第三章矩阵-1.矩阵初等变换以及矩阵秩的定义和性质

一、矩阵的初等变换

矩阵的初等变换分为初等行变换和初等列变换，二者是对偶的。通常我们更常用行变换，因为它与线性方程组的同解变形对应。

1. 三种初等行变换

设矩阵 $A$ 有 $m$ 行，则：

1. 交换两行：$r_i \leftrightarrow r_j$
   将第 $i$ 行与第 $j$ 行互换位置。

2. 倍乘某一行：$r_i \leftarrow k r_i$（$k \neq 0$）
   将第 $i$ 行所有元素乘以非零常数 $k$。

3. 倍加某一行：$r_i \leftarrow r_i + k r_j$（$j \neq i$）
   将第 $j$ 行的 $k$ 倍加到第 $i$ 行上，其它行不变。

2. 初等矩阵

初等矩阵是指对单位矩阵进行一次初等变换得到的矩阵。

设 $I$ 是 $n$ 阶单位矩阵。对 $I$ 施行一次初等变换，得到的矩阵称为初等矩阵。

由于初等变换有三种类型，初等矩阵也相应分为三类：

2.1 第一类初等矩阵：交换两行（或两列）

记 $E_{ij}$ 为交换单位矩阵的第 $i$ 行与第 $j$ 行（或第 $i$ 列与第 $j$ 列）得到的矩阵。

例子（3阶）：

（交换了第1行和第3行）

特点：

• 主对角线上除了 $i$ 和 $j$ 位置外都是1，$i$ 和 $j$ 位置变为0
• 非对角线上有两个1，位于 $(i,j)$ 和 $(j,i)$ 位置
• $E_{ij}^{-1} = E_{ij}$（交换两次复原）

---

2.2 第二类初等矩阵：某行（或某列）乘以非零常数

记 $E_i(k)$ 为单位矩阵的第 $i$ 行乘以 $k$（$k \neq 0$）得到的矩阵。

例子（3阶）：

（第2行乘以 $k$）

特点：

• 对角线上除了第 $i$ 个位置是 $k$，其余都是1
• 其他位置都是0
• $E_i(k)^{-1} = E_i(1/k)$

---

2.3 第三类初等矩阵：某行加上另一行的倍数（或某列加上另一列的倍数）

记 $E_{ij}(k)$ 为单位矩阵的第 $j$ 行乘以 $k$ 加到第 $i$ 行（$i \neq j$）得到的矩阵。

例子（3阶）：

（第3行乘以 $k$ 加到第1行）

特点：

• 主对角线都是1
• 在 $(i,j)$ 位置有一个 $k$，其余非对角元为0
• $E_{ij}(k)^{-1} = E_{ij}(-k)$

---

2.4 初等矩阵的作用

初等矩阵左乘或右乘一个矩阵，相当于对该矩阵施行初等变换。

2.4.1 左乘：行变换

定理：设 $A$ 是 $m \times n$ 矩阵，$P$ 是 $m$ 阶初等矩阵，则 $PA$ 等于对 $A$ 施行一次初等行变换。

• $E_{ij} A$：交换 $A$ 的第 $i$ 行和第 $j$ 行
• $E_i(k) A$：将 $A$ 的第 $i$ 行乘以 $k$
• $E_{ij}(k) A$：将 $A$ 的第 $j$ 行的 $k$ 倍加到第 $i$ 行

2.4.2 右乘：列变换

定理：设 $A$ 是 $m \times n$ 矩阵，$Q$ 是 $n$ 阶初等矩阵，则 $AQ$ 等于对 $A$ 施行一次初等列变换。

• $A E_{ij}$：交换 $A$ 的第 $i$ 列和第 $j$ 列
• $A E_i(k)$：将 $A$ 的第 $i$ 列乘以 $k$
• $A E_{ij}(k)$：将 $A$ 的第 $j$ 列的 $k$ 倍加到第 $i$ 列

