秩–零化度定理：线性映射丢失了什么？

矩阵看起来是一张数表，但更值得保留的观点是：它是一个线性映射。研究一个映射时，我们关心两件事：

前者构成核，记作 $\ker T$；后者构成像，记作 $\operatorname{im}T$。

信息被折叠到哪里

设 $T:V\to W$ 是有限维向量空间之间的线性映射。核刻画的是映射“看不见”的方向：

$$ \ker T={,v\in V:T(v)=0,}. $$

如果核中存在非零向量，那么不同的输入可能拥有相同的输出。也就是说，映射没有保留全部信息。

像则描述了输出空间里真正能够被到达的部分：

$$ \operatorname{im}T={,T(v):v\in V,}. $$

秩–零化度定理把两者的维数联系起来：

$$ \dim V=\dim\ker T+\dim\operatorname{im}T. $$

这个等式可以理解为一种“信息账本”：输入空间的全部维数，一部分在映射中被压成零，另一部分成为像的维数。没有任何中间去向。

在矩阵语言中，它就是

$$ n=\operatorname{nullity}(A)+\operatorname{rank}(A). $$

考虑齐次方程组 $Ax=0$。它的解空间正是线性映射 $T(x)=Ax$ 的核。

因此，一旦知道矩阵的秩，就能立刻得到自由变量的个数：

$$ \text{自由变量数}=n-\operatorname{rank}(A). $$

这解释了一个常见现象：方程数量少于未知数数量时，齐次方程组通常会有非零解。因为输入空间的维数超过了像的维数，映射必然在某些方向上压缩为零。

矩阵的秩不是一项孤立的矩阵指标。它衡量像的规模，而零化度衡量被折叠掉的输入空间。

计算秩通常需要具体矩阵，但定理的意义发生在抽象空间中。选择不同的基，会改变矩阵的全部数字，却不会改变核、像以及它们的维数。

真正不随坐标改变的，是线性映射保存了多少独立方向，又丢失了多少独立方向。