秩 (线性代数)

在线性代数中，一个矩阵 $A$ 的列秩是列向量生成的最大线性无关组的向量个数。类似地，行秩是矩阵$A$ 的线性无关的横行的个数。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（Template:Lang）。通常表示为 $\mathrm{r}(A)$ ，$\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{k}(A)$ 或$\mathrm{r}\mathrm{k}(A)$。

可替代定义

用-{行列式}-定义

设 $A$ 为 $m\times n$ 矩阵。若 $A$ 至少有一个 $r$ 阶非零子式，而其所有 $r+1$ 阶子式全为零，即矩阵的最高阶非零子式的阶数为r。则称 $r$ 为 $A$ 的秩。

用向量组的秩定义

对于 $m$ 维线性空间 $V$ 中的一个向量组 $F=\{{\alpha }_1,{\alpha }_2,...,{\alpha }_s\}$，若 $F\supseteq S=\{{\alpha }_1,{\alpha }_2,...,{\alpha }_r\}$ 中的 $r$ 个向量线性无关，且若 $r<s$，$\mathrm{\forall }{\alpha }_{r+1}\in F-S$，$S\cup \{{\alpha }_{r+1}\}$ 中 $r+1$ 个向量都线性相关，则称 $\{{\alpha }_1,{\alpha }_2,...,{\alpha }_r\}$ 为 $\{{\alpha }_1,{\alpha }_2,...,{\alpha }_s\}$ 的极大线性无关组，$r$ 为 $\{{\alpha }_1,{\alpha }_2,...,{\alpha }_s\}$ 的秩。可以证明 $F$ 的秩等于向量组 $F$ 生成的子空间的维数。 矩阵 $A$ 的列秩定义为 $A$ 的列向量组的秩，也即矩阵的列空间的维数。类似地，矩阵的行秩定义为 $A$ 的行向量组的秩，即矩阵的行空间的维数。

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

$\mathrm{\Phi }:{ℳ}_n(𝕂)\to ℒ(F^n,F^m)$

$A\mapsto f_A$

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 $n-f$ 的核的维度；秩-零化度定理證明它等于 $f$ 的像的维度。

行秩列秩相等性

矩阵的行秩与列秩相等，是线性代数基本定理的重要组成部分。其基本证明思路是，矩阵可以看作线性映射的变换矩阵，列秩为像空间的维度，行秩为非零原像空间的维度，因此列秩与行秩相等，即像空间的维度与非零原像空间的维度相等（这里的非零原像空间是指约去了零空间后的商空间：原像空间）。这从矩阵的奇异值分解就可以看出来。

给出这一结果的两种证明. 第一个证明是简短的，仅用到向量的线性组合的基本性质. 第二个证明利用了正交性. 第一个证明利用了列空间的基, 第二个证明利用了行向量空间的基. 第一个证明适用于定义在标量域上的矩阵，第二个证明适用于内积空间。二者都适用于实或复的欧氏空间，也都易于修改去证明当A是线性变换的情形.

证明一

令 $A$ 是一个 $m\times n$ 的矩阵，其列秩为 $r$ . 因此矩阵 $A$ 的列空间的维度是 $r$ . 令 $c_1,c_2,\dots ,c_r$ 是 $A$ 的列空间的一组基，构成 $m\times r$ 矩阵 $C$的列向量 $C=[c_1,c_2,\dots ,c_r]$，并使得 $A$ 的每个列向量是 $C$的$r$ 个列向量的线性组合. 由矩阵乘法的定义，存在一个 $r\times n$ 矩阵 $R$, 使得 $A=CR$. ($A$ 的 $(i,j)$ 元素是 $c_i$ 与 $R$ 的第 $j$ 个行向量的点积.)

现在，由于 $A=CR$, $A$ 的每个行向量是 $R$ 的行向量的线性组合，这意味着 $A$ 的行向量空间被包含于 $R$ 的行向量空间之中. 因此 $A$ 的行秩 ≤ $R$的行秩. 但$R$仅有$r$行, 所以$R$的行秩 ≤ $r$ = $A$的列秩. 这就证明了$A$的行秩 ≤ $A$的列秩.

