113 年 國立臺灣大學應用數學科學研究所碩士班《線性代數（A）》

核心觀念
本題考查「矩陣空間的嵌入 (Embedding) 與階數 (Rank) 的保持」、「子空間維度的繼承性 (Subspace Dimension)」。
關鍵原理在於：將較小的矩陣（$m \times n$）透過「補零 (Zero-padding)」延伸成較大的方陣（$n \times n$），此補零映射是一個線性同構 (Linear Isomorphism)，不僅能完美保留原矩陣空間的維度，還能保持原矩陣的階數（Rank）不變。

---

解題方法
我們的目標是說明：若假設定理對於方陣情況（即 $m = n$）成立，則對任意 $m \le n$ 的一般情況也必定成立。

1. 定義補零映射 (Zero-padding Map)：
   因為 $m \le n$，對任意矩陣 $A \in M_{m,n}(\mathbb{C})$，我們可以用 $(n-m)$ 列零向量在下方擴充 $A$，將其變成一個 $n \times n$ 的方陣。
   定義映射 $\Phi: M_{m,n}(\mathbb{C}) \to M_n(\mathbb{C})$ 為：
   $\Phi(A) = \begin{bmatrix} A \\ O_{(n-m) \times n} \end{bmatrix}$
   其中 $O_{(n-m) \times n}$ 為 $(n-m) \times n$ 的零矩陣。

2. 驗證線性與單射性 (Linearity & Injectivity)：

   • 顯然 $\Phi$ 是線性映射 (Linear Transformation)。
   • 若 $\Phi(A) = O_{n \times n}$，則其前 $m$ 列構成的矩陣 $A = O_{m \times n}$，故 $\ker(\Phi) = \{O_{m \times n}\}$。因此 $\Phi$ 是單射 (Injective)。

3. 分析階數 (Rank) 與維度 (Dimension)：

   • 階數不變：因為在矩陣下方增加全零列不會改變矩陣的列空間 (Column Space) 的線性獨立向量最大個數，所以對任意 $A \in M_{m,n}(\mathbb{C})$，都有：
     $\operatorname{rank}(\Phi(A)) = \operatorname{rank}(A)$

核心觀念

本題旨在證明當我們在考慮矩陣子空間中矩陣的最大秩限制時，可以透過「適當選擇基底（基底變換）」或「矩陣同構（等價變換）」將問題化簡為更規範（Canonical）的型態。

主要用到的定理與定義：

1. 矩陣等價定理 (Matrix Equivalence Theorem)：對於任意階數為 $n \times n$ 且秩為 $r$ 的複數矩陣 $A$，必定存在兩個可逆矩陣 $P, Q \in M_n(\mathbb{C})$，使得：
   $P A Q = \begin{pmatrix} I_r & 0 \\ 0 & 0 \end{pmatrix}$
2. 向量空間的同構 (Isomorphism)：對於映射 $\Phi: M_n(\mathbb{C}) \to M_n(\mathbb{C})$ 定義為 $\Phi(X) = P X Q$（其中 $P, Q$ 為可逆矩陣），$\Phi$ 是一個線性同構（Linear Isomorphism）。
3. 維度與秩的不變性：
   • 秩的不變性：$\operatorname{rank}(\Phi(X)) = \operatorname{rank}(PXQ) = \operatorname{rank}(X)$。
   • 維度的不變性：若 $V \subset M_n(\mathbb{C})$ 為子空間，則 $\Phi(V) = \{ PXQ \mid X \in V \}$ 亦為 $M_n(\mathbb{C})$ 的子空間，且 $\dim(\Phi(V)) = \dim(V)$。

---

解題方法

欲證明「可以假設 $V$ 包含分塊矩陣 $R = \begin{pmatrix} I_r & 0 \\ 0 & 0 \end{pmatrix}$」，我們需要說明：即使原本的 $V$ 不包含 $R$，我們也能透過矩陣的等價變換找到一個與 $V$ 同構且具備完全相同性質（維度相同、裡面每一個矩陣的秩條件不變）的新子空間 $V'$，且 $V'$ 包含 $R$。

