---
title: 3-5-四大子空间的维数
aliases:
  - 四大子空间
  - Four Fundamental Subspaces
  - 基本子空间
tags:
  - 线代/向量空间
  - 类型/教程
created: 2026-10-11
updated: 2026-10-12
level: 进阶
chapter: "3.5"
prerequisites:
  - "[[3-1-向量空间]]"
  - "[[3-2-零空间与阶梯形]]"
  - "[[3-3-Ax=b的完整解]]"
  - "[[3-4-线性无关基与维数]]"
sources:
  - https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/
  - https://math.mit.edu/~gs/linearalgebra/
  - https://docs.scipy.org/doc/scipy/reference/generated/scipy.linalg.null_space.html
---

# 3-5-四大子空间的维数

> [!abstract] 一句话概括
> 对一个 $m \times n$ 矩阵 $A$，只要知道它的**秩（rank）** $r$，就能立刻写出四个基本子空间的维数：$\dim\mathbf{C}(A) = r$、$\dim\mathbf{N}(A) = n - r$、$\dim\mathbf{C}(A^{\mathrm{T}}) = r$、$\dim\mathbf{N}(A^{\mathrm{T}}) = m - r$。
> 本篇覆盖：**四大子空间（four fundamental subspaces）**的完整定义与所属的欧几里得空间、四个维数公式、**行秩等于列秩**定理的完整表述与证明、求四个空间各自的基的标准流程、一个 $3\times4$ 秩为 2 的完整数值例子、四大子空间与 $A\mathbf{x}=\mathbf{b}$ 可解性/唯一性的关系，以及通往第 4 章正交分解的预告。
> 这是全库最重要的一篇：第 4 章的正交性、第 6 章的特征值、第 7 章的 SVD、第 10 章的图与网络，全部建立在这四个空间之上。

## 一、定义：四个子空间分别是什么

### 1.1 记号与基本约定

设 $A$ 是 $m \times n$ 的实矩阵，即 $A \in \mathbb{R}^{m \times n}$。我们把 $A$ 按列分块、按行分块：

$$
A = \begin{bmatrix} \mathbf{a}_1 & \mathbf{a}_2 & \cdots & \mathbf{a}_n \end{bmatrix} = \begin{bmatrix} \mathbf{r}_1^{\mathrm{T}} \\ \mathbf{r}_2^{\mathrm{T}} \\ \vdots \\ \mathbf{r}_m^{\mathrm{T}} \end{bmatrix}
$$

其中每个 $\mathbf{a}_j \in \mathbb{R}^m$ 是第 $j$ 列（$m$ 维），每个 $\mathbf{r}_i \in \mathbb{R}^n$ 是第 $i$ 行转置成的列向量（$n$ 维）。回顾 $A\mathbf{x}$ 的列图像：

$$
A\mathbf{x} = x_1\mathbf{a}_1 + x_2\mathbf{a}_2 + \cdots + x_n\mathbf{a}_n
$$

也就是说，$A\mathbf{x}$ 永远是 $A$ 的列的**线性组合（linear combination）**。这句话是理解列空间与零空间的钥匙。

### 1.2 四个子空间的定义

> [!note] 定义（四大子空间）
> 设 $A \in \mathbb{R}^{m \times n}$，$r = \operatorname{rank}(A)$。
>
> **（1）列空间（column space）** $\mathbf{C}(A)$：由 $A$ 的所有列的线性组合构成的集合，
> $$\mathbf{C}(A) = \{ A\mathbf{x} \mid \mathbf{x} \in \mathbb{R}^n \} = \operatorname{span}\{\mathbf{a}_1, \dots, \mathbf{a}_n\} \subseteq \mathbb{R}^m$$
>
> **（2）零空间（nullspace）** $\mathbf{N}(A)$：使 $A\mathbf{x} = \mathbf{0}$ 成立的所有 $\mathbf{x}$ 的集合，
> $$\mathbf{N}(A) = \{ \mathbf{x} \in \mathbb{R}^n \mid A\mathbf{x} = \mathbf{0} \} \subseteq \mathbb{R}^n$$
>
> **（3）行空间（row space）** $\mathbf{C}(A^{\mathrm{T}})$：由 $A$ 的所有行的线性组合构成的集合，等价地是 $A^{\mathrm{T}}$ 的列空间，
> $$\mathbf{C}(A^{\mathrm{T}}) = \{ A^{\mathrm{T}}\mathbf{y} \mid \mathbf{y} \in \mathbb{R}^m \} = \operatorname{span}\{\mathbf{r}_1, \dots, \mathbf{r}_m\} \subseteq \mathbb{R}^n$$
>
> **（4）左零空间（left nullspace）** $\mathbf{N}(A^{\mathrm{T}})$：使 $A^{\mathrm{T}}\mathbf{y} = \mathbf{0}$ 成立的所有 $\mathbf{y}$ 的集合，
> $$\mathbf{N}(A^{\mathrm{T}}) = \{ \mathbf{y} \in \mathbb{R}^m \mid A^{\mathrm{T}}\mathbf{y} = \mathbf{0} \} \subseteq \mathbb{R}^m$$

四个名字里只有「左零空间」需要解释：把 $A^{\mathrm{T}}\mathbf{y} = \mathbf{0}$ 两边转置，得到 $\mathbf{y}^{\mathrm{T}}A = \mathbf{0}^{\mathrm{T}}$。也就是说 $\mathbf{y}^{\mathrm{T}}$ 是**从左边**乘 $A$ 得到零行向量的向量，故称「左零」。它在解方程组时的含义是：$A$ 的各行的一个线性组合等于零行。

**必须先验证这四者都是子空间。** 以 $\mathbf{N}(A)$ 为例：若 $A\mathbf{x} = \mathbf{0}$、$A\mathbf{y} = \mathbf{0}$，则对任意标量 $c$ 有 $A(\mathbf{x} + \mathbf{y}) = \mathbf{0} + \mathbf{0} = \mathbf{0}$、$A(c\mathbf{x}) = c \cdot \mathbf{0} = \mathbf{0}$，且 $\mathbf{0} \in \mathbf{N}(A)$ 非空，故 $\mathbf{N}(A)$ 对加法与数乘封闭，是子空间。$\mathbf{C}(A)$ 是若干向量的张成（span），张成必然是子空间（见 [[3-1-向量空间]]）。$\mathbf{C}(A^{\mathrm{T}})$、$\mathbf{N}(A^{\mathrm{T}})$ 同理。

> [!warning] 最容易搞错的地方：四个空间住在**两个不同**的欧几里得空间里
> - $\mathbf{C}(A)$ 与 $\mathbf{N}(A^{\mathrm{T}})$ 都是 $\mathbb{R}^m$ 的子空间（向量有 $m$ 个分量）
> - $\mathbf{N}(A)$ 与 $\mathbf{C}(A^{\mathrm{T}})$ 都是 $\mathbb{R}^n$ 的子空间（向量有 $n$ 个分量）
>
> 也就是说：**$A$ 把 $\mathbb{R}^n$ 送进 $\mathbb{R}^m$**，于是与「输入侧 $\mathbb{R}^n$」有关的是 $\mathbf{N}(A)$ 和行空间，与「输出侧 $\mathbb{R}^m$」有关的是列空间和左零空间。很多初学者写出「$\mathbf{N}(A)$ 与 $\mathbf{C}(A)$ 正交」这种话——这两个空间里的向量分量个数都不同（$n$ 与 $m$），当 $m \neq n$ 时**连做点积的资格都没有**，谈正交毫无意义。

### 1.3 四个空间的关系图

把 $A$ 看成映射 $A: \mathbb{R}^n \to \mathbb{R}^m$，可以用下面这张「文字示意图」记住四个空间的位置：

```
        R^n  (输入空间)                    R^m  (输出空间)
   ┌──────────────────────┐          ┌──────────────────────┐
   │  行空间 C(A^T)       │          │  列空间 C(A)         │
   │  维数 r              │  --A-->  │  维数 r              │
   │                      │          │                      │
   │  零空间 N(A)         │          │  左零空间 N(A^T)     │
   │  维数 n - r          │  --A-->  │  维数 m - r          │
   └──────────────────────┘          └──────────────────────┘
     两个子空间拼满 R^n                两个子空间拼满 R^m
     r + (n - r) = n                   r + (m - r) = m
```

左侧两块的维数之和恰为 $n$，右侧两块的维数之和恰为 $m$。这不是巧合，而是本篇的两个「守恒关系」；第 4 章还会证明它们不只是拼满，而是**互相垂直地拼满**（正交直和）。

## 二、几何直观：四个空间各自的图像

**列空间 $\mathbf{C}(A)$：$A$ 的「值域」**。把所有可能的 $\mathbf{x}$ 输进去，输出的 $A\mathbf{x}$ 能落在哪里？答案就是 $\mathbf{C}(A)$。若 $A$ 是 $3 \times 3$ 且秩为 2，则 $\mathbf{C}(A)$ 是 $\mathbb{R}^3$ 中过原点的一个**平面**；若秩为 1，则退化成过原点的一条**直线**；若秩为 3，则填满整个 $\mathbb{R}^3$。$A\mathbf{x} = \mathbf{b}$ 有解，当且仅当 $\mathbf{b}$ 落在这个「值域」里——这是第 3.3 节可解性条件的几何版本。

**零空间 $\mathbf{N}(A)$：$A$ 的「压平方向」**。哪些输入被 $A$ 压成了零？在 $\mathbb{R}^3$ 里，若 $\mathbf{N}(A)$ 是一条直线，说明 $A$ 把这条线上的所有输入都送到原点；如果 $A$ 的秩为 1，$\mathbf{N}(A)$ 是一个平面，说明整个平面都被压成了原点。零空间是「被丢弃的信息」所在的方向。

**行空间 $\mathbf{C}(A^{\mathrm{T}})$：真正被 $A$ 用到的输入方向**。$A$ 有 $m$ 行，但可能有很多行是其余行的组合（冗余）。行空间把所有行做线性组合能生成的方向收集起来，维数是 $r$。它与零空间互补：行空间里的分量被 $A$ **忠实地传输**（单射），零空间里的分量被 $A$ **全部杀掉**。

**左零空间 $\mathbf{N}(A^{\mathrm{T}})$：行与行之间的冗余关系**。$A^{\mathrm{T}}\mathbf{y} = \mathbf{0}$ 意味着 $y_1\mathbf{r}_1 + \cdots + y_m\mathbf{r}_m = \mathbf{0}$，即找到了各行的一个「相关性」。消元时某一行为什么会变成全零行？就是因为它前面的行有这样一个组合关系。最后 $m - r$ 个主元为零的位置，每一个都对应左零空间里的一个向量。

> [!tip] 一个数值上的「手感」
> 对 $3 \times 4$ 矩阵（$m = 3$，$n = 4$），若 $r = 2$：
> - $\mathbf{C}(A)$ 是 $\mathbb{R}^3$ 中过原点的**平面**（二维）
> - $\mathbf{N}(A^{\mathrm{T}})$ 是 $\mathbb{R}^3$ 中过原点的**直线**（一维），且这条直线垂直于上述平面
> - $\mathbf{C}(A^{\mathrm{T}})$ 是 $\mathbb{R}^4$ 中的**二维平面**
> - $\mathbf{N}(A)$ 是 $\mathbb{R}^4$ 中的**二维平面**，与行空间垂直
>
> 在 $\mathbb{R}^4$ 里我们画不出图，但「两个二维子空间垂直拼成四维空间」这句话在代数上完全可以验证——只要验证两两内积为零、维数之和为 4。

## 三、性质与定理

### 3.1 四个维数公式

> [!important] 定理 3.5.1（四大子空间的维数）
> 设 $A \in \mathbb{R}^{m \times n}$，$r = \operatorname{rank}(A)$，则
> $$\dim\mathbf{C}(A) = r, \qquad \dim\mathbf{N}(A) = n - r$$
> $$\dim\mathbf{C}(A^{\mathrm{T}}) = r, \qquad \dim\mathbf{N}(A^{\mathrm{T}}) = m - r$$
>
> **适用条件**：$A$ 为任意实矩阵（对复矩阵把转置换成共轭转置同样成立）。
> **推论（两个守恒关系）**：
> $$r + (n - r) = n, \qquad r + (m - r) = m$$

**证明（零空间维数）**。对 $A$ 做消元化为行阶梯形 $R$（reduced row echelon form，简化行阶梯形）。消元是可逆行变换，不改变 $A\mathbf{x} = \mathbf{0}$ 的解集，故 $\mathbf{N}(R) = \mathbf{N}(A)$。

