Chapter 9.1 — Fields ও Abstract Vector Spaces (ফিল্ড ও বিমূর্ত ভেক্টর স্পেস)¶

এতদিন আমরা \(\mathbb{R}^n\)-এর জগতে ছিলাম — vector মানে সংখ্যার তালিকা, scalar মানে real সংখ্যা। Part IV-এ vector space-এর নিয়মকানুন শিখেছিলে, কিন্তু মঞ্চটা সবসময় ছিল \(\mathbb{R}^n\)। আজ একটা সাহসী প্রশ্ন করবো: scalar-গুলো \(\mathbb{R}\) থেকেই আসতে হবে কেন? যোগ-বিয়োগ-গুণ-ভাগ করা যায় এমন যেকোনো সংখ্যা-জগৎ হলেই তো চলে! এই পর্যবেক্ষণটা দরজা খুলে দেয় এক আশ্চর্য চিড়িয়াখানার: মাত্র দুটো সংখ্যার জগৎ \(\mathbb{F}_2\) (যেখানে \(1+1=0\)!), complex সংখ্যার \(\mathbb{C}\) (যেখানে প্রতিটা polynomial-এর root আছে), polynomial-দের space, function-দের space — সবাই একই ৮টা axiom মানে, তাই Part IV-এর সব উপপাদ্য সবার জন্য ফ্রি-তে সত্য। একবার প্রমাণ, অনন্ত প্রয়োগ — এটাই abstraction-এর সবচেয়ে বড় সওদা। আর পথে দেখবো: "obvious" জিনিসও (\(0v = 0\)!) axiom থেকে প্রমাণ করতে হয় — এই সততাই rigor-এর শুরু।

🎯 এই chapter-এ যা শিখবে¶

Field(ফিল্ড) কী: scalar-দের নিজস্ব নিয়মকানুন — \(\mathbb{Q}, \mathbb{R}, \mathbb{C}, \mathbb{F}_2\) কেন field, আর \(\mathbb{Z}, \mathbb{N}\) কেন না
\(\mathbb{C}\) কেন linear algebra-র স্বর্গ: Algebraically Closed(অ্যালজেব্রেয়িক্যালি ক্লোজড) — প্রতিটা polynomial-এর root আছে ⟹ প্রতিটা operator-এর eigenvalue আছে
Abstract Vector Space(বিমূর্ত ভেক্টর স্পেস)-এর ৮টা axiom, আর উদাহরণের চিড়িয়াখানা: \(F^n\), polynomial space, function space, matrix space, \(\mathbb{F}_2^n\)
Axiom থেকে প্রথম উপপাদ্যগুলো প্রমাণ করা: zero unique, \(0v = 0\), \((-1)v = -v\) — Axler-স্টাইলের সততা
Span, independence, basis, dimension — চেনা ধারণাগুলো field-নিরপেক্ষ চোখে re-read; \(\mathbb{F}_2^n\)-এ vector গোনা, \(\mathbb{C}\)-র দুই রকম dimension

🖼️ এক ছবিতে মূল idea¶

Four different vector spaces obeying the same axioms

চারটা সম্পূর্ণ ভিন্ন চেহারার জগৎ: \(\mathbb{R}^2\)-এর তীর, degree \(\le 2\) polynomial-দের curve, \(\mathbb{F}_2^2\)-এর মোটে ৪টা বিন্দু, আর \(\sin\)-\(\cos\)-এর function space। চেহারা যত আলাদাই হোক — চারজনই একই ৮টা axiom মানে, তাই চারজনই vector space। যে উপপাদ্য axiom থেকে প্রমাণ হবে, তা চারজনের জন্যই একসাথে সত্য।

১. কি? (What)¶

দৈনন্দিন analogy: খেলার নিয়ম বনাম খেলার বোর্ড¶

দাবা খেলা কাঠের বোর্ডে, কাচের বোর্ডে, এমনকি কম্পিউটার স্ক্রিনে — সব জায়গায় একই খেলা। কারণ দাবা মানে বোর্ডের উপাদান না, দাবা মানে নিয়মের তালিকা: ঘোড়া আড়াই ঘর যায়, রাজা এক ঘর। যে-জিনিসই এই নিয়ম মানে, সেটাই দাবা।

Vector space-ও ঠিক তাই। Part IV-এ আমরা \(\mathbb{R}^n\) নামের কাঠের বোর্ডে খেলা শিখেছি। এখন বুঝবো: খেলাটা আসলে বোর্ডের না, নিয়মের। যেকোনো সেট — polynomial হোক, function হোক, শুধু \(\{0,1\}\)-এর তালিকা হোক — যদি নিয়মগুলো (axiom) মানে, তবে সে-ই vector space, আর দাবার সব চাল (আমাদের সব উপপাদ্য) সেখানে খাটবে।

কিন্তু নিয়ম লিখতে গেলে আগে ঠিক করতে হবে: scalar-গুলো কারা? \(cv\) লেখার সময় \(c\)-টা কোন জগৎ থেকে আসছে? সেই জগতের নিজেরও কিছু নিয়ম মানতে হবে — সেটাই field।

Field-এর সংজ্ঞা¶

একটা Field(ফিল্ড) \(F\) হলো এমন একটা সেট যেখানে দুটো operation আছে — যোগ (\(+\)) আর গুণ (\(\cdot\)) — এবং নিচের নিয়মগুলো খাটে:

নিয়ম	যোগের জন্য	গুণের জন্য
Commutative(কম্যুটেটিভ)	\(a + b = b + a\)	\(ab = ba\)
Associative(অ্যাসোসিয়েটিভ)	\((a+b)+c = a+(b+c)\)	\((ab)c = a(bc)\)
Identity(আইডেন্টিটি)	\(0\) আছে: \(a + 0 = a\)	\(1\) আছে (\(1 \neq 0\)): \(a \cdot 1 = a\)
Inverse(ইনভার্স)	প্রতিটা \(a\)-র জন্য \(-a\) আছে: \(a + (-a) = 0\)	প্রতিটা \(a \neq 0\)-র জন্য \(a^{-1}\) আছে: \(a \cdot a^{-1} = 1\)
Distributive(ডিস্ট্রিবিউটিভ)	\(a(b + c) = ab + ac\) — দুই operation-এর সেতু	(একই নিয়ম — যোগ আর গুণকে জুড়ে দেয়)

এক লাইনে: field মানে এমন সংখ্যা-জগৎ যেখানে যোগ, বিয়োগ, গুণ, আর (শূন্য ছাড়া) ভাগ — চারটাই নির্বিঘ্নে চলে। বিয়োগ লুকিয়ে আছে additive inverse-এ (\(a - b := a + (-b)\)), ভাগ লুকিয়ে আছে multiplicative inverse-এ (\(a/b := a \cdot b^{-1}\))।

উদাহরণ আর non-example¶

\(\mathbb{Q}\) (ভগ্নাংশ), \(\mathbb{R}\) (real), \(\mathbb{C}\) (complex) — তিনজনই field। স্কুলের চেনা পাটিগণিত।
\(\mathbb{Z}\) (পূর্ণসংখ্যা) — field না! যোগ-বিয়োগ-গুণ ঠিক আছে, কিন্তু ভাগে আটকায়: \(2\)-এর multiplicative inverse \(\frac12\), যেটা \(\mathbb{Z}\)-এ নেই। একটামাত্র axiom ভাঙলেই বাদ।
\(\mathbb{N}\) (স্বাভাবিক সংখ্যা) — আরো আগে আটকায়: \(3\)-এর additive inverse \(-3\)-ই নেই। বিয়োগও চলে না।
\(\mathbb{F}_2 = \{0, 1\}\) — সবচেয়ে ছোট field, এবং এই chapter-এর তারকা। নিচে বিস্তারিত।

