矩阵论的所有文章,主要内容参考北航赵迪老师的课件
[注]由于矩阵论对计算机比较重要,所以选修了这门课,但不是专业搞数学的,所以存在很多口语化描述,而且对很多东西理解不是很正确与透彻,欢迎大家指正。我可能间歇性忙,但有空一定会回复修改的。
矩阵论
1. 准备知识——复数域上矩阵,Hermite变换)
1.准备知识——复数域上的内积域正交阵
1.准备知识——Hermite阵,二次型,矩阵合同,正定阵,幂0阵,幂等阵,矩阵的秩
2. 矩阵分解——SVD准备知识——奇异值
2. 矩阵分解——SVD
2. 矩阵分解——QR分解
2. 矩阵分解——正定阵分解
2. 矩阵分解——单阵谱分解
2. 矩阵分解——正规分解——正规阵
2. 矩阵分解——正规谱分解
2. 矩阵分解——高低分解
3. 矩阵函数——常见解析函数
3. 矩阵函数——谱公式,幂0与泰勒计算矩阵函数
3. 矩阵函数——矩阵函数求导
4. 矩阵运算——观察法求矩阵特征值特征向量
4. 矩阵运算——张量积
4. 矩阵运算——矩阵拉直
4.矩阵运算——广义逆——加号逆定义性质与特殊矩阵的加号逆
4. 矩阵运算——广义逆——加号逆的计算
4. 矩阵运算——广义逆——加号逆应用
4. 矩阵运算——广义逆——减号逆
5. 线性空间与线性变换——线性空间
5. 线性空间与线性变换——生成子空间
5. 线性空间与线性变换——线性映射与自然基分解,线性变换
6. 正规方程与矩阵方程求解
7. 范数理论——基本概念——向量范数与矩阵范数
7.范数理论——基本概念——矩阵范数生成向量范数&谱范不等式
7. 矩阵理论——算子范数
7.范数理论——范数估计——许尔估计&谱估计
7. 范数理论——非负/正矩阵
8. 常用矩阵总结——秩1矩阵,优阵(单位正交阵),Hermite阵
8. 常用矩阵总结——镜面阵,正定阵
8. 常用矩阵总结——单阵,正规阵,幂0阵,幂等阵,循环阵
1.8 特殊矩阵的乘积
1.8.1 对角阵的乘积
Λ = ( λ 1 λ 2 ⋱ λ n ) Λ H Λ = ( λ 1 ‾ λ 1 λ 2 ‾ λ 2 ⋱ λ n ‾ λ n ) = ( ∣ λ 1 ∣ 2 ∣ λ 2 ∣ 2 ⋱ ∣ λ n ∣ 2 ) \begin{aligned} &\Lambda=\left( \begin{matrix} \lambda_1 &\quad&\quad&\quad\\ \quad &\lambda_2 &\quad&\quad\\ \quad &\quad &\ddots&\quad\\ \quad &\quad &\quad&\lambda_n\\ \end{matrix} \right)\\ &\Lambda^H\Lambda=\left( \begin{matrix} \overline{\lambda_1}\lambda_1&\quad&\quad&\quad\\ &\overline{\lambda_2}\lambda_2 &\quad&\quad\\ &&\ddots&\quad\\ &&&\overline{\lambda_n}\lambda_n\\ \end{matrix} \right) =\left( \begin{matrix} \vert \lambda_1\vert^2 &\quad&\quad&\quad\\ &\vert \lambda_2\vert^2 &\quad&\quad\\ &&\ddots&\quad\\ &&&\vert \lambda_n\vert^2\\ \end{matrix} \right) \end{aligned} Λ= λ1λ2⋱λn ΛHΛ= λ1λ1λ2λ2⋱λnλn = ∣λ1∣2∣λ2∣2⋱∣λn∣2
1.8.2 上三角阵的乘积
1.9 特商公式
λ 1 = X H A X ∣ X ∣ 2 , 其中 ( X ≠ 0 为 λ 1 的一个特征向量 ) 证明 : X H A X = X H λ X = λ X H X = λ ∣ X ∣ 2 ( ∣ X ∣ 2 > 0 ) \begin{aligned} &\lambda_1=\frac{X^HAX}{\vert X\vert^2},其中(X\neq 0为\lambda_1的一个特征向量)\\\\ &证明:X^HAX=X^H\lambda X=\lambda X^HX=\lambda \vert X\vert^2(\vert X\vert^2>0) \end{aligned} λ1=∣X∣2XHAX,其中(X=0为λ1的一个特征向量)证明:XHAX=XHλX=λXHX=λ∣X∣2(∣X∣2>0)
1.10 许尔公式(上三角)
1.10.1 Xhur 1-1
任一方阵, A ∈ C n × n A\in C^{n\times n} A∈Cn×n ,必存在可逆阵 P P P ,使 P − 1 A P = B P^{-1}AP=B P−1AP=B , B = ( λ 1 ∗ ⋯ ∗ 0 λ 2 ⋯ ∗ ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ λ n ) B=\left( \begin{matrix} \lambda_1&*&\cdots&*\\ 0&\lambda_2&\cdots&*\\ \vdots&\vdots &\ddots&\vdots\\ 0&0 &\cdots&\lambda_n\\ \end{matrix} \right) B= λ10⋮0∗λ2⋮0⋯⋯⋱⋯∗∗⋮λn 为上三角阵
若当型
由Xhur公式1-1,一定 ∃ \exist ∃ 更好的可逆阵 P P P ,使得 P − 1 A P = B = ( λ 1 ∗ λ 2 ∗ ⋱ ∗ λ n ) P^{-1}AP=B=\left( \begin{matrix} \lambda_1&*&&\\ &\lambda_2&*&\\ &&\ddots&*\\ &&&\lambda_n \end{matrix} \right) P−1AP=B= λ1∗λ2∗⋱∗λn ,其中 ∗ * ∗ 为 0 或 1 0或1 0或1 ,也称为双线上三角
1.10.2 Xhur 1-2
任一方阵, A ∈ C n × n A\in C^{n\times n} A∈Cn×n ,必存在优阵 Q Q Q ,使 Q − 1 A Q = Q H A Q = B Q^{-1}AQ=Q^HAQ=B Q−1AQ=QHAQ=B , B = ( λ 1 ∗ ⋯ ∗ 0 λ 2 ⋯ ∗ ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ λ n ) B=\left( \begin{matrix} \lambda_1&*&\cdots&*\\ 0&\lambda_2&\cdots&*\\ \vdots&\vdots &\ddots&\vdots\\ 0&0 &\cdots&\lambda_n\\ \end{matrix} \right) B= λ10⋮0∗λ2⋮0⋯⋯⋱⋯∗∗⋮λn 为上三角阵
- 每个矩阵都优相似于上三角阵
1.11 H阵
定义: A H = A A^H=A AH=A ,则矩阵为 A A A
1.11.1 性质
a. 对角线上元素都是实数
证明:
A = ( a 11 ∗ a 22 ⋱ ∗ a n n ) A=\left( \begin{matrix} a_{11}&\quad&\quad &*\\ \quad&a_{22}&\quad&\quad \\ \quad &\quad&\ddots&\quad\\ *&\quad&\quad&a_{nn} \end{matrix} \right) A= a11∗a22⋱∗ann ,而 A H = ( a 11 ‾ ∗ a 22 ‾ ⋱ ∗ a n n ‾ ) A^H=\left( \begin{matrix} \overline{a_{11}}&\quad&\quad &*\\ \quad&\overline{a_{22}}&\quad&\quad \\ \quad &\quad&\ddots&\quad\\ *&\quad&\quad&\overline{a_{nn}} \end{matrix} \right) AH= a11∗a22⋱∗ann ,由Hermite性质, A H = A A^H=A AH=A ,则 a 11 = a 11 ‾ , a 22 = a 22 ‾ , . . . , a n n = a n n ‾ a_{11}=\overline{a_{11}},a_{22}=\overline{a_{22}},...,a_{nn}=\overline{a_{nn}} a11=a11,a22=a22,...,ann=ann ,可见 Hermite阵对角线元素为实数
b. 特根
若
A
H
=
A
A^H=A
AH=A 是Hermite矩阵,则特征根都是实数,
{
λ
1
,
⋯
,
λ
n
}
∈
R
\{\lambda_1,\cdots,\lambda_n\}\in R
{λ1,⋯,λn}∈R
由特商公式
λ
=
X
H
A
X
∣
X
∣
2
,其中
X
≠
0
,为
λ
的特征向量
其中
∣
X
∣
≥
0
,为实数
.
