建议先学 λ \lambda λ矩阵https://blog.csdn.net/qq_39942341/article/details/120469233?spm=1001.2014.3001.5502
尽管亏损矩阵(找不到 n n n个线性无关的特征向量的矩阵)不能相似对角化,但是他们可以相似对角化于一个若尔当标准形
若尔当块
n
n
n阶若尔当块
J
i
=
(
λ
i
1
λ
i
1
⋱
⋱
λ
i
1
λ
i
)
n
×
n
J_i= \begin{pmatrix} \lambda_i&1&&&\\ &\lambda_i&1&&\\ &&\ddots&\ddots&\\ &&&\lambda_i&1\\ &&&&\lambda_i\\ \end{pmatrix}_{n\times n}
Ji=⎝⎜⎜⎜⎜⎛λi1λi1⋱⋱λi1λi⎠⎟⎟⎟⎟⎞n×n
若尔当标准形
J
=
(
J
1
J
2
⋱
J
t
)
n
×
n
J= \begin{pmatrix} J_1&&&\\ &J_2&&\\ &&\ddots&\\ &&&J_t\\ \end{pmatrix}_{n\times n}
J=⎝⎜⎜⎛J1J2⋱Jt⎠⎟⎟⎞n×n
其中
J
i
J_i
Ji为若尔当块,当
∑
i
=
1
t
m
i
=
n
\sum_{i=1}^{t}m_i=n
∑i=1tmi=n时,称为
n
n
n阶若尔当标准形,记为
J
J
J
λ \lambda λ矩阵次数
设
m
×
n
m\times n
m×n的
λ
\lambda
λ矩阵
A
(
λ
)
=
(
a
11
(
λ
)
⋯
a
1
n
(
λ
)
⋮
⋮
a
m
1
(
λ
)
⋯
a
m
n
(
λ
)
)
A(\lambda)= \begin{pmatrix} a_{11}(\lambda)&\cdots&a_{1n}(\lambda)\\ \vdots& &\vdots\\ a_{m1}(\lambda)&\cdots&a_{mn}(\lambda)\\ \end{pmatrix}
A(λ)=⎝⎜⎛a11(λ)⋮am1(λ)⋯⋯a1n(λ)⋮amn(λ)⎠⎟⎞
次数最高的多项式的次数
L
L
L为
A
(
λ
)
A(\lambda)
A(λ)的次,即
L
=
max
1
≤
i
≤
m
1
≤
j
≤
n
d
e
g
a
i
j
(
λ
)
L= \max\limits_{1\le i \le m \atop 1\le j \le n} deg\ a_{ij}(\lambda)
L=1≤j≤n1≤i≤mmaxdeg aij(λ)
所以
a
i
j
(
λ
)
=
a
i
j
(
0
)
λ
0
+
a
i
j
(
1
)
λ
1
+
⋯
+
a
i
j
(
L
)
λ
L
a_ij(\lambda)=a_{ij}^{(0)}\lambda^0+a_{ij}^{(1)}\lambda^1+\cdots +a_{ij}^{(L)}\lambda^L
aij(λ)=aij(0)λ0+aij(1)λ1+⋯+aij(L)λL
其中
i
=
1
,
2
,
⋯
,
m
,
j
=
1
,
2
,
⋯
,
n
i=1,2,\cdots,m,j=1,2,\cdots,n
i=1,2,⋯,m,j=1,2,⋯,n
令
A
r
=
(
a
11
(
r
)
⋯
a
1
n
(
r
)
⋮
⋮
a
m
1
(
r
)
⋯
a
m
n
(
r
)
)
(
r
=
1
,
2
,
⋯
,
L
)
A_r= \begin{pmatrix} a_{11}^{(r)}&\cdots&a_{1n}^{(r)}\\ \vdots& &\vdots\\ a_{m1}^{(r)}&\cdots&a_{mn}^{(r)}\\ \end{pmatrix}(r=1,2,\cdots,L)
Ar=⎝⎜⎜⎛a11(r)⋮am1(r)⋯⋯a1n(r)⋮amn(r)⎠⎟⎟⎞(r=1,2,⋯,L)
A
L
A_L
AL不是零矩阵,于是
A
(
λ
)
A(\lambda)
A(λ)可以表示为
A
(
λ
)
=
A
0
+
A
1
λ
+
⋯
+
A
L
λ
L
A(\lambda)=A_0+A_1\lambda+\cdots+A_L \lambda^L
A(λ)=A0+A1λ+⋯+ALλL
称为
A
(
λ
)
A(\lambda)
A(λ)的多项式表示,
A
L
A_L
AL称为
A
(
λ
)
A(\lambda)
A(λ)的首项系数
