线性空间概述

核心思想

线性代数的抽象概念——向量空间、子空间、核、像、基、维数——本质上是把「解方程组」和「矩阵运算」抽象成几何与代数结构。看懂这一步，就能处理「矩阵对角化」之外的概念型考题：题目引入的新名词，大多只是这些结构在不同层面的叫法。

概念层级

• 线性空间（向量空间）＝大宇宙：对加法与数乘封闭的向量集合，最常见的是 $\mathbb{R}^n$。
• 子空间＝宇宙中「过原点且平直」的区域：过原点的点、直线、平面。判定三条件：含零向量、加法封闭、数乘封闭。
• 仿射空间＝子空间平移后「不过原点」的平直区域：非齐次方程组 $Ax=b$（$b\neq 0$）的解集就是仿射空间，即一个特解加零空间。
• 基 与 维数＝描述空间所需「最精简的坐标轴」及其个数。

核心概念与矩阵语言的对应

抽象概念	直观含义	矩阵语言
线性空间	对加法数乘封闭的集合	$\mathbb{R}^n$ 全体列向量
子空间	过原点的点 / 线 / 面	过原点的平直区域
核（零空间）	被变换压成零的输入	$Ax=0$ 的解集
像空间（列空间）	变换能到达的输出	列向量张成的空间
基	线性无关且能张成整个空间	基础解系 / 极大线性无关组
维数	基中向量的个数	自由变量数（核）/ 秩（像）
维数定理	保留＋牺牲＝总维数	主元数＋自由变量数＝未知数个数

线性变换的核与像

线性变换在选定基之后就是矩阵，它只做两件事：

• 核（零空间）：被压成零向量的输入，即 $Ax=0$ 的全部解——变换「牺牲掉」的维度。
• 像空间（列空间）：输出能达到的范围，即列向量的线性组合——变换「保留下」的维度。

两者由 维数定理（秩-零化度定理） 记账：

$$\dim V = \dim(\mathrm{Ker}(f)) + \dim(\mathrm{Im}(f)), \qquad n = \mathrm{nullity}(A) + \mathrm{rank}(A).$$

输入空间的维数，恰好拆成「被压成零的维数」与「保留下来的维数」两部分。

三层映射复习法

每个概念都可以在三个层面之间自由翻译：

1. 几何层：它是线、面、投影还是压缩？
2. 算子层：它是核、像还是基？
3. 矩阵层：它对应 $Ax=0$、列向量组还是秩？

能在这三层之间自由翻译，概念型考题即可迎刃而解。

建议阅读顺序

1. 线性空间 → 子空间 → 仿射空间
2. 基 → 维数 → 坐标
3. 线性变换 → 表示矩阵 → 核 → 像空间 → 维数定理
4. 内积空间 → 正交性 → 正交投影 → 正交补空间