秩
在线性代数(linear algebra)中,矩阵 A A A 的秩是由它的列向量生成(张成)的列空间的维度。这对应 A A A 中线性无关(linearly independent)的列的极大数目。这也和它的行向量张成的行空间的维度相等。因此,秩是由 A A A 表示的线性方程组和线性变换的“非退化性”(nondegenerateness)的度量。秩有多个等价定义。矩阵的秩是它最基本(fundamental)的特征之一。
从行阶梯形得到秩
求矩阵秩的一种常用方法是通过初等行变换(elementary row operations)将其简化为更简单的形式,通常是行阶梯形(row echelon form)。行变换不改变行空间(因此不改变行秩),并且,由于是可逆的,映射列空间到同构(isomorphic)空间(因此不改变列秩)。一旦变成行最简形,行秩和列秩显然是相同的,等于主元(pivot)数和非零行数。主元是指每一行第一个非零元素。
例如,矩阵
A
=
[
1
2
1
−
2
−
3
1
3
5
0
]
A=\begin{bmatrix}1&2&1\\-2&-3&1\\3&5&0\end{bmatrix}
A=⎣
⎡1−232−35110⎦
⎤
可以通过以下初等行运算将其化为行最简形:
[ 1 2 1 − 2 − 3 1 3 5 0 ] → 2 R 1 + R 2 → R 2 [ 1 2 1 0 1 3 3 5 0 ] → − 3 R 1 + R 3 → R 3 [ 1 2 1 0 1 3 0 − 1 − 3 ] → R 2 + R 3 → R 3 [ 1 2 1 0 1 3 0 0 0 ] → − 2 R 2 + R 1 → R 1 [ 1 0 − 5 0 1 3 0 0 0 ] . \begin{aligned} \begin{bmatrix}1&2&1\\-2&-3&1\\3&5&0\end{bmatrix} &\xrightarrow{2R_1 + R_2 \to R_2} \begin{bmatrix}1&2&1\\0&1&3\\3&5&0\end{bmatrix} \xrightarrow{-3R_1 + R_3 \to R_3} \begin{bmatrix}1&2&1\\0&1&3\\0&-1&-3\end{bmatrix} \\ &\xrightarrow{R_2 + R_3 \to R_3} \,\, \begin{bmatrix}1&2&1\\0&1&3\\0&0&0\end{bmatrix} \xrightarrow{-2R_2 + R_1 \to R_1} \begin{bmatrix}1&0&-5\\0&1&3\\0&0&0\end{bmatrix}~. \end{aligned} ⎣ ⎡1−232−35110⎦ ⎤2R1+R2→R2⎣ ⎡103215130⎦ ⎤−3R1+R3→R3⎣ ⎡10021−113−3⎦ ⎤R2+R3→R3⎣ ⎡100210130⎦ ⎤−2R2+R1→R1⎣ ⎡100010−530⎦ ⎤ .
