高等代数 | 矩阵相关总结
矩阵速记
1. 矩阵结论
1.1. 各种特殊矩阵的性质保持
A A A具有的性质 | A − 1 A^{-1} A−1 | A ⋆ A^\star A⋆ | A T A^{T} AT | k A kA kA | A + B A+B A+B | A B AB AB | 附注 |
---|---|---|---|---|---|---|---|
可逆 | ✓ \checkmark ✓ | ✓ \checkmark ✓ | ✓ \checkmark ✓ | k ≠ 0 k\neq 0 k=0 | × \times × | ✓ \checkmark ✓ |
过渡矩阵必可逆; ( k A ) ⋆ = k n − 1 A ⋆ , ∣ A ⋆ ∣ = ∣ A ∣ n − 1 (kA)^\star=k^{n-1}A^\star,\ \vert A^\star\vert = \vert A \vert ^{n-1} (kA)⋆=kn−1A⋆, ∣A⋆∣=∣A∣n−1; Λ ( A − 1 ) = Λ − 1 ( A ) , Λ ( A ⋆ ) = ∣ A ∣ / Λ ( A ) \Lambda(A^{-1})=\Lambda^{-1}(A),\ \Lambda(A^\star)=\vert A\vert /\Lambda(A) Λ(A−1)=Λ−1(A), Λ(A⋆)=∣A∣/Λ(A); 正(负)定必可逆 |
对称 | ✓ \checkmark ✓ | ✓ \checkmark ✓ | ✓ \checkmark ✓ | ✓ \checkmark ✓ | ✓ \checkmark ✓ | × \times × |
A A A反 B B B对,则 A B − B A AB-BA AB−BA对称; 任意矩阵 C C C: C T C C^TC CTC对称(取转置); 实对称阵特征值全实1; 实对称阵必可正交相似于对角阵; 属于实对称阵不同特征值的特征子空间彼此正交2 |
反 对称 |
✓ \checkmark ✓ |
奇对 偶反 3 |
✓ \checkmark ✓ | ✓ \checkmark ✓ | ✓ \checkmark ✓ | × \times × |
d e t ( A ) = 0 det(A)=0 det(A)=0 (奇数阶); λ ∑ X i 2 = X T A x = − X T A T X = \lambda \sum X_i^2=X^TAx= -X^TA^TX= λ∑Xi2=XTAx=−XTATX= − ( A X ) T X = − λ ∑ X i 2 = 0 ⇒ Λ = O -(AX)^TX\ \ =-\lambda \sum X_i^2=0\Rightarrow \Lambda=O −(AX)TX =−λ∑Xi2=0⇒Λ=O; A 2 A^2 A2 对称 |
正交 | ✓ \checkmark ✓ | ✓ \checkmark ✓ | ✓ \checkmark ✓ | k = ± 1 k=\pm1 k=±1 | × \times × | ✓ \checkmark ✓ | d e t ( A ) = ± 1 det(A)=\pm 1 det(A)=±1; |
正定 | ✓ \checkmark ✓ | ✓ \checkmark ✓ | ✓ \checkmark ✓ | k > 0 k>0 k>0 | ✓ \checkmark ✓4 |
A B = B A AB=BA AB=BA5; A B A ABA ABA必正定 |
度量矩阵必正定; 正定定义: ∀ X ≠ 0 → , X T A X > 0 \forall X\neq \overrightarrow{0}, X^TAX>0 ∀X=0 ,XTAX>0; 任意矩阵 C C C: C T C C^TC CTC半正定6; 绝对值最大元必在主对角线上7; 涉及到 A + k E A+kE A+kE正定性:用 Q T ( A + k E ) Q = [ k + λ 1 ⋱ k + λ n ] Q^T(A+kE)Q =\left[\begin{matrix} k+\lambda_1 \\ & \ddots \\ & & k+\lambda_n \end{matrix}\right] QT(A+kE)Q=⎣⎡k+λ1⋱k+λn⎦⎤ 或 Λ ( P ( A ) ) = P ( Λ ( A ) ) \Lambda(\mathcal{P}(A))=\mathcal{P}(\Lambda(A)) Λ(P(A))=P(Λ(A)) ; 涉及到 k X T X kX^TX kXTX:用 A = Q Λ Q T , A=Q\Lambda Q^T, A=QΛQT, X T A X = X T Q Λ Q T X = Y T Λ Y X^{T}AX=X^{T}Q\Lambda Q^{T}X=Y^{T}\Lambda Y XTAX=XTQΛQTX=YTΛY ≷ k Y T Y = k X T Q Q T X = k X T X \gtrless kY^{T}Y = kX^{T}QQ^{T}X = kX^{T}X ≷kYTY=kXTQQTX=kXTX |
幂零 | 不可 | ✓ \checkmark ✓ | ✓ \checkmark ✓ | ✓ \checkmark ✓ | × \times × | A B = B A AB=BA AB=BA |
A k = 0 ⇒ A k X = λ k X = 0 ⇒ Λ = O A^k=0 \Rightarrow A^kX=\lambda ^k X=0\Rightarrow \Lambda=O Ak=0⇒AkX=λkX=0⇒Λ=O d e t ( A ± E ) = ( ± 1 ) n det(A\pm E)=(\pm 1)^n det(A±E)=(±1)n8 |
1.2. 初等阵
mat | det | -1 | T | 附注 |
---|---|---|---|---|
E ( i , j ) E(i, j) E(i,j) | − ∣ E ∣ = − 1 -\vert E\vert=-1 −∣E∣=−1 | self | self | 是正交阵 |
E ( i ( k ) ) E(i(k)) E(i(k)) | k ∣ E ∣ = k k\vert E\vert=k k∣E∣=k | E ( i , 1 k ) E(i, \frac{1}{k}) E(i,k1) | self | \ |
E ( i , j ( k ) ) E(i, j(k)) E(i,j(k)) | ∣ E ∣ = 1 \vert E\vert=1 ∣E∣=1 | E ( i , j ( − k ) ) E(i, j(-k)) E(i,j(−k)) | E ( j , i ( k ) ) E(j, i(k)) E(j,i(k)) | r i + = k × r j r_i += k\times r_{j} ri+=k×rj |
1.3. 秩
结论 | 附注 |
---|---|
P , Q P,Q P,Q可逆, R ( A ) = R ( P A ) = R ( A Q ) = R ( P A Q ) R(A)=R(PA)=R(AQ)=R(PAQ) R(A)=R(PA)=R(AQ)=R(PAQ) | 相抵保秩 |
R ( [ A O O B ] ) = R ( A ) + R ( B ) R(\left[\begin{matrix} A & O \\ O & B \end{matrix}\right]) = R(A)+R(B) R([AOOB])=R(A)+R(B) | 相抵标准型 |
R ( A B ) ≤ min { R ( A ) , R ( B ) } R(AB) \le \min\{R(A), R(B)\} R(AB)≤min{R(A),R(B)} | s q u ( A B ) ≥ max { s q u ( A ) , s q u ( B ) } squ(AB)\ge \max\{squ(A), squ(B)\} squ(AB)≥max{squ(A),squ(B)} |
R ( A B ) ≥ R ( A ) + R ( B ) − n R(AB) \ge R(A)+R(B)-n R(AB)≥R(A)+R(B)−n | s q u ( A B ) ≤ s q u ( A ) + s q u ( B ) squ(AB) \le squ(A)+squ(B) squ(AB)≤squ(A)+squ(B) |
A B = O → R ( A ) + R ( B ) ≤ n AB=O \rightarrow R(A)+R(B) \le n AB=O→R(A)+R(B)≤n | 上面的特殊情况 |
