秩 (線性代數)

線性代數中,一個矩陣 的列秩是列向量生成的最大線性無關組的向量個數。類似地,行秩是矩陣線性無關的橫行的個數。矩陣的列秩和行秩總是相等的,因此它們可以簡單地稱作矩陣 Rank)。通常表示為

線性代數
向量 · 向量空間 · 基底  · 行列式  · 矩陣

可替代定義

編輯

用行列式定義

編輯

   矩陣。若   至少有一個   階非零子式,而其所有   階子式全為零,即矩陣的最高階非零子式的階數為r。則稱    的秩。

用向量組的秩定義

編輯

對於  線性空間   中的一個向量組  ,若   中的   個向量線性無關,且若      個向量都線性相關,則稱   極大線性無關組  。可以證明   的秩等於向量組   生成的子空間的維數。 矩陣  列秩定義為   的列向量組的秩,也即矩陣的列空間的維數。類似地,矩陣的行秩定義為   的行向量組的秩,即矩陣的行空間的維數。

用線性映射定義

編輯

考慮線性映射

 
 

對於每個矩陣    都是一個線性映射,同時,對每個   的 線性映射  ,都存在矩陣  使得  。也就是說,映射

 
 

是一個同構映射。所以一個矩陣   的秩還可定義為   的像的維度(像與核的討論參見線性映射)。矩陣   稱為  轉換矩陣。這個定義的好處是適用於任何線性映射而不需要指定矩陣,因為每個線性映射有且僅有一個矩陣與其對應。秩還可以定義為  的維度;秩-零化度定理聲稱它等於   的像的維度。

行秩列秩相等性

編輯

矩陣的行秩與列秩相等,是線性代數基本定理的重要組成部分。其基本證明思路是,矩陣可以看作線性映射的轉換矩陣,列秩為像空間的維度,行秩為非零原像空間的維度,因此列秩與行秩相等,即像空間的維度與非零原像空間的維度相等(這裏的非零原像空間是指約去了零空間後的商空間:原像空間)。這從矩陣的奇異值分解就可以看出來。

給出這一結果的兩種證明. 第一個證明是簡短的,僅用到向量的線性組合的基本性質. 第二個證明利用了正交性[1]. 第一個證明利用了列空間的基, 第二個證明利用了行向量空間的基. 第一個證明適用於定義在純量域上的矩陣,第二個證明適用於內積空間。二者都適用於實或復的歐氏空間,也都易於修改去證明當A是線性轉換的情形.

證明一

編輯

  是一個   的矩陣,其列秩為   . 因此矩陣   的列空間的維度是   . 令    的列空間的一組基,構成   矩陣  的列向量  ,並使得   的每個列向量是    個列向量的線性組合. 由矩陣乘法的定義,存在一個   矩陣  , 使得  . (   元素是    的第   個行向量的點積.)

現在,由於  ,   的每個行向量是   的行向量的線性組合,這意味着   的行向量空間被包含於   的行向量空間之中. 因此   的行秩 ≤  的行秩. 但 僅有 行, 所以 的行秩 ≤   =  的列秩. 這就證明了 的行秩 ≤  的列秩.

把上述證明過程中的「行」與「列」交換,利用對偶性質同樣可證 的列秩 ≤  的行秩。更簡單的方法是考慮 的轉置矩陣 ,則 的列秩 =  的行秩 ≤  的列秩 =  的行秩. 這證明了 的列秩等於 的行秩. 證畢.

證明二

編輯

  矩陣,其行秩是 . 因此 的行向量空間的維度是 ,設  的行向量空間的一組基. 如果把這組基當作原像列向量看待,則向量集 是線性獨立的。 這是因為對一組純量系數 ,如果:

 

其中 . 則可以推出有兩個事實: (a)   行向量空間的線性組合, 即 屬於 的行向量空間;(b) 由於  = 0,  正交於 的所有行向量,從而正交於 的行向量空間的所有向量. 事實(a)與(b)結合起來,則 正交於自身,這意味着  = 0. 由 的定義:

 

再由  的行向量空間的一組線性獨立的基,可知 .  因而是線性獨立的.

  的列空間中的向量. 因此  的列空間中 個線性獨立的向量. 所以 的列向量空間的維數( 的列秩)必然不小於 . 這證明了 的行秩r ≤  的列秩. 把這一結果應用於 的轉置矩陣可以得到:  的列秩 =  的行秩 ≤  列秩 =  的行秩. 這證明了 的列秩等於 的行秩,證畢.

