抽象向量空间

一、突破”箭头”的局限

到目前为止，我们都把向量看作”空间中的箭头”。但这个视角有局限——线性代数真正强大的地方，在于”向量”可以是任何满足运算规则的对象。

想想看：我们从头到尾只用了两个运算——加法和数乘。只要一个对象能”相加”、能”乘以数”，并且满足那几条性质，它就可以当作”向量”来用线性代数的所有工具！

二、向量的推广：更多”伪装成箭头”的东西

1. 函数也是向量

函数可以相加、可以乘以数：

$$(f + g)(x) = f(x) + g(x), \quad (cf)(x) = c\,f(x)$$

所以函数构成一个向量空间！函数的”线性组合”就是 $c_1f_1 + c_2f_2 + \cdots$。

这带来了一个惊人的事实：微积分里的导数算子就是一个”线性变换”！

$$\frac{d}{dx}(f + g) = \frac{df}{dx} + \frac{dg}{dx}, \quad \frac{d}{dx}(cf) = c\frac{df}{dx}$$

求导满足线性变换的两条性质——所以求导是”函数空间上的线性变换”，它的”特征向量”满足 $\frac{df}{dx} = \lambda f$，解出来是 $f(x) = Ce^{\lambda x}$。

2. 其他向量空间

关键：它们都满足同一条”加法 + 数乘 + 八条公理”的规则，所以所有线性代数工具（基、线性变换、特征值…）全部适用。

三、向量空间的公理化定义

一个集合 $V$ 是向量空间，需要满足：

1. 加法封闭：$\mathbf{v} + \mathbf{w} \in V$
2. 数乘封闭：$c\mathbf{v} \in V$
3. 满足加法的结合律、交换律、零元、负元
4. 满足数乘的结合律、分配律、单位元

只要满足这些，就是向量空间——不管里面的”向量”长什么样。

四、多项式空间与矩阵空间

多项式空间

所有次数 ≤ 2 的多项式构成三维向量空间，基可取：

$$1, \quad x, \quad x^2$$

任意二次多项式都是它们的线性组合：

$$a_0 + a_1x + a_2x^2 = a_0\cdot 1 + a_1\cdot x + a_2\cdot x^2$$

维数 = 3（系数个数）。

矩阵空间

所有 $2\times2$ 矩阵构成四维向量空间，基可取：

$$\begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix}, \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}, \begin{pmatrix} 0 & 0 \\ 1 & 0 \end{pmatrix}, \begin{pmatrix} 0 & 0 \\ 0 & 1 \end{pmatrix}$$

任意 $2\times2$ 矩阵都是它们的线性组合，维数 = 4。

五、为什么这很重要

1. 统一性：微分方程、傅里叶级数、机器学习都可用线性代数语言描述
2. 复用工具：在一个向量空间学到的方法，能迁移到所有向量空间
3. 抽象的力量：忽略表象，抓住”线性结构”这一本质

傅里叶分析的视角：傅里叶变换 = 把函数”换基”到正弦/余弦基（频率基）——这正是基变换思想的体现。正弦函数是”平移算子”的特征函数。

总结

本文出现的符号

中英对照

最后一节：线性代数应用全景，俯瞰整个学科的应用版图。