第 2 章　向量空间与线性组合

2.1线性组合：加加减减、放大缩小

回顾第 1 章：向量只有两种运算——加法和数乘。现在把这两种运算反复、自由地用在几个向量上，会得到什么？

比如手里有两支箭头 u、v，再随便挑两个数 c₁、c₂（可正可负可为 0），拼出：

c₁u + c₂v

这样的式子，就叫 u、v 的一个 线性组合（linear combination）。说白了，「线性」就指那两种运算——加法和数乘；「组合」就是拿它们搭配。更一般地，k 个向量 v₁, v₂, …, v_k 的线性组合是：

c₁v₁ + c₂v₂ + … + c_kv_k

其中 c₁, …, c_k 是任意标量（系数）。

举个例子：u=(1,0)，v=(0,1)。取 c₁=3、c₂=2，得到 3u + 2v = 3(1,0) + 2(0,1) = (3,0) + (0,2) = (3,2)。看，这正好是第 1 章那个向量 (3,2)——它被拆成了「沿 x 轴走 3」加「沿 y 轴走 2」。

封闭性：组合出来的，还能再组合

「线性组合」有一个看似平淡、实则惊人的性质：组合出来的结果仍然是一个向量，因此还能继续作为原料，参与下一轮组合。比如先算出 w = 2u + v，还可以再算 w + u = 3u + v。运算的输出永远在运算的「势力范围」之内，这种性质叫封闭性。

封闭性之所以成立，靠的是第 1 章那几条运算律。比如分配律允许我们把 2(u+v) 展开成 2u+2v，结合律允许我们「先合并再缩放」或「先缩放再合并」。换句话说，多层嵌套的组合永远可以摊平成一层——不管表达式多复杂，最终都能整理成 c₁u + c₂v 这种标准形态。这种「怎么折腾都出不了圈」的稳定性，正是后面把「对加法与数乘封闭的集合」正式定义为向量空间的原因。

关于组合系数 c₁, …, c_k，有三个常被考到、也常被想当然的细节。其一，系数可以为 0——0·v 直接把该支箭头「关掉」，比如 0·u + 2v = 2v：表面上写着「组合两支」，实际只动了一支。其二，系数可以为负——负系数让该箭头反向出力，u − v 就是「朝 u 方向走、再沿 v 反方向走」。其三，系数是「外挂的拨盘」，与向量本身相互独立——同一组箭头，拨不同系数得到不同组合，组合结果 = 箭头组 × 系数组。第 3 章把箭头组打包成矩阵后，这个「乘积」会有一个正式写法：矩阵乘向量。

顺带把「线性」的边界画清楚：线性组合里只允许加法与数乘，于是有些东西被严格排除在外——不允许 v²、不允许两支向量「对应分量相乘」、不允许 sin(v)。这不是刁难，而是刻意的选择：一旦允许「向量乘向量」这类操作，行为立刻失控（这就是「非线性」世界，需要另一套工具）。线性代数把武器限制到两种最朴素的运算，换来的是整个体系的确定性——一切结论可推、可算、可迁移到任意维数。

2.2张成空间 span：能铺满多大一块

现在问关键问题：让 c₁、c₂ 取所有可能的值，c₁u + c₂v 能覆盖平面上哪些点？这些「能到达的点」的全体，叫 张成空间（span），记作 span{u, v}。

情况一：只有一支箭头

只有 u 时，c₁u 就是「沿 u 方向随便拉长、缩短、反向」。能到达的点，全在过 u 的那条直线上。所以 span{u} = 一条直线。

情况二：两支箭头，且不共线

如果 u、v 指向不同方向（不共线），那么先沿 u 走一段，再沿 v 走一段，就能到达平面上的任意一点。换句话说，两支不共线的箭头，能「撑满」整个平面。

情况三：两支箭头，但共线

如果 v 恰好是 u 的某个倍数（比如 v=2u），那么 c₁u + c₂v = (c₁+2c₂)u，还是只能沿同一条直线走。多出来的那支 v 完全「帮不上忙」——这就是冗余，下一节正式定义。