R ( A ) − R ( B ) ≤ R ( A ± B ) ≤ R ( A ) + R ( B ) R(A)-R(B) \le R(A \pm B) \le R(A)+R(B) R(A)−R(B)≤R(A±B)≤R(A)+R(B) | 联想绝对值三角 |
1.4. 迹
结论 | 附注 |
---|---|
任何可乘的 A , B A, B A,B, t r ( A B ) = t r ( B A ) tr(AB) = tr(BA) tr(AB)=tr(BA) | 乘法过程 |
2. 变换结论
约定:某一向量在基底 A A A 下坐标为 X X X,在基底 B B B 下坐标为 Y Y Y。 A A A 到 B B B 的过渡矩阵是 P P P,即: { A P = B X = P Y \begin{cases}AP=B \\X=PY \end{cases} {AP=BX=PY
2.1. 相似变换的代数过程
现有一线性变换,变换矩阵在 A A A 下是 T T T,在 B B B 下是 S S S,变换后新向量在两基底下坐标分别记为 X 1 , Y 1 X_1, Y_1 X1,Y1
即: { Y 1 = S Y Y 1 = P − 1 T P Y \begin{cases}Y_1 = SY \\Y_1 = P^{-1}TPY \\\end{cases} {Y1=SYY1=P−1TPY9 和 { X 1 = T X X 1 = P S P − 1 X \begin{cases}X_1 = TX \\X_1 = PSP^{-1}X \\\end{cases} {X1=TXX1=PSP−1X
则有: S = P − 1 T P S=P^{-1}TP S=P−1TP 和 T = P S P − 1 T=PSP^{-1} T=PSP−1
当 A A A 是 E E E 时, P = B P=B P=B,上式化为: S = B − 1 T B S=B^{-1}TB S=B−1TB 和 T = B S B − 1 T=BSB^{-1} T=BSB−1
2.2. 合同变换的代数过程
现有一双线性型运算,度量矩阵在 A A A 下是 T T T,在 B B B 下是 S S S,做内积的对象在两基底下坐标分别记为 X 1 , Y 1 X_1, Y_1 X1,Y1
则: { ( Y , Y 1 ) = Y T S Y 1 ( Y , Y 1 ) = ( P Y ) T T P Y 1 = Y T P T T P Y 1 \begin{cases}(Y,Y_1) = Y^TSY_1 \\(Y,Y_1) = (PY)^TTPY_1 = Y^TP^TTPY_1 \\\end{cases} {(Y,Y1)=YTSY1(Y,Y1)=(PY)TTPY1=YTPTTPY1 和 { ( X , X 1 ) = X T T X 1 ( X , X 1 ) = ( P − 1 X ) T S P − 1 X 1 = X T ( P − 1 ) T S P − 1 X 1 \begin{cases}(X,X_1) = X^TTX_1 \\(X,X_1) = (P^{-1}X)^TSP^{-1}X_1 = X^T(P^{-1})^TSP^{-1}X_1 \\\end{cases} {(X,X1)=XTTX1(X,X1)=(P−1X)TSP−1X1=XT(P−1)TSP−1X1
则有: S = P T T P S=P^TTP S=PTTP 和 T = ( P T ) − 1 S P − 1 T=(P^T)^{-1}SP^{-1} T=(PT)−1SP−1
当 A A A 是 E E E 时, P = B P=B P=B,前式化为: S = B T T B S=B^TTB S=BTTB 和 T = ( B T ) − 1 S B − 1 T=(B^T)^{-1}SB^{-1} T=(BT)−1SB−1
2.3. 四大变换
变换 | F | 不变量 | 标准型 | 附注 |
---|---|---|---|---|
相抵 | R m × n R^{m\times n} Rm×n | R R R |
相抵标准形 [ E r O O O ] \left[\begin{matrix} E_r & O \\ O & O \end{matrix}\right] [ErOOO] |
不降维的变换(保持秩) |
