Ранг матрицы

Ранг матрицы — это одна из фундаментальных числовых характеристик матрицы, равная наибольшему порядку её минора, отличного от нуля. В более широком смысле ранг матрицы определяет размерность образа (или пространства столбцов) соответствующего линейного оператора, задаваемого этой матрицей. Понятие ранга является ключевым в линейной алгебре, теории систем линейных уравнений и многих прикладных областях, включая вычислительную математику и анализ данных.

Определение и основные понятия

Пусть дана матрица \( A \) размера \( m \times n \) (m строк, n столбцов) с элементами из некоторого поля (например, вещественных или комплексных чисел). Существует несколько эквивалентных определений ранга:

1. Ранг по строкам — максимальное количество линейно независимых строк матрицы.
2. Ранг по столбцам — максимальное количество линейно независимых столбцов матрицы.
3. Минорный ранг — наибольший порядок \( k \), при котором существует минор \( k \)-го порядка, не равный нулю. Минором порядка \( k \) называется определитель квадратной подматрицы, образованной пересечением любых \( k \) строк и \( k \) столбцов исходной матрицы.

Для любой матрицы ранг по строкам всегда равен рангу по столбцам и равен минорному рангу. Это число обозначается как \( \operatorname{rank}(A) \), \( r(A) \) или просто \( r \).

Свойства ранга матрицы

Ранг матрицы обладает рядом важных свойств, которые широко используются при решении задач:

• Неотрицательность и ограниченность: \( 0 \leq \operatorname{rank}(A) \leq \min(m, n) \). Нулевой ранг имеет только нулевая матрица.
• Транспонирование: Ранг матрицы и её транспонированной матрицы совпадают: \( \operatorname{rank}(A) = \operatorname{rank}(A^T) \).
• Умножение на невырожденную матрицу: Умножение матрицы слева или справа на невырожденную (квадратную с ненулевым определителем) матрицу не меняет её ранга.
• Ранг произведения: Ранг произведения двух матриц не превосходит ранга каждого из сомножителей: \( \operatorname{rank}(AB) \leq \min(\operatorname{rank}(A), \operatorname{rank}(B)) \).
• Сложение матриц: \( \operatorname{rank}(A + B) \leq \operatorname{rank}(A) + \operatorname{rank}(B) \).
• Неравенство Сильвестра: Для матриц \( A \) размера \( m \times n \) и \( B \) размера \( n \times k \) выполняется: \( \operatorname{rank}(A) + \operatorname{rank}(B) - n \leq \operatorname{rank}(AB) \).

Методы вычисления ранга

Существует несколько практических способов нахождения ранга матрицы.

Метод элементарных преобразований (метод Гаусса)

Это наиболее распространённый и эффективный метод для ручного и компьютерного счёта. Он основан на том, что элементарные преобразования строк (перестановка строк, умножение строки на ненулевое число, прибавление к одной строке другой, умноженной на число) не меняют ранга матрицы.

Алгоритм:

1. С помощью элементарных преобразований строк матрица приводится к ступенчатому виду (или к форме, близкой к трапециевидной).
2. В ступенчатой матрице все ненулевые строки линейно независимы.
3. Ранг матрицы равен количеству ненулевых строк в полученной ступенчатой форме.

Пример: Для матрицы \( \begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{pmatrix} \) после вычитания из второй строки первой, умноженной на 4, и из третьей — первой, умноженной на 7, получим \( \begin{pmatrix} 1 & 2 & 3 \\ 0 & -3 & -6 \\ 0 & -6 & -12 \end{pmatrix} \). Затем, вычитая из третьей строки вторую, умноженную на 2, получим \( \begin{pmatrix} 1 & 2 & 3 \\ 0 & -3 & -6 \\ 0 & 0 & 0 \end{pmatrix} \). Количество ненулевых строк равно 2, следовательно, ранг исходной матрицы равен 2.

Метод окаймляющих миноров

Этот метод основан на минорном определении ранга. Он заключается в последовательном переборе миноров возрастающего порядка.

