很多人学线性代数学到“线性子空间的交、并、和、维数与直和”这一块心里是有点乱的。倒不是公式记不住而是这几个概念挤在一起符号又多一会儿交一会儿和一会儿又冒出个直和特别容易出现“好像懂了做题就错”的状态。我自己当年考研复习时也在这块栽过跟头后来带过的学生里十个有八个会在“并为什么不是子空间”“直和到底怎么判”这些问题上反复出错。所以这篇内容我不打算讲多么高深的理论就围绕线性子空间最核心的几个运算——交、并、和、维数、直和——把它们的定义、关系、适用场景和常见坑一次性说清楚。不管你是刚学高等代数的本科生还是正在准备考研数学的人都可以拿这篇当复习提纲用学完至少能做到拿到一道子空间题目思路不会乱。1. 从集合运算到子空间运算先把概念理清1.1 子空间的定义和判断方法要理解交、并、和首先得把“线性子空间”这个东西本身搞明白。所谓线性子空间简单说就是线性空间里面一个“自己也能当空间”的非空子集。设 V 是一个线性空间W 是它的非空子集如果 W 对加法和数乘都封闭那 W 就是 V 的一个线性子空间。这里有个更省事的判断法W 是子空间当且仅当对于任意 x, y ∈ W任意标量 a都有 a x y ∈ W。因为这个条件同时包含了加法封闭和数乘封闭在实际做题时比分开验证更快。另一个容易忽略的点是W 必须是非空的但一般来说只要 0 ∈ W 就能保证非空所以判断子空间时先看零向量在不在里面往往能省不少计算。举个例子在 R^3 中所有满足 x y z 0 的向量 (x, y, z) 构成一个子空间因为任意两个这样的向量相加、任意数乘后坐标和仍然为 0而所有满足 x y z 1 的向量就不构成子空间零向量根本不在里面。这个例子虽然简单但很适合用来提醒自己子空间必须过原点凡是“不过原点”的平面或直线都没资格当子空间。1.2 交、并、和三个运算里只有两个是“正经”子空间有了子空间的定义再看三个运算。这里需要非常明确地记住两个子空间的交和和仍然是子空间但两个子空间的并一般不是子空间。这是很多人学习时第一个认知冲击点因为集合论里交、并、和是平行概念到了线性空间里突然“并”就掉队了。先说交。V ∩ W 表示同时属于 V 和 W 的向量全体。它必然是子空间这很好验证如果 x, y 既属于 V 又属于 W那 a x y 也既属于 V 又属于 W。交空间可以理解为两个子空间“共有的部分”维数越高说明两个子空间重叠越厉害。再说和。V W 定义为 { v w | v ∈ V, w ∈ W }也就是把 V 里的任意向量和 W 里的任意向量相加得到的所有结果。这个定义初学者很容易误解成“把两个集合的向量放一起”也就是并集。但实际上它是“任意配对相加”的结果不是简单的合并。V W 也是子空间因为两个这样的和向量相加拆开重组合后仍然是一个 V 中的向量加上一个 W 中的向量。最后看并。V ∪ W 表示“或者属于 V或者属于 W”的全体。并集一般不是子空间反例随手就能举在 R^2 中取 V 为 x 轴W 为 y 轴那么 V ∪ W 就是两条坐标轴上的点。向量 (1, 0) 属于 V(0, 1) 属于 W但它俩相加得到 (1, 1)既不在 x 轴上也不在 y 轴上所以 V ∪ W 对加法不封闭。只有当 V ⊆ W 或 W ⊆ V也就是其中一个被另一个完全包含时并才等于较大的那个子空间这时才称得上是子空间。这个结论一定要刻在脑子里后续很多判断题考的就是这个。2. 维数公式和空间大小不是两个维度简单相加2.1 维数公式及其直观理解如果只看定义很多人会觉得 V W 的维数当然等于 dim V dim W。但这里有一个非常严重的错觉V 和 W 可能有公共部分公共的部分被重复计算了一次。真正正确的公式是$$\dim(VW) \dim V \dim W - \dim(V \cap W)$$这个公式的重要程度可以说在整个线性空间理论里排得上前三。它告诉我们和空间的维数不是简单相加而是要“扣除”公共部分贡献的重复维数。我上课讲到这里时经常打一个比方V 和 W 像是两个各有成员的小组它们的成员有重叠如果问两个小组合并后一共有多少种不同的“角色”不能直接把人数相加得先把重叠的人扣掉一次。这个比方听起来很浅但确实能帮人记住公式里的减号。举一个极端的例子。在 R^2 中取 V 为 x 轴W 为 y 轴。这时 dim V 1dim W 1V ∩ W {0}所以 dim(V ∩ W) 0于是 dim(V W) 1 1 - 0 2。