秩 (線性代數)

在線性代數中，一個矩陣 ${\displaystyle A}$ 的行秩是行向量生成的最大線性獨立組的向量個數。類似地，列秩是矩陣${\displaystyle A}$ 的線性獨立的橫列的個數。矩陣的行秩和列秩總是相等的，因此它們可以簡單地稱作矩陣 ${\displaystyle A}$ 的秩（Rank）。通常表示為 ${\displaystyle \mathrm {r} (A)}$ ，${\displaystyle \mathrm {rank} (A)}$ 或${\displaystyle \mathrm {rk} (A)}$。

線性代數
${\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}$
向量 · 向量空間 · 基底  · 行列式  · 矩陣
向量 純量 · 向量 · 向量空間 · 向量投影 · 外積（叉積 · 七維叉積） · 內積（點積） · 二重向量 矩陣與行列式 矩陣 · 行列式 · 線性方程組 · 秩 · 核 · 跡 · 單位矩陣 · 初等矩陣 · 方塊矩陣 · 分塊矩陣 · 三角矩陣 · 非奇異方陣 · 轉置矩陣 · 逆矩陣 · 對角矩陣 · 可對角化矩陣 · 對稱矩陣 · 反對稱矩陣 · 正交矩陣 · 么正矩陣 · 埃爾米特矩陣 · 反埃爾米特矩陣 · 正規矩陣 · 伴隨矩陣 · 余因子矩陣 · 共軛轉置 · 正定矩陣 · 冪零矩陣 · 矩陣分解 （LU分解 · 奇異值分解 · QR分解 · 極分解 · 特徵分解） · 子式和餘子式 · 拉普拉斯展開 · 克羅內克積 線性空間與線性變換 線性空間 · 線性變換 · 線性子空間 · 線性生成空間 · 基 · 線性映射 · 線性投影 · 線性無關 · 線性組合 · 線性泛函 · 行空間與列空間 · 對偶空間 · 正交 · 特徵向量 · 最小二乘法 · 格拉姆-施密特正交化
閱 論 編

可替代定義

用行列式定義

設 ${\displaystyle A}$ 為 ${\displaystyle m\times n}$ 矩陣。若 ${\displaystyle A}$ 至少有一個 ${\displaystyle r}$ 階非零子式，而其所有 ${\displaystyle r+1}$ 階子式全為零，即矩陣的最高階非零子式的階數為r。則稱 ${\displaystyle r}$ 為 ${\displaystyle A}$ 的秩。

用向量組的秩定義

對於 ${\displaystyle m}$ 維線性空間 ${\displaystyle V}$ 中的一個向量組 ${\displaystyle F=\{\alpha _{1},\alpha _{2},...,\alpha _{s}\}}$，若 ${\displaystyle F\supseteq S=\{\alpha _{1},\alpha _{2},...,\alpha _{r}\}}$ 中的 ${\displaystyle r}$ 個向量線性獨立，且若 ${\displaystyle r<s}$，${\displaystyle \forall \alpha _{r+1}\in F-S}$，${\displaystyle S\cup \{\alpha _{r+1}\}}$ 中 ${\displaystyle r+1}$ 個向量都線性相依，則稱 ${\displaystyle \{\alpha _{1},\alpha _{2},...,\alpha _{r}\}}$ 為 ${\displaystyle \{\alpha _{1},\alpha _{2},...,\alpha _{s}\}}$ 的極大線性獨立組，${\displaystyle r}$ 為 ${\displaystyle \{\alpha _{1},\alpha _{2},...,\alpha _{s}\}}$ 的秩。可以證明 ${\displaystyle F}$ 的秩等於向量組 ${\displaystyle F}$ 生成的子空間的維數。 矩陣 ${\displaystyle A}$ 的行秩定義為 ${\displaystyle A}$ 的行向量組的秩，也即矩陣的行空間的維數。類似地，矩陣的列秩定義為 ${\displaystyle A}$ 的列向量組的秩，即矩陣的列空間的維數。

用線性映射定義

考慮線性映射：

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

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

對於每個矩陣 ${\displaystyle A}$，${\displaystyle f_{A}}$ 都是一個線性映射，同時，對每個 ${\displaystyle F^{n}\to F^{m}}$ 的 線性映射 ${\displaystyle f}$，都存在矩陣 ${\displaystyle A}$使得 ${\displaystyle f=f_{A}}$。也就是說，映射

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

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

是一個同構映射。所以一個矩陣 ${\displaystyle A}$ 的秩還可定義為 ${\displaystyle f_{A}}$ 的像的維度（像與核的討論參見線性映射）。矩陣 ${\displaystyle A}$ 稱為 ${\displaystyle f_{A}}$ 的轉換矩陣。這個定義的好處是適用於任何線性映射而不需要指定矩陣，因為每個線性映射有且僅有一個矩陣與其對應。秩還可以定義為 ${\displaystyle n-f}$ 的核的維度；秩-零化度定理聲稱它等於 ${\displaystyle f}$ 的像的維度。

