前言
这几个秩不等式很常见,重要的是通过线性空间和线性映射的观点去证明。
命题
设 A A A, B B B 为 n n n 阶方阵, A B = 0 AB=0 AB=0 ,则有
r a n k ( A ) + r a n k ( B ) ≤ n rank(A) + rank(B)\le n rank(A)+rank(B)≤n
分析
线性映射基本定理的简单应用。
证明
A
B
=
0
AB=0
AB=0 说明
B
B
B 的每一列都被
B
B
B 映成零向量,从而
s
p
a
n
(
B
)
∈
K
e
r
(
A
)
span(B) \in Ker(A)
span(B)∈Ker(A) ,那么有
r
a
n
k
(
B
)
=
d
i
m
S
p
a
n
(
B
)
≤
d
i
m
K
e
r
(
A
)
rank(B)=dimSpan(B) \leq dimKer(A)
rank(B)=dimSpan(B)≤dimKer(A)
由线性映射基本定理可得
r
a
n
k
(
A
)
+
r
a
n
k
(
B
)
≤
d
i
m
S
p
a
n
(
A
)
+
d
i
m
K
e
r
(
A
)
=
n
rank(A) + rank(B)\le dimSpan(A) +dimKer(A)=n
rank(A)+rank(B)≤dimSpan(A)+dimKer(A)=n
于是得证。
命题
设 A A A, B B B 为 m × n m \times n m×n, n × p n \times p n×p 矩阵,则有
r a n k ( A B ) ≤ m i n { r a n k ( A ) , r a n k ( B ) } rank(AB) \leq min\{rank(A), rank(B)\} rank(AB)≤min{rank(A),rank(B)}
分析
所谓的“秩越乘越小”。可以通过矩阵乘法运算得到这个结论,这里我们考虑另一种办法。
证明
A
B
AB
AB 乘一个列向量
α
\alpha
α 可以看作两步。第一步,
B
B
B 乘
α
\alpha
α;第二步,
A
A
A 再乘
B
α
B\alpha
Bα 。
第一步可以看作映射:
σ
1
:
F
p
→
F
n
,
[
x
1
⋮
x
p
]
↦
B
[
x
1
⋮
x
p
]
\sigma_1:\mathbb{F}^{p}\to\mathbb{F}^{n}, \begin{bmatrix} x_1\\ \vdots\\ x_p \end{bmatrix} \mapsto B\begin{bmatrix} x_1\\ \vdots\\ x_p \end{bmatrix}
σ1:Fp→Fn,
x1⋮xp
↦B
x1⋮xp
第二步可以看作映射,这一步的像集也就是
I
m
(
A
B
)
Im(AB)
Im(AB) :
σ
2
:
S
p
a
n
(
B
)
→
F
m
,
[
x
1
⋮
x
n
]
↦
A
[
x
1
⋮
x
m
]
\sigma_2:Span(B)\to\mathbb{F}^{m}, \begin{bmatrix} x_1\\ \vdots\\ x_n \end{bmatrix} \mapsto A \begin{bmatrix} x_1\\ \vdots\\ x_m \end{bmatrix}
σ2:Span(B)→Fm,
x1⋮xn
↦A
x1⋮xm
所以
r
a
n
k
(
A
B
)
=
d
i
m
(
S
p
a
n
(
A
∣
I
m
(
B
)
)
)
rank(AB)=dim(Span(A\big|_{Im(B)}))
rank(AB)=dim(Span(A
Im(B)))
由于
S
p
a
n
(
A
∣
I
m
(
B
)
)
∈
S
p
a
n
(
A
)
Span(A\big|_{Im(B)})\in Span(A)
Span(A
Im(B))∈Span(A)
从而
r
a
n
k
(
A
B
)
≤
r
a
n
k
(
A
)
rank(AB) \leq rank(A)
rank(AB)≤rank(A)
由于转置运算不改变矩阵的秩,所以
r
a
n
k
(
A
B
)
=
r
a
n
k
(
B
T
A
T
)
≤
r
a
n
k
(
B
T
)
=
r
a
n
k
(
B
)
rank(AB)=rank(B^TA^T) \leq rank(B^T)=rank(B)
rank(AB)=rank(BTAT)≤rank(BT)=rank(B)
整理即有
r
a
n
k
(
A
B
)
≤
m
i
n
{
r
a
n
k
(
A
)
,
r
a
n
k
(
B
)
}