设 $R$ 有 $r$ 个主元（pivot），位于第 $p_1, \dots, p_r$ 列；其余 $n - r$ 列是自由列（free column）。对每一个自由变量取一组「一个为 1、其余为 0」的值，回代即可解出唯一的一组主变量，得到一个解向量。于是我们得到 $n - r$ 个向量 $\mathbf{v}_1, \dots, \mathbf{v}_{n-r}$。它们线性无关：因为第 $j$ 个自由变量在 $\mathbf{v}_j$ 中为 1，而在其余 $\mathbf{v}_k$ 中为 0，任何线性组合 $\sum c_j \mathbf{v}_j = \mathbf{0}$ 在每个自由分量上给出 $c_j = 0$。它们张成 $\mathbf{N}(R)$：任取 $\mathbf{x} \in \mathbf{N}(R)$，设其自由分量为 $x_{f_1}, \dots, x_{f_{n-r}}$，则 $\mathbf{x} - \sum_k x_{f_k}\mathbf{v}_k$ 的自由分量全为 0；而一个解若自由分量全为 0，回代得到主分量也全为 0，故该向量为 $\mathbf{0}$。因此 $\{\mathbf{v}_1, \dots, \mathbf{v}_{n-r}\}$ 是 $\mathbf{N}(A)$ 的一组基，

$$
\dim\mathbf{N}(A) = n - r
$$

这正是**秩—零化度定理（rank-nullity theorem）** $n = r + (n - r)$。$\square$

**证明（列空间维数）**。消元不改变列与列之间的线性关系（关键事实，见 3.3 的说明），因此 $A$ 的主元列与 $R$ 的主元列一一对应，且主元列线性无关、其余列是主元列的线性组合。于是**$A$ 的主元列构成 $\mathbf{C}(A)$ 的一组基**，恰有 $r$ 个，故 $\dim\mathbf{C}(A) = r$。$\square$

**证明（行空间维数）**。消元是对行做可逆的线性组合，因此 $A$ 的行空间与 $R$ 的行空间相同：$\mathbf{C}(A^{\mathrm{T}}) = \mathbf{C}(R^{\mathrm{T}})$（这是消元区别于「列操作」的关键性质）。$R$ 的非零行恰有 $r$ 个，且它们线性无关（第 $j$ 个非零行在第 $p_j$ 个位置有主元 1，而其余非零行在该位置为 0，与 3.1 中同款论证），故构成 $\mathbf{C}(A^{\mathrm{T}})$ 的一组基，

$$
\dim\mathbf{C}(A^{\mathrm{T}}) = r
$$

$\square$

**证明（左零空间维数）**。把 3.1 的结论应用到 $A^{\mathrm{T}}$ 上：$A^{\mathrm{T}}$ 是 $n \times m$ 矩阵，且 $\operatorname{rank}(A^{\mathrm{T}}) = \operatorname{rank}(A) = r$（见 3.2 的定理），于是

$$
\dim\mathbf{N}(A^{\mathrm{T}}) = m - \operatorname{rank}(A^{\mathrm{T}}) = m - r
$$

$\square$

### 3.2 行秩等于列秩

> [!important] 定理 3.5.2（行秩 = 列秩）
> 对任意矩阵 $A \in \mathbb{R}^{m \times n}$，
> $$\operatorname{rank}(A^{\mathrm{T}}) = \operatorname{rank}(A)$$
> 即：$A$ 的**行向量组的秩**等于**列向量组的秩**，共同的值称为矩阵的秩 $r$。等价说法：$\dim\mathbf{C}(A^{\mathrm{T}}) = \dim\mathbf{C}(A)$。
>
> **适用条件**：任意实矩阵；这是「矩阵的秩」这个概念**良定义**的前提（否则「行秩」「列秩」是两个不同的量）。

**证明思路（用消元后的 $R$ 论证）**。这是本篇最值得亲手推一遍的证明。

*第一步：消元不改变行空间。* 消元的每一步都是「把某一行的倍数加到另一行」，即对行做可逆变换。初等矩阵 $E$ 可逆，$EA$ 的行都是 $A$ 的行的线性组合，$A = E^{-1}(EA)$ 的行又是 $EA$ 的行的线性组合，两边的行空间互相包含，故相等：$\mathbf{C}(A^{\mathrm{T}}) = \mathbf{C}(R^{\mathrm{T}})$。

*第二步：数 $R$ 的非零行。* $R$ 是简化行阶梯形，它的非零行恰有 $r$ 个（$r$ 是主元的个数）。这 $r$ 个非零行线性无关——第 $j$ 个非零行在第 $p_j$ 列是 $1$，而所有其他非零行在该列是 $0$；若有一个线性组合为零，读出第 $p_j$ 个分量即得第 $j$ 个系数为 0。于是它们构成 $\mathbf{C}(R^{\mathrm{T}})$ 的基，

$$
\dim\mathbf{C}(A^{\mathrm{T}}) = \dim\mathbf{C}(R^{\mathrm{T}}) = r \tag{3.5.1}
$$

*第三步：数主元列。* 现在换一条路。$R$ 的 $r$ 个主元列是 $\mathbf{e}_1, \dots, \mathbf{e}_r$（前 $r$ 个标准基向量所在的位置），它们线性无关。**关键事实**：消元是逐列进行的行变换，列与列的线性关系在消元前后完全一致。若 $R$ 的第 $j$ 列是主元列的线性组合 $\sum_{k} c_k R_{:,p_k}$，则同样的系数 $c_k$ 使 $A$ 的第 $j$ 列等于相应主元列的同一组合（因为把两边「还原」只需乘以 $E^{-1}$，而 $E^{-1}$ 作用在每一列上）。反之亦然。因此在 $A$ 中，主元列也线性无关、其余列是主元列的线性组合，主元列构成 $\mathbf{C}(A)$ 的一组基，

$$
\dim\mathbf{C}(A) = r \tag{3.5.2}
$$

*第四步：合并。* 由 (3.5.1) 与 (3.5.2)：

$$
\operatorname{rank}(A^{\mathrm{T}}) = \dim\mathbf{C}(A^{\mathrm{T}}) = r = \dim\mathbf{C}(A) = \operatorname{rank}(A)
$$

$\square$

> [!note] 为什么这个证明值得反复读
> 它同时告诉我们两件实用的事：**(a)** 求行空间的基，直接用 $R$ 的非零行（不能用 $A$ 的行随便挑）；**(b)** 求列空间的基，直接用 $A$ 的**主元列**（不能用 $R$ 的列，因为消元改变了列本身）。这两条正是下面 4.3 节求基流程的全部依据。

### 3.3 关于「消元不改变列关系、改变列本身」的精确说明

这是全节最微妙的一点，单独列出来。

设消元过程中 $A$ 化为 $R$，存在可逆矩阵 $E$ 使 $EA = R$。对任意系数向量 $\mathbf{c}$：

$$
A\mathbf{c} = \mathbf{0} \iff EA\mathbf{c} = E\mathbf{0} = \mathbf{0} \iff R\mathbf{c} = \mathbf{0}
$$

这证明 $\mathbf{N}(A) = \mathbf{N}(R)$，同时也就是「列与列之间的线性关系相同」：$A\mathbf{c} = \mathbf{0}$ 展开是 $\sum c_j \mathbf{a}_j = \mathbf{0}$，$R\mathbf{c} = \mathbf{0}$ 展开是 $\sum c_j \mathbf{R}_{:,j} = \mathbf{0}$，同一个 $\mathbf{c}$ 同时成立。**但列向量本身变了**：一般来说 $\mathbf{a}_j \neq \mathbf{R}_{:,j}$，所以 $\mathbf{C}(A) \neq \mathbf{C}(R)$。例如

$$
A = \begin{bmatrix} 1 & 3 \\ 2 & 6 \end{bmatrix} \xrightarrow{\text{消元}} R = \begin{bmatrix} 1 & 3 \\ 0 & 0 \end{bmatrix}
$$

$\mathbf{C}(A)$ 是直线 $y = 2x$，$\mathbf{C}(R)$ 是 $x$ 轴，两者完全不同；但 $\mathbf{N}(A) = \mathbf{N}(R) = \operatorname{span}\{(3,-1)\}$，行空间也相同（都是 $\operatorname{span}\{(1,3)\}$）。

> [!warning] 一句话记住
> **消元保「行空间」与「零空间」，不保「列空间」**；它保的是列之间的**关系**，而关系足以让我们从 $R$ 里认出 $A$ 的哪些列是主元列。

### 3.4 与 $A\mathbf{x} = \mathbf{b}$ 可解性、唯一性的关系

> [!important] 定理 3.5.3（用四大子空间判断解的存在与唯一）
> 设 $A \in \mathbb{R}^{m \times n}$，$\mathbf{b} \in \mathbb{R}^m$。
>
> **（1）可解性**：$A\mathbf{x} = \mathbf{b}$ 有解 $\iff \mathbf{b} \in \mathbf{C}(A)$ $\iff \operatorname{rank}(A) = \operatorname{rank}([A \mid \mathbf{b}])$。
> **（2）唯一性**：若 $A\mathbf{x} = \mathbf{b}$ 有解，则解唯一 $\iff \mathbf{N}(A) = \{\mathbf{0}\}$ $\iff r = n$（$A$ 的列线性无关）。
> **（3）解集结构**：若有解且 $\mathbf{x}_p$ 是一个特解，则完整解集是仿射集 $\mathbf{x}_p + \mathbf{N}(A)$，其中含 $n - r$ 个自由参数。
> **（4）列满秩时**：$r = n \le m$，则 $A^{\mathrm{T}}A$ 可逆，$\mathbf{b}$ 的投影分量由 $\hat{\mathbf{x}} = (A^{\mathrm{T}}A)^{-1}A^{\mathrm{T}}\mathbf{b}$ 给出（第 4 章）。
> **（5）行满秩时**：$r = m \le n$，则对每个 $\mathbf{b} \in \mathbb{R}^m$ 方程都有解（列空间已是整个 $\mathbb{R}^m$），且解不唯一（$\mathbf{N}(A) \neq \{\mathbf{0}\}$，除非 $m = n$）。

**证明思路**。
（1）「$A\mathbf{x} = \mathbf{b}$ 有解」按定义就是说存在 $\mathbf{x}$ 使 $\mathbf{b} = A\mathbf{x}$，而 $A\mathbf{x}$ 遍历的正是 $\mathbf{C}(A)$。「$\operatorname{rank}(A) = \operatorname{rank}([A \mid \mathbf{b}])$」是同一件事的消元版本：增广列不带来新主元，意味着 $\mathbf{b}$ 落在原有主元列的张成里。
（2）若 $\mathbf{x}, \mathbf{x}'$ 都是解，则 $A(\mathbf{x} - \mathbf{x}') = \mathbf{0}$，即 $\mathbf{x} - \mathbf{x}' \in \mathbf{N}(A)$；反之对任意 $\mathbf{v} \in \mathbf{N}(A)$，$\mathbf{x} + \mathbf{v}$ 仍是解。（3）即由此得。$\mathbf{N}(A) = \{\mathbf{0}\} \iff \dim\mathbf{N}(A) = 0 \iff n - r = 0 \iff r = n$。
（4）（5）直接由维数公式读出。$\square$

**秩 $r$ 的四种极端情形**（与 [[3-3-Ax=b的完整解]] 中的表格一致，此处用四大子空间的语言重述）：

| 情形 | 条件 | $\mathbf{C}(A)$ | $\mathbf{N}(A)$ | 对 $A\mathbf{x}=\mathbf{b}$ 的影响 |
|---|---|---|---|---|
| 满秩方阵 | $r = m = n$ | 整个 $\mathbb{R}^m$ | $\{\mathbf{0}\}$ | 对每个 $\mathbf{b}$ 恰有一个解，$A^{-1}$ 存在 |
| 列满秩（高瘦） | $r = n < m$ | $\mathbb{R}^m$ 中的 $n$ 维子空间 | $\{\mathbf{0}\}$ | 有解时唯一；多数 $\mathbf{b}$ 无解，需投影 |
| 行满秩（矮胖） | $r = m < n$ | 整个 $\mathbb{R}^m$ | $n - m$ 维 | 对每个 $\mathbf{b}$ 都有解，且有无穷多解 |
| 秩亏 | $r < \min(m,n)$ | $r$ 维真子空间 | $n - r$ 维 | 部分 $\mathbf{b}$ 有解，有解时无穷多解 |

