本篇博客是线性代数的基础理论知识下篇,限于篇幅,不会把所有定义都罗列出来,而是将整理的重点放在定理和结论上(当然有些必要的定义还是会说明的),对于最基础的概念(如什么是矩阵、行列式的定义及基本计算方法、矩阵的基本运算等等)不清楚的童鞋可以参考线性代数常用基本知识整理。
本篇博客的上篇是矩阵论(零):线性代数基础知识整理(上)。
为更具一般性,讨论复矩阵和复向量,向量如无特别说明均为列向量
本篇博客主要有以下几部分内容:
- 向量空间(向量、內积、范数)
- 向量空间(又称线性空间)
- 內积公理、复內积空间(又称酋空间)
- 范数公理、常用的向量范数、向量间距离
- 线性空间的基
- 矩阵的內积与范数
- 酋矩阵与线性变换
- 正交矩阵、酋矩阵
- 线性变换的定义及性质
- 线性变换的矩阵
- 方阵的特征值
- 特征值的定义及性质
-
AHA和
AAH的特征值的关系(很重要,在奇异值分解中要用到)
- 相似变换与相似对角化
- 相似矩阵的定义及性质
- Sylvester定理
- 相似对角化的定义及其充要条件
- 零矩阵的判定方法
向量空间(向量、內积、范数)
向量空间(线性空间)
- 线性空间的定义
设V是一个非空集合,F是一个数域,若V满足以下10条公理,则称V是F上的一个线性空间,简称线性空间:
- 在V的元素(称为向量,是一种抽象的概念)间定义了一种二元运算,叫做“加法”,满足加法运算是封闭的
∀x,y∈V,x+y∈V
- 在数域F和V的元素间定义了一种代数运算,叫做“数量乘法”,简称数乘,满足数乘运算是封闭的
∀k∈F,∀x∈V,kx∈V
- 满足加法的交换律:
∀x,y∈V,x+y=y+x
- 满足加法的结合律:
∀x,y,z∈V,(x+y)+z=x+(y+z)
- 存在零元:
∃0∈V,∀x∈V,x+0=x
- V中每个元素都有负元:
∀x∈V,∃−x∈V,x+(−x)=0
- 满足数乘的单位率:
∀x∈V,1x=x
- 满足数乘运算的结合律:
∀k,b∈F,∀x∈V,k(bx)=(kb)x
- 满足数乘运算对向量的分配律:
∀k∈F,∀x,y∈V,k(x+y)=kx+ky
- 满足数乘运算对数的分配律:
∀k,b∈F,∀x∈V,(k+b)x=kx+bx
当数域F是实数域时,称线性空间V是实线性空间;当F是复数域时,称V是复线性空间。易验证
Cn是一个复线性空间。
- 线性空间的性质
- 零元是唯一的
- 每个向量的负元是唯一的,由此可以定义向量间的减法:
x−y=x+(−y)
-
0x=0,(−1)x=−x,k0=0
- 若
kx=0,则
k=0∨x=0
- 线性子空间的定义与判定
- 定义:设W是线性空间V的一个非空子集,若W是线性空间,则称W是V的线性子空间
- 定理:设W是线性空间V的一个非空子集,则W是V的子空间的充要条件为W对V中的线性运算(加法和数乘)封闭
例:关于x的齐次线性方程组
Am×nx=0的所有解向量构成了
Cn的一个线性子空间,称为方程组
Am×nx=0的解空间
- 定义:设
a1,a2,⋯,as是V中的向量,这些向量的所有线性组合构成了V的一个线性子空间(
{k1a1+⋯+ksas∣k1,⋯,ks∈F}),称为V的生成子空间,记作
W=spana1,a2,⋯,as
例:矩阵
Am×n的所有列向量的线性组合构成了
Cm的一个生成子空间,常称为A的列空间;同样地,
Am×n的所有行向量的线性组合构成了
Cn的一个生成子空间,常称为A的行空间
內积公理