關鍵推導步驟如下：

1. 選取最大秩矩陣：
   因為 $V$ 中所有矩陣的秩皆不超過 $r$（$\operatorname{rank} A \le r, \forall A \in V$），設 $V$ 中矩陣所能達到的最大秩為 $r_0$（其中 $r_0 \le r$）。若 $r_0 = 0$，則 $V = \{0\}$，定理顯然成立；故假設 $r_0 > 0$，並取 $V$ 中一個秩為 $r_0$ 的矩陣 $A_0 \in V$。若 $r_0 < r$，我們可以先在 $r_0$ 的條件下證明，其結論自然包含 $r_0 = r$ 的情形。通常不失一般性，可設存在 $A_0 \in V$ 滿足 $\operatorname{rank}(A_0) = r$。

2. 套用矩陣等價定理：
   對該矩陣 $A_0$，根據矩陣等價定理，必定存在兩個可逆矩陣 $P, Q \in M_n(\mathbb{C})$，使得：
   $P A_0 Q = R = \begin{pmatrix} I_r & 0 \\ 0 & 0 \end{pmatrix}$

核心觀念

本題屬於矩陣子空間與秩（Rank）限制的經典問題（Flanders 定理的前置引理）。涉及的核心觀念包含：

1. 線性子空間的封閉性（Closure Property）：
   若 $M, R \in V$ 且 $V$ 為 $\mathbb{C}$ 上的線性子空間，則對任意純量 $t \in \mathbb{C}$，矩陣 $M(t) = M + tR$ 亦必屬於 $V$。
2. 矩陣的秩與子行列式（Minor）之判定：
   若對任意 $A \in V$ 皆滿足 $\operatorname{rank}(A) \le r$，則 $A$ 的任意大小為 $(r+1) \times (r+1)$ 的子行列式（Minor）皆必須恆等於 $0$。
3. 多項式恆等定理（Polynomial Identity Theorem）：
   若一個複係數多項式 $P(t) = a_k t^k + a_{k-1} t^{k-1} + \dots + a_0$ 在無窮多個點（或整個複數體 $\mathbb{C}$ 上）皆等於 $0$，則其所有係數必全為 $0$（即 $a_k = a_{k-1} = \dots = a_0 = 0$）。
4. 區塊矩陣與 Schur 補式（Schur Complement）：
   對於區塊矩陣的行列式，當主對角區塊可逆時，可利用 Schur 補式展開行列式並分析其關於 $t$ 的次數與主導項（Leading Term）。

---

解題方法

根據題意，當 $m = n$ 時，$R$ 表示標準秩為 $r$ 的區塊矩陣：
$R = \begin{pmatrix} I_r & 0 \\ 0 & 0 \end{pmatrix}$
其中 $I_r \in M_r(\mathbb{C})$ 為 $r \times r$ 單位矩陣。

設 $M = \begin{pmatrix} M_{11} & M_{12} \\ M_{21} & M_{22} \end{pmatrix} \in V$，其中各區塊尺寸分別為：

• $M_{11} \in M_r(\mathbb{C})$
• $M_{12} \in M_{r, n-r}(\mathbb{C})$
• $M_{21} \in M_{n-r, r}(\mathbb{C})$
• $M_{22} \in M_{n-r}(\mathbb{C})$

考慮參數矩陣 $M(t) = M + tR$：
$M(t) = \begin{pmatrix} M_{11} + tI_r & M_{12} \\ M_{21} & M_{22} \end{pmatrix}$

因為 $M \in V$ 且 $R \in V$，對任意 $t \in \mathbb{C}$，必有 $M(t) \in V$，從而 $\operatorname{rank}(M(t)) \le r$。這意味著 $M(t)$ 的任何 $(r+1) \times (r+1)$ 子行列式對於所有 $t \in \mathbb{C}$ 皆為 $0$。