如果
A
L
=
±
I
n
A_L=\pm I_n
AL=±In,则称
A
(
λ
)
A(\lambda)
A(λ)首项系数为
1
1
1
引理
设
A
(
λ
)
A(\lambda)
A(λ)和
B
(
λ
)
B(\lambda)
B(λ)分别为
L
L
L次和
m
m
m次的
n
n
n阶
λ
\lambda
λ矩阵,即
A
(
λ
)
=
∑
i
=
0
L
A
i
λ
i
,
B
(
λ
)
=
∑
i
=
0
m
B
i
λ
i
A(\lambda)=\sum_{i=0}^{L}A_i\lambda^i,B(\lambda)=\sum_{i=0}^{m}B_i\lambda^i
A(λ)=i=0∑LAiλi,B(λ)=i=0∑mBiλi
且
B
(
λ
)
B(\lambda)
B(λ)的首项系数
B
m
B_m
Bm可逆,即
d
e
t
B
m
≠
0
det B_m\neq 0
detBm=0,则
存在
λ
\lambda
λ矩阵
Q
(
λ
)
,
Q
′
(
λ
)
Q(\lambda),Q'(\lambda)
Q(λ),Q′(λ)和
R
(
λ
)
,
R
′
(
λ
)
R(\lambda),R'(\lambda)
R(λ),R′(λ)使得
A
(
λ
)
=
Q
(
λ
)
B
(
λ
)
+
R
(
λ
)
A(\lambda)=Q(\lambda)B(\lambda)+R(\lambda)
A(λ)=Q(λ)B(λ)+R(λ)
或者
A
(
λ
)
=
B
(
λ
)
Q
′
(
λ
)
+
R
′
(
λ
)
A(\lambda)=B(\lambda)Q'(\lambda)+R'(\lambda)
A(λ)=B(λ)Q′(λ)+R′(λ)
其中
R
(
λ
)
≡
0
,
R
′
(
λ
)
≡
0
R(\lambda)\equiv 0,R'(\lambda)\equiv 0
R(λ)≡0,R′(λ)≡0或者
d
e
g
R
(
λ
)
<
m
,
d
e
g
R
′
(
λ
)
<
m
degR(\lambda)<m,degR'(\lambda)<m
degR(λ)<m,degR′(λ)<m
证明:
若
L
<
m
L<m
L<m则
Q
(
λ
)
=
0
,
R
(
λ
)
=
A
(
λ
)
Q(\lambda)=0,R(\lambda)=A(\lambda)
Q(λ)=0,R(λ)=A(λ),成立
若
L
≥
m
L\ge m
L≥m
B
m
−
1
λ
−
m
B
(
λ
)
=
I
+
λ
−
1
B
m
−
1
B
m
−
1
+
λ
−
2
B
m
−
1
B
m
−
2
+
⋯
+
λ
−
m
+
1
B
m
−
1
B
1
+
λ
−
m
B
m
−
1
B
0
\begin{aligned} B_m^{-1}\lambda^{-m}B(\lambda)&=I+\lambda^{-1}B_{m}^{-1}B_{m-1}+\lambda^{-2}B_m^{-1}B_{m-2}+\cdots +\\ &\quad \lambda^{-m+1}B_m^{-1}B_1+\lambda^{-m}B_m^{-1}B_0 \end{aligned}
Bm−1λ−mB(λ)=I+λ−1Bm−1Bm−1+λ−2Bm−1Bm−2+⋯+λ−m+1Bm−1B1+λ−mBm−1B0
所以
λ
L
I
=
B
m
−
1
λ
L
−
m
B
(
λ
)
−
λ
L
−
1
B
m
−
1
B
m
−
1
−
λ
L
−
2
B
m
−
1
B
m
−
2
−
⋯
−
λ
L
−
m
+
1
B
m
−
1
B
1
−
λ
L
−
m
B
m
−
1
B
0
\begin{aligned} \lambda^LI&=B_m^{-1}\lambda^{L-m}B(\lambda)-\lambda^{L-1}B_{m}^{-1}B_{m-1}-\lambda^{L-2}B_m^{-1}B_{m-2}-\cdots -\\ &\quad \lambda^{L-m+1}B_m^{-1}B_1-\lambda^{L-m}B_m^{-1}B_0 \end{aligned}
λLI=Bm−1λL−mB(λ)−λL−1Bm−1Bm−1−λL−2Bm−1Bm−2−⋯−λL−m+1Bm−1B1−λL−mBm−1B0
于是
A
(
λ
)
=
A
L
λ
L
+
A
L
−
1
λ
L
−
1
+
⋯
+
A
1
λ