\(\mathbb{F}_2\): দুই সংখ্যার আস্ত পৃথিবী¶

Addition and multiplication tables of F2

\(\mathbb{F}_2\)-এর পুরো পাটিগণিত দুটো \(2\times2\) টেবিলে: যোগ হলো XOR (এক্সক্লুসিভ-অর), গুণ হলো AND। খেয়াল করো \(1 + 1 = 0\) — কোনো "হাতে রাখা" নেই, ঘড়ির কাঁটার মতো ঘুরে আসে।

\(\mathbb{F}_2\)-তে সদস্য মোটে দুজন: \(0\) আর \(1\)। যোগ-গুণ হয় mod 2-তে — অর্থাৎ ফলাফলকে \(2\) দিয়ে ভাগ করে ভাগশেষ রাখো:

\[0+0=0, \quad 0+1=1, \quad 1+1=0 \qquad\qquad 0\cdot0=0, \quad 0\cdot1=0, \quad 1\cdot1=1\]

সব field axiom নিজে মিলিয়ে দেখতে পারো (সদস্য দুজন, কাজ কম!)। মজার তথ্যগুলো:

\(1 + 1 = 0\) মানে \(1\)-এর additive inverse \(1\) নিজেই: \(-1 = 1\)! এখানে বিয়োগ আর যোগ একই জিনিস।
Multiplicative inverse দরকার শুধু nonzero-দের — এখানে nonzero বলতে শুধু \(1\), আর \(1 \cdot 1 = 1\) ✓। ব্যস, field।
Computer science-এর চোখে: \(\mathbb{F}_2\)-এর যোগ হলো XOR gate, গুণ হলো AND gate। তোমার processor-এর ভেতরে প্রতি ন্যানোসেকেন্ডে কোটি কোটি \(\mathbb{F}_2\)-অঙ্ক চলছে। \(\mathbb{F}_2\)-এর আরেক নাম GF(2) — Galois Field, গণিতের ট্র্যাজিক নায়ক Évariste Galois-এর নামে।

\(\mathbb{C}\): যেখানে polynomial-রা কখনো root-হারা হয় না¶

Multiplication by i is rotation by 90 degrees

\(\mathbb{C}\) আসলে \(\mathbb{R}^2\)-ই — \(a + bi\)-কে বিন্দু \((a, b)\) ভাবো। বাড়তি উপহার হলো গুণ: \(i\) দিয়ে গুণ মানে \(90°\) ঘোরা। চারবার ঘুরলে ফিরে আসো — \(i^4 = 1\), আর দুইবার ঘুরলে উল্টো দিক — \(i^2 = -1\)।

\(\mathbb{C} = \{a + bi : a, b \in \mathbb{R}\}\), যেখানে \(i^2 = -1\)। জ্যামিতিক পরিচয়টা মনে গেঁথে নাও: \(i\) দিয়ে গুণ = complex plane-এ \(90°\) rotation। তাহলে \(i^2 = -1\) আর রহস্য না — দুইবার \(90°\) ঘোরা মানে \(180°\), অর্থাৎ প্রতিটা সংখ্যা উল্টে যাওয়া।

\(\mathbb{C}\)-র আসল ক্ষমতার নাম Fundamental Theorem of Algebra(ফান্ডামেন্টাল থিওরেম অভ অ্যালজেব্রা): complex coefficient-এর প্রতিটা nonconstant polynomial-এর \(\mathbb{C}\)-তে অন্তত একটা root আছে। এই গুণের নাম \(\mathbb{C}\) algebraically closed। \(\mathbb{R}\) কিন্তু না — \(x^2 + 1 = 0\)-এর real root নেই।

Linear algebra-য় এর মানে বিশাল। Part VI মনে করো: rotation matrix-এর eigenvalue বের করতে গিয়ে পেয়েছিলে \(\lambda = \cos\theta \pm i\sin\theta\) — real জগতে উত্তর নেই, পালাতে হয়েছিল \(\mathbb{C}\)-তে। Eigenvalue মানেই তো characteristic polynomial-এর root — আর \(\mathbb{C}\)-তে root সবসময় আছে। অতএব:

\[\mathbb{C}\text{-এর ওপর প্রতিটা square matrix / operator-এর অন্তত একটা eigenvalue আছে।}\]

এই এক লাইনের জোরেই পরের chapter-গুলোর পুরো theory (\(9.2\)-এর Jordan Form সহ) \(\mathbb{C}\)-তে দাঁড়াবে। \(\mathbb{R}\)-এ যা "মাঝে মাঝে কাজ করে", \(\mathbb{C}\)-তে তা "সবসময় কাজ করে" — এজন্যই তাত্ত্বিকদের প্রিয় মাঠ \(\mathbb{C}\)।

Abstract vector space: ৮টা axiom¶

এবার মূল সংজ্ঞা। \(F\) একটা field (scalar-দের জগৎ)। একটা সেট \(V\)-কে Vector Space over \(F\)(\(F\)-এর ওপর ভেক্টর স্পেস) বলবো যদি দুটো operation থাকে — vector যোগ (\(u + v\)) আর scalar গুণ (\(cv\), যেখানে \(c \in F\)) — এবং সব \(u, v, w \in V\) ও সব \(a, b \in F\)-এর জন্য এই ৮টা axiom খাটে:

(যোগ commutative) \(u + v = v + u\)
(যোগ associative) \((u + v) + w = u + (v + w)\)
(Zero vector) এমন \(0 \in V\) আছে যে \(v + 0 = v\) সব \(v\)-র জন্য
(Additive inverse) প্রতিটা \(v\)-র জন্য এমন \(w\) আছে যে \(v + w = 0\) (একে লিখবো \(-v\))
(Scalar গুণ associative) \(a(bv) = (ab)v\)
(\(1\)-এর গুণ) \(1v = v\)
(Distributive — vector ভাঙা) \(a(u + v) = au + av\)
(Distributive — scalar ভাঙা) \((a + b)v = av + bv\)

আর অলিখিত কিন্তু জরুরি দুটো closure(ক্লোজার) শর্ত: \(u + v\) আর \(cv\) — দুটোই আবার \(V\)-এর ভেতরেই থাকতে হবে। বেরিয়ে গেলেই খেলা শেষ (fig05-এ দেখবে)।

খেয়াল করো সংজ্ঞাটা কোথাও বলে না vector দেখতে কেমন — তীর, তালিকা, curve, কিছুই না। শুধু আচরণ চায়, চেহারা না। এটাই abstraction।

২. দেখতে কেমন?¶

উদাহরণের চিড়িয়াখানা¶

(ক) \(F^n\) — চেনা মুখের general রূপ। Field \(F\)-এর \(n\)টা সদস্যের তালিকা: \((x_1, \dots, x_n)\), যোগ আর scalar গুণ component-ধরে। \(F = \mathbb{R}\) দিলে পুরনো \(\mathbb{R}^n\); \(F = \mathbb{C}\) দিলে \(\mathbb{C}^n\) (quantum computing-এর ঠিকানা); \(F = \mathbb{F}_2\) দিলে \(\mathbb{F}_2^n\) — bit-string-দের জগৎ।

(খ) \(P_n(F)\) — polynomial space। Degree সর্বোচ্চ \(n\)-এর polynomial-রা: \(a_0 + a_1x + \cdots + a_nx^n\), coefficient \(F\) থেকে। দুটো polynomial যোগ করো — degree বাড়ে না, set-এর ভেতরেই থাকো ✓; scalar দিয়ে গুণ করো — একই কথা ✓। Zero vector হলো zero polynomial (সব coefficient \(0\))।

Building polynomials from the basis 1, x, x^2

বাঁয়ে \(P_2\)-র basis — তিনটা building block: ধ্রুবক \(1\), সরলরেখা \(x\), প্যারাবোলা \(x^2\)। ডানে তাদের linear combination \(2 \cdot 1 + (-1) \cdot x + 0.75 \cdot x^2\) ধাপে ধাপে গড়ে উঠছে — ঠিক যেমন \(\mathbb{R}^3\)-এ \((2, -1, 0.75)\) গড়ে ওঠে \(e_1, e_2, e_3\) থেকে। Curve-রাও vector!