从 R² 到 R³：把「家族图谱」补全

把平面上的结论搬到三维空间 R³，再往高维推，就得到一张完整的「张成家族图谱」。在 R³ 里：一支非零箭头，张成过原点的一条直线；两支不共线箭头，张成过原点的一张平面——注意，不再是整个空间！三支不共面的箭头，才能张成整个 R³。注意两个细节：其一，这些直线和平面都过原点，因为数乘允许系数取 0（组合塌缩到原点）与取负（双向延伸）；其二，「箭头支数相同、张成却可能不同」——两支共线箭头张成直线，两支不共线箭头张成平面，方向是否独立才是决定性因素。

为什么两支箭头在 R³ 里「只够」铺一张平面？把每一步线性组合想成走路：沿 u 方向走 c₁ 步、再沿 v 方向走 c₂ 步，无论 c₁、c₂ 怎么选，落点始终在那张由 u、v 撑开的平面上——就像人在一块玻璃板上行走，永远踏不出玻璃板。要「跳出平面」，必须引入一支不在这张平面上的第三箭头，沿着它迈出一步。这个「平面内 vs 平面外」的直觉，就是下一节「线性相关/无关」在三维空间的几何对应（共面 ⇒ 相关）。

把 R³ 的结论整理成一张速查表，并顺手向高维推一步：

高维照此办理。在 Rⁿ 中，k 支箭头最多张成一个 k 维的「扁平」空间：1 维是线、2 维是面、3 维是体，4 维以上画不出来，但代数规则一字不改。比如在 R⁴ 里取两支独立的四维箭头（如两份「重量、翼展、速度、航程」型数据向量的不同组合方向），它们张成的就是一张「斜躺在四维空间里的平面」——名字还叫平面，只是宿主空间升了维。规律一句话：每多一支独立的箭头，张成空间就抬升一维；每混进一支冗余箭头，原地踏步。「箭头支数」只是上限，「独立方向数」才是真正升维的发动机——这个数到第 9 章会得到正式的名字：秩。

2.3线性相关与线性无关：有没有冗余

上一节末尾埋了一个问题：当 v=2u 时，v 对「张成空间」没有任何贡献。我们用一个专门的词描述它：这组向量 线性相关（linearly dependent）。

严格定义是：如果存在不全为零的系数 c₁, …, c_k，使得

c₁v₁ + c₂v₂ + … + c_kv_k = 0

（这里的 0 是零向量 (0,0)，即一支长度为 0 的箭头），就称这组向量线性相关。否则（只有全为零的系数才能凑出零向量），就称它们 线性无关（linearly independent）。

这个定义有点绕，拆开看它到底在说什么：

• 线性相关：有「不是全 0」的系数能让组合等于 0。这意味着其中某个向量能被其余向量拼出来——有冗余。
• 线性无关：要让组合等于 0，只能所有系数全为 0。这意味着谁也不能被别的向量替代——没有冗余。

举例：u=(1,0)、v=(2,0)。取 c₁=2、c₂=−1，有 2u − v = (2,0) − (2,0) = (0,0)。系数 (2, −1) 不全为 0，所以它们线性相关——确实，v=2u，一支是另一支的 2 倍，纯属冗余。

再看 u=(1,0)、v=(0,1)。要让 c₁(1,0)+c₂(0,1)=(c₁,c₂)=(0,0)，只能 c₁=0 且 c₂=0。所以它们线性无关——谁也替代不了谁。