也就是说两条坐标轴张成的和空间是整个平面维数是 2这符合直觉。但如果取 V 和 W 都是 x 轴那么 dim V dim W 1V ∩ W V W维数为 1于是 dim(V W) 1 1 - 1 1和空间还是 x 轴维数仍然是 1。这两个例子一对比公式里为什么要有减号就再清楚不过了。2.2 用基的扩充理解公式为什么成立维数公式光记住还不够最好能理解它为什么成立。理解的关键是“从交的基出发分别扩充到 V 和 W 的基”。设 dim(V ∩ W) r取 V ∩ W 的一组基 α1, ..., αr。因为 V ∩ W 是 V 的子空间所以这 r 个线性无关的向量可以扩充为 V 的一组基不妨记为 α1, ..., αr, β1, ..., β_{m-r}其中 m dim V。同理这组 α1, ..., αr 也可以扩充为 W 的基记为 α1, ..., αr, γ1, ..., γ_{n-r}其中 n dim W。现在关键问题来了V W 中每个向量都可以写成 V 中向量与 W 中向量之和也就是可以由 α1, ..., αr, β1, ..., β_{m-r}, γ1, ..., γ_{n-r} 这组向量线性表出。所以 V W 的维数不超过这些向量个数也就是 r (m - r) (n - r) m n - r。另一方面需要证明这组向量线性无关。如果存在系数使得$$c_1\alpha_1 \cdots c_r\alpha_r d_1\beta_1 \cdots d_{m-r}\beta_{m-r} e_1\gamma_1 \cdots e_{n-r}\gamma_{n-r} 0$$把涉及 α 和 β 的部分记为 u涉及 γ 的部分记为 w则 u w 0。可以看出 u ∈ Vw ∈ W于是 u -w 既属于 V 又属于 W所以 u ∈ V ∩ W。因此 u 可以用 α1, ..., αr 线性表出。但另一方面 u 又是由这组 α、β 线性表出的由于 α1, ..., αr, β1, ..., β_{m-r} 是 V 的基这种表出方式唯一那么 β 部分的系数必须全为 0。同理可以看出 u 0进而 γ 部分的系数也全为 0最终 α 部分的系数也全为 0。于是这组向量线性无关确实是 V W 的基。维数自然是 m n - r。这个过程虽然看起来有点绕但只要你亲手写一遍对维数公式的理解会深很多以后用起来也不会心虚。3. 直和和空间的一种“不重叠”特殊情况3.1 直和的两种等价定义直和是“和”的一种特殊情形也是最常考、最容易出错的一种情形。如果 V W 中每个向量的分解式是唯一的也就是说对任意向量 x ∈ V W都存在唯一的 v ∈ V、w ∈ W 使得 x v w那么我们称 V W 是直和记作 V ⊕ W。这个“唯一分解”的要求本质上就是 V 和 W 之间不能有“嫌疑”空间重叠。数学上有一个非常漂亮且好用的等价条件V W 是直和当且仅当 V ∩ W {0}。为什么交为零就等价于唯一分解我们来看。如果 V ∩ W 中有一个非零向量 z那么零向量可以写成 z (-z)这里 z ∈ V-z ∈ W且 z ≠ 0。同时零向量也可以写成 0 0。这样同一个零向量就有两种分解方式唯一性被破坏。反过来如果每个向量都有唯一的分解先考虑零向量唯一分解告诉你若 v w 0则 v 0 且 w 0。而 v w 0 意味着 v -w这个向量同时属于 V 和 W所以 V ∩ W 中所有向量都必须为零也就是交集只能是零空间。这个逻辑链在很多证明题里会直接用到建议背下来。这里顺便说一个细节零空间 {0} 的维数是 0不是 1。很多人在判断“交是不是直和”时会说“交集不含非零向量”严格表述是 V ∩ W {0}或者 dim(V ∩ W) 0。不要看到“0”就心虚零空间确实是零维空间。3.2 用维数条件判定直和最省事的方法有了维数公式直和的判定会变得格外快捷。因为 V W 是直和等价于 V ∩ W {0}而维数公式告诉我们$$\dim(VW) \dim V \dim W - \dim(V \cap W)$$所以“V ∩ W {0}”等价于“dim(V ∩ W) 0”也就等价于$$\dim(VW) \dim V \dim W$$这个判定方法特别好用因为很多时候求交空间的计算量很大而算维数、找基相对容易。比如已知 dim V 2dim W 1如果题目让你判断和空间是否直和你只需要算出 V W 的维数如果算出来是 3那就等于 2 1是直和如果算出来是 2说明交集非零不是直和。