rank(AB) \leq min\{rank(A), rank(B)\}
rank(AB)≤min{rank(A),rank(B)}
命题(Sylvester不等式)
设 A A A, B B B 为 n n n 阶方阵, A B = 0 AB=0 AB=0 ,则有
r a n k ( A B ) ≥ r a n k ( A ) + r a n k ( B ) − n rank(AB) \ge rank(A)+rank(B)-n rank(AB)≥rank(A)+rank(B)−n
分析
与上一个不等式的证明思路类似。
证明
即证明
n
−
r
a
n
k
(
A
)
≥
r
a
n
k
(
B
)
−
r
a
n
k
(
A
B
)
n - rank(A) \ge rank(B) - rank(AB)
n−rank(A)≥rank(B)−rank(AB)
发现
左边
=
d
i
m
K
e
r
(
A
)
≥
右边
=
d
i
m
K
e
r
(
A
∣
I
m
(
B
)
)
左边 = dimKer(A)\geq右边=dimKer(A|_{Im(B)})
左边=dimKer(A)≥右边=dimKer(A∣Im(B))
从而得到了证明。
命题
设 A A A, B B B 为 m × p m \times p m×p, m × q m \times q m×q 矩阵,则有
r a n k ( A + B ) ≤ r a n k ( A ∣ B ) ≤ r a n k ( A ) + r a n k ( B ) rank(A+B) \leq rank(A|B)\leq rank(A)+rank(B) rank(A+B)≤rank(A∣B)≤rank(A)+rank(B)
分析
将矩阵看作列向量组,然后观察它们的关系
证明
显然
A
+
B
A+B
A+B 的列向量组可以被
A
∣
B
A|B
A∣B 线性表出,故
r
a
n
k
(
A
+
B
)
≤
r
a
n
k
(
A
∣
B
)
rank(A+B) \leq rank(A|B)
rank(A+B)≤rank(A∣B),
设 A , B A,B A,B 的极大无关组分别是 ( α 1 , α 2 , … , α s ) (\alpha_1,\alpha_2,\dots,\alpha_s) (α1,α2,…,αs), ( β 1 , β 2 , … , β k ) (\beta_1,\beta_2,\dots,\beta_k) (β1,β2,…,βk) ,
那么 r a n k ( A ∣ B ) = r a n k ( α 1 , α 2 , … , α s , β 1 , β 2 , … , β s ) ≤ s + k = r a n k ( A ) + r a n k ( B ) rank(A|B) = rank(\alpha_1,\alpha_2,\dots,\alpha_s,\beta_1,\beta_2,\dots,\beta_s) \leq s+k=rank(A)+rank(B) rank(A∣B)=rank(α1,α2,…,αs,β1,β2,…,βs)≤s+k=rank(A)+rank(B),
于是得到了证明。
命题
设 A A A, B B B 为 s × n s \times n s×n, l × m l \times m l×m 矩阵,则有
r a n k ( A O O B ) = r a n k ( A ) + r a n k ( B ) rank \begin{pmatrix} A&O \\ O&B\\ \end{pmatrix} = rank(A)+rank(B) rank(AOOB)=rank(A)+rank(B)
分析
证明思路与上一题一致
证明
设
A
,
B
A,B
A,B 的极大无关组分别是
(
α
1
,
α
2
,
…
,
α
j
)
(\alpha_1,\alpha_2,\dots,\alpha_j)
(α1,α2,…,αj),
(
β
1
,
β
2
,
…
,
β
k
)
(\beta_1,\beta_2,\dots,\beta_k)
(β1,β2,…,βk) ,所以
r
a
n
k
(
A
O
O
B
)
=
r
a
n
k
(
(
α
1
0
)
,
(
α
2
0
)
,
…
,
(
α
j
0
)
,
(
0
β
1
)
,
(
0
β
2
)
,
…
,
(
0
β
k
)
)