(গ) \(P(F)\) — সব polynomial, degree-র সীমা ছাড়া। এটা আমাদের প্রথম infinite-dimensional(ইনফিনিট-ডাইমেনশনাল) space-এর সাক্ষাৎ! কেন infinite? কোনো finite তালিকা \(\{p_1, \dots, p_k\}\) নাও — তাদের মধ্যে সর্বোচ্চ degree ধরো \(m\); তাহলে \(x^{m+1}\) কখনোই এদের combination হবে না। কোনো finite set-ই পুরো space span করতে পারে না ⟹ dimension infinite। Functional analysis আর quantum mechanics-এর দরজা এখান থেকেই খোলে।

(ঘ) Function space \(\mathbb{R}^{[0,1]}\)। \([0,1]\) থেকে \(\mathbb{R}\)-এ সব function-এর সেট। যোগ: \((f+g)(x) := f(x) + g(x)\); scalar গুণ: \((cf)(x) := c\,f(x)\) — pointwise, অর্থাৎ প্রতিটা বিন্দুতে আলাদা করে। Zero vector = যে function সব জায়গায় \(0\)। আসলে দেখো — \(F^n\)-ও তো function space: \((x_1, \dots, x_n)\) মানে \(\{1, \dots, n\}\) থেকে \(F\)-এ একটা function! দুই ধারণা এক সুতোয় বাঁধা।

(ঙ) \(M_{m\times n}(F)\) — matrix space। সব \(m \times n\) matrix, entry-ধরে যোগ আর scalar গুণ। Part III-এ এগুলো ছিল "transformation-যন্ত্র"; আজ থেকে এরা নিজেরাই vector। (Matrix গুণের কথা এখানে আসছেই না — vector space শুধু যোগ আর scalar গুণ চেনে।)

(চ) \(\mathbb{F}_2^n\) — bit-string-দের space। \(n\)-bit-এর সব string, যোগ মানে bitwise XOR। যেমন \(\mathbb{F}_2^4\)-এ: \(1011 + 0110 = 1101\)। প্রতিটা vector নিজের inverse (\(v + v = 0\))! মোট vector ক'টা? প্রতি ঘরে ২টা পছন্দ, \(n\) ঘর — \(2^n\)টা। Finite field-এর ওপর finite vector space — গুনে ফেলা যায়, এই সরল ব্যাপারটাই coding theory-র প্রাণ।

Non-example: কোথায় axiom ভাঙে¶

Gallery of sets that are NOT vector spaces

বাঁয়ে: প্রথম quadrant — দুই সদস্যের যোগ ভেতরেই থাকে, কিন্তু \((-1)v\) ছিটকে বেরিয়ে যায় (scalar-closure ভাঙলো)। ডানে: origin-না-ছোঁয়া লাইন — \(u + w\) লাইনের বাইরে পড়ে (যোগ-closure ভাঙলো), আর zero vector-টাই set-এ নেই (axiom 3 ভাঙলো)। একটা axiom ভাঙাই যথেষ্ট।

প্রথম quadrant \(\{(x,y): x \ge 0, y \ge 0\}\): যোগে বন্ধ, কিন্তু \((-1)(2,1) = (-2,-1)\) — বাইরে। Vector space না।
Origin-না-ছোঁয়া লাইন \(y = 0.5x + 1.5\): zero vector \((0,0)\) set-এই নেই; তাছাড়া লাইনের দুই বিন্দু যোগ করলে লাইনের বাইরে পড়ে। দুই দিক থেকেই ফেল।
ঠিক degree-\(2\) polynomial-দের set: \((x^2 + x) + (-x^2 + 1) = x + 1\) — degree নেমে গেলো \(1\)-এ, set-এর বাইরে! এজন্যই \(P_n\)-এর সংজ্ঞায় "degree সর্বোচ্চ \(n\)" — সমান না।
\(V = \mathbb{R}^2\), কিন্তু scalar গুণের নিয়ম বদলে \(c(x,y) := (cx, y)\): axiom 8 চেক করো — \((1+1)(1,1) = (2,1)\), অথচ \(1(1,1) + 1(1,1) = (2,2)\)। ভাঙলো। শিক্ষা: set যথেষ্ট না, operation-জোড়াও সংজ্ঞার অংশ।

৩. কোথায় ইউজ হয়?¶

\(\mathbb{F}_2\): ডিজিটাল সভ্যতার গোপন ভাষা

Error-correcting code(এরর-কারেক্টিং কোড): ইন্টারনেটে পাঠানো bit মাঝপথে উল্টে যেতে পারে। সবচেয়ে সরল রক্ষাকবচ parity bit: message-এর সব bit-এর XOR-যোগফল শেষে জুড়ে দাও; receiver আবার যোগ করে \(0\) না পেলে বুঝবে গোলমাল হয়েছে। এটা আসলে \(\mathbb{F}_2\)-এর ওপর একটা linear সমীকরণ! আরো চালাক Hamming code কয়েকটা parity-check মিলিয়ে শুধু "ভুল হয়েছে" না, কোন bit-এ হয়েছে সেটাও বলে দেয় — পুরোটাই \(\mathbb{F}_2^n\)-এর subspace-এর খেলা। তোমার RAM, WiFi, QR code, স্যাটেলাইট লিংক — সবখানে চলছে।
Cryptography(ক্রিপ্টোগ্রাফি): one-time pad-এ message XOR key = ciphertext, আবার XOR key = message ফেরত (\(v + k + k = v\), কারণ \(k + k = 0\)!)। AES-এর ভেতরেও \(\mathbb{F}_{2^8}\)-এর অঙ্ক।
Hashing ও sketching: অনেক hash function \(\mathbb{F}_2\)-এর ওপর linear map — বিশ্লেষণ করা যায় linear algebra দিয়েই।

\(\mathbb{C}\): তরঙ্গ আর কোয়ান্টামের ভাষা

Fourier analysis / signal processing: যেকোনো signal-কে \(e^{i\omega t}\)-দের combination-এ ভাঙা — সেই ভাঙাটা ঘটে \(\mathbb{C}\)-vector space-এ। তোমার ফোনের প্রতিটা ছবি (JPEG), গান (MP3) এই গণিতে সংকুচিত।
Quantum computing: একটা qubit-এর state হলো \(\mathbb{C}^2\)-এর একটা vector, \(n\)টা qubit মানে \(\mathbb{C}^{2^n}\)। কোয়ান্টাম গেট = সেই space-এর linear operator।

Function space: ML-এর লুকানো মঞ্চ

Kernel method / feature space: support vector machine যখন ডেটাকে "উঁচু মাত্রায় তুলে" আলাদা করে, সেই উঁচু জায়গাটা প্রায়ই একটা function space (RKHS)। "Function-রাও vector" — এই মানসিক লাফটা না দিলে kernel trick বোঝা যায় না।
Neural network-এর তত্ত্ব: "কোন function-গুলো network শিখতে পারে" প্রশ্নটাই function space-এর ভাষায় লেখা হয়।

৪. Properties¶

Axiom-এর তালিকা ছোট রাখা হয়েছে ইচ্ছে করে — বাকি সব সত্য সেখান থেকে প্রমাণ করে বের করতে হয়। Axler-এর মন্ত্র: যা obvious লাগে, তাও axiom থেকে আসতে হবে — কারণ আমাদের উপপাদ্য খাটবে polynomial, function, bit-string সবার ওপর; "দেখেই বোঝা যায়" যুক্তি সেখানে চলে না, চেহারা তো সবার আলাদা!

