2C 维数

本节概览

本节引入向量空间最核心的不变量——维数（dimension）。维数是连接基的抽象理论与具体计算之间的桥梁，它将”基有多少个向量”这一信息提炼为一个整数，使得我们可以用数的大小关系来推理空间的结构。

逻辑链条：基的长度不依赖选取 → 定义维数 → 维数判别基的两个充要条件 → 子空间维数公式

前置依赖：2A 张成空间和线性无关性（定理 2.22 长度比较）、2B 基（定义 2.26、定理 2.30/2.32）

核心主线：维数是向量空间的”DNA”——同构的空间有相同的维数，维数不同的空间不可能同构

一、维数的定义

定理 2.34 基的长度不依赖于基的选取

有限维向量空间的任意两个基都有相同的长度。

证明思路

[双向长度比较]：

设 $B_{1}$ 和 $B_{2}$ 是 $V$ 的两个基。

$B_{1}$ 线性无关， $B_{2}$ 张成 $V$ ⟹ $∣ B_{1} ∣ \leq ∣ B_{2} ∣$ （由定理 2.22）

$B_{2}$ 线性无关， $B_{1}$ 张成 $V$ ⟹ $∣ B_{2} ∣ \leq ∣ B_{1} ∣$ （互换角色）

因此 $∣ B_{1} ∣ = ∣ B_{2} ∣$ 。 $■$

定义 2.35 维数

有限维向量空间的维数是这个向量空间中任意一个基的长度。

有限维向量空间 $V$ 的维数记作 $dim V$ 。

规定 $dim {0} = 0$ 。

例 2.36 维数计算

向量空间维数基
$F^{n}$ $n$ 标准基 $(1, 0, \dots, 0), \dots, (0, \dots, 0, 1)$
$P_{m} (F)$ $m + 1$ $1, z, \dots, z^{m}$
${(x, x, y) \in F^{3}}$ $2$ $(1, 1, 0), (0, 0, 1)$
${(x, y, z) : x + y + z = 0}$ $2$ $(1, - 1, 0), (1, 0, - 1)$

向量空间	维数	基
$F^{n}$	$n$	标准基 $(1, 0, \dots, 0), \dots, (0, \dots, 0, 1)$
$P_{m} (F)$	$m + 1$	$1, z, \dots, z^{m}$
${(x, x, y) \in F^{3}}$	$2$	$(1, 1, 0), (0, 0, 1)$
${(x, y, z) : x + y + z = 0}$	$2$	$(1, - 1, 0), (1, 0, - 1)$

定理 2.37 子空间的维数

如果 $V$ 是有限维的且 $U$ 是 $V$ 的子空间，那么== $dim U \leq dim V$ ==。

证明

将 $U$ 的基看成 $V$ 中的线性无关组， $V$ 的基看成 $V$ 中的张成组，由定理 2.22 即得。

域的影响

$R^{2}$ 作为实向量空间维数为 $2$ ， $C$ 作为复向量空间维数为 $1$ 。虽然 $R^{2}$ 和 $C$ 作为集合可以等同，但维数取决于域的选取。讨论维数时不可忽视 $F$ 的影响。

二、维数判别基的充要条件

定理 2.38 长度恰当的线性无关组是基

假设 $V$ 是有限维的。那么 $V$ 中每个长度为 $dim V$ 的线性无关向量组都是 $V$ 的基。

证明思路

[扩充法的平凡情况]：

设 $dim V = n$ ， $v_{1}, \dots, v_{n}$ 线性无关。由定理 2.32，可扩充为基。但基的长度为 $n$ ，所以扩充是平凡的——没有元素被加入。因此 $v_{1}, \dots, v_{n}$ 已经是基。 $■$