设V是一个复线性空间,若在V的任意两个向量间定义了满足以下4条內积公理的二元运算(运算结果必须是复数),则称V是复內积空间:
- 共轭对称性:
<x,y>=<y,x>
- 加性:
<x+y,z>=<x,z>+<y,z>
- 齐性:
<kx,y>=kˉ<x,y>,k∈C
- 非负性:
<x,x>∈R∧<x,x>⩾0,且
<x,x>=0的充要条件为
x=0
(在
Cn中定义向量的內积为
<x,y>=xHy,易验证是满足內积公理的。)
从上面的公理可以推导出:
-
<x,y+z>=<x,y>+<x,z>
-
<x,ky>=k<x,y>,k∈C(注意和齐性的区别,齐性公理中的复数k不是直接提出来的,而是取了共轭)
- 柯西施瓦兹不等式
∣<x,y>∣⩽<x,x>
<y,y>
,等号当且仅当x和y线性相关时取
范数公理
在复內积空间中,若给每个向量赋予唯一的一个实数,当该实数满足如下四条范数公理时,称给每个向量定义了范数:
-
∣∣x∣∣⩾0
-
∣∣x∣∣=0的充要条件是
x=0
-
∣∣cx∣∣=∣c∣∣∣x∣∣,c∈C
- 三角不等式
∣∣x+y∣∣⩽∣∣x∣∣+∣∣y∣∣
Rm或
Cm中常用的向量范数
-
l1范数:
∣∣x∣∣1=∑i=0m∣xi∣
-
l2范数(又称Frobenius范数、欧几里得范数等):
∣∣x∣∣2=∑i=0m∣xi∣2
,即
∣∣x∣∣2=xHx
-
lp范数:
∣∣x∣∣p=(∑i=1m∣xi∣p)p1,p∈R∧p⩾1
-
l∞范数:当
lp范数中的
p趋于正无穷时,其极限是存在的,称该极限为
l∞范数。现在证明该极限是存在的:
证明:
记
S=max{∣x1∣,∣x2∣,⋯,∣xm∣}。因为
S=(Sp)p1⩽(i=1∑m∣xi∣p)p1⩽(mSp)p1=mp1S
p→+∞limS=p→+∞limmp1S=S故由夹逼定理得
p→+∞lim(i=1∑m∣xi∣p)p1=S=max(∣x1∣,∣x2∣,⋯,∣xm∣)所以我们定义
∣∣x∣∣∞=max(∣x1∣,∣x2∣,⋯,∣xm∣)。
(因为
l2范数是最常用的,故如无特别说明,后文均采用
l2范数)
-
由范数引出的其他概念:
- 两个向量的夹角:复向量x和y的夹角余弦是一复数,定义为
cos(x,y)=∣∣x∣∣2∣∣y∣∣2<x,y>
- 向量正交:若
cos(x,y)=0即
<x,y>=0,则称x和y正交
- 向量间的距离:常采用两向量差的
l2范数作为这两个向量间的距离的定义,即
d(x,y)=∣∣x−y∣∣2(当然其他范数也可以类似地定义距离)
-
向量间的距离满足如下性质:
- 对称性
d(x,y)=d(y,x)
- 非负性
d(x,y)⩾0且等号当且仅当x=y时取
- 三角不等式
d(x,y)⩽d(x,z)+d(z,y)
线性空间的基
对一线性空间V,前面在
Cn中探讨的线性无关、极大无关组等概念都适用,且有以下定义和定理:
- 定义:若V中的线性无关向量组可以含任意多个向量,则称V是无限维空间,否则称V是有限维空间
- 定义:若V的一个线性无关向量组满足任意V中向量都可由该组线性表示,则称该线性无关组是V的一组基
- 定理:有限维空间V必有极大无关组,V的所有极大无关组所含的向量的个数相等,都可以作为V的一组基。称V的极大无关组所含向量的个数为V的维数。对于n维线性空间V,V中任意n个线性无关的向量都可构成V的一组基。V中任意向量都可由V的一组基唯一地线性表示
- 定义:设有限维空间V的一个基向量组为
a1,a2,⋯,an,任意V中向量x可由它唯一地线性表示,即存在唯一的向量z使得
