3E 向量空间的积和商

本节概览

本节讨论向量空间的两种重要构造——直积（product）与商空间（quotient space）。直积将多个向量空间”打包”为一个更大的空间，维数相加；商空间则将向量空间按子空间”折叠”为更小的空间，维数相减。商空间理论还导出了诱导映射 $\tilde{T}$ ，它将任意线性映射分解为商映射（满射）与单射的复合，从而得到 $V / (null T) ≅ range T$ ——这是基本定理 3.21的几何版本。

逻辑链条：直积定义与维数公式 → 仿射子集与平移 → 商空间 $V / U$ 定义 → 商空间上的运算与良定义性 → 商映射 $π$ → 维数公式 $dim V / U = dim V - dim U$ → 诱导映射 $\tilde{T}$ → $T = \tilde{T} \circ π$ 分解

前置依赖：3A 线性映射所成的向量空间（线性映射定义）、3B 零空间和值域（零空间、值域、基本定理 3.21）、1C 子空间（子空间定义与判定）、2C 维数（维数的基本性质）

核心主线：直积是”拼接”（维数相加），商空间是”折叠”（维数相减）；诱导映射 $\tilde{T}$ 通过商掉零空间，将任意线性映射变为单射，实现线性映射的标准分解

一、向量空间的积

1.1 直积的定义

定义 3.71：向量空间的积（product of vector spaces）

设 $V_{1}, \dots, V_{m}$ 都是 $F$ 上的向量空间。 $V_{1} \times \dots \times V_{m}$ 定义为所有有序 $m$ 元组 $(v_{1}, \dots, v_{m})$ （其中 $v_{k} \in V_{k}$ ）构成的集合，配备以下运算：

加法： $(v_{1}, \dots, v_{m}) + (w_{1}, \dots, w_{m}) = (v_{1} + w_{1}, \dots, v_{m} + w_{m})$

标量乘法： $λ (v_{1}, \dots, v_{m}) = (λ v_{1}, \dots, λ v_{m})$

其中 $λ \in F$ ，加法和标量乘法都是逐分量进行的。

学习注解

直积的零向量为 $(0, \dots, 0)$ （每个分量取对应空间的零向量）。

$(v_{1}, \dots, v_{m})$ 的加法逆元为 $(- v_{1}, \dots, - v_{m})$ 。

直积的概念在 1C 子空间中已有初步介绍，这里做系统化处理。

1.2 积的维数

定理 3.72：积的维数等于各空间维数之和

设 $V_{1}, \dots, V_{m}$ 都是有限维向量空间，则 $V_{1} \times \dots \times V_{m}$ 是有限维的，且 $dim (V_{1} \times \dots \times V_{m}) = dim V_{1} + \dots + dim V_{m}$

证明思路

为每个 $V_{k}$ 选取一组基 $B_{k} = {e_{k, 1}, \dots, e_{k, d_{k}}}$ ，其中 $d_{k} = dim V_{k}$ 。

[构造标准基元组]： 对每个 $k$ 和每个 $j = 1, \dots, d_{k}$ ，构造 $V_{1} \times \dots \times V_{m}$ 中的元素 $e_{k, j}$ ：第 $k$ 个分量为 $e_{k, j}$ ，其余分量全为 $0$ 。

[线性无关性]： 设 $\sum_{k, j} α_{k, j} e_{k, j} = 0$ 。逐分量观察第 $k$ 个分量得 $\sum_{j} α_{k, j} e_{k, j} = 0$ ，由 $B_{k}$ 的线性无关性得所有 $α_{k, j} = 0$ 。

[张成性]： 任取 $(v_{1}, \dots, v_{m}) \in V_{1} \times \dots \times V_{m}$ ，将每个 $v_{k}$ 用 $B_{k}$ 展开，即可表示为 $e_{k, j}$ 的线性组合。

因此 ${e_{k, j}}$ 构成 $V_{1} \times \dots \times V_{m}$ 的基，基的长度为 $\sum_{k = 1}^{m} d_{k} = \sum_{k = 1}^{m} dim V_{k}$ 。

