主要内容

高等代数 多项式与线性代数

6.1 一般线性空间的定义与举例

子节 6.1.1 一般线性空间的定义

章 4中,\(m\)维列向量空间是基于\(m\)维列向量的加法和数乘定义的。而定义在列向量空间\(\F^{m}\)上的加法运算可以看成从笛卡尔积(见附录B.1\(\F^{m} \times \F^{m}\)对应的集合到\(\F^{m}\)的一种特殊映射(见附录B.2),而列向量空间\(\F^{m}\)下的数乘可以看出是从集合\(\F \times \F^{m}\)\(\F^{m}\)的另一种特殊映射。 从这个视角看,运算的本质是满足特定规则的集合间的映射。因此,我们可以基于希望满足的规则把列向量的加法和数乘抽象地推广到\(\F^{m}\)以外的其他集合上。
定理4.1.11列举了\(m\)维列向量的代数性质。 我们从中整理出加法所满足的5条性质,用以定义一般集合上的抽象加法运算。

定义 6.1.1.

\(V\)是一个非空集合。定义\(V\)上的加法(记为\(+\))为满足下面要求的运算法则: 对任意\(\alpha, \beta \in V\),按该运算法则,存在唯一的对应元素,记为\(\alpha + \beta\),并且运算法则\(+\)还满足
  1. 封闭性:\(\alpha + \beta \in V\)
  2. 交换律:\(\alpha + \beta = \beta + \alpha\)\(\forall \alpha, \beta \in V\)
  3. 结合律:\(\alpha + (\beta + \gamma) = (\alpha + \beta) + \gamma\)\(\forall \alpha, \beta, \gamma \in V\)
  4. 零元:存在\(V\)中某个元素,记为\(0\),使得\(\alpha + 0 = 0 + \alpha = \alpha\)\(\forall \alpha \in V\)
  5. 负元:对任意\(\alpha \in V\),存在\(V\)中元素\(\beta\)使得\(\alpha + \beta = \beta + \alpha = 0\)
在定义了抽象加法的一般集合上,我们可以进一步抽象定理4.1.11中的代数性质用以定义抽象数乘运算。

定义 6.1.2.

\(V\)为定义了加法“\(+\)”的非空集合,\(\F\)为一个数域。\(V\)\(\F\)上的数乘(记为\(\cdot\))为满足下面要求的运算法则:对任意\(c \in \F\)\(\alpha \in V\),按该运算法则,存在唯一的对应元素,记为\(c \cdot \alpha\)(一般简记为\(c \alpha\)),并且数乘法则还满足
  1. 封闭性:\(c \alpha \in V\)\(\forall c \in \F, \alpha \in V\)
  2. 有数乘单位元:\(1\alpha = \alpha\)\(\forall \alpha \in V\)
  3. 数乘与向量加法的分配律:\(c (\alpha + \beta) = c \alpha + c \beta\)\(\forall \alpha, \beta \in V, \forall c \in \F\)
  4. 数字加法与数乘的分配律:\((c+d) \alpha = c \alpha + d \alpha\)\(\forall c,d \in \F, \forall \alpha \in V\)
  5. 数字乘法与数乘的结合律:\((cd) \alpha = c (d \alpha)\)\(\forall c,d \in \F, \forall \alpha \in V\)
基于上述抽象的加法和数乘运算(统称线性运算),我们可以定义一般线性空间。

定义 6.1.3.

设有非空集合\(V\)和数域\(\F\),在\(V\)\(\F\)上定义了满足定义6.1.1的加法运算\((+)\)和满足定义6.1.2的数乘运算\((\cdot)\),则称三元组\((V, +, \cdot)\)是数域\(\F\)上的线性空间(又称向量空间),\(V\)中元素称为向量。当加法和数乘运算在上下文中清楚时,我们将线性空间简记为\(V\)

子节 6.1.2 线性空间举例

在本小节中,我们将列举一系列线性空间的例子。希望初学者可以从这些例子体会到一般线性空间极广的适用范围以及代数学抽象思维方式的特色。
验证一个定义了加法和数乘的代数系统是一个线性空间,需要先验证加法和数乘的封闭性,之后再验证定义6.1.1和定义6.1.2中的10条性质。下面多数例子的验证都较为容易,请读者留作练习。
首先,我们从大家最为熟悉的数的加法和乘法开始。

6.1.4. 数域构成的线性空间.