在二维平面上，还有一条实用的几何结论：两个向量线性相关，当且仅当它们共线；两个向量线性无关，当且仅当它们不共线。共线 = 一个方向能表示另一个 = 冗余。

判定流程：把定义式翻译成齐次方程组

定义式 c₁v₁ + c₂v₂ + … + c_kv_k = 0 是一个「向量等式」——等号两边都是向量。而两个向量相等，就是每个分量都对应相等。于是，若这些向量都是 n 维的，把定义式按分量逐个拆开，就得到 n 个关于 c₁, …, c_k 的方程。注意这些方程的右边全部是 0（零向量的每个分量都是 0）——这类方程组叫齐次线性方程组。

于是判定相关性就有了一条标准化的流水线：设系数 → 拆分量 → 列齐次方程组 → 消元求解。答案只有两种可能：若齐次方程组只有零解（c₁=…=c_k=0），则向量组线性无关；若存在非零解，则线性相关，而且那组非零解本身就是「谁是谁的倍数组合」的配方表。这套流程在第 6 章有了高斯消元的机械化工具后会飞快如虎添翼，现在先用代入消元手工走一遍，把手感练出来。

把例 3、例 4 与几何对照，三维空间里可以总结出一张「冗余识别表」：两支箭头共线 ⇔ 相关；三支箭头共面（都躺在一张过原点的平面上）⇔ 相关。例 4 的三支向量恰恰共面——它们都被压在 w₁、w₂ 撑开的平面里，所以冗余。「相关」的几何本质就是挤进了更低维的空间。

再从代数角度把定义读一遍：为什么定义式写成「组合 = 0」，而不是「某个向量 = 其余向量的组合」？两者逻辑上等价——把「v₃ = 2v₁ − v₂」移项，就得到「2v₁ − v₂ − v₃ = 0」。但齐次形式有两大好处：其一，它不指定「谁是冗余者」，让所有向量站在对称地位上（有时冗余关系环环相扣，未必一眼能拎出该下岗的那一个）；其二，右边全为 0 的齐次方程组便于机械化消元求解——「便于计算」正是它被选作标准定义的务实理由。

还有一个极重要、且一眼就能看出的定理：当向量个数超过维数时，必然线性相关。平面（2 维）里任取 3 支箭头，必然相关；三维空间里任取 4 支，必然相关。道理用「自由度」一讲就透：2 个自由度装不下 3 个互不依赖的方向——第三个方向的「独立性」没有地方安放。用齐次方程组的语言说：3 支 2 维向量的定义式拆出来只有 2 个方程，却要管 3 个未知数 c₁、c₂、c₃——方程不够用，必然存在可以自由取值的未知数，于是必有非零解（严格论证在第 9 章「秩」处完成）。

2.4基底：又少又够用的一组向量

现在把「张成空间」和「线性无关」两个概念合起来，得到线性代数里最重要的概念之一：基底（basis）。

一组向量要当基底，必须同时满足两个条件：

• 够用：它们的 span 要能覆盖整个空间（能到达每一个点）；
• 精简：它们要线性无关（没有一根冗余的箭头）。

平面上最常用的基底，是两支单位箭头：e₁=(1,0)、e₂=(0,1)，叫 标准基底。任何一个平面向量都能唯一地写成它们的线性组合：

(x, y) = x·(1,0) + y·(0,1) = xe₁ + ye₂

换句话说，坐标 (x, y) 的本质，就是在标准基底下做线性组合的那两个系数！这一点极其深刻：

注意：基底不唯一。平面上任意两支不共线的向量都能当基底（比如两支斜的、不等长的箭头），只是同一向量的坐标会随之改变。但不管选哪套基底，它们包含的向量个数是固定的——这个数，就是下一节的「维数」。

基底 = 坐标系：把「坐标」彻底想透

「坐标是基底下的系数」这句话值得再往深处挖一层。基底的本质是一套测量方向的尺子组：拿到任何一支箭头 p，问「它在 b₁ 方向占多少、在 b₂ 方向占多少」，两个读数就是 p 在基 {b₁, b₂} 下的坐标。所以——坐标从来不是向量的「固有属性」，而是「向量 + 基底」这一对搭档的共同产物。箭头没变、换一套尺子，读数就变。