最终的矩阵(行最简形)有两个非零行,因此矩阵 A A A 的秩是2。
列秩=行秩的证明(任意形状的矩阵都成立,不一定是方阵)
可以很直观地表明,行秩和列秩都不会被初等行变换改变。当高斯消元(Gaussian elimination)通过初等行变换进行时,矩阵的行最简形具有与原始矩阵相同的行秩和列秩。进一步的,初等列变换将矩阵变为含有单位矩阵(identity matrix)的形式(相抵标准形),可能含0元素的行和列边界。同样,这既不会改变行秩,也不会改变列秩。由此得到的矩阵的行和列的秩是其非零元素的数目,注意单位矩阵非零元素只在其主对角线上,非零元素个数等于其阶数。下述矩阵为相抵标准形。其中,
I
r
\bold{I}_r
Ir为单位矩阵。
[
I
r
0
⃗
0
⃗
0
⃗
]
\begin{bmatrix}\bold{I}_r&\vec{0}\\ \vec{0}&\vec{0}\end{bmatrix}
[Ir000]
使用线性组合证明
令
A
A
A 是一个
m
×
n
m\times n
m×n 的矩阵。
A
=
[
a
1
,
a
2
,
a
3
,
…
,
a
n
]
1
×
n
A = [\bold{a}_1, \bold{a}_2, \bold{a}_3, \dots,\bold{a}_n]_{1\times n}
A=[a1,a2,a3,…,an]1×n
注意,上述矩阵
A
A
A 以列分块矩阵表示。
a
i
a_i
ai表示 矩阵
A
A
A 的第
i
i
i 个列向量。
令其列秩为
r
r
r ,而且令
c
1
,
…
,
c
r
\bold{c}_1,\dots,\bold{c}_r
c1,…,cr 是
A
A
A 列空间的任意一个基。将这个基排列成一个
m
×
r
m\times r
m×r 的矩阵
C
C
C 。
A
A
A 的每一列都可以被表示成
C
C
C 中
r
r
r 个列向量的线性组合(linear combination)。
a
1
=
k
11
c
1
+
k
12
c
2
+
k
13
c
3
+
⋯
+
k
1
r
c
r
a
2
=
k
21
c
1
+
k
22
c
2
+
k
23
c
3
+
⋯
+
k
2
r
c
r
⋮
a
n
=
k
n
1
c
1
+
k
n
2
c
2
+
k
n
3
c
3
+
⋯
+
k
n
r
c
r
\bold{a}_1 =k_{11}\bold{c}_1+k_{12}\bold{c}_2+k_{13}\bold{c}_3+\dots+k_{1r}\bold{c}_r \\ \bold{a}_2 =k_{21}\bold{c}_1+k_{22}\bold{c}_2+k_{23}\bold{c}_3+\dots+k_{2r}\bold{c}_r\\ \vdots\\ \bold{a}_n =k_{n1}\bold{c}_1+k_{n2}\bold{c}_2+k_{n3}\bold{c}_3+\dots+k_{nr}\bold{c}_r
a1=k11c1+k12c2+k13c3+⋯+k1rcra2=k21c1+k22c2+k23c3+⋯+k2rcr⋮an=kn1c1+kn2c2+kn3c3+⋯+knrcr
这意味着存在一个
r
×
n
r\times n
r×n 的矩阵
R
R
R ,满足
A
=
C
R
A=CR
A=CR 。
R
R
R 中的每一列是基的线性组合的系数。
[
a
1
,
a
2
,
a
3
,
…
,
a
n
]
1
×
n
=
[
c
1
,
…
,
c
r
]
1
×
r
×
R
[\bold{a}_1, \bold{a}_2, \bold{a}_3, \dots,\bold{a}_n]_{1\times n}=[\bold{c}_1,\dots,\bold{c}_r]_{1\times r}\times R
[a1,a2,a3,…,an]1×n=[c1,…,cr]1×r×R
R = [ k 11 k 21 ⋯ k n 1 k 12 k 22 ⋯ k n 2 ⋮ k 1 r k 2 r ⋯ k n r ] r × n R =\begin{bmatrix}k_{11}&k_{21}&\cdots&k_{n1}\\k_{12}&k_{22}&\cdots&k_{n2}\\ \vdots\\k_{1r}&k_{2r}&\cdots&k_{nr}\end{bmatrix}_{r\times n} R=⎣ ⎡k11k12⋮k1rk21k22k2r⋯⋯⋯kn1kn2knr⎦ ⎤r×n
