域上线性空间

一、域上线性空间的定义

1.1 回顾：实数/复数上的线性空间

在线性代数中，线性空间（向量空间）通常先建立在实数 $\mathbb{R}$ 或复数 $\mathbb{C}$ 之上。其核心结构为：

一个加法交换群（向量加法）。
一个数乘运算（标量乘向量）。

学过域的概念之后，线性空间可以推广到一般域上。从代数角度看，关键并不是实数或复数的分析性质，而是运算满足哪些公理。

1.2 一般域上线性空间的定义

设 $F$ 是一个域（Field），$V$ 是一个集合。$V$ 称为 $F$ 上的线性空间（Vector Space/Linear Space over $F$），记作 $V / F$，如果满足以下条件：

$(V, +)$ 是一个交换群（Abelian group）：加法满足结合律、交换律，有零元素 $0_V$，每个元素有加法逆元。
数乘运算（Scalar Multiplication）：存在映射 $F \times V \to V$，$(a, v) \mapsto a \cdot v$（点号常省略），满足以下四条性质：
- 分配律 1（左分配律）：$a \cdot (u + v) = a \cdot u + a \cdot v$，即标量对向量加法的分配。
- 分配律 2（右分配律）：$(a + b) \cdot v = a \cdot v + b \cdot v$，即标量加法对标量乘的分配。
- 幺元性：$1_F \cdot v = v$，即域中乘法幺元数乘任何向量不变。
- 结合性：$(ab) \cdot v = a \cdot (b \cdot v)$，即域中乘法与数乘相容。

这四条性质和实数或复数上线性空间的形式完全一样，区别只在于域 $F$ 和交换群 $V$ 可以取得更广泛。

1.3 记号约定

域 $F$ 的加法幺元 $0_F$ 与 $V$ 的加法幺元 $0_V$ 在记号上不区分，都用 $0$ 表示，依靠上下文区分。
数乘的点号通常省略不写，直接写 $av$。
讨论“$F$ 上的向量空间 $V$”时，默认涉及的加法与数乘运算已由上下文确定。

二、线性空间的例子与应用

2.1 有限域上的向量空间：$\mathbb{F}_2^n$

取域 $F = \mathbb{F}_2$（二元域 $\{0, 1\}$，加法为模 2 加法，乘法为普通乘法）。

取 $V = \mathbb{F}_2^n = \{(a_1, \ldots, a_n) \mid a_i \in \mathbb{F}_2\}$，即所有长度为 $n$ 的 0-1 序列。

加法：分量模 2 相加，即 XOR 运算。
数乘：$0$ 数乘任何向量得全零向量，$1$ 数乘任何向量不变。

$\mathbb{F}_2^n$ 恰好有 $2^n$ 个元素，是有限域上向量空间的典型例子。对于编码理论、密码学等计算机领域应用，有限域上的向量空间往往比实数域上的向量空间更自然。

2.2 应用：线性编码的基本模型

线性编码是线性代数在编码理论中的经典应用模型。

问题背景：

消息在传输过程中不可避免地会发生错误，例如通信硬件问题或操作失误。
错误不可避免，但希望出错后能还原原始消息。

编码思路：

原始消息是 $K$ 位的 0-1 字符串，即 $\mathbb{F}_2^K$ 中的向量。
将它“加长”为 $N$ 位的字符串（$N > K$），加入冗余信息。
如果传输中只发生少量错误，例如错 1-2 位，可以利用冗余还原。

具体做法：

取一个 $K \times N$ 的矩阵 $G$，称为生成矩阵（Generator Matrix），假设 $G$ 是满秩的（满行秩 $K$）。
编码：将原始消息向量乘以 $G$： $(y_1, \ldots, y_N) = (x_1, \ldots, x_K) \cdot G$
解码：接收方知道 $G$。由于 $G$ 满秩，不同的 $K$ 元消息一定对应不同的 $N$ 元编码结果，所以只要解线性方程组就能还原。