推论 2.39 同维数子空间 = 整个空间

假设 $V$ 是有限维的， $U$ 是 $V$ 的子空间且 $dim U = dim V$ 。那么 $U = V$ 。

证明

$U$ 的基是 $V$ 中长度为 $dim V$ 的线性无关组，由定理 2.38 它是 $V$ 的基，故 $U = V$ 。

例 2.40 $F^{2}$ 的一个基

$(5, 7), (4, 3)$ 在 $F^{2}$ 中线性无关（不成比例）， $dim F^{2} = 2$ ，由定理 2.38 直接得它是基——无需验证张成。

例 2.41 $P_{3} (R)$ 的子空间的基

设 $U = {p \in P_{3} (R) : p^{'} (5) = 0}$ 。

分析： $1, (x - 5)^{2}, (x - 5)^{3} \in U$ （导数在 $x = 5$ 处为零），且线性无关（比较最高次项系数）。

所以 $3 \leq dim U \leq dim P_{3} (R) = 4$ （由定理 2.37）。

又 $x \in / U$ （ $x^{'} = 1 \neq = 0$ ），故 $U \neq = P_{3} (R)$ ， $dim U \neq = 4$ （由推论 2.39）。

因此 $dim U = 3$ ， $1, (x - 5)^{2}, (x - 5)^{3}$ 是 $U$ 的基（由定理 2.38）。

定理 2.42 长度恰当的张成组是基

假设 $V$ 是有限维的。那么 $V$ 中每个长度为 $dim V$ 的张成组都是 $V$ 的基。

证明思路

[削减法的平凡情况]：

设 $dim V = n$ ， $v_{1}, \dots, v_{n}$ 张成 $V$ 。由定理 2.30，可缩减为基。但基的长度为 $n$ ，所以缩减是平凡的——没有元素被移除。因此 $v_{1}, \dots, v_{n}$ 已经是基。 $■$

定理 2.38 和 2.42 的实用价值

这两个定理极大地简化了验证基的工作：

定理 2.38：已知线性无关 + 长度 = $dim V$ ⟹ 自动是基，无需验证张成

定理 2.42：已知张成 + 长度 = $dim V$ ⟹ 自动是基，无需验证线性无关

只需要验证基的两个条件之一，另一个”免费”获得。

三、维数公式

定理 2.43 子空间之和的维数

如果 $V_{1}$ 和 $V_{2}$ 是一个有限维向量空间的子空间，那么 $dim (V_{1} + V_{2}) = dim V_{1} + dim V_{2} - dim (V_{1} \cap V_{2})$

证明思路

[分别取基再合并]：

[步骤 1]：取 $V_{1} \cap V_{2}$ 的基 $v_{1}, \dots, v_{m}$ ，则 $dim (V_{1} \cap V_{2}) = m$ 。

[步骤 2]：扩充为 $V_{1}$ 的基 $v_{1}, \dots, v_{m}, u_{1}, \dots, u_{j}$ ，则 $dim V_{1} = m + j$ 。

[步骤 3]：扩充为 $V_{2}$ 的基 $v_{1}, \dots, v_{m}, w_{1}, \dots, w_{k}$ ，则 $dim V_{2} = m + k$ 。

[关键步骤：证明合并组线性无关]：设 $a_{1} v_{1} + \dots + a_{m} v_{m} + b_{1} u_{1} + \dots + b_{j} u_{j} + c_{1} w_{1} + \dots + c_{k} w_{k} = 0$ 。

将含 $w$ 的项移到右边： $c_{1} w_{1} + \dots + c_{k} w_{k} = - a_{1} v_{1} - \dots - b_{j} u_{j}$ 。

左边属于 $V_{2}$ ，右边属于 $V_{1}$ ，故属于 $V_{1} \cap V_{2}$ 。因此可用 $v_{1}, \dots, v_{m}$ 表示，由 $v_{1}, \dots, v_{m}, w_{1}, \dots, w_{k}$ 线性无关得所有 $c = 0$ 。再由 $v_{1}, \dots, v_{m}, u_{1}, \dots, u_{j}$ 线性无关得所有 $a = b = 0$ 。 $■$