Property 1 — Zero vector একটাই¶

Proof-এর গল্প: "unique" প্রমাণের ধ্রুপদী চাল — ধরে নাও দুটো আছে, তারপর দেখাও তারা আসলে একই। কৌশল: দুই zero-কে একসাথে যোগ করো; একজন অন্যকে "শুষে নেবে" — দুইবার, দুই দিক থেকে।

প্রমাণ: ধরো \(0\) আর \(0'\) দুজনেই zero vector-এর কাজ করে। তাহলে

\[0' = 0' + 0 = 0 + 0' = 0\]

প্রথম সমতা: \(0\) হলো zero (axiom 3, \(0'\)-এর ওপর প্রয়োগ)। দ্বিতীয়: commutativity (axiom 1)। তৃতীয়: \(0'\) হলো zero (\(0\)-এর ওপর প্রয়োগ)। দুজন একই ∎

Property 2 — Additive inverse একটাই¶

Proof-এর গল্প: একই ধাঁচ, কিন্তু এবার মাঝখানে একটা "সেতু" লাগবে: \(v\)-এর দুটো inverse \(w\) আর \(w'\)-কে জোড়া লাগাবো \(v\)-কে মাঝে রেখে — \(w + v + w'\) রাশিটাকে দুইভাবে গুছিয়ে দুই উত্তর মেলাবো। Associativity-ই এখানে নায়ক।

প্রমাণ: \(v + w = 0\) এবং \(v + w' = 0\) হলে

\[w = w + 0 = w + (v + w') = (w + v) + w' = 0 + w' = w'\]

∎। এখন থেকে "\(-v\)" লিখলে দ্ব্যর্থতা নেই — জিনিসটা একটাই।

Property 3 — \(0v = 0\) (scalar শূন্য × যেকোনো vector = zero vector)¶

Proof-এর গল্প: লক্ষ করো সমীকরণের বাঁ পাশের \(0\) scalar (field-এর সদস্য), ডান পাশের \(0\) vector — দুটো সম্পূর্ণ আলাদা জগতের বাসিন্দা, তাই এটা মোটেই "obvious" না! কৌশলটা চতুর: field-এ \(0 = 0 + 0\), এই নিরীহ সত্যটাকে distributivity দিয়ে vector-জগতে ঠেলে দাও, তারপর দুই পাশ থেকে \(0v\) বাতিল করো (inverse যোগ করে)।

প্রমাণ:

\[0v = (0 + 0)v = 0v + 0v \qquad \text{(axiom 8)}\]

দুই পাশে \(-(0v)\) যোগ করো:

\[0 = 0v + (-(0v)) = (0v + 0v) + (-(0v)) = 0v + \big(0v + (-(0v))\big) = 0v + 0 = 0v \;∎\]

লক্ষ করো প্রতিটা ধাপে কোন axiom খাটলো — inverse (4), associativity (2), আবার inverse, তারপর zero (3)। একটা ধাপও ফ্রি না। এই সূক্ষ্মতার অভ্যাসই Part IX-এর আসল প্রশিক্ষণ।

Property 4 — \(a\,0 = 0\) (যেকোনো scalar × zero vector = zero vector)¶

Proof-এর গল্প: আগের প্রমাণের যমজ ভাই — এবার ভাঙবো vector-কে: \(0 = 0 + 0\) (এবার দুটোই zero vector), আর distributivity-র অন্য রূপটা (axiom 7) ব্যবহার করবো।

প্রমাণ: \(a0 = a(0 + 0) = a0 + a0\); দুই পাশে \(-(a0)\) যোগ করলে \(0 = a0\) ∎

Property 5 — \((-1)v = -v\)¶

Proof-এর গল্প: দাবিটা ভালো করে পড়ো: বাঁয়ে field-এর \(-1\) দিয়ে scalar গুণ, ডানে axiom 4-এর সেই বিমূর্ত "additive inverse"। দুটো যে একই — এটা প্রমাণসাপেক্ষ! কৌশল: Property 2 বলেছে inverse একটাই — তাহলে \((-1)v\) যদি inverse-এর কাজটা করে দেখায় (মানে \(v\)-এর সাথে যোগে \(0\) দেয়), তবে সে-ই \(-v\) হতে বাধ্য। "কাজ দেখাও, পরিচয় পাবে।"

প্রমাণ:

\[v + (-1)v = 1v + (-1)v = \big(1 + (-1)\big)v = 0v = 0\]

ধাপগুলো: axiom 6, axiom 8, field-এ \(1 + (-1) = 0\), তারপর Property 3। তাহলে \((-1)v\) হলো \(v\)-এর একটা additive inverse; Property 2 (uniqueness) বলে সে-ই \(-v\) ∎

এই ছোট্ট উপপাদ্যের সুফল: এখন থেকে "\(-\)" চিহ্ন নিয়ে নিশ্চিন্ত — scalar \(-1\)-এর গুণ আর "inverse নেওয়া" একই কাজ, যেকোনো vector space-এ, যেকোনো field-এ।

Property 6 — Subspace test, abstract রূপে¶

Part IV-এর subspace test হুবহু টিকে যায়: \(U \subseteq V\) একটা Subspace(সাবস্পেস) হবে যদি (i) \(0 \in U\), (ii) \(u, w \in U \Rightarrow u + w \in U\), (iii) \(u \in U, c \in F \Rightarrow cu \in U\)। বাকি ৮ axiom \(U\) এমনিই পায় \(V\)-এর কাছ থেকে উত্তরাধিকারসূত্রে — associativity-commutativity তো \(V\)-তেই সত্য, \(U\)-এর সদস্যরাও \(V\)-এরই সদস্য। শুধু "পালিয়ে না যাওয়া" (closure) আর "ঘরে \(0\) থাকা" — এটুকুই নতুন করে চেক করার।

উদাহরণ: \(\{f \in \mathbb{R}^{[0,1]} : f(0) = 0\}\) — subspace ✓ (দুটো এমন function যোগ করলে \(0\)-তে আবার \(0\); \(cf(0) = 0\) ✓)। কিন্তু \(f(0) = 1\)-ওয়ালারা? \((f+g)(0) = 2 \neq 1\) — পালিয়ে গেলো, subspace না (Problem 4)।

৫. Intuition — কেন সত্য?¶

Abstraction-এর সওদাটা কী?¶

মনে হতে পারে: "\(\mathbb{R}^n\) দিব্যি চলছিল, শুধু শুধু axiom-এর তালিকা কেন?" উত্তরটা অর্থনৈতিক। Part IV–VI-এ আমরা যত উপপাদ্য প্রমাণ করেছি — rank-nullity, "basis-এর সব সদস্য সমান সংখ্যক", subspace-এর গুণাগুণ — সেগুলোর প্রমাণে আসলে \(\mathbb{R}\)-এর বিশেষ কিছু (order, দশমিক, continuity) লাগেইনি; লেগেছে শুধু যোগ-গুণ-ভাগের নিয়ম। তাহলে সৎ কথাটা বলে ফেলাই ভালো: "এই উপপাদ্য axiom-মানা যেকোনো space-এর জন্য সত্য।" এক প্রমাণে অনন্ত জগৎ কেনা — polynomial, bit-string, quantum state, সবাই এক টিকিটে।

আর উল্টো দিকের লাভটাও দেখো: axiom-এর তালিকা যত ছোট, নতুন কিছুকে vector space প্রমাণ করা তত সহজ — মোটে ৮টা (+২টা closure) জিনিস চেক করলেই Part IV–VI-এর গোটা অস্ত্রাগার আনলক।