列秩行秩相等性

矩陣的列秩與行秩相等，是線性代數基本定理的重要組成部分。其基本證明思路是，矩陣可以看作線性映射的轉換矩陣，行秩為像空間的維度，列秩為非零原像空間的維度，因此行秩與列秩相等，即像空間的維度與非零原像空間的維度相等（這裡的非零原像空間是指約去了零空間後的商空間：原像空間）。這從矩陣的奇異值分解就可以看出來。

給出這一結果的兩種證明. 第一個證明是簡短的，僅用到向量的線性組合的基本性質. 第二個證明利用了正交性^[1]. 第一個證明利用了行空間的基, 第二個證明利用了列向量空間的基. 第一個證明適用於定義在純量域上的矩陣，第二個證明適用於內積空間。二者都適用於實或復的歐氏空間，也都易於修改去證明當A是線性轉換的情形.

證明一

令 ${\displaystyle A}$ 是一個 ${\displaystyle m\times n}$ 的矩陣，其行秩為 ${\displaystyle r}$ . 因此矩陣 ${\displaystyle A}$ 的行空間的維度是 ${\displaystyle r}$ . 令 ${\displaystyle c_{1},c_{2},\ldots ,c_{r}}$ 是 ${\displaystyle A}$ 的行空間的一組基，構成 ${\displaystyle m\times r}$ 矩陣 ${\displaystyle C}$的行向量 ${\displaystyle C=[c_{1},c_{2},\ldots ,c_{r}]}$，並使得 ${\displaystyle A}$ 的每個行向量是 ${\displaystyle C}$的${\displaystyle r}$ 個行向量的線性組合. 由矩陣乘法的定義，存在一個 ${\displaystyle r\times n}$ 矩陣 ${\displaystyle R}$, 使得 ${\displaystyle A=CR}$. (${\displaystyle A}$ 的 ${\displaystyle (i,j)}$ 元素是 ${\displaystyle c_{i}}$ 與 ${\displaystyle R}$ 的第 ${\displaystyle j}$ 個列向量的點積.)

現在，由於 ${\displaystyle A=CR}$, ${\displaystyle A}$ 的每個列向量是 ${\displaystyle R}$ 的列向量的線性組合，這意味著 ${\displaystyle A}$ 的列向量空間被包含於 ${\displaystyle R}$ 的列向量空間之中. 因此 ${\displaystyle A}$ 的列秩 ≤ ${\displaystyle R}$的列秩. 但${\displaystyle R}$僅有${\displaystyle r}$列, 所以${\displaystyle R}$的列秩 ≤ ${\displaystyle r}$ = ${\displaystyle A}$的行秩. 這就證明了${\displaystyle A}$的列秩 ≤ ${\displaystyle A}$的行秩.

把上述證明過程中的「列」與「行」交換，利用對偶性質同樣可證${\displaystyle A}$的行秩 ≤ ${\displaystyle A}$的列秩。更簡單的方法是考慮${\displaystyle A}$的轉置矩陣${\displaystyle A^{\mathrm {T} }}$，則${\displaystyle A}$的行秩 = ${\displaystyle A^{\mathrm {T} }}$的列秩 ≤ ${\displaystyle A^{\mathrm {T} }}$的行秩 = ${\displaystyle A}$的列秩. 這證明了${\displaystyle A}$的行秩等於${\displaystyle A}$的列秩. 證畢.

證明二

令${\displaystyle A}$是${\displaystyle m\times n}$矩陣，其列秩是${\displaystyle r}$. 因此${\displaystyle A}$的列向量空間的維度是${\displaystyle r}$，設${\displaystyle x_{1},x_{2},\ldots ,x_{r}}$是${\displaystyle A}$的列向量空間的一組基. 如果把這組基當作原像行向量看待，則向量集${\displaystyle Ax_{1},Ax_{2},\ldots ,Ax_{r}}$是線性獨立的。 這是因為對一組純量係數${\displaystyle c_{1},c_{2},\ldots ,c_{r}}$，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${\displaystyle v=c_{1}x_{1}+c_{2}x_{2}+\ldots ,c_{r}x_{r}}$. 則可以推出有兩個事實: (a) ${\displaystyle v}$是${\displaystyle A}$列向量空間的線性組合, 即${\displaystyle v}$屬於${\displaystyle A}$的列向量空間；(b) 由於${\displaystyle Av}$ = 0, ${\displaystyle v}$正交於${\displaystyle A}$的所有列向量，從而正交於${\displaystyle A}$的列向量空間的所有向量. 事實(a)與(b)結合起來，則${\displaystyle v}$正交於自身，這意味著${\displaystyle v}$ = 0. 由${\displaystyle v}$的定義:

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

再由${\displaystyle x_{i}}$是${\displaystyle A}$的列向量空間的一組線性獨立的基，可知${\displaystyle c_{1}=c_{2}=\cdots =c_{r}=0}$. ${\displaystyle Ax_{1},Ax_{2},\ldots ,Ax_{r}}$因而是線性獨立的.