这个问题一句话抓住本质： 左乘 = 作用在行上；右乘 = 作用在列上。

2.4.3 具体的数字例子

通过具体的数字例子，直观展示初等矩阵左乘和右乘的作用效果。

设我们有一个 $3 \times 3$ 矩阵：

为看得更清楚，我用具体数字：

1) 第一类初等矩阵：交换行/列

初等矩阵 $E_{13}$（交换第1行和第3行）

左乘 $E_{13} A$（行变换）：

✅ 效果：交换了原矩阵的第1行和第3行。

右乘 $A E_{13}$（列变换）：

✅ 效果：交换了原矩阵的第1列和第3列。

---

2) 第二类初等矩阵：行/列乘以常数

初等矩阵 $E_2(3)$（第2行乘以3）

左乘 $E_2(3) A$：

✅ 效果：原矩阵的第2行每个元素乘以3。

右乘 $A E_2(3)$：

✅ 效果：原矩阵的第2列每个元素乘以3。

---

3) 第三类初等矩阵：行/列加上另一行的倍数

初等矩阵 $E_{13}(2)$（第3行乘以2加到第1行

注意：这个矩阵的含义是：将第3行的2倍加到第1行（左乘时）。

左乘 $E_{13}(2) A$：

计算第1行：$1 \times (1,2,3) + 0 \times (4,5,6) + 2 \times (7,8,9) = (1+14, 2+16, 3+18) = (15, 18, 21)$

结果：

✅ 效果：原矩阵的第3行乘以2，加到第1行。

对于列变换，需要用 $E_{13}(2)$ 右乘

右乘 $A E_{13}(2)$：

但注意：$E_{13}(2)$ 右乘时，表示将第1列的2倍加到第3列（与左乘的行操作是对偶的）。

验证：

计算第3列：$2 \times \text{第1列} + 0 \times \text{第2列} + 1 \times \text{第3列}$ = $2 \begin{pmatrix}1 \\ 4 \\ 7\end{pmatrix} + \begin{pmatrix}3 \\ 6 \\ 9\end{pmatrix} = \begin{pmatrix}2+3 \\ 8+6 \\ 14+9\end{pmatrix} = \begin{pmatrix}5 \\ 14 \\ 23\end{pmatrix}$

结果：

✅ 效果：原矩阵的第1列乘以2，加到第3列。

---

4) 组合应用：用初等矩阵实现行最简形

我们通过一系列左乘初等矩阵，将 $A$ 化为行阶梯形。

原矩阵：

步骤1：将第1行的-4倍加到第2行
用 $E_{21}(-4) = \begin{pmatrix}1 & 0 & 0 \\ -4 & 1 & 0 \\ 0 & 0 & 1\end{pmatrix}$

步骤2：将第1行的-7倍加到第3行
用 $E_{31}(-7) = \begin{pmatrix}1 & 0 & 0 \\ 0 & 1 & 0 \\ -7 & 0 & 1\end{pmatrix}$

步骤3：将第2行的-2倍加到第3行
用 $E_{32}(-2) = \begin{pmatrix}1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & -2 & 1\end{pmatrix}$

最终得到行阶梯形。整个过程可写成：

---

5)总结对照表

初等矩阵	左乘效果（行变换）	右乘效果（列变换）
$E_{ij}$	交换第 $i$ 行和第 $j$ 行	交换第 $i$ 列和第 $j$ 列
$E_i(k)$	第 $i$ 行乘以 $k$	第 $i$ 列乘以 $k$
$E_{ij}(k)$	第 $j$ 行的 $k$ 倍加到第 $i$ 行	第 $i$ 列的 $k$ 倍加到第 $j$ 列

关键记忆点：

• 左乘 = 行变换
• 右乘 = 列变换
• 对于 $E_{ij}(k)$，左乘时下标含义：将第 $j$ 行的 $k$ 倍加到第 $i$ 行
• 对于 $E_{ij}(k)$，右乘时下标含义：将第 $i$ 列的 $k$ 倍加到第 $j$ 列（注意行列下标对应关系有镜像效果）