∴
若证
λ
为实数,即证
X
H
A
X
为实数
已知
X
H
A
X
为一维数字,则只需证明
(
X
H
A
X
)
H
=
X
H
A
X
即可
,
已知
A
=
A
H
为
H
e
r
m
i
t
e
矩阵,
(
X
H
A
X
)
H
=
X
H
A
H
X
=
X
H
A
X
∈
R
\begin{aligned} &由特商公式\lambda=\frac{X^HAX}{\vert X \vert^2},其中X\neq 0,为\lambda的特征向量\\ &其中\vert X \vert\ge 0 ,为实数.\\ &\therefore 若证\lambda 为实数,即证 X^HAX为实数\\ &已知X^HAX为一维数字,则只需证明(X^HAX)^H=X^HAX即可,\\ &已知A=A^H为Hermite矩阵,(X^HAX)^H=X^HA^HX=X^HAX\in R \end{aligned}
由特商公式λ=∣X∣2XHAX,其中X=0,为λ的特征向量其中∣X∣≥0,为实数.∴若证λ为实数,即证XHAX为实数已知XHAX为一维数字,则只需证明(XHAX)H=XHAX即可,已知A=AH为Hermite矩阵,(XHAX)H=XHAHX=XHAX∈R
c. 特向
若
A
=
A
H
∈
C
n
×
n
A=A^H\in C^{n\times n}
A=AH∈Cn×n ,则
A
A
A 有
n
n
n 个互相正交的特征向量,即
X
1
⊥
X
2
⊥
.
.
.
⊥
X
n
X_1\bot X_2\bot...\bot X_n
X1⊥X2⊥...⊥Xn
若
A
为
H
e
r
m
i
t
e
阵,则
∃
U
阵
Q
,使
Q
−
1
A
Q
=
Q
H
A
Q
=
Λ
=
(
λ
1
⋱
λ
n
)
令
Q
=
(
X
1
,
X
2
,
⋯
,
X
n
)
,且
X
1
⊥
X
2
⊥
.
.
.
⊥
X
n
,
A
Q
=
Q
Λ
⟺
(
A
X
1
A
X
2
⋱
A
X
n
)
=
(
λ
1
X
1
λ
2
X
2
⋱
λ
n
X
n
)
即
X
i
为矩阵
A
的
λ
i
的特征向量
\begin{aligned} &若A为Hermite阵,则\exist U阵Q,使Q^{-1}AQ=Q^HAQ=\Lambda=\left( \begin{matrix} \lambda_1&&\\ &\ddots&\\ &&\lambda_n \end{matrix} \right)\\ &令Q=(X_1,X_2,\cdots,X_n),且X_1\bot X_2\bot...\bot X_n,\\ &AQ=Q\Lambda\iff \left( \begin{matrix} AX_1&&\\ &AX_2&&\\ &&\ddots&\\ &&&AX_n \end{matrix} \right)=\left( \begin{matrix} \lambda_1X_1&&&\\ &\lambda_2X_2&&\\ &&\ddots&\\ &&&\lambda_nX_n \end{matrix} \right)\\ &即X_i为矩阵A的\lambda_i的特征向量 \end{aligned}
若A为Hermite阵,则∃U阵Q,使Q−1AQ=QHAQ=Λ=
λ1⋱λn
令Q=(X1,X2,⋯,Xn),且X1⊥X2⊥...⊥Xn,AQ=QΛ⟺
AX1AX2⋱AXn
=
λ1X1λ2X2⋱λnXn
即Xi为矩阵A的λi的特征向量
1.11.2 Hermite分解定理(对角阵)
若 A = A H A=A^H A=AH 是Hermite阵,则存在优阵 Q Q Q ,使 Q − 1 A Q = Q H A Q = Λ = ( λ 1 ⋱ λ n ) Q^{-1}AQ=Q^HAQ=\Lambda=\left( \begin{matrix} \lambda_1&\quad&\quad\\ \quad&\ddots&\quad\\ \quad&\quad&\lambda_n \end{matrix} \right) Q−1AQ=QHAQ=Λ= λ1⋱λn A = Q Λ Q − 1 = Q Λ Q H A=Q\Lambda Q^{-1} = Q\Lambda Q^H A=QΛQ−1=QΛQH ,且 λ ( A ) ∈ R \lambda(A)\in R λ(A)∈R
a. 证明
由许尔公式 ⇒ 有 U 阵 Q 使 Q − 1 A Q = Q H A Q = B = ( λ 1 ∗ ⋯ ∗ 0 λ 2 ⋯ ∗ ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ λ n ) 由 A 是 H e r m i t e 矩阵,则 A H = A , ( Q H A Q ) H = Q H A H Q = Q H A Q = ( λ 1 ‾ 0 ⋯ 0 ∗ λ 2 ‾ ⋯ 0 ⋮ ⋮ ⋱ ⋮ ∗ ∗ ⋯ λ n ‾ ) 由此可见, B 为对角阵,且 λ i 为实数 \begin{aligned} &由许尔公式\Rightarrow 有U阵Q使Q^{-1}AQ=Q^HAQ=B\\ &=\left( \begin{matrix} \lambda_1&*&\cdots&*\\ 0&\lambda_2&\cdots&*\\ \vdots&\vdots &\ddots&\vdots\\ 0&0 &\cdots&\lambda_n\\ \end{matrix} \right)\\ &由A是Hermite矩阵,则A^H=A,(Q^HAQ)^H=Q^HA^HQ=Q^HAQ\\ &=\left( \begin{matrix} \overline{\lambda_1}&0&\cdots&0\\ *&\overline{\lambda_2}&\cdots&0\\ \vdots&\vdots &\ddots&\vdots\\ *&* &\cdots&\overline{\lambda_n}\\ \end{matrix} \right)\\ &由此可见,B为对角阵,且 \lambda_i 为实数 \end{aligned} 由许尔公式⇒有U阵Q使Q−1AQ=QHAQ=B= λ10⋮0∗λ2⋮0⋯⋯⋱⋯∗∗⋮λn 由A是Hermite矩阵,则AH=A,(QHAQ)H=QHAHQ=QHAQ= λ1∗⋮∗0λ2⋮∗⋯⋯⋱⋯00⋮λn 由此可见,B为对角阵,且λi为实数
b. 推论
若 A H = A A^H=A AH=A 是Hermite矩阵,则特征根都是实数, { λ 1 , ⋯ , λ n } ∈ R \{\lambda_1,\cdots,\lambda_n\}\in R {λ1,⋯,λn}∈R
证明:
由特商公式
λ
=
X
H
A
X
∣
X
∣
2
,其中
X
≠
0
,为
λ
的特征向量
其中
∣
X
∣
≥
0
,为实数
.