rank \begin{pmatrix} A&O \\ O&B\\ \end{pmatrix}=rank \begin{pmatrix} \begin{pmatrix} \alpha_1\\ 0\\ \end{pmatrix},\begin{pmatrix} \alpha_2\\ 0\\ \end{pmatrix},\dots, \begin{pmatrix} \alpha_j\\ 0\\ \end{pmatrix}, \begin{pmatrix} 0\\ \beta_1\\ \end{pmatrix},\begin{pmatrix} 0\\ \beta_2\\ \end{pmatrix},\dots, \begin{pmatrix} 0\\ \beta_k\\ \end{pmatrix} \end{pmatrix}
rank(AOOB)=rank((α10),(α20),…,(αj0),(0β1),(0β2),…,(0βk))
由定义立得右边的向量组线性无关,所以
r
a
n
k
(
A
O
O
B
)
=
j
+
k
=
r
a
n
k
(
A
)
+
r
a
n
k
(
B
)
rank \begin{pmatrix} A&O \\ O&B\\ \end{pmatrix} = j+k=rank(A)+rank(B)
rank(AOOB)=j+k=rank(A)+rank(B)
这样就证明了这个等式。
命题
设 A , B , C A,B,C A,B,C 为 s × n , l × m , s × m s \times n,l \times m,s \times m s×n,l×m,s×m 矩阵,则有
r a n k ( A O C B ) ≥ r a n k ( A ) + r a n k ( B ) rank \begin{pmatrix} A&O \\ C&B\\ \end{pmatrix} \ge rank(A)+rank(B) rank(ACOB)≥rank(A)+rank(B)
分析
证明思路与上一题没差多少
证明
设
A
,
B
A,B
A,B 的极大无关组分别是
(
α
1
,
α
2
,
…
,
α
j
)
(\alpha_1,\alpha_2,\dots,\alpha_j)
(α1,α2,…,αj),
(
β
1
,
β
2
,
…
,
β
k
)
(\beta_1,\beta_2,\dots,\beta_k)
(β1,β2,…,βk) ,所以
r
a
n
k
(
A
O
C
B
)
≥
r
a
n
k
(
(
α
1
c
1
)
,
(
α
2
c
2
)
,
…
,
(
α
j
c
j
)
,
(
0
β
1
)
,
(
0
β
2
)
,
…
,
(
0
β
k
)
)
rank \begin{pmatrix} A&O \\ C&B\\ \end{pmatrix} \ge rank \begin{pmatrix} \begin{pmatrix} \alpha_1\\ c_1\\ \end{pmatrix},\begin{pmatrix} \alpha_2\\ c_2\\ \end{pmatrix},\dots, \begin{pmatrix} \alpha_j\\ c_j\\ \end{pmatrix}, \begin{pmatrix} 0\\ \beta_1\\ \end{pmatrix},\begin{pmatrix} 0\\ \beta_2\\ \end{pmatrix},\dots, \begin{pmatrix} 0\\ \beta_k\\ \end{pmatrix} \end{pmatrix}
rank(ACOB)≥rank((α1c1),(α2c2),…,(αjcj),(0β1),(0β2),…,(0βk))
这是因为由定义立即知右边的向量组线性无关,而且
(
(
α
1
c
1
)
,
(
α
2
c
2
)
,
…
,
(
α
j
c
j
)
)
(\begin{pmatrix} \alpha_1\\ c_1\\ \end{pmatrix},\begin{pmatrix} \alpha_2\\ c_2\\ \end{pmatrix},\dots, \begin{pmatrix} \alpha_j\\ c_j\\ \end{pmatrix})
((α1c1),(α2c2),…,(αjcj)) 不一定张成
S
p
a
n
(
A
C
)
Span \begin{pmatrix} A\\C \end{pmatrix}
Span(AC),从而就不难得到
r
a
n
k
(
A
O
C
B
)
≥
r
a
n
k
(
A
)
+
r
a
n
k
(
B
)
rank \begin{pmatrix} A&O \\ C&B\\ \end{pmatrix} \ge rank(A)+rank(B)
rank(ACOB)≥rank(A)+rank(B)