x=[a1⋯an]z,称z是x在该基下的坐标向量,简称坐标
- 定义:(正交向量组和标准正交向量组)若V的一个向量组不含零向量,且任意两向量正交,则称该向量组是一个正交向量组。如果V的正交向量组的每个向量都是单位向量,则称该正交向量组是标准正交向量组
- 定理:正交向量组一定是线性无关向量组
- 定义:n维线性空间V的n个向量构成的正交向量组称为V的正交基,若该正交基的每个向量还是单位向量,则称为V的标准正交基
- 定理:设
a1,a2,⋯,an是线性空间V的一个正交基,则
∀x∈V,x=i=1∑n<ai,ai><ai,x>ai
- Gram-Schmidt正交化方法:任意n维线性空间V都有标准正交基,其标准正交基可从一n个向量的线性无关向量组
a1,a2,⋯,an构造而得:
b1=a1b2=a2−<b1,b1><b1,a1>b1⋯⋯⋯bn=an−<b1,b1><b1,an>b1−<b2,b2><b2,an>b2−⋯−<bn−1,bn−1><bn−1,an>bn−1这就构造出了V的一个正交基,只要再将每个基向量单位化就得到了V的一个标准正交基。
- 扩充定理:对任意r维线性空间V,V的任意一个线性无关组都可以扩充为V的一个基
证明:
对V中任意线性无关组U,若U含有r个向量,则U就是V的一个基。若U含有
n<r个向量,任取V的一个基
U′,则存在
U′中的一个向量x,x不能用U线性表示(用反证法:已知U可以用
U′线性表示,假设
U′可以用U线性表示,则U和
U′是等价的,故它们含有的向量数相同,这与
n<r是矛盾的,故假设不成立)。所以
U∪x是线性无关的(若
U∪x是线性相关的,则由U线性无关知,x可由U线性表示,这是矛盾的)。将x加入U中。重复以上步骤,直到U含有r个向量,这就将开始时的U扩充为了V的一个基。得证。
- 设
a1,a2,...,ar是
Cn的一个线性无关向量组,则可通过如下方法将
a1,a2,...,ar扩充为
Cn的一个基:
方法:
设
A=[a1a2⋯ar],则A是一个列满秩矩阵,故可通过有限步初等行变换将A变换成它的秩标准形,即存在可逆矩阵P使得
PA=[IrO]。设
B=P−1[IrOOIn−r]=P−1,则B是可逆矩阵,B的列向量组是
Cn的一个基。由于
B=[P−1[IrO]P−1[OIn−r]]=[AP−1[OIn−r]],故B的列向量组包含了A的列向量组,这就将A的列向量组扩充为了
Cn的一个基。实际求解时,只需求出使得PA是A的行最简形(即A的秩标准形)的可逆矩阵P,再取
P−1的列向量组即可。
【注】进一步地,取
P−1的前i个
(i>r)列向量就是A的列向量组扩充为i个线性无关的向量的结果。
- 设V是
Cn的一个m维线性子空间,且
a1,a2,...,ar是V中一组线性无关的向量,则可通过如下方法将
a1,a2,...,ar扩充为V的一个基:
方法:
设
b1,b2,⋯,bm是已知的V的一组基,设
B=[b1b2⋯bm],
A=[a1a2⋯ar],A的列向量组可以用B的列向量组线性表示,设
ai=Bxi,可以通过解线性方程组的方法求出每个
xi,设
X=[x1x2⋯xr],则
A=BX,显然X是一个列满秩矩阵,可以通过扩充的方法(见上一条)将X扩充为
[XX′],它有m个线性无关的列向量。显然
B[XX′]的列向量组是线性无关的,且都在V内,故可作为V的一个基,又知它包含了A的列向量组,这就将A的列向量组扩充为了V的一个基。