  • 实数域\(\R\)关于实数的加法和乘法构成\(\R\)上的线性空间;
  • 复数域\(\C\)关于复数的加法和乘法构成\(\C\)上的线性空间;
  • 更一般地,任意数域\(\F\)关于\(\F\)上的加法与乘法构成\(\F\)上的线性空间。

备注 6.1.5.

实数域\(\R\)关于复数的加法和乘法并不构成\(\C\)上的线性空间,因为此时数乘并不封闭。
接下来,我们考虑本书前序章节中的一些例子。第4章中所介绍的列向量空间是一般线性空间的特例。

6.1.6. 列向量空间.

数域\(\F\)上的有限维列向量空间\(\F^{m}\)关于列向量的加法和数乘构成\(\F\)上的线性空间。
列向量空间\(\F^{m}\)的任意子空间也都构成线性空间。

6.1.7. 列向量空间的子空间.

\(V\)\(\F^{m}\)的一个子空间,则\(V\)关于列向量的加法和数乘构成\(\F\)上的线性空间。
特别地,设\(A\)为数域\(\F\)上的\(m \times n\)矩阵,线性方程组\(AX = 0\)的解空间\(\{X \in \F^{n} \mid AX = 0\}\)关于\(n\)维列向量的加法和数乘构成\(\F\)上的线性空间。
除此之外,同型矩阵也构成线性空间。

6.1.8. 矩阵空间.

数域\(\F\)上的所有\(m \times n\)阶矩阵构成的集合,记为\(\F^{m \times n}\),关于矩阵的加法和数乘构成\(\F\)上的线性空间。
本书第1章中所介绍的一元多项式集合也能构成线性空间。

6.1.9. 多项式空间.

数域\(\F\)上以\(x\)为变元的所有一元多项式,记为\(\F[x]\),关于多项式的加法和数乘构成\(\F\)上的线性空间。

6.1.10. 有限次多项式空间.

数域\(\F\)上以\(x\)为变元的所有次数不超过\(d\)的一元多项式,记为\(\F_{d}[x]\),关于多项式的加法和数乘构成\(\F\)上的线性空间。
除了上述在前述章节中已经见过的对象外,许多本书中尚未见过的数学对象也能构成线性空间。例如,下面一些在数学分析中讨论的对象可构成线性空间。

6.1.11. 数列空间.

所有收敛于\(0\)的实数列关于数列的加法和数乘构成\(\R\)上的线性空间。

6.1.12. 函数空间.

\([a,b]\)为实数域\(\R\)上的闭区间,则下列集合关于函数的加法和数乘都构成\(\R\)上的线性空间。
  • 所有在\([a,b]\)上连续的函数集合,记为\(C^{0}[a,b]\)(或简记为\(C[a,b]\));
  • \(k \geq 1\)为正整数,所有在\([a,b]\)\(k\)阶可导且\(k\)阶导函数连续的函数集合,记为\(C^{k}[a,b]\)
  • 所有在\([a,b]\)上光滑的函数集合(即任意阶导函数均存在且连续),记为\(C^{\infty}[a,b]\)

6.1.13. 可微函数空间.

所有在\([a,b]\)上可微的函数,记为\(D[a,b]\),关于函数的加法和数乘构成\(\R\)上的线性空间。
上述所有例子中的加法与乘法都是大家所比较熟悉的运算。在本节的最后,我们将介绍一个由非标准的“加法”与“乘法”定义的线性空间,由此展现抽象线性空间的特别之处。大家将在习题中看到更多“非标准”线性空间的特殊例子。

6.1.14. 特殊运算构成的线性空间.

