{
  "id": "dimension-vector-space",
  "title": "维数（向量空间）",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "向量空间的维数是其基中向量的个数，衡量它在给定域上的独立线性方向数量。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "向量空间维数",
    "代数维数",
    "哈梅尔维数"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/dimension-vector-space/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/dimension-vector-space/",
      "json": "https://aiwiki.page/en/dimension-vector-space.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "向量空间的维数是它在所定义的域（数学）上的一个基（线性代数）中向量的个数。有限维空间的维数是非负整数，无限维空间的维数则是无限基数。维数衡量的是独立线性方向的数量，而不是向量的总数。它是线性代数中的一个基本不变量，记作 \\(\\dim V\\)；需要明确标量域 \\(F\\) 时，则记作 \\(\\dim_F V\\)。(linear.axler.net)"
    },
    {
      "heading": "定义及其与基的选择无关性",
      "text": "基是一组满足两个条件的向量：线性无关，并且张成整个空间。线性无关是指，基向量的有限线性组合只有在所有系数均为零时才等于零。张成整个空间是指，空间中的每个向量都能表示为这样的线性组合。这两个条件共同保证了表示的唯一性。若 \\(B\\) 是一个基，则\n\n\\[\\dim_F V=|B|.\\]\n\n对于有限维空间，这表示基向量的个数；在更一般的情形下，竖线表示集合的基数。(github.com)\n\n这一定义不依赖于所选的基。在有限维情形下，关键的比较定理指出，线性无关组中的向量个数不能超过张成组中的向量个数。对两个基分别从两个方向应用这一定理，就能证明它们的向量个数相同。因此，不同基的向量及其排列顺序可以不同，但维数不会改变。(webspace.ship.edu)\n\n在 \\(n\\) 维空间中，每个线性无关组至多包含 \\(n\\) 个向量，而每个张成组至少包含 \\(n\\) 个向量。恰好包含 \\(n\\) 个向量的线性无关组必然是一个基；恰好包含 \\(n\\) 个向量的张成组也必然是一个基。利用这些判据，往往不必分别检验定义中的两个条件，就能确定一组向量是否为基。(linear.axler.net)"
    },
    {
      "heading": "坐标与示例",
      "text": "坐标空间 \\(F^n\\) 的维数为 \\(n\\)。它的标准基由向量 \\(e_1,\\ldots,e_n\\) 组成，其中 \\(e_j\\) 的第 \\(j\\) 个分量为 \\(1\\)，其余分量均为零。更一般地，有序基 \\(v_1,\\ldots,v_n\\) 使每个向量都有唯一的表达式\n\n\\[v=a_1v_1+\\cdots+a_nv_n.\\]\n\n映射 \\(v\\mapsto(a_1,\\ldots,a_n)\\) 给出了该空间与 \\(F^n\\) 之间的线性同构。因此，同一域上的有限维向量空间同构，当且仅当它们的维数相等。维数可以对这些空间的线性结构进行分类，但不能对额外的结构进行分类，例如指定的内积。(github.com)\n\n零空间 \\(\\{0\\}\\) 的维数为零：它的基是空集，而不是只含零向量的集合。由次数不超过 \\(m\\) 的多项式（包括零多项式）组成的空间 \\(P_m(F)\\) 的一个基为\n\n\\[1,x,x^2,\\ldots,x^m,\\]\n\n其维数为 \\(m+1\\)。过原点的直线维数为一，过原点的平面维数为二，即使它们嵌入在更大的坐标空间中也是如此。(linear.axler.net)"
    },
    {
      "heading": "对标量域的依赖",
      "text": "维数是空间连同其标量域一起确定的。复数在 \\(\\mathbb C\\) 上构成一维空间，其一个基为 \\(\\{1\\}\\)。同一个集合在实数域上则是二维空间，其一个基为 \\(\\{1,i\\}\\)，因为每个复数都能唯一地写成 \\(a+bi\\)，其中 \\(a,b\\) 为实数。(math.stanford.edu)\n\n更一般地，一个复维数为 \\(n\\) 的复向量空间，将标量乘法限制为仅使用实数后，其实维数为 \\(2n\\)。若 \\(v_1,\\ldots,v_n\\) 是一个复基，则\n\n\\[v_1,iv_1,\\ldots,v_n,iv_n\\]\n\n是一个实基。这种变化反映的是允许使用的系数发生了变化，而不是空间中的向量本身发生了变化。(math.stanford.edu)"
    },
    {
      "heading": "子空间与维数公式",