第一步：證明 $M_{22} = 0$

任取 $1 \le i \le n-r$ 與 $1 \le j \le n-r$。考慮由 $M(t)$ 的前 $r$ 列加上第 $r+i$ 列，以及前 $r$ 行加上第 $r+j$ 行所組成的 $(r+1) \times (r+1)$ 子矩陣 $N(t)$：
$N(t) = \begin{pmatrix} M_{11} + tI_r & M_{12, j} \\ M_{21, i} & (M_{22})_{i,j} \end{pmatrix}$
其中 $M_{12, j}$ 代表 $M_{12}$ 的第 $j$ 行（為 $r \times 1$ 列向量），$M_{21, i}$ 代表 $M_{21}$ 的第 $i$ 列（為 $1 \times r$ 行向量），而 $(M_{22})_{i,j}$ 為 $M_{22}$ 的第 $(i,j)$ 個元素。

由於 $\operatorname{rank}(M(t)) \le r$，故對任意 $t \in \mathbb{C}$，此子矩陣的行列式必為零：
$\det N(t) = 0 \quad \forall t \in \mathbb{C}$

當 $|t|$ 足夠大時，$M_{11} + tI_r$ 可逆。利用 Schur 補式公式展開 $\det N(t)$：
$\det N(t) = \det(M_{11} + tI_r) \cdot \left( (M_{22})_{i,j} - M_{21, i} (M_{11} + tI_r)^{-1} M_{12, j} \right)$

注意到：

1. $\det(M_{11} + tI_r)$ 為 $t$ 的 $r$ 次特徵多項式，其形式為 $t^r + \operatorname{tr}(M_{11})t^{r-1} + \dots$。
2. 當 $t \to \infty$ 時，利用矩陣反函數展開：

核心觀念

本題的核心在於利用矩陣的分塊（Block Matrix）、秩（Rank）的條件，以及特徵多項式（Characteristic Polynomial）或多項式恒等式（Polynomial Identity）的性質。

題目給定向量空間 $V \subset M_{m,n}(\mathbb{C})$ 中任意矩陣 $A$ 的秩（rank）皆不超過 $r$。
設矩陣進行分塊後形式為：
$A = \begin{pmatrix} A_{11} & A_{12} \\ A_{21} & 0 \end{pmatrix}, \quad B = \begin{pmatrix} B_{11} & B_{12} \\ B_{21} & 0 \end{pmatrix}$
其中 $A_{11}, B_{11} \in M_r(\mathbb{C})$，而右下角的子矩陣均為零矩陣（其大小分別為 $(m-r) \times (n-r)$）。

對任意複數 $t \in \mathbb{C}$，因為 $V$ 為線性子空間（Linear Subspace），故 $A + tB \in V$。
因此，對任意 $t \in \mathbb{C}$，均有：
$\operatorname{rank}(A + tB) \le r$

這意味著在矩陣 $A + tB$ 中，任何大小為 $(r+1) \times (r+1)$ 的子行列式（Subdeterminant / Minor）都必須恆等於 $0$。

---

解題方法

為了證明 $A_{21}B_{12} + B_{21}A_{12} = 0$，我們選取適當的 $(r+1) \times (r+1)$ 子矩陣並分析其行列式。

步驟一：構造 $(r+1) \times (r+1)$ 的子矩陣

對於矩陣 $M(t) = A + tB \in V$，將其分塊寫出：
$M(t) = \begin{pmatrix} A_{11} + t B_{11} & A_{12} + t B_{12} \\ A_{21} + t B_{21} & 0 \end{pmatrix}$

注意右下角 $0$ 矩陣的大小為 $(m-r) \times (n-r)$。
我們任取 $A_{21} + t B_{21}$ 的第 $i$ 列（其中 $1 \le i \le m-r$），以及 $A_{12} + t B_{12}$ 的第 $j$ 行（其中 $1 \le j \le n-r$）。
將 $M(t)$ 的前 $r$ 列與第 $r+i$ 列，以及前 $r$ 行與第 $r+j$ 行選出，組成一個 $(r+1) \times (r+1)$ 的子矩陣 $N_{ij}(t)$：