∴
若证
λ
为实数,即证
X
H
A
X
为实数
已知
X
H
A
X
为一维数字,则只需证明
(
X
H
A
X
)
H
=
X
H
A
X
即可
,
已知
A
=
A
H
为
H
e
r
m
i
t
e
矩阵,
(
X
H
A
X
)
H
=
X
H
A
H
X
=
X
H
A
X
∈
R
\begin{aligned} &由特商公式\lambda=\frac{X^HAX}{\vert X \vert^2},其中X\neq 0,为\lambda的特征向量\\ &其中\vert X \vert\ge 0 ,为实数.\therefore 若证\lambda 为实数,即证 X^HAX为实数\\ &已知X^HAX为一维数字,则只需证明(X^HAX)^H=X^HAX即可,\\ &已知A=A^H为Hermite矩阵,(X^HAX)^H=X^HA^HX=X^HAX\in R \end{aligned}
由特商公式λ=∣X∣2XHAX,其中X=0,为λ的特征向量其中∣X∣≥0,为实数.∴若证λ为实数,即证XHAX为实数已知XHAX为一维数字,则只需证明(XHAX)H=XHAX即可,已知A=AH为Hermite矩阵,(XHAX)H=XHAHX=XHAX∈R
1.11.3 A H A A^HA AHA 型Hermite矩阵
任一矩阵
A
n
×
p
,
A
H
A
与
A
A
H
A_{n\times p},A^HA与AA^H
An×p,AHA与AAH 都是Hermite矩阵
(
A
H
A
)
H
=
A
H
A
,
(
A
A
H
)
H
=
A
\begin{aligned} &(A^HA)^H=A^HA,(AA^H)^H=A \end{aligned}
(AHA)H=AHA,(AAH)H=A
a. 向量 X H X X^HX XHX 的迹
X = ( x 1 x 2 ⋮ x n ) , X H = ( x 1 ‾ , x 2 ‾ , ⋯ , x n ‾ ) t r ( X H X ) = t r ( X X H ) = ∣ x 1 ∣ 2 + ∣ x 2 ∣ 2 + ⋯ ∣ x n ∣ 2 = ∑ ∣ x j ∣ 2 \begin{aligned} &X=\left( \begin{matrix} x_1\\ x_2\\\vdots \\x_n \end{matrix} \right),X^H=(\overline{x_1},\overline{x_2},\cdots,\overline{x_n})\\ &tr(X^HX)=tr(XX^H)=\mid x_1 \mid^2+\mid x_2 \mid^2+\cdots\mid x_n \mid^2=\sum \mid x_j \mid^2 \end{aligned} X= x1x2⋮xn ,XH=(x1,x2,⋯,xn)tr(XHX)=tr(XXH)=∣x1∣2+∣x2∣2+⋯∣xn∣2=∑∣xj∣2
推论
t
r
(
X
Y
H
)
=
t
r
(
Y
H
X
)
=
x
1
y
1
‾
+
⋯
+
x
n
y
n
‾
=
∑
i
=
1
n
x
i
y
i
‾
\begin{aligned} tr(XY^H)=tr(Y^HX)=x_1\overline{y_1}+\cdots+x_n\overline{y_n} =\sum\limits_{i=1}\limits^{n}x_i\overline{y_i} \end{aligned}
tr(XYH)=tr(YHX)=x1y1+⋯+xnyn=i=1∑nxiyi
b. A H A A^HA AHA 矩阵的迹
A
n
×
p
=
(
a
11
⋯
a
1
p
⋮
⋱
⋮
a
n
1
⋯
a
n
p
)
∈
C
n
×
p
A_{n\times p}=\left( \begin{matrix} a_{11}&\cdots&a_{1p}\\ \vdots&\ddots&\vdots\\ a_{n1}&\cdots&a_{np} \end{matrix} \right)\in C^{n\times p}
An×p=
a11⋮an1⋯⋱⋯a1p⋮anp
∈Cn×p ,
A
p
×
n
H
=
(
a
11
‾
⋯
a
n
1
‾
⋮
⋱
⋮
a
1
p
‾
⋯
a
n
p
‾
)
∈
C
p
×
n
A^H_{p\times n}=\left( \begin{matrix} \overline{a_{11}}&\cdots&\overline{a_{n1}}\\ \vdots&\ddots&\vdots\\ \overline{a_{1p}}&\cdots&\overline{a_{np}} \end{matrix} \right)\in C^{p\times n}
Ap×nH=
a11⋮a1p⋯⋱⋯an1⋮anp
∈Cp×n
A
A
H
=
(
a
11
⋯
a
1
p
⋮
⋱
⋮
a
n
1
⋯
a
n
p
)
(
a
11
‾
⋯
a
n
1
‾
⋮
⋱
⋮
a
1
p
‾
⋯
a
n
p
‾
)
=
(
a
11
a
11
‾
+
a
12
a
12
‾
+
⋯
+
a
1
p
a
1
p
‾
∗
a
21
a
21
‾
+
a
22
a
22
‾
+
⋯
+
a
2
p
a
2
p
‾
⋱
∗
a
n
1
a
n
1
‾
+
a
n
2
a
n
2
‾
+
⋯
+
a
n
p
a
n
p
‾
)
\begin{aligned} &AA^H=\left( \begin{matrix} a_{11}&\cdots&a_{1p}\\ \vdots&\ddots&\vdots\\ a_{n1}&\cdots&a_{np} \end{matrix} \right)\left( \begin{matrix} \overline{a_{11}}&\cdots&\overline{a_{n1}}\\ \vdots&\ddots&\vdots\\ \overline{a_{1p}}&\cdots&\overline{a_{np}} \end{matrix} \right)\\ &=\left( \begin{matrix} a_{11}\overline{a_{11}}+a_{12}\overline{a_{12}}+\cdots+a_{1p}\overline{a_{1p}}&\quad &\quad&\ast\\ \quad&a_{21}\overline{a_{21}}+a_{22}\overline{a_{22}}+\cdots+a_{2p}\overline{a_{2p}}&\quad&\quad\\ \quad &\quad &\ddots&\quad\\ \ast &\quad&\quad&a_{n1}\overline{a_{n1}}+a_{n2}\overline{a_{n2}}+\cdots+a_{np}\overline{a_{np}} \end{matrix} \right) \end{aligned}
AAH=
a11⋮an1⋯⋱⋯a1p⋮anp
a11⋮a1p⋯⋱⋯an1⋮anp
=
a11a11+a12a12+⋯+a1pa1p∗a21a21+a22a22+⋯+a2pa2p⋱∗an1an1+an2an2+⋯+anpanp
