尽管可能显得欠缺一定的连续性，先论述线性空间是合理的，尔后再从多项式延展到空间分解才更为自然，或许不妨看做两个分支，从线性空间和多项式环合并而导回线性代数的主分支。
仍然给出一坨定义：
线性空间的结构
线性空间的定义与公理体系
线性空间是一个非空集合 $V$（其中的元素称为抽象向量），建立在数域 $K$ 之上，并定义了两种运算：加法与数乘。
核心运算与封闭性
加法 (Vector Addition)：
定义：$V \times V \to V$
映射：$(\alpha, \beta) \mapsto \alpha + \beta$- 本质：集合$V$ 对加法运算封闭。
数乘 (Scalar Multiplication)：
定义：$K \times V \to V$
映射：$(k, \alpha) \mapsto k\alpha$- 本质：数域$K$中的标量与向量结合，结果仍留在$V$ 中。
八条公理 (The 8 Axioms)
这八条准则共同构成了线性空间的骨架。前四条确立了 $V$ 在加法下的交换群（阿贝尔群）地位，后四条规定了数乘与加法的兼容性。
1. 加法性质（交换群）
(1) 交换律： $\alpha + \beta = \beta + \alpha$- (2) 结合律：$\alpha + (\beta + \gamma) = (\alpha + \beta) + \gamma$- (3) 存在单位元（零元素）： 存在元素$0 \in V$，使得 $0 + \alpha = \alpha + 0 = \alpha, \forall \alpha \in V$- (4) 存在逆元（负元素）： 对任何$\alpha$，都有 $-\alpha \in V$，使得 $\alpha + (-\alpha) = (-\alpha) + \alpha = 0$
推论： 零元素与负元素在给定空间中是唯一的。
2. 数乘性质
对 $\forall \alpha, \beta \in V$以及$\forall k, l \in K$：
- (5) 数乘单位元： $1 \cdot \alpha = \alpha$- (6) 数乘结合律：$k(l\alpha) = (kl)\alpha$- (7) 左分配律：$(k + l)\alpha = k\alpha + l\alpha$- (8) 右分配律：$k(\alpha + \beta) = k\alpha + k\beta$
$V$是能与$K$ 作数乘的交换群。
与环的对比
如果把代数结构比作某种构建规则，线性空间强调的是层次间的互动，而环强调的是内部的自我演化。
环（Ring） 是一个 “自给自足” 的单集结构。它在一个集合 $R$ 上定义了两种二元运算：加法和乘法。所有的操作（$a+b$或$a \cdot b$）都发生在 $R$ 内部。你可以把它想象成一个封闭的黑盒，里面的元素通过两种规则自我碰撞。
线性空间（Vector Space） 是一个 “双集联动” 的结构。它涉及两个集合：一个向量集 $V$和一个数域$K$（标量）。加法是 $V$内部的互动，但乘法（数乘）是跨界的——由域$K$中的“外部力量”作用于$V$ 中的元素。
这部分讲义将讨论的重心从线性空间的“定义”转向了它的结构度量。如果说公理是空间的“宪法”，那么基（Basis） 与维数（Dimension） 就是它的“骨架”与“尺度”。
类似我们熟悉的向量组的讨论，线性空间也可以完全类似地定义基、维数等，事实上我们将看到线性映射和矩阵是同构的。
基、维数与同构
向量组的秩与极大无关组
极大无关组：向量组可以有许多不同的极大无关组，但它们包含的向量个数必然相同。
秩（Rank）：极大无关组所含向量的个数称为该向量组的秩。
基底与维数
对于线性空间 $V$的子集$S$：
线性表出：若 $V$中每个向量都能表示为$S$中有限个向量的线性组合，称$S$能线性表出$V$。
线性无关：若 $S$的任意有限子集都线性无关，则称$S$ 线性无关。
基底（Basis）的定义：
若子集 $S$ 同时满足：
$S$ 线性无关；
$S$能线性表出$V$；
则称 $S$是$V$ 的一组基。
维数（Dimension）：
若 $S$是有限集，则称$V$ 为有限维线性空间。
$V$的任意两组基包含的向量个数相同，这个常数称为$V$的维数，记为$\dim V$。
规定零空间 ${0}$的维数为$0$。
引理与推论
引理：设 $\alpha_1, \dots, \alpha_s$线性无关，则$\alpha_1, \dots, \alpha_s, \beta$线性相关$\iff \beta$能被$\alpha_1, \dots, \alpha_s$ 线性表出。
扩充定理（推论）：在有限维线性空间 $V$中，任何线性无关的向量组$\alpha_1, \dots, \alpha_s$都能扩充为$V$ 的一组基。
基底的判定定理
设 $S$是有限维线性空间$V$的子集，以下三个条件中只要有两个成立，则三个条件都成立（即$S$构成$V$ 的基）：
