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
\boldsymbol{v}=\begin{pmatrix} v_{1} \\ v_{2} \end{pmatrix} \quad \boldsymbol{w}=\begin{pmatrix} w_{1} \\ w_{2} \end{pmatrix} \quad \quad c\boldsymbol{v}+d\boldsymbol{w}=\begin{pmatrix} cv_{1}+dw_{1} \\ cv_{2}+dw_{2} \end{pmatrix} \end{gathered}$$ #### 1. 向量加法 Vector Addition $$\begin{align} \boldsymbol{v} +\boldsymbol{w}=\begin{pmatrix} v_{1}+w_{1} \\ v_{2}+w_{2} \end{pmatrix} \end{align}$$ #### 2. 标量数乘 Scalar Multiplication $$\begin{align} k\boldsymbol{v}=\begin{pmatrix} kv_{1} \\ kv_{2} \end{pmatrix} \end{align}$$ ### 向量空间的定义 (i) $\boldsymbol{\alpha}+\boldsymbol{\beta}=\boldsymbol{\beta}+\boldsymbol{\alpha}$ (ii) $(\boldsymbol{\alpha}+\boldsymbol{\beta})+\boldsymbol{\gamma}=\boldsymbol{\alpha}+(\boldsymbol{\beta}+\boldsymbol{\gamma})$ ### 四个子空间  #### 1.列空间 **Column space** $\large\boldsymbol{C}(A)$ 包含矩阵的列向量的所有的线性组合，求解 $A \boldsymbol{x} = \boldsymbol{b}$ 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 $\boldsymbol{b}$，如果 $\boldsymbol{b}$ 不在矩阵的列空间中，则方程无解 #### 2.零空间 **Nullspace** $\large\boldsymbol{N}(A)$ 包含 $A \boldsymbol{x} =\boldsymbol{0}$ 的所有解 #### 3.行空间 **Row space** $\large\boldsymbol{C}(A^{T})$ 其实就是矩阵转置的列空间 #### 4.左零空间 **Left Nullspace** $\large\boldsymbol{N}(A^{T})$ 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 $\mathbb R$；若对任意 $u,v\in V$ 和任意 $c,d\in\mathbb R$ 都有cu+dv\in V,
就抓住了向量空间最核心的封闭性：任意[[线性组合\|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\|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 $\mathbb R^n$ 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：\mathbb R^n=\left{ \begin{bmatrix} x_1\ \vdots\ x_n \end{bmatrix}:x_i\in\mathbb R \right}.
$\mathbb R^1$ 可以看成一条数轴，$\mathbb R^2$ 是通常的 $xy$ 平面，$\mathbb R^3$ 是三维坐标空间。高维空间 $\mathbb R^5,\mathbb R^n$ 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{bmatrix}4\ \pi\end{bmatrix}\in\mathbb R^2,\qquad \begin{bmatrix}1\1\0\1\1\end{bmatrix}\in\mathbb R
在 $\mathbb R^n$ 中，加法和数乘逐分量进行：c\begin{bmatrix}x_1\ \vdots\ x_n\end{bmatrix} +d\begin{bmatrix}y_1\ \vdots\ y_n\end{bmatrix}
\begin{bmatrix} cx_1+dy_1\ \vdots\ cx_n+dy_n \end{bmatrix}.
结果仍有 $n$ 个实分量，所以仍在 $\mathbb R^n$ 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。$\mathbb R^3$ 的零向量是 $(0,0,0)^T$，[[矩阵空间\|矩阵空间]]中的零向量是零矩阵，[[函数空间\|函数空间]]中的零向量是零函数。 最小的向量空间是Z={\mathbf 0}.
\mathbf0+\mathbf0=\mathbf0,\qquad c\mathbf0=\mathbf0.
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： - $\mathbb R^n$：所有 $n$ 维实[[列向量\|列向量]]。 - $M$：所有实 $2\times2$ 矩阵，或更一般的 $M_{m,n}(\mathbb R)$。 - $F$：某个共同定义域上的所有实值[[函数\|函数]]。 - $P_n$：所有次数不超过 $n$ 的实系数[[多项式\|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 $\mathbb R^n$，而是 $\mathbb R^n$ 内部仍保持向量空间结构的[[子空间\|子空间]]。一条过原点的直线、一个过原点的平面、整个 $\mathbb R^3$ 和 $Z$ 都是 $\mathbb R^3$ 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 $0v=\mathbf0\in W$。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 $\{(x,y):x\ge0,y\ge0\}$ 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\|张成空间]]。这是制造子空间的基本方法：\operatorname{span}{v_1,\dots,v_k}
{c_1v_1+\cdots+c_kv_k:c_i\in\mathbb R}.
矩阵方程 $Ax=b$ 正是这个观点的代数形式。若 $A$ 的列为 $a_1,\dots,a_n$，则Ax=x_1a_1+\cdots+x_na_n.
所以 $Ax=b$ 有解，当且仅当 $b$ 位于 $A$ 的[[列空间\|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\|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。