### 3.5 四个子空间总表

这是本篇最应该背下来的一张表。

| | $\mathbf{C}(A)$ 列空间 | $\mathbf{N}(A)$ 零空间 | $\mathbf{C}(A^{\mathrm{T}})$ 行空间 | $\mathbf{N}(A^{\mathrm{T}})$ 左零空间 |
|---|---|---|---|---|
| **定义** | $\{A\mathbf{x}\}$，所有列的线性组合 | $\{A\mathbf{x} = \mathbf{0}\}$ 的解集 | 所有行的线性组合，$= \mathbf{C}(A^{\mathrm{T}})$ | $\{A^{\mathrm{T}}\mathbf{y} = \mathbf{0}\}$ 的解集，即 $\mathbf{y}^{\mathrm{T}}A=\mathbf{0}^{\mathrm{T}}$ |
| **所在空间** | $\mathbb{R}^m$（$m$ 维） | $\mathbb{R}^n$（$n$ 维） | $\mathbb{R}^n$（$n$ 维） | $\mathbb{R}^m$（$m$ 维） |
| **维数** | $r$ | $n - r$ | $r$ | $m - r$ |
| **一组基怎么求** | 取 $A$ 消元后 $R$ 的**主元列**，回到 $A$ 中取对应的列 $\mathbf{a}_{p_1},\dots,\mathbf{a}_{p_r}$ | 由 $R\mathbf{x}=\mathbf{0}$ 给每个自由变量取 1、其余取 0，回代得 $n-r$ 个特解 | 取 $A$ 消元后 $R$ 的 **$r$ 个非零行**（或 $A$ 的 $r$ 个线性无关的行） | 解 $A^{\mathrm{T}}\mathbf{y} = \mathbf{0}$，即 $R$ 中「全零行」对应的那组组合系数，共 $m-r$ 个 |
| **典型用途** | 判断 $A\mathbf{x}=\mathbf{b}$ 是否可解 | 判断解是否唯一、写出通解 | 判断两方程组是否同解、求行最简形 | 找出各行的相关关系、最小二乘的误差方向 |
| **正交伙伴（第 4 章）** | $\mathbf{N}(A^{\mathrm{T}}) \perp \mathbf{C}(A)$ | $\mathbf{N}(A) \perp \mathbf{C}(A^{\mathrm{T}})$ | $\mathbf{C}(A^{\mathrm{T}}) \perp \mathbf{N}(A)$ | $\mathbf{N}(A^{\mathrm{T}}) \perp \mathbf{C}(A)$ |
| **与谁拼满** | 与 $\mathbf{N}(A^{\mathrm{T}})$ 拼满 $\mathbb{R}^m$ | 与 $\mathbf{C}(A^{\mathrm{T}})$ 拼满 $\mathbb{R}^n$ | 与 $\mathbf{N}(A)$ 拼满 $\mathbb{R}^n$ | 与 $\mathbf{C}(A)$ 拼满 $\mathbb{R}^m$ |

## 四、计算方法与步骤

### 4.1 准备工作：把 $A$ 化成 $R$，同时记录主元列

对 $A$ 做高斯—若尔当消元（Gauss–Jordan elimination）得到简化行阶梯形 $R$，记录：

- 主元个数 $r = \operatorname{rank}(A)$；
- 主元所在的列号 $p_1 < p_2 < \cdots < p_r$；
- 自由列号（其余 $n - r$ 列）。

> [!tip] 实用提醒
> 只求秩与主元列时，化到**行阶梯形**（不必消成 $R$）就够了；要求零空间的基、要看清自由变量，则化到 $R$ 最省事。

### 4.2 求零空间 $\mathbf{N}(A)$ 的基

1. 写出 $R\mathbf{x} = \mathbf{0}$，把主变量用自由变量表示。
2. 对第 $j$ 个自由变量取 $1$、其余自由变量取 $0$，回代解出主变量。
3. 得到的 $n - r$ 个向量即为基，维数 $n - r$。

### 4.3 求列空间 $\mathbf{C}(A)$ 的基

1. 从 4.1 得到主元列号 $p_1, \dots, p_r$。
2. **回到原矩阵 $A$**，取第 $p_1, \dots, p_r$ 列。
3. 这 $r$ 个列向量即为基，维数 $r$。

> [!warning] 千万不要把 $R$ 的主元列当作 $\mathbf{C}(A)$ 的基
> $R$ 的主元列是标准基向量 $\mathbf{e}_i$，它们张成的是 $\mathbf{C}(R)$ 而不是 $\mathbf{C}(A)$。必须回到 $A$ 取列。

### 4.4 求行空间 $\mathbf{C}(A^{\mathrm{T}})$ 的基

- 方法一（推荐）：取 $R$ 的 $r$ 个非零行。理由：消元是可逆行变换，行空间不变，且 $R$ 的非零行线性无关。
- 方法二：取 $A$ 中任意 $r$ 个线性无关的行（即自由列对应的行可以剔掉——把 $A^{\mathrm{T}}$ 消元后看 $A^{\mathrm{T}}$ 的主元列，对应到 $A$ 的主元行）。
- 维数 $r$。

### 4.5 求左零空间 $\mathbf{N}(A^{\mathrm{T}})$ 的基

有两条等价路线：

- **路线 A（推荐）**：把 $A^{\mathrm{T}}$ 当作新矩阵，重复 4.2——解 $A^{\mathrm{T}}\mathbf{y} = \mathbf{0}$，得 $m - r$ 个基向量。
- **路线 B（与消元记录同步）**：在把 $A$ 化为 $R$ 时同时记录行变换，写成 $EA = R$。则 $E$ 中**对应 $R$ 全零行的那几行**，就是左零空间的一组基。原因是 $EA = R$ 的第 $i$ 行给出 $\mathbf{e}_i^{\mathrm{T}}E A = R$ 的第 $i$ 行；若第 $i$ 行全零，则 $(\mathbf{e}_i^{\mathrm{T}}E)A = \mathbf{0}^{\mathrm{T}}$，即 $\mathbf{e}_i^{\mathrm{T}}E$ 是左零向量。由于 $E$ 可逆，这些行线性无关，恰有 $m - r$ 个。

## 五、例题

### 例题 1（主例题）：一个 $3 \times 4$ 秩为 2 的矩阵，求四大子空间各自的基并验证维数

设

$$
A = \begin{bmatrix} 1 & 2 & 3 & 1 \\ 2 & 4 & 7 & 3 \\ 3 & 6 & 10 & 4 \end{bmatrix}, \qquad m = 3,\ n = 4
$$

**第 1 步：消元求 $R$ 与主元列。**

$r_2 \leftarrow r_2 - 2r_1$，$r_3 \leftarrow r_3 - 3r_1$：

$$
A \longrightarrow \begin{bmatrix} 1 & 2 & 3 & 1 \\ 0 & 0 & 1 & 1 \\ 0 & 0 & 1 & 1 \end{bmatrix}
$$

$r_3 \leftarrow r_3 - r_2$：

$$
\longrightarrow \begin{bmatrix} 1 & 2 & 3 & 1 \\ 0 & 0 & 1 & 1 \\ 0 & 0 & 0 & 0 \end{bmatrix}
$$

$r_1 \leftarrow r_1 - 3r_2$：

$$
R = \begin{bmatrix} 1 & 2 & 0 & -2 \\ 0 & 0 & 1 & 1 \\ 0 & 0 & 0 & 0 \end{bmatrix}
$$

读出：主元在第 $1, 3$ 列，故 $r = 2$；自由列是第 $2, 4$ 列，自由变量为 $x_2, x_4$。

**第 2 步：$\mathbf{C}(A)$ 的基与维数。**
主元列为第 1、3 列，回到 $A$ 取这两列：

$$
\left\{ \begin{bmatrix} 1 \\ 2 \\ 3 \end{bmatrix}, \begin{bmatrix} 3 \\ 7 \\ 10 \end{bmatrix} \right\}
$$

两者不成比例，线性无关。故 $\dim\mathbf{C}(A) = 2 = r$。这是一个 $\mathbb{R}^3$ 中过原点的平面。

> [!note] 顺便求这个平面的方程
> 设平面的法向量 $\mathbf{n} = (a,b,c)$，与两基向量都正交（即 $\mathbf{n} \in \mathbf{N}(A^{\mathrm{T}})$，见第 3 步）。由 $\mathbf{n}\cdot(1,2,3) = 0$ 与 $\mathbf{n}\cdot(3,7,10)=0$ 解得 $\mathbf{n} = (1, -2, 1)$（比例任意）。于是该平面是 $x - 2y + z = 0$。

**第 3 步：$\mathbf{N}(A^{\mathrm{T}})$ 的基与维数。**
解 $A^{\mathrm{T}}\mathbf{y} = \mathbf{0}$，即 $y_1\mathbf{r}_1 + y_2\mathbf{r}_2 + y_3\mathbf{r}_3 = \mathbf{0}$。从上面的消元过程看到 $r_3 - r_2 - r_1 = \mathbf{0}$，即 $-1 \cdot \mathbf{r}_1 + (-1)\cdot\mathbf{r}_2 + 1 \cdot \mathbf{r}_3 = \mathbf{0}$。直接验证：

$$
(-1)\begin{bmatrix} 1 \\ 2 \\ 3 \\ 1 \end{bmatrix} + (-1)\begin{bmatrix} 2 \\ 4 \\ 7 \\ 3 \end{bmatrix} + 1\begin{bmatrix} 3 \\ 6 \\ 10 \\ 4 \end{bmatrix} = \begin{bmatrix} -1-2+3 \\ -2-4+6 \\ -3-7+10 \\ -1-3+4 \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \\ 0 \\ 0 \end{bmatrix}
$$

也可直接解：$A^{\mathrm{T}}$ 的三行给出 $y_1 + 2y_2 + 3y_3 = 0$、$2y_1+4y_2+6y_3 = 0$（与第一式相同）、$3y_1+7y_2+10y_3=0$、$y_1+3y_2+4y_3=0$。由第 1、3 式相减得 $2y_1 + 5y_2 + 7y_3 = 0$，与第 4 式……为免混淆，改用系统办法：对 $A^{\mathrm{T}}$ 消元。

$$
A^{\mathrm{T}} = \begin{bmatrix} 1 & 2 & 3 \\ 2 & 4 & 6 \\ 3 & 7 & 10 \\ 1 & 3 & 4 \end{bmatrix} \longrightarrow \begin{bmatrix} 1 & 2 & 3 \\ 0 & 0 & 0 \\ 0 & 1 & 1 \\ 0 & 1 & 1 \end{bmatrix} \longrightarrow \begin{bmatrix} 1 & 2 & 3 \\ 0 & 1 & 1 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix} \longrightarrow \begin{bmatrix} 1 & 0 & 1 \\ 0 & 1 & 1 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix}
$$

（第一步：$r_2-2r_1$、$r_3-3r_1$、$r_4-r_1$；第二步交换 $r_2,r_3$；第三步 $r_1 - 2r_2$。）于是 $y_1 + y_3 = 0$、$y_2 + y_3 = 0$，取 $y_3 = -1$ 得

$$
\mathbf{N}(A^{\mathrm{T}}) = \operatorname{span}\left\{ \begin{bmatrix} 1 \\ 1 \\ -1 \end{bmatrix} \right\}, \qquad \dim\mathbf{N}(A^{\mathrm{T}}) = 1 = m - r = 3 - 2 \ \checkmark
$$

写成 $(-1,-1,1)$ 只是差一个符号，同样合法（基向量允许任意非零倍数）。

**第 4 步：$\mathbf{N}(A)$ 的基与维数。**
解 $R\mathbf{x} = \mathbf{0}$：

$$
\begin{cases} x_1 + 2x_2 - 2x_4 = 0 \\ x_3 + x_4 = 0 \end{cases} \Longrightarrow \begin{cases} x_1 = -2x_2 + 2x_4 \\ x_3 = -x_4 \end{cases}
$$

取 $(x_2, x_4) = (1,0)$：$\mathbf{v}_1 = (-2, 1, 0, 0)^{\mathrm{T}}$。
取 $(x_2, x_4) = (0,1)$：$\mathbf{v}_2 = (2, 0, -1, 1)^{\mathrm{T}}$。

$$
\mathbf{N}(A) = \operatorname{span}\left\{ \begin{bmatrix} -2 \\ 1 \\ 0 \\ 0 \end{bmatrix}, \begin{bmatrix} 2 \\ 0 \\ -1 \\ 1 \end{bmatrix} \right\}, \qquad \dim\mathbf{N}(A) = 2 = n - r = 4 - 2 \ \checkmark
$$

直接验证：$A\mathbf{v}_1 = -2\mathbf{a}_1 + \mathbf{a}_2 = (-2+2,\, -4+4,\, -6+6,\, -2+2)^{\mathrm{T}} = \mathbf{0}$ ✓；$A\mathbf{v}_2 = 2\mathbf{a}_1 - \mathbf{a}_3 + \mathbf{a}_4 = (2-3+1,\, 4-7+3,\, 6-10+4,\, 2-3+1)^{\mathrm{T}} = \mathbf{0}$ ✓。

**第 5 步：$\mathbf{C}(A^{\mathrm{T}})$ 的基与维数。**
取 $R$ 的两个非零行：

$$
\left\{ \begin{bmatrix} 1 \\ 2 \\ 0 \\ -2 \end{bmatrix}, \begin{bmatrix} 0 \\ 0 \\ 1 \\ 1 \end{bmatrix} \right\}, \qquad \dim\mathbf{C}(A^{\mathrm{T}}) = 2 = r \ \checkmark
$$