Алгоритм:

1. Находят ненулевой минор первого порядка (любой ненулевой элемент).
2. Перебирают миноры второго порядка, которые содержат (окаймляют) найденный ненулевой минор первого порядка. Если все они равны нулю, то ранг равен 1.
3. Если найден ненулевой минор второго порядка, переходят к минорам третьего порядка, которые его окаймляют, и так далее.
4. Процесс продолжается до тех пор, пока не будет найден минор порядка \( k \), отличный от нуля, а все окаймляющие его миноры порядка \( k+1 \) будут равны нулю. Тогда ранг равен \( k \).

Метод окаймляющих миноров более трудоёмок, чем метод Гаусса, но часто используется в теоретических построениях.

Ранг и системы линейных уравнений

Ранг матрицы играет центральную роль в исследовании систем линейных алгебраических уравнений (СЛАУ). Рассмотрим систему \( Ax = b \), где \( A \) — матрица коэффициентов, \( x \) — вектор неизвестных, \( b \) — вектор свободных членов. Составим расширенную матрицу \( (A|b) \), добавив к матрице \( A \) столбец свободных членов.

Теорема Кронекера — Капелли: Система линейных уравнений совместна (имеет хотя бы одно решение) тогда и только тогда, когда ранг основной матрицы \( A \) равен рангу расширенной матрицы \( (A|b) \). Если \( \operatorname{rank}(A) = \operatorname{rank}(A|b) = r \), то:

• Если \( r = n \) (числу неизвестных), система имеет единственное решение.
• Если \( r < n \), система имеет бесконечно много решений. Число свободных переменных (степеней свободы) равно \( n - r \).

Ранг и линейные операторы

В контексте линейных операторов ранг матрицы \( A \) (размера \( m \times n \)), задающей оператор \( T: \mathbb{R}^n \to \mathbb{R}^m \), равен размерности образа этого оператора: \( \operatorname{rank}(A) = \dim(\operatorname{Im} T) \). Связь между размерностями ядра и образа даёт теорема о ранге и дефекте (или теорема о размерности): \( \dim(\ker T) + \dim(\operatorname{Im} T) = n \), где \( \dim(\ker T) \) — размерность ядра оператора (дефект), а \( n \) — размерность пространства прообразов.

Применение в прикладных задачах

Понятие ранга матрицы широко используется в различных областях:

• Вычислительная математика: При решении переопределённых систем методом наименьших квадратов, при анализе обусловленности матриц. Ранг определяет, является ли матрица вырожденной или нет.
• Обработка сигналов и изображений: В методе главных компонент (PCA) и сингулярном разложении (SVD) ранг матрицы данных указывает на количество существенных факторов или источников сигнала. Понижение ранга (low-rank approximation) используется для сжатия изображений и шумоподавления.
• Теория управления: В критериях управляемости и наблюдаемости линейных динамических систем используются ранги специальных матриц (матрицы управляемости Калмана, матрицы наблюдаемости).
• Машинное обучение: В задачах рекомендательных систем (матричная факторизация) и анализа текстов (латентно-семантический анализ) ранг матрицы определяет сложность модели и количество латентных признаков.
• Теория графов: Ранг матрицы смежности или матрицы инцидентности графа связан с его структурными свойствами, например, с количеством компонент связности.

Интересные факты

• Понятие ранга матрицы ввёл немецкий математик Фердинанд Георг Фробениус в 1879 году, хотя отдельные результаты, связанные с этим понятием, были известны и ранее (например, в работах Карла Фридриха Гаусса).
• В компьютерной алгебре и численных методах вычисление ранга матрицы с плавающей точкой является нетривиальной задачей из-за ошибок округления. Для этого используются специальные алгоритмы, основанные на сингулярном разложении (SVD), которые позволяют определить численный ранг — количество сингулярных чисел, превышающих заданный порог.
• Максимально возможный ранг прямоугольной матрицы \( m \times n \) равен \( \min(m, n) \). Такая матрица называется матрицей полного ранга.