\(0v = 0\)-এর প্রমাণ কেন জরুরি — একটা মন-পরীক্ষা¶

ভাবো তোমাকে একটা অচেনা vector space দেওয়া হলো — বলা হলো না vector-রা কী জিনিস, শুধু বলা হলো axiom মানে। এখন \(0v\) কত? "দেখেই বোঝা যাচ্ছে" বলার উপায় নেই — দেখার কিছু নেইই, চেহারাটাই তো গোপন! একমাত্র রাস্তা axiom থেকে যুক্তির সিঁড়ি। এটাই abstract গণিতের খেলার ধরন: চোখ বন্ধ, শুধু নিয়ম খোলা। আর মজাটা হলো — চোখ বন্ধ করেই যা প্রমাণ করলে, তা চিরকালের জন্য সবার ওপর খাটে।

পুরনো সংজ্ঞাগুলো re-read: কিছুই বদলায় না, সবই বদলায়¶

Span, linear independence, basis, dimension — Part IV-এর সংজ্ঞাগুলো আবার পড়ো, খেয়াল করে দেখো কোথাও "\(\mathbb{R}\)" শব্দটা অপরিহার্য না:

Span: \(\operatorname{span}(v_1, \dots, v_k) = \{a_1v_1 + \cdots + a_kv_k : a_i \in F\}\) — শুধু coefficient-রা এখন \(F\) থেকে।
Independence: \(a_1v_1 + \cdots + a_kv_k = 0 \Rightarrow\) সব \(a_i = 0\) — একই কথা, \(a_i \in F\)।
Basis, dimension: independent + spanning; basis-এর সদস্যসংখ্যা। "প্রতিটা basis সমান লম্বা" উপপাদ্যটার Part IV-এর প্রমাণ field-নিরপেক্ষ — তাই dimension এখানেও well-defined।

কিন্তু কোন field-এর ওপর ভাবছো — সেটা এখন উত্তর বদলে দেয়! সবচেয়ে সুন্দর উদাহরণ: \(\mathbb{C}\) নিজে।

\(\mathbb{C}\)-কে \(\mathbb{C}\)-vector space ভাবলে: basis \(\{1\}\) — যেকোনো \(z\) লেখা যায় \(z \cdot 1\) আকারে, scalar \(z \in \mathbb{C}\)। Dimension \(= 1\)।
\(\mathbb{C}\)-কে \(\mathbb{R}\)-vector space ভাবলে: scalar শুধু real! এখন \(i\)-কে \(1\)-এর real গুণিতকে পাবে না — লাগবে দুটো building block: \(\{1, i\}\), যেকোনো \(z = a \cdot 1 + b \cdot i\), \(a, b \in \mathbb{R}\)। Dimension \(= 2\)।

একই সেট, দুই field, দুই dimension! "Dimension" প্রশ্নটা তাই অসম্পূর্ণ — সবসময় জিজ্ঞেস করো: কোন field-এর ওপর?

আর \(\mathbb{F}_2^n\)-এ গোনাগুনতি: dimension \(n\) (standard basis \(e_1, \dots, e_n\) এখানেও কাজ করে), কিন্তু মোট vector মাত্র \(2^n\)টা — infinite নয়! প্রতিটা vector হলো basis-দের একটা subset-এর যোগফল (coefficient \(0\) বা \(1\) — মাঝামাঝি নেই)। Finite dimension + finite field = finite space, আর এই গোনা-যাওয়াটাই coding theory-তে "কোড ক'টা codeword ধরে" প্রশ্নের উত্তর।

৬. Code-এ কেমনে লিখে¶

import numpy as np

np.random.seed(42)

# ---------- 1) F2-র পাটিগণিত: সবকিছু mod 2 ----------
a = np.array([1, 0, 1, 1])          # F2^4-এর vector (bit string)
b = np.array([0, 1, 1, 0])
print("a + b  =", (a + b) % 2)      # [1 1 0 1]  <- bitwise XOR!
print("a + a  =", (a + a) % 2)      # [0 0 0 0]  <- প্রতিটা vector নিজের inverse

# ---------- 2) F2-তে Gaussian elimination: ছোট linear system ----------
# System (mod 2):  x1 + x2      = 1
#                       x2 + x3 = 1
#                  x1 + x2 + x3 = 0
M = np.array([[1, 1, 0, 1],
              [0, 1, 1, 1],
              [1, 1, 1, 0]], dtype=int)   # augmented matrix

def solve_gf2(M):
    """Gaussian elimination over F2 — ভাগের বদলে শুধু XOR."""
    M = M.copy() % 2
    n_rows, n_cols = M.shape
    r = 0
    for c in range(n_cols - 1):
        piv = next((i for i in range(r, n_rows) if M[i, c] == 1), None)
        if piv is None:
            continue
        M[[r, piv]] = M[[piv, r]]           # pivot ওপরে আনো
        for i in range(n_rows):
            if i != r and M[i, c] == 1:
                M[i] = (M[i] + M[r]) % 2    # row-বিয়োগ = row-যোগ = XOR!
        r += 1
    return M

R = solve_gf2(M)
print("RREF over F2:\n", R)
# [[1 0 0 0]
#  [0 1 0 1]
#  [0 0 1 0]]   =>  x1=0, x2=1, x3=0
x = R[:, -1]
print("check:", (M[:, :3] @ x) % 2, "== খুঁজছিলাম", M[:, -1])   # [1 1 0] ✓

# ---------- 3) Polynomial space P2 = coefficient vector-এর জগৎ ----------
p = np.array([1.0, 0.5, -1.0])      # 1 + 0.5x - x^2      <-> (1, 0.5, -1)
q = np.array([-0.5, 1.0, 0.5])      # -0.5 + x + 0.5x^2
print("p + q =", p + q)             # [0.5  1.5 -0.5]  = 0.5 + 1.5x - 0.5x^2
print("3p    =", 3 * p)             # polynomial-এর অঙ্ক = vector-এর অঙ্ক!

# ---------- 4) C^n: NumPy-তে complex vector ----------
z = np.array([2 + 1j, 1 - 1j], dtype=complex)
print("iz =", 1j * z)               # [-1.+2.j  1.+1.j]  <- প্রতিটা entry 90° ঘুরলো
print("z + conj(z) =", z + z.conj())  # real অংশের দ্বিগুণ — imaginary কাটাকাটি

Output ব্যাখ্যা:

(a + b) % 2 — \(\mathbb{F}_2\)-এর যোগ মানে সাধারণ যোগের পর mod 2; ফল হুবহু XOR। আর a + a = 0 চোখে দেখলে: \(\mathbb{F}_2\)-তে \(-v = v\)।
solve_gf2-এ Part II-এর Gaussian elimination-ই চলছে, কিন্তু ভাগের দরকারই পড়ে না — pivot সবসময় \(1\) (nonzero মানেই \(1\)!), আর "row থেকে row বিয়োগ" মানে XOR। Field axiom-গুলোই গ্যারান্টি দেয় elimination-এর প্রতিটা ধাপ বৈধ — এজন্যই algorithm-টা যেকোনো field-এ অবিকল চলে।
Polynomial-এর যোগ আর coefficient-vector-এর যোগ একই জিনিস — \(P_2 \leftrightarrow F^3\) এই অনুবাদটাই (পরের অধ্যায়গুলোর ভাষায়, একটা isomorphism) worked example 2-এর ভিত্তি।
dtype=complex দিলে NumPy পুরো \(\mathbb{C}^n\)-এর অঙ্ক জানে; 1j * z করলে প্রতিটা component \(90°\) ঘোরে — fig03-এর ছবিটা কোডে।

৭. Worked Examples¶

Example 1 — \(\mathbb{F}_2^3\)-এ independence যাচাই¶

\(v_1 = (1,1,0)\), \(v_2 = (0,1,1)\), \(v_3 = (1,0,1)\) — \(\mathbb{F}_2^3\)-এ এরা কি linearly independent?

