向量空间与四大子空间

向量空间是对加法和数乘封闭的集合, 子空间是包含零向量且对线性组合封闭的非空子集。矩阵 $A \in \mathbb{R}^{m \times n}$ 对应四个基本子空间: 列空间 $C(A) \subseteq \mathbb{R}^m$、零空间 $N(A) \subseteq \mathbb{R}^n$、行空间 $C(A^T) \subseteq \mathbb{R}^n$、左零空间 $N(A^T) \subseteq \mathbb{R}^m$。秩-零化度定理 (rank-nullity) 给出维度关系: $\dim C(A) = \dim C(A^T) = r = \text{rank}(A)$, $\dim C(A) + \dim N(A) = n$, 且 $\dim C(A) + \dim N(A^T) = m$; 同时 $N(A)$ 与 $C(A^T)$ 在 $\mathbb{R}^n$ 中互为正交补, $N(A^T)$ 与 $C(A)$ 在 $\mathbb{R}^m$ 中互为正交补。几何直觉: 行空间决定映射"信息从哪来", 零空间是"被压成 0 的方向", 两者正交分解输入空间。

判断线性方程组 $Ax = b$ 的可解性与解空间维数; 线性回归最小二乘的投影几何; SVD、伪逆与秩分析的理论地基; 降维 (PCA) 中主方向取自行空间基; 常是大厂推导面试的第一问。

把"解是否存在/是否唯一"翻译成子空间包含关系: $Ax = b$ 有解当且仅当 $b \in C(A)$, 任意解 = 特解 + $N(A)$ 中的向量, 故解唯一当且仅当 $N(A) = \{0\}$ (列满秩 $r = n$); 正交分解 $\mathbb{R}^n = C(A^T) \oplus N(A)$、$\mathbb{R}^m = C(A) \oplus N(A^T)$ 为"无解方程取最优近似" (最小二乘) 提供几何框架。

手算: 给定具体矩阵 (如 2×3 矩阵), 写出四个基本子空间的基与维数, 并验证秩-零化度公式?

默写维度关系 $\dim C(A) + \dim N(A) = n$ 与 $\dim C(A) + \dim N(A^T) = m$, 解释 m、n 各来自哪个空间?

证明 $N(A^T) = C(A)^\perp$, 并说明为何任意 $y \in \mathbb{R}^m$ 可唯一分解为 $C(A)$ 分量与 $N(A^T)$ 分量?

推导: $Ax = b$ 解唯一等价于 $N(A) = \{0\}$, 用 2×2 实例演示无解、唯一解、无穷多解三种情形?

为什么 $\text{rank}(A) = \text{rank}(A^T)$? 用 $N(A) = C(A^T)^\perp$ 与秩-零化度定理完整推导?