秩 (线性代数)

最新推荐文章于 2023-07-01 13:35:33 发布

gyj_freedom

最新推荐文章于 2023-07-01 13:35:33 发布

阅读量8.9k

点赞数 1

文章标签： matrix im system 算法 c

本文链接：https://blog.csdn.net/gyj_freedom/article/details/6293772

版权

from http://zh.wikipedia.org/wiki/%E7%9F%A9%E9%98%B5%E7%9A%84%E7%A7%A9

在线性代数中，一个矩阵A的列秩是A的线性无关的纵列的极大数目。类似地，行秩是A的线性无关的横行的极大数目。

矩阵的列秩和行秩总是相等的，因此它们可以简单地称作矩阵A的秩。通常表示为r(A)，rk(A)或rank A。

m × n矩阵的秩最大为m和n中的较小者。有尽可能大的秩的矩阵被称为有满秩；类似的，否则矩阵是秩不足（或称为“欠秩”）的。

[编辑]可替代定义

[编辑]用向量组的秩定义

向量组的秩：在一个 m 维线性空间 E 中，一个向量组 $F=(C_1,C_2, /cdots , C_n)$ 的秩表示的是其生成的子空间的维度。考虑 m × n 矩阵 $A=[C_1,C_2, /cdots , C_n]$ ，将 A 的秩定义为向量组 F 的秩，则可以看到如此定义的 A 的秩就是矩阵 A 的线性无关列向量的极大数目，即 A 的列空间的维度（列空间是由A的纵列生成的F^m的子空间）。因为列秩和行秩是相等的，我们也可以定义A的秩为A的行空间的维度。

[编辑]用线性映射定义

考虑线性映射：

$f_A : F^n /to F^m$

$x /mapsto A /cdot x$

对于每个矩阵A， $f A$ 都是一个线性映射，同时，对每个 $F^n /to F^m$ 的线性映射f，都存在矩阵A使得 $f = f A$ 。也就是说，映射

$/Phi : /mathcal{M}_n (/mathbb{K}) /to /mathcal{L}(F^n,F^m)$

$A /mapsto f_A$

是一个同构映射。所以一个矩阵A的秩还可定义为 $f A$ 的像的维度（像与核的讨论参见线性映射）。矩阵A称为 $f A$ 的变换矩阵。这个定义的好处是适用于任何线性映射而不需要指定矩阵，因为每个线性映射有且仅有一个矩阵与其对应。秩还可以定义为n减f的核的维度；秩-零化度定理声称它等于 f的像的维度。

[编辑]性质

我们假定A是在域F上的m × n矩阵并描述了上述线性映射。

只有零矩阵有秩0
A的秩最大为min(m,n)
f是单射，当且仅当A有秩n（在这种情况下，我们称A有“满列秩”）。
f是满射，当且仅当A有秩m（在这种情况下，我们称A有“满行秩”）。
在方块矩阵A (就是m = n)的情况下，则A是可逆的，当且仅当A有秩n（也就是A有满秩）。
如果B是任何n × k矩阵，则AB的秩最大为A的秩和B的秩的小者。

即：秩（AB）≤min(秩（A），秩（B)）

推广到若干个矩阵的情况，就是：秩（A ₁A ₂...A _m）≤min(秩（A ₁），秩（A ₂），...秩（A _m)）

证明：

考虑矩阵的秩的线性映射的定义，令A、B对应的线性映射分别为 f和 g，则AB表示复合映射 f·g，它的象 Im f·g是 g的像 Im g在映射 f作用下的象。然而 Im g是整个空间的一部分，因此它在映射 f作用下的象也是整个空间在映射 f作用下的象的一部分。也就是说映射 Im f·g是 Im f的一部分。对矩阵就是：秩（AB）≤秩（A）。

对于另一个不等式：秩（AB）≤秩（B），考虑 Im g的一组基：（e ₁，e ₂，...，e _n），容易证明（f(e ₁)，f(e ₂)，...，f(e _n)）生成了空间 Im f·g，于是 Im f·g的维度小于等于 Im g的维度。对矩阵就是：秩（AB）≤秩（B）。

因此有：秩（AB）≤min(秩（A），秩（B)）。若干个矩阵的情况证明类似。

作为"<"情况的一个例子，考虑积

$/begin{bmatrix} 0 & 0 // 1 & 0 // /end{bmatrix} /begin{bmatrix} 0 & 0 // 0 & 1 // /end{bmatrix}$