\(V = \{ x \in \R \mid x > 0 \}\)为所有正实数构成的集合,取数域\(\R\)。定义\(V\)上的加法与数乘如下:
  1. 加法: \(x \boxplus y := x y, \forall x, y \in V\),即正实数\(x\)\(y\)“相加”被定义为\(x\)\(y\)在实数意义下的乘积;
  2. 数乘:\(c \boxdot x := x^{c}, \forall x \in V, c \in \R\),即实数\(c\)与正实数\(x\)的“数乘”被定义为\(x\)\(c\)次幂。
下面我们验证\(V\)关于上述加法和数乘构成\(\R\)上的线性空间。
首先,对于任意正实数\(x, y \in V\)和任意实数\(c \in \R\),显然有\(x \boxplus y \in V\)\(c \boxdot x \in V\),故\(\boxplus\)\(\boxdot\)\(V\)上封闭。
之后,验证\(\boxplus\)\(\boxdot\)满足定义6.1.1和定义6.1.2中的10条性质。
  • \(\boxplus\)的交换律源于实数乘法满足交换律;
  • \(\boxplus\)的结合律源源于实数乘法满足结合律;
  • \(\boxplus\)下的零向量为正实数\(1\)
  • \(\boxplus\)\(x \in V\)的负向量为\(1/x\)
  • \(\boxdot\)下的单位元为实数\(1\)
  • 对于任意\(x, y \in V\)以及\(c \in \R\),我们有\(c \boxdot (x \boxplus y) = (xy)^{c} = x^{c} y^{c} = (c \boxdot x) \boxplus (c \boxdot y)\)
  • 对于任意\(c, d \in \R\)以及\(x \in V\),我们有\((c + d) \boxdot x = x^{c+d}= x^{c} x^{d} = (c \boxdot x) \boxplus (d \boxdot x)\)
  • 对于任意\(c, d \in \R\)以及\(x \in V\),我们有\((cd) \boxdot x = x^{cd}= (x^{d})^{c} = c \boxdot (d \boxdot x)\)
在本小节的最后,我们介绍一些日常生活中的例子与线性空间的关系。

6.1.15. 颜色空间.

在计算机中用以描述颜色的RGB系统使用红色、绿色和蓝色三个分量的强度表示一种颜色。这样的颜色系统可以使用三维列向量空间表示,即\((R,G,B)^T \in \R^{3}\)对应了红色强度为\(R\),绿色强度为\(G\),蓝色强度为\(B\)的颜色。
此时,三维列向量的加法对应了颜色的混合,数乘对应了亮度的调整。
不过要指出的是,实际在计算机中,\(R,G,B\)是从\(0\)\(255\)的整数,而不是实数。因此,具体计算需要进行非线性的矫正,具体的颜色系统并不是完全是线性的。但线性空间可以作为初步的理论模型。

6.1.16. 图像空间.

在第2.2.5节中,我们已经看到灰度图像可以用矩阵表示。此时,灰度图像的叠加对应了矩阵加法,而灰度图像的对比度调节对应了结合矩阵加法和数乘的混合线性运算。

6.1.17. 大语言模型内部表示空间.

自从Open AI在2022年推出颠覆性的ChatGPT之后,基于大语言模型的技术掀起了全人类社会范围内的人工智能技术化革命。线性空间/线性代数理论为大语言模型技术提供了底层的理论支持。我们在此对其中的联系进行非常简略的介绍。
从比较直观的角度来说,大语言模型在其内部将某种语言中的基本词汇(或是相应的基本概念),如“国王”、“王后”等,用一个高维线性空间中的向量表示。这些向量是通过对海量的文本数据进行学习训练得到的。对这些向量进行加法、减法、数乘运算对应了一些基本的概念推理。例如:“国王”与“王后”所对应的向量相减得到的向量会近似地等于“公鸡”与“母鸡”所对应向量的差。
在这个高维线性空间的内部表示模型基础之上,大语言模型通过注意力机制、扩散模型等更高级的技术可以实现生成符合人类表达习惯的文本的功能。

子节 6.1.3 线性运算的基本性质

\(V\)为数域\(\F\)上的线性空间,本节将讨论\(V\)上加法与数乘的一些基本性质。 虽然这些性质在大家所熟知的数字加法和乘法中是显然的,但是值得强调的是本节完全脱离线性空间中向量的具体含义,仅仅根据定义6.1.1和定义6.1.2中两种运算法则所满足的10条性质推导出这些结论。
从定义6.1.1不难看出\(V\)上的加法满足如下一些性质。

证明.

\(0, 0' \in V\)都满足零向量的性质,则
\begin{equation*} 0 = 0 + 0' = 0' + 0 = 0'. \end{equation*}

证明.

\(\beta, \beta' \in V\)都是\(\alpha\)的负向量,则由负向量的性质和向量加法的结合律可知
\begin{equation*} \beta = \beta + 0 = \beta + (\alpha + \beta') = (\beta + \alpha) + \beta' = 0 + \beta' = \beta'. \end{equation*}

备注 6.1.20.

