深入浅出矩阵的秩

一、矩阵是什么？

1. 什么是矩阵？

矩阵（Matrix）其实就是一个用数字排列而成的表格，就是我们平时常见的表格那样，只不过我们将表格里的数据都换成了数字。更正式地讲，矩阵就是把一些数字排成了行和列的形式。例如：
$$\left[\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\end{array}\right]$$
这个矩阵就有两行三列，我们称它为“2×3矩阵”。

2. 矩阵的表示方法

我们通常用大写字母（如 $A、B、C$ ）来表示矩阵，比如：
$$A=\left[\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\end{array}\right]$$
这里的 $a_{ij}$ 代表矩阵第 $i$ 行、第 $j$ 列的元素，例如 $a_{12}$ 就表示矩阵中第1行第2列的那个数。

3. 矩阵的大小（阶数）

• 行数和列数构成了矩阵的大小，也叫矩阵的阶数。
• 如上面的矩阵 $A$ 有2行3列，因此它的阶数（或尺寸）是 2×3。

例： 假设我们有一个学生期末考试成绩表：

学生姓名	数学	英语	物理
小明	88	92	85
小红	79	85	90
小刚	91	87	88

在这个表格中：

• 每一行代表了一个学生。
• 每一列代表了一门学科。
• 每个元素（比如『小明』的数学成绩『88』）都对应了一个具体的位置：例如『小红』的英语成绩是第二行、第三列的位置。

如果我们去掉具体的人名和科目名称，仅保留数字，我们会得到如下的一个数字矩阵：
$$\left[\begin{array}{ccc}88& 92& 85\\ 79& 85& 90\\ 91& 87& 88\end{array}\right]$$
这个矩阵：

• 有3行，分别对应了3个学生；
• 有3列，分别对应了3门学科。

我们通常用以下符号表示位置关系：

• $a_{11}=88$：表示第1行第1列，即小明的数学成绩。
• $a_{23}=90$：表示第2行第3列，即小红的物理成绩。
• $a_{32}=87$：表示第3行第2列，即小刚的英语成绩。

下图能更好的说明从表格到矩阵的转换过程

图1. 从表格到矩阵的转换过程

二、什么是矩阵的秩？（直观讲解）

矩阵的秩（Rank），简单来说，就是一个矩阵中所含有的“有效信息”的大小，或者说是“独特行或列”的数量。

你可以想象一下，如果一个矩阵中有两行完全一样，那么其中一行就是“多余”的，因为它没有带来新信息。这种情况下，矩阵的秩就肯定会比行数少。例如：
$$\left[\begin{array}{cc}1& 2\\ 1& 2\end{array}\right]$$
这个矩阵显然有一行是多余的，因此它的秩为1（而不是2）。

矩阵的秩通常用“行秩”和“列秩”来定义：

• 行秩：矩阵中互相不重复、不依赖（即线性无关）的行的最大数目。
• 列秩：矩阵中互相不重复、不依赖的列的最大数目。

事实上，行秩和列秩总是相等的，因此我们通常直接称之为“矩阵的秩”。

例如下面的矩阵：
$$B=\left[\begin{array}{ccc}1& 2& 3\\ 2& 4& 6\\ 3& 6& 9\end{array}\right]$$
可以发现第二行是第一行的2倍，第三行是第一行的3倍，因此这三行之间并没有提供新的信息，只有一行是有效的，因此这个矩阵的秩就是 1。

而再看一个矩阵：
$$C=\left[\begin{array}{ccc}1& 2& 3\\ 0& 1& 4\\ 0& 0& 1\end{array}\right]$$
这里面每一行都是独立的，没有一行可以由其他行通过线性组合得到，因此这个矩阵的秩为 3。