t r ( A H A ) = t r ( A A H ) = ( ∣ a 11 ∣ 2 + ∣ a 12 ∣ 2 + . . . + ∣ a 1 p ∣ 2 ) + ( ∣ a 21 ∣ 2 + ∣ a 22 ∣ 2 + . . . + ∣ a 2 p ∣ 2 ) + . . . + ( ∣ a n 1 ∣ 2 + ∣ a n 2 ∣ 2 + . . . + ∣ a n p ∣ 2 ) = ∑ i = 1 , j = 1 n ∣ a i j ∣ 2 \begin{aligned} &tr(A^HA)=tr(AA^H)=\\ &(\mid a_{11} \mid^2+\mid a_{12} \mid^2+...+\mid a_{1p} \mid^2)+(\mid a_{21} \mid^2+\mid a_{22} \mid^2+...+\mid a_{2p} \mid^2)+\\ &...+(\mid a_{n1} \mid^2+\mid a_{n2} \mid^2+...+\mid a_{np} \mid^2) =\sum\limits_{i=1,j=1}\limits^{n}\mid a_{ij} \mid^2 \end{aligned} tr(AHA)=tr(AAH)=(∣a11∣2+∣a12∣2+...+∣a1p∣2)+(∣a21∣2+∣a22∣2+...+∣a2p∣2)+...+(∣an1∣2+∣an2∣2+...+∣anp∣2)=i=1,j=1∑n∣aij∣2
推论
t r ( A B H ) = t r ( B H A ) = ∑ a i j b i j ‾ tr(AB^H)=tr(B^HA)=\sum a_{ij}\overline{b_{ij}} tr(ABH)=tr(BHA)=∑aijbij
-
将 A、B 矩阵按列分块,可验证 t r ( B H A ) tr(B^HA) tr(BHA)
A = ( α 1 , α 2 ) , B = ( β 1 , β 2 ) , B H = ( β 1 ‾ T β 2 ‾ T ) B H A = ( β 1 ‾ T β 2 ‾ T ) ( α 1 , α 2 ) = ( β 1 ‾ T α 1 β 1 ‾ T α 2 β 2 ‾ T α 1 β 2 ‾ T α 2 ) t r ( B H A ) = β 1 ‾ T α 1 + β 2 ‾ T α 2 = ( a 11 b 11 ‾ + a 21 b 21 ‾ + a 31 b 31 ‾ ) + ( a 12 b 12 ‾ + a 22 b 22 ‾ + a 32 b 32 ‾ ) = ∑ a i j b i j ‾ \begin{aligned} &A=(\alpha_1,\alpha_2),B=(\beta_1,\beta_2),B^H=\left( \begin{matrix} \overline{\beta_1}^T\\ \overline{\beta_2}^T\\ \end{matrix} \right)\\ &B^HA=\left( \begin{matrix} \overline{\beta_1}^T\\ \overline{\beta_2}^T\\ \end{matrix} \right)(\alpha_1,\alpha_2)=\left( \begin{matrix} &\overline{\beta_1}^T\alpha_1\quad &\overline{\beta_1}^T\alpha_2\\ &\overline{\beta_2}^T\alpha_1\quad &\overline{\beta_2}^T\alpha_2 \end{matrix} \right)\\ &tr(B^HA)=\overline{\beta_1}^T\alpha_1+\overline{\beta_2}^T\alpha_2=\\ &\quad (a_{11}\overline{b_{11}}+a_{21}\overline{b_{21}}+a_{31}\overline{b_{31}})+ (a_{12}\overline{b_{12}}+a_{22}\overline{b_{22}}+a_{32}\overline{b_{32}})\\ &=\sum a_{ij}\overline{b_{ij}} \end{aligned} A=(α1,α2),B=(β1,β2),BH=(β1Tβ2T)BHA=(β1Tβ2T)(α1,α2)=(β1Tα1β2Tα1β1Tα2β2Tα2)tr(BHA)=β1Tα1+β2Tα2=(a11b11+a21b21+a31b31)+(a12b12+a22b22+a32b32)=∑aijbij -
将 A、B 矩阵按行分块,可验证 t r ( A B H ) tr(AB^H) tr(ABH)
A = ( α 1 α 2 α 3 ) , B = ( β 1 β 2 β 3 ) , B H = ( β 1 ‾ T , β 2 ‾ T , β 3 ‾ T ) A B H = ( α 1 α 2 α 3 ) ( β 1 ‾ T , β 2 ‾ T , β 3 ‾ T ) = ( α 1 β 1 ‾ T α 1 β 2 ‾ T α 1 β 3 ‾ T α 2 β 1 ‾ T α 2 β 2 ‾ T α 3 β 3 ‾ T α 3 β 1 ‾ T α 3 β 2 ‾ T α 3 β 3 ‾ T ) t r ( A B H ) = ( a 11 b 11 ‾ + a 12 b 12 ‾ ) + ( a 21 b 21 ‾ + a 22 b 22 ‾ ) + ( a 31 b 31 ‾ + a 32 b 32 ‾ ) = ∑ a i j b i j ‾ \begin{aligned} &A=\left( \begin{matrix} \alpha_1\\ \alpha_2\\ \alpha_3 \end{matrix} \right), B=\left( \begin{matrix} \beta_1\\ \beta_2\\ \beta_3 \end{matrix} \right),B^H=(\overline{\beta_1}^T,\overline{\beta_2}^T,\overline{\beta_3}^T)\\ &AB^H=\left( \begin{matrix} \alpha_1\\ \alpha_2\\ \alpha_3 \end{matrix} \right)(\overline{\beta_1}^T,\overline{\beta_2}^T,\overline{\beta_3}^T)=\left( \begin{matrix} \alpha_1\overline{\beta_1}^T\quad&\alpha_1\overline{\beta_2}^T\quad&\alpha_1\overline{\beta_3}^T\\ \alpha_2\overline{\beta_1}^T\quad&\alpha_2\overline{\beta_2}^T\quad&\alpha_3\overline{\beta_3}^T\\ \alpha_3\overline{\beta_1}^T\quad&\alpha_3\overline{\beta_2}^T\quad&\alpha_3\overline{\beta_3}^T \end{matrix} \right)\\ &tr(AB^H)=(a_{11}\overline{b_{11}}+a_{12}\overline{b_{12}})+(a_{21}\overline{b_{21}}+a_{22}\overline{b_{22}})+(a_{31}\overline{b_{31}}+a_{32}\overline{b_{32}})\\ &\quad\quad\quad\quad = \sum a_{ij}\overline{b_{ij}} \end{aligned} A= α1α2α3 ,B= β1β2β3 ,BH=(β1T,β2T,β3T)ABH= α1α2α3 (β1T,β2T,β3T)= α1β1Tα2β1Tα3β1Tα1β2Tα2β2Tα3β2Tα1β3Tα3β3Tα3β3T tr(ABH)=(a11b11+a12b12)+(a21b21+a22b22)+(a31b31+a32b32)=∑aijbij
