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×n , 有
-
dim(ColA)=dim(RowA)=rankA ;
-
dim(NullA)=n−rankA ;
-
dim(NullAT)=m−rankA .
或者,去掉两个关于 AT 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×n , rankA+nullityA=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×n 可以看作线性变换 fA:Rn→Rm=x↦Ax , 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 核 与 像 。
因此,我们可以将秩零度定理改写成这样的形式
A:Rn→Rm , dim(imA)+dim(kerA)=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 - 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 设 V , W 是向量空间,A:V→W 是其间的线性变换,则有
dim(imA)+dim(kerA)=dimV
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 中的元素都被映到 0W 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)=dimV−dim(kerA)
显然 kerA 是 V 的子空间。我们 商 掉它即
dim(imA)=dim(V/kerA)
维度相等等价于线性同构,即
imA≅V/kerA
要证线性同构,我们构造一个映射
T:V/kerA→imA=[v]↦A(v)
并证明它是线性同构。
第一同构定理 令 T:V→W 是 F - 向量空间 V , W 之间的线性变换,则 T~:V/kerT→W=[v]↦T(v) 是良定义的线性同构。
证明
-
良定义 令 v1,v2∈[v] , 则 v1−v2∈kerT , T(v1−v2)=0W , T(v1)=T(v2) .
-
双射
-
单射 若 T~([v1])=T~([v2]) , 则 T(v1)=T(v2) , T(v1−v2)=0W , v1−v2∈kerT , 由定义可知 [v1]=[v2] .
-
满射 因为 T 是到 imT 的满射,对定义域中的每个元素取其生成的等价类,显然 T~ 是满射。
-
线性 T~([v1]+[v2])=T~([v1+v2])=T(v1+v2)=T(v1)+T(v2)=T~([v1])+T~([v2]) .
□ .
□ .
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:Fn→Fm 输入的信息量一共有 n , 输出的信息量却只有 m , 因此,有 n−m 的信息在这个过程中被摧毁了,这是通过重复映射到 0 上从而不可逆来实现的。被摧毁的部分即 kerT .
类似地,在群论中也有表达这一结论的定理
第一同构定理 若 G , H 是群,f:G→H 是同态,则 G/kerf≅imf .
这些结论通过 阿贝尔范畴 统一描述。