现在重写
R
R
R,将其行分块。得:
R
=
[
r
1
r
2
⋮
r
r
]
r
×
1
R =\begin{bmatrix}\bold{r}_{1}\\\bold{r}_{2}\\\vdots\\ \bold{r}_{r}\end{bmatrix}_{r\times 1}
R=⎣
⎡r1r2⋮rr⎦
⎤r×1
重写
A
A
A, 将其行分块,得:
A
=
[
a
1
a
2
⋮
a
m
]
m
×
1
A =\begin{bmatrix}{\bold{a}}_{1}\\{\bold{a}}_{2}\\\vdots\\ {\bold{a}}_{m}\end{bmatrix}_{m\times 1}
A=⎣
⎡a1a2⋮am⎦
⎤m×1
将
C
C
C 写成
C
=
[
c
11
c
12
⋯
c
1
r
c
21
c
22
⋯
c
2
r
⋮
c
m
1
c
m
2
⋯
c
m
r
]
m
×
r
C =\begin{bmatrix}c_{11}&c_{12}&\cdots&c_{1r}\\c_{21}&c_{22}&\cdots&c_{2r}\\ \vdots\\c_{m1}&c_{m2}&\cdots&c_{mr}\end{bmatrix}_{m\times r}
C=⎣
⎡c11c21⋮cm1c12c22cm2⋯⋯⋯c1rc2rcmr⎦
⎤m×r
A
=
[
a
1
a
2
⋮
a
m
]
m
×
1
=
[
c
11
c
12
⋯
c
1
r
c
21
c
22
⋯
c
2
r
⋮
c
m
1
c
m
2
⋯
c
m
r
]
m
×
r
×
[
r
1
r
2
⋮
r
r
]
r
×
1
A =\begin{bmatrix}{\bold{a}}_{1}\\{\bold{a}}_{2}\\\vdots\\ {\bold{a}}_{m}\end{bmatrix}_{m\times 1} =\begin{bmatrix}c_{11}&c_{12}&\cdots&c_{1r}\\c_{21}&c_{22}&\cdots&c_{2r}\\ \vdots\\c_{m1}&c_{m2}&\cdots&c_{mr}\end{bmatrix}_{m\times r}\times\begin{bmatrix}\bold{r}_{1}\\\bold{r}_{2}\\\vdots\\ \bold{r}_{r}\end{bmatrix}_{r\times 1}
A=⎣
⎡a1a2⋮am⎦
⎤m×1=⎣
⎡c11c21⋮cm1c12c22cm2⋯⋯⋯c1rc2rcmr⎦
⎤m×r×⎣
⎡r1r2⋮rr⎦
⎤r×1
现在,A的每一行都由 R R R 的 r r r 行 线性组合给出。因此, R R R 的行向量是 A A A 的行空间的一个基,而且由于Steinitz exchange 引理(在附录有详细说明), A A A 的行秩不能超过 r r r 。这个证明了 A A A的行秩小于等于列秩。由于上面推导过程可以适用于任何矩阵,所以把它应用在矩阵 A A A 的转置上。由于 A T A^{T} AT 的行秩是 A A A 的列秩,同时 A T A^{T} AT 的列秩是 A A A 的行秩。所以得到 A A A 的列秩小于等于行秩。所以 A A A 的行秩等于列秩。
注:利用分块矩阵证明时,一般是
矩阵
A
列分块
=
矩阵
B
列分块
×
矩阵
C
的非分块形式
矩阵A列分块 = 矩阵B列分块\times 矩阵C的非分块形式
矩阵A列分块=矩阵B列分块×矩阵C的非分块形式
矩阵 A 行分块 = B 非分块形式 × 矩阵 C 的行分块形式 矩阵A行分块 = B非分块形式\times 矩阵C的行分块形式 矩阵A行分块=B非分块形式×矩阵C的行分块形式
还有
A
x
Ax
Ax
表示的矩阵
A
A
A 列空间中的某个向量。因为将矩阵
A
A
A 按列分块,向量
x
x
x 中的元素作为线性组合的标量系数,那么整个
A
x
Ax
Ax 就是矩阵
A
A
A 列向量的线性组合。
使用正交性证明
令
A
A
A 是一个
m
×
n
m\times n
m×n 的矩阵,矩阵的行秩是
r
r
r, 矩阵元素属于实数域。因此,矩阵
A