1.12 二次型
1.12.1 Hermite二次型定义
令 A H = A ∈ C n × n A^H=A\in C^{n\times n} AH=A∈Cn×n , X = ( x 1 x 2 ⋮ x n ) X=\left( \begin{matrix} x_1\\ x_2\\ \vdots\\ x_n \end{matrix} \right) X= x1x2⋮xn ,称 X H A X = ( x 1 ‾ , x 2 ‾ , ⋯ , x n ‾ ) A ( x 1 x 2 ⋮ x n ) X^HAX=\left(\overline{x_1},\overline{x_2},\cdots,\overline{x_n}\right)A\left( \begin{matrix} x_1\\ x_2\\ \vdots\\ x_n \end{matrix} \right) XHAX=(x1,x2,⋯,xn)A x1x2⋮xn ,为矩阵 A A A 产生的二次型,记为 f ( x ) = X H A X f(x)=X^HAX f(x)=XHAX
1.13.2 正定二次型与正定阵定义
若
A
H
=
A
A^H=A
AH=A ,对一切
X
≠
0
X\neq 0
X=0 ,有
X
H
A
X
>
0
X^HAX>0
XHAX>0 ,则
f
(
x
)
=
X
H
A
X
f(x)=X^HAX
f(x)=XHAX 为正定二次型,A为正定阵,记为
A
>
0
A>0
A>0
若
A
H
=
A
A^H=A
AH=A ,对一切
X
≠
0
X\neq 0
X=0 ,有
X
H
A
X
≥
0
X^HAX\ge 0
XHAX≥0 ,则
f
(
x
)
=
X
H
A
X
f(x)=X^HAX
f(x)=XHAX 为半正定二次型,A为半正定阵,记为
A
≥
0
A\ge 0
A≥0
1.13 矩阵合同
若 P H A P = B ( P 可逆 ) P^HAP=B(P可逆) PHAP=B(P可逆) ,则 A A A 与 B B B 合同,记为 A = Δ B A\overset{\Delta}{=}B A=ΔB
- 对称性: A = Δ B ⟺ B = Δ A A\overset{\Delta}{=}B\iff B\overset{\Delta}{=}A A=ΔB⟺B=ΔA
- 传递性: A = Δ B , B = Δ C ⟺ A = Δ C A\overset{\Delta}{=}B,B\overset{\Delta}{=}C\iff A\overset{\Delta}{=}C A=ΔB,B=ΔC⟺A=ΔC
1.13.1 合同保正定
若 A A A 与 B B B 合同,且 A A A 是正定阵,则 B B B 也是正定阵
- 相似与合同都能生成新的矩阵,相似不保持正根,合同保持正根
证明:
由
A
=
Δ
B
,
且
X
H
A
X
>
0
,若证
B
为正定阵,即证存在可逆阵
Y
,使得
Y
H
B
Y
>
0
令
Y
=
P
−
1
X
,则
X
=
P
Y
,
代入二次型
X
A
X
=
(
P
Y
)
H
A
(
P
Y
)
=
Y
H
P
H
A
P
Y
=
Y
H
B
Y
>
0
∴
B
>
0
为正定阵
\begin{aligned} &由A\overset{\Delta}{=}B,且X^HAX>0,若证B为正定阵,即证存在可逆阵Y,使得Y^HBY>0\\ &令Y=P^{-1}X,则X=PY,代入二次型XAX=(PY)^HA(PY)=Y^HP^HAPY\\ &=Y^HBY>0\\ &\therefore B>0为正定阵 \end{aligned}
由A=ΔB,且XHAX>0,若证B为正定阵,即证存在可逆阵Y,使得YHBY>0令Y=P−1X,则X=PY,代入二次型XAX=(PY)HA(PY)=YHPHAPY=YHBY>0∴B>0为正定阵
1.13.2 对角正定阵一定合同于单位阵
1.14 正定阵
1.14.1 正定阵的定理
A
>
0
⟺
A>0\iff
A>0⟺
A
A
A 为Hermite阵,且
λ
1
,
λ
2
,
⋯
,
λ
n
>
0
\lambda_1,\lambda_2,\cdots,\lambda_n > 0
λ1,λ2,⋯,λn>0
A
≥
0
⟺
A\ge 0 \iff
A≥0⟺
A
A
A 为Hermite阵,且
λ
1
,
λ
2
,
⋯
,
λ
n
≥
0
\lambda_1,\lambda_2,\cdots,\lambda_n \ge 0
λ1,λ2,⋯,λn≥0
证明
⇒ \Rightarrow ⇒
若 A A A 为正定阵,则 A A A 生成的二次型 f ( x ) = X H A X > 0 f(x)=X^HAX>0 f(x)=XHAX>0 , ∴ λ i = X H A X ∣ X ∣ 2 > 0 \therefore \lambda_i=\frac{X^HAX}{\vert X\vert^2}>0 ∴λi=∣X∣2XHAX>0
⇐
\Leftarrow
⇐
由
H
e
r
m
i
t
e
分解定理,
A
为
H
e
r
m
i
t
e
阵,则存在
U
阵
Q
,
使得
Q
H
A
Q
=
Λ
=
(
λ
1
⋱
λ
n
)
∴
A
=
Δ
Λ
,
而
λ
i
>
0
,
Λ
为正定阵,故
A
为正定阵
\begin{aligned} &由Hermite分解定理,A为Hermite阵,则存在U阵Q,\\ &使得Q^HAQ=\Lambda=\left( \begin{matrix} \lambda_1&\quad&\quad\\ &\ddots&\quad\\ &\quad&\lambda_n\\ \end{matrix} \right)\\ &\therefore A\overset{\Delta}{=}\Lambda,而\lambda_i>0,\Lambda 为正定阵,故A为正定阵 \end{aligned}
由Hermite分解定理,A为Hermite阵,则存在U阵Q,使得QHAQ=Λ=
λ1⋱λn
∴A=ΔΛ,而λi>0,Λ为正定阵,故A为正定阵
单位阵是正定阵 :
λ
i
=
1
\lambda_i= 1
λi=1 显然大于0
1.14.2 正定阵间必合同