      "text": "有限维空间 \\(V\\) 的每个线性子空间 \\(U\\) 都满足 \\(\\dim U\\leq\\dim V\\)。\\(U\\) 的一个基可以扩充为 \\(V\\) 的一个基，因此维数相等就意味着 \\(U=V\\)。对于子空间 \\(U,W\\)，它们的和满足\n\n\\[\\dim(U+W)=\\dim U+\\dim W-\\dim(U\\cap W).\\]\n\n减去交空间的维数，是为了扣除在两个子空间中被重复计算的方向。商向量空间 \\(V/U\\) 的元素是模 \\(U\\) 的陪集，其维数满足\n\n\\[\\dim(V/U)=\\dim V-\\dim U.\\]\n\n这里的这些减法公式适用于有限维空间。(linear.axler.net)"
    },
    {
      "heading": "线性映射与计算",
      "text": "对于定义域为有限维空间的线性映射 \\(T:V\\to W\\)，秩—零化度定理指出\n\n\\[\\dim V=\\dim(\\ker T)+\\dim(\\operatorname{im}T).\\]\n\n核由被映射到零的向量组成；像由该映射能够取到的所有输出组成。它们的维数分别称为零化度和秩。(linear.axler.net)\n\n对于 \\(m\\times n\\) 矩阵 \\(A\\)，可以用高斯消元法计算这些量。矩阵的秩等于主元列的个数，而零化度等于 \\(Ax=0\\) 中自由变量的个数。要求一组给定坐标向量的线性包的维数，可以将这些向量作为矩阵的列，再数出主元的个数。对于相容的线性方程组 \\(Ax=b\\)，其解集是核的一个平移，含有 \\(n-\\operatorname{rank}A\\) 个自由参数。(github.com)"
    },
    {
      "heading": "无限维空间",
      "text": "不限制次数的多项式空间 \\(F[x]\\) 有一个可数无限基 \\(\\{1,x,x^2,\\ldots\\}\\)。每个多项式仍然只用到有限个基向量。在通常的集合论基础下，选择公理保证每个向量空间都有基，并且同一空间的所有基都具有相同的基数。(stanford.edu)\n\n这种代数意义上的基必须与涉及收敛无穷展开的基加以区分。在希尔伯特空间中，标准正交基的线性包取闭包后才得到整个空间，不一定仅靠有限线性组合就能张成整个空间。因此，希尔伯特空间可以具有可数的标准正交基，而它的代数维数（即哈梅尔维数）却是不可数的。(linear.axler.net)"
    }
  ],
  "links": [
    "vector-space",
    "field-mathematics",
    "basis-linear-algebra",
    "linear-algebra",
    "linear-independence",
    "linear-combination",
    "isomorphism",
    "inner-product",
    "polynomial",
    "complex-number",
    "real-number",
    "linear-subspace",
    "quotient-vector-space",
    "linear-map",
    "rank-nullity-theorem",
    "matrix",
    "gaussian-elimination",
    "matrix-rank",
    "linear-span",
    "system-of-linear-equations",
    "axiom-of-choice",
    "hilbert-space",
    "orthonormal-basis"
  ],
  "sources": [
    {
      "title": "linear.axler.net/LADR4e.pdf",
      "url": "https://linear.axler.net/LADR4e.pdf"
    },
    {
      "title": "github.com/mitmath/1806",
      "url": "https://github.com/mitmath/1806"
    },
    {
      "title": "webspace.ship.edu/jehamb/ela/lecture32.html",
      "url": "https://webspace.ship.edu/jehamb/ela/lecture32.html"
    },
    {
      "title": "math.stanford.edu/~eliash/Public/52h-2013/52htext.pdf",
      "url": "https://math.stanford.edu/~eliash/Public/52h-2013/52htext.pdf"
    },
    {
      "title": "stanford.edu/~dkim04/writings/LinAlg.pdf",
      "url": "https://stanford.edu/~dkim04/writings/LinAlg.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}