ধাপ ১ — সমীকরণ সাজাও: খুঁজছি \(c_1v_1 + c_2v_2 + c_3v_3 = 0\), যেখানে \(c_i \in \{0,1\}\)। Component-ধরে (সব হিসাব mod 2):

\[c_1 + c_3 = 0, \qquad c_1 + c_2 = 0, \qquad c_2 + c_3 = 0\]

ধাপ ২ — সমাধান: প্রথমটা থেকে \(c_3 = c_1\) (মনে রাখো \(\mathbb{F}_2\)-তে \(-1 = 1\), তাই পক্ষান্তরে চিহ্ন বদলায় না!)। দ্বিতীয়টা থেকে \(c_2 = c_1\)। তৃতীয়টায় বসাও: \(c_1 + c_1 = 0\) — সবসময়ই সত্য! তাহলে \(c_1 = 1\) নেওয়া যায়: \(c_1 = c_2 = c_3 = 1\)।

ধাপ ৩ — যাচাই: \(v_1 + v_2 + v_3 = (1+0+1,\; 1+1+0,\; 0+1+1) = (0, 0, 0)\) ✓

Nonzero সমাধান পাওয়া গেলো ⟹ dependent! লক্ষ করো \(\mathbb{R}^3\)-এ এই তিনটা vector (একই সংখ্যা, real হিসেবে) দিব্যি independent — determinant \(= 2 \neq 0\)। কিন্তু \(\mathbb{F}_2\)-তে \(2 = 0\)! Independence field-এর ওপর নির্ভর করে — একই তালিকা এক field-এ independent, আরেক field-এ dependent।

Example 2 — \(P_2\)-তে \(\{1,\; x-1,\; (x-1)^2\}\) একটা basis¶

ধাপ ১ — কৌশল ঠিক করা: \(\dim P_2 = 3\) (basis \(\{1, x, x^2\}\)), আর ৩-মাত্রার space-এ ৩টা independent vector আপনা-আপনি basis (Part IV-এর উপপাদ্য)। তাই শুধু independence দেখালেই চলবে।

ধাপ ২ — Independence: ধরো \(a \cdot 1 + b(x-1) + c(x-1)^2 = 0\) (zero polynomial — সব \(x\)-এর জন্য শূন্য)। খুলে গুছাই:

\[(a - b + c) + (b - 2c)x + c\,x^2 = 0\]

Zero polynomial মানে প্রতিটা coefficient শূন্য: \(c = 0\); তারপর \(b - 2c = 0 \Rightarrow b = 0\); তারপর \(a - b + c = 0 \Rightarrow a = 0\)। সব শূন্য ⟹ independent ⟹ basis ∎

ধাপ ৩ — Bonus, নতুন basis-এ coordinate: \(p(x) = x^2 + x + 1\)-কে এই basis-এ লিখি। চালাকি: \(x = (x-1) + 1\) বসিয়ে সাজানো, অথবা Taylor-স্টাইলে \(p(1) = 3\), \(p'(1) = 3\), \(p''(1)/2 = 1\):

\[x^2 + x + 1 = 3 + 3(x-1) + 1\,(x-1)^2\]

যাচাই: \(3 + 3x - 3 + x^2 - 2x + 1 = x^2 + x + 1\) ✓। Coordinate: \((3, 3, 1)\)। একই polynomial, ভিন্ন basis, ভিন্ন coordinate — Part IV-এর "basis বদলালে চশমা বদলায়" গল্পটা polynomial-জগতে।

Example 3 — \(\mathbb{C}^2\)-কে \(\mathbb{R}\)-vector space ভাবলে dimension \(4\)¶

ধাপ ১ — প্রশ্নটা বুঝি: \(\mathbb{C}^2\)-এর সদস্য \((z_1, z_2)\), দুটো complex সংখ্যা। \(\mathbb{C}\)-এর ওপর ভাবলে dimension \(2\) — basis \(\{(1,0), (0,1)\}\)। কিন্তু scalar-দের শুধু real হতে দিলে?

ধাপ ২ — Basis গড়ি: যেকোনো সদস্য লেখো \(z_1 = a + bi\), \(z_2 = c + di\) (\(a,b,c,d \in \mathbb{R}\)):

\[(z_1, z_2) = a(1, 0) + b(i, 0) + c(0, 1) + d(0, i)\]

তাহলে \(\{(1,0),\; (i,0),\; (0,1),\; (0,i)\}\) পুরো space span করে — real coefficient দিয়েই।

ধাপ ৩ — Independence: \(a(1,0) + b(i,0) + c(0,1) + d(0,i) = (0,0)\) মানে \(a + bi = 0\) এবং \(c + di = 0\); complex সংখ্যা শূন্য হলে real ও imaginary অংশ দুটোই শূন্য ⟹ \(a=b=c=d=0\) ✓

উত্তর: \(\dim_{\mathbb{R}} \mathbb{C}^2 = 4\), basis \(\{(1,0), (i,0), (0,1), (0,i)\}\)। সাধারণ নিয়ম: \(\dim_{\mathbb{R}} V = 2 \dim_{\mathbb{C}} V\) — প্রতিটা complex মাত্রা real চোখে দুটো (\(1\) আর \(i\)-এর দিক)।

৮. Problems ও Solutions¶

Problem 1. প্রমাণ করো: field-এ additive identity (\(0\)) unique, এবং প্রতিটা \(a\)-র additive inverse unique। (Property 1–2-এর প্রমাণ field-এর জন্য নিজে লেখো।)

Solution

Identity unique: ধরো \(0\) আর \(0'\) দুজনেই identity। তাহলে

\[0' = 0' + 0 = 0 + 0' = 0\]

(প্রথম সমতা: \(0\) identity; দ্বিতীয়: commutativity; তৃতীয়: \(0'\) identity) ∎

Inverse unique: ধরো \(a + b = 0\) এবং \(a + b' = 0\)। তাহলে

\[b = b + 0 = b + (a + b') = (b + a) + b' = 0 + b' = b'\]

∎

লক্ষ করো — vector space-এর Property 1–2-এর প্রমাণের সাথে অক্ষরে অক্ষরে মিল। কারণ দুটো প্রমাণই শুধু "commutative group"-এর axiom ব্যবহার করে; কাঠামো এক হলে প্রমাণও এক। Abstraction-এর আরেকটা জয়।

Problem 2. Axiom থেকে প্রমাণ করো: (a) \(0v = 0\) (section ৪ না দেখে নিজে লেখো, প্রতিটা ধাপে কোন axiom বলো); (b) \(av = 0\) এবং \(a \neq 0\) হলে \(v = 0\)। (Axler 1.29–1.30-এর আদলে)

Solution

(a) \(0v = (0+0)v = 0v + 0v\) (field-এ \(0 = 0+0\); তারপর axiom 8)। দুই পাশে \(-(0v)\) যোগ:

\[0 = 0v + (-(0v)) = (0v + 0v) + (-(0v)) = 0v + (0v + (-(0v))) = 0v + 0 = 0v\]

ধাপে ধাপে axiom 4, associativity (2), axiom 4, axiom 3 ∎

(b) \(a \neq 0\), তাই field-এ \(a^{-1}\) আছে — এখানেই field-এর "ভাগ করা যায়" ক্ষমতাটা অপরিহার্য:

\[v = 1v = (a^{-1}a)v = a^{-1}(av) = a^{-1}\,0 = 0\]

ধাপগুলো: axiom 6, field-এর inverse, axiom 5, দেওয়া শর্ত, Property 4 ∎

মূল্য: (b)-টা বলছে "scalar গুণে zero divisor নেই" — \(av = 0\) হলে হয় \(a = 0\) নয় \(v = 0\)। \(\mathbb{Z}\)-এর মতো non-field-এ scalar নিলে এই যুক্তি ভেঙে পড়তো (\(a^{-1}\) নাও থাকতে পারে)।

Problem 3. ঠিক degree-\(2\) polynomial-দের সেট \(S = \{a + bx + cx^2 : c \neq 0\}\) কি \(P_2(\mathbb{R})\)-এর subspace? প্রতিটা ব্যর্থ শর্ত দেখাও।