也可以取 $A$ 的第 1、2 行作为行空间的基（它们线性无关），但**不能**把三行全放进去。

**第 6 步：交叉验证。**

*(a) 维数守恒*

$$
\dim\mathbf{C}(A) + \dim\mathbf{N}(A^{\mathrm{T}}) = 2 + 1 = 3 = m \ \checkmark, \qquad \dim\mathbf{N}(A) + \dim\mathbf{C}(A^{\mathrm{T}}) = 2 + 2 = 4 = n \ \checkmark
$$

*(b) 正交性（第 4 章的结论，此处先验证）*
$\mathbf{N}(A) \perp \mathbf{C}(A^{\mathrm{T}})$ 的含义是：$\mathbf{N}(A)$ 的每个向量与 $A$ 的**每一行**正交。$A$ 的三行分别是 $(1,2,3,1)$、$(2,4,7,3)$、$(3,6,10,4)$。逐个验算：

$$
(-2,1,0,0)\cdot(1,2,3,1) = -2+2+0+0 = 0 \ \checkmark
$$

$$
(-2,1,0,0)\cdot(2,4,7,3) = -4+4+0+0 = 0 \ \checkmark, \qquad (-2,1,0,0)\cdot(3,6,10,4) = -6+6+0+0 = 0 \ \checkmark
$$

$$
(2,0,-1,1)\cdot(1,2,3,1) = 2+0-3+1 = 0 \ \checkmark, \qquad (2,0,-1,1)\cdot(2,4,7,3) = 4+0-7+3 = 0 \ \checkmark
$$

$$
(2,0,-1,1)\cdot(3,6,10,4) = 6+0-10+4 = 0 \ \checkmark
$$

六个点积全为零，验证通过。（这只是第 4 章定理的一个实例：之所以必然成立，是因为 $A\mathbf{v} = \mathbf{0}$ 的第 $i$ 个分量就是「第 $i$ 行与 $\mathbf{v}$ 的点积」。）

*(b') 两个空间里的向量无法比较*：$\mathbf{N}(A) \subseteq \mathbb{R}^4$、$\mathbf{C}(A) \subseteq \mathbb{R}^3$，向量分量个数不同，因此「$\mathbf{N}(A)$ 是否与 $\mathbf{C}(A)$ 正交」这个问题本身没有意义——这正是本篇反复强调「注意所在空间」的原因。

*(c) $A^{\mathrm{T}}A$ 的秩* —— $A$ 的列线性相关（$n - r = 2 > 0$），故 $A^{\mathrm{T}}A$ 是 $4\times4$ 但**不可逆**，秩为 2。算一下 $A^{\mathrm{T}}A$：

$$
A^{\mathrm{T}}A = \begin{bmatrix} 1 & 2 & 3 \\ 2 & 4 & 6 \\ 3 & 7 & 10 \\ 1 & 3 & 4 \end{bmatrix}\begin{bmatrix} 1 & 2 & 3 & 1 \\ 2 & 4 & 7 & 3 \\ 3 & 6 & 10 & 4 \end{bmatrix} = \begin{bmatrix} 14 & 28 & 47 & 19 \\ 28 & 56 & 94 & 38 \\ 47 & 94 & 158 & 64 \\ 19 & 38 & 64 & 26 \end{bmatrix}
$$

注意第 2 行恰为第 1 行的 2 倍，第 2 列恰为第 1 列的 2 倍——与 $A$ 的列 1、2 成比例（第 2 列 = 2 × 第 1 列）完全对应。

### 例题 2：一个 $\mathbf{b}$ 是否有解？解是否唯一？

仍用上面的 $A$。取 $\mathbf{b}_1 = (1,2,3)^{\mathrm{T}}$ 与 $\mathbf{b}_2 = (1,2,4)^{\mathrm{T}}$。

**$\mathbf{b}_1$ 的情形**：观察 $A$ 的第 1 列就是 $\mathbf{b}_1$，故 $\mathbf{x} = (1,0,0,0)^{\mathrm{T}}$ 即是一个解，**$\mathbf{b}_1 \in \mathbf{C}(A)$，有解**。由于 $\dim\mathbf{N}(A) = 2 > 0$，解不唯一，通解为

$$
\mathbf{x} = \begin{bmatrix} 1 \\ 0 \\ 0 \\ 0 \end{bmatrix} + c_1\begin{bmatrix} -2 \\ 1 \\ 0 \\ 0 \end{bmatrix} + c_2\begin{bmatrix} 2 \\ 0 \\ -1 \\ 1 \end{bmatrix}, \qquad c_1, c_2 \in \mathbb{R}
$$

（读者可自行回代验证：自由变量 $x_2 = c_1$、$x_4 = c_2$，则 $x_1 = 1 - 2c_1 + 2c_2$、$x_3 = -c_2$。）

**$\mathbf{b}_2$ 的情形**：若 $\mathbf{b}_2 \in \mathbf{C}(A)$，则它应与法向量 $\mathbf{n} = (1,-2,1)$ 正交（因为 $\mathbf{C}(A)$ 的平面方程是 $x - 2y + z = 0$）：

$$
\mathbf{n}\cdot\mathbf{b}_2 = 1 \cdot 1 + (-2)\cdot 2 + 1\cdot 4 = 1 \neq 0
$$

故 $\mathbf{b}_2 \notin \mathbf{C}(A)$，**无解**。等价地看左零空间：$\mathbf{y} = (1,1,-1)$ 满足 $\mathbf{y}^{\mathrm{T}}A = \mathbf{0}^{\mathrm{T}}$，而 $\mathbf{y}^{\mathrm{T}}\mathbf{b}_2 = 1 + 2 - 4 = -1 \neq 0$，说明方程组各行相加后左边为零、右边不为零，矛盾。

> [!important] 例题 2 的普适教训
> **$\mathbf{b}$ 可解 $\iff \mathbf{b}$ 与 $\mathbf{N}(A^{\mathrm{T}})$ 正交**。这条判据不用消元、只看左零空间，是第 4 章正交性的直接应用。第 4 章会把它写成 $\mathbf{C}(A) = (\mathbf{N}(A^{\mathrm{T}}))^{\perp}$。

## 六、应用

**（1）判断方程组有没有解、有多少解。** 拿到 $A\mathbf{x}=\mathbf{b}$ 先算 $r$：$\mathbf{b}$ 落不落在 $\mathbf{C}(A)$ 里决定「有没有解」，$\mathbf{N}(A)$ 是不是零决定「有几个解」。工程上遇到超定方程组（观测多于未知量，$m > n$）几乎必然无解，此时不追求精确解，而去 $\mathbf{C}(A)$ 里找离 $\mathbf{b}$ 最近的点——这就是第 4 章的最小二乘。

**（2）数据中的冗余与相关性分析。** 若 $A$ 的各列是若干传感器通道的测量序列，则 $\dim\mathbf{N}(A) = n - r$ 就是**线性相关的通道数**：这个数大于 0 意味着有 $n - r$ 个通道的信息可以由其他通道线性表示，可以剔除而不损失信息。$\mathbf{N}(A)$ 的基向量直接给出了这些相关关系（哪些通道加起来等于哪个通道）。

**（3）约束的相容性检测。** 左零空间 $\mathbf{N}(A^{\mathrm{T}})$ 的向量是「各行的一个组合等于零」的系数，对应到物理/经济模型中就是守恒律或冗余约束。若 $\mathbf{y}^{\mathrm{T}}A = \mathbf{0}$ 而 $\mathbf{y}^{\mathrm{T}}\mathbf{b} \neq 0$，说明数据本身不相容（例如一个封闭电路的若干支路电流之和不为零），可以直接报错而不是去解一个无解方程。

**（4）网络与图（第 10 章预告）。** 对图的关联矩阵 $A$（每列表示一条边，两个非零元为 $+1$ 与 $-1$），$\mathbf{N}(A)$ 的维数等于图中**独立回路数**，$\mathbf{N}(A^{\mathrm{T}})$ 的维数等于**连通分量数减一**（设图的顶点数为 $V$、边数为 $E$、独立回路数为 $L$、连通分量数为 $C$，则 $r = V - C$、$n - r = E - (V - C) = L$）。于是秩—零化度定理直接给出欧拉公式的一个线性代数版本：

$$
V - E + L = C
$$

即「顶点数 $-$ 边数 $+$ 独立回路数 $=$ 连通分量数」。四大子空间在这里有了电路与网络的物理意义。

**（5）SVD 与降维（第 7 章预告）。** SVD 会为四个子空间同时给出**标准正交基**：$A = U\Sigma V^{\mathrm{T}}$ 中，$U$ 的前 $r$ 列是 $\mathbf{C}(A)$ 的标准正交基、后 $m-r$ 列是 $\mathbf{N}(A^{\mathrm{T}})$ 的；$V$ 的前 $r$ 列是 $\mathbf{C}(A^{\mathrm{T}})$ 的、后 $n-r$ 列是 $\mathbf{N}(A)$ 的。到那时，本篇的维数公式就变成「$\Sigma$ 里有多少个非零奇异值」的问题。

**（6）数值计算。** 用 Python 的 SciPy 可以直接算零空间的标准正交基：

```python
import numpy as np
from scipy.linalg import null_space

A = np.array([[1, 2, 3, 1],
              [2, 4, 7, 3],
              [3, 6, 10, 4]])

print(np.linalg.matrix_rank(A))          # 2
Z = null_space(A)                        # N(A) 的标准正交基
print(Z.shape)                           # (4, 2)
print(np.allclose(A @ Z, 0))             # True
print(np.allclose(Z.T @ Z, np.eye(2)))   # True（标准正交）
```

> [!warning] 数值上的注意
> `matrix_rank` 用奇异值分解并带容差判断，浮点误差下「理论上为 0 的奇异值」可能算出 $10^{-16}$ 量级的小数。判断秩时不要用 `== 0` 比较，要用容差；病态矩阵（条件数很大）的「数值秩」可能小于精确秩（见第 11 章）。

## 七、易错点

> [!warning] 七个高频错误
> **1. 忘记四个空间住在两个不同的空间里。** $\mathbf{N}(A) \subseteq \mathbb{R}^n$、$\mathbf{C}(A) \subseteq \mathbb{R}^m$，当 $m \neq n$ 时二者无法比较、更谈不上正交或相等。「$\mathbf{N}(A)$ 与 $\mathbf{C}(A)$ 正交」是**错误**说法；正确说法是 $\mathbf{N}(A) \perp \mathbf{C}(A^{\mathrm{T}})$、$\mathbf{N}(A^{\mathrm{T}}) \perp \mathbf{C}(A)$。
>
> **2. 把 $R$ 的列当作 $\mathbf{C}(A)$ 的基。** $R$ 的主元列是 $\mathbf{e}_1, \dots, \mathbf{e}_r$，它们张成的是 $\mathbf{C}(R)$。必须回到 $A$ 里取对应的**原列**。反之，行空间的基可以直接用 $R$ 的非零行（消元保行空间）。
>
> **3. 求行空间基时把 $A$ 的 $m$ 行全写上。** 若 $m > r$，多写的行不独立，得到的不是基。行空间的基恰好 $r$ 个向量。
>
> **4. 用「列的个数」代替秩来算维数。** $\dim\mathbf{C}(A)$ 是 $r$ 不是 $n$；只有当列线性无关时才有 $r = n$。同理 $\dim\mathbf{C}(A^{\mathrm{T}})$ 是 $r$ 不是 $m$。
>
> **5. 认为 $\dim\mathbf{N}(A) = n - m$。** 正确的是 $n - r$。当矩阵秩亏（$r < \min(m,n)$）时这两者完全不同。例如 $3\times4$ 秩为 2，$\dim\mathbf{N}(A) = 2$ 而不是 $4-3=1$。
>
> **6. 把 $A^{\mathrm{T}}A$ 的秩与 $A$ 的秩混为一谈。** 正确结论是 $\operatorname{rank}(A^{\mathrm{T}}A) = \operatorname{rank}(A) = r$（证明见 [[4-1-四大子空间的正交性]]），但 $A^{\mathrm{T}}A$ 是 $n\times n$ 矩阵、$A$ 是 $m\times n$ 矩阵，两者形状不同；且 $A^{\mathrm{T}}A$ **只有**在 $r = n$（列满秩）时才可逆。
>
> **7. 混淆「有解」与「唯一解」。** $\mathbf{b} \in \mathbf{C}(A)$ 只管有解；唯一性由 $\mathbf{N}(A) = \{\mathbf{0}\}$ 决定。四个极端情形见 3.4 的表。

## 八、练习题

**基础题 1.** 设 $A = \begin{bmatrix} 1 & 2 & 3 \\ 2 & 4 & 6 \\ 1 & 1 & 1 \end{bmatrix}$。求 $r$、四个子空间的维数与各自的基。

**基础题 2.** 判断：若 $A$ 是 $5 \times 3$ 矩阵且 $\operatorname{rank}(A) = 3$，则 $\mathbf{N}(A) = \{\mathbf{0}\}$、$\dim\mathbf{N}(A^{\mathrm{T}}) = 2$，且对每个 $\mathbf{b} \in \mathbb{R}^5$ 方程 $A\mathbf{x} = \mathbf{b}$ 都有解。这三句话哪些对、哪些错？

