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！

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 $f(x) = Ce^{\lambda x}$ 。

惊人的结论：指数函数 $e^{\lambda x}$ 是”求导变换”的特征向量！这正是解微分方程 $f' = \lambda f$ 的数学本质。线性代数的语言统一了微分方程。

”向量”对象	加法	数乘	例子
有序数组	分量相加	每分量乘 c	$(x_1, \dots, x_n)$
矩阵	对应元素相加	每个元素乘 c	$2\times2$ 矩阵全体
多项式	对应系数相加	每系数乘 c	$a_0 + a_1x + a_2x^2$
连续函数	逐点相加	逐点乘 c	$f(x)$

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。

一个集合 $V$ 是向量空间，需要满足：

只要满足这些，就是向量空间——不管里面的”向量”长什么样。

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）。

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。

核心结论：

“向量” = 任何能相加、能数乘并满足公理的对象。函数、矩阵、多项式都可以是向量。线性代数不是关于”箭头”的学问，而是关于线性结构的学问——一旦建立了结构，所有工具（线性组合、基、变换、特征值）都能复用。

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。

最后一节：线性代数应用全景，俯瞰整个学科的应用版图。