$■$

1.3 典型例子

例 3.73： $F^{n}$ 作为直积

$F^{n} = n 个 F \times \dots \times F$ ，因此 $dim F^{n} = n$ 。

这与 2C 维数中的结果一致—— $F^{n}$ 的标准基 ${(1, 0, \dots, 0), (0, 1, 0, \dots, 0), \dots, (0, \dots, 0, 1)}$ 恰好是直积构造中的标准基元组。

学习注解

以下两个同构关系留作习题（习题 3、4），它们揭示了直积与线性映射空间之间的深刻联系：

$L (V_{1} \times \dots \times V_{m}, W) ≅ L (V_{1}, W) \times \dots \times L (V_{m}, W)$

$L (V, W_{1} \times \dots \times W_{m}) ≅ L (V, W_{1}) \times \dots \times L (V, W_{m})$

直觉：一个从积空间出发的线性映射，等价于分别从每个分量空间出发的线性映射的”组合”。

二、商空间

2.1 仿射子集与平移

定义 3.89：仿射子集（affine subset）

设 $V$ 是向量空间， $U \subseteq V$ 是子空间。 $V$ 的一个子集如果可以写成 $v + U$ 的形式（其中 $v \in V$ ），则称之为 $V$ 的一个仿射子集。

定义 3.90：平移（translate）

对于 $v \in V$ 和 $V$ 的子空间 $U$ ，集合 $v + U$ 称为 $U$ 的一个平移（也称为 $U$ 过 $v$ 的陪集，coset）。

例： $R^{2}$ 和 $R^{3}$ 中的平移

在 $R^{2}$ 中，设 $U$ 是过原点的直线，则 $v + U$ 是过点 $v$ 且与 $U$ 平行的直线。

在 $R^{3}$ 中，设 $U$ 是过原点的平面，则 $v + U$ 是过点 $v$ 且与 $U$ 平行的平面。

所有平移彼此平行，且”铺满”整个空间——每个向量恰好属于一个平移。

定义 3.91：商空间（quotient space）

设 $U$ 是 $V$ 的子空间。商空间 $V / U$ 定义为 $U$ 的所有平移构成的集合： $V / U = {v + U : v \in V}$

引理 3.101：陪集相等的条件

设 $U$ 是 $V$ 的子空间， $v_{1}, v_{2} \in V$ ，则 $v_{1} + U = v_{2} + U ⟺ v_{1} - v_{2} \in U$

证明思路

( $\Rightarrow$ )：若 $v_{1} + U = v_{2} + U$ ，则 $v_{1} = v_{1} + 0 \in v_{1} + U = v_{2} + U$ ，故 $v_{1} = v_{2} + u$ （某个 $u \in U$ ），即 $v_{1} - v_{2} = u \in U$ 。

( $\Leftarrow$ )：若 $v_{1} - v_{2} \in U$ ，设 $u \in U$ ，则 $v_{1} + u = v_{2} + (v_{1} - v_{2}) + u \in v_{2} + U$ （因为 $v_{1} - v_{2} \in U$ 且 $U$ 对加法封闭），故 $v_{1} + U \subseteq v_{2} + U$ 。类似地 $v_{2} + U \subseteq v_{1} + U$ 。

$■$

学习注解

引理 3.101 是商空间理论的基石。由此可得两个重要推论：

两个陪集要么相等，要么不相交（若 $(v_{1} + U) \cap (v_{2} + U) \neq = \emptyset$ ，则存在 $u_{1}, u_{2} \in U$ 使 $v_{1} + u_{1} = v_{2} + u_{2}$ ，故 $v_{1} - v_{2} = u_{2} - u_{1} \in U$ ，由引理得 $v_{1} + U = v_{2} + U$ ）。

$V / U$ 中的陪集构成 $V$ 的一个划分——每个向量恰好属于唯一一个陪集。

2.2 商空间的向量空间结构

定义 3.94：商空间上的加法与标量乘法

设 $U$ 是 $V$ 的子空间。在 $V / U$ 上定义：

加法： $(v_{1} + U) + (w_{1} + U) = (v_{1} + w_{1}) + U$

标量乘法： $λ (v_{1} + U) = (λ v_{1}) + U$

其中 $v_{1}, w_{1} \in V$ ， $λ \in F$ 。

定理：商空间是向量空间

带有上述加法和标量乘法的 $V / U$ 构成 $F$ 上的向量空间。

证明思路

[良定义性验证——加法]： 设 $v_{1} + U = v_{2} + U$ 且 $w_{1} + U = w_{2} + U$ ，需证 $(v_{1} + w_{1}) + U = (v_{2} + w_{2}) + U$ 。