$N_{ij}(t) = \begin{pmatrix} A_{11} + t B_{11} & (A_{12} + t B_{12})_j \\ (A_{21} + t B_{21})^i & 0 \end{pmatrix}$

其中 $(A_{12} + t B_{12})_j$ 表示矩陣 $A_{12} + t B_{12}$ 的第 $j$ 個行向量（Column vector），$(A_{21} + t B_{21})^i$ 表示矩陣 $A_{21} + t B_{21}$ 的第 $i$ 個列向量（Row vector）。

步驟二：利用秩的限制建立多項式恒等式

因為對所有 $t \in \mathbb{C}$，$\operatorname{rank}(M(t)) \le r$，故任何 $(r+1) \times (r+1)$ 的子行列式必須為 $0$：
$\det N_{ij}(t) = 0, \quad \forall t \in \mathbb{C}$

展開子行列式 $\det N_{ij}(t)$：
使用分塊矩陣行列式公式（Schur Complement formula）或直接拉普拉斯展開（Laplace Expansion），將 $N_{ij}(t)$ 視為 $t$ 的多項式 $P(t)$：
$P(t) = \det N_{ij}(t) = c_k t^k + \dots + c_1 t + c_0$

因為 $P(t) = 0$ 對無窮多個 $t \in \mathbb{C}$ 均成立，故多項式 $P(t)$ 的每一個係數均必須為 $0$。

步驟三：分析多項式一次項係數

考慮特例：當 $A_{11} = I_r$ 且 $B_{11} = 0$ 時（若 $A_{11}$ 可逆，亦可透過基底變換化歸此情況；一般情況下透過對子矩陣求導或代數展開）：

核心觀念

本題屬於台大應數學系「線性代數（A）」中關於矩陣子空間維度上界（ Flanders 定理 / West 定理證明鏈）的核心步驟，重點考察以下線性代數機制：

1. 第一同構定理與維度定理（Rank-Nullity Theorem）：
   對於線性映射 $\phi: V \to M_{r,n}(\mathbb{C})$，有：
   $\dim V = \dim \phi(V) + \dim \ker \phi$
   因此要估計映射像的維度 $\dim \phi(V)$，通常會建立它與對偶空間（Dual Space）正交補（Annihilator）或線性同構的關係。

2. 對偶空間與 Trace 配對（Trace Pairing）：
   矩陣空間 $M_{r,n}(\mathbb{C})$ 的對偶空間 $M_{r,n}(\mathbb{C})^\vee$ 可以利用 Trace 內積 $\langle X, Y \rangle = \operatorname{Tr}(X^T Y)$ 或雙線性形式 $\operatorname{Tr}(A_{21} B_{12})$ 建立自然同構。

3. 矩陣秩（Rank）與子空間零塊結構 constraints：
   在前面的小題（Problem 1-(1)~(4)）中，通常已建立形如：
   $\begin{pmatrix} B_{11} & B_{12} \\ A_{21} & 0 \end{pmatrix} \in V$
   的矩陣其秩限制（$\operatorname{rank} \le r$）會導致特定的塊矩陣恆等式，特別是當包含子空間 $W$ 與 $\phi(V)$ 的矩陣時，兩者的塊矩陣組合乘積滿足特定約束條件。

---

解題方法與推導過程

步驟一：理解映射與對偶映射 $\psi$ 的定義

題目給定線性映射 $\phi: V \to M_{r,n}(\mathbb{C})$ 為取矩陣前 $r$ 列的映射：
$\phi(M) = \begin{pmatrix} B_{11} & B_{12} \end{pmatrix} \in M_{r,n}(\mathbb{C})$
其中 $B_{11} \in M_r(\mathbb{C})$，$B_{12} \in M_{r, n-r}(\mathbb{C})$。

定義子空間 $W \subset V$ 為：
$W = \left\{ \begin{pmatrix} 0 & 0 \\ A_{21} & 0 \end{pmatrix} \in V \;\middle|\; A_{21} \in M_{n-r, r}(\mathbb{C}) \right\}$
且令 $s = \dim W$。