利用负向量的唯一性可以定义向量间的减法\(-\)):
\begin{equation*} \alpha - \beta := \alpha + (-\beta), \quad \forall \alpha, \beta \in V. \end{equation*}

证明.

由零向量的性质,以及加法的结合律和交换律,我们有
\begin{equation*} \beta = \beta + 0 = \beta + (\alpha - \alpha) = (\beta + \alpha) - \alpha = (\gamma + \alpha) - \alpha = \gamma + (\alpha - \alpha) = \gamma. \end{equation*}
由数乘的定义6.1.2,我们可以得到\(V\)与数乘有关的一些性质。 首先,使用数域\(\F\)中的数字零进行数乘将得到线性空间\(V\)中的零向量。在本小节中,为了便于区分,我们记数字零为\(0_{\F}\),记零向量为\(0_{V}\)。在后续章节中,简洁起见,我们将忽略下标,请读者从上下文中区分是数字零或是零向量。

证明.

对于任意\(\alpha \in V\),由数字加法与数乘的分配律可得
\begin{equation*} 0_{\F}\alpha = (0_{\F}+ 0_{\F}) \alpha = 0_{\F}\alpha + 0_{\F}\alpha. \end{equation*}
等式两边同时加上\(0_{\F}\alpha\)的负向量可完成证明。
另一方面,对\(V\)中的零向量进行任意的数乘,得到的还是零向量。

证明.

对于任意\(c \in \F\)
\begin{equation*} c 0_{V} = c(0_{V} + 0_{V}) = c 0_{V} + c 0_{V}. \end{equation*}
等式两边同时加上\(c 0_{V}\)的负向量可完成证明。
最后,使用数域\(\F\)中的数字\(-1\)数乘一个向量将得到相应的负向量。

证明.

由数字加法与数乘的分配律,以及数字零的数乘得
\begin{equation*} \alpha + (-1) \alpha = (1-1) \alpha = 0_{\F}\alpha = 0_{V}. \end{equation*}
因此,\((-1)\alpha\)即为\(\alpha\)的负向量。

子节 6.1.4 从列向量空间到一般线性空间

4章的列向量空间是一般线性空间的一个特例,但是我们在4中针对列向量空间所定义的许多概念,如:线性组合(定义4.1.2)、线性相关/无关(定义4.2.1, 4.2.2)、向量组的线性表示与等价关系(定义4.3.11)、极大无关组(定义4.3.6)、向量组的秩(定义4.3.17)、子空间(定义4.4.1)/生成子空间(定义4.3.3)、空间的基和维数(定义4.4.11, 4.4.14)、交空间(定义4.4.5)、和空间(定义4.4.8)、子空间的直和(定义4.4.20)等等,以及它们的多数性质都可以直接推广到一般线性空间上。例如:
  • 数域\(\F\)上的线性空间\(V\)中的向量\(\alpha\)可被向量组\(\alpha_{1}, \ldots, \alpha_{n} \in V\)线性表出当且仅当存在\(c_{1}, \ldots, c_{n} \in \F\)使得
    \begin{equation*} \alpha = c_{1} \alpha_{1} + \cdots + c_{n} \alpha_{n}; \end{equation*}
  • 向量组\(\alpha_{1}, \ldots, \alpha_{n} \in V\)线性无关当且仅当\(V\)中的零向量被\(\alpha_{1}, \ldots, \alpha_{n}\)线性表出的方式唯一,即所有系数均为\(0\)
  • \(\alpha_{1}, \ldots, \alpha_{n} \in V\)是线性空间\(V\)的基当且仅当\(\alpha_{1}, \ldots, \alpha_{n}\)线性无关且\(V\)中所有向量都可由\(\alpha_{1}, \ldots, \alpha_{n}\)线性表出;
  • 线性空间\(V\)的维数是\(V\)的一组基中的向量个数。
其他一些相关概念的推广是显而易见的,因此我们不再赘述相关的定义。

备注 6.1.25.