$S$ 线性无关；
$S$能线性表出$V$；
$|S| = \dim V$（向量个数等于空间维数）。
坐标同构 $V \cong K^n$一旦在线性空间$V$中取定了一组基$\alpha_1, \alpha_2, \dots, \alpha_n$，那么 $V$中的每一个元素$\alpha$ 都可以唯一地表示为：
$$ \alpha = k_1\alpha_1 + k_2\alpha_2 + \dots + k_n\alpha_n $$
坐标：列向量 $[k_1, k_2, \dots, k_n]^T \in K^n$称为$\alpha$ 在该基下的坐标。
本质：这种一一对应关系保持了加法和数乘运算。这意味着，任何 $n$维线性空间在代数结构上都与$K^n$ 是一模一样的（同构）。
关于基、换基等操作，可以在数学随笔3.基底思想阅读。
子空间的运算
线性子空间的定义
若线性空间 $V$的子集$W$满足以下三条性质，则称$W$是$V$ 的子空间：
- 非空性/包含零向量：$0 \in W$2. 加法封闭性：若$\alpha, \beta \in W$，则 $\alpha + \beta \in W$3. 数乘封闭性：若$k \in K, \beta \in W$，则 $k\beta \in W$
本质：$W$在$V$ 原有的运算下也构成一个完备的线性空间，自动满足八条公理。
子空间的性质与构造
定理（基扩张与维数）：
子空间 $W$的基都能扩充成全空间$V$ 的基。
维数不等式：$\dim W \le \dim V$。
等号成立条件：$\dim W = \dim V \iff W = V$。
给出子空间的几种方式：
生成元方式：由一组向量生成的张成空间 $W = \langle \alpha_1, \dots, \alpha_s \rangle$。
解空间方式：作为齐次线性方程组 $Ax = 0$ 的解集。
运算构造方式：通过交、和、正交补（内积空间中）等运算得到。
子空间的运算：交与和
1. 子空间的交 (Intersection)
定理：若 $V_1, V_2$是$V$的子空间，则其交集$V_1 \cap V_2$也是$V$ 的子空间。
注意：并集 $V_1 \cup V_2$一般不是子空间，除非其中一个包含另一个（即$V_1 \supseteq V_2$或$V_1 \subseteq V_2$）。
2. 子空间的和 (Sum)
定义：若 $V_1, V_2$是$V$的子空间，集合${ \alpha_1 + \alpha_2 \mid \alpha_1 \in V_1, \alpha_2 \in V_2 }$称为$V_1$与$V_2$ 的和，记为 $V_1 + V_2$。
性质：$V_1 + V_2$也是$V$ 的子空间。
生成元表示：
若 $V_1 = \langle \alpha_1, \dots, \alpha_r \rangle$，$V_2 = \langle \beta_1, \dots, \beta_s \rangle$，
则 $V_1 + V_2 = \langle \alpha_1, \dots, \alpha_r, \beta_1, \dots, \beta_s \rangle$。
相比于并，和更能体现线性空间的味道，例如两条直线的并是两条直线作为一个整体，但是和则是铺成一个平面，带有了线性运算。同时，和可以直接构造子空间，并则不太容易。
维数公式
一、 定理内容
若 $V_1, V_2$是线性空间$V$ 的子空间，则它们的和空间与交空间的维数满足以下关系：
$$ \dim(V_1 + V_2) + \dim(V_1 \cap V_2) = \dim V_1 + \dim V_2 $$
直观理解：两个空间的合并维数，等于各自维数之和减去重复计算的交集部分维数。这与集合论中的容斥原理极其相似。
二、 证明概要
证明的核心在于通过基的扩充构造出一组能张成 $V_1 + V_2$ 的线性无关组。实际上在数学随笔3之基底思想已经干过完全一样的证明了。
取交空间的基：设 $V_1 \cap V_2$的一组基为$\alpha_1, \dots, \alpha_r$。此时 $\dim(V_1 \cap V_2) = r$。
向两侧扩充：
将其扩充为 $V_1$ 的基：$\alpha_1, \dots, \alpha_r, \beta_1, \dots, \beta_m$。则 $\dim V_1 = r + m$。
将其扩充为 $V_2$ 的基：$\alpha_1, \dots, \alpha_r, \gamma_1, \dots, \gamma_s$。则 $\dim V_2 = r + s$。
构造和空间的基：证明 $\beta_1, \dots, \beta_m, \alpha_1, \dots, \alpha_r, \gamma_1, \dots, \gamma_s$线性无关且张成$V_1 + V_2$。