Solution

না — তিনভাবে ফেল:

Zero vector নেই: zero polynomial-এর \(x^2\)-coefficient \(0\), তাই \(0 \notin S\)।
যোগে বন্ধ না: \((x^2 + x) + (-x^2 + 1) = x + 1\) — degree \(1\), set-এর বাইরে।
Scalar গুণে বন্ধ না: \(0 \cdot x^2 = 0 \notin S\)।

একটা ব্যর্থতাই যথেষ্ট ছিল; পরীক্ষায় সবচেয়ে দ্রুত চেক: আগে দেখো \(0\) আছে কি না। না থাকলেই খারিজ। আর এই প্রবলেমটাই ব্যাখ্যা করে \(P_n\)-এর সংজ্ঞায় "degree \(\le n\)" কেন — "\(= n\)" নিলে space-ই হয় না।

Problem 4. \(V = \mathbb{R}^{[0,1]}\) function space। (a) \(U_1 = \{f : f(0) = 0\}\) কি subspace? (b) \(U_2 = \{f : f(0) = 1\}\)? প্রমাণ বা counterexample দাও। (Axler 1C-এর আদলে)

Solution

(a) হ্যাঁ। তিনটা শর্ত: - Zero function: \(0(0) = 0\) ✓ (\(0 \in U_1\)) - \(f, g \in U_1\): \((f+g)(0) = f(0) + g(0) = 0 + 0 = 0\) ✓ - \(c \in \mathbb{R}\): \((cf)(0) = c \cdot f(0) = c \cdot 0 = 0\) ✓

(b) না। Zero function-ই নেই: \(0(0) = 0 \neq 1\)। (কিংবা: \(f, g \in U_2\) হলে \((f+g)(0) = 2 \neq 1\) — যোগেও পালায়।)

নকশাটা মনে রাখো: শর্ত "\(= 0\)" (homogeneous) হলে সাধারণত subspace হয়; শর্তে "\(= 1\)" বা অন্য ধ্রুবক (inhomogeneous) থাকলেই origin হারায়, subspace হয় না। Part IV-এর "সমাধান-set subspace কখন" গল্পের সাথে মেলাও: \(Ax = 0\)-এর সমাধান subspace, \(Ax = b\) (\(b \neq 0\))-এর সমাধান না।

Problem 5. \(\mathbb{F}_2\)-তে solve করো:

\[x_1 + x_2 + x_3 = 1, \qquad x_1 + x_2 = 0, \qquad x_2 + x_3 = 1\]

সমাধান ক'টা? তারপর ভাবো: \(\mathbb{F}_2^3\)-এ যেকোনো consistent linear system-এর সমাধানসংখ্যা সবসময় \(2^k\) আকারের কেন?

Solution

দ্বিতীয় সমীকরণ: \(x_1 = x_2\) (mod 2-তে \(-1 = 1\), তাই পাশ বদলেও চিহ্ন এক)। তৃতীয়: \(x_3 = 1 + x_2\)। প্রথমটায় বসাই:

\[x_2 + x_2 + (1 + x_2) = 1 \;\Rightarrow\; x_2 + 1 = 1 \;\Rightarrow\; x_2 = 0\]

(কারণ \(x_2 + x_2 = 0\)!) তাহলে \(x_1 = 0\), \(x_3 = 1\)। একটাই সমাধান: \((0, 0, 1)\)। যাচাই: \(0+0+1=1\) ✓, \(0+0=0\) ✓, \(0+1=1\) ✓

সমাধান-গোনা: consistent system-এর সমাধান-set = (একটা particular সমাধান) + (homogeneous system-এর null space)। Null space একটা subspace, ধরো dimension \(k\); \(\mathbb{F}_2\)-এর ওপর \(k\)-মাত্রার subspace-এ ঠিক \(2^k\)টা vector (প্রতি basis-দিক নাও বা নিও না)। তাই সমাধানসংখ্যা \(2^k\) — এখানে \(k = 0\), তাই \(2^0 = 1\)টা। Coding theory-তে এই গোনাই বলে দেয় একটা linear code-এ codeword ক'টা।

Problem 6. \(\mathbb{C}\)-কে \(\mathbb{R}\)-vector space হিসেবে দেখো। (a) দেখাও \(\{1, i\}\) একটা basis। (b) \(\{1 + i,\; 1 - i\}\)-ও কি basis? (c) \(\mathbb{C}\)-কে \(\mathbb{C}\)-vector space ভাবলে \(\{1, i\}\) কি independent?

Solution

(a) Span: যেকোনো \(z = a + bi = a \cdot 1 + b \cdot i\), \(a, b \in \mathbb{R}\) ✓। Independent: \(a + bi = 0 \Rightarrow a = b = 0\) (complex সংখ্যার real-imaginary ভাগ unique) ✓। Basis, \(\dim_{\mathbb{R}}\mathbb{C} = 2\)।

(b) \(\dim = 2\), তাই ২টা vector independent হলেই basis। ধরো \(a(1+i) + b(1-i) = 0\), \(a,b \in \mathbb{R}\): real অংশ \(a + b = 0\), imaginary অংশ \(a - b = 0\) ⟹ \(a = b = 0\) ✓ হ্যাঁ, basis। (যাচাই: \(1 = \frac12[(1+i)+(1-i)]\), \(i = \frac12[(1+i)-(1-i)]\) — পুরনো basis-কে নতুন দিয়ে বানানো গেলো।)

(c) না! এবার scalar complex নেওয়া যায়: \(i \cdot 1 + (-1) \cdot i = 0\) — nonzero coefficient-এ শূন্য বানানো গেলো। \(\mathbb{C}\)-র ওপর \(\{1, i\}\) dependent (\(i\) তো \(1\)-এরই scalar গুণিতক!)। Independence প্রশ্নটাও field-নির্ভর — Example 1-এর \(\mathbb{F}_2\)-গল্পের যমজ।

Problem 7. \(V = \{x \in \mathbb{R} : x > 0\}\) (ধনাত্মক real-রা), আর অদ্ভুত operation: "যোগ" \(u \oplus v := uv\) (সাধারণ গুণ!), "scalar গুণ" \(c \odot v := v^c\)। দেখাও এটা \(\mathbb{R}\)-এর ওপর একটা বৈধ vector space — zero vector কে? \(v\)-এর inverse কে?

Solution

ধাপে ধাপে axiom মিলাই (সব \(u, v > 0\), \(a, b \in \mathbb{R}\)):

Closure: \(uv > 0\) ✓, \(v^c > 0\) ✓
Commutative/associative: \(uv = vu\) ✓, \((uv)w = u(vw)\) ✓
Zero vector \(= 1\)! কারণ \(v \oplus 1 = v \cdot 1 = v\) ✓
Inverse of \(v\) হলো \(1/v\): \(v \oplus \frac1v = 1 =\) "zero" ✓ (আর \(1/v > 0\), set-এর ভেতরেই ✓)
\(a \odot (b \odot v) = (v^b)^a = v^{ab} = (ab) \odot v\) ✓
\(1 \odot v = v^1 = v\) ✓
\(a \odot (u \oplus v) = (uv)^a = u^a v^a = (a \odot u) \oplus (a \odot v)\) ✓
\((a+b) \odot v = v^{a+b} = v^a v^b = (a \odot v) \oplus (b \odot v)\) ✓

সব ৮টাই মানে — বৈধ vector space! শিক্ষাটা গভীর: "zero vector" মানে সংখ্যা \(0\) না — axiom 3-এর কাজটা যে করে, সে। এখানে সেই চরিত্রে \(1\)। (\(\log\) নিলে এই space হুবহু সাধারণ \(\mathbb{R}\) হয়ে যায় — \(\log(uv) = \log u + \log v\); অদ্ভুত space-টা আসলে ছদ্মবেশী পুরনো বন্ধু।)