- A > 0 (正定阵) ⟺ A = Δ Λ A>0(正定阵) \iff A\overset{\Delta}{=}\Lambda A>0(正定阵)⟺A=ΔΛ
- Λ = Δ I \Lambda\overset{\Delta}{=}I Λ=ΔI 对角阵一定合同于单位阵
- 若A,B为同阶正定阵,则 A = Δ B A\overset{\Delta}{=} B A=ΔB
证明1:
若
A
正定,则有
A
H
=
A
由
H
e
r
m
i
t
e
分解定理,必
∃
优阵
Q
使得
Q
H
A
Q
=
Λ
,
且
λ
i
>
0
\begin{aligned} &若A正定,则有A^H=A\\ &由Hermite分解定理,必\exist 优阵Q使得Q^HAQ=\Lambda,且\lambda_i>0\\ \end{aligned}
若A正定,则有AH=A由Hermite分解定理,必∃优阵Q使得QHAQ=Λ,且λi>0
证明2:
若
Λ
=
(
λ
1
⋱
λ
n
)
,
其中
λ
i
>
0
⇒
f
(
x
)
=
X
H
Λ
X
=
λ
1
∣
x
1
∣
2
+
λ
2
∣
x
2
∣
2
+
⋯
+
λ
n
∣
x
n
∣
2
>
0
⇒
可分解为
Λ
=
(
λ
1
⋱
λ
n
)
I
(
λ
1
⋱
λ
n
)
=
P
I
P
可知
P
可逆,且
P
H
=
P
,
故
P
H
I
P
=
Λ
即对角正定阵合同于单位阵,记为
Λ
=
Δ
I
\begin{aligned} 若\Lambda&=\left( \begin{matrix} \lambda_1&\quad&\quad\\ &\ddots&\\ &&\lambda_n \end{matrix} \right),其中\lambda_i>0\\ &\Rightarrow f(x)=X^H\Lambda X=\lambda_1\vert x_1\vert^2+\lambda_2\vert x_2\vert^2+\cdots+\lambda_n\vert x_n\vert^2>0\\ &\Rightarrow 可分解为\Lambda=\left( \begin{matrix} \sqrt{\lambda_1}&\quad&\quad\\ \quad&\ddots&\quad\\ \quad&\quad&\sqrt{\lambda_n}\\ \end{matrix} \right)I\left( \begin{matrix} \sqrt{\lambda_1}&&\\ &\ddots&\\ &&\sqrt{\lambda_n}\\ \end{matrix} \right)\\ &\quad \quad\quad\quad\quad \quad \quad=PIP\\ &可知P可逆,且P^H=P,故P^HIP=\Lambda\\ &即对角正定阵合同于单位阵,记为\Lambda\overset{\Delta}{=}I \end{aligned}
若Λ=
λ1⋱λn
,其中λi>0⇒f(x)=XHΛX=λ1∣x1∣2+λ2∣x2∣2+⋯+λn∣xn∣2>0⇒可分解为Λ=
λ1⋱λn
I
λ1⋱λn
=PIP可知P可逆,且PH=P,故PHIP=Λ即对角正定阵合同于单位阵,记为Λ=ΔI
证明3:
由
A
>
0
,
B
>
0
,
则
A
=
Δ
I
,
B
=
Δ
I
⇒
A
=
Δ
B
\begin{aligned} &由A>0,B>0,则A\overset{\Delta}{=}I,B\overset{\Delta}{=}I\Rightarrow A\overset{\Delta}{=}B \end{aligned}
由A>0,B>0,则A=ΔI,B=ΔI⇒A=ΔB
1.14.3 乘积形式的正定阵
- 对一切矩阵 A = A n × p A=A_{n\times p} A=An×p 且 n ≥ p n\ge p n≥p , A H A A^HA AHA 与 A A H AA^H AAH 都是Hermite阵
- A H A A^HA AHA 与 A A H AA^H AAH 只相差 n − p n-p n−p 个0根
- A H A ≥ 0 A^HA\ge0 AHA≥0 , A H A ≥ 0 A^HA\ge 0 AHA≥0
- r ( A H A ) = r ( A A H ) = r ( A ) r(A^HA)=r(AA^H)=r(A) r(AHA)=r(AAH)=r(A)
a. A H A A^HA AHA 为Hermite阵
( A H A ) H = A H A ,且 ( A A H ) H = A A H ,则 A H A 与 A A H 为 H e r m i t e 阵 \begin{aligned} (A^HA)^H=A^HA,且(AA^H)^H=AA^H,则A^HA与AA^H为Hermite阵 \end{aligned} (AHA)H=AHA,且(AAH)H=AAH,则AHA与AAH为Hermite阵
b. A H A 与 A A H A^HA与AA^H AHA与AAH 相差n-p个0根
A = A n × p , B = p × n , 且 n ≥ p 由换位公式 ∣ λ I − A B ∣ = λ n − p ∣ λ I − B A ∣ , 则 A B 与 B A 必有相同的非零根,故 A H A 与 A A H 只相差 n − p 个零根 \begin{aligned} &A=A_{n\times p},B={p\times n},且n\ge p\\ &由换位公式 \vert \lambda I-AB\vert=\lambda^{n-p}\vert \lambda I-BA \vert,\\ &则 AB与BA必有相同的非零根,故A^HA与AA^H只相差n-p个零根 \end{aligned} A=An×p,B=p×n,且n≥p由换位公式∣λI−AB∣=λn−p∣λI−BA∣,则AB与BA必有相同的非零根,故AHA与AAH只相差n−p个零根
c. A H A 与 A A H A^HA与AA^H AHA与AAH 是半正定阵(不是方阵的正定阵)
对任意非零向量 X ,有二次型 f ( x ) = X H A H A X = ( A X ) H ( A X ) = ∣ A X ∣ 2 ≥ 0 , 可知 f ( x ) 为半正定二次型, A H A 为半正定阵 \begin{aligned} &对任意非零向量X,有二次型f(x)=X^HA^HAX=(AX)^H(AX)=\vert AX \vert^2\ge 0,\\ &可知f(x)为半正定二次型,A^HA为半正定阵 \end{aligned} 对任意非零向量X,有二次型f(x)=XHAHAX=(AX)H(AX)=∣AX∣2≥0,可知f(x)为半正定二次型,AHA为半正定阵
d. r ( A A H ) = r ( A H A ) = r ( A ) r(AA^H)=r(A^HA)=r(A) r(AAH)=r(AHA)=r(A)