集合与向量空间的类比

集合向量空间
$S$ 是有限集 $V$ 是有限维向量空间
$# S$ $dim V$
$S_{1} \cup S_{2}$ 是最小包含 $V_{1} + V_{2}$ 是最小包含
$# (S_{1} \cup S_{2}) = # S_{1} + # S_{2} - # (S_{1} \cap S_{2})$ $dim (V_{1} + V_{2}) = dim V_{1} + dim V_{2} - dim (V_{1} \cap V_{2})$
$# (S_{1} \cup S_{2}) = # S_{1} + # S_{2} \Leftrightarrow S_{1} \cap S_{2} = \emptyset$ $dim (V_{1} + V_{2}) = dim V_{1} + dim V_{2} \Leftrightarrow V_{1} \cap V_{2} = {0}$
不相交集合的并直和 $\oplus$

集合	向量空间
$S$ 是有限集	$V$ 是有限维向量空间
$# S$	$dim V$
$S_{1} \cup S_{2}$ 是最小包含	$V_{1} + V_{2}$ 是最小包含
$# (S_{1} \cup S_{2}) = # S_{1} + # S_{2} - # (S_{1} \cap S_{2})$	$dim (V_{1} + V_{2}) = dim V_{1} + dim V_{2} - dim (V_{1} \cap V_{2})$
$# (S_{1} \cup S_{2}) = # S_{1} + # S_{2} \Leftrightarrow S_{1} \cap S_{2} = \emptyset$	$dim (V_{1} + V_{2}) = dim V_{1} + dim V_{2} \Leftrightarrow V_{1} \cap V_{2} = {0}$
不相交集合的并	直和 $\oplus$

直和的维数判别

由定理 2.43 和定理 1.46： $V_{1} + V_{2} 是直和 ⟺ V_{1} \cap V_{2} = {0} ⟺ dim (V_{1} + V_{2}) = dim V_{1} + dim V_{2}$

维数公式为直和的判定提供了一个计算工具——只需比较维数，无需直接验证交集。

四、知识结构总览

graph TD
    A[2C 维数] --> B[维数的定义]
    A --> C[维数判别基]
    A --> D[维数公式]
    B --> B1[定理2.34 基长不依赖选取]
    B --> B2[定义2.35 dim V]
    B --> B3[例2.36 维数计算]
    B --> B4[定理2.37 子空间维数不等式]
    C --> C1[定理2.38 无关组=基]
    C --> C2[推论2.39 同维=全空间]
    C --> C3[定理2.42 张成组=基]
    D --> D1[定理2.43 维数公式]
    D --> D2[集合与空间类比]
    B1 -.-> B2
    B2 -.-> C1
    C1 -.-> C2
    C3 -.-> D1
    D1 -.->|"直和判别"| D2

五、核心思想与证明技巧

核心思想

维数是不变量：定理 2.34 保证维数不依赖基的选取——这是整个线性代数的基石。就像物体的质量不依赖你用什么秤来称。

“半验证”策略：定理 2.38 和 2.42 是最实用的工具——只要知道维数，只需验证线性无关或张成之一，另一个自动成立。

维数公式 = 容斥原理：定理 2.43 完全类比集合的容斥原理。交集被”重复计算”了一次，需要减去。

维数是空间分类的依据： $dim U = dim V$ 且 $U \subseteq V$ ⟹ $U = V$ （推论 2.39）。维数严格不等的空间不可能相等。

证明技巧清单

证明 $dim U = k$ 的标准流程（如例 2.41）：先找 $k$ 个线性无关向量（下界），再用 $dim U \leq dim V$ （上界），夹逼得 $dim U = k$

维数公式证明中的”分离变量”技巧（定理 2.43）：将含 $w$ 的项移到等号一边，证明它属于 $V_{1} \cap V_{2}$ ，从而利用交集基的线性无关性

