秩
- 行 / 列向量组的极大无关向量组的向量个数
- 矩阵 A \mathbf A A的行 / 列空间维数
- 方程的系数矩阵经过消元后的主元 / 主变量个数
列向量线性无关 ⟺ \iff ⟺矩阵列满秩 ⟺ \iff ⟺矩阵的零空间只有0点(方程 A x = 0 \mathbf A \boldsymbol x=\boldsymbol 0 Ax=0有唯一零解,没有非零解)
秩1矩阵
秩1矩阵就是只有1行 / 1列“有用信息”的矩阵,其任意两行 / 两列线性相关
具体而言,秩1矩阵形如 [ 1 2 3 2 4 6 ] \begin{bmatrix}1&2&3\\2&4&6\end{bmatrix} [122436],其各行 / 各列都是第一行 / 第一列的倍数
一般的,秩1矩阵 A \mathbf A A可以写为: A = U V T \mathbf A=\mathbf U\mathbf V^T A=UVT,其中 U \mathbf U U和 V \mathbf V V为列向量
因此,秩1矩阵总能被写成列向量 x 行向量的形式:
[
1
2
3
2
4
6
]
=
[
1
2
]
[
1
2
3
]
\begin{bmatrix}1&2&3\\2&4&6\end{bmatrix}=\begin{bmatrix}1\\2\end{bmatrix}\begin{bmatrix}1&2&3\end{bmatrix}
[122436]=[12][123]
关注秩1矩阵的原因是,秩1矩阵就像“积木”,能够搭出任意矩阵
秩为
r
r
r的矩阵,总能被分解为
r
r
r个秩1矩阵的乘积
引入:矩阵作为“向量”构成的空间
为了方便研究矩阵相加所得矩阵的秩,引入一个新的“向量空间”,其中的“向量”是矩阵
将矩阵作为“向量”,也能构成“向量空间”,因为矩阵之间的加法和数乘都满足“向量”所需要遵守的规则(ps. 这里忽略矩阵之间能够相乘的事实)
以长度为 n n n的列向量为“向量”,可以张成一个空间 R n \mathbf R^n Rn
以大小为 n × n n\times n n×n的矩阵为“向量”,可以张成一个空间 R n × n \mathbf R^{n\times n} Rn×n
研究这些新的“向量空间”,只要明确其 基和维数,即可获得整个空间的信息
- 对于所有3x3矩阵所构成的空间
M
\mathbf M
M,其“标准基”为
[
1
0
0
0
0
0
0
0
0
]
,
[
0
1
0
0
0
0
0
0
0
]
…
…
,
[
0
0
0
0
0
0
0
0
1
]
\left[\begin{array}{lll}1 & 0 & 0 \\0 & 0 & 0 \\0 & 0 & 0\end{array}\right], \left[\begin{array}{lll}0 & 1 & 0 \\0 & 0 & 0 \\0 & 0 & 0\end{array}\right] \ldots \ldots, \left[\begin{array}{lll}0 & 0 & 0 \\0 & 0 & 0 \\0 & 0 & 1\end{array}\right]
⎣
⎡100000000⎦
⎤,⎣
⎡000100000⎦
⎤……,⎣
⎡000000001⎦
⎤
共有9个基,维数为9 - 对于所有3x3上三角矩阵构成的空间
U
\mathbf U
U,其“标准基”为
[
1
0
0
0
0
0
0
0
0
]
,
[
0
0
0
0
1
0
0
0
0
]
…
…
,
[
0
0
1
0
0
0
0
0
0
]
\left[\begin{array}{lll}1 & 0 & 0 \\0 & 0 & 0 \\0 & 0 & 0\end{array}\right], \left[\begin{array}{lll}0 & 0 & 0 \\0 & 1 & 0 \\0 & 0 & 0\end{array}\right] \ldots \ldots, \left[\begin{array}{lll}0 & 0 & 1 \\0 & 0 & 0 \\0 & 0 & 0\end{array}\right]
⎣
⎡100000000⎦
⎤,⎣
⎡000010000⎦
⎤……,⎣
⎡000000100⎦
⎤
共有6个基,维数为6 - 对于所有3x3对称矩阵构成的空间
S
\mathbf S