  • 对于一般线性空间来说,有可能不存在有限个向量构成的基,比如:例6.1.9、例6.1.12和例6.1.13中的线性空间。我们称此类线性空间为无穷维线性空间。无穷维线性空间的一些性质与有限维线性空间相比有显著的不同,本书中将重点关注较为简单的有限维线性空间理论,仅在举例时个别地提及无穷维线性空间的例子。
  • 4章中,有少数概念和结论需要特别地用到列向量的具体形式,如初等行变换不改变列向量组的秩(见第4.3.4节)等,请读者注意区分。
下面,我们通过几个例题展示上述线性代数基本概念在一般线性空间中的推广。

6.1.26. 线性无关.

考虑在\([-\pi, \pi]\)区间上连续函数构成的线性空间\(C[-\pi, \pi]\),我们有函数\(e^{x}, x, \sin x \in C[-\pi, \pi]\)。证明:\(e^{x}, x, \sin x\)线性无关。
解答.
设存在\(a, b, c \in \R\)使得\(a e^{x} + b x + c \sin x = 0\),则分别将\(x = 0, \pi, 1\)代入上述等式可得
\begin{equation*} \begin{cases}&a = 0 \\&a e^{\pi}+ b \pi = 0 \\&a e + b + c \sin 1 = 0\end{cases}. \end{equation*}
解线性方程组得\(a=b=c=0\)。因此,\(e^{x}, x, \sin x\)线性无关。

6.1.27. 子空间、基与维数.

考虑数域\(\F\)\(n\)阶矩阵的集合
\begin{equation*} V = \{ A \in \F^{n \times n}\mid {\rm tr}(A) = 0 \}, \end{equation*}
其中\({\rm tr}(A)\)是矩阵\(A\)的迹,即对角线元素的和\(\sum_{i=1}^{n} a_{ii}\)。 证明\(V\)\(\F^{n \times n}\)的子空间,并求\(V\)的基和维数。
解答.
首先验证\(V\)\(\F^{n \times n}\)的子空间。任取矩阵 \(A, B \in V\),根据\(V\)的定义有 \({\rm tr}(A) = 0\)\({\rm tr}(B) = 0\),且
\begin{equation*} {\rm tr}(A + B) = \sum_{i=1}^{n} a_{ii}+ b_{ii}= \sum_{i=1}^{n} a_{ii}+ \sum_{i=1}^{n} b_{ii}= {\rm tr}(A) + {\rm tr}(B) = 0. \end{equation*}
因此, \(A + B \in V\)。此外,任取\(c \in \F\)
\begin{equation*} {\rm tr}(cA) = \sum_{i=1}^{n} c a_{ii}= c \sum_{i=1}^{n} a_{ii}= c {\rm tr}(A) = 0. \end{equation*}
因此,\(cA \in V\)。矩阵加法和数乘关于\(V\)封闭,所以\(V\)构成\(\F^{n \times n}\)的一个子空间。下面,求\(V\)的基和维数。为了给出一组基,令 \(E_{ij}\) 表示第 \(i\) 行第 \(j\) 列元素为 \(1\),其余元素全为 \(0\) 的基本矩阵。我们构造以下两类矩阵:
  • 非对角位置:对于所有的 \(i \neq j\)(共 \(n^{2} - n\) 个),因为 \(E_{ij}\) 的主对角线元素全是 \(0\),所以 \({\rm tr}(E_{ij}) = 0\),即 \(E_{ij}\in V\)
  • 对角位置:对于 \(i = 1, 2, \dots, n-1\)(共 \(n - 1\) 个),考虑\(E_{ii}- E_{nn}\)。其迹为 \({\rm tr}(E_{ii}- E_{nn}) = 1 - 1 = 0\),即 \(E_{ii}- E_{nn}\in V\)
将这两类矩阵放在一起,得到含\(n^{2} - 1\) 个矩阵的集合:
\begin{equation*} \mathcal{B}= \{ E_{ij}\mid 1 \le i, j \le n, i \neq j \} \cup \{ E_{ii}- E_{nn}\mid 1 \le i \le n-1 \} \subseteq \F^{n \times n}. \end{equation*}
首先,说明\(V\)中的任意矩阵可由\(\mathcal{B}\)中矩阵线性表出。 设矩阵 \(A = (a_{ij})_{n \times n}\in V\),由于 \({\rm tr}(A) = 0\),我们有:
\begin{equation*} \sum_{i=1}^{n}a_{ii}= 0 ~~\implies~~ a_{nn}= -\sum_{i=1}^{n-1}a_{ii}. \end{equation*}
因此,
\begin{equation*} \sum_{i=1}^{n} a_{ii}E_{ii}= \sum_{i=1}^{n-1}a_{ii}E_{ii}+ \left(-\sum_{i=1}^{n-1}a_{ii}\right) E_{nn}= \sum_{i=1}^{n-1}a_{ii}(E_{ii}- E_{nn}). \end{equation*}
由此,矩阵\(A\)可线性表示为
\begin{equation*} A = \sum_{i,j=1}^{n} a_{ij}E_{ij}= \sum_{i \neq j}a_{ij}E_{ij}+ \sum_{i=1}^{n-1}a_{ii}(E_{ii}- E_{nn}). \end{equation*}
最后,验证线性无关性。 假设存在一组数\(c_{ij}, k_{i}\)使得:
\begin{equation*} \sum_{i \neq j}c_{ij}E_{ij}+ \sum_{i=1}^{n-1}k_{i} (E_{ii}- E_{nn}) = 0. \end{equation*}
观察等号左边组合出的矩阵:
  • 对于任意\(i \neq j\),该矩阵在 \((i, j)\) 位置(\(i \neq j\))的元素正好是 \(c_{ij}\),所以 \(c_{ij}= 0\)
  • 对于任意\(i \in [n]\),该矩阵在 \((i, i)\) 位置(\(i = 1, \dots, n-1\))的元素正好是 \(k_{i}\),所以 \(k_{i} = 0\)
因此,集合 \(\mathcal{B}\) 中的所有矩阵是线性无关的。由于 \(\mathcal{B}\) 包含 \(n^{2} - 1\) 个矩阵,且 \(\dim V = n^{2} - 1\),所以 \(\mathcal{B}\)中的矩阵可构成\(V\) 的一个基。

