若A列满秩，为何r(AB)=r(B)？

Question

当矩阵 $ A \in \mathbb{R}^{m \times n} $ 列满秩（即 $ \text{rank}(A) = n $）时，为何有 $ \text{rank}(AB) = \text{rank}(B) $？常见疑问在于：为什么左乘一个列满秩矩阵不会改变乘积的秩？尤其当 $ B \in \mathbb{R}^{n \times p} $ 时，如何从线性变换和列空间角度理解 $ AB $ 的列空间与 $ B $ 的列空间之间的维数关系？该性质在矩阵分解与线性方程组求解中有何重要意义？

Answer 1

一、矩阵列满秩下乘积秩不变性的深度解析

在现代数据科学与工程计算中，矩阵的秩（rank）是刻画线性系统自由度的核心指标。当矩阵 $ A \in \mathbb{R}^{m \times n} $ 列满秩（即 $ \text{rank}(A) = n $）时，一个关键性质浮现：对任意 $ B \in \mathbb{R}^{n \times p} $，有

$$ \text{rank}(AB) = \text{rank}(B) $$

这一看似反直觉的结论，实则蕴含着深刻的线性代数结构。本文将从直观理解、数学推导、几何视角及工程应用四个层面，逐步揭示其内在机制。

1. 直观理解：为何左乘“好”矩阵不损失信息？

• 列满秩意味着列向量线性无关：若 $ A \in \mathbb{R}^{m \times n} $ 满足 $ \text{rank}(A) = n $，说明其 $ n $ 个列向量构成 $ \mathbb{R}^m $ 中的一个线性无关组，能张成一个 $ n $ 维子空间。
• 左乘 $ A $ 是一种“嵌入式”线性变换：它将 $ B $ 的每一列从 $ \mathbb{R}^n $ 映射到更高维空间 $ \mathbb{R}^m $，但因为 $ A $ 的列空间维度完整（无压缩），不会引入额外依赖关系。
• 类比函数复合：若 $ f $ 是单射（injective），则 $ f \circ g $ 的像集大小由 $ g $ 决定——这正是列满秩矩阵对应的线性映射特性。

2. 数学推导：从零空间角度严格证明

我们通过核空间（null space）分析来建立严谨逻辑链：

1. 设 $ B \in \mathbb{R}^{n \times p} $，考虑 $ ABx = 0 $。
2. 由于 $ A $ 列满秩，$ Ax = 0 $ 当且仅当 $ x = 0 $，即 $ \text{null}(A) = \{0\} $。
3. 于是 $ ABx = 0 \Rightarrow A(Bx) = 0 \Rightarrow Bx = 0 $。
4. 因此 $ \text{null}(AB) = \text{null}(B) $。
5. 根据秩-零化度定理：
   $$ \text{rank}(AB) = p - \dim(\text{null}(AB)) = p - \dim(\text{null}(B)) = \text{rank}(B) $$

3. 几何视角：列空间的维度守恒

对象	空间	维度	变换作用
$ B $	$ \text{col}(B) \subseteq \mathbb{R}^n $	$ r = \text{rank}(B) $	原始列空间
$ AB $	$ \text{col}(AB) \subseteq \mathbb{R}^m $	$ r $	经 $ A $ 线性嵌入后的像空间
$ A $	单射映射 $ \mathbb{R}^n \to \mathbb{R}^m $	保持维度	无压缩、无塌陷

关键洞察：$ A $ 作为列满秩矩阵，其诱导的线性变换在 $ \mathbb{R}^n $ 上是单射，故将 $ \text{col}(B) $ 同构地嵌入到 $ \mathbb{R}^m $ 中，维数不变。

4. 工程意义：在矩阵分解与求解中的核心地位

graph TD
    A[线性方程组 Ax = b] --> B{A列满秩?}
    B -- 是 --> C[最小二乘解唯一: x = (A^TA)^{-1}A^Tb]
    B -- 否 --> D[需SVD或正则化处理]
    C --> E[QR分解稳定性高]
    E --> F[利用Q正交性保持数值精度]
    F --> G[广泛用于回归、滤波、优化]

该性质支撑了如下关键技术路径：

• QR 分解应用：若 $ A = QR $，$ Q $ 正交（列满秩），则 $ \text{rank}(AB) = \text{rank}(RB) $，简化求解过程。
• 最小二乘法：设计矩阵 $ X $ 若列满秩，则正规方程 $ X^TX\beta = X^Ty $ 有唯一解，且 $ \text{rank}(X^TX) = \text{rank}(X) $。
• 状态观测器设计：控制系统中，可观测性矩阵若列满秩，则输出变换不丢失状态信息维度。
• 降维与特征提取：PCA 中投影矩阵虽非方阵，但若保证列满秩，则保留原始数据协方差结构的有效秩。

5. 常见误区与辨析

开发者常误认为“矩阵越大，信息越多”，但实际上：

# Python 示例：验证 rank(AB) == rank(B)
import numpy as np
from numpy.linalg import matrix_rank

# 构造列满秩 A (5x3)
A = np.random.randn(5, 3)
A[:, 2] = A[:, 0] + 0.5 * A[:, 1]  # 确保线性无关
_, _, V = np.linalg.svd(A)
A_full = V[:3, :].T  # 取前3列正交基构造列满秩矩阵

# 构造低秩 B (3x4), rank=2
B = np.random.randn(3, 2) @ np.random.randn(2, 4)

AB = A_full @ B
print(f"rank(A): {matrix_rank(A_full)}")   # 输出 3
print(f"rank(B): {matrix_rank(B)}")        # 输出 2
print(f"rank(AB): {matrix_rank(AB)}")      # 输出 2 → 相等！

错误认知包括：

• 误以为 $ AB $ 的秩可能更大（实际不可能超过 $ \min(\text{rank}(A), \text{rank}(B)) $）
• 忽视 $ A $ 必须是列满秩而非行满秩
• 混淆左乘与右乘的影响：右乘行满秩矩阵才保持行秩

6. 推广与限制条件

该性质成立的关键前提是 $ A $ 的列满秩，不可放宽为一般情形。反例如下：

案例	A 是否列满秩	B 秩	AB 秩	是否相等
标准情况	是	2	2	✓
A 秩亏	否	2	1	✗
m < n	不可能列满秩	2	≤ m	可能失真

进一步推广：若 $ A $ 有左逆（即存在 $ A^{-L} $ 使得 $ A^{-L}A = I_n $），则同样可得 $ \text{rank}(AB) = \text{rank}(B) $，而列满秩正是左逆存在的充要条件。