1 基本概念
1.1 向量空间的定义
向量空间是由一类对象及其两种基本运算构成的代数结构，这两种运算分别是向量加法和数乘。它要求这些对象在运算下保持封闭，并满足一组统一的代数规则。向量空间的抽象性很强，因此不仅可以描述几何中的箭头，也可以描述函数、矩阵、多项式等对象。
1.1.1 加法与数乘
向量加法用于描述两个向量的合成，数乘则表示用标量对向量进行缩放。若把向量看作“可相加、可放大或缩小”的对象，那么这两种运算就构成了向量空间的核心操作。不同类型的向量空间中，这两种运算的具体形式可以不同，但都必须符合统一的代数要求。
1.1.2 向量空间公理
向量空间必须满足若干公理，包括加法交换律、加法结合律、零向量存在、逆元存在，以及数乘对加法的分配律、标量加法的分配律、数乘结合律和单位元性质等。这些公理共同保证了线性运算的稳定性，使得向量空间可以建立一套普遍适用的理论。
1.2 域与标量
向量空间中的数称为标量，标量来自某个域。域提供了加法、乘法及其相应的逆运算，从而使数乘运算具有良好性质。向量空间的定义离不开标量所在的域，因为不同的域会影响空间的结构和性质。
1.2.1 实数域与复数域
在线性代数中，最常见的标量来源是实数域和复数域。以实数为标量的向量空间常用于几何、物理和工程问题；以复数为标量的向量空间则在信号处理、量子理论及复分析相关领域中十分常见。两者都满足域的基本要求，但复数域在代数结构上更为丰富。
1.2.2 一般域上的向量空间
向量空间并不局限于实数或复数作为标量。只要某个集合构成域，就可以在其上定义向量空间。这样的推广使线性代数具有更强的普适性，也为抽象代数中的进一步研究提供了基础。
1.3 向量空间的元素
向量空间中的元素统称为向量，但“向量”并不一定指几何意义上的箭头。它可以是有序数组、矩阵、多项式，甚至是某类函数。关键不在于外形，而在于它们是否能在既定运算下满足向量空间的公理。
1.3.1 向量的抽象表示
在抽象代数框架中，向量往往用符号表示，其具体含义由所在空间决定。一个向量可以用坐标、系数序列或函数表达式来描述。抽象表示的优点在于，它将不同对象统一纳入同一理论体系，便于讨论它们的共同性质。
1.3.2 零向量与负向量
零向量是加法的单位元，与任何向量相加都保持原向量不变。负向量则是某个向量的加法逆元，两者相加得到零向量。零向量和负向量在方程求解、子空间判定以及线性关系分析中都具有基础作用。
2 典型例子
2.1 几何向量空间
几何向量空间是最直观的向量空间模型，通常以平面或三维空间中的箭头表示向量。它们保留了方向和长度的信息，适合用于描述位移、速度和力等具有方向性的量。
2.1.1 平面向量空间
平面向量空间由二维平面中的向量组成。任意两个平面向量都可以进行加法和数乘运算，并仍然得到平面内的向量。它常用于解析几何、平面运动和二维图形分析。
2.1.2 三维空间向量
三维空间向量对应于三维欧几里得空间中的向量。它们是空间几何和经典力学中的基本工具，能够表示空间中的位置变化、方向关系和空间中的线性组合。
2.2 线性代数中的标准例子
在线性代数中，许多熟悉对象都能组成向量空间。它们虽然外观不同，但在加法与数乘的定义合适时，均满足相同的公理体系，因此成为教学与理论研究中的标准范例。
2.2.1 数组空间
数组空间通常指固定长度的有序数列所构成的集合，例如所有 n 维实数组成的空间。此类空间是最常见的有限维向量空间之一，也是矩阵、线性方程组和坐标系统的重要基础。
2.2.2 矩阵空间
矩阵空间由同型矩阵构成，矩阵之间可以逐项相加，也可以用标量逐项相乘。矩阵空间在描述线性变换、数据表格以及多变量系统时十分重要。
2.2.3 多项式空间
多项式空间由次数不超过某一界限的多项式组成，或由所有多项式组成。多项式可以按系数进行加法和数乘，因此自然形成向量空间。它在插值、近似和代数方程研究中经常出现。
2.3 函数空间
函数空间由满足特定条件的函数组成。对函数进行逐点加法和数乘后，若仍留在同一类函数集合内，就可以构成向量空间。函数空间是现代数学中极重要的一类对象。
2.3.1 连续函数空间
连续函数空间由定义在某一区间或区域上的连续函数组成。函数的逐点相加与数乘仍保持连续性，因此该集合形成向量空间。它常用于分析学、微分方程与近似理论。