由 A H A 为半正定阵,则 A H A 与 A A H 都只有非负根 可写为 λ ( A H A ) = { λ 1 , λ 2 , . . . λ p } ≥ 0 由换位公式,知 λ A H A 与 λ A A H 只相差 n − p 个零根 ∴ λ ( A A H ) = { λ 1 , λ 2 , . . . , λ p , 0 , 0 , . . . , 0 } ≥ 0 r ( A H A ) = r ( A A H ) = p = r ( A ) = r ( A H ) \begin{aligned} &由A^HA为半正定阵,则A^HA与AA^H都只有非负根\\ &可写为\lambda(A^HA)=\{\lambda_1,\lambda_2,...\lambda_p\}\ge 0\\ &由换位公式,知\lambda{A^HA}与\lambda{AA^H}只相差n-p个零根\\ &\therefore \lambda(AA^H)=\{\lambda_1,\lambda_2,...,\lambda_p,0,0,...,0\}\ge 0\\ &r(A^HA)=r(AA^H)=p=r(A)=r(A^H) \end{aligned} 由AHA为半正定阵,则AHA与AAH都只有非负根可写为λ(AHA)={λ1,λ2,...λp}≥0由换位公式,知λAHA与λAAH只相差n−p个零根∴λ(AAH)={λ1,λ2,...,λp,0,0,...,0}≥0r(AHA)=r(AAH)=p=r(A)=r(AH)
齐次方程组 A X = 0 , A H A X = 0 ,解集相同 ( 同解 ) 若 ( A H A ) X = 0 成立,则 ∣ A X ∣ 2 = ( A X ) H ( A X ) = X H A H A X = ( A X ) 2 = 0 ∴ A X = 0 , r ( A H A ) = r ( A ) \begin{aligned} &齐次方程组AX=0,A^HAX=0,解集相同(同解)\\ &若(A^HA)X=0成立,则\vert AX \vert^2=(AX)^H(AX)=X^HA^HAX=(AX)^2=0\\ &\therefore AX=0,r(A^HA)=r(A) \end{aligned} 齐次方程组AX=0,AHAX=0,解集相同(同解)若(AHA)X=0成立,则∣AX∣2=(AX)H(AX)=XHAHAX=(AX)2=0∴AX=0,r(AHA)=r(A)
1.15 矩阵的秩
-
若 A = A n × p , n > p A=A_{n\times p},n>p A=An×p,n>p ,(列满秩),即 r ( A ) = p ≤ n r(A)=p\le n r(A)=p≤n
r ( A H A ) = p = r ( A ) = r ( A A H ) r(A^HA)=p=r(A)=r(AA^H) r(AHA)=p=r(A)=r(AAH)
r ( A ) = r ( A H ) = r ( A ‾ ) r(A)=r(A^H)=r(\overline{A}) r(A)=r(AH)=r(A)
-
矩阵秩越乘越小: r ( A B ) < m i n { r ( A ) , r ( B ) } r(AB)<min\{r(A),r(B)\} r(AB)<min{r(A),r(B)}
1.16 幂0阵
1.16.1 条件
A k = 0 ( k ≥ 2 ) A^k=0(k\ge 2) Ak=0(k≥2) ,且 A ≠ 0 A\neq 0 A=0 ,则为 k k k 次幂0阵
- 若 ( A − b I ) k = 0 (A-bI)^k=0 (A−bI)k=0 , A ≠ b I A\neq bI A=bI ,则 A A A 为平移幂0阵
1.16.2 特根特向
若 A k = 0 A^k=0 Ak=0 ,则 λ ( A ) = { 0 } \lambda(A)=\{0\} λ(A)={0}
- 由 Cayley 定理, λ k = 0 ⇒ λ = 0 \lambda^k=0\Rightarrow \lambda=0 λk=0⇒λ=0
- 由特向(4.1)求法, A ⋅ A = 0 A\cdot A=0 A⋅A=0 ,则 A A A 中各列都是0根的特向
若 ( A − b I ) k = 0 ⇒ λ ( A ) = { b , ⋯ , b } (A-bI)^k=0\Rightarrow \lambda(A)=\{b,\cdots,b\} (A−bI)k=0⇒λ(A)={b,⋯,b}
1.16.3 幂0阵不是单阵
设 A k = 0 ( A ≠ 0 ) ,假设 A 为单阵, ⇒ P − 1 A P = 相似 D = ( λ 1 ⋱ λ n ) = 0 与 A ≠ 0 矛盾,故 A 为幂 0 阵,则非单阵 \begin{aligned} &设A^k=0(A\neq 0) ,假设A为单阵,\Rightarrow P^{-1}AP\xlongequal{相似}D=\left( \begin{matrix} \lambda_1\\&\ddots\\&&\lambda_n \end{matrix} \right)=0\\ &与A\neq 0 矛盾,故A为幂0阵,则非单阵 \end{aligned} 设Ak=0(A=0),假设A为单阵,⇒P−1AP相似D= λ1⋱λn =0与A=0矛盾,故A为幂0阵,则非单阵
推论: A A A 与 A − b I A-bI A−bI 同为单阵或非单阵,则 平移不改变单阵或非单阵
-
若 ( A − b I ) k = 0 (A-bI)^k=0 (A−bI)k=0 且 A − b I ≠ 0 A-bI\neq 0 A−bI=0 则A非单阵 ,且 λ ( A ) = { b , b , ⋯ , b } \lambda(A)=\{b,b,\cdots,b\} λ(A)={b,b,⋯,b}
则 f ( A ) = f ( b ) I + f ′ ( b ) 1 ! ( A − b I ) + f ′ ′ ( b ) 2 ! ( A − b I ) 2 + ⋯ f k − 1 ( b ) ( k − 1 ) ! ( A − b I ) k − 1 f(A)=f(b)I+\frac{f'(b)}{1!}(A-bI)+\frac{f''(b)}{2!}(A-bI)^2+\cdots \frac{f^{k-1}(b)}{(k-1)!}(A-bI)^{k-1} f(A)=f(b)I+1!f′(b)(A−bI)+2!f′′(b)(A−bI)2+⋯(k−1)!fk−1(b)(A−bI)k−1 为 f ( x ) f(x) f(x) 的解析式
1.16.4 记忆:平方幂0
若 A 2 = 0 ( A ≠ 0 ) A^2=0(A\neq 0) A2=0(A=0) ,则A中列都是0根特向
- A中列 ( 1 − 1 ) , ( 1 1 ) \left(\begin{matrix}1\\-1\end{matrix}\right),\left(\begin{matrix}1\\1\end{matrix}\right) (1−1),(11) 为 λ = 0 \lambda=0 λ=0 的特向
eg
A
=
(
3
1
−
1
1
)
A=\left( \begin{matrix} 3&1\\-1&1 \end{matrix} \right)
A=(3−111)
