1058 words
5 minutes
代数视角下的秩零度定理

代数视角下的秩零度定理#

我们可能见过如下关于矩阵的结论

线性代数基本定理 对于矩阵 A:Rm×nA : \R^{m \times n} , 有

  • dim(ColA)=dim(RowA)=rankA\dim(\operatorname{Col} A) = \dim(\operatorname{Row} A) = \operatorname{rank} A ;

  • dim(NullA)=nrankA\dim(\operatorname{Null} A) = n - \operatorname{rank} A ;

  • dim(NullAT)=mrankA\dim(\operatorname{Null} A^\mathrm T) = m - \operatorname{rank} A .

或者,去掉两个关于 ATA^\mathrm T 的结论,我们可以得到一个方向上的等价形式

秩零度定理 对于矩阵 A:Rm×nA : \R^{m \times n} , rankA+nullityA=n\operatorname{rank} A + \operatorname{nullity} A = n .

初学线性代数时,通常采用朴素方法直接考虑向量空间的基来处理该问题。本文旨在从代数视角下重新审视这一定理,并作出证明。

从矩阵到线性变换#

一个矩阵 A:Rm×nA : \R^{m \times n} 可以看作线性变换 fA:RnRm=xAxf_A : \R^n \to \R^m = \mathbf x \mapsto A \mathbf x , 而矩阵之间的乘法就是函数之间的复合。有了这种对应关系,我们在下文中可以始终从线性变换的视角来看待矩阵。

同时,在线性变换的视角下,矩阵作为函数的话,不难注意到其零空间和列空间直接就是映射的

因此,我们可以将秩零度定理改写成这样的形式

A:RnRmA : \R^n \to \R^m , dim(imA)+dim(kerA)=n\dim(\operatorname{im} A) + \dim(\ker A) = n .

即,线性变换的定义域的维度等于像的维度加上核的维度。

推广形式#

由于 维度 被定义为基向量的数量,类似的命题在所有 F\mathbb F - 向量空间内都可以定义。我们给出线性代数基本定理在这样推广后的版本

线性代数基本定理VV , WW 是向量空间,A:VWA : V \to W 是其间的线性变换,则有

dim(imA)+dim(kerA)=dimV\dim(\operatorname{im} A) + \dim(\ker A) = \dim V

而这个定理的证明可以从向量空间的视角来展开思考。我们直觉认为 kerA\ker A 中的元素都被映到 0W\mathbf 0_W 上,可以视作「对像的维度没有任何贡献」,而去掉这部分之后的定义域应该和像有相同的维度,也就是线性同构于像。

证明

将目标简单恒等变换即

dim(imA)=dimVdim(kerA)\dim(\operatorname{im} A) = \dim V - \dim (\ker A)

显然 kerA\ker AVV 的子空间。我们 掉它即

dim(imA)=dim(V/kerA)\dim(\operatorname{im} A) = \dim(V / \ker A)

维度相等等价于线性同构,即

imAV/kerA\operatorname{im} A \cong V / \ker A

要证线性同构,我们构造一个映射

T:V/kerAimA=[v]A(v)T : V / \ker A \to \operatorname{im} A = [\mathbf v] \mapsto A(\mathbf v)

并证明它是线性同构。

第一同构定理T:VWT : V \to WF\mathbb F - 向量空间 VV , WW 之间的线性变换,则 T~:V/kerTW=[v]T(v)\tilde T : V / \ker T \to W = [\mathbf v] \mapsto T(\mathbf v) 是良定义的线性同构。

证明

  • 良定义v1,v2[v]\mathbf v_1, \mathbf v_2 \in [\mathbf v] , 则 v1v2kerT\mathbf v_1 - \mathbf v_2 \in \ker T , T(v1v2)=0WT(\mathbf v_1 - \mathbf v_2) = \mathbf 0_W , T(v1)=T(v2)T(\mathbf v_1) = T(\mathbf v_2) .

  • 双射

    • 单射T~([v1])=T~([v2])\tilde T([\mathbf v_1]) = \tilde T([\mathbf v_2]) , 则 T(v1)=T(v2)T(\mathbf v_1) = T(\mathbf v_2) , T(v1v2)=0WT(\mathbf v_1 - \mathbf v_2) = \mathbf 0_W , v1v2kerT\mathbf v_1 - \mathbf v_2 \in \ker T , 由定义可知 [v1]=[v2][\mathbf v_1] = [\mathbf v_2] .

    • 满射 因为 TT 是到 imT\operatorname{im} T 的满射,对定义域中的每个元素取其生成的等价类,显然 T~\tilde T 是满射。

  • 线性 T~([v1]+[v2])=T~([v1+v2])=T(v1+v2)=T(v1)+T(v2)=T~([v1])+T~([v2])\tilde T([\mathbf v_1] + [\mathbf v_2]) = \tilde T([\mathbf v_1 + \mathbf v_2]) = T(\mathbf v_1 + \mathbf v_2) = T(\mathbf v_1) + T(\mathbf v_2) = \tilde T([\mathbf v_1]) + \tilde T([\mathbf v_2]) .

\square .

\square .

这是一个纯代数角度的证明,对所有的向量空间都有效。

秩零度定理的本质含义#

一种从「信息」出发的理解方式是,线性映射 T:FnFmT : \mathbb F^n \to \mathbb F^m 输入的信息量一共有 nn , 输出的信息量却只有 mm , 因此,有 nmn - m 的信息在这个过程中被摧毁了,这是通过重复映射到 00 上从而不可逆来实现的。被摧毁的部分即 kerT\ker T .

类似地,在群论中也有表达这一结论的定理

第一同构定理GG , HH 是群,f:GHf : G \to H 是同态,则 G/kerfimfG / \ker f \cong \operatorname{im} f .

这些结论通过 阿贝尔范畴 统一描述。

代数视角下的秩零度定理
https://misaka10987.github.io/posts/random/rank-nullity/
Author
misaka10987
Published at
2025-11-06
License
CC BY-NC-ND 4.0