2.3.2 可微函数空间
可微函数空间由具有一定阶数导数的函数构成。由于求导与线性运算相容，这类函数集合在适当定义下也是向量空间。它在微分方程、动力系统和数学物理中用途广泛。
3 子空间
3.1 子空间的定义
子空间是向量空间中一个较小的集合，并且自身在同样的加法与数乘运算下仍构成向量空间。子空间保留了原空间的线性结构，因此可以看作原空间中的“线性片段”。
3.1.1 子空间判定条件
一个非空集合若对加法和数乘都封闭，并且包含零向量，那么它通常可判定为子空间。实际判断时，常通过验证任意两个元素的和仍在集合中，以及任意标量与任意元素的乘积仍在集合中来完成。
3.1.2 平凡子空间与整个空间
任何向量空间都至少包含两个显然的子空间：只含零向量的平凡子空间，以及它自身作为整个空间的子空间。这两个极端例子在理论中具有基准意义，常用于说明子空间概念的边界。
3.2 子空间的构造
子空间可以通过若干向量、多个已有子空间的组合，或特定条件筛选得到。构造子空间是研究向量空间结构的重要方式，也常用于求解线性系统和分析变换性质。
3.2.1 由给定向量生成的子空间
给定若干向量后，可以取它们所有线性组合所形成的集合，这个集合就是由这些向量生成的子空间。它是包含这些向量的最小子空间，因此在描述“这些向量能产生什么”时十分有用。
3.2.2 交与和
两个子空间的交仍是子空间，表示它们共同包含的部分；两个子空间的和则由来自两个子空间的向量相加得到。交与和是描述子空间关系的基本工具，也是直和分解的基础。
3.3 特殊子空间
某些子空间在理论和应用中出现频繁，因其与线性方程组、矩阵和线性变换密切相关，通常被单独命名并重点研究。
3.3.1 零空间
零空间是指在线性映射作用下被映到零向量的所有向量所构成的集合。它反映了映射的“消失方向”，在求解齐次方程组时尤为重要。
3.3.2 列空间
列空间由矩阵各列向量所张成，描述矩阵输出可能达到的范围。它与线性方程组是否有解、解是否唯一等问题密切相关。
3.3.3 行空间
行空间由矩阵各行向量所张成。它从另一角度刻画矩阵所包含的线性信息，与列空间同样反映矩阵的秩和结构特征。
4 线性组合与生成
4.1 线性组合
线性组合是将若干向量按标量加权后再相加得到的新向量。它是向量空间中最基本的构造方式之一，也是理解生成、相关性和基的前提。
4.1.1 线性表示
如果一个向量能够写成若干已知向量的线性组合，就称它可以被这些向量线性表示。线性表示体现了向量之间的构造关系，也为坐标表示提供了基础。
4.1.2 生成集
若一组向量的线性组合可以得到某个空间中的全部向量，那么这组向量就是该空间的生成集。生成集不一定最简，但它能够覆盖整个空间的结构。
4.2 张成空间
张成空间是由一组向量所能产生的全部线性组合构成的集合。它是“这些向量能覆盖到哪里”的严格表述。
4.2.1 张成的定义
张成指由给定向量作任意线性组合所形成的集合。这个集合自动是一个子空间，因此张成概念把向量组与子空间紧密联系起来。
4.2.2 最小生成子空间
包含给定向量组的最小子空间就是它们的张成空间。这个子空间没有多余成分，因而常被视作从一组向量出发所能得到的最精确线性范围。
4.3 相关概念
生成概念与许多基本术语联系密切，包括覆盖、约简和子集替换等。它们在处理向量组时常作为辅助思路出现。
4.3.1 生成与覆盖
生成强调用线性组合“造出”空间中的向量，覆盖则强调这些组合能够遍及整个空间。两者在表达上不同，但都指向同一核心：向量组是否足以描述整个空间。
4.3.2 生成集的简化
生成集往往可以通过删除冗余向量而简化。简化后的集合若仍能生成同一空间，则更便于计算与分析，也更接近基的形式。
5 线性相关与线性无关
5.1 定义与判定
线性相关与线性无关是衡量向量组内部关系的重要概念。它们决定了一组向量是否存在冗余，以及是否能够形成有效的坐标框架。
5.1.1 线性相关
若一组向量中存在一个向量可以表示为其余向量的线性组合，则称这组向量线性相关。等价地，也可以说存在不全为零的标量，使得这些向量的线性组合等于零向量。
5.1.2 线性无关
若只有所有标量都为零时，向量的线性组合才等于零向量，则称这组向量线性无关。线性无关意味着每个向量都提供了独立的信息，没有重复贡献。