最後, 還可以證明rk(A) = rk(A*), 其中A*A的共軛轉置或稱施密特轉置. 當A的元素都是實數, 這一結果變為rk(A) = rk(AT). 然而對於複系數矩陣,rk(A) = rk(A*)並不等價於行秩等於列秩, 需要用到上述兩個證明.

證明三

編輯

A是一個m×n矩陣. 定義rk(A)為A的列秩,A*A的共軛轉置或稱施密特轉置. 首先可知A*Ax = 0當且僅當Ax = 0.

A*Ax = 0 ⇒ x*A*Ax = 0 ⇒ (Ax)*(Ax) = 0 ⇒ ‖Ax‖2 = 0 ⇒ Ax = 0,

其中‖·‖是歐氏範數. 這說明A的零空間與A*A的零空間相同. 由秩-零化度定理, 可得rk(A) = rk(A*A). A*A的每一個列向量是A*的列向量的線性組合. 所以A*A的列空間是A*的列空間的子空間. 從而rk(A*A) ≤ rk(A*). 即: rk(A) = rk(A*A) ≤ rk(A*). 應用這一結果於A*可獲得不等式: 由於(A*)* = A, 可寫作rk(A*) ≤ rk((A*)*) = rk(A). 這證明了rk(A) = rk(A*). 證畢.

性質

編輯

我們假定A是在域F上的m × n矩陣並描述了上述線性映射。

  • m × n矩陣的秩不大於m且不大於n的一個非負整數,表示為 rk(A) ≤ min(m, n)。有儘可能大的秩的矩陣被稱為有滿秩;類似的,否則矩陣是秩不足(或稱為「欠秩」)的。
  • 只有零矩陣有秩0
  • A的秩最大為min(m,n)
  • f單射,當且僅當A有秩n(在這種情況下,我們稱A有「列滿秩」)。
  • f滿射,當且僅當A有秩m(在這種情況下,我們稱A有「行滿秩」)。
  • 在方塊矩陣A (就是m = n)的情況下,則A可逆的,當且僅當A有秩n(也就是A有滿秩)。
  • 如果B是任何n × k矩陣,則AB的秩最大為A的秩和B的秩的小者。即:
     
    推廣到若干個矩陣的情況,就是:
     
    證明:
    考慮矩陣的秩的線性映射的定義,令A、B對應的線性映射分別為fg,則AB表示複合映射f·g,它的象Im f·gg的像Im g在映射f作用下的象。然而Im g是整個空間的一部分,因此它在映射f作用下的象也是整個空間在映射f作用下的象的一部分。也就是說映射Im f·gIm f的一部分。對矩陣就是:秩(AB)≤秩(A)。
    對於另一個不等式:秩(AB)≤秩(B),考慮Im g的一組:(e1,e2,...,en),容易證明(f(e1),f(e2),...,f(en))生成了空間Im f·g,於是Im f·g維度小於等於Im g的維度。對矩陣就是:秩(AB)≤秩(B)。
    因此有:秩(AB)≤min(秩(A),秩(B))。若干個矩陣的情況證明類似。
    作為"<"情況的一個例子,考慮積
     
    兩個因子都有秩1,而這個積有秩0。
    可以看出,等號成立當且僅當其中一個矩陣(比如說A)對應的線性映射不減少空間的維度,即是單射,這時A是滿秩的。於是有以下性質:
    • 如果B是秩nn × k矩陣,則
       
    • 如果C是秩ml × m矩陣,則
       
  • A的秩等於r,當且僅當存在一個可逆m × m矩陣X和一個可逆的n × n矩陣Y使得
     
    這裏的Ir指示r × r 單位矩陣
    證明可以通過高斯消元法構造性地給出。
  • 西爾維斯特不等式: 如果 A 是一個 m × n 的矩陣且 Bn × k 的, 則
     [i]
    這是下一個不等式的特例.
  • 這個不等式是由Frobenius提出的: 如果 AB, ABCBC 有定義, 則
     [ii]
  • 子加性:當矩陣  的形狀相同時,有  . 因此,一個秩為k的矩陣能夠表示成k個秩為1的矩陣的加和,但不能是k-1個或更少。
  • 矩陣的秩加上矩陣的零化度等於矩陣的縱列數(這就是秩-零化度定理)。
  • 如果 A實數上的矩陣,那麼 A 的秩和它對應格拉姆矩陣的秩相等。於是,對於實矩陣
     .
    該性質可以通過它們的零空間證明. 格拉姆矩陣的零空間由所有滿足  的向量 組成。如果上式成立, 那麼下式也成立:  ,於是, ,即  的零空間相同.[2]
  • 如果 A複數上的矩陣且 A* 表示 A 的共軛轉置(i.e., A 伴隨), 則
     