矩阵的內积和范数
- 矩阵的內积
- 定义:任意
m×n矩阵A、B,其內积定义为
<A,B>=tr(AHB)。
- 矩阵的內积具有如下性质(和向量的內积公理是一致的):
- 共轭对称性
<A,B>=<B,A>
- 加性
<A+B,C>=<A,C>+<B,C>
- 齐性
<kA,B>=kˉ<A,B>,k∈C
- 非负性
<A,A>∈R∧<A,A>⩾0且
<A,A>=0的充要条件是
A=O
-
<A,B+C>=<A,B>+<A,C>
-
<A,kB>=k<A,B>,k∈C
只证第4条性质(非负性),前面三条由方阵的迹的性质容易得出,最后两条可由其他几条性质推导得出:
设
Am×n=(aij)m×n,则
<A,A>=tr(AHA)=i,j∑aijaij=i,j∑∣aij∣2是非负实数。
<A,A>=0的充要条件是
∑i,j∣aij∣2=0,即
A=O。得证。
- 矩阵的范数
- 范数公理
矩阵A的范数
∣∣A∣∣必须是实值函数且具有如下性质:
-
∀A̸=O,∣∣A∣∣>0;∣∣O∣∣=0
-
∀c∈C,∣∣cA∣∣=∣c∣∣∣A∣∣
- 三角不等式
∣∣A+B∣∣⩽∣∣A∣∣+∣∣B∣∣
-
∣∣AB∣∣⩽∣∣A∣∣∣∣B∣∣
- 矩阵的Frobenius范数(如无特别说明,矩阵的范数就采用Frobenius范数)
矩阵的Frobenius范数定义为
∣∣A∣∣=<A,A>
=tr(AHA)
=∑i,j∣aij∣2
,其中
aij是A的第i行,第j列元素。
- 矩阵內积和范数的关系
- 柯西施瓦兹不等式
∣<A,B>∣⩽∣∣A∣∣∣∣B∣∣
【注】实际上,全体
m×n矩阵构成了复数域
C上的一个线性空间,所以线性空间中的结论可以直接迁移到矩阵这里来。但需要注意的是,矩阵的范数公理比一般的向量空间的范数公理多了一条限制。
扫描二维码关注公众号,回复:
3378918 查看本文章
酋矩阵与线性变换
酋矩阵
- 正交矩阵
- 定义:如果实方阵A满足
ATA=AAT=I,则称A为正交矩阵
- 定理:m阶实方阵A是正交矩阵的充要条件为A的列(行)向量组是
Rm的一个标准正交基
- 酋矩阵
- 定义:如果复方阵A满足
AHA=AAH=I,则称A为酋矩阵,酋矩阵是实正交矩阵在复矩阵上的推广
- 定理:m阶复方阵A是酋矩阵的充要条件为A的列(行)向量组是
Cm的一个标准正交基
- m阶酋矩阵U的性质
- 实矩阵是酋矩阵的充要条件为它是正交矩阵
-
U−1=UH
-
U−1也是酋矩阵
-
∣det(U)∣=1
- 酋变换保持向量的內积不变:
<Ux,Uy>=<x,y>,x,y∈Cm
- 酋变换保持向量的范数不变:
∣∣Ux∣∣=∣∣x∣∣,x∈Cm
- 若A、B都是m阶酋矩阵,则AB是m阶酋矩阵
- 若A、B分别是m阶、n阶酋矩阵,则
[AOOB]也是一个酋矩阵
特例:若U是一个酋矩阵,则
[InOOU]也是一个酋矩阵
线性变换(只讨论有限维空间)
- 线性变换及其性质
- 线性变换(线性映射)的定义:设V、W是数域F上的线性空间,
T:V→W是一个映射,若
∀x,y∈V,∀a,b∈F,T(ax+by)=aT(x)+bT(y)则称T是V到W的一个线性变换(线性映射)。V到W的线性变换的全体记为
L(V,W),V到V自身的线性变换全体记为
L(V)。若
T∈L(V),则称T是V上的线性算子。
- 线性变换相等的定义:设
T,S∈L(V,W),若
∀x∈V,T(x)=S(x),则称T和S相等
- 线性变换的基本性质
设
T∈L(V,W),则
-