若线性组合为零：$k_1\beta_1 + \dots + l_1\gamma_1 + \dots = 0$。
变形得：$k_i\beta_i$的组合属于$V_2$，因此必然落在交集 $V_1 \cap V_2$ 中。
利用交空间的基表出并结合线性无关性，推出所有系数全为 $0$。
结论：$\dim(V_1 + V_2) = m + r + s$。
- 代入等式：$(m + r + s) + r = (r + m) + (r + s)$，公式成立。
线性无关、直和与唯一性表示
一、 线性无关 $\iff$ 表出唯一
对于向量组 $\alpha_1, \dots, \alpha_s$：
- 核心逻辑：如果该向量组表示零向量的方式是唯一的，那么它表示任何能表出的向量的方式都是唯一的。
若满足表达零向量唯一，则设有两种方法表示 $\beta$ ，作差就得到两种方法的系数必须一样，那也就实际上只有一种方法。
二、 子空间的直和 (Direct Sum)
当我们将讨论的对象从“单个向量”提升到“子空间”时，唯一性依然是判定结构的核心。
1. 表示方式的定义
设 $V_1, \dots, V_s$是$V$的子空间。对于和空间$V_1 + \dots + V_s$中的任意向量$\beta$，其表示方式为：
$$ \beta = \alpha_1 + \alpha_2 + \dots + \alpha_s, \quad (\alpha_i \in V_i) $$
有序组 $(\alpha_1, \dots, \alpha_s)$称为$\beta$ 的一种表示。
2. 直和的判定：零向量的唯一性
定理：表示零向量的方式唯一 $\iff$ 表示任何向量的方式都唯一。
直和的定义：若 $V_1 + \dots + V_s$ 中任何元素的表示方式都唯一，则称该和为直和，记为：
$$ V_1 \oplus V_2 \oplus \dots \oplus V_s $$
推导过程：
如果表示零向量的方式不唯一（存在非零向量之和为 $0$），则通过加法叠加，任何向量的表示都会有无数种组合。
反之，若表示 $0$的方式唯一（即$\sum \alpha_i = 0 \implies \alpha_i = 0$），则由 $\beta$ 的两种表示作差，立得两种表示完全一致。
直和的本质是子空间之间“不重叠”（除零向量外）。
非直和情形：若 $V_1 \cap V_2 \neq {0}$，则存在非零向量 $\alpha \in V_1 \cap V_2$。此时零向量可以有非平凡表示：$0 = \alpha + (-\alpha)$。几何上表现为两个平面（或线）交于一条线。
直和情形：若 $V_1 \cap V_2 = {0}$，则 $\alpha_1 + \alpha_2 = 0 \implies \alpha_1 = -\alpha_2 \in V_1 \cap V_2 = {0}$。这意味着分解方式唯一。几何上表现为两个空间仅交于原点。
当涉及多个子空间 $V_1, \dots, V_s$ 时，两两交为零是不够的，必须满足更强的条件。
定理：
$V_1 + \dots + V_s$是直和，当且仅当对每一个$k$ ($1 \le k \le s$)，第 $k$ 个子空间与它前面所有子空间之和的交集仅含零向量：
$$ V_k \cap (V_1 + \dots + V_{k-1}) = \{0\} $$
证明要点：
充分性：设 $\sum \alpha_i = 0$。取最后一个非零向量 $\alpha_k$，则 $\alpha_k = -(\alpha_1 + \dots + \alpha_{k-1})$。这导致 $\alpha_k$落在$V_k$ 与前面子空间和的交集中，与条件矛盾。
必要性：若交集不为零，则存在非零向量能被前面的向量组表出，导致零向量的表示不唯一。
三、 等价命题定理
以下命题对于判定子空间是否构成直和是等价的：
表示唯一性：$V_1 + \dots + V_s$是直和（即表示$0$ 的方式唯一）。
基的保持性：分别取子空间 $V_1, \dots, V_s$ 的基，将这些基向量合并后，得到的向量组在全空间中依然线性无关。
- 换句话说，这些基向量合并后构成了和空间 $V_1 \oplus \dots \oplus V_s$ 的一组基.。
维数和：$dim(V_1+…+V_s)=dim(V_1)+…+dim(V_s)$当$\dim(V_1 \cap V_2) = 0$（即 $V_1 \cap V_2 = {0}$）时，维数公式简化为：
$$ \dim(V_1 + V_2) = \dim V_1 + \dim V_2 $$
此时的和称为直和，记作 $V_1 \oplus V_2$。这意味着和空间中的每一个向量都可以唯一地表示为 $V_1$和$V_2$ 中向量的和。
我们看一个定理，这实际上在数学随笔之范德蒙德行列式的意外出现有提到过，讨论的就是直和。