纠错能力：

如果传输发生少量错误，可以利用矩阵的代数性质纠正。
选矩阵 $G$ 时需要让它具有好的纠错性质，能够快速纠正，而不是穷举。

这一模型说明，离散的有限字母表（如 0-1）比实数或复数更符合通信中的消息表示，代数结构能直接服务于纠错编码。

2.3 复数作为实数上的线性空间

取域 $F = \mathbb{R}$，$V = \mathbb{C}$。

加法：复数的加法。
数乘：实数乘复数，结果仍然是复数。

这构成一个 2 维的实线性空间。它的一组基为 $\{1, i\}$，因为任意复数可唯一写为 $a \cdot 1 + b \cdot i$，其中 $a, b \in \mathbb{R}$。

2.4 实数作为有理数上的线性空间

取域 $F = \mathbb{Q}$，$V = \mathbb{R}$。

加法：实数的加法。
数乘：有理数乘实数，即普通乘法，因为 $\mathbb{R}$ 本身有大域结构。

一般地，如果一个大域包含一个小域作为子域，那么大域一定可以做成小域上的线性空间。

这个向量空间确实有一组基，但目前没有人能明确写出来，只能在集合论公理下断言其存在。

关于这组基的规模：

有理数 $\mathbb{Q}$ 是可数（countable）集合。
实数 $\mathbb{R}$ 是不可数（uncountable）集合。
如果基是有限的，那 $\mathbb{R}$ 就变成可数集合，矛盾。
如果基是可数的，它的所有有限线性组合的规模仍不超过可数，仍然矛盾。
因此这组基必须是不可数的，且规模与 $\mathbb{R}$ 本身相同。

2.5 多项式环作为域上的线性空间

取域 $F$ 为任意域，$V = F[x]$ 为 $F$ 上的一元多项式环。

加法：多项式加法，即幂级数的分量相加。
数乘：$F$ 中元素固定乘上多项式的每个系数。

这构成 $F$ 上的向量空间。它的一组基为：

\[\{1, x, x^2, x^3, \ldots\}\]

即 $x^i$ 就是第 $i$ 个分量，从 $x^0 = 1$ 开始。

线性无关：$\sum_{i=0}^m a_i x^i = 0$（零多项式）当且仅当每个系数 $a_i = 0$。
生成性：任何多项式都可以写成有限个 $x^i$ 的线性组合，因为多项式从某一位开始系数全为 0。

表达式 $\sum_{i=0}^\infty a_i x^i$ 在一般域上只是一个形式记号，它不代表无限求和。在抽象域上，无限求和通常没有定义，有意义的只有有限次运算。

这一组基是无限集合，因此 $F[x]$ 是无限维向量空间。

三、线性空间的基本性质

以下三条性质都很基本，但需要从公理出发加以验证，因为抽象向量空间未必有具体坐标表达式。

3.1 零标量乘任何向量得零向量

\[0_F \cdot v = 0_V \quad (\forall v \in V)\]

证明思路：利用 $0_F = 0_F + 0_F$ 和分配律：

\[0_F \cdot v = (0_F + 0_F) \cdot v = 0_F \cdot v + 0_F \cdot v\]

在交换群 $V$ 中消去 $0_F \cdot v$ 得 $0_F \cdot v = 0_V$。

3.2 任何标量乘零向量得零向量

\[a \cdot 0_V = 0_V \quad (\forall a \in F)\]

证明思路：利用 $0_V = 0_V + 0_V$ 和分配律，与上一性质类似。

3.3 非零标量的消去律

若 $a \in F$ 且 $a \neq 0$，$v, w \in V$，则：

\[a \cdot v = a \cdot w \;\Longrightarrow\; v = w\]

