{
  "id": "rank-nullity-theorem",
  "title": "秩–零度定理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "秩–零度定理指出，线性映射的秩与零度之和等于其有限维定义域的维数。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "秩与零度定理",
    "线性映射维数定理",
    "维数定理"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/rank-nullity-theorem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/rank-nullity-theorem/",
      "json": "https://aiwiki.page/en/rank-nullity-theorem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "秩–零度定理是线性代数中的一个基本结论，描述了线性映射的输入空间、像与核的维数之间的关系。该定理指出，当定义域为有限维空间时，其维数等于映射的秩与零度之和。秩衡量映射所能产生的输出构成的空间的维数；零度衡量被映射到零的输入构成的空间的维数。这一结论也称为维数定理。(math.dartmouth.edu)"
    },
    {
      "heading": "定理陈述与定义",
      "text": "设 \\(T:V\\to W\\) 是同一域 \\(F\\) 上两个向量空间之间的线性映射，其中 \\(V\\) 为有限维空间。其核与像分别为\n\n\\[\\ker T=\\{v\\in V:T(v)=0\\},\\qquad \\operatorname{im}T=\\{T(v):v\\in V\\}.\\]\n\n它们分别是 \\(V\\) 和 \\(W\\) 的线性子空间。定义\n\n\\[\\operatorname{nullity}T=\\dim(\\ker T),\\qquad \\operatorname{rank}T=\\dim(\\operatorname{im}T).\\]\n\n定理断言\n\n\\[\\boxed{\\dim V=\\operatorname{rank}T+\\operatorname{nullity}T}.\\]\n\n这里的维数是指一组基中向量的个数，而不是空间中元素的个数。只有定义域必须是有限维的；陪域可以是无限维的。(courses.math.wichita.edu)\n\n像不一定等于陪域。因此，公式中使用的是 \\(\\dim(\\operatorname{im}T)\\)，而不是 \\(\\dim W\\)。该定理适用于任意域，既不需要内积，也不需要距离的概念。(lancaster.ac.uk)"
    },
    {
      "heading": "通过扩充基进行证明",
      "text": "一种标准的数学证明从 \\(\\ker T\\) 的一组基\n\n\\[k_1,\\ldots,k_q\\]\n\n出发，将其扩充为 \\(V\\) 的一组基\n\n\\[k_1,\\ldots,k_q,v_1,\\ldots,v_r.\\]\n\n于是 \\(\\dim V=q+r\\)。关键步骤是证明 \\(T(v_1),\\ldots,T(v_r)\\) 构成像的一组基。(homepages.ucl.ac.uk)\n\n\\(V\\) 中的每个向量都是这些基向量的线性组合。由于 \\(T(k_i)=0\\)，对这样的线性组合应用 \\(T\\)，便可看出像中的每个向量都属于 \\(T(v_1),\\ldots,T(v_r)\\) 的线性包。为证明它们线性无关，假设\n\n\\[\\sum_{j=1}^{r}a_jT(v_j)=0.\\]\n\n则 \\(\\sum_j a_jv_j\\in\\ker T\\)，所以它也可以表示为 \\(k_i\\) 的线性组合。由扩充后的基的线性无关性可知，所有 \\(a_j\\) 都等于零。因此，像的维数为 \\(r\\)，核的维数为 \\(q\\)，从而证明了该公式。当核为零子空间或像为零子空间时，相应的基为空集，证明仍然成立。(homepages.ucl.ac.uk)"
    },
    {
      "heading": "矩阵形式与计算",
      "text": "对于域 \\(F\\) 上的一个 \\(m\\times n\\) 矩阵 \\(A\\)，矩阵乘法定义了一个映射 \\(F^n\\to F^m\\)。其像是各列向量的线性包，其核是 \\(A\\) 的零空间。因此，\n\n\\[\\operatorname{rank}A+\\dim(\\ker A)=n.\\]\n\n两者之和等于列数，一般并不等于行数。矩阵的秩既等于列空间的维数，也等于行空间的维数。(lancaster.ac.uk)\n\n高斯消元法给出了这一结论的计算解释。如果行化简后有 \\(r\\) 个主元，那么秩就是 \\(r\\)。在齐次线性方程组 \\(Ax=0\\) 中，其余 \\(n-r\\) 个变量是自由变量。每个自由变量都提供一个独立的解参数，因此零度为 \\(n-r\\)。行变换保持齐次方程组的解集和矩阵的秩不变，但不一定保持列空间本身不变。(math.dartmouth.edu)\n\n例如，考虑\n\n\\[A= \\begin{pmatrix} 1&2&3\\\\ 0&1&1 \\end{pmatrix}.\\]\n\n它的前两列线性无关，因此秩为 \\(2\\)。解方程组 \\(Ax=0\\) 得\n\n\\[x_2=-x_3,\\qquad x_1=-x_3,\\]\n\n所以\n\n\\[\\ker A=\\operatorname{span}\\{(-1,-1,1)\\}.\\]\n\n零度为 \\(1\\)，且 \\(2+1=3\\)，恰好等于定义域的维数。这一例子展示了主元与自由变量的解释。(math.dartmouth.edu)"
    },
    {
      "heading": "对线性方程组的推论",