A − 2 I = ( 1 1 − 1 − 1 ) , 则 0 为 A − 2 I 的特根,其特向为 ( 1 1 ) , ( 1 − 1 ) ⇒ A 的特向为 { 2 , 2 } , 其特向为 ( 1 1 ) , ( 1 − 1 ) \begin{aligned} &A-2I=\left( \begin{matrix} 1&1\\-1&-1 \end{matrix} \right),则0为A-2I的特根,其特向为\left(\begin{matrix}1\\1\end{matrix}\right),\left(\begin{matrix}1\\-1\end{matrix}\right) \\ &\Rightarrow A的特向为\{2,2\},其特向为 \left(\begin{matrix}1\\1\end{matrix}\right),\left(\begin{matrix}1\\-1\end{matrix}\right) \end{aligned} A−2I=(1−11−1),则0为A−2I的特根,其特向为(11),(1−1)⇒A的特向为{2,2},其特向为(11),(1−1)
1.17 幂等阵性质
幂等条件: A 2 = A A^2=A A2=A
特根:
λ
(
A
)
=
1
或
0
\lambda(A)=1或0
λ(A)=1或0
由
C
a
y
l
e
y
定理,
λ
2
=
λ
⇒
λ
=
1
或
0
,
可写全体特根
λ
(
A
)
=
{
1
,
⋯
,
1
⏟
(
r
)
个
1
,
0
,
⋯
,
0
⏟
(
n
−
r
)
个
0
}
\begin{aligned} &由Cayley定理,\lambda^2=\lambda\Rightarrow \lambda=1或0,可写全体特根\lambda(A)=\{\underbrace{1,\cdots,1}_{(r)个1},\underbrace{0,\cdots,0}_{(n-r)个0}\} \end{aligned}
由Cayley定理,λ2=λ⇒λ=1或0,可写全体特根λ(A)={(r)个1
1,⋯,1,(n−r)个0
0,⋯,0}
1.17.1 幂等阵一定为单阵(相似于对角阵)
A ∼ D = ( 1 ⋱ 1 0 ⋱ 0 ) A\sim D=\left(\begin{matrix}1\\&\ddots\\&&1\\&&&0\\&&&&\ddots\\&&&&&0\end{matrix}\right) A∼D= 1⋱10⋱0
单阵引理:
-
f
(
x
)
f(x)
f(x) 为A的0化式,若
f
(
A
)
=
0
f(A)=0
f(A)=0 ,且f(x)无重根,则A为单阵
若 A 2 = A ⇒ A 2 − A = 0 或 A ( A − I ) = 0 , 则 A 有 0 化式 f ( x ) = x 2 − x ,无重根 , 故 A 为单阵 \begin{aligned} &若A^2=A\Rightarrow A^2-A=0或A(A-I)=0,则A有0化式f(x)=x^2-x,无重根,故A为单阵 \end{aligned} 若A2=A⇒A2−A=0或A(A−I)=0,则A有0化式f(x)=x2−x,无重根,故A为单阵
1.17.2 r(A)与r(I-A)关系
若
A
2
=
A
A^2=A
A2=A ,则
r
(
A
)
+
r
(
I
n
−
A
)
=
n
r(A)+r(I_n-A)=n
r(A)+r(In−A)=n
由于
A
(
A
−
I
)
=
0
⇒
r
(
A
)
+
r
(
A
−
I
)
≤
n
⟺
r
(
A
)
+
r
(
I
n
−
A
)
≤
n
又
I
=
A
+
(
I
−
A
)
,
n
=
r
(
I
)
=
r
(
A
+
(
I
−
A
)
)
≤
r
(
A
)
+
r
(
I
−
A
)
≤
n
∴
r
(
A
)
+
r
(
I
n
−
A
)
=
r
(
A
)
+
r
(
A
−
I
n
)
=
n
\begin{aligned} &由于 A(A-I)=0\Rightarrow r(A)+r(A-I)\le n\iff r(A)+r(I_n-A)\le n\\ &又 I=A+(I-A),n=r(I)=r(A+(I-A))\le r(A)+r(I-A)\le n\\ &\therefore r(A)+r(I_n-A)=r(A)+r(A-I_n)=n \end{aligned}
由于A(A−I)=0⇒r(A)+r(A−I)≤n⟺r(A)+r(In−A)≤n又I=A+(I−A),n=r(I)=r(A+(I−A))≤r(A)+r(I−A)≤n∴r(A)+r(In−A)=r(A)+r(A−In)=n
1.18.3 A幂等 ⟺ \iff ⟺ I-A幂等
A 2 = A ⟺ ( I − A ) 2 = ( I − A ) A^2=A\iff (I-A)^2=(I-A) A2=A⟺(I−A)2=(I−A)
- 则有 t r ( I − A ) = t r ( I ) − t r ( A ) = n − r = r ( I − A ) tr(I-A)=tr(I)-tr(A)=n-r=r(I-A) tr(I−A)=tr(I)−tr(A)=n−r=r(I−A)
证明:
A
2
=
A
⇒
(
I
−
A
)
2
=
I
2
−
2
A
+
A
2
=
I
−
A
\begin{aligned} &A^2=A\Rightarrow (I-A)^2=I^2-2A+A^2=I-A\\ \end{aligned}
A2=A⇒(I−A)2=I2−2A+A2=I−A
1.18.4 幂等阵的特向
A是幂等阵,则
A
A
A 有
n
n
n 个无关特向
设特根
0
的特向为
X
0
,
A
X
0
=
0
,
则齐次方程线性无关解的个数为
n
−
r
(
A
)
设特根
1
的特向为
X
1
,
A
X
1
=
X
1
⟺
(
A
−
I
)
X
1
=
0
,则齐次方程线性无关解的个数为
n
−
r
(
I
−
A
)
=
r
(
A
)
故特向有
n
个
\begin{aligned} &设特根0的特向为X_0,AX_0=0,则齐次方程线性无关解的个数为n-r(A)\\ &设特根1的特向为X_1,AX_1=X_1\iff (A-I)X_1=0,则齐次方程线性无关解的个数为 n-r(I-A)=r(A)\\ &故特向有n个 \end{aligned}
设特根0的特向为X0,AX0=0,则齐次方程线性无关解的个数为n−r(A)设特根1的特向为X1,AX1=X1⟺(A−I)X1=0,则齐次方程线性无关解的个数为n−r(I−A)=r(A)故特向有n个文章来源:https://www.toymoban.com/news/detail-777962.html
1.18.5 谱分解中谱阵为幂等阵
谱分解 A = λ 1 G 2 + ⋯ + λ k G k A=\lambda_1G_2+\cdots+\lambda_kG_k A=λ1G2+⋯+λkGk 中 G i G_i Gi 为幂等阵( G 1 2 = G 1 , ⋯ , G k 2 = G k G_1^2=G_1,\cdots,G_k^2=G_k G12=G1,⋯,Gk2=Gk)文章来源地址https://www.toymoban.com/news/detail-777962.html
到了这里,关于【矩阵论】1.准备知识——Hermite阵,二次型,矩阵合同,正定阵,幂0阵,幂等阵,矩阵的秩的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!