定理：
设 $V_1, V_2, \dots, V_s$是方阵$A$对应于不同特征值$\lambda_1, \lambda_2, \dots, \lambda_s$ 的特征子空间，则它们的和是直和。
证明思路（范德蒙德法）：
设 $\alpha_1 + \alpha_2 + \dots + \alpha_s = 0$，其中 $\alpha_i \in V_i$。
利用 $A$左乘该式$s-1$次，根据$A\alpha_i = \lambda_i \alpha_i$，得到一系列线性方程：
$$ \begin{cases} \alpha_1 + \dots + \alpha_s = 0 \\ \lambda_1 \alpha_1 + \dots + \lambda_s \alpha_s = 0 \\ \vdots \\ \lambda_1^{s-1} \alpha_1 + \dots + \lambda_s^{s-1} \alpha_s = 0 \end{cases} $$
- 由于特征值 $\lambda_i$两两不同，对应的范德蒙德行列式不为零，从而推导出每个分量$\alpha_i$必须全为$0$。
还可以更进一步，考虑所谓广义特征子空间。
广义特征子空间的直和与多项式分解
一、 广义特征子空间的直和性
定理：
设 $\lambda_1, \dots, \lambda_s \in K$是矩阵$A \in M_n(K)$ 的互异特征值，$r_1, \dots, r_s > 0$ 为对应的幂次，则其广义特征子空间之和是直和：
$$ \text{Ker}(A - \lambda_1 I)^{r_1} \oplus \dots \oplus \text{Ker}(A - \lambda_s I)^{r_s} $$
证明逻辑（构造性矛盾法）：
假设存在非零向量之和为零：$\alpha_1 + \dots + \alpha_s = 0$。
对 $\alpha_1$，寻找使其“退化”到特征向量层级的最小指数 $t$，定义 $\beta_1 = (A - \lambda_1 I)^{t-1} \alpha_1 \neq 0$。此时 $\beta_1$是属于$\lambda_1$ 的特征向量($A-\lambda I$作用$\beta$是$0$ )。
利用算子 $(A - \lambda_1 I)^{t-1} \prod_{j \neq 1} (A - \lambda_j I)^{r_j}$ 左乘原式。
除了第一项，其余项均会因落在 $\text{Ker}$中而消解为$0$。
最终导出 $(\lambda_1 - \lambda_2)^{r_2} \dots (\lambda_1 - \lambda_s)^{r_s} \beta_1 = 0$。由于特征值互异且 $\beta_1 \neq 0$，产生矛盾，从而证明各分量必为零。
那之前大费周章学了那么多多项式的内容有什么用呢？实际上利用多项式我们可以给出空间的分解：
核空间分解定理的详细证明
一、 定理
设 $f_1(x), \dots, f_s(x) \in K[x]$两两互素。记$f(x) = \prod_{i=1}^s f_i(x)$。对于 $A \in M_n(K)$，有：
$$ \text{Ker } f(A) = \text{Ker } f_1(A) \oplus \text{Ker } f_2(A) \oplus \dots \oplus \text{Ker } f_s(A) $$
二、 证明步骤拆解
1. 证明和是“直和”
要证直和，只需证 $V_i \cap (\sum_{j \neq i} V_j) = {0}$，其中 $V_i = \text{Ker } f_i(A)$。
构造辅助多项式：记 $F_i(x) = \frac{f(x)}{f_i(x)}$，即除去 $f_i$ 后其余多项式的乘积。
利用互素性：由于 $(f_i(x), f_j(x)) = 1$（对所有 $j \neq i$），推导出 $f_i(x)$与$F_i(x)$互素，即$(f_i, F_i) = 1$。
裴蜀等式 (Bézout’s Identity)：存在 $u(x), v(x)$使得$u(x)f_i(x) + v(x)F_i(x) = 1$。
算子化：将 $x$换成矩阵$A$，作用于任意向量 $\alpha \in V_i \cap (\sum_{j \neq i} V_j)$：
$\alpha = u(A)f_i(A)\alpha + v(A)F_i(A)\alpha$- 因为$\alpha \in \text{Ker } f_i(A)$，故 $f_i(A)\alpha = 0$。
因为 $\alpha$在其余核空间的和中，而$F_i(A)$包含所有其余因子，故$F_i(A)\alpha = 0$。
结论：$\alpha = 0$，故和为直和。
2. 证明核空间的包含关系
需证 $\sum \text{Ker } f_i(A) = \text{Ker } f(A)$。
