线性代数系列讲解第五篇 矩阵的秩，向量空间

矩阵的秩(Rank)

矩阵的秩包含了矩阵的信息。
矩阵的秩是什么呢，我们举个例子就明白了。
$$A=\left[\begin{array}{cccc}1& 2& 2& 2\\ 2& 4& 6& 8\\ 3& 6& 8& 10\end{array}\right]⟶\left[\begin{array}{cccc}1& 2& 2& 2\\ 0& 0& 2& 4\\ 0& 0& 2& 4\end{array}\right]⟶\left[\begin{array}{cccc}1& 2& 2& 2\\ 0& 0& 2& 4\\ 0& 0& 0& 0\end{array}\right]=U$$
上述就是矩阵的高斯消元，我们将矩阵$U$中的第一行第一列的$1$和第二行第三列的$2$成为主元元素(pivot elements)，就是说化成上三角阵的每一行第一个元素就是主元元素，而主元元素所对应的列是主元向量(pivot column),这里的主元向量就是第一列和第三列，矩阵的秩就是主元(pivot column)的数目，这里$A$的秩就是$r=2$，而自由变量(free variables)是$n-r=4-2=2$($m$x$n$矩阵)，我知道你想问矩阵的秩能干嘛，它能代表张开向量空间的维度，还有它能体现线性无关的向量的个数。我们可以将矩阵继续分解就知道了。
$$\left[\begin{array}{cccc}1& 2& 2& 2\\ 0& 0& 2& 4\\ 0& 0& 0& 0\end{array}\right]⟶\left[\begin{array}{cccc}1& 2& 0& -2\\ 0& 0& 1& 2\\ 0& 0& 0& 0\end{array}\right]=R=rref(A)$$
我们将$R$称作最简行阶梯行式(reduced row echelon form)，其实我们就是做了个回溯的过程，用主元元素把主元元素那一列的其余元素变为0即可。我们可以发现$R$中第一列和第三列是线性无关的，因为你无法将第一列通过线性变换变成第三列，线性无关就是这个意思。

秩为1的矩阵

矩阵$A$的秩为$r$的矩阵都能拆成$r$个秩为1的矩阵组合。
举个例子你就明白了:
$$A=\left[\begin{array}{cccc}1& 2& 2& 2\\ 2& 4& 6& 8\\ 3& 6& 8& 10\end{array}\right]⟶\left[\begin{array}{cccc}1& 2& 2& 2\\ 0& 0& 2& 4\\ 0& 0& 0& 0\end{array}\right]=U$$
我们知道矩阵$A$的秩为2，我们可以讲矩阵写成下列两个秩为1的矩阵之和。
$$\left[\begin{array}{cccc}1& 2& 2& 2\\ 2& 4& 6& 8\\ 3& 6& 8& 10\end{array}\right]=\left[\begin{array}{cccc}1& 2& 2& 2\\ 2& 4& 4& 4\\ 3& 6& 6& 6\end{array}\right]+\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 0& 2& 4\\ 0& 0& 2& 4\end{array}\right]$$
我们很容易看出后两个矩阵秩都为1。

向量空间(Vector Space)

一.概念

向量空间必须对数乘和加法两种运算是封闭的。那么，你肯定有疑问，什么叫做封闭性。我这里介绍一下，封闭性就是说在向量空间中的向量在数乘和加法都必须落在这个向量空间内。
总结下条件：$v+w$和$cv$都必须在它们所在的空间($v$和$w$都是向量,$c$是数)
等价的方式: $cv+dw$都在它们所在的空间里($v$和$w$都是向量,$c$和$d$是数)
举个向量空间的例子：
$R^2$为所有2维的实数的列向量，比如有$\left[\begin{array}{c}3\\ 2\end{array}\right]$,$\left[\begin{array}{c}0\\ 0\end{array}\right]$, [ π e ] \begin{bmatrix}\pi\\e\end{bmatrix}