T(0)=0(一般来说,任意线性空间的零元都记为0,故需区分不同线性空间中0的含义)
-
T(−x)=−T(x)
-
T(k1x1+⋯+kmxm)=k1T(x1)+⋯+kmT(xm),ki∈F
- T把V中的线性相关向量组映射为W中的线性相关向量组
- 定理:设V的一组基是
x1,x2,⋯,xn,则
T,S∈L(V,W)相等的充要条件为
T(xi)=S(xi),i=1,2,⋯,n
- 定义:设
T∈L(V,W),
ker(T)={x∣x∈V,T(x)=0}称为T的核或零空间,
R(T)={T(x)∣x∈V}称为T的值域或像空间
- 定理:
ker(T)是V的一个子空间,
R(T)是W的一个子空间
- 定义:称T的零空间的维数为T的零度,记为
nullity(T)=dim ker(T);称T的像空间的维数为T的秩,记为
rank(T)=dim R(T)
- 定理:设
dim(V)=n,
T∈L(V,W),则存在V的一个基U,
U=U1∪U2,U1∩U2=∅,使得
U1是
ker(T)的基,
{T(u)∣u∈U2}是
R(T)的基
- 秩加零度定理:设
dim(V)=n,
T∈L(V,W),则nullity(T)+rank(T)=n
- 定理:设
T∈L(V,W),dim(V)=n,则以下命题是相互等价的
- T是单射
-
ker(T)={0}
- T将V中的线性无关组映射为W中的线性无关组
-
rank(T)=n
- 线性变换的矩阵表示
- 线性变换的矩阵:设V和W的维数分别是n和m,
T∈L(V,W),
a1,a2,⋯,an和
b1,b2,⋯,bm分别是V和W的一组基。因为
T(ai)∈W,故存在唯一的矩阵
Am×n使得
[T(a1)⋯T(an)]=[b1⋯bm]A,称矩阵A是T在给定的基下的矩阵,简称是T的矩阵
- 定理:设
T∈L(V,W),V中向量
v在V的基
a1,a2,⋯,an下的坐标为x,
T(v)在W的基
b1,b2,⋯,bm下的坐标是y,则
y=Ax,其中A是T在给定的基下的矩阵
证明:
T(v)=T([a1⋯an]x)=[T(a1)⋯T(an)]x=[b1⋯bm]Ax另一方面
T(v)=[b1⋯bm]y,故由基下的坐标的唯一性得
y=Ax。得证。
矩阵的特征值
- 定义:设A是一个n阶方阵,若
∃λ∈C,x∈Cn,x̸=0使得
Ax=λx,或者等价地
(λI−A)x=0,则称
λ是A的一个特征值,
x是A的对应于
λ的一个特征向量
- 定理:
λ是n阶方阵A的特征值的充要条件为
det(λI−A)=0
- 定义:
det(λI−A)=0称为A的特征方程;关于
λ的一元n次多项式
det(λI−A)称为A的特征多项式;若
λ是A的特征值,则齐次线性方程组
(λI−A)x=0的解空间称为
λ的特征子空间
- 定义:若方阵A的特征值
λ是A的特征方程的k重根,则称k是
λ的代数重数;
λ的特征子空间的基所含向量个数为
λ的几何重数
- 定理:n阶方阵A的全部不同特征值的代数重数之和为n
- 定理:方阵A的任意特征值的几何重数小于等于代数重数
- 定理:设
λ1,λ2,⋯,λs是A的互不相同的特征值,
xi1,xi2,⋯,xiji是A关于
λi的线性无关的特征向量,则
x11,⋯,x1j1,x21,⋯,x2j2,⋯,xs1,⋯,xsjs是线性无关的
证明:(数学归纳法)
当s=1时,显然命题成立。
假设当s=i时,命题成立,则当s=i+1时,设
k11x11+⋯+k1j1x1j1+k21x21+⋯+k2j2x2j2+⋯+ks1xs1+⋯+ksjsxsjs=0