等价表述：若 $a \neq 0$ 且 $a \cdot v = 0_V$，则 $v = 0_V$。

这条性质是域上线性空间区别于环上模的关键。它依赖于域中每个非零元素都有乘法逆元，在讨论线性相关与线性无关时会反复使用。

证明思路：若 $a \neq 0$，则存在 $a^{-1} \in F$，利用结合性：

\[v = 1_F \cdot v = (a^{-1} a) \cdot v = a^{-1} \cdot (a \cdot v) = a^{-1} \cdot (a \cdot w) = \cdots = w\]

3.4 域上线性空间 vs 环上模

定义引出一个自然问题：线性空间的定义看起来没有直接使用“域中每个非零元素都有逆元”，也没有直接使用乘法交换律。如果把 $F$ 换成一般的环，这个系统还能否定义？

回答是可以。当把域换成环时，得到的结构称为环上的模（Module over a Ring）。模是代数中非常重要的一类研究对象。

但域上的线性空间（向量空间）比一般环上的模具有更好的性质，核心原因就在于每个非零标量都有乘法逆元，这保证了消去律的普遍成立，进而保证线性相关和线性无关理论的简洁性。

四、线性相关与线性无关

4.1 定义

设 $V$ 是域 $F$ 上的向量空间，$v_1, \ldots, v_n \in V$，其中 $n$ 为正整数。

线性相关（Linearly Dependent）：存在不全为零的标量 $a_1, \ldots, a_n \in F$，使得 $\sum_{i=1}^n a_i v_i = 0_V$
线性无关（Linearly Independent）：若 $\sum_{i=1}^n a_i v_i = 0_V$，则必有 $a_1 = a_2 = \cdots = a_n = 0_F$。

这一定义与实数上线性代数中的定义完全一致，只是标量取自一般的域。

4.2 如何判断线性相关/无关：行变换方法

以 $\mathbb{R}^3$ 中的三个向量为例，常用判断方法如下：

将向量拼成一个矩阵。
通过初等行变换（Elementary Row Operations）将矩阵化为上三角或阶梯形。
观察是否有全零行。初等行变换不改变向量组的线性相关性。

关键：初等行变换在一般域上同样可行。

操作	实数上	一般域上
交换两行	不影响	不影响
某行乘以非零数	乘以实数	乘以域中非零元素，逆变换是乘以其逆元
某行加到另一行	加法	域中加法

在一般域上做行变换时，关键是乘非零数时有逆元素可用，这正是域的性质保证的。

对于上三角矩阵，只要将对角线元素相乘（求行列式），若行列式非零则可逆，对应的行向量组线性无关。

五、基与维数

5.1 基的定义

设 $V$ 是域 $F$ 上的向量空间，$S \subseteq V$ 是 $V$ 的一个子集。$S$ 称为 $V$ 的一组基（Basis），如果满足：

线性无关：$S$ 中任意有限个两两不同的元素在 $F$ 上线性无关。
生成性（Spanning）：$V$ 中任意一个元素都可以写成 $S$ 中有限个元素的线性组合： $v = a_1 v_1 + a_2 v_2 + \cdots + a_n v_n \quad (v_i \in S,\; a_i \in F)$

定义中强调“有限”是因为在一般交换群上，无限求和没有意义，群运算本质上只能做有限次。强调“两两不同”是因为若 $v_1 = v_2$，则 $1 \cdot v_1 + (-1) \cdot v_2 = 0$，会平凡地线性相关。

5.2 例子回顾

向量空间	域	一组基	元素个数
$\mathbb{R}^3$	$\mathbb{R}$	标准基 $\{e_1, e_2, e_3\}$	3（有限维）
$\mathbb{F}_2^n$	$\mathbb{F}_2$	$n$ 个标准向量	$n$（有限维）
$\mathbb{C} / \mathbb{R}$	$\mathbb{R}$	$\{1, i\}$	2（有限维）
$F[x]$	$F$	$\{1, x, x^2, \ldots\}$	可数无限（无限维）
$\mathbb{R} / \mathbb{Q}$	$\mathbb{Q}$	存在但不可明确写出	不可数（无限维）

