3.1 矩阵的秩

上一章提到，若矩阵 $A$ 、$B$ 满足 $AB=\mathbf{O}$ ，不能得出 $A=\mathbf{O}$ 或 $B=\mathbf{O}$ 的结论，矩阵 $A$ 满足什么条件能得出 $B=\mathbf{O}$ 的结论呢？还提到，线性变换把线性空间变换为线性空间，这两个空间有什么关系呢？第一章以向量为工具研究了线性空间，这章以矩阵为工具研究线性空间。工具不同，但内涵一致，本章内容和第一章紧密联系，一定要熟悉向量理论，才能学好本章。

矩阵的秩

定义 矩阵的列向量空间 矩阵 $A$ 的列向量组张成的空间，记为 $colA$ ，简称列空间。

空间是向量集合，采用矩阵表示空间，$m$ 行 $n$ 列矩阵 $A_{mn}$ 的列向量空间为： { A v : v ∈ R n } \{ A\mathbf{v}:\mathbf{v} \in R^n \} {Av:v∈Rn} ，向量 $\mathbf{v}$ 取遍 $n$ 维空间中所有向量，列空间是 $m$ 维空间。可从两个方面理解，一是矩阵 $A$ 列向量组的线性组合，组合系数是向量 $\mathbf{v}$ ；二是函数 $A\mathbf{x}$ 的值域，定义域是 $n$ 维空间。这是把矩阵看作列向量的集合，矩阵也可以看作行向量的集合，对应的空间就是行向量空间。

定义 矩阵的行向量空间 矩阵的行向量组张成的空间，记为 $rowA$ ，简称行空间。

一定要注意两者的区分，例如矩阵 $A=\left[\begin{array}{cc}0& 3\\ 1& 4\\ 2& 5\end{array}\right]$ ，矩阵 $A$ 的列向量组为 $(0,1,2),(3,4,5)$ ，列空间 $colA$ 由这 $2$ 个 $3$ 维向量张成，是 $2$ 维子空间。矩阵 $A$ 的行向量组为 $[03],[14],[25]$ ，行空间 $rowA$ 由这 $3$ 个 $2$ 维向量张成，是 $2$ 维空间，行向量组和列向量组是完全不同的向量组。如何用向量集合表示行空间呢？行向量可以看成是列向量的转置，所以矩阵 $A^T$ 的列向量就是矩阵 $A$ 的行向量！所以 $m$ 行 $n$ 列矩阵 $A_{mn}$ 的行空间为： { A T u : u ∈ R m } \{A^{T}\mathbf{u}:u \in R^m\} {ATu:u∈Rm} ，向量 $\mathbf{u}$ 取遍 $m$ 维空间中所有向量，行空间是 $n$ 维子空间，对应也有两种看法，一是矩阵 $A^T$ 列向量组的线性组合，组合系数是向量 $\mathbf{u}$ ；二是函数 $A^T\mathbf{x}$ 的值域，定义域是 $m$ 维空间。从转置矩阵角度看，我们认为矩阵 $A$ 的行空间由向量 $(0,3),(1,4),(2,5)$ 张成，统一看成列向量。

线性空间最重要的属性是空间维度，第一章用向量语言，空间维度定义为生成向量组的极大无关组中向量的数量。本章用矩阵语言，空间维度定义为矩阵的秩，内涵是一样的。

定义 矩阵的秩 等于矩阵列空间的维度，记为 $rankA$ 。

零矩阵的张成空间是原点，所以子空间维度是 $0$ ，秩等于 $0$ 。上面矩阵 $A$ 的秩为 $rankA=2$ 。矩阵的秩等于矩阵的列向量组的极大无关组中向量的数量。

矩阵的秩定义为列空间的维度，那矩阵的行空间的维度和列空间的维度有什么关系呢？表面上看矩阵的行向量组和列向量组是完全不同的向量组，但空间的维度却是相同的！这是线性代数最奇妙的巧合，使线性代数具有优美的对称性，矩阵列向量和行向量具有同等的地位。本章后面证明该结论。

重要性质 矩阵的秩等于列空间的维度，等于行空间的维度，等于列向量组的极大无关组向量的数量，等于行向量组的极大无关组向量的数量， $rankA=rank{A}^T$ 。

重要性质 矩阵的秩小于行数和列数，$rank{A}_{mn}\le min(m,n)$ 。

根据秩和矩阵列数行数关系，可以把矩阵分为4类。

定义 行列均满秩矩阵 矩阵的秩等于列数，同时也等于行数。

定义 行列均不满秩矩阵 矩阵的秩小于列数，同时也小于行数。

定义 列满秩矩阵 矩阵的秩等于列数；其转置是行满秩矩阵。

定义 行满秩矩阵 矩阵的秩等于行数；其转置是列满秩矩阵。

矩阵的这 $4$ 类，与第一章中向量组的 $4$ 类相对应。令矩阵 $A_{mn}$ ，秩 $r=rankA$ 。

1. 行列均满秩矩阵有 $r=n=m$ ，是方阵，列向量组和行向量组均是基，简称满秩矩阵。
2. 行列均不满秩矩阵有 $r<mr<n$ ，列向量组是相关组，极大无关组是基的真子集；行向量组是相关组，极大无关组是基的真子集。
3. 列满秩矩阵时， $r=n$ ，必然有 $r<m$ ，因为 $m$ 维空间中无关组中向量数量最多只能有 $m$ 个 ，所以列满秩矩阵有 $r=n<m$ ，是瘦长型矩阵，列向量组是无关组，是基的真子集；行向量是 $n$ 维向量，行向量组张开空间的维度等于秩 $n$ ，其极大无关组是 $n$ 维空间基，是相关组。
4. 行满秩矩阵有 $r=m<n$ ，矩阵列数多于行数，是扁平型矩阵。行向量组是无关组，是基的真子集；列向量是 $m$ 维向量，列向量组张开空间的维度等于秩 $m$ ，其极大无关组是 $m$ 维空间基，是相关组。

矩阵秩和向量组的关系，读者一定要掌握理解。例如矩阵 $A=\left[\begin{array}{cc}1& 3\\ 2& 4\end{array}\right]$ 是行列均满秩矩阵，列空间维度为 $2$ ，行空间维度为 $2$ ，秩为 $2$ 。矩阵 $A=\left[\begin{array}{cc}1& 2\\ 2& 4\\ 3& 6\end{array}\right]$ 是行列均不满秩矩阵，列空间维度为 $1$ ，行空间维度为 $1$ ，秩为 $1$ 。矩阵 $A=\left[\begin{array}{cc}0& 3\\ 1& 4\\ 2& 5\end{array}\right]$ 是列满秩矩阵，列向量组是无关组，是基的真子集；行向量组是相关组，其子集 $(0,3),(1,4)$ 是行空间的基。矩阵 $A^T$ 是行满秩矩阵。