定義映射 $\psi: W \to M_{r,n}(\mathbb{C})^\vee$，將 $\begin{pmatrix} 0 & 0 \\ A_{21} & 0 \end{pmatrix} \in W$ 映射至泛函 $T_{A_{21}}$，其定義為：
$T_{A_{21}}(B_{11}, B_{12}) = \operatorname{Tr}(A_{21} B_{12})$
對於任意 $(B_{11}, B_{12}) \in M_{r,n}(\mathbb{C})$。

步驟二：證明映射 $\psi$ 為單射（Injective）

要證明 $\psi$ 為單射，只需證明 $\ker \psi = \{0\}$：
設 $\begin{pmatrix} 0 & 0 \\ A_{21} & 0 \end{pmatrix} \in \ker \psi$，則對所有的 $(B_{11}, B_{12}) \in M_{r,n}(\mathbb{C})$，皆有：
$T_{A_{21}}(B_{11}, B_{12}) = \operatorname{Tr}(A_{21} B_{12}) = 0$

取 $B_{11} = 0$，並取 $B_{12} = A_{21}^T$（或在複數體上取共軛轉置 $A_{21}^H$），代入得：
$\operatorname{Tr}(A_{21} A_{21}^T) = \sum_{i,j} (A_{21})_{ij}^2 = 0 \implies A_{21} = 0$
因此 $\ker \psi = \{0\}$，映射 $\psi$ 為單射。
由線性映射的單射性質可知：
$\dim \psi(W) = \dim W = s$

步驟三：證明 $\phi(V) \subset \ker(T_{A_{21}})$ 對於所有 $\psi(W)$ 中的元素

核心觀念

本題為矩陣空間中關於「秩受限子空間維度上界」的經典定理（Flanders 定理）。解答本題需融合以下線性代數核心概念與定理：

1. 矩陣子空間之等距同構與基底變換（Isomorphism and Change of Basis）：
   對於任意可逆矩陣 $P \in M_m(\mathbb{C})$ 與 $Q \in M_n(\mathbb{C})$，映射 $\Phi(A) = PAQ$ 為 $M_{m,n}(\mathbb{C})$ 上的線性同構（Linear Isomorphic Operator），且保持矩陣的秩不變（即 $\operatorname{rank}(PAQ) = \operatorname{rank}(A)$）。因此，可將子空間中秩最大的矩陣化簡為標準階梯型。

2. 分塊矩陣與階數限制（Block Matrix & Rank Constraints）：
   若 $V$ 中矩陣的最大秩數為 $r_0 \le r$，將矩陣分塊為前 $r_0$ 列與後 $m - r_0$ 列。當任意元素與最大秩矩陣作線性組合時，其矩陣的子式（Minors）與 Schur 補集（Schur Complement）限制將迫使特定區塊矩陣為零矩陣或受嚴格線性相依關係約束。

3. 秩與零化度定理（Rank-Nullity Theorem）：
   定義適當的線性映射 $\pi: V \to M_{r_0, n}(\mathbb{C})$ 取出矩陣的前 $r_0$ 列，利用維度定理：

   $$\dim V = \dim(\operatorname{Im} \pi) + \dim(\ker \pi)$$

   結合 $\ker \pi$ 的維度限制來導出整體空間維度的精確上界。

---

解題方法

假設 $V \subset M_{m,n}(\mathbb{C})$ 為滿足對所有 $A \in V$ 皆有 $\operatorname{rank} A \le r$ 的線性子空間。

