線形代数を学んでいると必ず登場する「線形空間」という概念。
「ベクトル空間と何が違うのか」「基底や次元とはどういう意味なのか」と戸惑う方も多いのではないでしょうか。
本記事では、線形空間の定義・性質・ベクトル空間との関係から、線形独立・基底・次元・線形代数との関係まで、わかりやすく解説していきます。
抽象的に見える概念も、具体例を交えながら説明しますので、ぜひ最後までご覧ください。
線形空間とは？その意味と定義をわかりやすく解説
それではまず、線形空間の基本的な定義と意味について解説していきます。
線形空間（linear space）とは、「ベクトルの加法」と「スカラー倍」という2つの演算が定義された集合のことです。
「ベクトル空間（vector space）」とも呼ばれ、この2つの用語はほぼ同じ意味で使われます。
線形空間を構成する要素を「ベクトル」と呼び、スカラー倍に使う数の集合を「体（field）」と呼びます。
線形空間であるためには、次の8つの公理を満たす必要があります。
| 公理 | 内容 |
|---|---|
| 加法の結合法則 | (u+v)+w = u+(v+w) |
| 加法の交換法則 | u+v = v+u |
| 加法の単位元（零ベクトル） | u+0 = u となる 0 が存在する |
| 加法の逆元 | u+(-u) = 0 となる -u が存在する |
| スカラー倍の分配法則① | a(u+v) = au + av |
| スカラー倍の分配法則② | (a+b)u = au + bu |
| スカラー倍の結合法則 | a(bu) = (ab)u |
| スカラー倍の単位元 | 1u = u |
これらの公理を満たす集合であれば、直感的な「矢印」の形をしていなくても線形空間と呼べます。
たとえば、実数の集合・多項式の集合・行列の集合・連続関数の集合なども線形空間の例です。
具体的な線形空間の例
線形空間の概念を理解するために、具体的な例を見ていきましょう。
最も身近な例は、n次元実数ベクトルの集合 ℝⁿ です。
2次元平面 ℝ² は2つの実数の組 (x, y) の集合であり、ベクトルの加法とスカラー倍が自然に定義できます。
同様に、3次元空間 ℝ³ も (x, y, z) の組として線形空間を形成します。
多項式の例では、「2次以下の多項式全体の集合」も線形空間です。
たとえば p(x) = ax² + bx + c と q(x) = dx² + ex + f の和は p(x)+q(x) = (a+d)x² + (b+e)x + (c+f) となり、やはり2次以下の多項式になるため、加法に対して閉じています。
線形空間の概念は非常に抽象的ですが、この抽象性こそが様々な数学・物理・工学の問題を統一的に扱える強みです。
線形部分空間とは
線形空間 V の部分集合 W が、V の演算に関して自身でも線形空間をなすとき、W を V の「線形部分空間（部分空間）」と呼びます。
W が部分空間であるための条件は次の3つです。
【部分空間の判定条件】
①零ベクトル 0 が W に属する
②u, v ∈ W ならば u + v ∈ W（加法に対して閉じている）
③u ∈ W, a ∈ ℝ ならば au ∈ W（スカラー倍に対して閉じている）
たとえば、ℝ³ において「xy平面（z = 0 の平面）」は部分空間です。
しかし「z = 1 の平面」は零ベクトル (0,0,0) を含まないため、部分空間ではありません。
部分空間の概念は、線形方程式の解の集合・線形変換の像・核（ker）などを理解する上で非常に重要です。
線形独立と線形従属の違い
線形空間を学ぶ上で欠かせない概念が「線形独立（linear independence）」です。
ベクトルの集合 {v₁, v₂, …, vₙ} が線形独立であるとは、c₁v₁ + c₂v₂ + … + cₙvₙ = 0 を満たすスカラーが c₁ = c₂ = … = cₙ = 0 しかない状態を指します。
簡単に言えば、どのベクトルも他のベクトルの一次結合（線形結合）で表せない状態が線形独立です。
一方、線形従属とは、少なくとも1つのベクトルが他のベクトルの一次結合で表せる状態を言います。
たとえば v₁ = (1, 0), v₂ = (0, 1), v₃ = (2, 3) の3つのベクトルは、v₃ = 2v₁ + 3v₂ と表せるため線形従属です。
基底と次元の意味をわかりやすく解説