两个因子都有秩1，而这个积有秩0。

可以看出，等号成立当且仅当其中一个矩阵（比如说 A）对应的线性映射不减少空间的维度，即是单射，这时 A是满秩的。于是有以下性质：

如果B是秩n的n × k矩阵，则AB有同A一样的秩。
如果C是秩m的l × m矩阵，则CA有同A一样的秩。

A的秩等于r，当且仅当存在一个可逆m × m矩阵X和一个可逆的n × n矩阵Y使得

$XAY = /begin{bmatrix} I_r & 0 // 0 & 0 // /end{bmatrix}$

这里的I _r指示 r × r 单位矩阵。

证明可以通过高斯消去法构造性地给出。

矩阵的秩加上矩阵的零化度等于矩阵的纵列数（这就是秩-零化度定理）。

[编辑]向量组的线性相关性

将 $m$ 个 $n$ 维列向量排列成 $n /times m$ 的矩阵A，这个对应矩阵的秩即为原向量组的秩。

原向量组线性相关的充分必要条件为：

r (A) < m

如果

r (A) = m

则向量组线性无关。另外，不存在

r (A) > m

特殊的，若向量的维数 $n$ 大于向量的个数 $m$ ，则根据：

$r(A) /le m < n$

这个向量组必然线性相关。

[编辑]计算

计算矩阵A的秩的最容易的方式是高斯消去法，即利用矩阵的初等变换生成一个行阶梯型矩阵，由于矩阵的初等变换不改变矩阵的秩，因此A的行梯阵形式有同A一样的秩。经过初等变换的矩阵的非零行的数目就是原矩阵的秩。

例如考虑4 × 4矩阵

$A = /begin{bmatrix} 2 & 4 & 1 & 3 // -1 & -2 & 1 & 0 // 0 & 0 & 2 & 2 // 3 & 6 & 2 & 5 // /end{bmatrix}$

我们看到第2纵列是第1纵列的两倍，而第4纵列等于第1和第3纵列的总和。第1和第3纵列是线性无关的，所以A的秩是2。这可以用高斯算法验证。它生成下列A的行梯阵形式:

$A = /begin{bmatrix} 1 & 2 & 0 & 1 // 0 & 0 & 1 & 1 // 0 & 0 & 0 & 0 // 0 & 0 & 0 & 0 // /end{bmatrix}$

它有两个非零的横行。

在应用在计算机上的浮点数的时候，基本高斯消去（LU分解）可能是不稳定的，应当使用秩启示（revealing）分解。一个有效的替代者是奇异值分解（SVD），但还有更少代价的选择，比如有支点（pivoting）的QR分解，它也比高斯消去在数值上更强壮。秩的数值判定要求对一个值比如来自SVD的一个奇异值是否为零的依据，实际选择依赖于矩阵和应用二者。

[编辑]应用

计算矩阵的秩的一个有用应用是计算线性方程组解的数目。如果系数矩阵的秩等于增广矩阵的秩，则方程组只要有一个解。在这种情况下，它有精确的一个解，如果它的秩等于方程的数目。如果增广矩阵的秩大于系数矩阵的秩，则通解有k个自由参量，这里的 k是在方程的数目和秩的差。否则方程组是不一致的。

在控制论中，矩阵的秩可以用来确定线性系统是否为可控制的，或可观察的。

[编辑]引用

Horn, Roger A. and Johnson, Charles R. Matrix Analysis. Cambridge University Press, 1985. ISBN 0-521-38632-2.
Kaw, Autar K. Two Chapters from the book Introduction to Matrix Algebra: 1. Vectors [1] and System of Equations [2]

[编辑]参见

向量组的秩

2个分类: 矩阵论 | 线性代数

gyj_freedom

关注

1
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
秩 (线性代数)

在线性代数中，一个矩阵A的列秩是A的线性无关的纵列的极大数目。类似地，行秩是A的线性无关的横行的极大数目。矩阵的列秩和行秩总是相等的，因此它们可以简单地称作矩阵A的秩。通常表示为r(A)，rk(A)或rank A。m × n矩阵的秩最大为m和n中的较小者。有尽可能大的秩的矩阵被称为有满秩；类似的，否则矩阵是秩不足（或称为“欠秩”）的。目录 [隐藏]1 可替代定义1.1 用向量组的秩定义1.2 用线性映射定义2 性质2.1 向量组的线性相关性3 计算4 应用5 引用6 参见[编辑]可替代定义[编辑]用向量
复制链接

扫一扫