不是整个 $R^{n}$ ，而是 $R^{n}$ 内部仍保持向量空间结构的子空间。一条过原点的直线、一个过原点的平面、整个 $R^{3}$ 和 $Z$ 都是 $R^{3}$ 的子空间。

“过原点”不是图形上的装饰，而是封闭性的结果。若 $W$ 是子空间且 $v \in W$ ，则 $0 v = 0 \in W$ 。因此不经过原点的直线或平面不是子空间，即使它们看起来与某个向量空间平行。

判断一个集合是不是向量空间或子空间，不能只看形状；要检查任意加法和任意标量数乘。第一象限 ${(x, y) : x \geq 0, y \geq 0}$ 不是向量空间，因为 $(2, 3)$ 在其中，而 $- (2, 3)$ 不在其中。所有次数恰好等于 $n$ 的多项式也不是向量空间，因为两个最高次项可能相消，零多项式也不属于“恰好 $n$ 次”。

与方程和生成的关系

给定一组向量，收集它们所有线性组合，就得到一个张成空间。这是制造子空间的基本方法：

span {v_{1}, \dots, v_{k}} = {c_{1} v_{1} + \dots + c_{k} v_{k} : c_{i} \in R} .

矩阵方程 $A x = b$ 正是这个观点的代数形式。若 $A$ 的列为 $a_{1}, \dots, a_{n}$ ，则

A x = x_{1} a_{1} + \dots + x_{n} a_{n} .

所以 $A x = b$ 有解，当且仅当 $b$ 位于 $A$ 的列空间 $C (A)$ 中。这里 $x$ 给出生成 $b$ 的系数；若 $b$ 不在列空间中，方程组无解。

零空间则回答另一个问题：哪些输入 $x$ 会被 $A$ 映到零向量。列空间位于输出空间，零空间位于输入空间；二者都是理解线性方程组的核心向量空间。