这种用矩阵乘法表示初等变换的方式，为后续学习矩阵分解（如LU分解）、求解线性方程组、求逆矩阵等奠定了代数基础。

2.4.3 矩阵乘法怎么算？（关键）

矩阵相乘时：

• 左边矩阵的行 去点乘 右边矩阵的列
• 结果的第 $i$ 行，完全由 左边第 $i$ 行 决定
• 结果的第 $j$ 列，完全由 右边第 $j$ 列 决定

所以：

• 想改 行 ⇒ 改左边矩阵
• 想改 列 ⇒ 改右边矩阵

这就是根本原因。

我用最直观、一步一步拆开算的方式，把这句话彻底讲透：

矩阵相乘 $C=AB$ 时：

1. 结果 $C$ 的第 $i$ 行，只由 $A$ 的第 $i$ 行决定
2. 结果 $C$ 的第 $j$ 列，只由 $B$ 的第 $j$ 列决定

这就是为什么： 左乘影响行，右乘影响列。

先回忆矩阵乘法怎么算

其中

为什么：C 的第 i 行，只由 A 的第 i 行决定？

看一行就够了。

设：

• $A$ 第 $i$ 行：$\begin{pmatrix}a_{i1}&a_{i2}&\dots&a_{in}\end{pmatrix}$
• $B$ 是任意矩阵

那么 $C$ 第 $i$ 行的每一个元素是：

你发现没： 整一行 $c_{i1},c_{i2},\dots$ 从头到尾，只用到了 $A$ 的第 $i$ 行，跟 $A$ 其他行完全没关系！

所以：

左边矩阵控制“结果的每一行怎么来” 想改哪一行，就改左边矩阵的那一行 ⇒ 左乘 = 行变换

---

为什么：C 的第 j 列，只由 B 的第 j 列决定？

同样道理，看一列：

$C$ 第 $j$ 列的元素：

整一列，从头到尾只用到 $B$ 的第 $j$ 列，跟 $B$ 其他列没关系。

所以：

右边矩阵控制“结果的每一列怎么来” 想改哪一列，就改右边矩阵的那一列 ⇒ 右乘 = 列变换

用一句超级通俗的话总结

• A 在左边 = 包工头 它说：“我派出我的第 $i$ 行，去跟 $B$ 所有列做点积，拼出 $C$ 的第 $i$ 行。” ⇒ A 管行

• B 在右边 = 施工队 它说：“我的第 $j$ 列，要跟 $A$ 所有行做点积，拼出 $C$ 的第 $j$ 列。” ⇒ B 管列

2.4.4 左乘 $E$ = 行变换（直观例子）

设

计算 $EA$：

结果：A 的两行被交换了。 因为 $E$ 在左边，它控制行怎么组合。

---

2.4.5 右乘 $E$ = 列变换（同样例子）

计算 $AE$：

结果：A 的两列被交换了。 因为 $E$ 在右边，它控制列怎么组合。

---

2.4.6 一句话总结（最本质）

• 左乘： 初等矩阵控制 A 的行如何线性组合 ⇒ 行变换

• 右乘： 初等矩阵控制 A 的列如何线性组合 ⇒ 列变换

---

2.4.7 推广到任意初等矩阵

不管是：

• 交换行/列
• 某行/列乘常数
• 某行/列加到另一行/列

永远是：

• 左乘 ⟷ 行变换
• 右乘 ⟷ 列变换

---

2.5 初等矩阵的性质

2.5.1 可逆性

所有初等矩阵都是可逆的，且逆矩阵仍是同类型的初等矩阵：

• $E_{ij}^{-1} = E_{ij}$
• $E_i(k)^{-1} = E_i(1/k)$
• $E_{ij}(k)^{-1} = E_{ij}(-k)$

2.5.2 行列式

• $\det(E_{ij}) = -1$
• $\det(E_i(k)) = k$
• $\det(E_{ij}(k)) = 1$

2.5.3. 初等矩阵的乘积

任何一个可逆矩阵都可以表示为一系列初等矩阵的乘积（因为可逆矩阵可以通过初等变换化为单位矩阵，逆过程就是初等矩阵的乘积）。

---

2.6应用：用初等矩阵求逆矩阵

如果 $A$ 可逆，则存在初等矩阵 $P_1, P_2, \ldots, P_k$ 使得：

于是：

这意味着：对 $(A \mid I)$ 施行与 $A$ 化为 $I$ 相同的初等行变换，当左边变成 $I$ 时，右边就是 $A^{-1}$。

---

2.7总结

类型	名称	初等矩阵形式	作用	逆矩阵
第一类	交换矩阵	$E_{ij}$	交换第 $i, j$ 行/列	$E_{ij}$
第二类	倍乘矩阵	$E_i(k)$	第 $i$ 行/列乘以 $k$	$E_i(1/k)$
第三类	倍加矩阵	$E_{ij}(k)$	第 $j$ 行/列的 $k$ 倍加到第 $i$ 行/列	$E_{ij}(-k)$