以 $s=2$为例：已知$(f_1, f_2) = 1$，则 $u(A)f_1(A) + v(A)f_2(A) = I$。
对于 $\forall \alpha \in \text{Ker } f(A)$：
$$ \alpha = I\alpha = \underbrace{u(A)f_1(A)\alpha}_{\in \text{Ker } f_2(A)} + \underbrace{v(A)f_2(A)\alpha}_{\in \text{Ker } f_1(A)} $$
（注：$f_2(A) \cdot [u(A)f_1(A)\alpha] = u(A)f(A)\alpha = 0$）
- 推广到一般情形：利用归纳法，将 $f(x)$视为$f_1(x)$与$(f_2 \dots f_s)(x)$ 的积，层层剥离。
综合两方面证明就完成了。也就是说，从一个多项式的分解，我们可以得到一个空间的分解，这是非常美妙的。
如果我们想分解整个空间，要考虑什么多项式呢？
零化多项式与空间分解
一、 零化多项式 (Annihilating Polynomial)
定义：设 $A \in M_n(K)$，若存在多项式 $f(x) \in K[x]$使得$f(A) = 0$，则称 $f(x)$为$A$ 的一个零化多项式。
经典示例：
幂等变换（投影）：$x^2 - x$是其零化多项式（因为$A^2 = A$）。
对合变换（镜像）：$x^2 - 1$是其零化多项式（因为$A^2 = I$）。
二、 零化多项式驱动的空间全分解
核心定理：
若矩阵 $A$的零化多项式$f(x)$在域$K$上可分解为两两互素的因子乘积$f(x) = f_1(x) \dots f_s(x)$，则全空间 $V$ 具有直和分解：
$$ V = \text{Ker } f_1(A) \oplus \dots \oplus \text{Ker } f_s(A) $$
逻辑跃迁：这里因为 $f(A)=0$，所以 $\text{Ker } f(A)$直接就是整个空间$V$。
三、 可对角化的充分必要条件
这是线性代数中最优雅的结论之一：
矩阵 $A$在域$K$上可对角化，当且仅当$A$有一个零化多项式能在$K$ 上分解成互异的一次因式的乘积：
$$ f(x) = (x - \mu_1)(x - \mu_2) \dots (x - \mu_s), \quad \mu_i \in K \text{ 且互异} $$
必要性推导：若 $A$可对角化，则全空间是特征子空间的直和。作用算子$(A - \lambda_1 I)\dots(A - \lambda_s I)$于任何向量都会得到$0$，说明该乘积即为零化多项式。
充分性推导：若存在此类零化多项式，由核空间分解定理，全空间 $V$ 会分解为各个特征子空间（或零空间）的直和：
$$ V = \bigoplus_{i=1}^s \text{Ker}(A - \mu_i I) $$
这意味着 $V$有一组由特征向量构成的基，即$A$ 可对角化。
四、 案例应用：对合变换的分解
场景：设 $V = M_n(K)$，考虑转置变换 $T: A \to A^T$。
特征方程：显然 $T^2 = I$，故零化多项式为 $f(x) = x^2 - 1 = (x - 1)(x + 1)$。
空间直和：由于 $1$与$-1$互异，空间$V$ 可分解为：
$$ V = \text{Ker}(T - I) \oplus \text{Ker}(T + I) $$
几何意义：
$\text{Ker}(T - I)$是所有满足$A^T = A$的矩阵（对称矩阵$V_1$）。
$\text{Ker}(T + I)$是所有满足$A^T = -A$的矩阵（反对称矩阵$V_2$）。
结论：任何方阵都能唯一地分解为一个对称矩阵与一个反对称矩阵之和：$A = \frac{A+A^T}{2} + \frac{A-A^T}{2}$。
补空间与外直和
一、 补空间 (Complementary Subspace)
如果说子空间是空间的一部分，那么补空间就是“剩下那部分”的完美补充。
定义：设 $W, W’$是$V$的子空间。若满足$V = W \oplus W’$（即 $V$是它们的直和），则称$W$与$W’$ 互为补空间。
存在性定理：任何线性子空间都有补空间。
构造逻辑：
取 $W$的一组基$\alpha_1, \dots, \alpha_r$。
将其扩充为全空间 $V$的一组基$\alpha_1, \dots, \alpha_r, \alpha_{r+1}, \dots, \alpha_n$。
由扩充出来的向量 $\langle \alpha_{r+1}, \dots, \alpha_n \rangle$张成的子空间即为$W$ 的一个补空间。
注意：补空间通常不唯一。扩充基底的方式不同，得到的补空间在空间中的“姿态”也不同。
二、 外直和 (External Direct Sum)