由引理 3.101： $v_{1} - v_{2} \in U$ 且 $w_{1} - w_{2} \in U$ 。因为 $U$ 对加法封闭： $(v_{1} + w_{1}) - (v_{2} + w_{2}) = (v_{1} - v_{2}) + (w_{1} - w_{2}) \in U$ 再次利用引理 3.101 即得 $(v_{1} + w_{1}) + U = (v_{2} + w_{2}) + U$ 。

[良定义性验证——标量乘法]： 设 $v_{1} + U = v_{2} + U$ ，即 $v_{1} - v_{2} \in U$ 。则 $λ (v_{1} - v_{2}) \in U$ （ $U$ 对标量乘法封闭），即 $λ v_{1} - λ v_{2} \in U$ ，故 $(λ v_{1}) + U = (λ v_{2}) + U$ 。

[验证向量空间公理]： $V / U$ 的零向量为 $0 + U = U$ （即子空间 $U$ 本身）。 $v + U$ 的加法逆元为 $(- v) + U$ 。其余公理由 $V$ 的公理自然继承。

$■$

关键提醒

良定义性验证不可省略！同一个陪集有多种代表元（ $v + U = v^{'} + U$ 当 $v - v^{'} \in U$ ），必须证明运算结果不依赖于代表元的选取。这是商结构理论中最基本也最容易出错的技巧。

2.3 商映射与维数公式

定义 3.104：商映射（quotient map）

设 $U$ 是 $V$ 的子空间。商映射 $π : V \to V / U$ 定义为 $π (v) = v + U$

学习注解

$π$ 是线性映射： $π (v + w) = (v + w) + U = (v + U) + (w + U) = π (v) + π (w)$ ， $π (λ v) = (λ v) + U = λ (v + U) = λπ (v)$ 。 $π$ 是满射（每个陪集 $v + U$ 都是某个向量的像）。

定理 3.105：商空间的维数

设 $V$ 是有限维的， $U$ 是 $V$ 的子空间，则 $dim V / U = dim V - dim U$

证明思路

令 $π : V \to V / U$ 为商映射。

[确定零空间]： $null π = {v \in V : v + U = 0 + U} = {v \in V : v \in U} = U$ （由引理 3.101）。

[确定值域]： $range π = V / U$ （ $π$ 是满射）。

[应用基本定理]： 由基本定理 3.21： $dim V = dim (null π) + dim (range π) = dim U + dim V / U$ 移项即得 $dim V / U = dim V - dim U$ 。

$■$

学习注解

这个证明极其简洁优美：商映射的零空间恰好是 $U$ ，值域恰好是 $V / U$ ，基本定理直接给出维数公式。

直觉：商空间就是把 $U$ “折叠掉”，所以维数 = 原空间维数 $-$ 被折叠的维数。

2.4 诱导映射 $\tilde{T}$

记号 3.106：诱导映射 $\tilde{T}$

设 $T \in L (V, W)$ 。定义 $\tilde{T} : V / (null T) \to W$ 为 $\tilde{T} (v + null T) = T v$

证明思路（良定义性）

[验证 $\tilde{T}$ 良定义]： 设 $u + null T = v + null T$ ，由引理 3.101 得 $u - v \in null T$ ，故 $T (u - v) = 0$ ，即 $T u = T v$ 。因此 $\tilde{T}$ 的值不依赖于陪集代表元的选取。

$■$

定理 3.107： $\tilde{T}$ 的性质

设 $T \in L (V, W)$ ， $π : V \to V / (null T)$ 为商映射，则：

(a) $\tilde{T} \circ π = T$

(b) $\tilde{T}$ 是单射

(c) $range \tilde{T} = range T$

(d) $V / (null T) ≅ range T$ （将 $\tilde{T}$ 视为映射到 $range T$ 的映射时，它是同构）

证明思路

[(a) 分解等式]： 对任意 $v \in V$ ， $(\tilde{T} \circ π) (v) = \tilde{T} (v + null T) = T v$ 。故 $\tilde{T} \circ π = T$ 。

