符号秩 发表评论(0) 编辑词条

　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。
　　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“满列秩”)。 f 是满射，当且仅当 A 有秩 m(在这种情况下，我们称 A 有“满行秩”)。 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：秩(AB)≤min(秩(A)，秩(B)) 推广到若干个矩阵的情况，就是：秩(A1A2...Am )≤min(秩(A1)，秩(A2)，...秩(Am)) 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 ，则秩(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，...，en），容易证明（f(e1)，f(e2)，...，f(en)）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 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 AB 有同 A 一样的秩。 如果 C 是秩 m 的 l × m 矩阵，则 CA 有同 A 一样的秩。 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 这里的 Ir 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。
　　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)。
计算

　　计算矩阵 A 的秩的最容易的方式是高斯消去法。高斯算法生成的 A 的行梯阵形式有同 A 一样的秩，它的秩就是非零行的数目。
　　例如考虑 4 × 4 矩阵
　　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 的行梯阵形式:
　　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。
　　 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，则方程组只要有一个解。在这种情况下，它有精确的一个解，如果它的秩等于方程的数目。如果增广矩阵的秩大于系数矩阵的秩，则通解有 k 个自由参量，这里的 k 是在方程的数目和秩的差。否则方程组是不一致的。
　　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。