核心思想：初等矩阵是初等变换的代数表示，它将"对矩阵的操作"转化为"矩阵乘法"，使得我们能够用代数的语言来研究初等变换，是连接矩阵运算与线性变换的桥梁。

---

二、线性方程组与矩阵初等变换

考虑 $m$ 个方程 $n$ 个未知数的线性方程组：

写成矩阵形式：

其中 $A = (a_{ij})_{m\times n}$ 是系数矩阵，增广矩阵为：

核心思想：对增广矩阵进行初等行变换，不改变方程组的解集。
通过初等行变换，可以将增广矩阵化为行阶梯形（行最简形），从而判断解的情况并求解。

---

1. 消元过程与矩阵行阶梯形

通过行变换，我们得到行阶梯形（每个非零行首非零元下方全为0）和行最简形（每个非零行首非零元为1，且所在列其他元素为0）。

例：

这是行阶梯形。若再将每行首元化为1，并消除其上方的元素，则得行最简形。

• 行阶梯形定义：
  • 如果某一行全是 0（全零行），它必须排在所有非零行的下面
  • 每一行第一个不为 0 的数字（我们叫它主元或领头羊），必须比上一行的“领头羊”更靠右。
  • 每个“领头羊”所在的这一列，它下面的所有元素必须全是 0。

行阶梯形,类似下楼梯：想象你在走楼梯，每一步都要往右走，并且往下走。不能往左回退，也不能在同一层平铺。

• 行最简形（简化行阶梯形）
  • 在阶梯形基础上进一步满足：
    • 每个主元都是 1
    • 主元所在列其他元素全为 0

2. 解的判定

非齐次线性方程组 ($Ax=b$)

设线性方程组 $Ax=b$ 的系数矩阵为 $A$，增广矩阵为 $\bar{A}$，未知数个数为 $n$。 令 $R(A)$ 表示矩阵 $A$ 的秩，$R(\bar{A})$ 表示增广矩阵的秩。

1. 无解：当且仅当 $R(A) < R(\bar{A})$。
   • 在行阶梯形中表现为出现了一行 $(0, 0, \dots, 0 | d)$，其中 $d \neq 0$（即 $0=d$ 的矛盾方程）。
2. 有唯一解：当且仅当 $R(A) = R(\bar{A}) = n$。
   • 此时每个未知数都有唯一确定的值。
3. 有无穷多解：当且仅当 $R(A) = R(\bar{A}) < n$。
   • 此时自由未知量（自由变量）的个数为 $n - R(A)$。通解可以表示为特解加上齐次方程组通解的线性组合。

齐次线性方程组 ($Ax=0$)

• 永远有解（至少有零解 $x=0$）。
• 只有零解 $\iff R(A) = n$。
• 有非零解 $\iff R(A) < n$。

---

三、矩阵的秩

1. 定义

矩阵 $A$ 的秩 $\mathrm{rank}(A)$ 有几种等价定义：

• 行列式定义：矩阵中非零子式的最高阶数。
• 行秩定义：行向量组的极大线性无关组的向量个数（行秩）。
• 列秩定义：列向量组的极大线性无关组的向量个数（列秩）。

重要结论：行秩 = 列秩 = 秩。

1.1 核心结论：形状不同，但“秩”相同

• 行数与列数：描述的是矩阵的物理尺寸（外形）。
  • 例如：一个 $3 \times 5$ 的矩阵，有 3 行、5 列。显然 $3 \neq 5$。
• 行秩与列秩：描述的是矩阵内部包含的有效信息量（维度）。
  • 行秩：行向量中线性无关的个数。
  • 列秩：列向量中线性无关的个数。