步驟一：選取最大秩矩陣並進行矩陣規範化

設 $r_0 = \max_{A \in V} \operatorname{rank}(A)$。由題設已知對所有 $A \in V$ 均有 $\operatorname{rank}(A) \le r$，故 $r_0 \le r$。
取矩陣 $A_0 \in V$ 使得 $\operatorname{rank}(A_0) = r_0$。存在可逆矩陣 $P \in M_m(\mathbb{C})$ 與 $Q \in M_n(\mathbb{C})$，使得：

$$P A_0 Q = \begin{pmatrix} I_{r_0} & 0 \\ 0 & 0 \end{pmatrix}$$

令 $\tilde{V} = \{ P X Q : X \in V \}$。因為映射 $X \mapsto P X Q$ 為向量空間同構，所以 $\dim \tilde{V} = \dim V$，且對任意 $\tilde{X} \in \tilde{V}$，$\operatorname{rank}(\tilde{X}) = \operatorname{rank}(X) \le r_0$。因此不失一般性，可直接設：

$$A_0 = \begin{pmatrix} I_{r_0} & 0 \\ 0 & 0 \end{pmatrix} \in V$$

步驟二：對任意元素進行區塊分解與極值限制

對任意 $X \in V$，將 $X$ 進行對應的區塊分割：

$$X = \begin{pmatrix} X_{11} & X_{12} \\ X_{21} & X_{22} \end{pmatrix}$$

其中 $X_{11} \in M_{r_0, r_0}(\mathbb{C})$，$X_{12} \in M_{r_0, n-r_0}(\mathbb{C})$，$X_{21} \in M_{m-r_0, r_0}(\mathbb{C})$，$X_{22} \in M_{m-r_0, n-r_0}(\mathbb{C})$。

對任意複數 $t \in \mathbb{C}$，由於 $V$ 為線性子空間，故 $t A_0 + X \in V$，其秩滿足：

$$\operatorname{rank}(t A_0 + X) = \operatorname{rank} \begin{pmatrix} t I_{r_0} + X_{11} & X_{12} \\ X_{21} & X_{22} \end{pmatrix} \le r_0$$

當 $|t|$ 足夠大時，$t I_{r_0} + X_{11}$ 可逆。利用分塊矩陣的 Schur 補集公式，矩陣的秩可表示為：

$$\operatorname{rank}(t A_0 + X) = \operatorname{rank}(t I_{r_0} + X_{11}) + \operatorname{rank}\Big( X_{22} - X_{21} (t I_{r_0} + X_{11})^{-1} X_{12} \Big)$$

核心觀念

本題的核心在於矩陣空間的子空間維度與矩陣秩（Rank）極限值的關係。
給定 $M_{m,n}(\mathbb{C})$ 中一個線性子空間 $V$，若其中所有矩陣 $A \in V$ 的秩均滿足 $\operatorname{rank}(A) \le r$，題目要求的定理表明 $\dim V \le nr$。本小題要求證明此不等式是最佳的（Optimal），亦即需在給定 $r \le m \le n$ 的條件下，構造出一個滿足條件且維度恰好為 $\dim V = nr$ 的子空間 $V$。

關鍵數學工具與符號：

1. 矩陣的行向量空間（Column Space）：矩陣 $A$ 的秩等於其行向量空間的維度，即 $\operatorname{rank}(A) = \dim(\operatorname{Col}(A))$。
2. 基底與維度：若能建立一個由 $nr$ 個線性獨立矩陣生成的子空間，且其中每個矩陣的行向量都被限制在同一個維度為 $r$ 的固定子空間內，則該子空間中任何矩陣的秩均不超過 $r$。

---

解題方法

要構造滿足條件的子空間 $V \subset M_{m,n}(\mathbb{C})$ 且 $\dim V = nr$，最自然的構造方式是限制矩陣的非零行（Rows）數量。

1. 構造子空間 $V$

考慮由前 $r$ 個橫行（Rows）任意填入複數、其餘 $m - r$ 個橫行全為零的 $m \times n$ 矩陣所組成的集合：
$V = \left\{ A = \begin{pmatrix} A_1 \\ A_2 \\ \vdots \\ A_r \\ 0 \\ \vdots \\ 0 \end{pmatrix} \in M_{m,n}(\mathbb{C}) \;\middle|\; A_1, A_2, \dots, A_r \in \mathbb{C}^{1 \times n} \right\}$