这和直接去求交集得到了相同结论但省去了一堆联立方程的麻烦。做题时优先用维数条件这是我反复强调的实操习惯。3.3 多个子空间的直和一个特别容易记错的坑多个子空间的直和比两个子空间复杂一些而且有一个特别经典的大坑不能只靠“两两交集为零”来判断整体直和。具体来说三个子空间 V1、V2、V3 两两交于零空间并不能推出 V1 V2 V3 是直和。举例说明。考虑 R^2 中的三条过原点的直线 L1、L2、L3它们方向各不相同。任意两条直线只交于原点两两交集都为零空间。但是 V1 V2 V3 实际上还是整个 R^2维数是 2而 dim V1 dim V2 dim V3 3。维数 2 不等于 3所以不是直和。为什么会这样因为三条一维直线加在一起多余的维数被“挤掉”了一个向量可能有多种方式分解成三条直线上的向量之和。正确的多子空间直和定义要求的是整体唯一分解等价于对每个 i都有$$ V_i \cap \left(\sum_{j \neq i} V_j \right) {0} $$也就是每个子空间与“其它所有子空间的和”只交于零向量。还有一种逐层判定法设 S_k V1 ... Vk如果对每个 k 都有 S_k ∩ V_{k1} {0}则整个和是直和。这个方法在归纳构造时很常用。总之两两交为零这个条件在单个子空间上看似很严但放到整体里可能“松”得很千万别拿它当多子空间直和的充分条件。4. 两道例题完整走一遍从建立方程到判断维数4.1 例一R^3 中的平面与直线正儿八经走一次直和判断题目设 V 是 R^3 中满足 x y z 0 的平面W 是直线 span{ (1, 1, 1) }。求 V ∩ W、V W 的维数并判断是否为直和。先说怎么求交。V 是一个过原点的平面它的法向量是 (1, 1, 1)W 的方向向量恰好也是 (1, 1, 1)。平面方程 x y z 0 表示的是与法向量 (1, 1, 1) 垂直的平面。而 W 的方向就是法线方向方向向量不在平面上也不与平面平行。所以 V 与 W 只交于原点即 V ∩ W {0}dim(V ∩ W) 0。再算维数。平面方程一个线性约束所以 dim V 2直线的基只有一个向量所以 dim W 1。由维数公式$$\dim(VW) 2 1 - 0 3$$R^3 本身维数是 3而 V W 是 R^3 的子空间维数为 3所以 V W R^3。同时 dim(V W) 3 dim V dim W所以 V W 是直和。这个例子在几何上特别直观一个过原点的平面加上它的法线方向可以“拼”出整个三维空间因为法线方向不在平面上没有重叠部分所以拼接方式是唯一的这就是直和的直观意义。4.2 例二多项式空间 P2 里的两个子空间做一个非直和对比例再看一个稍微抽象一点的例子顺便感受一下非直和的情形。设 P2 是次数不超过 2 的实系数多项式全体它是三维空间一组自然基是 {1, x, x^2}。取$$V { f(x) \in P2 \mid f(0) 0 }$$$$W { f(x) \in P2 \mid f(1) 0 \且\ f(1) 0 }$$先求 V 的维数。设 f(x) ax^2 bx c条件 f(0) 0 给出 c 0所以 V 中的多项式形式为 a x^2 b x基为 {x, x^2}dim V 2。再求 W 的维数。条件 f(1) 0 且 f(1) 0也就是说多项式在 x 1 处有一阶零点且一阶导数也为零。考虑 g(x) a(x-1)^2它在 x 1 处函数值和导数值都为零。实际上所有满足这两个条件的二次多项式都可以写成 a(x-1)^2 的形式因为 f(1) f(1) 0 意味着 x 1 是重根。所以 W span{ (x-1)^2 }dim W 1。现在求 V ∩ W。交空间里的多项式要同时满足 f(0) 0 和 f(x) a(x-1)^2 的形式。代入 x 0得到 f(0) a(0-1)^2 a于是 a 0所以 f 只能是零多项式。因此 V ∩ W {0}dim(V ∩ W) 0。于是$$\dim(VW) 2 1 - 0 3$$P2 的维数就是 3所以 V W P2且 dim(V W) dim V dim W因此 V ⊕ W P2。这个例子里V 是“所有不过问 x0 之前信息”的二次多项式本质是常数项为零W 是“以 x1 为重根”的一维子空间它们加在一起正好把整个 P2 覆盖起来并且没有重叠是一个很漂亮的直和。