+
A
0
=
A
L
(
B
m
−
1
λ
L
−
m
B
(
λ
)
−
λ
L
−
1
B
m
−
1
B
m
−
1
−
λ
L
−
2
B
m
−
1
B
m
−
2
−
⋯
−
λ
L
−
m
+
1
B
m
−
1
B
1
−
λ
L
−
m
B
m
−
1
B
0
)
+
A
L
−
1
λ
L
−
1
+
⋯
+
A
1
λ
+
A
0
=
A
L
B
m
−
1
λ
L
−
m
B
(
λ
)
+
A
(
1
)
(
λ
)
\begin{aligned} A(\lambda)&=A_L \lambda^L+A_{L-1}\lambda^{L-1}+\cdots+A_1\lambda+A_0\\ &=A_L(B_m^{-1}\lambda^{L-m}B(\lambda)-\lambda^{L-1}B_{m}^{-1}B_{m-1}-\lambda^{L-2}B_m^{-1}B_{m-2}-\cdots -\\ &\quad \lambda^{L-m+1}B_m^{-1}B_1-\lambda^{L-m}B_m^{-1}B_0)+A_{L-1}\lambda^{L-1}+\cdots+A_1\lambda+A_0\\ &=A_LB_m^{-1}\lambda^{L-m}B(\lambda)+A^{(1)}(\lambda) \end{aligned}
A(λ)=ALλL+AL−1λL−1+⋯+A1λ+A0=AL(Bm−1λL−mB(λ)−λL−1Bm−1Bm−1−λL−2Bm−1Bm−2−⋯−λL−m+1Bm−1B1−λL−mBm−1B0)+AL−1λL−1+⋯+A1λ+A0=ALBm−1λL−mB(λ)+A(1)(λ)
其中
A
(
1
)
(
λ
)
A^{(1)}(\lambda)
A(1)(λ)的次数
L
1
≤
L
−
1
L_1\le L-1
L1≤L−1,且
A
(
1
)
(
λ
)
=
A
L
1
(
1
)
λ
L
1
+
⋯
+
A
1
(
1
)
λ
1
+
A
0
(
1
)
A^{(1)}(\lambda)=A_{L_1}^{(1)}\lambda^{L_1}+\cdots+A_{1}^{(1)}\lambda^{1}+A_{0}^{(1)}
A(1)(λ)=AL1(1)λL1+⋯+A1(1)λ1+A0(1)
其中
A
L
1
(
1
)
≠
0
A_{L_1}^{(1)}\neq 0
AL1(1)=0,
L
1
<
L
L_1<L
L1<L,若
L
1
>
m
L_1 >m
L1>m,类似上面的步骤可得
A
(
2
)
(
λ
)
=
A
L
2
(
2
)
λ
L
1
+
⋯
+
A
1
(
2
)
λ
1
+
A
0
(
2
)
A^{(2)}(\lambda)=A_{L_2}^{(2)}\lambda^{L_1}+\cdots+A_{1}^{(2)}\lambda^{1}+A_{0}^{(2)}
A(2)(λ)=AL2(2)λL1+⋯+A1(2)λ1+A0(2)
其中
A
(
2
)
(
λ
)
A^{(2)}(\lambda)
A(2)(λ)的次数
L
2
≤
L
1
L_2\le L_1
L2≤L1
继续进行下去,可得到一组
λ
\lambda
λ矩阵
A
(
λ
)
,
A
(
1
)
(
λ
)
,
⋯
,
A
(
r
)
(
λ
)
A(\lambda),A^{(1)}(\lambda),\cdots,A^{(r)}(\lambda)
A(λ),A(1)(λ),⋯,A(r)(λ)
他们的次数越来越低,所以
A
(
r
)
(
λ
)
A^{(r)}(\lambda)
A(r)(λ)的次数
L
r
<
m
L_r<m
Lr<m,而
L
r
−
1
≥
m
L_{r-1}\ge m
Lr−1≥m
若记
A
(
λ
)
=
A
(
0
)
(
λ
)
A(\lambda)=A^{(0)}(\lambda)
A(λ)=A(0)(λ),则
A
(
i
−
1
)
(
λ
)
=
A
L
1
(
1
)
B
m
−
1
λ
L
i
−
1
−
m
B
(
λ
)
+
A
(
r
)
(
λ
)
(
i
=
1
,
2
,
⋯
,
r
)
A^{(i-1)}(\lambda)=A_{L_1}^{(1)}B_m^{-1}\lambda^{L_{i-1}-m}B(\lambda)+A^{(r)}(\lambda)(i=1,2,\cdots,r)