5.3 基的构造：一个朴素的方法

对于抽象向量空间，可以用朴素递归方式构造一组基：

若 $V = \{0\}$，约定空集 $\varnothing$ 为基。
否则，取 $v_1 \in V$，$v_1 \neq 0$。
检查：$V$ 中每个元素是否都能写成 $v_1$ 的线性组合？
- 若是，则 $\{v_1\}$ 就是一组基，停止。
- 若否，存在 $v_2$ 不能写成 $v_1$ 的线性组合。此时 $v_1, v_2$ 必线性无关。
检查：$V$ 中每个元素是否都能写成 $v_1, v_2$ 的线性组合？
- 若是，$\{v_1, v_2\}$ 就是一组基，停止。
- 若否，继续取 $v_3$。
如此继续。

如果步骤在有限步后停止，则 $V$ 是有限维（Finite-dimensional）的。
如果永远不停止，则 $V$ 是无限维（Infinite-dimensional）的。

在承认选择公理、Zorn 引理等集合论工具的框架下，可以断言任何向量空间都存在一组基，并且总可以通过类似操作得到。不过这一过程的步数不一定有限，甚至不一定可数。

5.4 有限维与维数

如果一个向量空间有一组基含有有限个元素，则称它为有限维向量空间。

若有无限基，笼统地称为无限维向量空间。

维数（Dimension）的定义：有限维向量空间 $V$ 的维数 $\dim_F V$，是其任意一组基所含元素的个数。记 $V$ 是 $n$ 维的：$\dim_F V = n$。

六、维数定义的合理性：关键命题及其推论

维数定义的合理性在于：不同的基具有相同个数的元素。这并非显然。例如，为什么 $\mathbb{R}^3$ 不能有一组含 4 个元素的基？

对于具体例子，如 $\mathbb{R}^3$ 或 $\mathbb{C}/\mathbb{R}$，结论看似直观；但在一般域和抽象向量空间中，不能依赖具体几何图像，必须从公理出发证明。

6.1 关键命题

命题：设 $v_1, \ldots, v_n$ 和 $w_1, \ldots, w_{n+1}$ 是 $V$ 中的两组向量。如果每个 $w_i$ 都可以写成 $v_1, \ldots, v_n$ 在 $F$ 上的线性组合：

\[w_i = \sum_{j=1}^n a_{ij} v_j \quad (a_{ij} \in F,\; i = 1, \ldots, n+1)\]

那么 $w_1, \ldots, w_{n+1}$ 必然线性相关。

通俗地说，如果一组更多的向量可以用一组更少的向量线性表示出来，那么这组多的向量一定是线性相关的。

6.2 推论：维数定义的合理性

由关键命题可直接推出：

推论：设 $V$ 是 $F$ 上的向量空间。若 $S_1$ 和 $S_2$ 是 $V$ 的两组基，且 $S_1$ 含 $n$ 个元素，则 $S_2$ 也恰好含 $n$ 个元素。

证明概要（反证法）：

若 $|S_2| < n$：由于 $S_2$ 是基，$S_1$ 中每个元素都可以由 $S_2$ 线性表示。少者表示多者，由命题知 $S_1$ 线性相关，与 $S_1$ 是基矛盾。
若 $|S_2| > n$（包括无限情形）：取 $S_2$ 中 $n+1$ 个两两不同的元素。由于 $S_1$ 是基，这 $n+1$ 个元素都可由 $S_1$ 线性表示。由命题知它们线性相关，与 $S_2$ 作为基的线性无关性矛盾。
故只能 $|S_2| = n$。