如果把 W 的条件改成只有 f(1) 0即 W { f ∈ P2 | f(1) 0 }那 dim W 2。此时 V ∩ W 中要求 f(0) 0 且 f(1) 0设 f(x) a x^2 b x c得 c 0a b 0也就是 b -a所以 f(x) a(x^2 - x)这是一维空间。由维数公式$$\dim(VW) 2 2 - 1 3$$虽然 V W 仍然是 P2但 3 ≠ 2 2所以它不是直和。这个对比很重要和空间能不能覆盖整个空间与是否为直和是两件事。很多同学看到“V W P2”就高兴地写上直和结果被扣分原因就在这里。5. 常见错误与快速排查把踩过的坑一次性填平5.1 我见过最多的四类错误第一类错误是把并集当成子空间来用。比如题目问“下列哪个是子空间”选项里有 V ∪ W有些人想当然认为两个子空间的并还是子空间。这题已经是经典老演员了反例就是两条坐标轴前面说过(1,0) 和 (0,1) 都在并集里但它们相加的 (1,1) 不在并集里。只要记住“并集只有在包含关系下才是子空间”这类题就稳了。第二类错误是维数公式里的正负号记反。有人会写成 dim(V W) dim V dim W dim(V ∩ W)也有人会把 V W 直接理解为“两个集合元素个数的和”忽略了重叠部分。实际上只要用 x 轴和 y 轴那个例子验算一下马上就能发现公式应该是减号。我建议所有初学的人把维数公式推一遍基的扩充过程哪怕只推一次比背十遍公式都有效。第三类错误是直和判定只记“交集为零”但在多子空间时乱用。比如一看到三个子空间两两交于零就毫不犹豫写直和。前面已经说过R^2 中三条不同直线就是反例。更稳妥的做法是遇到多个子空间要么按定义验证唯一分解要么用逐层交集条件去判不要贪图省事只看两两关系。第四类错误是忽略零空间也有维数或者把 {0} 当成“没有东西”。零空间包含唯一的零向量它的维数是 0它也是任何子空间的子空间。在判断 V ∩ W {0} 时要明确这是“零维”的交集而不是“没有交集”。这在用维数公式时必须写清楚否则容易把 dim(V ∩ W) 随手写成不存在导致整个计算缺项。5.2 一张速查表做题前扫一眼为了便于考前快速回顾我把核心结论整理成一张表。建议抄在笔记本显眼的位置做题前先对照着看一眼能避免至少一半的低级错误。运算或概念是否一定是子空间维数关系或判定要点典型反例或注意事项V ∩ W一定是子空间dim(V ∩ W) ≤ min(dim V, dim W)交集越小说明子空间越“独立”V ∪ W一般不一定是子空间只有当 V ⊆ W 或 W ⊆ V 时才是子空间两条坐标轴的并为反例V W一定是子空间dim(V W) dim V dim W - dim(V ∩ W)和空间可能等于全空间但不一定是直和V ⊕ W直和一定是子空间dim(V W) dim V dim W 等价于直和必须满足 V ∩ W {0}多子空间直和一定是子空间对每个 iV_i ∩ (Σ_{j≠i} V_j) {0}两两交为零不充分三条直线是反例这张表看起来简单但每个格子背后都有对应的考点。我最喜欢拿它来“反向出题”看一个结论想一个反例再想一个成立条件。比如看到“并”立刻想反例看到“直和”立刻想维数条件。这样反复几轮这块知识就变成条件反射了。5.3 考前自检三个问题帮你判断自己是否真懂第一个问题能不能不看课本随手写出“并集不是子空间”的一个反例如果一秒钟之内能写出来说明对并集的理解过关了。第二个问题能不能用基的扩充过程给旁边的同学讲明白为什么维数公式里要减去交空间的维数如果能讲明白说明不是死记公式而是真的理解了这个公式的来龙去脉。第三个问题能不能说清楚直和与唯一分解之间的关系并解释为什么多子空间时不能只看两两交为零如果这三个问题都能顺利答上来那线性子空间的交、并、和、维数与直和相关的内容基本就不会再丢分了。我个人的经验是线性代数里很多概念之所以难并不是因为它真的有多难而是因为名词太接近、符号太多让人在头脑里没有形成清晰的地图。子空间的交、并、和就是最典型的一块。一旦你愿意花一个小时把这些关系亲手推一遍、画一遍、出题考一遍自己后面学线性变换、特征值、若尔当标准形的时候会发现很多看似新的概念其实都在反复调用这里的思想。另外一个学习小技巧多用几何例子打底比如 R^2 中的直线、R^3 中的平面和直线把这些几何情景装入脑子后再抽象到多项式空间或矩阵空间就不容易慌了。希望这篇总结能帮你把这块硬骨头啃下来。 线性子空间交、并、和、维数与直和：定义、公式与常见误区详解