6.1.28. 子空间直和.

考虑所有次数不超过 \(d\) 的实系数多项式构成的线性空间\(\mathbb{R}_{d}[x]\)。 设 \(U\)\(\mathbb{R}_{d}[x]\) 中所有偶多项式构成的子空间,即 \(U = \{ p(x) \in \mathbb{R}_{d}[x] \mid p(-x) = p(x) \}\)\(W\)\(\mathbb{R}_{d}[x]\) 中所有奇多项式构成的子空间,即 \(W = \{ p(x) \in \mathbb{R}_{d}[x] \mid p(-x) = -p(x) \}\)。证明:\(\mathbb{R}_{d}[x] = U \oplus W\)
解答.
请读者自行验证\(U\)\(W\)构成\(\mathbb{R}_{d}[x]\)的子空间。
要证明\(\mathbb{R}_{d}[x] = U \oplus W\),需验证以下两个条件:
  1. \(\mathbb{R}_{d}[x] = U + W\)
  2. \(U \cap W = \{ 0 \}\) (其中 \(0\) 表示零多项式)。
首先证明 \(V = U + W\)。 对任意多项式 \(f(x) \in \mathbb{R}_{d}[x]\),我们可以将其恒等变形为:
\begin{equation*} f(x) = \frac{f(x) + f(-x)}{2}+ \frac{f(x) - f(-x)}{2} \end{equation*}
构造两个新的多项式:
\begin{equation*} g(x) = \frac{f(x) + f(-x)}{2}, \quad h(x) = \frac{f(x) - f(-x)}{2} \end{equation*}
由于 \(f(x)\) 的次数不超过 \(d\),显然 \(f(-x)\) 的次数也不超过 \(d\),因此 \(g(x)\)\(h(x)\) 的次数也都不超过 \(d\),即 \(g(x), h(x) \in \mathbb{R}_{d}[x]\)
我们验证\(g(x),h(x)\)的奇偶性。对于 \(g(x)\),有:
\begin{equation*} g(-x) = \frac{f(-x) + f(-(-x))}{2}= \frac{f(-x) + f(x)}{2}= g(x) \end{equation*}
\(g(x) \in U\)
对于 \(h(x)\),有:
\begin{equation*} h(-x) = \frac{f(-x) - f(-(-x))}{2}= \frac{f(-x) - f(x)}{2}= -h(x) \end{equation*}
\(h(x) \in W\)
这说明任意多项式 \(f(x) \in \mathbb{R}_{d}[x]\) 皆可表示为 \(U\) 中的元素与 \(W\) 中的元素之和,因此 \(\mathbb{R}_{d}[x] = U + W\)
接着证明 \(U \cap W = \{ 0 \}\)。 设多项式 \(p(x) \in U \cap W\)。 因为 \(p(x) \in U\),所以 \(p(-x) = p(x)\)。 因为 \(p(x) \in W\),所以 \(p(-x) = -p(x)\)
综合上述两式,对于任意实数 \(x\),都有:
\begin{equation*} p(x) = -p(x) \implies 2p(x) = 0 \implies p(x) = 0 \end{equation*}
这说明 \(U\)\(W\) 的交集仅含零多项式,即 \(U \cap W = \{ 0 \}\)
综上所述,由 \(\mathbb{R}_{d}[x] = U + W\)\(U \cap W = \{ 0 \}\) 可知,\(\mathbb{R}_{d}[x]\) 是子空间 \(U\)\(W\) 的直和,即 \(\mathbb{R}_{d}[x] = U \oplus W\)

