Linear Algebra-矩阵空间,秩 1 矩阵-11

一、知识概要

上节我们初步接触了矩阵空间这个概念，它是向量空间概念的一种自然延伸。今天，我们就从矩阵空间入手，深入探讨它的维数、基等核心问题，还会看到线性代数思想居然能和微分方程联系在一起。最后，我们会专门剖析一类特殊矩阵——秩为 1 的矩阵，看看它有哪些特别优美的性质。

二、矩阵空间

我们先从最简单的例子入手：把所有 3×3 的矩阵都看作”向量”，它们构成一个集合。你会发现，在这个集合中，矩阵加法和数乘矩阵这两种运算都是封闭的——两个3×3矩阵相加还是3×3矩阵，一个3×3矩阵乘以一个数还是3×3矩阵。满足了线性空间的封闭性要求，这个集合 M 自然就构成了一个线性空间，我们称之为矩阵空间。

上节我们提到，M 有两个最基本也最常用的子空间：

对称矩阵空间 S：对称矩阵满足矩阵转置等于自身，即 $A^T = A$ 。
上三角矩阵空间 U：上三角矩阵主对角线以下的元素均为 0。

这两个集合对加法和数乘封闭的性质很容易证明。比如对于对称矩阵 $A$ 和 $B$ ，以及任意实数 $k$ ：

$(A + B)^T = A^T + B^T = A + B$ $(kA)^T = kA^T = kA$

所以对称矩阵集合确实满足封闭性，构成子空间。上三角矩阵的证明过程类似，这里就不展开了。

当 S 与 U 相交，我们会得到另一个有趣的子空间：对角矩阵空间 D。对角阵既是对称矩阵（因为对角线外都是零，转置后不变），又是上三角矩阵（对角线下方都是零），它只在主对角线上有非零元素，对角线外全为零。

2.1 基与维数

现在我们来分别计算这些空间的维数，找出它们的一组基。这其实非常直观，我们一步步来看：

1. M（所有3×3矩阵）的基与维数

M 的情况和 $R^9$ 非常相似。对于 $R^9$ ，标准基是 9 个单位向量，每个向量只有一个分量为 1，其余分量都是 0。在 3×3 矩阵空间 M 中，我们也可以用类似的思路构造基：

这就是一组基，每个基矩阵只在一个位置上是1，其他位置都是0。因为 3×3 矩阵总共有 9 个元素，所以 M 的维数就是 9。这个结论很直观，就像在 $R^9$ 中需要 9 个线性无关的向量才能张成整个空间一样。

2. S（对称矩阵）与 U（上三角矩阵）的基与维数

对称矩阵因为满足 $A^T=A$ ，所以对角线外的元素被对称关系约束了——当 $A_{ij}$ 确定时， $A_{ji}$ 也随之确定。因此，对称矩阵只需要确定对角线和对角线上方的元素，总共是 $3 + 2 + 1 = 6$ 个自由元素。所以对称矩阵空间 S 的维数是 6，它的一组基如下：

$\left[\begin{array}{lll}1 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 1 \\ 0 & 0 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 1 \\ 0 & 0 & 0 \\ 1 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 0 \\ 0 & 0 & 1 \\ 0 & 1 & 0\end{array}\right]$

再看上三角矩阵 U，它要求对角线下方都是0，只需要确定对角线和对角线上方的元素，数量也是 $3 + 2 + 1 = 6$ 个。所以U的维数也是6，一组基是：

$\left[\begin{array}{lll}1 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 1 \\ 0 & 0 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 0 \\ 0 & 0 & 1 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 1\end{array}\right]$

这里要强调一下，矩阵空间的基在形式上和我们之前熟悉的向量空间基不太一样——基本身就是矩阵，这是因为矩阵空间中的元素本身就是矩阵。虽然形式不同，但基的本质还是一样的：空间中任何元素都能表示为基的线性组合。

3. D（对角矩阵）的基与维数

对角矩阵更特殊了，只有主对角线上可以有非零元素，其他位置全是零。所以它的基只有 3 个：

$\left[\begin{array}{lll}1 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 0\end{array}\right],\left[\begin{array}{lll}0 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 1\end{array}\right]$

所以对角阵 D 的维数就是 3。而我们知道，D正好就是S与U的交集，所以用数学符号表示就是： $dim(S \cap U)=3$ 。

4. S + U 的维数

这里要注意一个概念：两个子空间的并集通常不是向量空间，因为两个分别来自S和U的矩阵相加，结果不一定还在并集里。但我们可以定义 $S + U$ ，它表示所有形如 $s + u$ （其中 $s \in S$ ， $u \in U$ ）的矩阵构成的集合，这个集合一定是向量空间。

那S + U包含了哪些矩阵呢？实际上，任何一个3×3矩阵都能表示为一个对称矩阵加上一个上三角矩阵。不信？你试试这个公式：

$A = \underbrace{\frac{A + A^T}{2}}_{对称矩阵} + \underbrace{\frac{A - A^T}{2}}_{严格上三角矩阵}$