用A左乘两端并整理得:
λ1(k11x11+⋯+k1j1x1j1)+⋯+λs(ks1xs1+⋯+ksjsxsjs)=0由以上两式消去
ks1xs1+⋯+ksjsxsjs得
(λs−λ1)(k11x11+⋯+k1j1x1j1)+⋯+(λs−λs−1)(k(s−1)1x(s−1)1+⋯+k(s−1)js−1x(s−1)js−1)=0由特征值互不相等及假设知
k11=⋯=k1j1=⋯=k(s−1)1=⋯=k(s−1)js−1=0故
ks1xs1+⋯+ksjsxsjs=0,由题设知
ks1=⋯=ksjs=0,故命题对s=i+1时也成立。故由归纳假设,原命题成立。得证。
- 特征值与迹、行列式的关系
设n阶方阵A的特征值是
λ1,λ2,⋯,λn(重特征值按重数算),则
-
det(A)=λ1λ2⋯λn
-
tr(A)=λ1+λ2+⋯+λn
- 特殊矩阵的特征值与特征向量
-
λ是n阶对角矩阵A的特征值的充要条件为
λ是A的主对角元
-
λ是上(下)三角矩阵A的特征值的充要条件为
λ是A的主对角元
- n阶对角矩阵A有n个线性无关的特征向量
证明:
设A的所有互不相同的特征值为
λ1,λ2,⋯,λs,相应地代数重数为
j1,j2,⋯,js,考虑A的特征方程
(λiI−A)x=0,易验证
r(λiI−A)=n−ji,故
(λiI−A)x=0的基础解系解向量的个数为
ji,求出A的每个特征值对应的特征方程的基础解系,就能得到
∑i=1sji=n个线性无关的特征向量。得证。
-
AAH和
AHA的特征值(很重要,在奇异值分解中要用到)
-
AAH和
AHA的特征值均为非负实数
证明:
考虑特征方程
AAHx=λx,用
xH左乘两端得
xHAAHx=(AHx)H(AHx)=λxHx,即
∣∣AHx∣∣2=λ∣∣x∣∣2,故
AAH的特征值均为非负实数。同理可证
AHA的特征值均为非负实数。得证。
-
AAH和
AHA的非零特征值相同(即二者中任意一者的任意非零特征值都是另一者的非零特征值)
证明:
考虑
AAH的特征方程
AAHx=λx,λ̸=0,x̸=0,设
y=AHx,由
∣∣AHx∣∣2=λ∣∣x∣∣2知
∣∣AHx∣∣>0,故
y̸=0。用
AH左乘
AAHx=λx两端得
AHAy=λy,可见
λ也是
AHA的特征值。同理可证
AHA的非零特征值都是
AAH的特征值。得证。
-
AAH和
AHA的同一个非零特征值的几何重数相等
证明:
设
λ是
AAH和
AHA的一个非零特征值,设
AAH的特征方程
(λI−AAH)x=0的一个基础解系为
x1,x2,⋯,xs,则
AHx1,AHx2,⋯,AHxs都是
AHA关于
λ的特征向量。设
k1AHx1+⋯+ksAHxs=0,用
A左乘该式两端得
λ(k1x1+⋯+ksxs)=0,由于
λ̸=0,所以
k1x1+⋯+ksxs=0,故
k1=⋯=ks=0,故
AHx1,AHx2,⋯,AHxs是线性无关的。这说明
AHA的特征值
λ的特征子空间的维数不小于
AAH。同理可证
AAH的特征值
λ的特征子空间的维数不小于
AHA。原命题得证。
-
AAH和
AHA的同一个非零特征值的代数重数相等
证明:由Sylvester定理(在下一节相似变换的最后)的证明直接可得。
【注】以上结论都限定在特征值非零的情况下,这是因为可能
AAH和
AHA两者中一个有零特征值,而另一个没有零特征值。例如,设A是
m×n矩阵,当
m>n且A列满秩时,容易证明0一定是