定理：对于任意 $m \times n$ 矩阵 $A$，都有： $\text{行秩}(A) = \text{列秩}(A) = R(A)$ 这个共同的值，就是我们常说的矩阵的秩。

1.2 直观理解：为什么它们会相等？

你可能会觉得奇怪：行数和列数都不一样，为什么它们能挑出的“独立代表”（秩）数量会一样呢？

我们可以用**“行阶梯形”**（也就是上一轮对话提到的“楼梯”）来解释，这是最直观的方法：

想象你对这个 $3 \times 5$ 的矩阵进行高斯消元，把它化成行阶梯形：

在这个阶梯形中：

1. 看行（行秩）：数一数有多少个非零行（有台阶的行）。这里有 3 个非零行。所以行秩 = 3。
2. 看列（列秩）：数一数有多少个主元列（也就是包含台阶“领头羊”的列，即第1、2、4列）。这里也有 3 个主元列。所以列秩 = 3。

结论： 无论矩阵长什么样，“非零行的数量”永远等于“主元列的数量”。因为每一个台阶（非零行）必然对应一个唯一的“领头羊”（主元列）。这就是行秩等于列秩的根本原因。

1.3 限制条件：秩受限于“短板”

虽然行秩等于列秩，但它们的最大值受限于行数和列数中较小的那一个。

对于一个 $m \times n$ 的矩阵，其秩 $R(A)$ 满足： $R(A) \le \min(m, n)$

• 例子 A ($3 \times 5$ 矩阵)：
  • 行数 3，列数 5。
  • 行秩最多是 3（因为只有 3 行）。
  • 列秩最多是 5（因为只有 5 列）。
  • 因为行秩=列秩，所以这个矩阵的秩最大只能是 3。不可能达到 5。
• 例子 B ($5 \times 3$ 矩阵)：
  • 行数 5，列数 3。
  • 这个矩阵的秩最大只能是 3。

1.4 总结

比较项目	行数 vs 列数	行秩 vs 列秩
定义	矩阵的长和宽	矩阵内部独立信息的维度
非方阵情况	不相等 (例如 $3 \times 5$)	始终相等 (例如都是 3)
关系	决定了秩的上限	是同一个数值，统称为矩阵的秩

所以，不用担心矩阵是不是方方正正的，只要算出了行秩，你就同时也知道了列秩，它们永远是一对“双胞胎”。

2. 秩的性质

设 $A, B$ 为 $m \times n$ 矩阵，$k$ 为非零常数：

1. 范围限制： $0 \le R(A) \le \min(m, n)$

   • 若 $R(A) = \min(m, n)$，称 $A$ 为满秩矩阵。
   • 若 $A$ 是 $n$ 阶方阵且 $R(A)=n$，则 $A$ 可逆（非奇异）。

2. 初等变换不变性：

   • 初等变换不改变矩阵的秩。即若 $A \sim B$，则 $R(A) = R(B)$。
   • 这也是为什么我们可以通过将矩阵化为行阶梯形来求秩：行阶梯形矩阵中非零行的行数即为该矩阵的秩。

3. 运算性质：

   • $R(A^T) = R(A)$ （转置不改变秩）。
   • $R(kA) = R(A)$ ($k \neq 0$)。
   • $R(A + B) \le R(A) + R(B)$。
   • $R(AB) \le \min(R(A), R(B))$。
   • 若 $P, Q$ 为可逆矩阵，则 $R(PAQ) = R(A)$。

4. 与行列式的关系（针对 $n$ 阶方阵 $A$）：

   • $R(A) = n \iff |A| \neq 0$ （满秩，可逆）。
   • $R(A) < n \iff |A| = 0$ （降秩，不可逆）。

5. 分块矩阵性质：

   • $R\begin{pmatrix} A & 0 \\ 0 & B \end{pmatrix} = R(A) + R(B)$。

前置知识：两个核心直觉

1. 秩的直观定义： 把矩阵通过初等行变换化成行阶梯形（像楼梯一样），非零行的行数就是矩阵的秩。

   • 为什么？ 因为每一行非零行都代表一个独立的方程（或独立的信息），全零行代表“0=0”的废话，没有信息量。

2. 初等变换的本质：

   • 交换两行 $\to$ 只是换个顺序说话，信息没变。
   • 某行乘非零数 $\to$ 只是换了个单位说话（比如“1米”变成“100厘米”），信息没变。
   • 一行加到另一行 $\to$ 只是把两个信息混合了一下，并没有创造新信息，也没丢掉旧信息（因为这个过程是可逆的）。
   • 结论：初等变换不改变矩阵的秩。