把上述证明过程中的“行”与“列”交换，利用对偶性质同样可证$A$的列秩 ≤ $A$的行秩。更简单的方法是考虑$A$的转置矩阵$A^{\mathrm{T}}$，则$A$的列秩 = $A^{\mathrm{T}}$的行秩 ≤ $A^{\mathrm{T}}$的列秩 = $A$的行秩. 这证明了$A$的列秩等于$A$的行秩. 证毕.

证明二

令$A$是$m\times n$矩阵，其行秩是$r$. 因此$A$的行向量空间的维度是$r$，设$x_1,x_2,\dots ,x_r$是$A$的行向量空间的一组基. 如果把这组基当作原像列向量看待，则向量集$A{x}_1,A{x}_2,\dots ,A{x}_r$是线性独立的。 这是因为对一组标量系数$c_1,c_2,\dots ,c_r$，如果:

$c_{1}A{x}_1+c_{2}A{x}_2+\cdots c_{r}A{x}_r=A(c_1{x}_1+c_2{x}_2+\cdots +c_r{x}_r)=Av=0,$

其中$v=c_1{x}_1+c_2{x}_2+\dots ,c_r{x}_r$. 则可以推出有两个事实: (a) $v$是$A$行向量空间的线性组合, 即$v$属于$A$的行向量空间；(b) 由于$Av$ = 0, $v$正交于$A$的所有行向量，从而正交于$A$的行向量空间的所有向量. 事实(a)与(b)结合起来，则$v$正交于自身，这意味着$v$ = 0. 由$v$的定义:

$c_1{x}_1+c_2{x}_2+\dots ,c_r{x}_r=0.$

再由$x_i$是$A$的行向量空间的一组线性独立的基，可知$c_1=c_2=\cdots =c_r=0$. $A{x}_1,A{x}_2,\dots ,A{x}_r$因而是线性独立的.

$A{x}_i$是$A$的列空间中的向量. 因此$A{x}_1,A{x}_2,\dots ,A{x}_r$是$A$的列空间中$r$个线性独立的向量. 所以$A$的列向量空间的维数($A$的列秩)必然不小于$r$. 这证明了$A$的行秩r ≤ $A$的列秩. 把这一结果应用于$A$的转置矩阵可以得到: $A$的列秩 = $A^{\mathrm{T}}$的行秩 ≤ $A^{\mathrm{T}}$列秩 = $A$的行秩. 这证明了$A$的列秩等于$A$的行秩，证毕.

最后, 还可以证明rk(A) = rk(A^*), 其中A^*是A的共轭转置或称施密特转置. 当A的元素都是实数, 这一结果变为rk(A) = rk(A^T). 然而对于复系数矩阵，rk(A) = rk(A^*)并不等价于行秩等于列秩, 需要用到上述两个证明.

证明三

令A是一个m×n矩阵. 定义rk(A)为A的列秩，A^*为A的共轭转置或称施密特转置. 首先可知A^*Ax = 0当且仅当Ax = 0.

A^*Ax = 0 ⇒ x^*A^*Ax = 0 ⇒ (Ax)^*(Ax) = 0 ⇒ ‖Ax‖² = 0 ⇒ Ax = 0,

其中‖·‖是欧氏范数. 这说明A的零空间与A^*A的零空间相同. 由秩－零化度定理, 可得rk(A) = rk(A^*A). A^*A的每一个列向量是A^*的列向量的线性组合. 所以A^*A的列空间是A^*的列空间的子空间. 从而rk(A^*A) ≤ rk(A^*). 即: rk(A) = rk(A^*A) ≤ rk(A^*). 应用这一结果于A^*可获得不等式: 由于(A^*)^* = A, 可写作rk(A^*) ≤ rk((A^*)^*) = rk(A). 这证明了rk(A) = rk(A^*). 证毕.