[(b) 单射性]： 设 $\tilde{T} (v + null T) = 0$ ，则 $T v = 0$ ，故 $v \in null T$ ，从而 $v + null T = 0 + null T$ 。即 $null \tilde{T} = {0 + null T}$ ，由命题 3.16 得 $\tilde{T}$ 是单射。

[(c) 值域相等]： $range \tilde{T} = {T v : v \in V} = range T$ ，由定义直接可得。

[(d) 同构]： 由 (b)， $\tilde{T} : V / (null T) \to range T$ 是单射；由 (c)，它是满射。因此 $\tilde{T}$ 是双射线性映射，即同构。

$■$

学习注解

== $\tilde{T}$ 是 $T$ 的”改良版”==——通过把零空间商掉（换成商空间作为定义域）， $\tilde{T}$ 变成了单射，但值域不变。任何线性映射都可以分解为： $T = \tilde{T} \circ π$ 其中 $π$ 是商映射（满射）， $\tilde{T}$ 是单射。这就是线性映射的标准分解。

特别地， $V / (null T) ≅ range T$ 是基本定理 3.21（ $dim V = dim (null T) + dim (range T)$ ）的几何版本——不仅维数相等，空间本身也同构。

三、知识结构总览

graph TD
    A["3E 向量空间的积和商"] --> B["定义3.71 直积 V1乘...乘Vm"]
    A --> C["仿射子集与平移"]
    B --> D["定理3.72 维数相加"]
    D --> E["例3.73 Fn等于F的n次直积"]
    C --> F["定义3.89 仿射子集"]
    C --> G["定义3.91 商空间 V/U"]
    F --> G
    G --> H["引理3.101 陪集相等条件"]
    H --> I["定义3.94 商空间上的运算"]
    I --> J["商空间是向量空间"]
    G --> K["定义3.104 商映射 pi"]
    K --> L["定理3.105 dim V/U 等于 dim V 减 dim U"]
    G --> M["记号3.106 诱导映射 Ttilde"]
    M --> N["定理3.107 Ttilde性质与同构"]
    L --> O["链接 3B 基本定理3.21"]
    N --> O
    A --> P["链接 3A 线性映射"]
    A --> Q["链接 1C 子空间"]

四、核心思想与证明技巧

核心思想

直积将多个向量空间”打包”为一个——维数相加。每个分量独立运作，互不干扰。

商空间将向量空间”折叠”——把子空间 $U$ 坍塌为零，维数相减。商空间的元素是陪集（平移），不是单个向量。

诱导映射 $\tilde{T}$ 是”消除零空间”的标准技术——将任意线性映射变为单射，实现 $T = \tilde{T} \circ π$ 的标准分解。

$V / (null T) ≅ range T$ 是基本定理的几何版本——不仅维数相等，空间本身也同构，揭示了线性映射的内在结构。

证明技巧清单

Well-definedness 验证（商空间运算、 $\tilde{T}$ 的定义）：必须检查代表元选取的无关性——设两套代表元给出同一陪集，证明运算结果也在同一陪集。

基本定理应用： $dim V = dim (null π) + dim (range π) \Rightarrow dim V / U = dim V - dim U$ ——商映射的零空间恰好是 $U$ 。

仿射子集的等价刻画： $v + U = w + U ⟺ v - w \in U$ ——这是陪集运算的基础。

诱导映射分解： $T = \tilde{T} \circ π$ ，将任意线性映射分解为商映射（满射）+ 单射——这是线性映射的标准分解模式。

五、补充理解与易混淆点

5.1 商空间的几何直觉

商空间 $V / U$ 的几何含义可以通过低维例子直观理解：

在 $R^{2}$ 中，若 $U$ 是过原点的直线，则 $V / U$ 是所有与 $U$ 平行的直线的集合。每条平行线是一个陪集，商空间本身是一维的（参数化为”到 $U$ 的有符号距离”）。
在 $R^{3}$ 中，若 $U$ 是过原点的平面，则 $V / U$ 是所有与 $U$ 平行的平面的集合。商空间本身是一维的。
在 $R^{3}$ 中，若 $U$ 是过原点的直线，则 $V / U$ 是所有与 $U$ 平行的直线的集合。商空间本身是二维的。