**进阶题 3.** 设 $A$ 是 $4 \times 6$ 矩阵，$\dim\mathbf{N}(A) = 3$。求 $\operatorname{rank}(A)$、$\dim\mathbf{C}(A)$、$\dim\mathbf{C}(A^{\mathrm{T}})$、$\dim\mathbf{N}(A^{\mathrm{T}})$，并说明 $\mathbf{C}(A)$ 与 $\mathbf{N}(A^{\mathrm{T}})$ 是否可能相等。

**进阶题 4.** 设 $\mathbf{u}, \mathbf{v} \in \mathbb{R}^n$ 均为非零向量，$A = \mathbf{u}\mathbf{v}^{\mathrm{T}}$（$n \times n$ 外积）。不用计算，直接说出 $r$、四个子空间的维数，并给出各自的基（用 $\mathbf{u}, \mathbf{v}$ 表示）。再验证 $\mathbf{N}(A) = \{\mathbf{v}\}^{\perp}$。

**思考题 5.** 证明：$\operatorname{rank}(A^{\mathrm{T}}A) = \operatorname{rank}(A)$。（提示：证明 $\mathbf{N}(A^{\mathrm{T}}A) = \mathbf{N}(A)$，再对 $A^{\mathrm{T}}A$ 用秩—零化度定理。）由此说明为什么最小二乘的法方程 $A^{\mathrm{T}}A\hat{\mathbf{x}} = A^{\mathrm{T}}\mathbf{b}$ 有唯一解当且仅当 $A$ 的列线性无关。

**思考题 6.** 设 $A$ 与 $B$ 都是 $n \times n$ 矩阵且 $AB = O$。用四大子空间的语言解释这件事（提示：$B$ 的每一列都在 $\mathbf{N}(A)$ 中），并证明 $\operatorname{rank}(A) + \operatorname{rank}(B) \le n$。

## 九、常见问题 FAQ

**Q1：为什么行空间写成 $\mathbf{C}(A^{\mathrm{T}})$ 而不写成 $\mathbf{R}(A)$？**

因为「行空间」本质上就是 $A^{\mathrm{T}}$ 的**列**空间，用 $\mathbf{C}(A^{\mathrm{T}})$ 可以让四个空间统一成「某个矩阵的列空间或零空间」两族，公式（$\dim\mathbf{C}(A^{\mathrm{T}})$ 用 $A^{\mathrm{T}}$ 的秩）也能直接套用。Strang 教材与 MIT 18.06 均采用此记号。有些教材写作 $\mathbf{R}(A)$ 或 $\operatorname{Row}(A)$，含义相同，**以授课教材为准**。

**Q2：$\dim\mathbf{C}(A) = \dim\mathbf{C}(A^{\mathrm{T}})$ 是不是说明这两个空间「一样大」？**

它们在**维数**上相等，但一般来说**不是同一个空间**，甚至不在同一个空间里：$\mathbf{C}(A) \subseteq \mathbb{R}^m$、$\mathbf{C}(A^{\mathrm{T}}) \subseteq \mathbb{R}^n$。只有 $m = n$（方阵）时二者才是同一个 $\mathbb{R}^n$ 的两个子空间，此时它们依然是不同的子空间（例如 $A = \begin{bmatrix} 0 & 1 \\ 0 & 0\end{bmatrix}$：$\mathbf{C}(A)$ 是 $y$ 轴，$\mathbf{C}(A^{\mathrm{T}})$ 是 $x$ 轴）。$A$ 对称（$A^{\mathrm{T}} = A$）时才有 $\mathbf{C}(A) = \mathbf{C}(A^{\mathrm{T}})$。

**Q3：零空间的基一定要用「自由变量取 1、其余取 0」这种方式求吗？**

不一定要，但这是**最省事、最机械**的做法，且得到的基向量含有很多 0 与 1，便于验算。任何 $n - r$ 个线性无关的 $\mathbf{N}(A)$ 中向量都可以做基；同一个空间有无穷多组基。要注意的是：**基不唯一，维数唯一**——这也是为什么本篇的四个维数公式如此有价值。

**Q4：为什么说「秩一旦确定，四个空间的维数全部确定」？**

因为四个维数都是 $r$ 的简单函数：$r$、$n-r$、$r$、$m-r$。只要 $A$ 的尺寸 $m \times n$ 与秩 $r$ 定下来，不需要知道 $A$ 的具体元素，四个空间的「大小」就全定了。这句话的实用价值在于：**做任何问题前先算秩**，秩是这四个空间的唯一自由度。第 4 章还会证明，这四个空间的**相对位置**（谁垂直谁）也完全由 $A$ 决定，与 $r$ 无关。

> [!important] 全篇总结
> 设 $A \in \mathbb{R}^{m \times n}$，$r = \operatorname{rank}(A)$，则
> - $\mathbf{C}(A) \subseteq \mathbb{R}^m$，$\dim = r$，基取 $A$ 的**主元列**；
> - $\mathbf{N}(A) \subseteq \mathbb{R}^n$，$\dim = n - r$，基取 $R\mathbf{x}=\mathbf{0}$ 的 $n-r$ 个特解；
> - $\mathbf{C}(A^{\mathrm{T}}) \subseteq \mathbb{R}^n$，$\dim = r$，基取 $R$ 的**非零行**；
> - $\mathbf{N}(A^{\mathrm{T}}) \subseteq \mathbb{R}^m$，$\dim = m - r$，基取 $A^{\mathrm{T}}\mathbf{y}=\mathbf{0}$ 的解。
>
> 两个守恒关系 $r + (n-r) = n$、$r + (m-r) = m$ 说明：**输入侧被分成「有效传输」与「被压为零」两部分，输出侧被分成「能达到」与「达不到」两部分，而且两边的分布由同一个 $r$ 控制。**
> 第 4 章将进一步证明这两组分解都是**正交**的：$\mathbb{R}^n = \mathbf{C}(A^{\mathrm{T}}) \oplus \mathbf{N}(A)$、$\mathbb{R}^m = \mathbf{C}(A) \oplus \mathbf{N}(A^{\mathrm{T}})$，从而把 $A$ 的作用彻底看清：它在行空间上是一一对应（单射），把行空间**正交地**映满列空间，同时把零空间整个压成原点。

---

## 十、四大子空间与解的结构对照

### 10.1 术语对照表

| 本库（Strang） | 国内教材（同济版等）的等价说法 | 数学对象 | 维数 |
|---|---|---|---|
| $\mathbf{C}(A)$ 列空间 | 列向量组的**张成**（span），记作 $\operatorname{span}\{\mathbf{a}_1,\dots,\mathbf{a}_n\}$ 或 $L(\mathbf{a}_1,\dots,\mathbf{a}_n)$；也叫 $A$ 的**值域** | $\{A\mathbf{x}\} \subseteq \mathbb{R}^m$ | $r$ |
| $\mathbf{N}(A)$ 零空间 | **解空间**（齐次方程组 $A\mathbf{x}=\mathbf{0}$ 的解集），其基叫**基础解系** | $\{A\mathbf{x}=\mathbf{0}\}$ 的解集 $\subseteq \mathbb{R}^n$ | $n-r$ |
| $\mathbf{C}(A^{\mathrm{T}})$ 行空间 | $A$ 的**行向量组**的张成；也等价于 $A^{\mathrm{T}}$ 的列向量组的张成 | 行向量的所有组合 $\subseteq \mathbb{R}^n$ | $r$ |
| $\mathbf{N}(A^{\mathrm{T}})$ 左零空间 | 齐次方程组 $A^{\mathrm{T}}\mathbf{y}=\mathbf{0}$ 的**解空间**；在解非齐次方程组时给出**相容性条件**（各行的组合系数） | $\{A^{\mathrm{T}}\mathbf{y}=\mathbf{0}\}$ 的解集 $\subseteq \mathbb{R}^m$ | $m-r$ |
| $\dim\mathbf{C}(A) = r$ | **列秩** $= r$（列向量组的极大无关组所含向量个数） | — | $r$ |
| $\dim\mathbf{C}(A^{\mathrm{T}}) = r$ | **行秩** $= r$ | — | $r$ |
| 行秩 $=$ 列秩（定理 3.5.2） | **矩阵的秩**定义良定义：「行向量组的秩 $=$ 列向量组的秩，统称矩阵的秩」 | — | $r$ |
| 秩—零化度定理 $n = r + (n-r)$ | 「$n$ 元齐次方程组的基础解系含 $n - r$ 个向量」 | — | — |
| 特解 $+$ 零空间 | **通解 = 特解 + 齐次通解**（非齐次解的结构定理） | 仿射集 $\mathbf{x}_p + \mathbf{N}(A)$ | — |
| $\mathbb{R}^n = \mathbf{C}(A^{\mathrm{T}}) \oplus \mathbf{N}(A)$ | 第六章的**直和分解** $V = W_1 \oplus W_2$，$V = W_1 \dotplus W_2$ | — | $r + (n-r) = n$ |

> [!tip] 术语互译的三个要点
> 1. 国内说「**基础解系**」，本库说「$\mathbf{N}(A)$ 的**一组基**」；「基础解系含 $n-r$ 个解向量」就是「$\dim\mathbf{N}(A) = n - r$」。
> 2. 国内说「**极大线性无关组**」，本库说「**一组基**」；「向量组的秩」就是「张成空间的维数」。
> 3. 国内把「$A\mathbf{x}=\mathbf{0}$ 的解集」直接叫**解空间**，而 Strang 叫**零空间**（nullspace）。两者是同一个集合，一个强调「方程的解」，一个强调「被 $A$ 压成零的方向」。

### 10.2 解的结构定理（国内写法）与四大子空间的对照

> [!important] 定理 3.5.4（非齐次线性方程组解的结构，国内标准表述）
> 设 $A \in \mathbb{R}^{m \times n}$，$\operatorname{rank}(A) = r$。
> **（1）** 若 $\operatorname{rank}(A) < \operatorname{rank}([A \mid \mathbf{b}])$，则 $A\mathbf{x} = \mathbf{b}$ **无解**；
> **（2）** 若 $\operatorname{rank}(A) = \operatorname{rank}([A \mid \mathbf{b}]) = r$，则 $A\mathbf{x} = \mathbf{b}$ **有解**，且
> - $r = n$ 时解**唯一**；
> - $r < n$ 时有无穷多解，其**通解**为
> $$\mathbf{x} = \boldsymbol{\eta} + c_1\boldsymbol{\xi}_1 + c_2\boldsymbol{\xi}_2 + \cdots + c_{n-r}\boldsymbol{\xi}_{n-r}, \qquad c_i \in \mathbb{R}$$
> 其中 $\boldsymbol{\eta}$ 是一个**特解**，$\{\boldsymbol{\xi}_1,\dots,\boldsymbol{\xi}_{n-r}\}$ 是导出组 $A\mathbf{x}=\mathbf{0}$ 的一个**基础解系**。

**与本库语言的逐句对照**：

| 国内表述 | 本库表述 | 依据 |
|---|---|---|
| $\operatorname{rank}(A) < \operatorname{rank}([A\mid\mathbf{b}])$ 无解 | $\mathbf{b} \notin \mathbf{C}(A)$ | 定理 3.5.3(1) |
| 导出组的基础解系含 $n-r$ 个解 | $\dim\mathbf{N}(A) = n - r$ | 定理 3.5.1 |
| 通解 $=$ 特解 $+$ 齐次通解 | 解集 $= \mathbf{x}_p + \mathbf{N}(A)$ | 定理 3.5.3(3) |
| $r=n$ 时解唯一 | $\mathbf{N}(A) = \{\mathbf{0}\}$ | 定理 3.5.3(2) |
| 相容性条件（各方程线性组合后右端为零） | $\mathbf{y}^{\mathrm{T}}\mathbf{b} = 0$ 对一切 $\mathbf{y} \in \mathbf{N}(A^{\mathrm{T}})$ 成立 | 推论 4.1.6 |

> [!warning] 「$\operatorname{rank}(A) = \operatorname{rank}([A\mid\mathbf{b}])$ 有解」与「$\mathbf{b} \perp \mathbf{N}(A^{\mathrm{T}})$ 有解」是同一句话
> 前者是国内教材（消元视角），后者是第 4 章（正交视角）。它们之所以等价，正是因为 $\mathbf{C}(A) = (\mathbf{N}(A^{\mathrm{T}}))^{\perp}$：**$\mathbf{b}$ 落在 $\mathbf{C}(A)$ 里 $\iff$ $\mathbf{b}$ 与左零空间的每个向量正交**。手算时前者更快（做一次消元），理论推导时后者更本质。