很多人学线性代数学到“线性子空间的交、并、和、维数与直和”这一块心里是有点乱的。倒不是公式记不住而是这几个概念挤在一起符号又多一会儿交一会儿和一会儿又冒出个直和特别容易出现“好像懂了做题就错”的状态。我自己当年考研复习时也在这块栽过跟头后来带过的学生里十个有八个会在“并为什么不是子空间”“直和到底怎么判”这些问题上反复出错。所以这篇内容我不打算讲多么高深的理论就围绕线性子空间最核心的几个运算——交、并、和、维数、直和——把它们的定义、关系、适用场景和常见坑一次性说清楚。不管你是刚学高等代数的本科生还是正在准备考研数学的人都可以拿这篇当复习提纲用学完至少能做到拿到一道子空间题目思路不会乱。1. 从集合运算到子空间运算先把概念理清1.1 子空间的定义和判断方法要理解交、并、和首先得把“线性子空间”这个东西本身搞明白。所谓线性子空间简单说就是线性空间里面一个“自己也能当空间”的非空子集。设 V 是一个线性空间W 是它的非空子集如果 W 对加法和数乘都封闭那 W 就是 V 的一个线性子空间。这里有个更省事的判断法W 是子空间当且仅当对于任意 x, y ∈ W任意标量 a都有 a x y ∈ W。因为这个条件同时包含了加法封闭和数乘封闭在实际做题时比分开验证更快。另一个容易忽略的点是W 必须是非空的但一般来说只要 0 ∈ W 就能保证非空所以判断子空间时先看零向量在不在里面往往能省不少计算。举个例子在 R^3 中所有满足 x y z 0 的向量 (x, y, z) 构成一个子空间因为任意两个这样的向量相加、任意数乘后坐标和仍然为 0而所有满足 x y z 1 的向量就不构成子空间零向量根本不在里面。这个例子虽然简单但很适合用来提醒自己子空间必须过原点凡是“不过原点”的平面或直线都没资格当子空间。1.2 交、并、和三个运算里只有两个是“正经”子空间有了子空间的定义再看三个运算。这里需要非常明确地记住两个子空间的交和和仍然是子空间但两个子空间的并一般不是子空间。这是很多人学习时第一个认知冲击点因为集合论里交、并、和是平行概念到了线性空间里突然“并”就掉队了。先说交。V ∩ W 表示同时属于 V 和 W 的向量全体。它必然是子空间这很好验证如果 x, y 既属于 V 又属于 W那 a x y 也既属于 V 又属于 W。交空间可以理解为两个子空间“共有的部分”维数越高说明两个子空间重叠越厉害。再说和。V W 定义为 { v w | v ∈ V, w ∈ W }也就是把 V 里的任意向量和 W 里的任意向量相加得到的所有结果。这个定义初学者很容易误解成“把两个集合的向量放一起”也就是并集。但实际上它是“任意配对相加”的结果不是简单的合并。V W 也是子空间因为两个这样的和向量相加拆开重组合后仍然是一个 V 中的向量加上一个 W 中的向量。最后看并。V ∪ W 表示“或者属于 V或者属于 W”的全体。并集一般不是子空间反例随手就能举在 R^2 中取 V 为 x 轴W 为 y 轴那么 V ∪ W 就是两条坐标轴上的点。向量 (1, 0) 属于 V(0, 1) 属于 W但它俩相加得到 (1, 1)既不在 x 轴上也不在 y 轴上所以 V ∪ W 对加法不封闭。只有当 V ⊆ W 或 W ⊆ V也就是其中一个被另一个完全包含时并才等于较大的那个子空间这时才称得上是子空间。这个结论一定要刻在脑子里后续很多判断题考的就是这个。2. 维数公式和空间大小不是两个维度简单相加2.1 维数公式及其直观理解如果只看定义很多人会觉得 V W 的维数当然等于 dim V dim W。但这里有一个非常严重的错觉V 和 W 可能有公共部分公共的部分被重复计算了一次。真正正确的公式是$$\dim(VW) \dim V \dim W - \dim(V \cap W)$$这个公式的重要程度可以说在整个线性空间理论里排得上前三。它告诉我们和空间的维数不是简单相加而是要“扣除”公共部分贡献的重复维数。我上课讲到这里时经常打一个比方V 和 W 像是两个各有成员的小组它们的成员有重叠如果问两个小组合并后一共有多少种不同的“角色”不能直接把人数相加得先把重叠的人扣掉一次。这个比方听起来很浅但确实能帮人记住公式里的减号。举一个极端的例子。在 R^2 中取 V 为 x 轴W 为 y 轴。这时 dim V 1dim W 1V ∩ W {0}所以 dim(V ∩ W) 0于是 dim(V W) 1 1 - 0 2。