商操作的本质是”遗忘”沿 $U$ 方向的信息，只保留”垂直于 $U$ 的分量”。正如 Cornell 大学 Kassabov 的讲义中所指出，商空间的等价关系 $v_{1} \equiv v_{2} (mod U)$ 就是将相差 $U$ 中元素的向量视为同一类。Stanford 大学 Conrad 的 Math 396 讲义进一步强调，陪集 $v + U$ 就是等价关系下的等价类。

Sources：Cornell Kassabov Quotient Spaces 讲义；Stanford Conrad Math 396 Quotient Spaces；University of Bath MA20216 Algebra 2A notes

5.2 商空间的代数意义：模掉子空间

商空间 $V / U$ 的代数含义是”将 $U$ 模掉”（modulo $U$ ）——把相差 $U$ 中元素的向量等同起来。这与模运算 $Z / n Z$ 完全类似： $Z / n Z$ 将相差 $n$ 的倍数的整数视为同一类， $V / U$ 将相差 $U$ 中元素的向量视为同一类。

商空间还满足一个重要的泛性质（universal property）：若 $T \in L (V, W)$ 且 $U \subseteq null T$ ，则 $T$ 可以唯一地通过 $V / U$ 分解——即存在唯一的 $S \in L (V / U, W)$ 使得 $T = S \circ π$ 。这正是诱导映射 $\tilde{T}$ 的本质。

Sources：Grokipedia Quotient space (linear algebra)；CSDN 丘维声高等代数课程笔记；Alquds Wiki Quotient Space

5.3 直积与直和的关系

对于有限个向量空间 $V_{1}, \dots, V_{m}$ ，直积 $V_{1} \times \dots \times V_{m}$ 与直和 $V_{1} \oplus \dots \oplus V_{m}$ 作为向量空间是同一个对象——元素都是有序 $m$ 元组，运算都是逐分量进行。

然而，对于无限个向量空间，两者产生本质区别：

直积 $\prod_{i \in I} V_{i}$ ：允许所有选取函数 $(v_{i})_{i \in I}$ ，每个分量任意。
直和 $⨁_{i \in I} V_{i}$ ：只允许有限支撑的选取函数，即只有有限个分量非零。

在有限维线性代数中，这个区别不会出现，但在泛函分析和同调代数中至关重要。

Sources：Grokipedia Direct product；Clemson Macauley Lecture 1.3: Direct products and sums；CSDN 直和直积笛卡尔积区别

5.4 常见误区

误区 1：商空间的元素是向量

❌ 认为 $V / U$ 的元素仍然是 $V$ 中的单个向量。 ✅ $V / U$ 的元素是陪集（子空间的平移），即形如 $v + U$ 的集合。陪集本身是一个集合，包含无穷多个向量，不是单个向量。

Source：Cornell Kassabov Quotient Spaces 讲义；Stanford Conrad Math 396

误区 2： $V / U$ 的维数等于 $dim U$

❌ 混淆商空间维数与子空间维数。 ✅ $dim V / U = dim V - dim U$ ，是维数之差而非子空间维数。商空间”折叠掉”了 $U$ 的维度，维数应该变小而非等于 $U$ 的维数。

Source：LADR Thm 3.105；CSDN 丘维声高等代数课程笔记

误区 3：商空间的加法可以直接对集合做，不需要验证良定义性

❌ 认为 $(v + U) + (w + U) = (v + w) + U$ 天然成立。 ✅ 必须验证：如果选取不同的代表元 $v^{'} + U = v + U$ 和 $w^{'} + U = w + U$ ，结果 $(v^{'} + w^{'}) + U$ 是否等于 $(v + w) + U$ 。这依赖于 $U$ 是子空间的封闭性（对加法和标量乘法封闭）。良定义性验证是商空间理论中最容易遗漏的步骤。

Source：Georgia Tech functional analysis notes；University of Bath MA22020 Quotients

误区 4： $\tilde{T}$ 和 $T$ 是同一个映射

❌ 混淆 $\tilde{T} : V / (null T) \to W$ 与 $T : V \to W$ 。 ✅ $\tilde{T}$ 的定义域是商空间 $V / (null T)$ ，不是 $V$ 。 $\tilde{T}$ 通过 $T = \tilde{T} \circ π$ 与 $T$ 联系。 $\tilde{T}$ 是单射（零空间已被商掉），而 $T$ 可能不是单射。两者的定义域完全不同。