5.2 性质与结论
线性相关与线性无关会直接影响表示方式、生成能力和结构分解，是向量空间理论中的关键判据。
5.2.1 线性组合的唯一性
当一组向量线性无关时，某些向量的线性表示具有唯一性。也就是说，如果一个向量能用这组向量表示，那么表示它的系数不会有多种不同组合，这一点在坐标理论中非常重要。
5.2.2 向量组的极大无关组
在一个向量组中，若某个无关子集已经无法再加入新向量而保持无关，则它称为极大无关组。极大无关组通常与基密切相关，是筛选最少独立信息的关键步骤。
5.3 应用
线性相关性的判断不仅用于理论证明，也广泛用于计算简化和方程组分析。
5.3.1 约化生成集
通过去掉线性相关的向量，可以把生成集约化为更小的集合。这样既保留了原有的生成能力，又减少了冗余，便于构造基。
5.3.2 判断方程组解的结构
在线性方程组研究中，线性相关性有助于判断方程是否独立、解是否唯一，以及解空间的自由度。它是分析方程组结构的重要手段。
6 基与维数
6.1 基的定义
基是既能生成整个空间、又线性无关的一组向量。它是向量空间中最经济、最完整的描述方式，类似于“坐标骨架”。
6.1.1 基向量
基中的每个向量称为基向量。基向量彼此独立，并共同张成整个空间，因此任何向量都可以通过它们唯一表示。
6.1.2 坐标表示
相对于一组基，空间中的每个向量都可以写成基向量的线性组合，其系数构成该向量的坐标。坐标表示把抽象向量转化为可计算的数值信息。
6.2 维数
维数是基中向量的个数，用来衡量向量空间的自由度或复杂程度。它反映了一个空间需要多少个独立方向才能完整描述。
6.2.1 有限维空间
若一个向量空间存在有限个基向量，则称其为有限维空间。常见的数组空间、矩阵空间和次数有限的多项式空间都属于有限维向量空间。
6.2.2 无限维空间
若任何基都含有无限多个向量，则称该空间为无限维空间。函数空间通常是典型例子，其结构比有限维空间更复杂，也更接近分析学对象。
6.3 基的性质
基不仅决定坐标系统，也影响空间内部的表示方式和计算结构。
6.3.1 基的存在性
在许多常见向量空间中，总能找到基来描述整个空间。对于有限维空间，基的存在通常可以通过逐步筛选线性无关向量获得。
6.3.2 基的唯一性问题
基本身通常并不唯一，同一个向量空间可以有许多不同的基。不过，所有基的向量个数相同，这正是维数概念得以成立的重要原因。
6.3.3 坐标变换
当改用另一组基时，向量的坐标会随之改变。不同基之间的坐标转换称为坐标变换，它在几何表示、数值计算和矩阵理论中都很常见。
7 线性映射
7.1 线性映射的定义
线性映射是保持线性结构的映射，即它对加法与数乘都兼容。它把一个向量空间中的对象对应到另一个向量空间中，同时尽量保留线性关系。
7.1.1 保加法
线性映射必须满足映射后向量和等于映射后各向量之和。这个性质保证了组合关系不会在映射过程中被破坏。
7.1.2 保数乘
线性映射还要求标量乘向量后再映射，与先映射再乘同一标量结果一致。它说明线性映射不会扭曲缩放规律。
7.2 核与像
核与像是研究线性映射结构的两个核心子空间，分别描述映射失去信息的部分和能够达到的范围。
7.2.1 核空间
核空间由所有被映为零向量的元素组成。它反映映射的退化程度，核越大，映射通常越不具备一一对应性。
7.2.2 像空间
像空间由映射后能够得到的所有结果组成。它描述了映射的输出范围，是判断映射是否“覆盖足够多”的关键对象。
7.3 线性同构
线性同构是既线性又双射的映射，它表示两个向量空间在结构上完全等价。若两个空间同构，它们在代数意义上可视作同一种空间。
7.3.1 同构判定
判断两个向量空间是否同构，通常要看是否存在保持线性结构的一一对应关系。对于有限维空间，维数相同往往是判断同构的重要依据。
7.3.2 维数相等的向量空间
在同一标量域上，有限维向量空间只要维数相等，就通常可以建立线性同构。这说明维数在有限维理论中起着分类作用。
7.4 矩阵表示
线性映射在基确定后，可以用矩阵来表达。矩阵因此成为线性映射的具体计算工具。
7.4.1 线性变换与矩阵
每个有限维线性变换都可以对应一个矩阵，该矩阵记录了基向量在映射下的像。通过矩阵运算，可以便捷地处理复合映射和方程求解。
7.4.2 基变换下的表示