S,其“标准基”为
[
1
0
0
0
0
0
0
0
0
]
,
[
0
1
0
1
0
0
0
0
0
]
…
…
,
[
0
0
0
0
0
0
0
0
1
]
\left[\begin{array}{lll}1 & 0 & 0 \\0 & 0 & 0 \\0 & 0 & 0\end{array}\right], \left[\begin{array}{lll}0 & 1 & 0 \\1 & 0 & 0 \\0 & 0 & 0\end{array}\right] \ldots \ldots, \left[\begin{array}{lll}0 & 0 & 0 \\0 & 0 & 0 \\0 & 0 & 1\end{array}\right]
⎣
⎡100000000⎦
⎤,⎣
⎡010100000⎦
⎤……,⎣
⎡000000001⎦
⎤
共有6个基,维数为6
以前说过,向量空间和向量空间的交集,仍为向量空间
- 例如对称矩阵空间 S \mathbf S S和三角矩阵空间 U \mathbf U U的交集为对角矩阵 D \mathbf D D,记为 S ∩ U = D \mathbf{S} \cap \mathbf{U}=\mathbf D S∩U=D
- 所有3x3对角矩阵构成的空间
D
\mathbf D
D其“标准基”为
[
1
0
0
0
0
0
0
0
0
]
,
[
0
0
0
0
1
0
0
0
0
]
,
[
0
0
0
0
0
0
0
0
1
]
\left[\begin{array}{lll}1 & 0 & 0 \\0 & 0 & 0 \\0 & 0 & 0\end{array}\right], \left[\begin{array}{lll}0 & 0 & 0 \\0 & 1 & 0 \\0 & 0 & 0\end{array}\right] , \left[\begin{array}{lll}0 & 0 & 0 \\0 & 0 & 0 \\0 & 0 & 1\end{array}\right]
⎣
⎡100000000⎦
⎤,⎣
⎡000010000⎦
⎤,⎣
⎡000000001⎦
⎤
共有3个基,维数为3
S \mathbf S S和 U \mathbf U U的并集,则不是一个向量空间(这就好像三维空间中的两个平面的并集,其中的向量相加,得到的向量不再属于这个集合,没有封闭性,不是向量空间)
S
\mathbf S
S和
U
\mathbf U
U中所有“向量”相加的所有可能和 构成的集合,是一个向量空间,我们称为“和集”
S
+
U
\mathbf S+\mathbf U
S+U
S
+
U
\mathbf S+\mathbf U
S+U实际上就是所有3x3矩阵所构成的空间
M
\mathbf M
M,其基向量有9个,其维度为9
由此我们得到了秩的法则:
d
i
m
S
+
d
i
m
U
=
d
i
m
(
S
∩
U
)
+
d
i
m
(
S
+
U
)
dim\mathbf S+dim\mathbf U=dim(\mathbf{S} \cap \mathbf{U})+dim(\mathbf S+\mathbf U)
dimS+dimU=dim(S∩U)+dim(S+U)
用上面的例子验证一下:6+6=3+9
证明思路:从基的角度出发, S + U \mathbf S+\mathbf U S+U的基 = S \mathbf{S} S的基+ U \mathbf{U} U的基-交集 S ∩ U \mathbf{S} \cap \mathbf{U} S∩U的基
最终我们证明了:两个矩阵之和的秩 小于 每个矩阵秩的和
所有3x3矩阵所构成的空间 M \mathbf M M中,所有秩小于等于4的矩阵组成的集合,是向量空间吗?
不是。
根据上面的结论,取集合中的两个矩阵,这两个矩阵相加,秩很可能大于4,即 d i m ( S + U ) = d i m S + d i m U − d i m ( S ∩ U ) dim(\mathbf S+\mathbf U)=dim\mathbf S+dim\mathbf U-dim(\mathbf{S} \cap \mathbf{U}) dim(S+U)=dimS+dimU−dim(S∩U)这说明,两个矩阵相加,对于这个集合不封闭,所以这不是一个向量空间(例如上面的上三角与对称阵相加,秩就增大了)