### 10.3 为什么国内强调「解空间」而 Strang 强调「四个空间」

国内教材的主线是**解方程**：给定方程组，问「有没有解、有多少解、解长什么样」。于是自然分成「$A\mathbf{x}=\mathbf{0}$ 的解集」与「$A\mathbf{x}=\mathbf{b}$ 的可解性条件」两条线，前者是零空间、后者由左零空间控制（相容性条件），而列空间与行空间只在讨论「秩」时一闪而过。

Strang 的主线是**映射**：给定 $A: \mathbb{R}^n \to \mathbb{R}^m$，问「输入被分成了什么、输出被分成了什么」。四个空间恰好把两端各切成两块，于是**同一个 $r$ 同时控制两端的切法**（$r$、$n-r$、$r$、$m-r$），第 4 章再证明这两刀都是正交的。

> [!tip] 两套语言各自的优势
> - **做题（判断解、求通解、求秩）**：国内语言快——消元一次，读出主元数 $r$，写基础解系，抄通解。
> - **理解结构（为什么、几何图像、能不能推广）**：Strang 语言强——四个空间给你一张「输入 $\to$ 输出」的地图，正交性、投影、最小二乘、SVD 全部从这张图长出来。
> - **本库的建议**：做题用国内语言，思考用四大子空间。两套语言随时可以互译，对照表就在 10.1。

---

## 十一、新增例题（数字计算为主）

### 例题 3（主计算题）：一个 $4 \times 5$ 秩为 2 的矩阵，求四个子空间的基与维数并验证解的结构

设

$$
A = \begin{bmatrix} 1 & 2 & 2 & 3 & 1 \\ 2 & 4 & 5 & 7 & 3 \\ 3 & 6 & 7 & 10 & 4 \\ 1 & 2 & 2 & 3 & 1 \end{bmatrix}, \qquad m = 4,\ n = 5
$$

注意第 4 行与第 1 行**完全相同**，这已经预告了 $\mathbf{N}(A^{\mathrm{T}}) \neq \{\mathbf{0}\}$。

**第 1 步：消元求简化行阶梯形 $R$。**

先做 $r_2 \leftarrow r_2 - 2r_1$、$r_3 \leftarrow r_3 - 3r_1$、$r_4 \leftarrow r_4 - r_1$：

$$
A \longrightarrow \begin{bmatrix} 1 & 2 & 2 & 3 & 1 \\ 0 & 0 & 1 & 1 & 1 \\ 0 & 0 & 1 & 1 & 1 \\ 0 & 0 & 0 & 0 & 0 \end{bmatrix}
$$

再做 $r_3 \leftarrow r_3 - r_2$：

$$
\longrightarrow \begin{bmatrix} 1 & 2 & 2 & 3 & 1 \\ 0 & 0 & 1 & 1 & 1 \\ 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 \end{bmatrix}
$$

最后 $r_1 \leftarrow r_1 - 2r_2$：

$$
R = \begin{bmatrix} 1 & 2 & 0 & 1 & -1 \\ 0 & 0 & 1 & 1 & 1 \\ 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 \end{bmatrix}
$$

读出：主元在**第 1、3 列**，故

$$
r = \operatorname{rank}(A) = 2, \qquad \text{自由列是第 } 2,4,5 \text{ 列},\qquad \text{自由变量 } x_2, x_4, x_5
$$

**第 2 步：四个维数一次写出。**

$$
\dim\mathbf{C}(A) = r = 2, \quad \dim\mathbf{N}(A) = n - r = 5 - 2 = 3, \quad \dim\mathbf{C}(A^{\mathrm{T}}) = r = 2, \quad \dim\mathbf{N}(A^{\mathrm{T}}) = m - r = 4 - 2 = 2
$$

两个守恒关系核对：

$$
\dim\mathbf{C}(A) + \dim\mathbf{N}(A^{\mathrm{T}}) = 2 + 2 = 4 = m \ \checkmark, \qquad \dim\mathbf{N}(A) + \dim\mathbf{C}(A^{\mathrm{T}}) = 3 + 2 = 5 = n \ \checkmark
$$

> [!tip] 先写维数再看基
> 这一步只用了一个数 $r = 2$，却已经把四个空间的「大小」全部确定。**先算维数，再求基**：如果算出的基向量个数与维数不符，立刻知道某一步错了，不必等到最后验证。

**第 3 步：$\mathbf{C}(A)$ 的基（回到 $A$ 取主元列）。**

$$
\left\{ \begin{bmatrix} 1 \\ 2 \\ 3 \\ 1 \end{bmatrix}, \begin{bmatrix} 2 \\ 5 \\ 7 \\ 2 \end{bmatrix} \right\}
$$

两列不成比例，故线性无关，$\dim\mathbf{C}(A) = 2 = r$ ✓。**注意不要取 $R$ 的主元列** $(1,0,0,0)^{\mathrm{T}}$、$(0,1,0,0)^{\mathrm{T}}$——它们张成的是 $\mathbf{C}(R) \subseteq \mathbb{R}^4$ 中的坐标平面，与 $\mathbf{C}(A)$ 完全不同。

**第 4 步：$\mathbf{N}(A)$ 的基（解 $R\mathbf{x} = \mathbf{0}$）。**

由 $R$ 的非零行：

$$
\begin{cases} x_1 + 2x_2 + x_4 - x_5 = 0 \\ x_3 + x_4 + x_5 = 0 \end{cases} \Longrightarrow \begin{cases} x_1 = -2x_2 - x_4 + x_5 \\ x_3 = -x_4 - x_5 \end{cases}
$$

依次取 $(x_2,x_4,x_5) = (1,0,0)$、$(0,1,0)$、$(0,0,1)$：

$$
\mathbf{v}_1 = \begin{bmatrix} -2 \\ 1 \\ 0 \\ 0 \\ 0 \end{bmatrix}, \qquad \mathbf{v}_2 = \begin{bmatrix} -1 \\ 0 \\ -1 \\ 1 \\ 0 \end{bmatrix}, \qquad \mathbf{v}_3 = \begin{bmatrix} 1 \\ 0 \\ -1 \\ 0 \\ 1 \end{bmatrix}
$$

**逐个验证 $A\mathbf{v}_i = \mathbf{0}$**（用列的组合，这是最快的验算法）：

$$
A\mathbf{v}_1 = -2\mathbf{a}_1 + \mathbf{a}_2 = \begin{bmatrix} -2+2 \\ -4+4 \\ -6+6 \\ -2+2 \end{bmatrix} = \mathbf{0} \ \checkmark
$$

$$
A\mathbf{v}_2 = -\mathbf{a}_1 - \mathbf{a}_3 + \mathbf{a}_4 = \begin{bmatrix} -1-2+3 \\ -2-5+7 \\ -3-7+10 \\ -1-2+3 \end{bmatrix} = \mathbf{0} \ \checkmark
$$

$$
A\mathbf{v}_3 = \mathbf{a}_1 - \mathbf{a}_3 + \mathbf{a}_5 = \begin{bmatrix} 1-2+1 \\ 2-5+3 \\ 3-7+4 \\ 1-2+1 \end{bmatrix} = \mathbf{0} \ \checkmark
$$

三个向量线性无关（第 2、4、5 三个分量上的「单位阵块」保证），故

$$
\mathbf{N}(A) = \operatorname{span}\{\mathbf{v}_1, \mathbf{v}_2, \mathbf{v}_3\}, \qquad \dim\mathbf{N}(A) = 3 = n - r = 5 - 2 \ \checkmark
$$

**第 5 步：$\mathbf{C}(A^{\mathrm{T}})$ 的基（取 $R$ 的非零行）。**

$$
\left\{ \begin{bmatrix} 1 \\ 2 \\ 0 \\ 1 \\ -1 \end{bmatrix}, \begin{bmatrix} 0 \\ 0 \\ 1 \\ 1 \\ 1 \end{bmatrix} \right\}, \qquad \dim\mathbf{C}(A^{\mathrm{T}}) = 2 = r \ \checkmark
$$

也可以取 $A$ 中线性无关的两行，例如第 1、2 行 $(1,2,2,3,1)$ 与 $(2,4,5,7,3)$——它们线性无关，与上面的基张成同一个空间（可自行验证第 1 行 $=$ 第 1 个基向量 $+ 2\times$ 第 2 个基向量：$(1,2,0,1,-1) + 2(0,0,1,1,1) = (1,2,2,3,1)$ ✓）。

**第 6 步：$\mathbf{N}(A^{\mathrm{T}})$ 的基（解 $A^{\mathrm{T}}\mathbf{y} = \mathbf{0}$）。**

$A^{\mathrm{T}}$ 是 $5 \times 4$ 矩阵，解 $A^{\mathrm{T}}\mathbf{y} = \mathbf{0}$ 即求系数 $y_1,\dots,y_4$ 使 $y_1\mathbf{r}_1 + y_2\mathbf{r}_2 + y_3\mathbf{r}_3 + y_4\mathbf{r}_4 = \mathbf{0}$（$\mathbf{r}_i$ 是 $A$ 的第 $i$ 行）。

从消元过程已经能看到两个关系：
- 第 4 行 $-$ 第 1 行 $= \mathbf{0}$，即 $(-1)\mathbf{r}_1 + \mathbf{r}_4 = \mathbf{0}$；
- 第 3 行 $-$ 第 2 行 $-$ 第 1 行 $= \mathbf{0}$，即 $(-1)\mathbf{r}_1 + (-1)\mathbf{r}_2 + \mathbf{r}_3 = \mathbf{0}$。

直接验证第二个：

$$
(-1)\begin{bmatrix} 1 \\ 2 \\ 2 \\ 3 \\ 1 \end{bmatrix} + (-1)\begin{bmatrix} 2 \\ 4 \\ 5 \\ 7 \\ 3 \end{bmatrix} + \begin{bmatrix} 3 \\ 6 \\ 7 \\ 10 \\ 4 \end{bmatrix} = \begin{bmatrix} -1-2+3 \\ -2-4+6 \\ -2-5+7 \\ -3-7+10 \\ -1-3+4 \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \\ 0 \\ 0 \\ 0 \end{bmatrix} \ \checkmark
$$

故

$$
\mathbf{N}(A^{\mathrm{T}}) = \operatorname{span}\left\{ \begin{bmatrix} -1 \\ -1 \\ 1 \\ 0 \end{bmatrix}, \begin{bmatrix} -1 \\ 0 \\ 0 \\ 1 \end{bmatrix} \right\}, \qquad \dim\mathbf{N}(A^{\mathrm{T}}) = 2 = m - r = 4 - 2 \ \checkmark
$$

（第一个向量是「第 1 行 $+$ 第 2 行 $=$ 第 3 行」的系数 $-1,-1,1,0$；第二个向量是「第 1 行 $=$ 第 4 行」的系数 $-1,0,0,1$。两者线性无关，故构成基。）

**第 7 步：交叉验证正交性。**

$\mathbf{N}(A) \perp \mathbf{C}(A^{\mathrm{T}})$：只需验证 $\mathbf{N}(A)$ 的每个基向量与 $A$ 的每一行正交，即 $A\mathbf{v}_i = \mathbf{0}$——**这正是第 4 步已经算过的**。第 $i$ 个分量就是「第 $i$ 行与 $\mathbf{v}$ 的内积」，所以 $A\mathbf{v} = \mathbf{0}$ 与「$\mathbf{v}$ 与每一行正交」是同一句话。抽一个验证：

$$
(-2,1,0,0,0)\cdot(1,2,2,3,1) = -2 + 2 + 0 + 0 + 0 = 0 \ \checkmark
$$

$$
(-2,1,0,0,0)\cdot(2,4,5,7,3) = -4 + 4 + 0 + 0 + 0 = 0 \ \checkmark, \qquad (-2,1,0,0,0)\cdot(3,6,7,10,4) = -6 + 6 + 0 + 0 + 0 = 0 \ \checkmark
$$

$\mathbf{N}(A^{\mathrm{T}}) \perp \mathbf{C}(A)$：验证左零向量与 $A$ 的主元列正交：

$$
(-1,-1,1,0)\cdot(1,2,3,1) = -1 - 2 + 3 + 0 = 0 \ \checkmark, \qquad (-1,-1,1,0)\cdot(2,5,7,2) = -2 - 5 + 7 + 0 = 0 \ \checkmark
$$

$$
(-1,0,0,1)\cdot(1,2,3,1) = -1 + 0 + 0 + 1 = 0 \ \checkmark, \qquad (-1,0,0,1)\cdot(2,5,7,2) = -2 + 0 + 0 + 2 = 0 \ \checkmark
$$