更换基后，同一线性映射对应的矩阵也会改变，但映射本身并未改变。基变换下的表示变化揭示了“对象不变、坐标改变”的思想。
8 商空间与直和
8.1 商空间
商空间通过把某个子空间视作“零方向”来压缩原空间结构。它常用于描述按子空间分类后的剩余信息。
8.1.1 等价类与陪集
在商空间中，若两个向量相差一个子空间中的元素，就认为它们属于同一等价类。这些等价类也称为陪集，它们共同构成商空间的元素。
8.1.2 商空间的构造
商空间由原空间中的所有陪集组成，并定义适当的加法和数乘。这样做能把原本较大的空间按某个子空间折叠成新的向量空间。
8.2 直和
直和是将若干子空间组合成更大空间的一种方式，要求各部分之间尽量独立。它是分解向量空间的重要工具。
8.2.1 内直和
若一个空间能表示为若干子空间之和，且这种表示具有唯一性，则称为内直和。它表明空间内部存在互不重叠的结构分块。
8.2.2 外直和
外直和是把多个向量空间并列组合成新空间的方式。它从外部构造复合空间，是内直和的对应概念。
8.3 分解定理
分解定理说明很多向量空间可以拆成若干互补部分，从而便于分析和计算。
8.3.1 唯一分解
在直和结构下，每个向量都可唯一写成各子空间分量之和。唯一分解使得空间结构更清晰，也便于定义投影和坐标。
8.3.2 直和分解与维数公式
若一个空间分解为直和，则整体维数等于各部分维数之和。这一公式是维数计算和结构判断中的基本结论。
9 向量空间的扩展主题
9.1 内积空间的引入
内积是在向量空间上额外加入的一种乘法式结构，用来描述长度、角度和正交关系。它把纯代数结构扩展为更具几何意味的空间。
9.1.1 范数与距离
由内积可以导出范数，用来衡量向量长度；进一步还可以定义距离，从而讨论收敛、逼近和误差大小。これ些概念在分析和应用数学中非常重要。
9.1.2 正交性
两个向量若内积为零，则称它们正交。正交性反映了方向上的独立程度，在分解、投影与最小二乘问题中具有核心作用。
9.2 双线性形式
双线性形式是对两个向量分别线性的一种函数，它在代数、几何和微分几何中都有出现。它为研究结构不变量提供了工具。
9.2.1 对称双线性形式
若双线性形式在交换两个输入时数值不变，则称为对称双线性形式。这类形式与内积、二次型等概念关系密切。
9.2.2 交错双线性形式
若交换两个输入时符号改变，并且相同输入时取零，则称为交错双线性形式。它是外代数和行列式理论中的重要基础。
9.3 张量与外代数
张量与外代数是向量空间理论向更高层次推广的结果，常用于表达多重线性关系和方向性结构。
9.3.1 张量空间
张量空间用于组织多个向量空间之间的多重线性信息。它把复杂的线性关系统一到一个更高维的代数框架中。
9.3.2 外积空间
外积空间由向量的外积生成，强调反对称性质。它在描述面积、体积以及方向元素时非常有用。
10 向量空间的应用
10.1 解线性方程组
线性方程组是向量空间理论最典型的应用场景之一。通过将方程组转化为向量关系，可以系统分析解的存在性、唯一性与整体结构。
10.1.1 解空间结构
线性方程组的解集通常具有子空间或仿射空间的结构。特别是齐次方程组，其解集直接构成一个向量空间。
10.1.2 参数化表示
当方程组有多个解时，常可用若干自由参数来表示全部解。参数化表示把复杂的解集写成更直观的形式，便于分析和计算。
10.2 几何与物理
向量空间为几何描述与物理建模提供了统一语言。许多方向性量和线性关系都可以在这一框架中自然表达。
10.2.1 方向与位移
在几何中，向量常用于描述方向和位移。它们帮助建立坐标系统，并方便处理平移、合成和投影等问题。
10.2.2 力学中的线性模型
在力学中，力、速度、加速度等量常可用向量表示。线性模型虽然简化了真实系统，但在小范围近似和基本规律分析中非常有效。
10.3 计算与数据分析
向量空间思想已深入计算科学和数据处理领域。数据、特征和模型参数都经常被组织在向量空间中加以研究。
10.3.1 特征表示
在数据分析中，样本常被转化为特征向量，以便用线性代数方法进行比较、分类和建模。特征表示使复杂对象能够被统一编码。
10.3.2 低维近似
当高维数据中存在冗余时，可以用较少的维度近似原始信息。低维近似有助于压缩数据、降低计算成本，并突出主要结构。