2. 驗證 $V$ 為線性子空間

對於任意 $A, B \in V$ 與 $\alpha, \beta \in \mathbb{C}$：

• $A$ 與 $B$ 的第 $r+1$ 至第 $m$ 行皆為零列向量。
• 線性組合 $\alpha A + \beta B$ 的前 $r$ 行為 $\alpha A_i + \beta B_i$ ($1 \le i \le r$)，第 $r+1$ 至第 $m$ 行仍全為零列向量。
  因此 $\alpha A + \beta B \in V$，證得 $V$ 為 $M_{m,n}(\mathbb{C})$ 的線性子空間。

3. 驗證秩的條件：$\operatorname{rank}(A) \le r$ 對所有 $A \in V$ 成立

對於任意 $A \in V$，$A$ 中最多只有前 $r$ 個橫行是非零列向量。
根據矩陣的秩不超過其非零橫行數量的性質：
$\operatorname{rank}(A) = \operatorname{row\_rank}(A) \le r$
故 $V$ 中每個矩陣皆滿足 $\operatorname{rank}(A) \le r$。

核心觀念

1. 非退化雙線性型 (Non-degenerate Bilinear Form)：
   對於向量空間 $V$ 上的對稱雙線性型 $B: V \times V \to F$，若對某一向量 $w \in V$，對所有 $u \in V$ 均有 $B(w, u) = 0$，則必定有 $w = 0$。換言之，若 $w \ne 0$，則必然存在某些向量 $u \in V$ 使得 $B(w, u) \ne 0$。
2. 二次型 (Quadratic Form)：
   定義為 $q(v) = B(v, v)$。對於任意 $c \in F$ 與 $v, w \in V$，由雙線性與對稱性可得：
   $q(cv + w) = B(cv + w, cv + w) = c^2 q(v) + 2c B(v, w) + q(w)$
3. 二次型代表元素 (Representation by Quadratic Form)：
   稱 $q$ 代表元素 $x \in F$，若存在非零向量 $u \in V$ 使得 $q(u) = x$。

---

解題方法與推導步驟

本題目標為證明：若存在非零向量 $v \in V$ 滿足 $q(v) = 0$，則對任意 $x \in F$，皆能找到非零向量 $u \in V$ 使得 $q(u) = x$。

步驟一：選取關鍵向量 $w$
已知 $q$ 代表 $0$，代表存在非零向量 $v \in V \setminus \{0\}$ 使得 $q(v) = B(v, v) = 0$。
因為雙線性型 $B$ 為非退化 (non-degenerate)，且 $v \ne 0$，故必定存在某個向量 $y \in V$ 使得 $B(v, y) \ne 0$。
令 $d = B(v, y) \ne 0$，並定義向量：
$w = \frac{1}{2d} y$
則可得：
$B(v, w) = B\left(v, \frac{1}{2d} y\right) = \frac{1}{2d} B(v, y) = \frac{1}{2d} \cdot d = \frac{1}{2}$

註：若場的特徵 (characteristic) 為 $2$（即 $2 = 0$），則上述除以 $2$ 的運算不成立。但在標準線性代數考試中，雙線性型與二次型之對應預設場 $F$ 之特徵 $\text{char}(F) \ne 2$。若直接保留 $d = B(v, y) \ne 0$，亦可直接考慮 $q(cv + y)$。

步驟二：展開 $q(cv + w)$ 並解係數 $c$
考慮向量 $u = cv + w \in V$（其中 $c \in F$ 待定）。利用二次型的展開公式：
$q(cv + w) = c^2 q(v) + 2c B(v, w) + q(w)$

核心觀念

1. 直和空間 $V \oplus F$ 與向量表示：
   直和 $W = V \oplus F$ 中的元素可唯一表示為 $(v, c)$ 或簡寫成 $v + c \mathbf{e}$，其中 $v \in V$ 且 $c \in F$。這裡 $\mathbf{e} = (0, 1)$ 是 $F$ 空間的生成基向量。