也就是说两条坐标轴张成的和空间是整个平面维数是 2这符合直觉。但如果取 V 和 W 都是 x 轴那么 dim V dim W 1V ∩ W V W维数为 1于是 dim(V W) 1 1 - 1 1和空间还是 x 轴维数仍然是 1。这两个例子一对比公式里为什么要有减号就再清楚不过了。2.2 用基的扩充理解公式为什么成立维数公式光记住还不够最好能理解它为什么成立。理解的关键是“从交的基出发分别扩充到 V 和 W 的基”。设 dim(V ∩ W) r取 V ∩ W 的一组基 α1, ..., αr。因为 V ∩ W 是 V 的子空间所以这 r 个线性无关的向量可以扩充为 V 的一组基不妨记为 α1, ..., αr, β1, ..., β_{m-r}其中 m dim V。同理这组 α1, ..., αr 也可以扩充为 W 的基记为 α1, ..., αr, γ1, ..., γ_{n-r}其中 n dim W。现在关键问题来了V W 中每个向量都可以写成 V 中向量与 W 中向量之和也就是可以由 α1, ..., αr, β1, ..., β_{m-r}, γ1, ..., γ_{n-r} 这组向量线性表出。所以 V W 的维数不超过这些向量个数也就是 r (m - r) (n - r) m n - r。另一方面需要证明这组向量线性无关。如果存在系数使得$$c_1\alpha_1 \cdots c_r\alpha_r d_1\beta_1 \cdots d_{m-r}\beta_{m-r} e_1\gamma_1 \cdots e_{n-r}\gamma_{n-r} 0$$把涉及 α 和 β 的部分记为 u涉及 γ 的部分记为 w则 u w 0。可以看出 u ∈ Vw ∈ W于是 u -w 既属于 V 又属于 W所以 u ∈ V ∩ W。因此 u 可以用 α1, ..., αr 线性表出。但另一方面 u 又是由这组 α、β 线性表出的由于 α1, ..., αr, β1, ..., β_{m-r} 是 V 的基这种表出方式唯一那么 β 部分的系数必须全为 0。同理可以看出 u 0进而 γ 部分的系数也全为 0最终 α 部分的系数也全为 0。于是这组向量线性无关确实是 V W 的基。维数自然是 m n - r。这个过程虽然看起来有点绕但只要你亲手写一遍对维数公式的理解会深很多以后用起来也不会心虚。3. 直和和空间的一种“不重叠”特殊情况3.1 直和的两种等价定义直和是“和”的一种特殊情形也是最常考、最容易出错的一种情形。如果 V W 中每个向量的分解式是唯一的也就是说对任意向量 x ∈ V W都存在唯一的 v ∈ V、w ∈ W 使得 x v w那么我们称 V W 是直和记作 V ⊕ W。这个“唯一分解”的要求本质上就是 V 和 W 之间不能有“嫌疑”空间重叠。数学上有一个非常漂亮且好用的等价条件V W 是直和当且仅当 V ∩ W {0}。为什么交为零就等价于唯一分解我们来看。如果 V ∩ W 中有一个非零向量 z那么零向量可以写成 z (-z)这里 z ∈ V-z ∈ W且 z ≠ 0。同时零向量也可以写成 0 0。这样同一个零向量就有两种分解方式唯一性被破坏。反过来如果每个向量都有唯一的分解先考虑零向量唯一分解告诉你若 v w 0则 v 0 且 w 0。而 v w 0 意味着 v -w这个向量同时属于 V 和 W所以 V ∩ W 中所有向量都必须为零也就是交集只能是零空间。这个逻辑链在很多证明题里会直接用到建议背下来。这里顺便说一个细节零空间 {0} 的维数是 0不是 1。很多人在判断“交是不是直和”时会说“交集不含非零向量”严格表述是 V ∩ W {0}或者 dim(V ∩ W) 0。不要看到“0”就心虚零空间确实是零维空间。3.2 用维数条件判定直和最省事的方法有了维数公式直和的判定会变得格外快捷。因为 V W 是直和等价于 V ∩ W {0}而维数公式告诉我们$$\dim(VW) \dim V \dim W - \dim(V \cap W)$$所以“V ∩ W {0}”等价于“dim(V ∩ W) 0”也就等价于$$\dim(VW) \dim V \dim W$$这个判定方法特别好用因为很多时候求交空间的计算量很大而算维数、找基相对容易。比如已知 dim V 2dim W 1如果题目让你判断和空间是否直和你只需要算出 V W 的维数如果算出来是 3那就等于 2 1是直和如果算出来是 2说明交集非零不是直和。