---

性质 1：转置不改变秩 $R(A) = R(A^T)$

通俗解释： 矩阵的秩既等于“行向量组”中独立向量的个数（行秩），也等于“列向量组”中独立向量的个数（列秩）。

• $A$ 的行，就是 $A^T$ 的列。
• $A$ 的列，就是 $A^T$ 的行。

“证明”逻辑： 我们在解方程组时习惯用“行变换”求秩，算出来的是“行秩”。 但在数学深层理论中有一个伟大的定理：任何矩阵的行秩都严格等于列秩。 既然 $R(A)$ 是 $A$ 的行秩，而 $A$ 的行就是 $A^T$ 的列，那么 $R(A)$ 就等于 $A^T$ 的列秩。 又因为 $A^T$ 的列秩 = $A^T$ 的行秩（即 $R(A^T)$）。 所以，$R(A) = R(A^T)$。

一句话总结：横着数有多少条独立信息，竖着数也是多少条，转置只是把横竖互换，总数不变。

---

性质 2：数乘不改变秩 ($k \neq 0$ 时，$R(kA) = R(A)$)

通俗解释： 如果你把一份文件里的所有数字都扩大 100 倍，这份文件包含的“有效信息条数”变了吗？没有。 只要 $k \neq 0$，原本是非零的行，乘以 $k$ 后还是非零；原本是零的行，乘以 $k$ 后还是零。

“证明”逻辑：

1. 对 $A$ 做初等行变换化为阶梯形 $U$，非零行数为 $r$，则 $R(A)=r$。
2. 对 $kA$ 做同样的变换（除了倍乘那一步系数变了，其他逻辑一样），得到的阶梯形其实就是 $kU$。
3. 因为 $k \neq 0$，所以 $U$ 中的非零行在 $kU$ 中依然是非零行（不可能因为乘个非零数就变成0）。
4. 所以非零行数依然是 $r$。
5. 故 $R(kA) = R(A)$。

---

性质 3：和的秩不超过秩的和 $R(A+B) \le R(A) + R(B)$

通俗解释： 假设 $A$ 代表了 $r_A$ 条独立信息，$B$ 代表了 $r_B$ 条独立信息。 当你把 $A$ 和 $B$ 加起来得到 $A+B$ 时，新的矩阵里的每一行，本质上都是 $A$ 的行和 $B$ 的行的“混合体”。

• $A+B$ 能产生的最大独立信息量，绝对不可能超过 $A$ 和 $B$ 各自独立信息量的总和。
• 甚至可能更少！因为 $A$ 里的某条信息和 $B$ 里的某条信息可能刚好抵消了（比如 $1$ 和 $-1$ 相加变 $0$），导致信息丢失。

“证明”逻辑：

1. 设 $A$ 的行向量组的极大无关组有 $r_A$ 个向量，$B$ 的有 $r_B$ 个。
2. $A+B$ 的每一行都可以写成：($A$的某行) + ($B$的某行)。
3. 这意味着，$A+B$ 的所有行向量，都可以由“$A$的极大无关组”加上“$B$的极大无关组”这总共 $r_A + r_B$ 个向量线性表示出来。
4. 根据线性代数基本定理：如果一个向量组能被 $m$ 个向量线性表示，那么这个向量组的秩（独立个数）一定 $\le m$。
5. 这里 $m = r_A + r_B$，所以 $R(A+B) \le R(A) + R(B)$。