下图更能形象的看出矩阵$B$和矩阵$C$的秩：

图2. 秩为1的矩阵$B$和秩为3的矩阵$C$。

如果能明白上面的关系，那么就能清楚看出下面矩阵的秩是多少？

（1）$\left[\begin{array}{cc}1& 3\\ 2& 6\end{array}\right]$

（2）$\left[\begin{array}{ccc}1& 0& 1\\ 0& 1& 0\\ 2& 1& 2\end{array}\right]$

参考答案：（1）秩为1。（2）秩为3。

三、理解矩阵秩前的必备概念（适合零基础）

矩阵秩的严格理解离不开几个基础概念：向量、线性组合、线性相关与无关。

1、什么是向量？

向量简单来说就是在空间中有大小、有方向的量。

• 二维向量就是平面上的箭头（带有方向和长度）。
• 三维空间向量，可以理解为空间中的箭头，包含方向和大小。

比如说：

• $\vec{a}=(3,2)$：表示在二维空间中，从原点向右3单位、向上2单位的向量。
• $\vec{b}=(0,4)$：表示只向上移动4个单位的向量。

向量$\vec{a}=(3,2)$和向量$\vec{b}=(0,4)$可以用下图表示

图3.（a）向量$\vec{a}=(3,2)$，（b）向量$\vec{b}=(0,4)$。

2、什么是线性组合？

线性组合：就是几个向量乘一个数再相加。

例如，有向量$\vec{a}=(1,2)$、$\vec{b}=(3,0)$，我们做一次线性组合：
$$2\vec{a}+3\vec{b}=2(1,2)+3(3,0)=(2,4)+(9,0)=(11,4)$$
这个结果$(11,4)$就是$\vec{a}$和$\vec{b}$的一个线性组合。图形表示如下，

图4.（a）向量$\vec{a}=(1,2)$和$\vec{b}=(3,0)$，（b）向量的线性组合$2\vec{a}+3\vec{b}$。

---

3、线性相关与线性无关的区别

• 线性相关：通俗来讲，就是多个向量之间有明显的“重复”或“依赖”关系，其中一个或多个向量能由其它向量线性组合而来。
• 线性无关：不存在这种相互倍数关系，向量的方向互相独立。

例：

• 线性相关向量（如$(1,2)$与$(2,4)$）：因为后者是前者的2倍，他们在本质上没有增加新的方向或维度的信息。
• 线性无关向量（如$(1,0)$与$(0,1)$）：两个向量分别指向不同方向，因此能构成二维空间的两个维度。

图5.（a）线性相关，（b）线性无关。

4、矩阵的秩

• 矩阵的秩，就是指矩阵的行（或列）中最大线性无关的行数（或列数）。
• 换句话说，矩阵的秩等于它的行（或列）向量组中线性无关的向量的最大个数。

注意： 这里的“线性无关的最大个数”可以理解为矩阵中没有冗余信息的最大行（或列）数。

为什么行秩和列秩总是相等？

• 对于任何矩阵，它的行所代表的“独立信息”和列所代表的信息数量是一致的。
• 尽管行和列看起来不同，但数学上已经被证明，它们所反映的有效维度信息实际上是一致的。

例：
$$D=\left[\begin{array}{ccc}1& 2& 3\\ 0& 1& 4\\ 0& 0& 1\end{array}\right]$$

• 上面的矩阵$D$显然三行都是独特的（无法互相通过倍数组合得到），所以行秩为3；
• 同样，从列看，每一列也无法通过其他列线性组合得到，因此列秩也为3。

图6. 行秩和列秩总是相等。

---

四、如何计算矩阵的秩？

4.1、行阶梯变换法（高斯消元法）

行阶梯变换法，也称高斯消元法（Gaussian Elimination），其思想非常直观：

通过对矩阵进行初等行变换（即：行互换、某一行乘以非零数、某行加上另一行的倍数），最终把矩阵变成一个阶梯形矩阵（类似楼梯形式）。

阶梯形矩阵的特征：

• 全零行（如果有）都在矩阵最下方。
• 每行第一个非零元素（称为“主元”）右下方的元素都为零。

例如计算矩阵 $A$ 的秩：
$$A=\left[\begin{array}{ccc}1& 2& 3\\ 2& 4& 7\\ 1& 1& 1\end{array}\right]$$
我们用高斯消元法详细步骤如下：

• 第一步： 用第1行消去第2、3行第1列元素：

$$\begin{array}{rl}& \text{第2行}-2\times \text{第1行}\to \text{第2行}\\ & \text{第3行}-1\times \text{第1行}\to \text{第3行}\end{array}$$