当我们手里有几个独立的线性空间，想要把它们合成一个更大的空间时，就需要用到外直和。
- 定义：设 $V_1, \dots, V_s$是数域$K$ 上的线性空间，其外直和定义为笛卡尔积集合：
$$ V_1 \oplus \dots \oplus V_s = \{ (\alpha_1, \dots, \alpha_s) \mid \alpha_i \in V_i \} $$
运算规则：
加法：分量对位相加，$(\alpha_1, \dots) + (\beta_1, \dots) = (\alpha_1 + \beta_1, \dots)$。
数乘：标量作用于每个分量，$k(\alpha_1, \dots) = (k\alpha_1, \dots)$。
三、 外直和与内直和的统一
虽然“外直和”是从多个集合构建新集合，但它本质上可以看作“内直和”。
嵌入与同构：
构造 $V$的子空间$V_i’$，使得 $V_i’$中的元素仅在第$i$个位置有非零向量，其余位置全为$0$：
$$ V_i' = \{ (0, \dots, \alpha_i, \dots, 0) \mid \alpha_i \in V_i \} $$
结论：
$V_i’ \cong V_i$（每个 $V_i’$都同构于原空间$V_i$）。
整个外直和空间 $V$恰好是这些子空间$V_i’$ 的内直和：
$$ V = V_1' \oplus \dots \oplus V_s' $$
线性空间的同构
线性映射与同构的定义
设 $U, V$是域$K$上的两个线性空间。若映射$\mathcal{A}: U \to V$ 满足：
加法齐次性：$\mathcal{A}(\alpha + \beta) = \mathcal{A}\alpha + \mathcal{A}\beta, \quad \forall \alpha, \beta \in U$
数乘齐次性：$\mathcal{A}(k\alpha) = k\mathcal{A}\alpha, \quad \forall k \in K$则称$\mathcal{A}$是$U$到$V$ 的线性映射。
若 $\mathcal{A}$是双射（既是单射又是满射），则称$\mathcal{A}$是$U$到$V$的线性同构，记作$U \cong V$。
2. 同构的关键判定与定理
推论：设 $\mathcal{A}: U \to V$ 是线性映射，$\alpha_1, \dots, \alpha_n$是$U$的一组基。$\mathcal{A}$是$U$与$V$的线性同构$\iff \mathcal{A}\alpha_1, \dots, \mathcal{A}\alpha_n$是$V$ 的一组基。
基础定理：有限维 $K$-线性空间 $U$与$V$ 同构的充要条件是它们的维数相等：
$$ U \cong V \iff \dim U = \dim V $$
3. 性质证明要点
满射判定：$\mathcal{A}$是满射$\iff \mathcal{A}\alpha_1, \dots, \mathcal{A}\alpha_n$张成$V$。
即 $V$中任意向量均可表示为$\mathcal{A}\alpha_i$ 的线性组合：$\text{Im} \mathcal{A} = L(\mathcal{A}\alpha_1, \dots, \mathcal{A}\alpha_n)$。
单射判定：$\mathcal{A}$是单射$\iff \mathcal{A}\alpha_1, \dots, \mathcal{A}\alpha_n$ 线性无关。
证明思路：由 $\sum k_i \mathcal{A}\alpha_i = 0$推导出$\mathcal{A}(\sum k_i \alpha_i) = 0$，若 $\mathcal{A}$为单射则核为空，进而利用$\alpha_i$的无关性证得$k_i = 0$。
4. 坐标同构 (Coordinate Isomorphism)
在 $n$维线性空间$V$中取定一组基$\alpha_1, \dots, \alpha_n$ 后，$V$中的每个元素$\alpha = \sum k_i \alpha_i$与其坐标向量$[k_1, \dots, k_n]^T \in K^n$ 之间建立了一一对应关系。
结论：这种对应保持了向量的加法与数乘运算，即 $V$与向量空间$K^n$ 线性同构。
5. 同构关系的性质
线性空间的同构关系满足：
自反性：$V \cong V$- 交换性：若$U \cong V$，则 $V \cong U$- 传递性：若$U \cong V$且$V \cong W$，则 $U \cong W$
因此，同构是线性空间集合上的一个等价关系。
6. 实例与应用
矩阵秩的性质：
设矩阵 $A = [\alpha_1, \dots, \alpha_n]$列满秩，则映射$X \mapsto AX$是$K^n$到$A$ 的列空间的线性同构。