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。

• m × n矩阵的秩不大于m且不大于n的一个非负整数，表示為 rk(A) ≤ min(m, n)。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。
• 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“列满秩”）。
• f是满射，当且仅当A有秩m（在这种情况下，我们称A有“行满秩”）。
• 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：

  $\mathrm{rank}(AB)\le \min (\mathrm{rank}A,\mathrm{rank}B).$

  推广到若干个矩阵的情况，就是：

  $\mathrm{rank}(A_1{A}_2\cdots A_n)\le \min (\mathrm{rank}{A}_1,\mathrm{rank}{A}_2,\cdots ,\mathrm{rank}{A}_n).$

  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：（e₁，e₂，...，e_n），容易证明（f(e₁)，f(e₂)，...，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

  $\left[\begin{array}{cc}0& 0\\ 1& 0\end{array}\right]\left[\begin{array}{cc}0& 0\\ 0& 1\end{array}\right]$

  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

    $\mathrm{rank}(AB)=\mathrm{rank}(A).$

  • 如果C是秩m的l × m矩阵，则

    $\mathrm{rank}(CA)=\mathrm{rank}(A).$

• 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

  $XAY=\left[\begin{array}{cc}{I}_r& 0\\ 0& 0\end{array}\right]$

  这裡的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。

• 西尔维斯特不等式: 如果 A 是一个 m × n 的矩阵且 B 是 n × k 的, 则

  $\mathrm{rank}(A)+\mathrm{rank}(B)-n\le \mathrm{rank}(AB).$Template:Efn-lr

  这是下一个不等式的特例.

• 这个不等式是由Frobenius提出的: 如果 AB, ABC 和 BC 有定义, 则

  $\mathrm{rank}(AB)+\mathrm{rank}(BC)\le \mathrm{rank}(B)+\mathrm{rank}(ABC).$Template:Efn-lr

• 子加性：当矩阵$A$和$B$的形状相同时，有$\mathrm{rank}(A+B)\le \mathrm{rank}(A)+\mathrm{rank}(B)$ . 因此，一个秩为k的矩阵能够表示成k个秩为1的矩阵的加和，但不能是k-1个或更少。
• 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）。
• 如果 A 是实数上的矩阵，那么 A 的秩和它对应格拉姆矩阵的秩相等。于是，对于实矩阵

  $\mathrm{rank}(A^{T}A)=\mathrm{rank}(A{A}^T)=\mathrm{rank}(A)=\mathrm{rank}(A^T)$.

  该性质可以通过它们的零空间证明. 格拉姆矩阵的零空间由所有满足 $A^{T}Ax=0$的向量$x$组成。如果上式成立, 那么下式也成立： $0=x^T{A}^{T}Ax=|Ax{|}^2$，于是，$Ax=0$，即$A^{T}A$与$A$的零空间相同.

• 如果 A 是复数上的矩阵且 A* 表示 A 的共轭转置(i.e., A 的伴随), 则

  $\mathrm{rank}(A)=\mathrm{rank}(\bar{A})=\mathrm{rank}(A^T)=\mathrm{rank}(A^{*})=\mathrm{rank}(A^{*}A).$

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，若向量的个数$m$大于向量的维数$n$，则根据：

$r(A)\le n<m$

这个向量组必然线性相关。

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形矩阵，由于矩阵的初等变换不改变矩阵的秩，因此A的行阶梯形矩阵有同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

$A=\left[\begin{array}{cccc}2& 4& 1& 3\\ -1& -2& 1& 0\\ 0& 0& 2& 2\\ 3& 6& 2& 5\end{array}\right]$

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的行阶梯形矩阵:

$A=\left[\begin{array}{cccc}1& 2& 0& 1\\ 0& 0& 1& 1\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$

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。

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，则该方程组有解。在这种情况下，如果它的秩等于方程的数目那么该方程组有唯一的一个精确解。如果增广矩阵的秩大于系数矩阵的秩，则方程组是不一致（Inconsistent）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。

参考文献

• Horn, Roger A. and Johnson, Charles R. Matrix Analysis. Cambridge University Press, 1985. ISBN 978-0-521-38632-6.
• Kaw, Autar K. Two Chapters from the book Introduction to Matrix Algebra: 1. Vectors [1] and System of Equations [2]

参见

• 向量组的秩