**第 8 步：用本题的 $A$ 检验「解的结构」。**

取 $\mathbf{b} = (1,2,3,1)^{\mathrm{T}}$——它就是 $A$ 的第 1 列，故 $\mathbf{b} \in \mathbf{C}(A)$，**有解**，且 $\mathbf{x}_p = (1,0,0,0,0)^{\mathrm{T}}$ 是一个特解。通解（国内写法的「特解 $+$ 齐次通解」）：

$$
\mathbf{x} = \begin{bmatrix} 1 \\ 0 \\ 0 \\ 0 \\ 0 \end{bmatrix} + c_1\begin{bmatrix} -2 \\ 1 \\ 0 \\ 0 \\ 0 \end{bmatrix} + c_2\begin{bmatrix} -1 \\ 0 \\ -1 \\ 1 \\ 0 \end{bmatrix} + c_3\begin{bmatrix} 1 \\ 0 \\ -1 \\ 0 \\ 1 \end{bmatrix}, \qquad c_1, c_2, c_3 \in \mathbb{R}
$$

**核对自由变量的取值**：在这个通解中 $x_2 = c_1$、$x_4 = c_2$、$x_5 = c_3$，而主变量

$$
x_1 = 1 - 2c_1 - c_2 + c_3, \qquad x_3 = -c_2 - c_3
$$

把它代入 $R$ 的第 1 行核对：$x_1 + 2x_2 + x_4 - x_5 = (1 - 2c_1 - c_2 + c_3) + 2c_1 + c_2 - c_3 = 1$ ✓（等于右端的第 1 个分量 1）；第 2 行：$x_3 + x_4 + x_5 = -c_2 - c_3 + c_2 + c_3 = 0$ ✓（等于右端的第 2 个分量 0）。**注意**：这里的右端是 $R$ 版本的右端，即 $E\mathbf{b} = (1,0,0,0)^{\mathrm{T}}$。

再取 $\mathbf{b}' = (1,2,3,2)^{\mathrm{T}}$。用左零空间的**相容性条件**判断：$\mathbf{y} = (-1,-1,1,0)^{\mathrm{T}} \in \mathbf{N}(A^{\mathrm{T}})$，而

$$
\mathbf{y}^{\mathrm{T}}\mathbf{b}' = (-1)\cdot 1 + (-1)\cdot 2 + 1\cdot 3 + 0\cdot 2 = 0 \ \checkmark
$$

再试第二个左零向量 $\mathbf{y}' = (-1,0,0,1)^{\mathrm{T}}$：

$$
(\mathbf{y}')^{\mathrm{T}}\mathbf{b}' = -1 + 0 + 0 + 2 = 1 \neq 0 \ \times
$$

**故 $\mathbf{b}' \notin \mathbf{C}(A)$，方程组无解。** 这条判据不必做任何消元：只要 $A$ 的 4 行里有一组「加起来等于零」的组合，而对应的 $\mathbf{b}'$ 分量不满足同样的关系，就立刻判定无解。

> [!important] 例题 3 的三条经验
> 1. **$m$、$n$ 越大越要先算 $r$**：本题 $4\times 5$，四个维数只要算出 $r = 2$ 就全部到手。
> 2. **零空间的基用「$A$ 的列组合」验算最快**：$A\mathbf{v} = \mathbf{0}$ 展开就是「系数乘列相加等于零」，比矩阵乘法快得多。
> 3. **左零空间是「找行的关系」**：消元时哪一行被消成零行，那个消元系数就是一个左零向量。本题第 4 行与第 1 行相同、第 3 行 $=$ 第 1 行 $+$ 第 2 行，正好给出两个左零向量。

### 例题 4：含参数的 $3 \times 3$ 矩阵——参数如何改变四大子空间

设

$$
A = \begin{bmatrix} 1 & 1 & a \\ 1 & a & 1 \\ a & 1 & 1 \end{bmatrix}, \qquad a \in \mathbb{R}
$$

**第 1 步：先算行列式（判断何时满秩）。**

按第 1 行展开：

$$
\det A = 1\cdot\begin{vmatrix} a & 1 \\ 1 & 1 \end{vmatrix} - 1\cdot\begin{vmatrix} 1 & 1 \\ a & 1 \end{vmatrix} + a\cdot\begin{vmatrix} 1 & a \\ a & 1 \end{vmatrix}
$$

$$
= 1\cdot(a - 1) - 1\cdot(1 - a) + a\cdot(1 - a^2)
$$

$$
= (a-1) + (a-1) + a(1-a)(1+a) = 2(a-1) - a(a-1)(a+1) = (a-1)\big[2 - a(a+1)\big]
$$

$$
\det A = (a-1)(2 - a^2 - a) = -(a-1)(a^2 + a - 2) = -(a-1)(a+2)(a-1) = -(a-1)^2(a+2)
$$

（分解 $a^2 + a - 2 = (a+2)(a-1)$。）故

$$
\det A = 0 \iff a = 1 \ \text{或}\ a = -2
$$

**第 2 步：分情形讨论。**

**情形一：$a \neq 1$ 且 $a \neq -2$。** $\det A \neq 0$，$r = 3 = m = n$，四个维数是

$$
\dim\mathbf{C}(A) = 3,\quad \dim\mathbf{N}(A) = 0,\quad \dim\mathbf{C}(A^{\mathrm{T}}) = 3,\quad \dim\mathbf{N}(A^{\mathrm{T}}) = 0
$$

即 $\mathbf{C}(A) = \mathbf{C}(A^{\mathrm{T}}) = \mathbb{R}^3$、$\mathbf{N}(A) = \mathbf{N}(A^{\mathrm{T}}) = \{\mathbf{0}\}$：对每个 $\mathbf{b}$ 有唯一解。

**情形二：$a = 1$。** 此时

$$
A = \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}
$$

三行相同，消元做 $r_2 \leftarrow r_2 - r_1$、$r_3 \leftarrow r_3 - r_1$：

$$
A \longrightarrow \begin{bmatrix} 1 & 1 & 1 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix} = R
$$

$r = 1$，主元在第 1 列。于是

$$
\dim\mathbf{C}(A) = 1, \quad \dim\mathbf{N}(A) = 3 - 1 = 2, \quad \dim\mathbf{C}(A^{\mathrm{T}}) = 1, \quad \dim\mathbf{N}(A^{\mathrm{T}}) = 3 - 1 = 2
$$

基：

- $\mathbf{C}(A) = \operatorname{span}\{(1,1,1)^{\mathrm{T}}\}$（一条直线，$\mathbb{R}^3$ 的主对角线）；
- $\mathbf{C}(A^{\mathrm{T}}) = \operatorname{span}\{(1,1,1)^{\mathrm{T}}\}$（同一个方向——因为 $A$ 对称）；
- $\mathbf{N}(A)$：解 $x_1 + x_2 + x_3 = 0$，取 $(x_2,x_3) = (1,0),(0,1)$：

$$
\mathbf{N}(A) = \operatorname{span}\left\{ \begin{bmatrix} -1 \\ 1 \\ 0 \end{bmatrix}, \begin{bmatrix} -1 \\ 0 \\ 1 \end{bmatrix} \right\}
$$

即平面 $x_1 + x_2 + x_3 = 0$；

- $\mathbf{N}(A^{\mathrm{T}})$：$A^{\mathrm{T}} = A$，故 $\mathbf{N}(A^{\mathrm{T}}) = \mathbf{N}(A)$，是同一个平面。

**情形三：$a = -2$。** 此时

$$
A = \begin{bmatrix} 1 & 1 & -2 \\ 1 & -2 & 1 \\ -2 & 1 & 1 \end{bmatrix}
$$

做 $r_2 \leftarrow r_2 - r_1$、$r_3 \leftarrow r_3 + 2r_1$：

$$
\longrightarrow \begin{bmatrix} 1 & 1 & -2 \\ 0 & -3 & 3 \\ 0 & 3 & -3 \end{bmatrix} \longrightarrow \begin{bmatrix} 1 & 1 & -2 \\ 0 & -3 & 3 \\ 0 & 0 & 0 \end{bmatrix}
$$

（第二步 $r_3 \leftarrow r_3 + r_2$。）再做 $r_2 \leftarrow -\tfrac13 r_2$、$r_1 \leftarrow r_1 - r_2$：

$$
R = \begin{bmatrix} 1 & 0 & -1 \\ 0 & 1 & -1 \\ 0 & 0 & 0 \end{bmatrix}
$$

$r = 2$，主元在第 1、2 列，自由变量 $x_3$。于是

$$
\dim\mathbf{C}(A) = 2, \quad \dim\mathbf{N}(A) = 1, \quad \dim\mathbf{C}(A^{\mathrm{T}}) = 2, \quad \dim\mathbf{N}(A^{\mathrm{T}}) = 1
$$

基：

- $\mathbf{C}(A) = \operatorname{span}\{(1,1,-2)^{\mathrm{T}}, (1,-2,1)^{\mathrm{T}}\}$（取 $A$ 的第 1、2 列）；
- $\mathbf{C}(A^{\mathrm{T}}) = \operatorname{span}\{(1,0,-1)^{\mathrm{T}}, (0,1,-1)^{\mathrm{T}}\}$（取 $R$ 的非零行）；
- $\mathbf{N}(A)$：由 $x_1 - x_3 = 0$、$x_2 - x_3 = 0$，取 $x_3 = 1$：$\mathbf{N}(A) = \operatorname{span}\{(1,1,1)^{\mathrm{T}}\}$；
- $\mathbf{N}(A^{\mathrm{T}})$：$A$ 对称，故 $\mathbf{N}(A^{\mathrm{T}}) = \operatorname{span}\{(1,1,1)^{\mathrm{T}}\}$。

**验证正交性（这一步在 $a=-2$ 时特别漂亮）**：

$$
(1,1,1)\cdot(1,1,-2) = 1 + 1 - 2 = 0 \ \checkmark, \qquad (1,1,1)\cdot(1,-2,1) = 1 - 2 + 1 = 0 \ \checkmark
$$

$$
(1,1,1)\cdot(1,0,-1) = 1 - 1 = 0 \ \checkmark, \qquad (1,1,1)\cdot(0,1,-1) = 0 \ \checkmark
$$

**第 3 步：把三种情形列成表。**

| 参数 | $\det A$ | $r$ | $\dim\mathbf{C}(A)$ | $\dim\mathbf{N}(A)$ | $\dim\mathbf{C}(A^{\mathrm{T}})$ | $\dim\mathbf{N}(A^{\mathrm{T}})$ | $\mathbf{N}(A)$ 的几何图像 |
|---|---|---|---|---|---|---|---|
| $a \neq 1, -2$ | $\neq 0$ | $3$ | $3$ | $0$ | $3$ | $0$ | $\{\mathbf{0}\}$ |
| $a = 1$ | $0$ | $1$ | $1$ | $2$ | $1$ | $2$ | 平面 $x_1+x_2+x_3=0$ |
| $a = -2$ | $0$ | $2$ | $2$ | $1$ | $2$ | $1$ | 直线 $\operatorname{span}\{(1,1,1)^{\mathrm{T}}\}$ |

> [!important] 例题 4 揭示的一般规律
> 参数变化时，四个维数**同步**变化，始终满足两个守恒关系：$r + (n-r) = 3$、$r + (m-r) = 3$。**秩是唯一会变的量，其余三个维数都是它的函数。** 另外注意 $a = 1$ 与 $a = -2$ 时 $\mathbf{N}(A)$ 与 $\mathbf{N}(A^{\mathrm{T}})$ 恰好相同——这是因为本题的 $A$ **对称**（$A^{\mathrm{T}} = A$），于是行空间 $=$ 列空间、零空间 $=$ 左零空间，两组配对「串」在一起（详见 [[4-1-四大子空间的正交性]] 3.2 节）。一般矩阵没有这个性质。

### 例题 5（证明题）：为什么「$A$ 的列线性无关」等价于「$\mathbf{N}(A) = \{\mathbf{0}\}$」，并由此导出唯一的维数公式

**题目**：设 $A = [\mathbf{a}_1\ \mathbf{a}_2\ \cdots\ \mathbf{a}_n] \in \mathbb{R}^{m\times n}$。证明以下四条互相等价：

（1）$A$ 的列向量组 $\mathbf{a}_1,\dots,\mathbf{a}_n$ 线性无关；

（2）$\mathbf{N}(A) = \{\mathbf{0}\}$；

（3）$\operatorname{rank}(A) = n$；

（4）$\dim\mathbf{C}(A) = n$。

**证明。** 我们用「（1）$\iff$（2）$\Rightarrow$（3）$\iff$（4）$\Rightarrow$（2）」的循环来证。

*（1）$\iff$（2）。* 按定义，$\mathbf{N}(A) = \{\mathbf{x} : A\mathbf{x} = \mathbf{0}\}$。而由 $A\mathbf{x}$ 的列图像，

$$
A\mathbf{x} = x_1\mathbf{a}_1 + x_2\mathbf{a}_2 + \cdots + x_n\mathbf{a}_n
$$

（这一步是纯粹的矩阵乘法展开：$A$ 乘以列向量 $\mathbf{x}$，第 $j$ 个系数 $x_j$ 乘第 $j$ 列再相加。）于是

$$
A\mathbf{x} = \mathbf{0} \iff x_1\mathbf{a}_1 + \cdots + x_n\mathbf{a}_n = \mathbf{0}
$$

