# 向量空间 (Vector Space)
向量空间 (Vector Space)，也称为 线性空间 (Linear Space)，是{{{线性代数}}}中最核心、最基本的抽象概念之一。它是一个由称为 向量 (vectors) 的元素组成的集合，在这个集合上定义了两种运算：向量加法 和 标量乘法。这些运算必须满足一系列公理（Axioms），从而赋予向量空间一种特殊的代数结构。
向量空间的概念将我们熟悉的二维或三维几何向量的性质进行了推广和抽象化。在向量空间中，“向量”可以代表各种各样的数学对象，例如几何向量、坐标元组、{{{多项式}}}、{{{函数}}}、{{{矩阵}}}等，只要它们遵循定义的运算规则。标量 (scalars) 通常是来自某个{{{域}}} (field) 的元素，最常见的是{{{实数}}} $\mathbb{R}$ 或{{{复数}}} $\mathbb{C}$。
## 形式化定义
一个向量空间是一个四元组 $(V, F, +, \cdot)$，其中：
* $V$ 是一个非空集合，其元素称为 向量。 * $F$ 是一个{{{域}}}，其元素称为 标量。若 $F = \mathbb{R}$ (实数域)，则称 $V$ 为 {{{实向量空间}}} (real vector space)。若 $F = \mathbb{C}$ (复数域)，则称 $V$ 为 复向量空间 (complex vector space)。 * $+$ 是一个二元运算，称为 向量加法 (vector addition)，它将 $V$ 中的任意两个向量 $\mathbf{u}$ 和 $\mathbf{v}$ 映射到 $V$ 中的另一个向量 $\mathbf{u} + \mathbf{v}$。 * $\cdot$ 是一个运算，称为 标量乘法 (scalar multiplication)，它将 $F$ 中的任意一个标量 $c$ 和 $V$ 中的任意一个向量 $\mathbf{v}$ 映射到 $V$ 中的另一个向量 $c\mathbf{v}$。
这两种运算必须满足以下十条公理。对于 $V$ 中任意的向量 $\mathbf{u}, \mathbf{v}, \mathbf{w}$ 和 $F$ 中任意的标量 $c, d$：
关于向量加法的公理 (这五条公理表明 $(V, +)$ 构成一个{{{阿贝尔群}}} (Abelian group))
1. 加法结合律 (Associativity of addition)：$(\mathbf{u} + \mathbf{v}) + \mathbf{w} = \mathbf{u} + (\mathbf{v} + \mathbf{w})$ 2. 加法交换律 (Commutativity of addition)：$\mathbf{u} + \mathbf{v} = \mathbf{v} + \mathbf{u}$ 3. 加法单位元 (Identity element of addition)：$V$ 中存在一个唯一的 {{{零向量}}} (zero vector)，记作 $\mathbf{0}$，使得对于任意 $\mathbf{v} \in V$，都有 $\mathbf{v} + \mathbf{0} = \mathbf{v}$。 4. 加法逆元 (Inverse elements of addition)：对于 $V$ 中的每一个向量 $\mathbf{v}$，都存在一个唯一的向量 $-\mathbf{v} \in V$，称为 $\mathbf{v}$ 的 {{{加法逆元}}} (additive inverse)，使得 $\mathbf{v} + (-\mathbf{v}) = \mathbf{0}$。 5. 加法封闭性 (Closure under addition)：若 $\mathbf{u}, \mathbf{v} \in V$，则 $\mathbf{u} + \mathbf{v} \in V$。（此条已包含在加法运算的定义中，但常作为公理列出以示完整）
关于标量乘法的公理
6. 标量乘法对向量加法的分配律 (Distributivity)：$c(\mathbf{u} + \mathbf{v}) = c\mathbf{u} + c\mathbf{v}$ 7. 标量乘法对域加法的分配律 (Distributivity)：$(c + d)\mathbf{v} = c\mathbf{v} + d\mathbf{v}$ 8. 标量乘法与域乘法的相容性 (Compatibility)：$c(d\mathbf{v}) = (cd)\mathbf{v}$ 9. 标量乘法单位元 (Identity element of scalar multiplication)：$1\mathbf{v} = \mathbf{v}$，其中 $1$ 是域 $F$ 中的乘法单位元。 10. 标量乘法封闭性 (Closure under scalar multiplication)：若 $c \in F$ 且 $\mathbf{v} \in V$，则 $c\mathbf{v} \in V$。（此条也包含在标量乘法运算的定义中）