所以 $S + U$ 其实就是整个矩阵空间M，因此它的维数就是 9。

现在我们把刚才算出来的所有维数放在一起，就能得到一个非常漂亮的等式：

$dim(S)+dim(U)=dim(S \cap U)+dim(S + U)$

代入我们算出来的具体数值： $6 + 6 = 3 + 9$ ，等式完美成立！这个公式其实对任意两个子空间都成立，它叫做维数公式。

我们可以用表格清晰总结我们得到的所有结论：

矩阵空间	维数（3×3情况）
所有3×3矩阵 M	9
对称矩阵 S	6
上三角矩阵 U	6
对角矩阵 D = S∩U	3
S+U	9 = dim(M)

2.2 微分方程

说到这里你可能会想：线性空间的概念只能用在向量和矩阵上吗？其实远不止于此。线性空间的概念非常广泛，就连微分方程的解也能构成线性空间。

我们举个简单的例子：二阶常系数齐次线性微分方程 $\frac{d^{2} y}{d x^{2}}+y=0$ 。在实数范围内，这个方程有两个线性无关的特解： $y = \sin x$ 和 $y = \cos x$ 。而方程的所有解都是这两个特解的线性组合：

$y = c_1\cos x + c_2\sin x$

这其实和我们之前学的零空间非常像！我们可以把所有这些解都看作线性空间中的元素，这个空间叫做解空间。为什么说它满足线性空间的要求呢？如果 $y_1$ 和 $y_2$ 都是解，那么：

$y_1 + y_2$ 代入方程： $(y_1 + y_2)'' + (y_1 + y_2) = (y_1''+y_1) + (y_2''+y_2) = 0 + 0 = 0$ ，所以和也是解
$ky_1$ 代入方程： $(ky_1)'' + ky_1 = k(y_1'' + y_1) = k \cdot 0 = 0$ ，所以数乘后还是解

它满足加法和数乘封闭性，因此确实构成了线性空间。从空间的角度看，这个解空间的一组基就是 $\cos x$ 和 $\sin x$ ，所以解空间的维数就是 2。

你看，这是不是很神奇？微分方程的解空间竟然和我们熟悉的 $R^2$ 在结构上完全一样——任何解都能表示为基的线性组合，维数就是基向量的个数。线性代数的思想竟然能跨界用到微分方程上，这就是抽象的力量！

三、秩一矩阵

讲完了矩阵空间，我们现在来看一类非常特殊也非常重要的矩阵——秩一矩阵。这类矩阵有着很多优美的性质，在很多地方都能派上用场。

3.1 秩一矩阵的优点

秩一矩阵最显著的两个特点就是：

1. 易于分解

我们先看一个例子：

$A=\left[\begin{array}{lll}1 & 4 & 5 \\ 2 & 8 & 10\end{array}\right]$

很明显，这个矩阵的秩是 1，因为第二行就是第一行的 2 倍，两行线性相关。那这个矩阵能不能写成更简洁的形式呢？答案是肯定的，它可以分解为一列乘以一行：

$A=\left[\begin{array}{lll}1 & 4 & 5 \\ 2 & 8 & 10\end{array}\right]=\left[\begin{array}{l}1 \\ 2\end{array}\right]\left[\begin{array}{lll}1 & 4 & 5\end{array}\right]$

我们把列向量记为 $U$ ，行向量记为 $V^T$ ，那么一般来说，任何秩一矩阵都可以写成 $A = UV^T$ 的形式。这个分解太简洁了！你一定要记住这个重要结论。

  flowchart LR
    A[m×n秩一矩阵A] --> B[分解为 UV^T]
    B --> C[U: m×1列向量]
    B --> D[V^T: 1×n行向量]
    style A fill:#f0f8ff,stroke:#333
    style B fill:#e8f4e8,stroke:#333

2. 可搭建其他矩阵

秩一矩阵还有一个重要用途：它可以用来”搭建”其他矩阵。比如，任何一个秩为 r 的矩阵，都可以表示为 r 个秩一矩阵的和。

这个过程其实就是我们常说的矩阵分解。比如，如果我想要构造一个秩为 4 的矩阵 $B$ ，那么我只需要找到四个线性无关的秩一矩阵 $A_1 = U_1V_1^T$ ， $A_2 = U_2V_2^T$ ， $A_3 = U_3V_3^T$ ， $A_4 = U_4V_4^T$ ，然后做线性组合：

$B = k_1A_1 + k_2A_2 + k_3A_3 + k_4A_4$

只要系数 $k_1,k_2,k_3,k_4$ 都不为零，得到的矩阵秩就是 4。这个思路在矩阵分解理论中非常重要。

3.2 空间角度解释同秩矩阵

现在我们来思考一个问题：在 m×n 矩阵空间中，所有秩为 r 的矩阵构成的集合，是不是一个子空间？

答案是否定的。为什么呢？主要有两个原因：

不包含零向量：零矩阵的秩是 0，而不是 r（除非 r=0），所以这个集合不满足线性空间必须包含零向量的基本要求。
对加法不封闭：根据矩阵秩的性质 $R(A + B) \leq R(A) + R(B)$ ，两个秩为 r 的矩阵相加，结果的秩可能小于 r。

