秩 (线性代数)

在线性代数中，一个矩阵 ${\displaystyle A}$ 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${\displaystyle A}$ 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 ${\displaystyle A}$ 的秩（Rank）。通常表示为 ${\displaystyle \mathrm {r} (A)}$ ，${\displaystyle \mathrm {rank} (A)}$ 或${\displaystyle \mathrm {rk} (A)}$。

线性代数
${\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}$
向量 · 向量空间 · 基底  · 行列式  · 矩阵
向量 标量 · 向量 · 向量空间 · 向量投影 · 外积（向量积 · 七维向量积） · 内积（数量积） · 二重向量 矩阵与行列式 矩阵 · 行列式 · 线性方程组 · 秩 · 核 · 迹 · 单位矩阵 · 初等矩阵 · 方块矩阵 · 分块矩阵 · 三角矩阵 · 非奇异方阵 · 转置矩阵 · 逆矩阵 · 对角矩阵 · 可对角化矩阵 · 对称矩阵 · 反对称矩阵 · 正交矩阵 · 幺正矩阵 · 埃尔米特矩阵 · 反埃尔米特矩阵 · 正规矩阵 · 伴随矩阵 · 余因子矩阵 · 共轭转置 · 正定矩阵 · 幂零矩阵 · 矩阵分解 （LU分解 · 奇异值分解 · QR分解 · 极分解 · 特征分解） · 子式和余子式 · 拉普拉斯展开 · 克罗内克积 线性空间与线性变换 线性空间 · 线性变换 · 线性子空间 · 线性生成空间 · 基 · 线性映射 · 线性投影 · 线性无关 · 线性组合 · 线性泛函 · 行空间与列空间 · 对偶空间 · 正交 · 特征向量 · 最小二乘法 · 格拉姆-施密特正交化
查 论 编

可替代定义

用行列式定义

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

用向量组的秩定义

对于 ${\displaystyle m}$ 维线性空间 ${\displaystyle V}$ 中的一个向量组 ${\displaystyle F=\{\alpha _{1},\alpha _{2},...,\alpha _{s}\}}$，若 ${\displaystyle F\supseteq S=\{\alpha _{1},\alpha _{2},...,\alpha _{r}\}}$ 中的 ${\displaystyle r}$ 个向量线性无关，且若 ${\displaystyle r<s}$，${\displaystyle \forall \alpha _{r+1}\in F-S}$，${\displaystyle S\cup \{\alpha _{r+1}\}}$ 中 ${\displaystyle r+1}$ 个向量都线性相关，则称 ${\displaystyle \{\alpha _{1},\alpha _{2},...,\alpha _{r}\}}$ 为 ${\displaystyle \{\alpha _{1},\alpha _{2},...,\alpha _{s}\}}$ 的极大线性无关组，${\displaystyle r}$ 为 ${\displaystyle \{\alpha _{1},\alpha _{2},...,\alpha _{s}\}}$ 的秩。可以证明 ${\displaystyle F}$ 的秩等于向量组 ${\displaystyle F}$ 生成的子空间的维数。 矩阵 ${\displaystyle A}$ 的列秩定义为 ${\displaystyle A}$ 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 ${\displaystyle A}$ 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：

${\displaystyle f_{A}:F^{n}\to F^{m}}$

${\displaystyle x\mapsto A\cdot x}$

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

${\displaystyle \Phi :{\mathcal {M}}_{n}(\mathbb {K} )\to {\mathcal {L}}(F^{n},F^{m})}$

${\displaystyle A\mapsto f_{A}}$

是一个同构映射。所以一个矩阵 ${\displaystyle A}$ 的秩还可定义为 ${\displaystyle f_{A}}$ 的像的维度（像与核的讨论参见线性映射）。矩阵 ${\displaystyle A}$ 称为 ${\displaystyle f_{A}}$ 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 ${\displaystyle n-f}$ 的核的维度；秩-零化度定理声称它等于 ${\displaystyle f}$ 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^[1]. 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 ${\displaystyle A}$ 是一个 ${\displaystyle m\times n}$ 的矩阵，其列秩为 ${\displaystyle r}$ . 因此矩阵 ${\displaystyle A}$ 的列空间的维度是 ${\displaystyle r}$ . 令 ${\displaystyle c_{1},c_{2},\ldots ,c_{r}}$ 是 ${\displaystyle A}$ 的列空间的一组基，构成 ${\displaystyle m\times r}$ 矩阵 ${\displaystyle C}$的列向量 ${\displaystyle C=[c_{1},c_{2},\ldots ,c_{r}]}$，并使得 ${\displaystyle A}$ 的每个列向量是 ${\displaystyle C}$的${\displaystyle r}$ 个列向量的线性组合. 由矩阵乘法的定义，存在一个 ${\displaystyle r\times n}$ 矩阵 ${\displaystyle R}$, 使得 ${\displaystyle A=CR}$. (${\displaystyle A}$ 的 ${\displaystyle (i,j)}$ 元素是 ${\displaystyle c_{i}}$ 与 ${\displaystyle R}$ 的第 ${\displaystyle j}$ 个行向量的点积.)