${\displaystyle Ax_{i}}$是${\displaystyle A}$的行空間中的向量. 因此${\displaystyle Ax_{1},Ax_{2},\ldots ,Ax_{r}}$是${\displaystyle A}$的行空間中${\displaystyle r}$個線性獨立的向量. 所以${\displaystyle A}$的行向量空間的維數(${\displaystyle A}$的行秩)必然不小於${\displaystyle r}$. 這證明了${\displaystyle A}$的列秩r ≤ ${\displaystyle A}$的行秩. 把這一結果應用於${\displaystyle A}$的轉置矩陣可以得到: ${\displaystyle A}$的行秩 = ${\displaystyle A^{\mathrm {T} }}$的列秩 ≤ ${\displaystyle A^{\mathrm {T} }}$行秩 = ${\displaystyle A}$的列秩. 這證明了${\displaystyle A}$的行秩等於${\displaystyle A}$的列秩，證畢.

最後, 還可以證明rk(A) = rk(A^*), 其中A^*是A的共軛轉置或稱施密特轉置. 當A的元素都是實數, 這一結果變為rk(A) = rk(A^T). 然而對於複系數矩陣，rk(A) = rk(A^*)並不等價於列秩等於行秩, 需要用到上述兩個證明.

證明三

令A是一個m×n矩陣. 定義rk(A)為A的行秩，A^*為A的共軛轉置或稱施密特轉置. 首先可知A^*Ax = 0若且唯若Ax = 0.

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

其中‖·‖是歐氏範數. 這說明A的零空間與A^*A的零空間相同. 由秩－零化度定理, 可得rk(A) = rk(A^*A). A^*A的每一個行向量是A^*的行向量的線性組合. 所以A^*A的行空間是A^*的行空間的子空間. 從而rk(A^*A) ≤ rk(A^*). 即: rk(A) = rk(A^*A) ≤ rk(A^*). 應用這一結果於A^*可獲得不等式: 由於(A^*)^* = A, 可寫作rk(A^*) ≤ rk((A^*)^*) = rk(A). 這證明了rk(A) = rk(A^*). 證畢.

性質

我們假定A是在域F上的m × n矩陣並描述了上述線性映射。

• m × n矩陣的秩不大於m且不大於n的一個非負整數，表示為 rk(A) ≤ min(m, n)。有儘可能大的秩的矩陣被稱為有滿秩；類似的，否則矩陣是秩不足（或稱為「欠秩」）的。
• 只有零矩陣有秩0
• A的秩最大為min(m,n)
• f是單射，若且唯若A有秩n（在這種情況下，我們稱A有「行滿秩」）。
• f是滿射，若且唯若A有秩m（在這種情況下，我們稱A有「列滿秩」）。
• 在方塊矩陣A (就是m = n)的情況下，則A是可逆的，若且唯若A有秩n（也就是A有滿秩）。
• 如果B是任何n × k矩陣，則AB的秩最大為A的秩和B的秩的小者。即：

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

  推廣到若干個矩陣的情況，就是：

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

  證明：

  考慮矩陣的秩的線性映射的定義，令A、B對應的線性映射分別為f和g，則AB表示複合映射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是整個空間的一部分，因此它在映射f作用下的象也是整個空間在映射f作用下的象的一部分。也就是說映射Im f·g是Im f的一部分。對矩陣就是：秩（AB）≤秩（A）。

  對於另一個不等式：秩（AB）≤秩（B），考慮Im g的一組基：（e₁，e₂，...，e_n），容易證明（f(e₁)，f(e₂)，...，f(e_n)）生成了空間Im f·g，於是Im f·g的維度小於等於Im g的維度。對矩陣就是：秩（AB）≤秩（B）。

  因此有：秩（AB）≤min(秩（A），秩（B））。若干個矩陣的情況證明類似。

  作為"<"情況的一個例子，考慮積

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

  兩個因子都有秩1，而這個積有秩0。

  可以看出，等號成立若且唯若其中一個矩陣（比如說A）對應的線性映射不減少空間的維度，即是單射，這時A是滿秩的。於是有以下性質：

  • 如果B是秩n的n × k矩陣，則

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

  • 如果C是秩m的l × m矩陣，則

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

• A的秩等於r，若且唯若存在一個可逆m × m矩陣X和一個可逆的n × n矩陣Y使得

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

  這裡的I_r指示r × r 單位矩陣。

  證明可以通過高斯消去法構造性地給出。

• 西爾維斯特不等式: 如果 A 是一個 m × n 的矩陣且 B 是 n × k 的, 則

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

  這是下一個不等式的特例.