A
A 行空间的维度是
r
r
r 。令
x
1
,
x
2
,
…
,
x
r
\bold{x}_1,\bold{x}_2,\dots,\bold{x}_r
x1,x2,…,xr
是
A
A
A 的行空间的一个基。
x
i
,
i
=
1
,
2
,
…
r
\bold{x}_i,\quad i=1,2,\dots r
xi,i=1,2,…r 是
n
∗
1
n*1
n∗1的向量 (转置了)。
A
x
1
,
A
x
2
,
…
,
A
x
r
A\bold{x}_1,A\bold{x}_2,\dots,A\bold{x}_r
Ax1,Ax2,…,Axr
是线性无关的。为什么?考虑下列齐次线性关系,其中
c
1
,
c
2
,
…
,
c
r
c_1,c_2,\dots,c_r
c1,c2,…,cr 是标量系数
0
⃗
=
c
1
A
x
1
+
c
2
A
x
2
+
,
⋯
+
c
r
A
x
r
=
A
(
c
1
x
1
+
c
2
x
2
+
⋯
+
c
r
x
r
)
=
A
v
,
\vec{0} = c_{1}A\bold{x}_1+c_{2}A\bold{x}_2+,\dots+c_{r}A\bold{x}_r=A(c_{1}\bold{x}_1+c_{2}\bold{x}_2+\dots+c_{r}\bold{x}_r)=A\bold{v},
0=c1Ax1+c2Ax2+,⋯+crAxr=A(c1x1+c2x2+⋯+crxr)=Av,
其中
v
=
c
1
x
1
+
c
2
x
2
+
⋯
+
c
r
x
r
\bold{v}=c_{1}\bold{x}_1+c_{2}\bold{x}_2+\dots+c_{r}\bold{x}_r
v=c1x1+c2x2+⋯+crxr 。不难观察出:
- v \bold{v} v 是 A A A 的行空间中的向量的线性组合,这意味着 v \bold{v} v 属于行空间。
- 因为 A v = 0 ⃗ A\bold{v} = \vec{0} Av=0 ,所以向量 v v v 和 A A A 的每一个行向量 正交(orthogonal)(将矩阵 A A A 行分块),因此和 A A A 的行空间中每一个向量正交。
上述事实1和2推导出 向量
v
\bold{v}
v 和它自己正交。这证明了
v
=
0
⃗
\bold{v} = \vec{0}
v=0,或者根据
v
\bold{v}
v 的定义:
c
1
x
1
+
c
2
x
2
+
⋯
+
c
r
x
r
=
0
⃗
c_{1}\bold{x}_1+c_{2}\bold{x}_2+\dots+c_{r}\bold{x}_r = \vec{0}
c1x1+c2x2+⋯+crxr=0
由于
{
x
1
,
x
2
,
…
,
x
r
}
\{\bold{x}_1,\bold{x}_2,\dots,\bold{x}_r\}
{x1,x2,…,xr} 是
A
A
A 的行空间的一个基,所以是线性无关的。这推导出
c
1
=
c
2
=
⋯
=
c
r
=
0
c_1 = c_2=\dots=c_r=0
c1=c2=⋯=cr=0 。故
A
x
1
,
A
x
2
,
…
,
A
x
r
A\bold{x}_1,A\bold{x}_2,\dots,A\bold{x}_r
Ax1,Ax2,…,Axr 是线性无关的。
现在,
A
=
[
a
1
a
2
⋮
a
m
]
m
×
1
x
i
=
[
x
i
1
x
i
2
⋮
x
n
]
n
×
1
A =\begin{bmatrix}{\bold{a}}_{1}\\{\bold{a}}_{2}\\\vdots\\ {\bold{a}}_{m}\end{bmatrix}_{m\times 1} \bold{x_i} =\begin{bmatrix}{{x}_{i}}_{1}\\{x}_{i2}\\\vdots\\ {x}_{n}\end{bmatrix}_{n\times 1}
A=⎣
⎡a1a2⋮am⎦
⎤m×1xi=⎣
⎡xi1xi2⋮xn⎦
⎤n×1