举个最简单的例子：考虑秩为 4 的单位矩阵 $A$ 和负单位矩阵 $B$ ：

$A=\left[\begin{array}{cccc}1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1\end{array}\right], \quad B=\left[\begin{array}{cccc}-1 & 0 & 0 & 0 \\ 0 & -1 & 0 & 0 \\ 0 & 0 & -1 & 0 \\ 0 & 0 & 0 & -1\end{array}\right]$

它们两个的秩都是 4，但相加结果 $A + B = O$ 是零矩阵，秩为 0，不是 4。所以不满足加法封闭性。

因此，所有秩为 r 的矩阵集合不能构成子空间。同理，秩为 1 的矩阵集合也不能构成子空间。这个结论很重要，别搞混了。

3.3 子空间的转化

我们通过一个具体例子，来看看如何把一个实际问题转化为我们已经学过的子空间问题，这是一种非常重要的思维方式。

问题：在四维空间中，考虑所有满足 $v_1 + v_2 + v_3 + v_4 = 0$ 的向量 $v=\left[\begin{array}{l}v_1 \\ v_2 \\ v_3 \\ v_4\end{array}\right]$ ，这些向量构成的集合记为 S。请判断 S 是否为子空间，如果是，求出它的维数。

我们一步步来解决这个问题：

第一步：判断是否为子空间

按照子空间的判断标准，我们需要验证三个条件：

加法封闭：设 $v$ 和 $w$ 都属于 S，即：
$v_1 + v_2 + v_3 + v_4 = 0$ $w_1 + w_2 + w_3 + w_4 = 0$
那么它们的和：
$(v_1 + w_1)+(v_2 + w_2)+(v_3 + w_3)+(v_4 + w_4)=(v_1 + v_2 + v_3 + v_4)+(w_1 + w_2 + w_3 + w_4)=0+0=0$
所以 $v + w$ 也属于 S，加法封闭成立。
数乘封闭：对任意实数 $k$ ：
$kv_1 + kv_2 + kv_3 + kv_4 = k(v_1 + v_2 + v_3 + v_4)=k \cdot 0 = 0$
所以 $kv$ 也属于 S，数乘封闭成立。
包含零向量：当 $v_1 = v_2 = v_3 = v_4 = 0$ 时，显然满足条件，所以零向量属于 S。

三个条件都满足，因此 S 确实是 $R^4$ 的一个子空间。

第二步：求 S 的维数

这里有一个非常巧妙的转化思路：我们构造一个矩阵：

$A=\left[\begin{array}{llll}1 & 1 & 1 & 1\end{array}\right]$

那么，S 中任意向量 $v$ 满足 $Av = 0$ ——这不就是我们之前学的零空间吗？

$Av=\left[\begin{array}{llll}1 & 1 & 1 & 1\end{array}\right]\left[\begin{array}{l}v_1 \\ v_2 \\ v_3 \\ v_4\end{array}\right]=v_1 + v_2 + v_3 + v_4 = 0$

所以，S 其实就是矩阵 A 的零空间！问题一下子就转化为我们熟悉的求零空间维数问题了。

根据我们之前学过的公式：零空间维数 = 列数 - 矩阵的秩。这里矩阵 A 的秩 $r = 1$ （只有一行，且非零），列数 $n = 4$ ，所以：

$dim(S) = n - r = 4 - 1 = 3$

所以 S 是三维子空间。它的一组基就是 $Av = 0$ 的三个特解：

$\left[\begin{array}{r}-1 \\ 1 \\ 0 \\ 0\end{array}\right],\left[\begin{array}{r}-1 \\ 0 \\ 1 \\ 0\end{array}\right],\left[\begin{array}{r}-1 \\ 0 \\ 0 \\ 1\end{array}\right]$

这三个向量都满足条件，且线性无关，它们张成了整个零空间 S。

最后我们顺便回顾一下，对于这个矩阵 $A$ ，它的列空间和左零空间是什么样的：

列空间： $A$ 是一个1×4矩阵，它的列都是 $R^1$ 中的向量，且第一列是[1]，其他列都是1倍的第一列。所以列空间就是整个 $R^1$ ，维数为 1。
左零空间：A 的左零空间是满足 $y^T A = 0$ 的向量 $y$ 构成的空间。因为 A 本身就是行向量，所以只有零向量才能和它相乘得到零，因此左零空间只包含零向量，维数为 0。

我们可以验证一下维数公式：对于 m×n 矩阵，列空间维数 + 零空间维数 = n = 4。这里列空间维数 = 1，零空间维数 = 3，1 + 3 = 4，完美符合。

对于左零空间，公式是：左零空间维数 + 行空间维数 = m = 1。行空间维数就是秩 r = 1，所以左零空间维数 = 1 - 1 = 0，也完全吻合。