      "text": "该定理将秩与单射性联系起来：线性映射为单射，当且仅当其核为 \\(\\{0\\}\\)，也等价于其秩等于 \\(\\dim V\\)。如果 \\(W\\) 为有限维空间，则满射性等价于秩等于 \\(\\dim W\\)。因此，当定义域与陪域均为有限维且维数相等时，单射性与满射性等价。对于方阵，这些条件都是可逆性的等价条件。(courses.math.wichita.edu)\n\n有解的方程组 \\(Ax=b\\) 的解集为\n\n\\[x=x_0+z,\\qquad z\\in\\ker A,\\]\n\n其中 \\(x_0\\) 是任意一个特解。该解集是一个维数为 \\(n-r\\) 的仿射空间：秩决定独立约束的个数，而零度给出剩余参数的个数。特别地，\\(m<n\\) 保证齐次方程组存在非零解，因为 \\(r\\le m<n\\)。但这并不能保证非齐次方程组有解。(courses.math.wichita.edu)"
    },
    {
      "heading": "商空间解释与其他算子",
      "text": "商向量空间 \\(V/\\ker T\\) 将差属于核的输入视为同一个元素。诱导映射\n\n\\[v+\\ker T\\longmapsto T(v)\\]\n\n是到 \\(\\operatorname{im}T\\) 的一个同构。这就是向量空间的第一同构定理。对两边取维数，并利用\n\n\\[\\dim(V/\\ker T)=\\dim V-\\dim(\\ker T),\\]\n\n即可得到秩–零度定理。商空间准确地表达了映射保留了输入之间的哪些区别。(math.dartmouth.edu)\n\n该定理也适用于最初并非以矩阵形式给出的算子。在次数不超过 \\(d\\) 的实系数多项式空间上，其中 \\(d\\ge1\\)，求导算子的核由常数多项式组成，维数为一。它的像由所有次数不超过 \\(d-1\\) 的多项式组成，是一个维数为 \\(d\\) 的空间。因此，其秩与零度之和为 \\(d+1\\)，等于定义域的维数。(homepages.ucl.ac.uk)"
    }
  ],
  "links": [
    "linear-algebra",
    "linear-map",
    "field-mathematics",
    "vector-space",
    "kernel-linear-map",
    "image-linear-map",
    "linear-subspace",
    "dimension-vector-space",
    "mathematical-proof",
    "basis-linear-algebra",
    "linear-combination",
    "linear-span",
    "linear-independence",
    "matrix",
    "null-space",
    "matrix-rank",
    "gaussian-elimination",
    "system-of-linear-equations",
    "injective-function",
    "surjective-function",
    "affine-space",
    "quotient-vector-space",
    "isomorphism",
    "first-isomorphism-theorem",
    "polynomial",
    "derivative"
  ],
  "sources": [
    {
      "title": "math.dartmouth.edu/~trs/PreTeXtProjects/linear-algebra-refresher-CLI/output/web…",
      "url": "https://math.dartmouth.edu/~trs/PreTeXtProjects/linear-algebra-refresher-CLI/output/web/sec-rank-nullity.html"
    },
    {
      "title": "courses.math.wichita.edu/math511/ch6/2/KernelAndRange.html",
      "url": "https://courses.math.wichita.edu/math511/ch6/2/KernelAndRange.html"
    },
    {
      "title": "lancaster.ac.uk/~prendivs/accessible/math220/MATH220-Complete-Notes-2017.tex/Ch…",
      "url": "https://www.lancaster.ac.uk/~prendivs/accessible/math220/MATH220-Complete-Notes-2017.tex/Ch4.S4.html"
    },
    {
      "title": "homepages.ucl.ac.uk/~ucahmto/0005_2023/Ch4.S15.html",
      "url": "https://www.homepages.ucl.ac.uk/~ucahmto/0005_2023/Ch4.S15.html"
    },
    {
      "title": "math.dartmouth.edu/~trs/PreTeXtProjects/linear-algebra-refresher-CLI/output/web…",
      "url": "https://math.dartmouth.edu/~trs/PreTeXtProjects/linear-algebra-refresher-CLI/output/web/section-factoring-through-a-quotient.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}