每一个 A x i A\bold{x}_i Axi 显然是 A A A 列空间的一个向量(矩阵 A A A 按行分块,向量 x i \bold{x}_i xi 每个元素作为线性组合的标量系数)。 故, A x 1 , A x 2 , … , A x r A\bold{x}_1,A\bold{x}_2,\dots,A\bold{x}_r Ax1,Ax2,…,Axr 是 A A A 的列空间 中 r r r 个线性无关的向量,而且 A A A 的列空间的维度大于等于 r r r (这是显然的,因为列空间已经存在 r r r 个线性无关的向量,至少有 r r r 个,有没有更多的线性无关向量不知道,但是有这个可能性)。这证明了 A A A 的行秩小于等于列秩。现在对 A T A^T AT 同样进行类似推导,即可得到 A A A 的列秩小于等于行秩的结论。即证明得到 A A A 的行秩等于列秩。
替代定义
在这个版块中,矩阵 A A A 都是 m × n m \times n m×n 的矩阵,在任意数域 F F F 上。
像的维度
给定矩阵
A
A
A ,其对应的线性映射 (linear mapping)
f
:
F
n
↦
F
m
f:F^{n} \mapsto F^{m}
f:Fn↦Fm
由
f
(
x
)
=
A
x
f(x) = Ax
f(x)=Ax
定义
A A A 的秩是 f f f 的像的维度。这个定义的优点在于适用于任何线性映射,而不是某个特定的矩阵。
考虑零度(nullity)的秩
给定和上面一样的线性映射
f
f
f ,它的秩是
n
−
d
i
m
(
k
e
r
e
l
(
f
)
)
n-dim(kerel(f))
n−dim(kerel(f))
即
n
n
n 减去
f
f
f 的核的维度。秩-零化度定理(rank-nullity theorem)(博主之前的这篇博客有证明)表明这个定义和前面的定义是等价的。
列秩-列空间的维度
A A A 的秩是 A A A 的列向量中的极大无关组的向量的个数。这是 A A A 列空间的维度。(列空间是 F m F^{m} Fm 的子空间,由 A A A 的列向量生成,事实上这就是与 A A A 相关的线性映射 f f f 的像)
行秩-行空间的维度
A A A 的秩是 A A A 的行向量中的极大无关组的向量的个数。这是 A A A 行空间的维度。
分解秩(Decomposition rank)
A A A 的秩是最小的整数 k k k, s . t . s.t. s.t. A A A 可以被分解为 A = C R A=CR A=CR ,其中 C C C 是一个 m × k m\times k m×k 的矩阵, R R R 是一个 k × n k\times n k×n 的矩阵,下列叙述等价:
- A A A 的列秩小于等于 k k k,
- 存在 k k k 个大小为 m m m 的列向量 c 1 , c 2 , … , c k \bold{c}_1,\bold{c}_2,\dots,\bold{c}_k c1,c2,…,ck s.t. A A A 的每一列都能表示成它们的线性组合,
- 存在一个 m × k m\times k m×k 的矩阵 C C C 和一个 k × n k\times n k×n 的矩阵 R R R 满足 A = C R A=CR A=CR (当 k k k 是秩,此时是 A A A 的一个秩分解),
- 存在 k k k 个大小为 m m m 的列向量 r 1 , r 2 , … , r k \bold{r}_1,\bold{r}_2,\dots,\bold{r}_k r1,r2,…,rk s.t. A A A 的每一行都能表示成它们的线性组合,
- A A A 的行秩小于等于 k k k
事实上,上述5个结论等价是很显然的。比如,证明从2中能推出3,令矩阵 C C C 的列向量是2中的 c 1 , c 2 , … , c k \bold{c}_1,\bold{c}_2,\dots,\bold{c}_k c1,c2,…,ck 。证明从3能推出2,取3中的矩阵 C C C 的列向量作为 c 1 , c 2 , … , c k \bold{c}_1,\bold{c}_2,\dots,\bold{c}_k c1,c2,…,ck 即可。
考虑奇异值的秩
A
A
A 的秩等于非零奇异值的数目,这和奇异值分解
A
=
U
Σ
V
T
A =U\Sigma V^{T}
A=UΣVT
中
Σ
\Sigma
Σ 中非零对角元素的个数相等。
与行列式有关的秩(Determinantal rank)