反证法利用推论 2.39：要证 $U \neq = V$ ，只需证 $dim U < dim V$

六、补充理解与易混淆点

6.1 维数的几何直觉

维数对应我们日常空间直觉中的”自由度”（OSU Ximera、UMich Lecture 4b 讲义）：

维数	几何对象	自由度
$dim = 0$	一个点（原点）	无法移动
$dim = 1$	过原点的直线	沿一个方向移动
$dim = 2$	过原点的平面	沿两个独立方向移动
$dim = 3$	三维空间	沿三个独立方向移动
$dim = n$	$n$ 维空间	沿 $n$ 个独立方向移动

==直觉：维数 = 描述空间中任意位置所需的独立参数个数==。就像描述平面上的点需要 2 个坐标，描述空间中的点需要 3 个坐标。

来源：OSU Ximera Bases and Dimension、UMich Lecture 4b Dimension。

6.2 维数公式与直和

维数公式（定理 2.43）的一个直接推论是直和的维数等于各子空间维数之和。这为判断两个子空间是否构成直和提供了计算方法（URI Math 215 讲义、MathOnline Wiki）：

$V_{1} + V_{2} 是直和 ⟺ dim (V_{1} + V_{2}) = dim V_{1} + dim V_{2}$

这在具体计算中非常有用：不需要直接证明 $V_{1} \cap V_{2} = {0}$ ，只需分别计算三个维数。

来源：URI Math 215 Section 4.5、MathOnline Wiki Dimension of Sum of Subspaces。

6.3 常见误区

误区1："维数就是向量的个数"

❌ 错误认知： $dim V$ 是 $V$ 中向量的个数 ✅ 正确理解：维数是基的长度，即描述空间所需的最少独立方向数。向量空间通常包含无穷多个向量（除 ${0}$ 外），维数是空间的结构属性，不是元素计数

误区2：" $dim (U + W) = dim U + dim W$ 总是成立"

❌ 错误认知：子空间之和的维数等于维数之和 ✅ 正确理解：只有当 $U \cap W = {0}$ （即直和）时才成立。一般情况下需要减去交集的维数（CSDN 问答、StudyX 解题分析）。例如 $U = W$ 时， $dim (U + W) = dim U$ ，而非 $2 dim U$

误区3："验证基必须同时检查张成和线性无关"

❌ 错误认知：要证明一组向量是基，必须同时验证张成和线性无关 ✅ 正确理解：如果已知该组的长度等于 $dim V$ ，只需验证两个条件之一（定理 2.38 和 2.42）。这是维数概念带来的巨大简化（OSU Ximera Bases and Dimension）

来源：OSU Ximera Bases and Dimension、URI Math 215 Section 4.5、CSDN 和的维数与并的维数区别问答、MathOnline Wiki、Yutsumura Linear Algebra。

七、习题精选

本节习题

编号标题核心考点难度
1 R² 的子空间分类维数与几何 ⭐
3 P₄ 中条件子空间求基 + 扩充 + 直和 ⭐⭐
8 平移向量的维数维数下界估计 ⭐⭐⭐
9 不同次多项式组次数与线性无关 ⭐⭐
11 C⁶ 中四维子空间交集非零 ⭐⭐⭐
13 R⁹ 中五维子空间交集非零 ⭐⭐

编号	标题	核心考点	难度
1	R² 的子空间分类	维数与几何	⭐
3	P₄ 中条件子空间	求基 + 扩充 + 直和	⭐⭐
8	平移向量的维数	维数下界估计	⭐⭐⭐
9	不同次多项式组	次数与线性无关	⭐⭐
11	C⁶ 中四维子空间	交集非零	⭐⭐⭐
13	R⁹ 中五维子空间	交集非零	⭐⭐