• 這個不等式是由Frobenius提出的: 如果 AB, ABC 和 BC 有定義, 則

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

• 子加性：當矩陣${\displaystyle A}$和${\displaystyle B}$的形狀相同時，有${\displaystyle \operatorname {rank} (A+B)\leq \operatorname {rank} (A)+\operatorname {rank} (B)}$ . 因此，一個秩為k的矩陣能夠表示成k個秩為1的矩陣的加和，但不能是k-1個或更少。
• 矩陣的秩加上矩陣的零化度等於矩陣的縱行數（這就是秩-零化度定理）。
• 如果 A 是實數上的矩陣，那麼 A 的秩和它對應格拉姆矩陣的秩相等。於是，對於實矩陣

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

  該性質可以通過它們的零空間證明. 格拉姆矩陣的零空間由所有滿足 ${\displaystyle A^{T}Ax=0}$的向量${\displaystyle x}$組成。如果上式成立, 那麼下式也成立： ${\displaystyle 0=x^{T}A^{T}Ax=|Ax|^{2}}$，於是，${\displaystyle Ax=0}$，即${\displaystyle A^{T}A}$與${\displaystyle A}$的零空間相同.^[2]

• 如果 A 是複數上的矩陣且 A* 表示 A 的共軛轉置(i.e., A 的伴隨), 則

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

向量組的線性相依性

將${\displaystyle m}$個${\displaystyle n}$維行向量排行成${\displaystyle n\times m}$的矩陣A，這個對應矩陣的秩即為原向量組的秩。

原向量組線性相依的充分必要條件為：

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

如果

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

則向量組線性獨立。另外，不存在

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

特殊的，若向量的個數${\displaystyle m}$大於向量的維數${\displaystyle n}$，則根據：

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

這個向量組必然線性相依。

計算

計算矩陣A的秩的最容易的方式是高斯消去法，即利用矩陣的初等轉換生成一個列階梯形矩陣，由於矩陣的初等轉換不改變矩陣的秩，因此A的列階梯形矩陣有同A一樣的秩。經過初等轉換的矩陣的非零列的數目就是原矩陣的秩。

例如考慮4 × 4矩陣

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

我們看到第2縱行是第1縱行的兩倍，而第4縱行等於第1和第3縱行的總和。第1和第3縱行是線性獨立的，所以A的秩是2。這可以用高斯算法驗證。它生成下行A的列階梯形矩陣:

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

它有兩個非零的橫列。

在應用在計算機上的浮點數的時候，基本高斯消去（LU分解）可能是不穩定的，應當使用秩啟示（revealing）分解。一個有效的替代者是奇異值分解（SVD），但還有更少代價的選擇，比如有支點（pivoting）的QR分解，它也比高斯消去在數值上更強壯。秩的數值判定要求對一個值比如來自SVD的一個奇異值是否為零的依據，實際選擇依賴於矩陣和應用二者。

應用

計算矩陣的秩的一個有用應用是計算線性方程組解的數目。如果係數矩陣的秩等於增廣矩陣的秩，則該方程組有解。在這種情況下，如果它的秩等於方程式的數目那麼該方程組有唯一的一個精確解。如果增廣矩陣的秩大於係數矩陣的秩，則方程組是不一致（Inconsistent）的。

在控制論中，矩陣的秩可以用來確定線性系統是否為可控制的，或可觀察的。

註解

1. 證明: 對不等式${\displaystyle \dim \operatorname {ker} (AB)\leq \dim \operatorname {ker} (A)+\dim \operatorname {ker} (B)}$使用秩－零化度定理
2. 證明：商空間之間的映射C: ker(ABC) / ker(BC) → ker(AB) / ker(B)有定義且為單射。因此我們得到了關於核維數關係的不等式dim ker(ABC)-dim ker(BC) ≤ dim ker(AB) - dim ker(B), 利用秩-零化度定理即可得到結論（即dim ker(ABC)-dim ker(BC)=rank(BC)-rank(ABC), 右邊同理）。或者也可以這麼證明：假如M是一個子線性空間，A是線性映射，那麼dim(A(M)) ≤ dim(M) (*); 記映射BC（注意先進列C映射後進列B映射）的像為im(BC), 映射B的像為im(B), 則im(BC)⊆im(B), 取im(B)中im(BC)的正交補餘（不一定要正交，構成直和關係即可，這裡取正交補餘只是為了方便）記為D, 則dim(D) = rk(B) – rk(BC); 而由線性映射的規律知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), 從而得證。

參考文獻

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]

參見

• 向量組的秩