## 向量空间的常见例子
向量空间概念的强大之处在于其广泛的适用性。以下是一些重要的向量空间实例：
* 几何向量空间：在二维平面或三维空间中，所有始于原点的有向线段（箭头）构成的集合。向量加法遵循{{{平行四边形法则}}}，标量乘法则是对向量进行伸长或缩短。这是最直观的向量空间模型。
* 坐标空间 $\mathbb{R}^n$：这是应用最广泛的向量空间。其元素是所有形如 $\mathbf{v} = (v_1, v_2, \ldots, v_n)$ 的 $n$ 维实数元组。运算定义如下： * 加法：$\mathbf{u} + \mathbf{v} = (u_1+v_1, u_2+v_2, \ldots, u_n+v_n)$ * 标量乘法：$c\mathbf{v} = (cv_1, cv_2, \ldots, cv_n)$ 在{{{统计学}}}和{{{机器学习}}}中，一个包含 $n$ 个特征的数据点就可以被看作是 $\mathbb{R}^n$ 空间中的一个向量。
* 多项式空间 $\mathcal{P}_n(F)$：所有次数不超过 $n$ 且系数属于域 $F$ 的{{{多项式}}}构成的集合。例如，向量可以是 $p(x) = a_n x^n + \dots + a_1 x + a_0$。 * 加法：$(p+q)(x) = p(x) + q(x)$ * 标量乘法：$(cp)(x) = c \cdot p(x)$ 这里，“向量”不再是带箭头的线段，而是一个多项式函数。
* 连续函数空间 $C[a, b]$：在闭区间 $[a, b]$ 上所有{{{连续函数}}}构成的集合。这是一个{{{无限维向量空间}}}的典型例子，在{{{泛函分析}}}和{{{微分方程}}}理论中至关重要。 * 加法：$(f+g)(x) = f(x) + g(x)$ * 标量乘法：$(cf)(x) = c \cdot f(x)$
* 矩阵空间 $M_{m,n}(F)$：所有 $m \times n$ {{{矩阵}}}构成的集合，其元素来自域 $F$。矩阵的加法和标量乘法按对应元素进行。
## 核心概念
基于向量空间的定义，可以引申出{{{线性代数}}}的一系列核心概念：
* {{{向量子空间}}} (Vector Subspace)：一个向量空间 $V$ 的子集 $W$，如果 $W$ 对于 $V$ 中定义的加法和标量乘法运算也构成一个向量空间，则称 $W$ 是 $V$ 的一个子空间。 * {{{线性组合}}} (Linear Combination)：给定一组向量 $\{\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_k\}$ 和一组标量 $\{c_1, c_2, \ldots, c_k\}$，形如 $c_1\mathbf{v}_1 + c_2\mathbf{v}_2 + \dots + c_k\mathbf{v}_k$ 的向量称为这组向量的一个线性组合。 * {{{生成空间}}} (Span)：由一组向量 $\{\mathbf{v}_1, \ldots, \mathbf{v}_k\}$ 的所有可能线性组合构成的集合，记为 $\text{span}\{\mathbf{v}_1, \ldots, \mathbf{v}_k\}$。它本身是一个向量子空间。 * {{{线性无关}}} (Linear Independence)：如果方程 $c_1\mathbf{v}_1 + c_2\mathbf{v}_2 + \dots + c_k\mathbf{v}_k = \mathbf{0}$ 仅在所有标量 $c_i$ 都为零时成立，则称向量组 $\{\mathbf{v}_1, \ldots, \mathbf{v}_k\}$ 是线性无关的。这意味着该组向量中没有任何一个向量可以表示为其他向量的线性组合。 * {{{基}}} (Basis)：一个向量空间的基是该空间中的一个向量集合，这个集合中的向量既是线性无关的，又能生成 (span) 整个向量空间。基为向量空间提供了一个“坐标系”。 * {{{维度}}} (Dimension)：一个向量空间的维度被定义为其任何一个基所包含的向量数量。这是一个向量空间的不变属性。例如，$\mathbb{R}^3$ 的维度是 3。
## 重要性与应用
向量空间是现代数学的基石之一，它为处理具有线性结构的系统提供了一个统一的理论框架。
* 数学领域：它是{{{线性代数}}}、{{{泛函分析}}}、{{{微分几何}}}等多个分支的基础。 * 物理学：用于描述力、速度、电场、磁场等矢量，以及在{{{量子力学}}}中描述量子态。 * 计算机科学：在{{{计算机图形学}}}中用于表示和变换三维模型；在数据科学中，高维向量空间是处理和分析大型数据集的基础。 * 经济与金融：在{{{经济学}}}中，商品束或资产组合可以被模型化为向量空间中的点。{{{计量经济学}}}中的{{{回归分析}}}本质上是在高维向量空间中寻找最佳的线性拟合。
通过将具体问题抽象为向量空间中的关系，我们可以利用线性代数的强大工具来分析和解决问题，这也是向量空间这一概念具有深远影响力的原因。