深入理解线性代数维度守恒定理：子空间、同构与包含关系

这张图揭示了一个核心主题：“维数决定有限维线性空间的大小与类型。” 这是什么意思呢？简单来说，两个有限维子空间如果维数相同，那么它们在线性意义上“结构相同”；如果一个子空间包含在另一个之中，且两者维数还相等，那它们必然是同一个空间。下面，我们就按图索骥，一步步拆解其中的关键概念与定理。

一、什么是维数？

子空间 U 的维数，记作 dim(U)，定义为其一组基中向量的个数。基是描述该空间所需的最少、且线性无关的方向集合。

例如：

• 一条过原点的直线，维数是 1。
• 一个过原点的平面，维数是 2。
• 整个 R³，维数是 3。

这里需要特别注意：维数计算的是基向量的个数，而不是空间内点的数量（空间通常包含无穷多点）。它衡量的是“描述这个空间最少需要几个彼此独立的方向”。

二、核心定理内容

设 U, V 都是 Rⁿ 中的线性子空间。核心定理包含两部分：

(a) 维数与双射线性映射

dim(U) = dim(V) 当且仅当存在一个从 U 到 V 的双射线性映射（即线性同构）。

这里的“双射”包含两层意思：

• 单射：不同的元素映射结果不同。
• 满射：V 中的每一个元素都能被映射到。

因此，双射线性映射建立了一个“一一对应且保持线性运算”的桥梁。这意味着 U 和 V 尽管在几何位置上可能不同（比如 R³ 中两条不平行的过原点直线），但从线性代数的结构角度看，它们是完全相同的。维数相同的空间被称为线性同构。

(b) 包含关系与等维

如果 U ⊆ V（U 包含于 V），并且 dim(U) = dim(V)，那么必有 U = V。

这个结论非常实用且直观。试想，如果 U 是 V 的一部分（真子集），那么 V 至少要比 U 多出一些“东西”（新的独立方向），其维数理应更大。如果维数没变，就说明 V 并没有多出任何新方向，因此两者只能是同一个空间。这个定理常被用作证明两个子空间相等的有力工具。

三、定理(a)的证明：从“维数相同”到“存在双射映射”

第一步：选取基

假设 dim(U) = dim(V) = k。
选取 U 的一组基：B = (u^(1), u^(2), ..., u^(k))。
选取 V 的一组基：C = (v^(1), v^(2), ..., v^(k))。

第二步：定义映射 f

我们定义映射 f: U → V 如下：首先在基向量上规定 f(u^(i)) = v^(i)。由于 U 中任何向量 x 都能唯一地表示为基的线性组合 x = λ₁u^(1) + λ₂u^(2) + ... + λₖu^(k)，我们将 f 线性地扩展到整个 U：
f(x) = λ₁f(u^(1)) + λ₂f(u^(2)) + ... + λₖf(u^(k)) = λ₁v^(1) + λ₂v^(2) + ... + λₖv^(k)。

第三步：验证 f 的性质

• 线性性：由定义直接可得，f 保持加法和数乘。
• 双射性：我们可以构造其逆映射 f⁻¹: V → U，定义为 f⁻¹(v^(i)) = u^(i)，并同样线性扩展。容易验证 f⁻¹ ∘ f = id_U 且 f ∘ f⁻¹ = id_V。因此 f 是双射。

这就证明了：维数相同 ⇒ 存在双射线性映射。

四、定理(a)的逆向证明：从“存在双射映射”到“维数相同”

现在假设存在一个双射线性映射 f: U → V。

第一步：取 U 的基

设 B = (u^(1), u^(2), ..., u^(k)) 是 U 的一组基。

第二步：考察像集

考虑像向量组 (f(u^(1)), f(u^(2)), ..., f(u^(k)))。我们要证明它正是 V 的一组基。

第三步：线性无关性（利用 f 的单射性）

假设存在系数使得 α₁f(u^(1)) + ... + αₖf(u^(k)) = 0。由 f 的线性性，得 f(α₁u^(1) + ... + αₖu^(k)) = 0。因为 f 是单射，只有零向量的像才是零向量，所以 α₁u^(1) + ... + αₖu^(k) = 0。由于 u^(i) 是基，线性无关，故所有系数 α_i = 0。因此 f(u^(i)) 线性无关。

第四步：张成性（利用 f 的满射性）

任取 y ∈ V，由于 f 是满射，存在 x ∈ U 使得 f(x) = y。将 x 用 U 的基表示：x = λ₁u^(1) + ... + λₖu^(k)，则 y = f(x) = λ₁f(u^(1)) + ... + λₖf(u^(k))。这说明 y 可由 f(u^(i)) 线性表出。

第五步：结论

因此，(f(u^(1)), ..., f(u^(k))) 是 V 的一组基，包含 k 个向量，所以 dim(V) = k = dim(U)。

这就完成了定理(a)的完整证明：存在双射线性映射 ⇔ 维数相同。

五、定理(b)的证明

已知 U ⊆ V 且 dim(U) = dim(V) = k。

取 U 的一组基：(u^(1), u^(2), ..., u^(k))。因为 U ⊆ V，这些基向量都属于 V。它们在 U 中线性无关，那么在更大的空间 V 中自然也是线性无关的。