消去后：
$$\left[\begin{array}{ccc}1& 2& 3\\ 0& 0& 1\\ 0& -1& -2\end{array}\right]$$

• 第二步： 交换第2行与第3行（便于进一步消元）：

$$\left[\begin{array}{ccc}1& 2& 3\\ 0& -1& -2\\ 0& 0& 1\end{array}\right]$$

• 第三步： 此时矩阵已呈阶梯型，无需再消元，非零行数为3，秩为3。

图形表示如下

图7. 高斯消元法。

---

4.2、行列式法

行列式法又称子式判别法，是计算矩阵秩的一种经典方法，特别适用于规模较小的矩阵或方阵。

4.2.1、子式与k阶子式

首先明确几个重要的基本概念：

• 子式：从原矩阵中选取任意若干行与若干列，这些行和列交叉位置上的元素构成的较小的方阵的行列式，称为原矩阵的子式。
• k阶子式：如果从原矩阵中选取的行数和列数均为k，则称这个子式为矩阵的k阶子式。

通俗点理解，就是从原矩阵中任意选择k行k列，构成一个更小的$k\times k$方阵，再求出这个小矩阵的行列式，这个结果就是一个k阶子式的值。

例：设有矩阵：
$$A=\left[\begin{array}{cccc}1& 3& 2& 4\\ 4& 1& 3& 1\\ 1& 4& 1& 2\end{array}\right]$$
我们选择第一、第二行和第二、第四列：
$$D_2=\left|\begin{array}{cc}3& 4\\ 1& 1\end{array}\right|=3\times 1-4\times 1=-1$$
这个结果为-1的子式就是矩阵$A$的一个二阶子式。

图8. 二阶子式。

4.2.2、矩阵秩的严格定义（子式法定义）

矩阵的秩也可以通过子式来严格定义：

• 若矩阵$A$中存在至少一个不等于零的r阶子式，并且所有的（$r+1$）阶子式（如果存在的话）均等于零，那么就称矩阵$A$的秩为$r$，记作：

$$R(A)=r$$

通俗地说，矩阵的秩就是矩阵中不等于零的子式的最大阶数。

4.2.3、计算方法和具体步骤

利用子式判别法计算矩阵秩的详细步骤如下：

（1）从最大可能阶数（矩阵行列数的最小值）开始，逐渐降低子式的阶数。

（2）计算该阶子式的值，看是否存在一个子式不为零：

• 若存在，矩阵的秩就是当前阶数。
• 若不存在，再继续降低阶数，重复此过程，直到找到非零子式。

以实际矩阵为例，计算矩阵秩：
$$A=\left[\begin{array}{cccc}1& 2& 3& 0\\ 0& 1& 0& 1\\ 0& 0& 1& 0\end{array}\right]$$

• 矩阵$A$大小为$3\times 4$，最大可能阶数为3，我们先看三阶子式：

例如，取前面3列构成的子式：
$$\left|\begin{array}{ccc}1& 2& 3\\ 0& 1& 0\\ 0& 0& 1\end{array}\right|=1\times (1\times 1-0\times 0)=1\ne 0$$
存在非零的三阶子式，因此矩阵的秩为3。

4.2.4、行列式的计算方法

行列式（Determinant）是矩阵秩计算过程中经常需要用到的数学工具，特别是在子式法（行列式法）中起到关键作用。

下面详细介绍2阶、3阶以及更高阶行列式的计算方法。

4.2.4.1、行列式的定义

对于方阵（行数与列数相等）的矩阵 $A$，记作：
$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right]$$
它的行列式记作：
$$|A|=\left|\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right|$$

• 行列式用『| |』表示，区别于矩阵的方括号『[ ]』。
• 行列式的结果是一个具体的数值，而非矩阵。

---

4.2.4.2、二阶行列式的计算方法（最简单）

对于二阶矩阵：
$$A=\left[\begin{array}{cc}a& b\\ c& d\end{array}\right]$$
则它的行列式值：
$$|A|=ad-bc$$
例： 计算以下二阶行列式的值：
$$\left|\begin{array}{cc}2& 3\\ 1& 4\end{array}\right|=2\times 4-3\times 1=8-3=5$$