那为什么任意两支不共线箭头都能当尺子？「够用」由 2.2 保证（两支不共线箭头张成全平面，任何 p 都够得到）；「读数唯一」由线性无关保证。唯一性的论证特别漂亮：假如 p 有两种分解 p = a₁b₁+a₂b₂ = a′₁b₁+a′₂b₂，两式相减得 (a₁−a′₁)b₁ + (a₂−a′₂)b₂ = 0。由线性无关，系数必须全为零，即 a₁=a′₁、a₂=a′₂——两种分解其实是同一种。「无关」与「坐标唯一」就这样被一根定义式焊在一起：基底之所以能当「标准」，正因为它的配方表是唯一的。

顺带说一句 basis 的词源：它源自希腊语 basis（底座、踏脚石）。一套基底就是空间的「底座」——所有向量都站在由它撑起的框架上读数；底座可以更换，读数随之改变，但空间本身与其中每一支箭头纹丝不动。

2.5维数：空间到底有几维

平面有多少「维」？直觉上当然是 2。但这个直觉现在可以精确化了：

于是：

• 一条直线：1 维（1 支箭头就是基底）；
• 一个平面：2 维（2 支不共线箭头是基底）；
• 我们生活的空间：3 维（3 支不共面箭头是基底）；
• 更高维：n 维（n 支线性无关的向量是基底），画不出来但完全能算。

维数是「不变量」：为什么换基底不改变个数

定义里那句「个数永远不变」是整个维数理论的地基，值得用矛盾法把直觉论证走一遍。假设在平面（任何一套基底都含 2 支箭头）上，存在另一套只含 3 支箭头的基底 b₁、b₂、b₃。一方面，既然它能当基底，三支箭头应当线性无关；另一方面，2.3 的定理告诉我们「平面里 3 支箭头必然线性相关」——它们中的一支必然能被另外两支拼出来。两个结论迎头相撞，矛盾！所以平面上不可能有 3 支箭头的基底。把平面换成 n 维空间、把 3 换成 n+1，同样的论证照样成立：「n+1 支 n 维向量必相关」堵死了一切「用更多箭头当基底」的幻想，基底的个数于是成了空间本身的固有属性，与选哪套无关。

这个「不变量」的地位极其特殊。向量会换、基底会换、坐标会换，但维数不换——它是空间自带的身份证。往后学习中每当遇到「秩」「方程组解的个数」「自由变量个数」这些概念，最后都会发现它们在数同一个东西：某个藏在水下的维数。

维数概念还顺手解锁了一个新词：子空间。R³ 里过原点的一条直线，本身也是一个向量空间（对加法、数乘封闭），维数是 1；过原点的一张平面，维数是 2。它们像是大房间 R³ 里隔出的小隔间——自己有自己的基底、自己的维数，但都嵌在同一个大空间里。2.2 节的 span 每一次都在制造这种小隔间。

最后给「维数」在全书里标个位置、画一张迷你地图。第 6 章解线性方程组时，你会发现「解是否存在、解有多少个」完全取决于系数向量组的维数（能张成几维，右端向量就有可能落在几维里）；第 9 章把「独立方向的个数」正式命名为秩——它就是藏在水下的维数；第 10 章的线性变换会拉伸、压扁、旋转空间，空间维数被压缩掉的那几维去哪了，将由「核」来交代。今天在平面上养成的每个直觉——共线、共面、冗余、配方表唯一——到那时都会在高维空间里原样重演。维数，是整座线性代数大厦的楼层号。

到这里，你已经手握线性代数最核心的一组「地基概念」了：向量 → 线性组合 → 张成空间 → 线性相关 → 基底 → 维数。下一章，我们把这些箭头「打包」成一种新的东西——矩阵，让计算真正跑起来。