相似 | R n × n R^{n\times n} Rn×n | R R R,特征( Λ , d e t , t r \Lambda, det, tr Λ,det,tr) |
特征对角阵 [ λ 1 ⋱ λ n ] \left[\begin{matrix} \lambda_1 \\ & \ddots \\ & & \lambda_n \end{matrix}\right] ⎣⎡λ1⋱λn⎦⎤ |
换基时线性变换的变换 线性变换本质(特征)不变 描述(变换矩阵)改变 T ∼ S , S = P − 1 T P T\sim S,\ S=P^{-1}TP T∼S, S=P−1TP |
合同 | R n × n R^{n\times n} Rn×n (实对称) | R R R,正定性( p , q p,q p,q),对称性 |
二次型标准形 [ E p E q O ] \left[\begin{matrix} E_p \\ & E_q \\ & & O \end{matrix}\right] ⎣⎡EpEqO⎦⎤ |
换基时双线性型的变换 双线性型本质(拓扑)不变 描述(度量矩阵)改变 T = ˙ S , S = P T T P T\dot= S,\ S=P^TTP T=˙S, S=PTTP |
正交 相似 |
R n × n R^{n\times n} Rn×n (实对称) |
R R R,特征( Λ , d e t , t r \Lambda, det, tr Λ,det,tr), 正定性( p , q p,q p,q),对称性 |
特征对角阵 [ λ 1 ⋱ λ n ] \left[\begin{matrix} \lambda_1 \\ & \ddots \\ & & \lambda_n \end{matrix}\right] ⎣⎡λ1⋱λn⎦⎤ |
特殊换基(旋转/反映/反演) 同时保持上两者性质 |
实对称阵特征值全实: X ∈ { C n − O } , λ ∈ C : A X = λ X X\in \{\mathbb{C}^n-O\}, \lambda \in \mathbb{C}: AX=\lambda X X∈{Cn−O},λ∈C:AX=λX
⇒ X ‾ T A X = X ‾ λ X = λ X ‾ X = λ ∑ X i 2 \Rightarrow\ \overline{X}^TAX=\overline{X}\lambda X=\lambda \overline{X}X=\lambda \sum{X_i^2} ⇒ XTAX=XλX=λXX=λ∑Xi2。
又 X ‾ T A X ‾ = ( X ‾ T A X ) T ‾ = X ‾ T A ‾ T X = X ‾ T A X \overline{\overline{X}^TAX}=\overline{(\overline{X}^TAX)^T}=\overline{X}^T\overline{A}^TX=\overline{X}^TAX XTAX=(XTAX)T=XTATX=XTAX,即 X ‾ T A X ∈ R \overline{X}^TAX \in \mathbb{R} XTAX∈R
故 λ \lambda λ 可以写成一个实数除以 ∑ X i 2 \sum{X_i^2} ∑Xi2 这个非零实数,结果必定是实数,证毕!
↩︎实对称阵特征子空间正交: X 1 , X 2 ∈ { R n − O } , λ 1 , λ 2 ∈ R : X_1, X_2\in \{\mathbb{R}^n-O\}, \lambda_1, \lambda_2 \in \mathbb{R}: X1,X2∈{Rn−O},λ1,λ2∈R:
λ 1 X 1 T = X 1 T A T = X 1 T A \lambda_1X_1^T=X_1^TA^T=X_1^TA λ1X1T=X1TAT=X1TA
⇒ λ 1 X 1 T X 2 = X 1 T A X 2 = λ 2 X 1 T X 2 \Rightarrow \ \lambda_1X_1^TX_2=X_1^TAX_2=\lambda_2X_1^TX_2 ⇒ λ1X1TX2=X1TAX2=λ2X1TX2
⇒ ( λ 1 − λ 2 ) X 1 T X 2 = 0 \Rightarrow \ (\lambda_1-\lambda_2)X_1^TX_2=0 ⇒ (λ1−λ2)X1TX2=0,显然证毕!