Source：LADR Thm 3.107；CSDN 商空间应用笔记

六、习题精选

推荐习题一览

习题核心考点难度
习题 1 线性映射的图是子空间 ★★☆
习题 6 平移的唯一性 ★★☆
习题 8 线性方程组解集的结构 ★★★
习题 9 仿射子集的等价刻画 ★★★
习题 13 商空间有限维时 $V ≅ U \times V / U$ ★★★
习题 19 通过商映射分解的条件 ★★☆

习题	核心考点	难度
习题 1	线性映射的图是子空间	★★☆
习题 6	平移的唯一性	★★☆
习题 8	线性方程组解集的结构	★★★
习题 9	仿射子集的等价刻画	★★★
习题 13	商空间有限维时 $V ≅ U \times V / U$	★★★
习题 19	通过商映射分解的条件	★★☆

习题 1：线性映射的图

设 $V$ 和 $W$ 是 $F$ 上的向量空间。 $T : V \to W$ 的图（graph）定义为 ${(v, T v) \in V \times W : v \in V}$ 。证明： $T$ 是线性映射当且仅当 $T$ 的图是 $V \times W$ 的子空间。

查看解答

( $\Rightarrow$ )：设 $T$ 是线性映射。令 $G = {(v, T v) : v \in V}$ 。

$(0, T 0) = (0, 0) \in G$ 。

若 $(v, T v), (w, Tw) \in G$ ，则 $(v, T v) + (w, Tw) = (v + w, T v + Tw) = (v + w, T (v + w)) \in G$ （由可加性）。

若 $(v, T v) \in G$ ， $λ \in F$ ，则 $λ (v, T v) = (λ v, λ T v) = (λ v, T (λ v)) \in G$ （由齐次性）。故 $G$ 是 $V \times W$ 的子空间。

( $\Leftarrow$ )：设 $G$ 是 $V \times W$ 的子空间。

可加性： $(v, T v), (w, Tw) \in G \Rightarrow (v + w, T v + Tw) \in G$ （ $G$ 对加法封闭）。但 $(v + w, T (v + w)) \in G$ ，由图的定义得 $T v + Tw = T (v + w)$ 。

齐次性： $(v, T v) \in G \Rightarrow (λ v, λ T v) \in G$ （ $G$ 对标量乘法封闭）。但 $(λ v, T (λ v)) \in G$ ，故 $λ T v = T (λ v)$ 。

因此 $T$ 是线性映射。

习题 6：平移的唯一性

设 $U$ 和 $W$ 都是 $V$ 的子空间， $v, x \in V$ 。证明：若 $v + U = x + W$ ，则 $U = W$ 。

查看解答

设 $v + U = x + W$ 。

由引理 3.101： $v - x \in U$ 且 $v - x \in W$ 。

证明 $U \subseteq W$ ：任取 $u \in U$ ，则 $v + u \in v + U = x + W$ ，故存在 $w \in W$ 使 $v + u = x + w$ ，即 $u = (x - v) + w$ 。因为 $x - v = - (v - x) \in W$ （ $v - x \in W$ 且 $W$ 是子空间），且 $w \in W$ ，所以 $u \in W$ 。

证明 $W \subseteq U$ ：同理，任取 $w \in W$ ， $x + w \in x + W = v + U$ ，故存在 $u \in U$ 使 $x + w = v + u$ ，即 $w = (v - x) + u$ 。因为 $v - x \in U$ ，所以 $w \in U$ 。

因此 $U = W$ 。

习题 8：线性方程组解集的结构

设 $T \in L (V, W)$ ， $c \in W$ 。 (a) 证明： ${x \in V : T x = c}$ 或为空集，或为 $null T$ 的一个平移。 (b) 用 (a) 的结论解释线性方程组 $A x = c$ 的解集结构。

查看解答

(a) 若 ${x : T x = c} = \emptyset$ ，结论已成立。

设 ${x : T x = c} \neq = \emptyset$ ，取 $x_{0} \in V$ 使 $T x_{0} = c$ 。

对任意 $x \in V$ ： $T x = c ⟺ T x = T x_{0} ⟺ T (x - x_{0}) = 0 ⟺ x - x_{0} \in null T ⟺ x \in x_{0} + null T$