因此维数 $\dim_F V$ 的定义是合法的：无论取哪一组基，元素个数一样。

七、关键命题的归纳证明

该命题可用数学归纳法对 $n$ 证明。

7.1 归纳基础：$n = 1$

此时 $w_1, w_2$ 都可以由 $v_1$ 线性表示：

\[w_1 = a v_1, \quad w_2 = b v_1 \quad (a, b \in F)\]

分两种情况：

$a, b$ 不全为零：则 $b \cdot w_1 = b \cdot (a v_1) = ab \cdot v_1 = a \cdot (b v_1) = a \cdot w_2$，故 $b \cdot w_1 + (-a) \cdot w_2 = 0$，其中系数 $b, -a$ 不全为零，因此 $w_1, w_2$ 线性相关。
$a = b = 0$：此时 $w_1 = w_2 = 0_V$。含零向量的向量组一定线性相关，给零向量配非零系数，其余配零系数即可。

含零向量的向量组永远是线性相关的，这是处理退化情况时需要特别注意的事实。

7.2 归纳步骤：假设对 $n-1$ 成立，证对 $n$ 成立

已知每个 $w_i$（$i = 1, \ldots, n+1$）可写成：

\[w_i = \sum_{j=1}^n a_{ij} v_j\]

考察 $v_n$ 在各 $w_i$ 中的系数 $a_{in}$。

情况 1：至多只有一个 $i$ 使得 $a_{in} \neq 0$。

不妨设这个 $i = n+1$，即 $a_{1n} = \cdots = a_{nn} = 0$。

此时 $w_1, \ldots, w_n$ 都可以由 $v_1, \ldots, v_{n-1}$ 线性表示。由归纳假设，$w_1, \ldots, w_n$ 线性相关。既然其中一部分已经线性相关，整个 $w_1, \ldots, w_{n+1}$ 也必然线性相关，给多余的向量配零系数即可。

情况 2：至少有两个 $i$ 使得 $a_{in} \neq 0$。

调整顺序，不妨设 $a_{n,n} \neq 0$ 和 $a_{n+1,n} \neq 0$。

构造新向量：

\[\tilde{w}_i = w_i - \frac{a_{in}}{a_{n+1,n}} \cdot w_{n+1} \quad (i = 1, \ldots, n)\]

这个构造的关键是：通过调整系数，$\tilde{w}_i$ 中 $v_n$ 的系数被消为 $0$。因此每个 $\tilde{w}_i$ 都可以由 $v_1, \ldots, v_{n-1}$ 线性表示。

由归纳假设，$\tilde{w}_1, \ldots, \tilde{w}_n$ 线性相关，即存在不全为零的 $b_1, \ldots, b_n$ 使得：

\[\sum_{i=1}^n b_i \tilde{w}_i = 0\]

将 $\tilde{w}_i = w_i - c_i \cdot w_{n+1}$ 代入，整理得：

\[\sum_{i=1}^n b_i w_i - \left(\sum_{i=1}^n b_i c_i\right) w_{n+1} = 0\]

其中 $b_1, \ldots, b_n$ 不全为零，因此这是一个系数不全为零的 $w_1, \ldots, w_{n+1}$ 的线性组合等于零，所以 $w_1, \ldots, w_{n+1}$ 线性相关。

这个证明的核心思想是：把多出来的向量通过线性组合消去 $v_n$ 的系数，从而将问题归结为更少变量的情况。

证明完成。

7.3 用矩阵的直观理解（非严格证明）

对于熟悉线性代数的读者，可以这样直观理解：

将系数写成 $(n+1) \times n$ 矩阵 $A = (a_{ij})$。由于列数 $n$ 小于行数 $n+1$，该矩阵的行秩最多为 $n$，因此 $n+1$ 个行向量必然线性相关。

这种矩阵论证目前在一般域上还没有严格定义“矩阵的秩”，所以暂时不能作为严格证明，只能作为直观帮助。抽象线性空间中的严格论证仍需依赖上面的归纳证明。

从一般域上的向量空间到基与维数定义