2. 雙線性形式的延伸（Extension of Bilinear Form）：
   要在 $W = V \oplus F$ 上定義一個對稱雙線性形式 $\tilde{B}: W \times W \to F$，使其對任意 $u, v \in V$ 符合限制條件 $\tilde{B}(u, v) = B(u, v)$。
   若定義 $\tilde{B}(v, \mathbf{e}) = \tilde{B}(\mathbf{e}, v) = 0$ 且 $\tilde{B}(\mathbf{e}, \mathbf{e}) = a$（其中 $a \in F$ 為常數），則對任意 $w_1 = (v_1, c_1), w_2 = (v_2, c_2) \in W$，延伸的雙線性形式表達式為：
   $\tilde{B}(w_1, w_2) = B(v_1, v_2) + a c_1 c_2$

3. 非退化（Non-degenerate）定義與判準：
   雙線性形式 $\tilde{B}$ 為非退化，若且唯若「對任意 $w_2 \in W$，$\tilde{B}(w_1, w_2) = 0$」蘊含 $w_1 = 0$。

4. 二次形式的表出（Representation）：
   對應的二次形式為 $\tilde{q}(w) = \tilde{B}(w, w) = q(v) + a c^2$。若對任意 $x \in F$，皆能找到非零向量 $w = (v, c) \in W \setminus \{(0,0)\}$ 使得 $\tilde{q}(w) = x$，則稱 $\tilde{q}$ 能表出 $F$ 中的每一個元素。

---

解題方法

本題的構造關鍵在於適當選擇常數 $a = \tilde{B}(\mathbf{e}, \mathbf{e}) \in F^\times$，並區分 $F$ 的特徵（Characteristic）：

步驟一：構造延伸雙線性形式 $\tilde{B}$ 與 $\tilde{q}$

定義 $W = V \oplus F$。設 $\mathbf{e} = (0, 1) \in W$。
給定一非零常數 $a \in F^\times$（具體數值稍後確定），定義 $\tilde{B}: W \times W \to F$ 為：
$\tilde{B}((v_1, c_1), (v_2, c_2)) = B(v_1, v_2) + a c_1 c_2$
其中 $v_1, v_2 \in V$ 且 $c_1, c_2 \in F$。

• 雙線性與對稱性：由於 $B$ 為對稱雙線性形式，且 $a c_1 c_2$ 亦為對稱雙線性，故 $\tilde{B}$ 顯然為 $W$ 上的對稱雙線性形式，且當 $c_1=c_2=0$ 時，$\tilde{B}((v_1, 0), (v_2, 0)) = B(v_1, v_2)$，即 $\tilde{B}$ 確實為 $B$ 之延伸。
• 對應的二次形式：
  $\tilde{q}(v, c) = \tilde{B}((v, c), (v, c)) = q(v) + a c^2$

---

步驟二：證明 $\tilde{B}$ 在 $W$ 上非退化

假設存在 $w_1 = (v_1, c_1) \in W$ 使得對所有 $w_2 = (v_2, c_2) \in W$ 皆有：
$\tilde{B}((v_1, c_1), (v_2, c_2)) = B(v_1, v_2) + a c_1 c_2 = 0$

1. 取 $c_2 = 0$ 且 $v_2$ 為任意 $V$ 中向量，可得：
   $B(v_1, v_2) = 0, \quad \forall v_2 \in V$
   因為 $B$ 在 $V$ 上非退化，故必有 $v_1 = 0$。
2. 取 $v_2 = 0$ 且 $c_2 = 1$，代入原式得：
   $a c_1 = 0$
   因為選擇的 $a \neq 0$，故必有 $c_1 = 0$。

綜上所述，$w_1 = (0, 0)$，故 $\tilde{B}$ 確為非退化。

---

步驟三：選擇 $a$ 使得 $\tilde{q}$ 能表出 $F$ 中的所有元素

因為 $V \neq \{0\}$ 且 $B$ 非退化，已知二次形式 $q$ 並非恆等於 $0$。

情況 A：若 $q$ 能表出 $0$（即存在非零向量 $v_0 \in V$ 使得 $q(v_0) = 0$）

任意選擇 $a = 1 \neq 0$。
對任意給定的 $x \in F$：