练习 6.1.5 练习

基础题.

1.
判断下列集合对于给定的运算是否构成相应数域上的线性空间:
  1. 复数域\(\C\)对于数的加法和数乘在实数域\(\R\)上是否构成线性空间?
  2. 实数域\(\R\)对于数的加法和数乘在复数域\(\C\)上是否构成线性空间?
  3. 与给定的方阵\(A \in \R^{n \times n}\)可交换的所有\(n\)阶实方阵对于矩阵的加法和数乘是否构成\(\R\)上的线性空间?
  4. \(\R\)上的区间\([0,1]\)上所有单调递增连续实函数对于函数的加法和数乘在\(\R\)上是否构成线性空间?
  5. \(\R\)上的区间\([0,1]\)上满足\(f(1)=0\)的连续实函数对于函数的加法和数乘在\(\R\)上是否构成线性空间?
2.
重新定义\(\F\)\(n\)阶方阵的加法为
\begin{equation*} A \boxplus B = BA - AB, \end{equation*}
则所有\(n\)阶方阵的集合关于加法\(\boxplus\)和普通矩阵数乘是否构成\(\F\)上的线性空间?
3.
\(V\)是数域\(\F\)上的线性空间,\(\alpha, \beta \in V\)\(c \in \F\),证明:
  1. \(c(\alpha - \beta) = c \alpha - c \beta\)
  2. \((c-d)\alpha = c \alpha - d \alpha\)

提高题.

4.
考虑下面\(2 \times 2\)实矩阵的集合
\begin{equation*} C = \left\{ \begin{pmatrix}a & b \\ -b & a\end{pmatrix} \middle| a, b \in \R \right\}. \end{equation*}
  1. \(C\)关于矩阵的加法和数乘是否构成\(\C\)上的线性空间?若构成线性空间,求其维数与一个基。
  2. \(C\)关于矩阵的加法和数乘是否构成\(\R\)上的线性空间?若构成线性空间,求其维数与一个基。
5.
考虑下面\(2 \times 2\)复矩阵的集合
\begin{equation*} H = \left\{ \begin{pmatrix}\alpha & \beta \\ -\overline{\beta} & \overline{\alpha}\end{pmatrix} \middle| \alpha, \beta \in \C \right\}. \end{equation*}
  1. \(H\)关于矩阵的加法和数乘是否构成\(\C\)上的线性空间?若构成线性空间,求其维数与一个基。
  2. \(H\)关于矩阵的加法和数乘是否构成\(\R\)上的线性空间?若构成线性空间,求其维数与一个基。
6.
考虑下面两个数域\(\F\)上的\(n\)阶矩阵的集合,它们对于矩阵的加法和数乘是否构成\(\F\)上的线性空间?若构成线性空间,求其维数与一个基。
  1. \(V_{1} = \{ A \in \F^{n \times n}\mid A^{\top} = A \}\)
  2. \(V_{2} = \{ A \in \F^{n \times n}\mid A^{\top} = -A \}\)
7.
\(V\)为一般线性空间,\(V_{1}, V_{2}\)\(V\)的两个子空间,证明\(V_{1} \oplus V_{2}\)当且仅当\(V_{1} \cap V_{2} = 0\)
8.
证明:在线性空间所应满足的10条运算性质中(定义6.1.1和定义6.1.2),加法的交换律可由其他性质推导出。