↩︎反对称阵的伴随(奇对偶反): ( A ⋆ ) T = ( A T ) ⋆ = ( − A ) ⋆ = ( − 1 ) n − 1 A ⋆ (A^\star)^T=(A^T)^\star=(-A)^\star=(-1)^{n-1}A^\star (A⋆)T=(AT)⋆=(−A)⋆=(−1)n−1A⋆
↩︎证和矩阵的正定性:常用定义( ∀ X ≠ 0 → , X T A X > 0 \forall X\neq \overrightarrow{0}, X^TAX>0 ∀X=0 ,XTAX>0)证正定进而证可逆。
如果 A , B A, B A,B并不是正定的而是实对称+反对称的,可能还会涉及
X T ( A + B ) T ( A + B ) X = X T A T A X + X T ( A T B + B T A ) X + X T B T B X X^T(A+B)^T(A+B)X=X^TA^TAX+X^T(A^TB+B^TA)X+X^TB^TBX XT(A+B)T(A+B)X=XTATAX+XT(ATB+BTA)X+XTBTBX
↩︎A B = B A AB=BA AB=BA证 A B AB AB正定: A A A正定则合同于 E E E,即存在可逆阵 P P P: P T A P = E P^TAP=E PTAP=E
P P P可逆, A B AB AB实对称则 P T A B P P^TABP PTABP仍实对称,故可相似对角化,即即存在正交阵 Q Q Q: Q T P T A B P Q = Λ Q^TP^TABPQ=\Lambda QTPTABPQ=Λ
带入 A = ( P T ) − 1 P − 1 A=(P^T)^{-1}P^{-1} A=(PT)−1P−1得 Λ = Q T P T ( P T ) − 1 P − 1 B P Q = ( P Q ) − 1 B P Q \Lambda=Q^TP^T(P^T)^{-1}P^{-1}BPQ=(PQ)^{-1}BPQ Λ=QTPT(PT)−1P−1BPQ=(PQ)−1BPQ
因此 Λ \Lambda Λ正定,因此 P T A B P P^TABP PTABP正定,因此 A B AB AB正定,证毕!
↩︎任意矩阵 C C C, C T C C^TC CTC半正定: X T C T C X = ( C X ) T C X = ∑ ( C X ) i 2 ≥ 0 ⇒ C T C X^TC^TCX=(CX)^TCX=\sum (CX)_{i}^2 \ge 0 \Rightarrow C^TC XTCTCX=(CX)TCX=∑(CX)i2≥0⇒CTC半正定。
↩︎正定阵绝对值最大元必在主对角线上,反证法:记绝对值最大元在 a i j , i < j a_{ij}, i < j aij,i<j,设列向量 X = ϵ i − ϵ j X=\epsilon_i-\epsilon_j X=ϵi−ϵj
则 X T A X = ( a i i − a j i ) − ( a i j − a j j ) = a i i + a j j − 2 a i j < 0 X^TAX=(a_{ii}-a_{ji})-(a_{ij}-a_{jj})=a_{ii}+a_{jj}-2a_{ij}<0 XTAX=(aii−aji)−(aij−ajj)=aii+ajj−2aij<0,与正定矛盾。
↩︎幂零阵 d e t ( A ± E ) = ( ± 1 ) n det(A\pm E)=(\pm 1)^n det(A±E)=(±1)n: Λ ( A ) = O , Λ ( P ( A ) ) = P ( Λ ( A ) ) \Lambda(A)=O, \Lambda(\mathcal{P}(A))=\mathcal{P}(\Lambda(A)) Λ(A)=O,Λ(P(A))=P(Λ(A))
⇒ Λ ( A ± E ) = ± 1 \Rightarrow \Lambda(A\pm E)=\pm 1 ⇒Λ(A±E)=±1
⇒ d e t ( A ± E ) = ( ± 1 ) n \Rightarrow det(A\pm E)=(\pm 1)^n ⇒det(A±E)=(±1)n
↩︎Y 1 = P − 1 T P Y Y_1 = P^{-1}TPY Y1=P−1TPY 详细变换过程: Y 1 = P − 1 X 1 = P − 1 T X = P − 1 T P Y Y_1 = P^{-1}X_1 = P^{-1}TX = P^{-1}TPY Y1=P−1X1=P−1TX=P−1TPY ↩︎
高等代数 | 矩阵相关总结相关推荐
- Python之数据分析(Numpy的矩阵相关操作、ufunc泛化函数对象)
文章目录 一.矩阵相关操作 二.ufunc统一泛化函数 一.矩阵相关操作 1.三种构造矩阵的方法 np.matrix(二维容器, copy=True) 一参为可被解释为矩阵的二维容器,比如二维数组.二 ...