---

4.2.4.3、三阶行列式的计算方法（对角线法则）

设三阶矩阵：
$$B=\left[\begin{array}{ccc}a& b& c\\ d& e& f\\ g& h& i\end{array}\right]$$
则它的行列式：
$$|B|=aei+bfg+cdh-ceg-bdi-afh$$
也可记忆为：

• 主对角线乘积之和（向右下方对角线）：$aei+bfg+cdh$
• 减去次对角线乘积之和（向左下方对角线）：$ceg+afh+bdi$

该法则可参考下图记忆

图9. 三阶行列式计算规则。

例： 计算以下三阶行列式的值：
$$\left|\begin{array}{ccc}1& 2& 3\\ 0& 1& 4\\ 5& 6& 0\end{array}\right|$$
根据公式：

• 主对角线方向：$1\times 1\times 0+2\times 4\times 5+3\times 0\times 6=0+40+0=40$
• 次对角线方向： $3\times 1\times 5+1\times 4\times 6+2\times 0\times 0=15+24+0=39$

则结果为：
$$|B|=40-39=1$$

---

4.2.4.4、高阶行列式的计算方法（代数余子式展开）

对于更高阶（如4阶及以上）行列式，我们通常采用代数余子式展开法：

基本公式：对 $n$ 阶行列式：

• 按第 $i$ 行展开：

$$|A|=a_{i1}{A}_{i1}+a_{i2}{A}_{i2}+\cdots +a_{in}{A}_{in}$$

• 按第 $j$ 列展开：

$$|A|=a_{1j}{A}_{1j}+a_{2j}{A}_{2j}+\cdots +a_{nj}{A}_{nj}$$

其中：
$A_{ij}=(-1{)}^{i+j}{M}_{ij}$ 为元素 $a_{ij}$ 的代数余子式。
$M_{ij}$ 为元素 $a_{ij}$对应位置的元素所在行列划掉后剩余元素组成的小行列式。

例如$M_{12}$的获取如下图所示：

图10.$M_{12}的获取$。

例： 计算四阶行列式：
$$|C|=\left|\begin{array}{cccc}1& 2& 3& 4\\ 0& 1& 0& 1\\ 0& 0& 1& 0\\ 2& 3& 4& 1\end{array}\right|$$
选择按第一行展开（你也可选择其他任意行列）：
$$|C|=1\cdot A_{11}+2\cdot A_{12}+3\cdot A_{13}+4\cdot A_{14}$$
逐个计算：

• $A_{11}=(-1{)}^2\left|\begin{array}{ccc}1& 0& 1\\ 0& 1& 0\\ 3& 4& 1\end{array}\right|=1\times [1\times 1\times 1-0\times 0\times 3+1\times 0\times 4-1\times 1\times 3-1\times 0\times 4-0\times 0\times 1]=-2$
• 同理计算出 $A_{12}=2,A_{13}=0,A_{14}=-2$

（计算略，可按三阶行列式方法计算）

则最终：
$$|C|=1\times (-2)+2\times 2+3\times 0+4\times (-2)=-2+4+0-8=-6$$

---

4.2.4.5、行列式计算小技巧

• 有零元素较多的行列，优先按该行或列展开。
• 行列式的值不变的基本性质：
  • 两行（或两列）交换，行列式值变号。
  • 某行（或某列）所有元素乘以某一数k，行列式的值变为原来的k倍。
  • 某行加上另一行的倍数，行列式值不变。

4.2.5、满秩矩阵

• 当一个矩阵为方阵（行数=列数=$n$），如果其秩等于$n$（即存在$n$阶子式不为0），则称为满秩矩阵（又称非奇异矩阵）。
• 满秩矩阵的一个重要特征是行列式$|A|\ne 0$。

例：
$$B=\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right],|B|=1\times 4-2\times 3=-2\ne 0$$
所以矩阵$B$是满秩矩阵，且秩为2。