矩阵分解应用：
若 $B = AC = [\alpha_1, \dots, \alpha_n] [\gamma_1, \dots, \gamma_s]$，则：
$B$的秩$= C$ 的秩。
$B$的解空间$= C$ 的解空间。
$\gamma_1, \dots, \gamma_s$是$\beta_1, \dots, \beta_s$在基$\alpha_1, \dots, \alpha_n$ 下的坐标。
思考题：矩阵 $A$ 的行空间与列空间同构吗？
提示：由于行秩等于列秩，即维数相等，根据定理它们必然同构。
商空间与线性映射基本定理
商空间听起来很高级，实际上动机是简单的，我们知道重力势能可以简单地写为 $mgh$ ，那么水平方向如何运动便可以置之不顾了，那么我们略去三维中的两维，只看高度这一个坐标即可，商空间干的事其实也就是这样。
核心动机：忽略不相关的细节
在处理复杂事物时，我们往往只关注某些特定的“层面”。
数学直观：如果我们对子空间 $W$ 方向的差异不感兴趣，就希望通过某种方式将其“抹去”或“淡化”。
几何想象：将高维空间沿 $W$方向“压扁”，使得落在同一个与$W$ 平行的平面（陪集）上的所有点，在商空间视角下被视为同一个“元素”。
$W$-陪集（Coset）
陪集是将空间 $V$按照子空间$W$进行划分的基本单位。简单来说就是让$W=0$。按照之前的重力势能的比喻，就是说在同一个高度的坐标我们就看做一个陪集，认为他们都相等，这里就可以把$W$看做$x,y$ 坐标，即被弃置不顾的东西。
等价关系：定义 $\alpha \sim \beta \iff \alpha - \beta \in W$。
定义：对于 $V$中的向量$\beta$，其所在的等价类称为 $\beta$的$W$-陪集，记作 $\beta + W = { \beta + \gamma \mid \gamma \in W }$。
代表元：陪集中的任何向量都可以作为该陪集的代表。只要 $\alpha - \beta \in W$，则 $\alpha + W = \beta + W$。
商空间 $V/W$ 的代数结构
全体 $W$-陪集的集合记为 $V/W$。为了使其成为线性空间，定义了如下运算：
加法：$(\alpha + W) + (\beta + W) = (\alpha + \beta) + W$
数乘：$k(\alpha + W) = k\alpha + W$
良定义性：运算结果不依赖于陪集代表元的选取（需验证）。作差即可验证。
结论：在此运算下，$V/W$ 构成线性空间，称为 $V$模$W$ 的商空间。
基与维度（Basis and Dimension）
这是将商空间具体化的关键。
定理：设 $W$的一组基为$\alpha_1, \dots, \alpha_s$，将其扩充为 $V$的一组基$\alpha_1, \dots, \alpha_s, \beta_1, \dots, \beta_r$。
结论：剩余的向量所形成的陪集 ${\beta_1 + W, \dots, \beta_r + W}$构成了商空间$V/W$ 的一组基。
维数公式：
$$ \dim(V/W) = \dim V - \dim W $$
证明：
证明能表出（Spanning）：
对于 $V/W$中任意元素$\alpha + W$，将 $\alpha$用$V$的全基线性表示。由于$\alpha_i$部分全部落在$W$中，在商运算（模$W$）下，属于 $W$的分量会自动坍缩为零元（即$0 + W$）。
$$ \alpha + W = (\sum k_i \alpha_i + \sum l_j \beta_j) + W = (\sum l_j \beta_j) + W $$
这说明 $\beta_j + W$ 足以覆盖整个商空间。
证明线性无关（Linear Independence）：
设定线性组合为零元：$\sum l_j (\beta_j + W) = 0 + W$。
这意味着向量 $\sum l_j \beta_j$必须落在子空间$W$ 内。
根据基底的唯一定义，若一个仅由 $\beta_j$组成的向量属于$\text{span}{\alpha_i}$，由于全基 ${\alpha_i, \beta_j}$是线性无关的，所有系数$l_j$必须全为$0$。
线性映射的核心：核与像
对于任何线性映射 $\mathcal{A}: U \to V$，都有两个关键的子空间：
像空间 $\text{Im},\mathcal{A}$：$V$ 中所有能被映射到的向量集合。它反映了映射的“广度”。
核空间 $\text{Ker},\mathcal{A}$：$U$中所有被映射到$0$ 的向量集合。它反映了映射丢失的“信息量”。
典范映射：特例情况下，映射 $\mathcal{A}: V \to V/W$将向量映为其陪集$\alpha + W$，此时 $\text{Ker},\mathcal{A} = W$，$\text{Im},\mathcal{A} = V/W$。
