矩阵的零空间维度
在线性代数中，矩阵的零空间（也称为核或解空间）是一个重要的概念。它包含了所有满足特定线性方程组的向量。具体地说，给定一个 $m \times n$ 的矩阵 $A$，其零空间是所有满足 $Ax = 0$ 的 $n$ 维向量 $x$ 的集合。这里，我们详细讨论如何计算矩阵零空间的维度。
定义与性质
- 定义：设 $A$ 是一个 $m \times n$ 的矩阵，则 $A$ 的零空间是满足 $Ax = 0$ 的所有 $n$ 维向量 $x$ 的集合，记作 $\text{Null}(A)$ 或 $\ker(A)$。
- 性质：
- 零空间是一个向量空间。
- 零空间包含零向量。
- 如果 $x$ 和 $y$ 在零空间中，那么对于任何标量 $c$ 和 $d$，$cx + dy$ 也在零空间中。
计算零空间的维度
要计算矩阵 $A$ 的零空间的维度，我们需要使用以下关键定理和步骤：
秩-零化度定理：对于一个 $m \times n$ 的矩阵 $A$，有 [ \text{rank}(A) + \dim(\text{Null}(A)) = n ] 其中，$\text{rank}(A)$ 是矩阵 $A$ 的秩，即 $A$ 中最大的非零子式的阶数；$\dim(\text{Null}(A))$ 是零空间的维度。
步骤：
- 首先，通过行简化（如高斯消元法）将矩阵 $A$ 化为行最简形式 $R$。在这个过程中，可以观察到 $A$ 的秩 $\text{rank}(A)$。
- 然后，确定自由变量的数量。这通常是通过观察 $R$ 中的哪些列不包含主元（pivot）来实现的。自由变量的数量就是 $n - \text{rank}(A)$。
- 最后，根据秩-零化度定理，零空间的维度 $\dim(\text{Null}(A)) = n - \text{rank}(A)$。
示例
考虑矩阵 [ A = \begin{pmatrix} 1 & 2 & 3 \ 4 & 5 & 6 \ \end{pmatrix} ]
通过行简化，我们可以得到 [ R = \begin{pmatrix} 1 & 2 & 3 \ 0 & -3 & -6 \ \end{pmatrix} \rightarrow \begin{pmatrix} 1 & 2 & 3 \ 0 & 1 & 2 \ \end{pmatrix} ] 此时，矩阵的秩 $\text{rank}(A) = 2$。
观察 $R$，我们发现只有第一列和第二列包含主元，因此第三列是自由变量。所以，自由变量的数量为 $n - \text{rank}(A) = 3 - 2 = 1$。
根据秩-零化度定理，零空间的维度 $\dim(\text{Null}(A)) = 3 - 2 = 1$。
通过上述步骤，我们不仅可以确定矩阵零空间的维度，还可以进一步构造出零空间的一组基向量。这对于理解线性方程组的解的结构以及进行后续的线性代数分析至关重要。