---

4.2.6、行列式法总结

优点	缺点
对于小型矩阵（尤其方阵）非常直观	计算量大，阶数高时难度增大
概念严谨，利于掌握矩阵本质含义	不适用于大规模矩阵

• 对规模较小的矩阵，尤其方阵，可以快速地使用行列式法求解秩；
• 对于复杂或较大矩阵，一般推荐高斯消元法或奇异值分解法。

---

4.3、奇异值分解法（SVD法，适合数值计算）

奇异值分解法（Singular Value Decomposition, SVD）是一种现代数值计算中非常重要的方法。相比于前面的高斯消元法和行列式法，SVD有更好的数值稳定性和广泛适用性，尤其适用于计算机环境。

4.3.1、基本概念

奇异值分解是把任意一个矩阵 $A_{m\times n}$ 表示成以下三个矩阵相乘的形式：
$$A_{m\times n}=U_{m\times m}{\Sigma }_{m\times n}{V}_{n\times n}^T$$

• 其中 $U$ 与 $V$ 是正交矩阵，即满足：

$$U^{T}U=U{U}^T=I,V^{T}V=V{V}^T=I$$

（$I$ 为单位矩阵）

• $\Sigma$ 是一个对角矩阵（非方阵情况下称为广义对角矩阵），它的对角线上元素称为矩阵 $A$ 的奇异值（Singular Values）。

简单来说，奇异值分解的思想就是：

把一个复杂的矩阵分解成两个正交矩阵和一个对角矩阵相乘，来清晰地展示出矩阵本身的本质信息。

---

4.3.2、奇异值的含义

• 矩阵的奇异值代表了矩阵沿不同方向的 “重要程度”或“信息强度” 。
• 一般从大到小排序，较大的奇异值表示更显著的信息量。

例如，矩阵分解后可能奇异值是：[8, 2, 0]，说明矩阵主要信息集中在前两个方向上，第三个方向没有提供额外的信息（奇异值为0）。

---

4.3.3、如何用SVD求矩阵的秩？

矩阵的秩，就是矩阵中有效信息的多少。奇异值恰好表示了矩阵的信息量，因此：

• 矩阵 $A$ 的秩就等于它的奇异值中非零奇异值的个数。

更严谨地说：

$Rank(A)$ = 矩阵 $A$ 的奇异值中大于零的奇异值的数量。

---

4.3.4、奇异值分解法求秩步骤

（1）对矩阵 $A$ 进行奇异值分解：
$$A=U\Sigma V^T$$
（2）确定奇异值：将$\Sigma$矩阵对角线元素（奇异值）按从大到小排序。

（3）判断矩阵的秩：

• 统计非零奇异值（通常实际中非零的判断标准：数值大于某个极小阈值，如10⁻¹⁰）。
• 非零奇异值的个数即为矩阵秩。

例如，考虑下面的矩阵：
$$A=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]$$
（1）对矩阵A进行SVD分解：我们用计算工具（如Python的numpy库或MATLAB）可快速得到：
$$U=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right],\Sigma =\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right],V^T=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right]$$
（2）确定奇异值：

• 奇异值为$\Sigma$对角线上的元素：[1, 1, 0]

（3）计算矩阵秩：

• 非零奇异值有2个，因此矩阵 $A$ 的秩为2。

---

4.3.5、奇异值分解法的优点与缺点

优点	缺点
数值稳定性高，不易受误差影响	手算困难，需要软件
适合数值计算与工程应用	概念理解较抽象

适用场景：

• 大型矩阵
• 数值分析、数据科学领域（如数据降维、图像压缩）

4.3.6、如何使用计算机求解SVD

奇异值分解主要靠计算机完成，比如：

• Python

import numpy as np
A = np.array([[1,0,0],[0,1,0],[0,0,0]])
U, S, Vt = np.linalg.svd(A)
print(S)  # 奇异值