続いては、線形空間の「基底」と「次元」について確認していきます。
基底（basis）とは、線形空間 V を「張る（span）」かつ「線形独立」なベクトルの集合のことです。
「張る」とは、基底のベクトルの一次結合によって V のすべての要素を表現できることを意味します。
基底の具体例と求め方
ℝ² における標準基底は {e₁ = (1, 0), e₂ = (0, 1)} です。
ℝ² のすべてのベクトル (x, y) は xe₁ + ye₂ として表せるため、{e₁, e₂} は ℝ² の基底です。
基底は一意ではなく、たとえば {(1, 1), (1, -1)} も ℝ² の基底となります。
基底の重要な性質は、同じ線形空間のどの基底も同じ個数のベクトルを持つことです。
この「基底のベクトルの個数」こそが次元です。
基底を求めるには、行列の行簡約（ガウス消去法）を使って線形独立なベクトルを選び出す方法が一般的です。
次元とは何か
次元（dimension）とは、線形空間の基底を構成するベクトルの個数のことです。
ℝ² の次元は2、ℝ³ の次元は3、n次元実数ベクトル空間 ℝⁿ の次元は n です。
「n次元以下の多項式全体」の次元は n+1 です（1, x, x², …, xⁿ が基底となる）。
次元の概念は、線形空間の「大きさ」や「自由度」を表す指標として理解するとわかりやすいでしょう。
線形代数では「dim」という記号で次元を表すことが多く、たとえば dim(ℝ³) = 3 と書きます。
線形代数との関係
線形空間は線形代数の中心的な概念です。
線形代数では、行列・線形変換・固有値・対角化など様々なトピックが扱われますが、これらはすべて線形空間の枠組みの中で理解できます。
行列は線形変換の表現であり、固有値・固有ベクトルは線形変換の特別なベクトルを指します。
線形方程式系の解の構造も、線形空間・部分空間・次元の概念を使って美しく整理できます。
線形空間の理論を深く理解することが、線形代数全体の理解を深める近道と言えるでしょう。
線形空間の応用と発展
続いては、線形空間の概念がどのように応用・発展しているかを確認していきます。
関数空間と無限次元の線形空間
線形空間は有限次元のベクトルだけでなく、無限次元にも拡張できます。
「すべての連続関数の集合」も線形空間を形成し、これを「関数空間」と呼びます。
フーリエ解析では、周期関数を三角関数の無限和として表現しますが、これはまさに無限次元の線形空間における基底展開の考え方です。
量子力学では、量子状態を「ヒルベルト空間」という特殊な線形空間の要素として記述します。
線形空間の概念は物理・情報・工学の最先端にも深く関わっているのです。
データサイエンスと線形空間
データサイエンス・機械学習の分野でも、線形空間の概念は重要な役割を果たします。
特徴ベクトルを線形空間の要素として捉えることで、データの構造を線形代数の枠組みで分析できます。
主成分分析（PCA）は、データの分散が最大になる方向（主成分）を求める手法ですが、これは線形空間における基底の変換として理解できます。
Word2VecなどのNLP（自然言語処理）では、単語を高次元の線形空間のベクトルとして表現します。
「king – man + woman ≈ queen」という有名な例は、線形空間での意味的な演算を示しています。
線形空間を学ぶ上でのポイント
線形空間を学ぶ際には、具体的な例（ℝⁿ や多項式空間）でイメージを掴むことが大切です。
公理を丸暗記するよりも、「なぜこの公理が必要なのか」を考えながら学ぶと理解が深まります。
基底・次元・線形独立は互いに深く関連しているため、セットで理解するとよいでしょう。
線形変換・行列・固有値へとつながる土台として、線形空間の概念を丁寧に学ぶことが線形代数マスターへの近道です。
まとめ
本記事では、線形空間の意味・定義・具体例・線形独立・基底・次元・線形代数との関係・応用について幅広く解説しました。
線形空間とは、ベクトルの加法とスカラー倍が定義され、8つの公理を満たす集合のことです。
ℝⁿ や多項式空間・関数空間など、様々な集合が線形空間の例として挙げられます。
基底と次元は線形空間の構造を記述する重要な概念であり、線形代数の理解に不可欠です。
線形空間の概念を深く理解することが、数学・物理・データサイエンスの高度な内容を学ぶ上での強固な基盤となるでしょう。
ぜひ本記事を参考に、線形空間の理解を深めてみてください。