线性映射基本定理
这是线性代数的高光时刻。定理指出：任何线性映射都可以被“分解”为一个同构映射。
- 同构关系：
$$ U/\text{Ker}\,\mathcal{A} \cong \text{Im}\,\mathcal{A} $$
直观理解：
如果我们把定义域 $U$中那些映射到同一个点的向量“打包”在一起（即作商空间，模掉$\text{Ker},\mathcal{A}$），那么这个“包”的集合与像空间之间就是一一对应的。
性质：映射 $\varphi: \alpha + \text{Ker},\mathcal{A} \mapsto \mathcal{A}\alpha$ 是良定义的，且既是单射又是满射。
1. 诱导映射的构造
定义映射 $\varphi: U/\text{Ker},\mathcal{A} \to \text{Im},\mathcal{A}$，其规则为：
$$ \varphi(\alpha + \text{Ker}\,\mathcal{A}) = \mathcal{A}\alpha $$
代数上的相容性：$\varphi$ 完美保持了向量的加法与数乘运算。
几何上的映射关系：原本在 $U$中所有映射到同一个像点$\beta$的向量（它们构成一个$\text{Ker},\mathcal{A}$ 的陪集），现在被视为商空间中的一个整体。这意味着映射从“多对一”变成了一对一的线性同构。
具体的验证比较容易，就不打出来了。
2. 维度守恒：秩-零化度定理
基于 $U/\text{Ker},\mathcal{A} \cong \text{Im},\mathcal{A}$ 的同构关系，我们必然得到维度的平衡：
$$ \dim U = \dim(\text{Ker}\,\mathcal{A}) + \dim(\text{Im}\,\mathcal{A}) $$
这可以看作是定义域空间的“能量守恒”：一部分维度坍缩到了零点（核空间），剩下的维度则铺开了映射的像（像空间）。
矩阵视角的具象化：方程组与空间的映射
当我们将上述理论落地到矩阵 $A \in K^{m \times n}$ 时，抽象的符号变成了直观的线性方程组特性：
| 抽象概念 | 矩阵具象 | 物理/几何意义 |
|---|---|---|
| 像空间 $\text{Im},\mathcal{A}$ | 列空间 (Column Space) | 矩阵各列向量线性组合所能张成的空间。 |
| 核空间 $\text{Ker},\mathcal{A}$ | 解空间 (Null Space) | 齐次线性方程组 $A\mathbf{x} = \mathbf{0}$ 的全体解。 |
| 同构关系 | $K^n / \text{Null}(A) \cong \text{Col}(A)$ | 剔除解空间后的输入，与输出空间达成一一对应。 |
结论
由基本定理可直接导出矩阵论的基石：
矩阵的秩（列空间的维数） + 解空间的维数 = 矩阵的列数。
这意味着，非齐次线性方程组 $A\mathbf{x} = \mathbf{b}$ 的解集之所以呈现出“特解 + 齐次核”的形态，本质上是因为它就是商空间中某一个特定的陪集。
商空间的使用方法：构造满射，模去核空间，得到同构
例：设 $U, W$是线性空间$V$ 的子空间。证明：
$$ U / U \cap W \cong (U + W) / W $$
证：映射 $\mathcal{A} : U \to (U + W) / W
$$ $\alpha \mapsto \alpha + W $$
是线性映射。
$\mathcal{A}$显然是满射 且$\text{Ker} \mathcal{A} = U \cap W$。
由线性映射基本定理即得到结论。
$\mathbf{W}$的补空间$\cong$模$\mathbf{W}$ 的商空间
定理：
设 $\mathbf{V}$的子空间$\mathbf{W}$的有一个补空间$\mathbf{U}$，即 $\mathbf{W} \oplus \mathbf{U} = \mathbf{V}$。则映射
$$ \sigma : \mathbf{U} \to \mathbf{V} / \mathbf{W} $$
$$ \alpha \mapsto \alpha + \mathbf{W} $$
是 $\mathbf{W}$的补空间$\mathbf{U}$到商空间$\mathbf{V} / \mathbf{W}$ 的同构。
$\mathbf{W} \oplus \mathbf{U} = \mathbf{V} \implies \mathbf{U} \cong \mathbf{V} / \mathbf{W}$
$\beta + \alpha = \gamma \mapsto \alpha + \mathbf{W} = \gamma + \mathbf{W}$