• MATLAB

A = [1,0,0;0,1,0;0,0,0];
[U,S,V] = svd(A);
diag(S) % 奇异值

4.4、对三种方法的对比与建议

方法	适用范围	易学性	准确性	推荐指数
行阶梯变换法	所有矩阵	⭐⭐⭐⭐⭐	较好	⭐⭐⭐⭐⭐
行列式法	小规模方阵	⭐⭐⭐⭐	一般	⭐⭐⭐
奇异值分解法	所有矩阵（特别适合计算机）	⭐⭐	极高	⭐⭐⭐⭐

五、矩阵秩的几何意义

矩阵的秩可以直观地理解为：

矩阵的列向量或行向量所能构成的空间的维数。

换句话说，就是这些向量占据了多少维度的空间。

• 秩为 1 的矩阵：所有向量在同一条直线上（1维空间）。
• 秩为 2 的矩阵：向量分布在一个平面内（2维空间）。
• 秩为 3 的矩阵：向量构成一个三维空间，以此类推。

假设我们有矩阵：
$$A=\left[\begin{array}{cc}1& 2\\ 2& 4\end{array}\right]$$

• 可以发现第二列向量是第一列的两倍，两列向量在一条直线上，因此矩阵的秩为1。

再例如：
$$B=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right]$$

• 三个列向量分别指向三维空间的三个坐标轴，它们构成了完整的三维空间，因此矩阵的秩为3。

图11. 秩1的矩阵向量都在一条直线上，秩2的矩阵的向量能构成整个平面，秩3的矩阵的向量能构成完整三维空间。

在实际数据分析中，往往需要对大量数据进行『降维』，以便提炼出最重要的信息。例如：

• 你有1000个特征（维度）的数据，但其中大量特征都是相互重复的。
• 通过矩阵秩判断，我们能够识别出哪些特征是多余的，进而大大减少计算复杂度，同时不损失重要信息。

例如，原本矩阵的秩为10，说明所有数据实际只分布在10维空间内，我们可以放心将数据由1000维降到10维，而不会丢失本质信息。

六、特殊矩阵的秩

6.1、 零矩阵

所有元素都是零的矩阵称为零矩阵，记为$O$。

例如：
$$O=\left[\begin{array}{cc}0& 0\\ 0& 0\end{array}\right],秩(O)=0$$
零矩阵没有任何有效信息，因此它的秩恒为 0。

---

6.2、 单位矩阵

对角线上元素为1，其他位置全为0的矩阵称为单位矩阵，记为$I$。

例如：
$$I_3=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right],秩(I_3)=3$$
单位矩阵的每个列向量都互相独立，因此n阶单位矩阵的秩始终是n。

---

6.3、 对角矩阵

只有主对角线上可能有非零元素，其他位置均为0的矩阵称为对角矩阵。

例如：
$$D=\left[\begin{array}{ccc}2& 0& 0\\ 0& 0& 0\\ 0& 0& 5\end{array}\right],秩(D)=2$$
对角矩阵的秩等于它对角线上非零元素的个数，本例中有两个非零元素，因此秩为2。

---

6.4、特殊矩阵秩的快速判断规律总结

特殊矩阵种类	特点	秩
零矩阵	所有元素为0	0
单位矩阵	主对角线为1，其他为0	n
对角矩阵	仅主对角线可能有非零元素	主对角线上非零元素的个数

七、矩阵秩的常用性质

矩阵秩的五个常用性质：

1. 秩的上下限性质：

$$0\le R(A)\le min(m,n)$$

也就是说，任意一个 $m\times n$ 的矩阵的秩都不可能超过矩阵行数和列数的较小者。

2. 矩阵转置秩不变：

$$R(A)=R(A^T)$$

一个矩阵的秩和它的转置矩阵（即行列互换后的矩阵）秩是完全相同的。

3. 矩阵乘以非零常数，秩不变：

$$R(kA)=R(A),(k\ne 0)$$

一个矩阵的秩不会因为乘上一个非零常数而改变。

4. 矩阵为零矩阵的充要条件：

$$R(A)=0⟺A=O$$

一个矩阵只有在所有元素均为0（零矩阵）时，它的秩才为0。

5. 矩阵相加秩的性质：

$$R(A+B)\le R(A)+R(B)$$

两个矩阵相加后的秩不超过它们各自秩的和。