因此 ${x : T x = c} = x_{0} + null T$ ，即 $null T$ 的平移。

(b) 线性方程组 $A x = c$ 中，令 $T (x) = A x$ ，则 $T \in L (F^{n}, F^{m})$ 。

若方程组不相容（无解），则解集为空集。

若方程组相容， $x_{0}$ 是一个特解，则解集 $= x_{0} + null A$ （特解 $+$ 齐次方程的通解）。这正是线性代数中”解的结构定理”的标准表述。

习题 9：仿射子集的等价刻画

设 $V$ 是 $F$ 上的向量空间， $A \subseteq V$ 非空。证明： $A$ 是仿射子集当且仅当对所有 $v, w \in A$ 和所有 $λ \in F$ ，有 $λ v + (1 - λ) w \in A$ 。

查看解答

( $\Rightarrow$ )：设 $A = v_{0} + U$ （ $U$ 是子空间）。对任意 $v, w \in A$ ，存在 $u_{1}, u_{2} \in U$ 使 $v = v_{0} + u_{1}$ ， $w = v_{0} + u_{2}$ 。则 $λ v + (1 - λ) w = λ (v_{0} + u_{1}) + (1 - λ) (v_{0} + u_{2}) = v_{0} + (λ u_{1} + (1 - λ) u_{2})$ 因为 $U$ 是子空间， $λ u_{1} + (1 - λ) u_{2} \in U$ ，故 $λ v + (1 - λ) w \in v_{0} + U = A$ 。

( $\Leftarrow$ )：设 $A$ 非空且满足条件。取 $v_{0} \in A$ ，令 $U = {a - v_{0} : a \in A}$ 。

$U$ 非空： $0 = v_{0} - v_{0} \in U$ 。

$U$ 对加法封闭：设 $u_{1}, u_{2} \in U$ ，即 $v_{0} + u_{1}, v_{0} + u_{2} \in A$ 。取 $λ = \frac{1}{2}$ ： $\frac{1}{2} (v_{0} + u_{1}) + \frac{1}{2} (v_{0} + u_{2}) = v_{0} + \frac{u _{1} + u _{2}}{2} \in A$ 故 $\frac{u _{1} + u _{2}}{2} \in U$ 。再取 $v = v_{0} + \frac{u _{1} + u _{2}}{2} \in A$ ， $w = v_{0} \in A$ ， $λ = 2$ ： $2 (v_{0} + \frac{u _{1} + u _{2}}{2}) + (1 - 2) v_{0} = v_{0} + (u_{1} + u_{2}) \in A$ 故 $u_{1} + u_{2} \in U$ 。

$U$ 对标量乘法封闭：设 $u \in U$ ，即 $v_{0} + u \in A$ 。取 $v = v_{0} + u \in A$ ， $w = v_{0} \in A$ ， $λ \in F$ ： $λ (v_{0} + u) + (1 - λ) v_{0} = v_{0} + λ u \in A$ 故 $λ u \in U$ 。

因此 $U$ 是子空间，且 $A = v_{0} + U$ 是仿射子集。

习题 13：商空间有限维时的分解

设 $U$ 是 $V$ 的子空间， $V / U$ 是有限维的。证明： $V ≅ U \times (V / U)$ 。

查看解答

设 $dim (V / U) = m$ ，取 $v_{1} + U, \dots, v_{m} + U$ 为 $V / U$ 的一组基。

令 $π : V \to V / U$ 为商映射。由习题 18(b)（或直接构造），存在 $V$ 的子空间 $W$ 使得 $V = U \oplus W$ 且 $dim W = m$ 。

构造思路：从每个陪集 $v_{k} + U$ 中选取代表元 $v_{k}$ ，令 $W = span (v_{1}, \dots, v_{m})$ 。可以验证 $U \cap W = {0}$ （若 $w \in U \cap W$ ，则 $w = \sum α_{k} v_{k}$ ， $π (w) = \sum α_{k} (v_{k} + U) = 0$ ，由基的线性无关性得所有 $α_{k} = 0$ ），且 $V = U + W$ （对任意 $v \in V$ ， $π (v) = \sum α_{k} (v_{k} + U)$ ，故 $v - \sum α_{k} v_{k} \in U$ ）。