「列线性无关」的定义正是：上式**只有零解** $\mathbf{x} = \mathbf{0}$。故（1）$\iff$ $\mathbf{N}(A)$ 中只有 $\mathbf{0}$ $\iff$（2）。

*（2）$\Rightarrow$（3）。* 由秩—零化度定理（定理 3.5.1 的证明，或直接引 [[3-4-线性无关基与维数]]）：

$$
n = \operatorname{rank}(A) + \dim\mathbf{N}(A) = \operatorname{rank}(A) + 0 \Longrightarrow \operatorname{rank}(A) = n
$$

*（3）$\iff$（4）。* 由定理 3.5.1，$\dim\mathbf{C}(A) = \operatorname{rank}(A)$，故（3）与（4）是同一句话的两种写法。

*（4）$\Rightarrow$（2）。* 设 $\dim\mathbf{C}(A) = n$。$\mathbf{C}(A)$ 由 $n$ 个向量 $\mathbf{a}_1,\dots,\mathbf{a}_n$ 张成（按定义），而它的维数恰为 $n$，故这 $n$ 个向量构成 $\mathbf{C}(A)$ 的一组基，特别地它们**线性无关**（基的定义要求线性无关），于是回到（1），再由（1）$\iff$（2）得（2）。

四条等价证毕。$\square$

> [!important] 由这个证明立刻得到的两条推论
> **推论一（列满秩时 $\mathbf{C}(A)$ 的维数公式）**：$r = n$ 时 $\dim\mathbf{N}(A) = 0$，即 $A\mathbf{x}=\mathbf{b}$ 有解时解唯一；且此时必有 $n \le m$（$n$ 个线性无关的向量住在 $\mathbb{R}^m$ 里，必须有 $n \le m$）——这是「线性无关向量个数不超过空间维数」的直接后果。
>
> **推论二（$\dim\mathbf{C}(A) \le \min(m,n)$）**：$\mathbf{C}(A) \subseteq \mathbb{R}^m$ 给出 $r \le m$；列向量组只有 $n$ 个向量，张成空间维数不超过 $n$，给出 $r \le n$。合起来 $r \le \min(m,n)$。**这也解释了为什么「秩的最大值」是 $\min(m,n)$**，以及为什么 $m \times n$ 矩阵在 $r = \min(m,n)$ 时称为「满秩」。

> [!warning] 证明里最容易含糊的一步
> 「$A\mathbf{x} = \mathbf{0} \iff x_1\mathbf{a}_1 + \cdots + x_n\mathbf{a}_n = \mathbf{0}$」看起来是废话，其实是**整个线性代数的枢纽**：它把「矩阵乘法的计算」翻译成「列向量组的线性关系」。四大子空间的所有结论（零空间的基、主元列的选取、行秩等于列秩）都建立在这一次翻译上。写证明时不要跳过它，更不要写成「显然 $\mathbf{N}(A)$ 就是线性相关的解集」——那没有说清是什么的线性相关。

### 例题 6（证明题）：$\dim\mathbf{C}(A) + \dim\mathbf{N}(A^{\mathrm{T}}) = m$ 的另一种证法（不引用行秩等于列秩）

**题目**：设 $A \in \mathbb{R}^{m\times n}$。**只用**「列空间维数 $= $ 主元个数」这一事实，证明

$$
\dim\mathbf{C}(A) + \dim\mathbf{N}(A^{\mathrm{T}}) = m
$$

**证明。** 设 $r = \dim\mathbf{C}(A)$，并设 $A$ 消元后得到简化行阶梯形 $R$，主元个数恰为 $r$（这是 $\dim\mathbf{C}(A) = r$ 的内容，见定理 3.5.1 的第二段证明）。记消元对应的可逆初等矩阵乘积为 $E$，即 $EA = R$，于是

$$
A^{\mathrm{T}}E^{\mathrm{T}} = R^{\mathrm{T}}
$$

现在做两个观察。

*观察一：$\mathbf{N}(A^{\mathrm{T}}) = \mathbf{N}(R^{\mathrm{T}})$。* 对任意 $\mathbf{y} \in \mathbb{R}^m$：

$$
A^{\mathrm{T}}\mathbf{y} = \mathbf{0} \iff E A^{\mathrm{T}}\mathbf{y} = \mathbf{0} \quad (\text{左乘可逆矩阵 } E \text{ 不改变解集})
$$

而 $EA^{\mathrm{T}} = (A E^{\mathrm{T}})^{\mathrm{T}}$ 不是我们要的形式，改用另一条路：由 $EA = R$ 得 $A^{\mathrm{T}}E^{\mathrm{T}} = R^{\mathrm{T}}$。设 $\mathbf{z} = (E^{\mathrm{T}})^{-1}\mathbf{y}$，即 $\mathbf{y} = E^{\mathrm{T}}\mathbf{z}$。由于 $E^{\mathrm{T}}$ 可逆，$\mathbf{y} \mapsto \mathbf{z}$ 是 $\mathbb{R}^m$ 上的一一对应，于是

$$
A^{\mathrm{T}}\mathbf{y} = \mathbf{0} \iff A^{\mathrm{T}}E^{\mathrm{T}}\mathbf{z} = \mathbf{0} \iff R^{\mathrm{T}}\mathbf{z} = \mathbf{0}
$$

一一对应保持维数，故

$$
\dim\mathbf{N}(A^{\mathrm{T}}) = \dim\mathbf{N}(R^{\mathrm{T}})
$$

（**这一步是本题的技术核心**：消元改变 $A$ 的列，但不改变 $A^{\mathrm{T}}$ 的解空间的维数，因为变换是可逆的。注意这与「消元保行空间与零空间」是同一件事的不同侧面。）

*观察二：数 $R^{\mathrm{T}}$ 的零空间维数。* $R$ 有 $r$ 个非零行（主元行）与 $m - r$ 个全零行。$R^{\mathrm{T}}$ 是 $n\times m$ 矩阵，它的**列**就是 $R$ 的行，其中恰有 $r$ 个非零列（因为 $R$ 恰有 $r$ 个非零行），其余 $m - r$ 列是全零列。$R$ 的 $r$ 个非零行线性无关（每个非零行在自己的主元列上取 $1$，其余非零行在该列为 $0$），故

$$
\operatorname{rank}(R^{\mathrm{T}}) = r
$$

对 $R^{\mathrm{T}}$（$n \times m$）用秩—零化度定理：

$$
\dim\mathbf{N}(R^{\mathrm{T}}) = m - \operatorname{rank}(R^{\mathrm{T}}) = m - r
$$

合并两个观察：

$$
\dim\mathbf{N}(A^{\mathrm{T}}) = \dim\mathbf{N}(R^{\mathrm{T}}) = m - r = m - \dim\mathbf{C}(A)
$$

移项即得 $\dim\mathbf{C}(A) + \dim\mathbf{N}(A^{\mathrm{T}}) = m$。$\square$

> [!note] 这个证法为什么值得学
> 常规证法是「对 $A^{\mathrm{T}}$ 用秩—零化度定理」，但那要**先知道 $\operatorname{rank}(A^{\mathrm{T}}) = \operatorname{rank}(A)$**（定理 3.5.2），而那条定理本身要费一番功夫。本证法绕开了它：只数了 $R$ 的非零行个数（$= r = \dim\mathbf{C}(A)$），就直接读出 $\dim\mathbf{N}(A^{\mathrm{T}}) = m - r$。
> 构造上它揭示了一件更本质的事：**$\mathbf{N}(A^{\mathrm{T}})$ 的维数等于「消元时被消成零行的行数」**，而每一行被消成零，就意味着这一行是前面某些行的线性组合——这正是「左零空间记录行与行的冗余关系」这句话的精确含义。
> 顺带地，把同一个论证用到 $A^{\mathrm{T}}$ 上（把 $A$ 转置、行与列的角色互换），就能得到 $\dim\mathbf{C}(A^{\mathrm{T}}) + \dim\mathbf{N}(A) = n$，即行秩等于列秩。**两条守恒关系其实是同一个证明的两个方向。**

## 本篇小结

> [!important] 一页纸回顾
> **核心公式（背下来）**：设 $A \in \mathbb{R}^{m\times n}$，$r = \operatorname{rank}(A)$，则
>
> | 子空间 | 所在空间 | 维数 | 基怎么取 |
> |---|---|---|---|
> | $\mathbf{C}(A)$ 列空间 | $\mathbb{R}^m$ | $r$ | $A$ 的**主元列** |
> | $\mathbf{N}(A)$ 零空间 | $\mathbb{R}^n$ | $n - r$ | $R\mathbf{x}=\mathbf{0}$ 的 $n-r$ 个特解（基础解系） |
> | $\mathbf{C}(A^{\mathrm{T}})$ 行空间 | $\mathbb{R}^n$ | $r$ | $R$ 的**非零行** |
> | $\mathbf{N}(A^{\mathrm{T}})$ 左零空间 | $\mathbb{R}^m$ | $m - r$ | $A^{\mathrm{T}}\mathbf{y}=\mathbf{0}$ 的解 |
>
> **两个守恒关系**：$r + (n-r) = n$（输入侧），$r + (m-r) = m$（输出侧）。
>
> **三条必须记住的「不」**：
> - 消元**保**行空间与零空间，**不保**列空间（列之间的关系保，列本身不保）；
> - 求 $\mathbf{C}(A)$ 的基**不能**用 $R$ 的列，必须回到 $A$ 取主元列；
> - $\mathbf{N}(A)$ 与 $\mathbf{C}(A)$ **不能**放在一起谈正交（当 $m \neq n$ 时连内积都写不出），配对只有 $\mathbf{N}(A)$–$\mathbf{C}(A^{\mathrm{T}})$ 与 $\mathbf{N}(A^{\mathrm{T}})$–$\mathbf{C}(A)$。
>
> **与国内教材的接口**：$\mathbf{N}(A)$ 就是「齐次方程组的解空间」，它的基就是「基础解系」，$\dim\mathbf{N}(A) = n - r$ 就是「基础解系含 $n-r$ 个解向量」；$\dim\mathbf{C}(A) = \dim\mathbf{C}(A^{\mathrm{T}}) = r$ 就是「行秩 $=$ 列秩」。对照表见第十节。
>
> **下一步**：[[4-1-四大子空间的正交性]] 证明这两组维数相加的分解不只是「拼满」，而是**正交地**拼满，于是每个向量都有唯一的正交分解——这是最小二乘、SVD、PCA 的共同起点。

## 相关笔记

- [[4-1-四大子空间的正交性]]：证明本篇两组维数相加的分解是**正交**直和，并给出内积公理化、正交补与 $V = W \oplus W^{\perp}$；本篇第十节的对照表在那里会变成正交关系的国内写法
- [[4-2-投影与投影矩阵]]：把列空间与左零空间的正交分解变成可计算的投影矩阵 $P$ 与法方程
- [[4-4-标准正交基与Gram-Schmidt]]：为四个子空间构造**标准正交**基（不用消元、也不用每列单独取），是「基不唯一、维数唯一」的构造性版本
- [[3-4-线性无关基与维数]]：基与维数的定义、秩—零化度定理，本篇的维数公式直接建立在其上
- [[3-2-零空间与阶梯形]]：零空间、主元与自由变量、$R\mathbf{x}=\mathbf{0}$ 的解法，是本篇求基流程的来源
- [[3-3-Ax=b的完整解]]：可解性条件与秩 $r$ 的四种极端情形，本篇 3.4 节是其子空间版本
- [[3-1-向量空间]]：子空间的定义与判定，$\mathbf{C}(A)$ 是第一个例子
- [[4-1-四大子空间的正交性]]：本篇的续篇，证明四个空间两两正交地拼满 $\mathbb{R}^n$ 与 $\mathbb{R}^m$
- [[7-1-SVD的构造与几何意义]]：SVD 为四个子空间同时给出标准正交基

## 参考来源

- MIT OpenCourseWare，18.06 Linear Algebra（Spring 2010），Gilbert Strang，第 10 讲 "The Four Fundamental Subspaces"：https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/
- Gilbert Strang，*Introduction to Linear Algebra*，第 5 版，Wellesley–Cambridge Press，第 3.5 节 "Independence, Basis and Dimension" 与第 3.6 节 "Dimensions of the Four Subspaces"（教材，纸质/电子书）
- Gilbert Strang，*Linear Algebra and Its Applications*，第 4 版，第 3.6 节 "Dimensions of the Four Subspaces"（教材）
- 同济大学数学系，《线性代数》，第六章「线性空间与线性变换」、第四章 §3「向量组的秩」与 §4「矩阵的秩」（教材）
- SciPy 官方文档，`scipy.linalg.null_space`（用 SVD 求零空间的标准正交基）：https://docs.scipy.org/doc/scipy/reference/generated/scipy.linalg.null_space.html
- MIT 数学系 Gilbert Strang 教材主页（第 5/6 版配套资源）：https://math.mit.edu/~gs/linearalgebra/