这和直接去求交集得到了相同结论但省去了一堆联立方程的麻烦。做题时优先用维数条件这是我反复强调的实操习惯。3.3 多个子空间的直和一个特别容易记错的坑多个子空间的直和比两个子空间复杂一些而且有一个特别经典的大坑不能只靠“两两交集为零”来判断整体直和。具体来说三个子空间 V1、V2、V3 两两交于零空间并不能推出 V1 V2 V3 是直和。举例说明。考虑 R^2 中的三条过原点的直线 L1、L2、L3它们方向各不相同。任意两条直线只交于原点两两交集都为零空间。但是 V1 V2 V3 实际上还是整个 R^2维数是 2而 dim V1 dim V2 dim V3 3。维数 2 不等于 3所以不是直和。为什么会这样因为三条一维直线加在一起多余的维数被“挤掉”了一个向量可能有多种方式分解成三条直线上的向量之和。正确的多子空间直和定义要求的是整体唯一分解等价于对每个 i都有$$ V_i \cap \left(\sum_{j \neq i} V_j \right) {0} $$也就是每个子空间与“其它所有子空间的和”只交于零向量。还有一种逐层判定法设 S_k V1 ... Vk如果对每个 k 都有 S_k ∩ V_{k1} {0}则整个和是直和。这个方法在归纳构造时很常用。总之两两交为零这个条件在单个子空间上看似很严但放到整体里可能“松”得很千万别拿它当多子空间直和的充分条件。4. 两道例题完整走一遍从建立方程到判断维数4.1 例一R^3 中的平面与直线正儿八经走一次直和判断题目设 V 是 R^3 中满足 x y z 0 的平面W 是直线 span{ (1, 1, 1) }。求 V ∩ W、V W 的维数并判断是否为直和。先说怎么求交。V 是一个过原点的平面它的法向量是 (1, 1, 1)W 的方向向量恰好也是 (1, 1, 1)。平面方程 x y z 0 表示的是与法向量 (1, 1, 1) 垂直的平面。而 W 的方向就是法线方向方向向量不在平面上也不与平面平行。所以 V 与 W 只交于原点即 V ∩ W {0}dim(V ∩ W) 0。再算维数。平面方程一个线性约束所以 dim V 2直线的基只有一个向量所以 dim W 1。由维数公式$$\dim(VW) 2 1 - 0 3$$R^3 本身维数是 3而 V W 是 R^3 的子空间维数为 3所以 V W R^3。同时 dim(V W) 3 dim V dim W所以 V W 是直和。这个例子在几何上特别直观一个过原点的平面加上它的法线方向可以“拼”出整个三维空间因为法线方向不在平面上没有重叠部分所以拼接方式是唯一的这就是直和的直观意义。4.2 例二多项式空间 P2 里的两个子空间做一个非直和对比例再看一个稍微抽象一点的例子顺便感受一下非直和的情形。设 P2 是次数不超过 2 的实系数多项式全体它是三维空间一组自然基是 {1, x, x^2}。取$$V { f(x) \in P2 \mid f(0) 0 }$$$$W { f(x) \in P2 \mid f(1) 0 \且\ f(1) 0 }$$先求 V 的维数。设 f(x) ax^2 bx c条件 f(0) 0 给出 c 0所以 V 中的多项式形式为 a x^2 b x基为 {x, x^2}dim V 2。再求 W 的维数。条件 f(1) 0 且 f(1) 0也就是说多项式在 x 1 处有一阶零点且一阶导数也为零。考虑 g(x) a(x-1)^2它在 x 1 处函数值和导数值都为零。实际上所有满足这两个条件的二次多项式都可以写成 a(x-1)^2 的形式因为 f(1) f(1) 0 意味着 x 1 是重根。所以 W span{ (x-1)^2 }dim W 1。现在求 V ∩ W。交空间里的多项式要同时满足 f(0) 0 和 f(x) a(x-1)^2 的形式。代入 x 0得到 f(0) a(0-1)^2 a于是 a 0所以 f 只能是零多项式。因此 V ∩ W {0}dim(V ∩ W) 0。于是$$\dim(VW) 2 1 - 0 3$$P2 的维数就是 3所以 V W P2且 dim(V W) dim V dim W因此 V ⊕ W P2。这个例子里V 是“所有不过问 x0 之前信息”的二次多项式本质是常数项为零W 是“以 x1 为重根”的一维子空间它们加在一起正好把整个 P2 覆盖起来并且没有重叠是一个很漂亮的直和。