A A A 的秩是 A A A 中任意非零余子式(non-zero minor)中拥有最高阶(order)的余子式的阶。
和分解秩一样,这种定义并没有给出一个计算秩的高效方法,但是它在理论上是有用的:针对矩阵的秩,一个非零余子式提供了一个下界(它的阶)。对于证明某些操作不会降低矩阵的秩,它是有效的。
命题:若矩阵 A A A中有一个 k k k 阶子式不等于 0,则 r a n k ( A ) ≥ k rank( A) ≥k rank(A)≥k; 若 A A A 的所有 l l l 阶子式都等于 0 0 0,则 r a n k ( A ) < l rank( A) < l rank(A)<l
引理:将矩阵 A A A 划去若干行得到矩阵 B B B,则 r a n k ( B ) ≤ r a n k ( A ) rank( B) ≤rank( A) rank(B)≤rank(A)
证明:如果 A A A 中有一个 k k k 阶子式不等于零,则将这个子式所在的行对调到前$ k$ 行,并对这 k k k 行进行初等 行变换,可以变成一个阶梯型子块,该子块中不可能有一行全部为零,否则与原 k k k 阶子式不等于 0 矛盾,则根据引理, R ( A ) ≥ k R( A) ≥k R(A)≥k; 若 A A A 的所有 l l l 阶子式都等于 0 0 0,则将 A A A 等价变成阶梯型后非零行的个数不可能大于或等于 l l l,否则 A A A 中应至少有一个 l l l 阶子式不为零,所以 R ( A ) < l R( A) < l R(A)<l.
评注:如果一个矩阵的行列式不为0,那么经过有限次初等行变换,矩阵不可能出现全零行,否则它的行列式为0。上面的证明要结合子块和整个大矩阵两个层次去看。
性质
我们假设 A A A 是一个 m × n m\times n m×n 的矩阵,而且我们定义线性映射 f f f ,通过 f ( x ) = A x f(\bold{x})=A\bold{x} f(x)=Ax
-
一个 m × n m \times n m×n 矩阵的秩是非负整数,而且不能大于 m m m 或者 n n n 。即:
r a n k ( A ) ≤ m i n ( m , n ) rank(A) \le min(m,n) rank(A)≤min(m,n)
一个矩阵的秩如果为 m i n ( m , n ) min(m,n) min(m,n) ,则它是满秩的(full rank),否则是秩亏(rank deficient)。
-
只有零矩阵(所有元素都是0,zero matrix)的秩才是0。
-
f f f 是单射(或“一对一”,injective)当且仅当 A A A 有秩 n n n (在这种情况下,我们说 A A A有满列秩)。
-
f f f是满射(surjective)当且仅当 A A A 有秩 m m m (在这种情况下,我们说A有满行秩)。
-
如果 A A A 是一个方阵(即 m = n m = n m=n),则 A A A 是可逆的当且仅当 A A A 的秩为 n n n(即 A A A的秩满)。
-
如果 B B B 是任意的 n × k n\times k n×k 矩阵,则
r a n k ( A B ) ≤ m i n ( r a n k ( A ) , r a n k ( B ) ) rank(AB)\le min(rank(A),rank(B)) rank(AB)≤min(rank(A),rank(B)) -
如果 B B B 是任意的 n × k n\times k n×k 矩阵,秩为 n n n 则
r a n k ( A B ) = r a n k ( A ) rank(AB) = rank(A) rank(AB)=rank(A) -
如果 C C C 是一个 l × m l\times m l×m 的矩阵,秩为 m m m ,则
r a n k ( C A ) = r a n k ( A ) rank(CA)=rank(A) rank(CA)=rank(A) -
A A A 的秩为 r r r 当且仅当 存在一个可逆的 m ∗ m m*m m∗m 矩阵 X X X 和一个可逆的 n × n n\times n n×n 的矩阵 Y Y Y 满足