因此 $V = U \oplus W$ ，且 $dim W = m = dim (V / U)$ 。

由于 $W$ 和 $V / U$ 维数相同，由同构的维数判别， $W ≅ V / U$ 。故 $V = U \oplus W ≅ U \times W ≅ U \times (V / U)$

习题 19：通过商映射分解的条件

设 $U$ 是 $V$ 的子空间， $π : V \to V / U$ 为商映射， $T \in L (V, W)$ 。证明：存在 $S \in L (V / U, W)$ 使得 $T = S \circ π$ ，当且仅当 $U \subseteq null T$ 。

查看解答

( $\Rightarrow$ )：设 $T = S \circ π$ 。对任意 $u \in U$ ： $T u = S (π (u)) = S (u + U) = S (0 + U) = S (0) = 0$ （因为 $u \in U$ ，所以 $u + U = 0 + U$ 。）故 $u \in null T$ ，即 $U \subseteq null T$ 。

( $\Leftarrow$ )：设 $U \subseteq null T$ 。定义 $S : V / U \to W$ 为 $S (v + U) = T v$ 。

良定义性：若 $v_{1} + U = v_{2} + U$ ，则 $v_{1} - v_{2} \in U \subseteq null T$ ，故 $T (v_{1} - v_{2}) = 0$ ，即 $T v_{1} = T v_{2}$ 。

线性： $S ((v_{1} + U) + (v_{2} + U)) = S ((v_{1} + v_{2}) + U) = T (v_{1} + v_{2}) = T v_{1} + T v_{2} = S (v_{1} + U) + S (v_{2} + U)$ 。标量乘法类似。

满足 $T = S \circ π$ ： $(S \circ π) (v) = S (v + U) = T v$ 。

注意：这个 $S$ 就是诱导映射 $\tilde{T}$ （当 $U = null T$ 时的特例）。

七、视频学习指南

视频资源

视频主题对应笔记模块平台
3Blue1Brown 线性代数的本质第 7 章模块二（商空间） YouTube / B 站
Benedict Gross 哈佛抽象代数 S20E1 模块一、二（直积与商空间） YouTube

视频主题	对应笔记模块	平台
3Blue1Brown 线性代数的本质第 7 章	模块二（商空间）	YouTube / B 站
Benedict Gross 哈佛抽象代数 S20E1	模块一、二（直积与商空间）	YouTube

视频精要

3Blue1Brown 第 7 章：核与列空间——商空间将零空间”折叠掉”的几何直觉。商映射 $π$ 将每个向量投影到其所在的陪集， $\tilde{T}$ 则先商掉零空间（消除冗余信息），再映射到值域。

Benedict Gross 哈佛抽象代数：从群论的视角介绍商结构，有助于理解商空间的代数本质——“模掉”一个子结构，得到更粗粒度的空间。

八、教材原文

积和商

线性代数 Wiki

探索

3E 向量空间的积和商

3E 向量空间的积和商

一、向量空间的积

1.1 直积的定义

1.2 积的维数

1.3 典型例子

二、商空间

2.1 仿射子集与平移

2.2 商空间的向量空间结构

2.3 商映射与维数公式

2.4 诱导映射 $\tilde{T}$

三、知识结构总览

四、核心思想与证明技巧

五、补充理解与易混淆点

5.1 商空间的几何直觉

5.2 商空间的代数意义：模掉子空间

5.3 直积与直和的关系

5.4 常见误区

六、习题精选

七、视频学习指南

八、教材原文

关系图谱

目录

反向链接

线性代数 Wiki

探索

3E 向量空间的积和商

3E 向量空间的积和商

一、向量空间的积

1.1 直积的定义

1.2 积的维数

1.3 典型例子

二、商空间

2.1 仿射子集与平移

2.2 商空间的向量空间结构

2.3 商映射与维数公式

2.4 诱导映射 T~

三、知识结构总览

四、核心思想与证明技巧

五、补充理解与易混淆点

5.1 商空间的几何直觉

5.2 商空间的代数意义：模掉子空间

5.3 直积与直和的关系

5.4 常见误区

六、习题精选

七、视频学习指南

八、教材原文

关系图谱

目录

反向链接

2.4 诱导映射 $\tilde{T}$