习题 1： $R^{2}$ 的子空间分类

习题 1

证明： $R^{2}$ 的子空间恰有 ${0}$ 、 $R^{2}$ 中所有过原点的直线、以及 $R^{2}$ 本身。

查看解答

设 $U$ 是 $R^{2}$ 的子空间。由定理 2.25， $U$ 是有限维的。由定理 2.37， $dim U \leq dim R^{2} = 2$ 。

$dim U = 0$ ： $U = {0}$

$dim U = 1$ ： $U$ 有一组基 ${v}$ （单个非零向量）， $U = span (v)$ 是过原点的直线

$dim U = 2$ ：由推论 2.39， $U = R^{2}$

没有其他可能。 $■$

习题 3： $P_{4} (F)$ 中条件子空间

习题 3

(a) 令 $U = {p \in P_{4} (F) : p (6) = 0}$ ，求 $U$ 的一个基。 (b) 将 (a) 中的基扩充为 $P_{4} (F)$ 的基。 (c) 求 $P_{4} (F)$ 的一个子空间 $W$ 使得 $P_{4} (F) = U \oplus W$ 。

查看解答

(a) $p (6) = 0$ 意味着 $6$ 是 $p$ 的根，所以 $p (x) = (x - 6) q (x)$ ，其中 $q \in P_{3} (F)$ 。

$U = span ((x - 6), (x - 6)^{2}, (x - 6)^{3}, (x - 6)^{4})$ 。这四个多项式线性无关（次数递增），所以是 $U$ 的基。 $dim U = 4$ 。

(b) $dim P_{4} (F) = 5$ ， $dim U = 4$ ，需要添加一个不在 $U$ 中的向量。 $1 \in / U$ （因为 $1 (6) = 1 \neq = 0$ ），所以 ${(x - 6), (x - 6)^{2}, (x - 6)^{3}, (x - 6)^{4}, 1}$ 是 $P_{4} (F)$ 的基。

(c) 取 $W = span (1) = {c : c \in F}$ （常数多项式）。 $dim W = 1$ ， $dim U + dim W = 5 = dim P_{4} (F)$ ，且 $U \cap W = {0}$ （非常数多项式的根为 $6$ ，常数多项式无根或恒为零）。所以 $P_{4} (F) = U \oplus W$ 。 $■$

习题 8：平移向量的维数下界

习题 8

设 $v_{1}, \dots, v_{m}$ 在 $V$ 中线性无关， $w \in V$ 。证明 $dim span (v_{1} + w, \dots, v_{m} + w) \geq m - 1$ 。

查看解答

证明：令 $u_{k} = v_{k} + w$ ，则 $u_{k} - u_{j} = v_{k} - v_{j}$ 。

特别地， $u_{2} - u_{1} = v_{2} - v_{1}, \dots, u_{m} - u_{1} = v_{m} - v_{1}$ 。

所以 $v_{2} - v_{1}, \dots, v_{m} - v_{1} \in span (u_{1}, \dots, u_{m})$ 。

这 $m - 1$ 个向量线性无关（因为 $v_{1}, \dots, v_{m}$ 线性无关：若 $\sum_{k = 2}^{m} a_{k} (v_{k} - v_{1}) = 0$ ，则 $(- \sum a_{k}) v_{1} + \sum_{k = 2}^{m} a_{k} v_{k} = 0$ ，得所有 $a_{k} = 0$ ）。

因此 $dim span (u_{1}, \dots, u_{m}) \geq m - 1$ 。 $■$

习题 9：不同次多项式组

习题 9

设 $m$ 是一正整数， $p_{0}, p_{1}, \dots, p_{m} \in P (F)$ ，其中 $p_{k}$ 的次数为 $k$ 。证明 $p_{0}, p_{1}, \dots, p_{m}$ 是 $P_{m} (F)$ 的基。

查看解答

证明： $p_{0}, \dots, p_{m}$ 共 $m + 1$ 个向量，而 $dim P_{m} (F) = m + 1$ 。由定理 2.42，只需证它们张成 $P_{m} (F)$ 。

