3.5 矩阵 $4$ 个空间和方程 $A\mathbf{x}=\mathbf{y}$ 的关系

矩阵 $4$ 个空间和方程 $A\mathbf{x}=\mathbf{y}$ 的关系

已经介绍了矩阵 $A$ 的 $3$ 个空间，列空间 { A v } \{A\mathbf{v}\} {Av} ：矩阵列向量组张成的空间；行空间 { A T u } \{A^T\mathbf{u} \} {ATu}：矩阵行向量组张成的空间；零空间 { x : A x = 0 } \{\mathbf{x}:A\mathbf{x}=\mathbf{0}\} {x:Ax=0} ：行空间的正交补空间。那必然存在列空间的正交补空间，称为左零空间 { x : A T x = 0 } \{\mathbf{x}:A^T\mathbf{x}=\mathbf{0}\} {x:ATx=0} 。

因为 $A^T\mathbf{x}=\left[\begin{array}{c}{\mathbf{a}}_1^{\mathbf{T}}\mathbf{x}\\ {\mathbf{a}}_2^{\mathbf{T}}\mathbf{x}\\ ⋮\\ {\mathbf{a}}_{\mathbf{n}}^{\mathbf{T}}\mathbf{x}\end{array}\right]=0$ ，该式的几何图像是：向量 $\mathbf{x}$ 与矩阵 $A$ 列向量组垂直，即向量 $\mathbf{x}$ 垂直矩阵 $A_{mn}$ 列空间，第一章介绍了空间正交分解和空间的正交补空间，矩阵左零空间就是矩阵列空间的正交补空间！

定义 矩阵 $A_{mn}$ 左零空间 矩阵列空间的正交补空间 { x : A T x = 0 } \{ \mathbf{x}:A^T\mathbf{x}=\mathbf{0} \} {x:ATx=0} ，是 $m$ 维子空间，左零空间维度为 $m-r$ ，与列空间垂直。记为 L n u l l A = { x : A T x = 0 } Lnull A = \{\mathbf{x}:A^T\mathbf{x}=\mathbf{0}\} LnullA={x:ATx=0} 。

方程 $A\mathbf{x}=\mathbf{y}$ 值域为 $m$ 维子空间。矩阵 $4$ 个空间中，列空间和左零空间是 $m$ 维子空间，且是空间的正交分解，列空间是方程值域（值空间），左零空间是列空间的正交补空间，即 $n$ 维空间中不存在向量 $\mathbf{x}$ 能使 $A\mathbf{x}$ 是左零空间的非零向量。

方程 $A\mathbf{x}=\mathbf{y}$ 定义域为 $n$ 维子空间。矩阵 $4$ 个空间中，行空间和零空间是 $n$ 维子空间，且是空间的正交分解。零空间是方程 $A\mathbf{x}=0$ 解空间，则不位于零空间的任意非零向量 $\mathbf{x}$ ，向量 $A\mathbf{x}$ 必不等于零向量，因为行空间是零空间的正交补空间，所以行空间是方程的非零解空间。非零解空间是方程 $A\mathbf{x}=\mathbf{y},\mathbf{y}\ne 0$ 的解空间。

重要性质 行空间是方程的非零解空间，列空间是方程的值空间，它们维度均为 $rankA$ ，这两个空间内函数 $A\mathbf{x}=\mathbf{y}$ 是一一映射！

证：该映射显然是满射，因为列空间定义为 { A v } \{A\mathbf{v}\} {Av} ，则列空间中任意向量都对应行空间中向量 $\mathbf{v}$ 。

假设不是单射，则令两个位于非零解空间的不同向量 ${\mathbf{x}}_1,{\mathbf{x}}_2$ ，它们映射到同一向量 $\mathbf{y}$ ，即 $A{\mathbf{x}}_1=\mathbf{y}$ 和 $A{\mathbf{x}}_2=\mathbf{y}$ ，则 $A({\mathbf{x}}_1-{\mathbf{x}}_2)=\mathbf{y}-\mathbf{y}=0$ ，即向量 $({\mathbf{x}}_1-{\mathbf{x}}_2)$ 位于零空间。又根据假设，${\mathbf{x}}_1,{\mathbf{x}}_2$ 位于非零解空间，则它们的线性组合也位于非零空间，即向量 $({\mathbf{x}}_1-{\mathbf{x}}_2)$ 位于非零解空间。向量 $({\mathbf{x}}_1-{\mathbf{x}}_2)$ 同时位于非零解空间和零解空间，这两个空间又是正交互补的，只有这个向量是零向量，所以 ${\mathbf{x}}_1-{\mathbf{x}}_2=0$ ，与假设矛盾，故映射是单射。

行空间和列空间内函数 $A\mathbf{x}=\mathbf{y}$ 是一一映射，则存在唯一逆映射，逆映射对应矩阵即是矩阵 $A$ 的伪逆。根据该性质计算伪逆是线性代数最波澜壮阔的图像，本书后面章节会详细介绍。