---

性质 4：乘积的秩不超过因子的秩 $R(AB) \le \min(R(A), R(B))$

这是最难理解但也最重要的性质之一。我们要分两部分看：$R(AB) \le R(A)$ 和 $R(AB) \le R(B)$。

第一部分：$R(AB) \le R(B)$

通俗解释： 把 $B$ 看作是一组原材料（列向量），$A$ 看作是一个加工机器（线性变换）。 $AB$ 的结果，就是把 $B$ 的每一列都扔进机器 $A$ 里加工了一下。

• 如果 $B$ 只有 3 种独立的原材料（$R(B)=3$），那么不管机器 $A$ 多厉害，加工出来的产品最多也只有 3 种独立类型。机器不能无中生有创造出新的独立性。
• 甚至，如果机器 $A$ 是个“粉碎机”（比如全是0），那产品可能连 3 种都没有了。

“证明”逻辑：

1. 证明 $r(AB) \le r(B)$
   设 $B$ 的列向量组为 $\beta_1, \beta_2, \ldots, \beta_p$，则

   $$AB = A(\beta_1, \beta_2, \ldots, \beta_p) = (A\beta_1, A\beta_2, \ldots, A\beta_p)$$

   所以 $AB$ 的列向量是 $A\beta_1, \ldots, A\beta_p$。
   若 $\beta_{i_1}, \ldots, \beta_{i_r}$ 是 $B$ 的列向量组的极大无关组，则任一 $\beta_j$ 可由它们线性表示。设

   $$\beta_j = \sum_{k=1}^r c_{jk} \beta_{i_k}$$

   左乘 $A$ 得

   $$A\beta_j = \sum_{k=1}^r c_{jk} (A\beta_{i_k})$$

   因此 $AB$ 的任一列可由 $\{A\beta_{i_1}, \ldots, A\beta_{i_r}\}$ 线性表示。故 $r(AB) \le r = r(B)$。

2. 证明 $r(AB) \le r(A)$
   利用转置：

   $$r(AB) = r((AB)^T) = r(B^T A^T) \le r(B^T) \quad \text{(由上面已证)}$$

   而 $r(B^T) = r(B)$，这个方向不能直接得到 $r(A)$ 的上界。
   换一种思路：考虑 $AB$ 的行向量。$AB$ 的行向量是 $A$ 的行向量的线性组合（系数来自 $B$）。具体地，若 $A$ 的行向量为 $\alpha_1, \ldots, \alpha_m$，则 $AB$ 的第 $i$ 行是 $\alpha_i B$。
   设 $\alpha_{i_1}, \ldots, \alpha_{i_s}$ 是 $A$ 的行向量组的极大无关组（$s = r(A)$），则任一 $\alpha_i$ 可由它们线性表示，从而 $\alpha_i B$ 也可由 $\alpha_{i_1}B, \ldots, \alpha_{i_s}B$ 线性表示。所以 $AB$ 的行秩 $\le s = r(A)$。

   因此 $r(AB) \le r(A)$ 且 $r(AB) \le r(B)$，即 $r(AB) \le \min\{r(A), r(B)\}$。

结论： 既然 $R(AB)$ 既小于等于 $R(A)$，又小于等于 $R(B)$，那它自然小于等于两者中较小的那个： $R(AB) \le \min(R(A), R(B))$

一句话总结：乘法就像过筛子。$A$ 和 $B$ 谁的信息量少（秩小），谁就是瓶颈，最终结果的信息量绝不可能超过这个瓶颈。

四、秩的求法与示例

求秩方法：通过初等行变换化为行阶梯形，非零行的行数即为秩。

例：

行变换：

交换第2、3行：

有两个非零行，故 $\mathrm{rank}(A) = 2$。

---

五、总结

概念	说明
初等行变换	三种基本操作，对应左乘初等矩阵，保持方程组同解
初等列变换	类似，对应右乘初等矩阵，不影响秩
行阶梯形	通过行变换得到，用于判断秩和解的情况
矩阵的秩	行秩=列秩，等于非零子式最高阶数，初等变换不变
秩与方程	秩决定解的存在性、唯一性，以及自由变量个数

矩阵初等变换、秩和线性方程组的解之间构成了一个完整的理论体系：通过初等变换求秩，通过秩判定解的结构，通过行最简形直接写出通解。

六、参考文献

本文参考AI回答，豆包，Deepseek,千问