现在，由于 ${\displaystyle A=CR}$, ${\displaystyle A}$ 的每个行向量是 ${\displaystyle R}$ 的行向量的线性组合，这意味着 ${\displaystyle A}$ 的行向量空间被包含于 ${\displaystyle R}$ 的行向量空间之中. 因此 ${\displaystyle A}$ 的行秩 ≤ ${\displaystyle R}$的行秩. 但${\displaystyle R}$仅有${\displaystyle r}$行, 所以${\displaystyle R}$的行秩 ≤ ${\displaystyle r}$ = ${\displaystyle A}$的列秩. 这就证明了${\displaystyle A}$的行秩 ≤ ${\displaystyle A}$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${\displaystyle A}$的列秩 ≤ ${\displaystyle A}$的行秩。更简单的方法是考虑${\displaystyle A}$的转置矩阵${\displaystyle A^{\mathrm {T} }}$，则${\displaystyle A}$的列秩 = ${\displaystyle A^{\mathrm {T} }}$的行秩 ≤ ${\displaystyle A^{\mathrm {T} }}$的列秩 = ${\displaystyle A}$的行秩. 这证明了${\displaystyle A}$的列秩等于${\displaystyle A}$的行秩. 证毕.

证明二

令${\displaystyle A}$是${\displaystyle m\times n}$矩阵，其行秩是${\displaystyle r}$. 因此${\displaystyle A}$的行向量空间的维度是${\displaystyle r}$，设${\displaystyle x_{1},x_{2},\ldots ,x_{r}}$是${\displaystyle A}$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${\displaystyle Ax_{1},Ax_{2},\ldots ,Ax_{r}}$是线性独立的。 这是因为对一组标量系数${\displaystyle c_{1},c_{2},\ldots ,c_{r}}$，如果:

${\displaystyle c_{1}Ax_{1}+c_{2}Ax_{2}+\cdots c_{r}Ax_{r}=A(c_{1}x_{1}+c_{2}x_{2}+\cdots +c_{r}x_{r})=Av=0,}$

其中${\displaystyle v=c_{1}x_{1}+c_{2}x_{2}+\ldots ,c_{r}x_{r}}$. 则可以推出有两个事实: (a) ${\displaystyle v}$是${\displaystyle A}$行向量空间的线性组合, 即${\displaystyle v}$属于${\displaystyle A}$的行向量空间；(b) 由于${\displaystyle Av}$ = 0, ${\displaystyle v}$正交于${\displaystyle A}$的所有行向量，从而正交于${\displaystyle A}$的行向量空间的所有向量. 事实(a)与(b)结合起来，则${\displaystyle v}$正交于自身，这意味着${\displaystyle v}$ = 0. 由${\displaystyle v}$的定义:

${\displaystyle c_{1}x_{1}+c_{2}x_{2}+\ldots ,c_{r}x_{r}=0.}$

再由${\displaystyle x_{i}}$是${\displaystyle A}$的行向量空间的一组线性独立的基，可知${\displaystyle c_{1}=c_{2}=\cdots =c_{r}=0}$. ${\displaystyle Ax_{1},Ax_{2},\ldots ,Ax_{r}}$因而是线性独立的.

${\displaystyle Ax_{i}}$是${\displaystyle A}$的列空间中的向量. 因此${\displaystyle Ax_{1},Ax_{2},\ldots ,Ax_{r}}$是${\displaystyle A}$的列空间中${\displaystyle r}$个线性独立的向量. 所以${\displaystyle A}$的列向量空间的维数(${\displaystyle A}$的列秩)必然不小于${\displaystyle r}$. 这证明了${\displaystyle A}$的行秩r ≤ ${\displaystyle A}$的列秩. 把这一结果应用于${\displaystyle A}$的转置矩阵可以得到: ${\displaystyle A}$的列秩 = ${\displaystyle A^{\mathrm {T} }}$的行秩 ≤ ${\displaystyle A^{\mathrm {T} }}$列秩 = ${\displaystyle A}$的行秩. 这证明了${\displaystyle A}$的列秩等于${\displaystyle A}$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，表示为 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：