向量組的線性相關性

編輯

  維列向量排列成 的矩陣A,這個對應矩陣的秩即為原向量組的秩。

原向量組線性相關的充分必要條件為:

 

如果

 

則向量組線性無關。另外,不存在

 

特殊的,若向量的個數 大於向量的維數 ,則根據:

 

這個向量組必然線性相關。

計算

編輯

計算矩陣A的秩的最容易的方式是高斯消元法,即利用矩陣的初等轉換生成一個行階梯形矩陣,由於矩陣的初等轉換不改變矩陣的秩,因此A的行階梯形矩陣有同A一樣的秩。經過初等轉換的矩陣的非零行的數目就是原矩陣的秩。

例如考慮4 × 4矩陣

 

我們看到第2縱列是第1縱列的兩倍,而第4縱列等於第1和第3縱列的總和。第1和第3縱列是線性無關的,所以A的秩是2。這可以用高斯算法驗證。它生成下列A的行階梯形矩陣:

 

它有兩個非零的橫行。

在應用在計算機上的浮點數的時候,基本高斯消去(LU分解)可能是不穩定的,應當使用秩啟示(revealing)分解。一個有效的替代者是奇異值分解(SVD),但還有更少代價的選擇,比如有支點(pivoting)的QR分解,它也比高斯消去在數值上更強壯。秩的數值判定要求對一個值比如來自SVD的一個奇異值是否為零的依據,實際選擇依賴於矩陣和應用二者。

應用

編輯

計算矩陣的秩的一個有用應用是計算線性方程組解的數目。如果系數矩陣的秩等於增廣矩陣的秩,則該方程組有解。在這種情況下,如果它的秩等於方程的數目那麼該方程組有唯一的一個精確解。如果增廣矩陣的秩大於系數矩陣的秩,則方程組是不一致(Inconsistent)的。

控制論中,矩陣的秩可以用來確定線性系統是否為可控制的,或可觀察的。

註解

編輯
  1. ^ 證明: 對不等式 使用秩-零化度定理
  2. ^ 證明:商空間之間的映射C: ker(ABC) / ker(BC) → ker(AB) / ker(B)有定義且為單射。因此我們得到了關於核維數關係的不等式dim ker(ABC)-dim ker(BC) ≤ dim ker(AB) - dim ker(B), 利用秩-零化度定理即可得到結論(即dim ker(ABC)-dim ker(BC)=rank(BC)-rank(ABC), 右邊同理)。或者也可以這麼證明:假如M是一個子線性空間,A是線性映射,那麼dim(A(M)) ≤ dim(M) (*); 記映射BC(注意先進行C映射後進行B映射)的像為im(BC), 映射B的像為im(B), 則im(BC)⊆im(B), 取im(B)中im(BC)的正交補餘(不一定要正交,構成直和關係即可,這裏取正交補餘只是為了方便)記為D, 則dim(D) = rk(B) – rk(BC); 而由線性映射的規律知im(AB) = AD + im(ABC), 但不一定再是直和,即dim(AD) + rk(ABC) ≥ rk(AB), 利用不等式(*)可得dim(D)[=rk(B) – rk(BC)] + rk(ABC) ≥ rk(AB), 從而得證。

參考文獻

編輯
  1. ^ Mackiw, G. (1995). A Note on the Equality of the Column and Row Rank of a Matrix. Mathematics Magazine, Vol. 68, No. 4
  2. ^ Mirsky, Leonid. An introduction to linear algebra. Dover Publications. 1955. ISBN 978-0-486-66434-7. 
  • Horn, Roger A. and Johnson, Charles R. Matrix Analysis. Cambridge University Press, 1985. ISBN 978-0-521-38632-6.
  • Kaw, Autar K. Two Chapters from the book Introduction to Matrix Algebra: 1. Vectors [1] and System of Equations [2]

參見

編輯