X A Y = [ I r 0 ⃗ 0 ⃗ 0 ⃗ ] XAY =\begin{bmatrix}\bold{I}_r&\vec{0}\\ \vec{0}&\vec{0}\end{bmatrix} XAY=[Ir000]
其中, I r \bold{I}_{r} Ir 表示一个 r × r r\times r r×r 的单位阵。 -
Sylverster的 秩不等式,矩阵 B B B 是 n × k n\times k n×k 的矩阵,则
r a n k ( A ) + r a n k ( B ) − n ≤ r a n k ( A B ) rank(A)+rank(B)-n\le rank(AB) rank(A)+rank(B)−n≤rank(AB)
这个不等式是下个不等式的一个特例 -
Frobenius不等式,如果 A B , A B C , B C AB, ABC, BC AB,ABC,BC 都有定义,则
r a n k ( A B ) + r a n k ( B C ) ≤ r a n k ( B ) + r a n k ( A B C ) rank(AB)+rank(BC) \le rank(B)+rank(ABC) rank(AB)+rank(BC)≤rank(B)+rank(ABC) -
Subadditivity:
r a n k ( A + B ) ≤ r a n k ( A ) + r a n k ( B ) rank(A+B) \le rank(A)+rank(B) rank(A+B)≤rank(A)+rank(B)
当 A A A 和 B B B 拥有相同维度。作为一个结论,一个秩为 k k k 的矩阵可以被写成 k k k 个秩为1的矩阵的和,但是不能更少。 -
矩阵的秩加上矩阵的零度等于矩阵的列数(rank-nullity theorem)
-
如果 A A A 是一个在实数域上的矩阵,那么 A A A 的秩和 A A A 对应的 Gram 矩阵(度量矩阵)的秩相等。因此,对于实数阵,有
r a n k ( A T A ) = r a n k ( A A T ) = r a n k ( A ) = r a n k ( A T ) rank(A^{T}A) = rank(AA^{T})=rank(A)=rank(A^{T}) rank(ATA)=rank(AAT)=rank(A)=rank(AT)
这个可以通过证明他们的零空间(null spaces)相等来说明。Gram矩阵的零空间是由
A T A x = 0 ⃗ A^{T}A\bold{x} = \vec{0} ATAx=0
中的向量 x \bold{x} x 构成。 -
如果 A A A 是一个在复数域上的矩阵,而且 A ‾ \overline A A表示 A A A 的共轭(complex conjugate),而且 A ∗ A^{*} A∗ 表示共轭转置,则
r a n k ( A ) = r a n k ( A ‾ ) = r a n k ( A T ) = r a n k ( A ∗ ) = r a n k ( A ∗ A ) = r a n k ( A A ∗ ) rank(A) = rank(\overline A)=rank(A^{T})=rank(A^*)=rank(A^*A)=rank(AA^*) rank(A)=rank(A)=rank(AT)=rank(A∗)=rank(A∗A)=rank(AA∗)
附录
Steinitz exchange 引理
如果 U = { u 1 , … , u m } U = \{u_1,\dots,u_m\} U={u1,…,um} 是一个含有 m m m 个线性无关向量的集合,它在向量空间 V V V 中。而且 W = { w 1 , … , w n } W = \{w_1,\dots,w_n\} W={w1,…,wn} 张成 V V V ,则:
-
m ≤ n m \le n m≤n;
-
存在一个集合 W ′ ⊂ W W^{'} \subset W W′⊂W, ∣ W ′ ∣ = n − m |W^{'}|=n-m ∣W′∣=n−m, s.t. U ∪ W ′ U\cup W^{'} U∪W′ 张成 V V V 。
参考文献
- 维基百科Rank (linear algebra)
- 王玉富.矩阵秩的不同定义及其比较[J].湖北民族学院学报(自然科学版),2011,29(03):264-267.