对 $k$ 做归纳： $p_{0}$ 次数为 $0$ （非零常数），张成 $P_{0} (F)$ 。

假设 $p_{0}, \dots, p_{k - 1}$ 张成 $P_{k - 1} (F)$ 。因为 $p_{k}$ 次数为 $k$ ，所以 $p_{k} \in / P_{k - 1} (F) = span (p_{0}, \dots, p_{k - 1})$ 。由习题 13， $p_{0}, \dots, p_{k}$ 线性无关。

但我们需要张成。更直接地：由定理 2.38，只需证线性无关。

设 $a_{0} p_{0} + \dots + a_{m} p_{m} = 0$ 。比较最高次项： $p_{m}$ 次数为 $m$ 且系数非零，而 $p_{0}, \dots, p_{m - 1}$ 次数至多为 $m - 1$ ，所以 $a_{m} = 0$ 。递推得所有 $a_{k} = 0$ 。 $■$

习题 13： $R^{9}$ 中五维子空间的交集

习题 13

设 $U$ 和 $W$ 都是 $R^{9}$ 的五维子空间。证明 $U \cap W \neq = {0}$ 。

查看解答

证明：由维数公式（定理 2.43）： $dim (U + W) = dim U + dim W - dim (U \cap W) = 5 + 5 - dim (U \cap W) = 10 - dim (U \cap W)$

又 $U + W \subseteq R^{9}$ ，所以 $dim (U + W) \leq 9$ 。

因此 $10 - dim (U \cap W) \leq 9$ ，即 $dim (U \cap W) \geq 1$ 。

所以 $U \cap W$ 至少是一维的， $U \cap W \neq = {0}$ 。 $■$

八、视频学习指南

视频资源

视频主题对应笔记模块平台
维数的定义与性质一、维数的定义 B站
维数判别基二、维数判别基的充要条件 B站
维数公式三、维数公式 B站

视频主题	对应笔记模块	平台
维数的定义与性质	一、维数的定义	B站
维数判别基	二、维数判别基的充要条件	B站
维数公式	三、维数公式	B站

视频精要

暂无对应视频的详细精要。建议在学习时关注以下要点：

定理 2.34 的证明极其简洁——双向使用定理 2.22

定理 2.38/2.42 的”半验证”策略是考试中最常用的工具

维数公式（2.43）的证明是”分别取基再合并”的标准范式

集合与向量空间的类比表有助于直觉理解

九、教材原文

维数

线性代数 Wiki

探索

2C 维数

2C 维数

一、维数的定义

二、维数判别基的充要条件

三、维数公式

四、知识结构总览

五、核心思想与证明技巧

六、补充理解与易混淆点

6.1 维数的几何直觉

6.2 维数公式与直和

6.3 常见误区

七、习题精选

习题 1： $R^{2}$ 的子空间分类

习题 3： $P_{4} (F)$ 中条件子空间

习题 8：平移向量的维数下界

习题 9：不同次多项式组

习题 13： $R^{9}$ 中五维子空间的交集

八、视频学习指南

九、教材原文

关系图谱

目录

反向链接

线性代数 Wiki

探索

2C 维数

2C 维数

一、维数的定义

二、维数判别基的充要条件

三、维数公式

四、知识结构总览

五、核心思想与证明技巧

六、补充理解与易混淆点

6.1 维数的几何直觉

6.2 维数公式与直和

6.3 常见误区

七、习题精选

习题 1：R2 的子空间分类

习题 3：P4​(F) 中条件子空间

习题 8：平移向量的维数下界

习题 9：不同次多项式组

习题 13：R9 中五维子空间的交集

八、视频学习指南

九、教材原文

关系图谱

目录

反向链接

习题 1： $R^{2}$ 的子空间分类

习题 3： $P_{4} (F)$ 中条件子空间

习题 13： $R^{9}$ 中五维子空间的交集