AAH的一个特征值,而一定不是
AHA的一个特征值。
相似变换与相似对角化
- 相似矩阵及其性质
- 定义:设A、B均为n阶方阵,若存在可逆矩阵P使得
P−1AP=B,则称A和B相似;如果P是一个酋矩阵,则称A和B酋相似
- 若n阶方阵A和B相似,则有以下结论:
-
r(A)=r(B)
-
det(A)=det(B)
-
tr(A)=tr(B)
- A和B的特征值相同
- A和B的同一特征值的代数重数相同
- A和B的同一特征值的几何重数相同
第4、5条的证明:
det(λI−B)=det(λI−P−1AP)=det(P−1(λI−A)P)=det(P−1)det(λI−A)det(P)=det(λI−A)即A和B的特征多项式相同,从而得证。
第6条的证明:
r(λI−B)=r(λI−P−1AP)=r(P−1(λI−A)P)=r(λI−A)故
(λI−A)x=0和
(λI−B)x=0的基础解系解向量个数相同(均为
n−r(λI−A)),得证。
- Sylvester定理(结论其实不重要,重点看证明过程)
【注】因为
C1和
C2相似,故它们的特征值相同,且同一特征值的代数重数相等、几何重数相等。由此可知,它们的同一个非零特征值的代数重数相等、几何重数相等。注意到
C1的非零特征值就是
BA的非零特征值,
C2的非零特征值就是
AB的非零特征值,故
BA和
AB的同一个非零特征值的代数重数相等、几何重数相等。
- 相似对角化及其条件
- 定义:若方阵A相似于一个对角矩阵,则称A可对角化
- 定理:n阶方阵A可对角化的充要条件为A有n个线性无关的特征向量
【注】定理的证明过程说明,可逆矩阵P的列向量组是A的n个线性无关的特征向量;P的列向量组的排列顺序和对角矩阵对角元(特征值)的排列顺序是相对应的。
- 定理:方阵A可对角化的充要条件为A的每个特征值的几何重数等于代数重数
零矩阵的判定方法
- 若
r(A)=0,则
A=O
- 若存在列满秩矩阵B,使得
BA=O,则
A=O
证明:由
r(A)=r(BA)=0立即可得。
- 若存在行满秩矩阵B,使得
AB=O,则
A=O
证明:由
r(A)=r(AB)=0立即可得。
- 若对任意
x∈Cn,x̸=0,有
Am×nx=0,则
A=O(注意,将条件改为
x∈Rn也成立,即使A是个复矩阵)
证明:
任取一复的(或实的)行满秩矩阵
Bn×k,对B的任意一个列向量x,都有
Ax=0,故
AB=O,故
A=O。
- 若对任意行向量x,
xT∈Cn,x̸=0,有
xAn×m=0T,则
A=O(注意,将条件改为
xT∈Rn也成立,即使A是个复矩阵)
证明:
由已知,对
∀xT∈Cn,ATxT=0,故
AT=O,故
A=O。
- 若
tr(AHA)=0(或
tr(AAH)=0),则
A=O;当A是实矩阵时,若
tr(ATA)=0(或
tr(AAT)=0),则
A=O
证明:
见矩阵的范数公理。
- 若
r(AB)=r(B),则对任意矩阵C,
ABC=O的充要条件是
BC=O
证明:充分性显然。
必要性:因为
r(AB)=r(B),故齐次线性方程组
ABx=0和
Bx=0是同解方程组。由
ABC=O知C的每个列向量都是
ABx=0的解,故也都是
Bx=0的解,故
BC=O。
- 若
r(BC)=r(B),则对任意矩阵A,
ABC=O的充要条件是
AB=O
证明:由已知,
r(CHBH)=r(BH),故
CHBHAH=O的充要条件是
BHAH=O,故
ABC=O的充要条件是
AB=O。