A(i−1)(λ)=AL1(1)Bm−1λLi−1−mB(λ)+A(r)(λ)(i=1,2,⋯,r)
最后
A
(
λ
)
=
(
A
L
B
m
−
1
λ
L
−
m
+
A
L
1
(
1
)
B
m
−
1
λ
L
1
−
m
+
⋯
+
A
L
r
−
1
(
r
−
1
)
B
m
−
1
λ
L
r
−
1
−
m
)
B
(
λ
)
+
A
(
r
)
(
λ
)
=
Q
(
λ
)
B
(
λ
)
+
R
(
λ
)
\begin{aligned} &\quad A(\lambda)\\ &=(A_{L} B_m^{-1}\lambda^{L-m}+A_{L_1}^{(1)} B_m^{-1}\lambda^{L_{1}-m}+\cdots +A_{L_{r-1}}^{(r-1)} B_m^{-1}\lambda^{L_{r-1}-m})B(\lambda)+A^{(r)}(\lambda)\\ &=Q(\lambda)B(\lambda)+R(\lambda) \end{aligned}
A(λ)=(ALBm−1λL−m+AL1(1)Bm−1λL1−m+⋯+ALr−1(r−1)Bm−1λLr−1−m)B(λ)+A(r)(λ)=Q(λ)B(λ)+R(λ)
相似充要条件是对应特征矩阵相抵
矩阵 A ∼ B A\sim B A∼B的充要条件为他们对应的特征矩阵 λ I − A ≃ λ I − B \lambda I-A \simeq \lambda I-B λI−A≃λI−B
证明:
必要性:
A
∼
B
A\sim B
A∼B则存在满秩的矩阵
C
C
C,使得
C
−
1
A
C
=
B
C^{-1}AC=B
C−1AC=B
λ
I
−
B
=
λ
C
−
1
C
−
C
−
1
A
C
=
C
−
1
(
λ
I
−
A
)
C
\lambda I-B=\lambda C^{-1}C-C^{-1}AC=C^{-1}(\lambda I-A)C
λI−B=λC−1C−C−1AC=C−1(λI−A)C
所以
λ
I
−
A
\lambda I-A
λI−A与
λ
I
−
B
\lambda I-B
λI−B相似,也相抵
充分性:
λ
I
−
A
≃
λ
I
−
B
\lambda I-A \simeq \lambda I-B
λI−A≃λI−B,存在可逆矩阵
U
(
λ
)
,
V
(
λ
)
U(\lambda),V(\lambda)
U(λ),V(λ),使得
λ
I
−
A
=
U
(
λ
)
(
λ
I
−
B
)
V
(
λ
)
\lambda I-A = U(\lambda)(\lambda I -B)V(\lambda)
λI−A=U(λ)(λI−B)V(λ)
或者
U
−
1
(
λ
)
(
λ
I
−
A
)
=
(
λ
I
−
B
)
V
(
λ
)
U^{-1}(\lambda)(\lambda I-A) = (\lambda I -B)V(\lambda)
U−1(λ)(λI−A)=(λI−B)V(λ)
注意这里
A
,
B
A,B
A,B是数字矩阵
所以
λ
I
−
A
,
λ
I
−
B
\lambda I-A,\lambda I-B
λI−A,λI−B都是一次的
λ
\lambda
λ矩阵,首项系数为1
根据刚才的引理
U
(
λ
)
=
(
λ
I
−
A
)
Q
(
λ
)
+
U
0
U(\lambda)=(\lambda I-A)Q(\lambda)+U_0
U(λ)=(λI−A)Q(λ)+U0
V
(
λ
)
=
R
(
λ
)
(
λ
I
−
A
)
+
V
0
V(\lambda)=R(\lambda)(\lambda I -A)+V_0
V(λ)=R(λ)(λI−A)+V0
因为
λ
I
−
A
,
λ
I
−
B
\lambda I-A,\lambda I-B
λI−A,λI−B都是一次的
λ
\lambda
λ矩阵,所以
U
0
,
V
0
U_0,V_0
U0,V0都是数字矩阵
U
−
1
(
λ
)
(
λ
I
−
A
)
=
(
λ
I
−
B
)
V
(
λ
)
U
−
1
(
λ
)
(
λ
I
−
A
)
=
(
λ
I
−
B
)
(
R
(
λ
)
(
λ
I
−
A
)
+
V
0
)
U
−
1
(
λ
)
(
λ
I
−
A
)
=
(
λ
I
−
B
)
R
(
λ
)
(
λ
I
−
A
)
+
(
λ
I
−
B
)
V
0
(
U
−
1
(
λ
)
−
(
λ
I
−
B
)