- Mantel test: 两个矩阵相关关系的检验
转载 http://blog.sina.com.cn/s/blog_4b678be40100o464.html Mantel test 是对两个矩阵相关关系的检验,由Nathan Mantel在197 ...
- 矩阵相关操作和矩阵快速幂
矩阵相关操作和矩阵快速幂 矩阵基本运算以及快速幂模板 POJ - 3070. Fibonacci Hdu - 1757A. Simple Math Problem Codeforces - 185A. ...
- 总结利用秩为1的矩阵相关矩阵的秩的计算问题
总结利用秩为1的矩阵相关矩阵的秩的计算问题 @(线性代数) 对于一个秩为1的矩阵,常常给定的是一个列向量与自己的转置之积. http://blog.csdn.net/u011240016/articl ...
- numpy中向量和矩阵相关乘法总结
numpy中矩阵相关乘法总结 一.numpy中向量和矩阵的概念 向量:1维 矩阵:至少是2维 注意:numpy中对于向量的定义与数学中对向量的定义有些不同,数学中对向量的定义是竖向写法,但由于nump ...
- shiftdim matlab,科学网—matlab函数(矩阵相关) - 黄妮妮的博文
matlab函数(矩阵相关) functions frequently used in matlab in respect of matrix Elementary matrices. zeros ...
- 高等代数---λ矩阵
高等代数-λ矩阵 声明: 本篇文章内容主要对<高等代数>第三版第八章内容的总结,复习 λ矩阵 定义:数字矩阵,λ矩阵 定义1:如果λ-矩阵A(λ)中有一个r(r≥1)级子式不为零,而所有r ...
- 高等代数 矩阵的相抵和相似(第5章)2 相似,特征值与特征向量,对角化
一.矩阵的相似(5.4) 1.相似矩阵 (1)概念: (2)性质: 性质1:如果 B 1 = P − 1 A 1 P , B 2 = P − 1 A 2 P B_1=P^{-1}A_1P,B_2=P^ ...
- python矩阵_Python 矩阵相关
Python 中矩阵运算主要使用numpy库.NumPy的主要对象是同种元素的多维数组.这是一个所有的元素都是一种类型.通过一个正整数索引的元素表格(通常是元素是数字).因此对于随机查找来说,比pyt ...
最新文章
- 微服务生态与 Spring Cloud Alibaba
- 智能视觉组赛博 -10赛后反馈
- java 增量,Java增量运算符查询(++ i和i ++)
- 从React 编程到好莱坞
- 在DataGridView中的列头添加复选框
- Sql查找断号区间...
- 临时更换swap优先级
- pyinstaller将py文件转成exe格式
- 15-2 mysql的数据类型
- ASP.NET页面与IIS底层交互和工作原理详解
- 坦克大战的Lua实现
- 基于地理距离的省际空间权重矩阵
- 《概率论与数理统计》(浙大第四版)第一章总结笔记(纯手写)
- 计算机模拟地球爆炸,地球爆炸模拟器
- Power BI的基本操作
- 组件测试 软件,测试AUTOSAR软件组件的测试方法及系统专利_专利查询 - 天眼查
- Python、Selenium、火狐浏览器,简单的自动化实现
- 项目研发管理实施经验谈(1)
- 关于要不要转行做程序员的问题
- 总结一下刚刚参加了今日头条的线上前端笔试
热门文章
- OpenLayers 3 入门指南
- python爬虫爬数据 水稻
- 【IPTV】Hybrid Video解决方案概念与价值
- python firmata协议利用arduino操控麦克纳姆轮小车(附完整代码)
- 杰佛伦Profinet位移传感器与S7-1500PLC连接组态方法步骤详解
- libuv里的几个缺陷
- Django项目实战——8—(判断用户是否登录并返回JSON、Django发送邮件的配置、生成邮箱验证链接、验证邮箱后端逻辑)
- IS210AEBIH3BEC隔离器用于变压器等高压设备
- 【Python】生词本 (集合 增、删、查)
- 02、电荷泵锁相环(CPPLL)的基本结构