如果把 W 的条件改成只有 f(1) 0即 W { f ∈ P2 | f(1) 0 }那 dim W 2。此时 V ∩ W 中要求 f(0) 0 且 f(1) 0设 f(x) a x^2 b x c得 c 0a b 0也就是 b -a所以 f(x) a(x^2 - x)这是一维空间。由维数公式$$\dim(VW) 2 2 - 1 3$$虽然 V W 仍然是 P2但 3 ≠ 2 2所以它不是直和。这个对比很重要和空间能不能覆盖整个空间与是否为直和是两件事。很多同学看到“V W P2”就高兴地写上直和结果被扣分原因就在这里。5. 常见错误与快速排查把踩过的坑一次性填平5.1 我见过最多的四类错误第一类错误是把并集当成子空间来用。比如题目问“下列哪个是子空间”选项里有 V ∪ W有些人想当然认为两个子空间的并还是子空间。这题已经是经典老演员了反例就是两条坐标轴前面说过(1,0) 和 (0,1) 都在并集里但它们相加的 (1,1) 不在并集里。只要记住“并集只有在包含关系下才是子空间”这类题就稳了。第二类错误是维数公式里的正负号记反。有人会写成 dim(V W) dim V dim W dim(V ∩ W)也有人会把 V W 直接理解为“两个集合元素个数的和”忽略了重叠部分。实际上只要用 x 轴和 y 轴那个例子验算一下马上就能发现公式应该是减号。我建议所有初学的人把维数公式推一遍基的扩充过程哪怕只推一次比背十遍公式都有效。第三类错误是直和判定只记“交集为零”但在多子空间时乱用。比如一看到三个子空间两两交于零就毫不犹豫写直和。前面已经说过R^2 中三条不同直线就是反例。更稳妥的做法是遇到多个子空间要么按定义验证唯一分解要么用逐层交集条件去判不要贪图省事只看两两关系。第四类错误是忽略零空间也有维数或者把 {0} 当成“没有东西”。零空间包含唯一的零向量它的维数是 0它也是任何子空间的子空间。在判断 V ∩ W {0} 时要明确这是“零维”的交集而不是“没有交集”。这在用维数公式时必须写清楚否则容易把 dim(V ∩ W) 随手写成不存在导致整个计算缺项。5.2 一张速查表做题前扫一眼为了便于考前快速回顾我把核心结论整理成一张表。建议抄在笔记本显眼的位置做题前先对照着看一眼能避免至少一半的低级错误。运算或概念是否一定是子空间维数关系或判定要点典型反例或注意事项V ∩ W一定是子空间dim(V ∩ W) ≤ min(dim V, dim W)交集越小说明子空间越“独立”V ∪ W一般不一定是子空间只有当 V ⊆ W 或 W ⊆ V 时才是子空间两条坐标轴的并为反例V W一定是子空间dim(V W) dim V dim W - dim(V ∩ W)和空间可能等于全空间但不一定是直和V ⊕ W直和一定是子空间dim(V W) dim V dim W 等价于直和必须满足 V ∩ W {0}多子空间直和一定是子空间对每个 iV_i ∩ (Σ_{j≠i} V_j) {0}两两交为零不充分三条直线是反例这张表看起来简单但每个格子背后都有对应的考点。我最喜欢拿它来“反向出题”看一个结论想一个反例再想一个成立条件。比如看到“并”立刻想反例看到“直和”立刻想维数条件。这样反复几轮这块知识就变成条件反射了。5.3 考前自检三个问题帮你判断自己是否真懂第一个问题能不能不看课本随手写出“并集不是子空间”的一个反例如果一秒钟之内能写出来说明对并集的理解过关了。第二个问题能不能用基的扩充过程给旁边的同学讲明白为什么维数公式里要减去交空间的维数如果能讲明白说明不是死记公式而是真的理解了这个公式的来龙去脉。第三个问题能不能说清楚直和与唯一分解之间的关系并解释为什么多子空间时不能只看两两交为零如果这三个问题都能顺利答上来那线性子空间的交、并、和、维数与直和相关的内容基本就不会再丢分了。我个人的经验是线性代数里很多概念之所以难并不是因为它真的有多难而是因为名词太接近、符号太多让人在头脑里没有形成清晰的地图。子空间的交、并、和就是最典型的一块。一旦你愿意花一个小时把这些关系亲手推一遍、画一遍、出题考一遍自己后面学线性变换、特征值、若尔当标准形的时候会发现很多看似新的概念其实都在反复调用这里的思想。另外一个学习小技巧多用几何例子打底比如 R^2 中的直线、R^3 中的平面和直线把这些几何情景装入脑子后再抽象到多项式空间或矩阵空间就不容易慌了。希望这篇总结能帮你把这块硬骨头啃下来。