  ${\displaystyle \operatorname {rank} (AB)\leq \min(\operatorname {rank} \ A,\operatorname {rank} \ B).}$

  推广到若干个矩阵的情况，就是：

  ${\displaystyle \operatorname {rank} (A_{1}A_{2}\cdots A_{n})\leq \min(\operatorname {rank} \ A_{1},\operatorname {rank} \ A_{2},\cdots ,\operatorname {rank} \ A_{n}).}$

  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

  ${\displaystyle {\begin{bmatrix}0&0\\1&0\\\end{bmatrix}}{\begin{bmatrix}0&0\\0&1\\\end{bmatrix}}}$

  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

    ${\displaystyle \operatorname {rank} (AB)=\operatorname {rank} (A).}$

  • 如果C是秩m的l × m矩阵，则

    ${\displaystyle \operatorname {rank} (CA)=\operatorname {rank} (A).}$

• 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

  ${\displaystyle XAY={\begin{bmatrix}I_{r}&0\\0&0\\\end{bmatrix}}}$

  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。

• 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

  ${\displaystyle \operatorname {rank} (A)+\operatorname {rank} (B)-n\leq \operatorname {rank} (AB).}$^[i]

  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

  ${\displaystyle \operatorname {rank} (AB)+\operatorname {rank} (BC)\leq \operatorname {rank} (B)+\operatorname {rank} (ABC).}$^[ii]

• 子加性：当矩阵${\displaystyle A}$和${\displaystyle B}$的形状相同时，有${\displaystyle \operatorname {rank} (A+B)\leq \operatorname {rank} (A)+\operatorname {rank} (B)}$ . 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

  ${\displaystyle \operatorname {rank} (A^{T}A)=\operatorname {rank} (AA^{T})=\operatorname {rank} (A)=\operatorname {rank} (A^{T})}$.

  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 ${\displaystyle A^{T}Ax=0}$的向量${\displaystyle x}$组成。如果上式成立, 那么下式也成立： ${\displaystyle 0=x^{T}A^{T}Ax=|Ax|^{2}}$，于是，${\displaystyle Ax=0}$，即${\displaystyle A^{T}A}$与${\displaystyle A}$的零空间相同.^[2]

• 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

  ${\displaystyle \operatorname {rank} (A)=\operatorname {rank} ({\overline {A}})=\operatorname {rank} (A^{T})=\operatorname {rank} (A^{*})=\operatorname {rank} (A^{*}A).}$

向量组的线性相关性

将${\displaystyle m}$个${\displaystyle n}$维列向量排列成${\displaystyle n\times m}$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：

${\displaystyle r(A)<m}$

如果

${\displaystyle r(A)=m}$

则向量组线性无关。另外，不存在

${\displaystyle r(A)>m}$

特殊的，若向量的个数${\displaystyle m}$大于向量的维数${\displaystyle n}$，则根据：

${\displaystyle r(A)\leq n<m}$

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

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

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的行阶梯形矩阵:

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

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。

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。

注解

1. 证明: 对不等式${\displaystyle \dim \operatorname {ker} (AB)\leq \dim \operatorname {ker} (A)+\dim \operatorname {ker} (B)}$使用秩－零化度定理
2. 证明：商空间之间的映射C: ker(ABC) / ker(BC) → ker(AB) / ker(B)有定义且为单射。因此我们得到了关于核维数关系的不等式dim ker(ABC)-dim ker(BC) ≤ dim ker(AB) - dim ker(B), 利用秩-零化度定理即可得到结论（即dim ker(ABC)-dim ker(BC)=rank(BC)-rank(ABC), 右边同理）。或者也可以这么证明：假如M是一个子线性空间，A是线性映射，那么dim(A(M)) ≤ dim(M) (*); 记映射BC（注意先进行C映射后进行B映射）的像为im(BC), 映射B的像为im(B), 则im(BC)⊆im(B), 取im(B)中im(BC)的正交补（不一定要正交，构成直和关系即可，这里取正交补只是为了方便）记为D, 则dim(D) = rk(B) – rk(BC); 而由线性映射的规律知im(AB) = AD + im(ABC), 但不一定再是直和，即dim(AD) + rk(ABC) ≥ rk(AB), 利用不等式(*)可得dim(D)[=rk(B) – rk(BC)] + rk(ABC) ≥ rk(AB), 从而得证。

参考文献

1. Mackiw, G. (1995). A Note on the Equality of the Column and Row Rank of a Matrix. Mathematics Magazine, Vol. 68, No. 4
2. Mirsky, Leonid. An introduction to linear algebra. Dover Publications. 1955. ISBN 978-0-486-66434-7.

• 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