现在，V 中存在 k 个线性无关的向量，而 dim(V) = k，这意味着这 k 个向量正好构成了 V 的一组基。所以，V 中任何一个向量 y 都可以表示为：
y = μ₁u^(1) + μ₂u^(2) + ... + μₖu^(k)。
这个等式的右边显然是 U 中向量的线性组合，因此 y ∈ U。

我们得到了 V ⊆ U。结合已知的 U ⊆ V，立即得出 U = V。

六、定理的直观理解与核心思想

这张图希望我们建立三个核心观念：

1. 维数是“独立方向”的计数：它不关心空间里有多少个点，只关心需要几个互不“重叠”的方向就能描述整个空间。这是对空间“自由度”或“容量”的根本度量。
2. 同维空间“线性等价”（同构）：只要维数相同，无论它们在 Rⁿ 中处于什么位置（如不同的平面），都可以通过一个可逆的线性变换（双射线性映射）一一对应起来。从抽象的数学结构看，它们是相同的。例如，所有 k 维实向量空间都与 Rᵏ 同构。
3. 包含关系下，维数是严格的“大小”标尺：如果一个空间被包含在另一个中，那么前者的维数一定小于等于后者。一旦维数相等，包含关系就立刻升级为相等关系。这为解决许多子空间相等性问题提供了简洁的逻辑依据。

七、具体数值例子演示

为了让理论更扎实，我们通过两个具体的 R³ 中的例子，把定理 (a) 和 (b) 完整地演练一遍。

例子目标：

1. 演示如何为两个同维但不同的子空间构造双射线性映射（定理a）。
2. 演示如何利用包含关系和等维证明子空间相等（定理b）。

第一部分：演示定理 (a) — 构造双射映射

在 R³ 中定义两个二维子空间：
U = span{ (1,0,0), (0,1,0) } （即xy平面）
V = span{ (1,0,1), (0,1,1) } （一个不通过原点的平面平移？不，它过原点，是由这两个向量张成的平面）

显然，dim(U) = dim(V) = 2。

按照定理证明中的方法构造映射 f：

1. 取 U 的一组标准基：u¹ = (1,0,0), u² = (0,1,0)。
2. 取 V 的一组基：v¹ = (1,0,1), v² = (0,1,1)。
3. 定义 f: U → V，满足 f(u¹) = v¹, f(u²) = v²，并线性扩展。
   即，对于任意 x = (a, b, 0) ∈ U，定义 f(x) = a*v¹ + b*v² = (a, b, a+b)。

验证 f 的性质：

• 线性性：由定义直接满足。
• 单射：若 f(a, b, 0) = (0,0,0)，则 (a, b, a+b) = (0,0,0)，推出 a=0, b=0。
• 满射：对于任意 y = (c, d, e) ∈ V，由于 y 在 V 中，必存在标量 s, t 使 y = s*v¹ + t*v² = (s, t, s+t)。令 a=s, b=t，则 x=(a,b,0) ∈ U 且 f(x)=y。

因此，我们成功构造了双射线性映射 f，具体实现了 dim(U)=dim(V) ⇒ ∃ f: U → V 双射线性。

第二部分：演示定理 (b) — 包含且等维则相等

在 R³ 中再定义两个子空间：
V = span{ (1,0,1), (0,1,1) } （同上）
U = span{ (1,0,1), (1,1,2) }

步骤 1: 验证 U ⊆ V
注意，(1,1,2) = (1,0,1) + (0,1,1)。所以 U 的两个生成向量都属于 V，因此 U ⊆ V。

步骤 2: 计算维数

• 检查 V 的生成向量组：(1,0,1) 和 (0,1,1) 线性无关，故 dim(V)=2。
• 检查 U 的生成向量组：设 α(1,0,1) + β(1,1,2) = (0,0,0)。得到方程组：
  α + β = 0
β = 0
α + 2β = 0
  解得 α=β=0，故它们也线性无关，所以 dim(U)=2。

步骤 3: 应用定理 (b)
已知 U ⊆ V 且 dim(U) = dim(V) = 2，根据定理(b)，直接得出结论：U = V。

我们可以验证：因为 (1,1,2) 已经在 V 中，所以 U 就是由 V 的两个向量张成的，它不会比 V 小，也不会比 V 大，二者重合。

八、核心直觉总结

通过以上的讲解和例子，希望你能够建立起以下牢固的直觉：

• 维数是根本标尺：它精确地度量了一个线性空间的“规模”。
• 同维即同构：维数相同的空间，在线性代数的世界里是“孪生兄弟”，可以通过可逆的线性变换互相转换。
• 包含关系下，维数不撒谎：在子空间链中，维数相等是判断两个空间是否相同的终极判据。这极大地简化了证明工作。

这张图最终浓缩的智慧就是：在有限维的线性世界里，“维度守恒”——它既决定了空间的类型（通过同构），也严格约束了空间之间的包含关系。掌握这一点，你对子空间的理解就上了一个台阶。