Problem 8. \(\mathbb{F}_2^n\)-এ: (a) মোট vector ক'টা? (b) \(k\)-মাত্রার একটা subspace-এ vector ক'টা? (c) \(n = 3\) হলে ১-মাত্রার subspace ক'টা আছে? গুনে দেখাও।

Solution

(a) প্রতিটা component-এ ২টা পছন্দ (\(0\) বা \(1\)), \(n\)টা component: \(2^n\)টা vector।

(b) Basis \(v_1, \dots, v_k\); প্রতিটা সদস্য uniquely লেখা যায় \(c_1v_1 + \cdots + c_kv_k\) আকারে (basis-এর সংজ্ঞা), যেখানে \(c_i \in \{0,1\}\) — মোট \(2^k\)টা আলাদা combination, তাই \(2^k\)টা vector।

(c) \(\mathbb{F}_2^3\)-এ ১-মাত্রার subspace = \(\{0, v\}\) যেখানে \(v \neq 0\) (কারণ \(v\)-এর গুণিতক বলতে \(0\cdot v = 0\) আর \(1 \cdot v = v\) — ব্যস!)। Nonzero vector আছে \(2^3 - 1 = 7\)টা, আর প্রতিটা আলাদা \(v\) আলাদা subspace দেয়। উত্তর: \(7\)টা। তুলনা করো \(\mathbb{R}^3\)-এর সাথে — সেখানে ১-মাত্রার subspace (origin-গামী লাইন) অগণিত। Finite field-এর জগৎটা গোনা যায় — সেটাই তার শক্তি।

৯. Common ভুল¶

❌ ভুল ধারণা	✅ সঠিক ধারণা
"Vector মানেই তীর বা সংখ্যার তালিকা"	Vector মানে vector space-এর সদস্য — সংজ্ঞা আচরণের, চেহারার না। Polynomial, function, matrix, bit-string — axiom মানলেই সবাই vector। Problem 7-এ তো ধনাত্মক সংখ্যারাও vector হলো!
"Scalar মানেই real সংখ্যা"	Scalar আসে যে field-এর ওপর space বানিয়েছো সেখান থেকে — \(\mathbb{C}\), \(\mathbb{Q}\), \(\mathbb{F}_2\), যেকোনোটা হতে পারে। আর field বদলালে উত্তর বদলায়: একই vector-তালিকা \(\mathbb{R}\)-এ independent, \(\mathbb{F}_2\)-তে dependent হতে পারে (Example 1)।
"\(0v = 0\) তো obvious — proof লাগে কেন?"	অচেনা space-এ "দেখে বোঝার" কিছু নেই — vector-এর চেহারাই অজানা! তাছাড়া বাঁয়ের \(0\) scalar, ডানের \(0\) vector — ভিন্ন জগতের দুই বাসিন্দার সম্পর্ক axiom দিয়েই প্রমাণ করতে হয়। প্রমাণ করলে তবেই সেটা সব space-এ খাটে।
"ঠিক degree-\(n\) polynomial-রা একটা subspace"	না — দুটো degree-\(n\) polynomial যোগে degree কমে যেতে পারে (\(x^2\) আর \(-x^2 + x\)), আর zero polynomial তো set-এই নেই। Subspace হয় "degree \(\le n\)" নিলে।
"\(\mathbb{Z}\)-ও তো যোগ-গুণ জানে, field-এর মতোই"	\(\mathbb{Z}\)-এ ভাগ নেই (\(2^{-1} \notin \mathbb{Z}\)) — field না। ফল হাতে-নাতে: \(\mathbb{Z}\)-scalar দিয়ে Gaussian elimination-এ pivot দিয়ে ভাগ করতে পারবে না, Problem 2(b)-র যুক্তি ভেঙে পড়বে। Field-এর প্রতিটা axiom কোথাও-না-কোথাও কাজে লাগে।
"Dimension space-এর নিজস্ব সম্পত্তি, field যা-ই হোক"	একই সেট \(\mathbb{C}^2\): \(\mathbb{C}\)-এর ওপর dim \(2\), \(\mathbb{R}\)-এর ওপর dim \(4\) (Example 3)। Dimension সবসময় জোড়ার সম্পত্তি: (space, field)।

১০. এক নজরে¶

ধারণা	সূত্র / বক্তব্য	মনে রাখার ছবি
Field	যোগ-বিয়োগ-গুণ-ভাগ (÷0 ছাড়া) নির্বিঘ্ন: \(\mathbb{Q}, \mathbb{R}, \mathbb{C}, \mathbb{F}_2\)	scalar-দের নিজের ঘর; \(\mathbb{Z}\) বাদ (ভাগ নেই)
\(\mathbb{F}_2\)	\(\{0,1\}\), যোগ = XOR, গুণ = AND, \(1+1=0\)	সবচেয়ে ছোট field; computer-এর মাতৃভাষা
\(\mathbb{C}\)	algebraically closed: প্রতিটা polynomial-এর root আছে	⟹ প্রতিটা operator-এর eigenvalue আছে — theory-র স্বর্গ
Vector space over \(F\)	৮ axiom + ২ closure — চেহারা না, আচরণ	দাবার নিয়ম: বোর্ড যা-ই হোক, খেলা এক
উদাহরণ	\(F^n\), \(P_n(F)\), \(P(F)\) (∞-dim!), \(\mathbb{R}^{[0,1]}\), \(M_{m\times n}\), \(\mathbb{F}_2^n\)	চিড়িয়াখানা — সবাই এক টিকিটে (fig01)
প্রথম উপপাদ্য	\(0\) unique, \(-v\) unique, \(0v=0\), \(a0=0\), \((-1)v=-v\)	"obvious"-ও প্রমাণ চায় — এটাই rigor
Subspace test	\(0 \in U\) + দুই closure — বাকিটা উত্তরাধিকার	homogeneous শর্ত (=0) ভালো, ধ্রুবক শর্ত (=1) সর্বনাশ
Dimension, field-নির্ভর	\(\dim_{\mathbb{C}}\mathbb{C}^n = n\), \(\dim_{\mathbb{R}}\mathbb{C}^n = 2n\); \(\mathbb{F}_2^n\)-এ \(2^n\)টা vector	"dimension কত?" প্রশ্নের সাথে "কোন field-এ?" ফ্রি
DS/ML	\(\mathbb{F}_2\): Hamming code, crypto; \(\mathbb{C}\): Fourier, quantum; function space: kernel	abstraction = এক প্রমাণ, বহু প্রয়োগ

পরের chapter-এর সেতু: এই chapter-এর সবচেয়ে দামি উপহারটা মনে করো — \(\mathbb{C}\)-তে প্রতিটা operator-এর অন্তত একটা eigenvalue আছে। কিন্তু Part VI-এর সেই পুরনো কাঁটাটা রয়ে গেছে: shear-এর মতো defective matrix-দের eigenvalue থেকেও eigenvector যথেষ্ট নেই — diagonalize করা যায় না। তাহলে \(\mathbb{C}\)-তে এসেও কি আমরা আটকে থাকবো? না — diagonal না হোক, তার খুব কাছাকাছি একটা রূপ সবসময় পাওয়া যায়: diagonal-এর ঠিক ওপরে কয়েকটা \(1\), ব্যস। প্রতিটা operator-এর সেই "সেরা সম্ভব চেহারা"-র নাম Jordan Form — আসছে Chapter 9.2-এ।

📓 Notebook Project¶

notebooks/part-09/ch01-project.ipynb — GF(2) (𝔽₂) vector space scratch-এ: XOR-ভিত্তিক arithmetic, 𝔽₂-তে Gaussian elimination দিয়ে linear system solve, polynomial space P₂-তে basis/coordinate হিসাব + axiom-checker।