R
(
λ
)
)
(
λ
I
−
A
)
=
(
λ
I
−
B
)
V
0
\begin{aligned} U^{-1}(\lambda)(\lambda I-A) &= (\lambda I -B)V(\lambda)\\ U^{-1}(\lambda)(\lambda I-A) &= (\lambda I -B)(R(\lambda)(\lambda I -A)+V_0)\\ U^{-1}(\lambda)(\lambda I-A) &= (\lambda I -B)R(\lambda)(\lambda I -A)+(\lambda I -B)V_0\\ (U^{-1}(\lambda)-(\lambda I -B)R(\lambda))(\lambda I-A) &= (\lambda I -B)V_0\\ \end{aligned}
U−1(λ)(λI−A)U−1(λ)(λI−A)U−1(λ)(λI−A)(U−1(λ)−(λI−B)R(λ))(λI−A)=(λI−B)V(λ)=(λI−B)(R(λ)(λI−A)+V0)=(λI−B)R(λ)(λI−A)+(λI−B)V0=(λI−B)V0
(
λ
I
−
B
)
V
0
(\lambda I -B)V_0
(λI−B)V0是一个1次的
λ
\lambda
λ矩阵
所以左边也应该是
所以
C
=
U
−
1
(
λ
)
−
(
λ
I
−
B
)
R
(
λ
)
C=U^{-1}(\lambda)-(\lambda I -B)R(\lambda)
C=U−1(λ)−(λI−B)R(λ)为一个数字矩阵
C
(
λ
I
−
A
)
=
(
λ
I
−
B
)
V
0
C(\lambda I-A)=(\lambda I-B)V_0
C(λI−A)=(λI−B)V0
现在试着证明
C
=
U
0
−
1
C=U_0^{-1}
C=U0−1
C
=
U
−
1
(
λ
)
−
(
λ
I
−
B
)
R
(
λ
)
U
(
λ
)
C
=
I
−
U
(
λ
)
(
λ
I
−
B
)
R
(
λ
)
I
=
U
(
λ
)
C
+
U
(
λ
)
(
λ
I
−
B
)
R
(
λ
)
I
=
U
(
λ
)
C
+
U
(
λ
)
U
−
1
(
λ
)
(
λ
I
−
A
)
V
−
1
(
λ
)
R
(
λ
)
I
=
(
(
λ
I
−
A
)
Q
(
λ
)
+
U
0
)
C
+
(
λ
I
−
A
)
V
−
1
(
λ
)
R
(
λ
)
I
=
U
0
C
+
(
λ
I
−
A
)
(
Q
(
λ
)
+
V
−
1
(
λ
)
R
(
λ
)
)
\begin{aligned} C&=U^{-1}(\lambda)-(\lambda I -B)R(\lambda)\\ U(\lambda)C&=I-U(\lambda)(\lambda I -B)R(\lambda)\\ I&=U(\lambda)C+U(\lambda)(\lambda I -B)R(\lambda)\\ I&=U(\lambda)C+U(\lambda)U^{-1}(\lambda)(\lambda I-A)V^{-1}(\lambda)R(\lambda)\\ I&=((\lambda I-A)Q(\lambda)+U_0)C+(\lambda I-A)V^{-1}(\lambda)R(\lambda)\\ I&=U_0 C+(\lambda I-A)(Q(\lambda)+V^{-1}(\lambda)R(\lambda)) \end{aligned}
CU(λ)CIIII=U−1(λ)−(λI−B)R(λ)=I−U(λ)(λI−B)R(λ)=U(λ)C+U(λ)(λI−B)R(λ)=U(λ)C+U(λ)U−1(λ)(λI−A)V−1(λ)R(λ)=((λI−A)Q(λ)+U0)C+(λI−A)V−1(λ)R(λ)=U0C+(λI−A)(Q(λ)+V−1(λ)R(λ))
比较次数得
I
=
U
0
C
I=U_0 C
I=U0C
即
C
C
C可逆,
C
=
U
0
−
1
C=U_0^{-1}
C=U0−1
C
(
λ
I
−
A
)
=
(
λ
I
−
B
)
V
0
U
0
−
1
(
λ
I
−
A
)
=
(
λ
I
−
B
)
V
0
λ
I
−
A
=
U
0
(
λ
I
−
B
)
V
0
λ
I
−
A
=
λ
U
0
V
0
−
U
0
B
V
0
\begin{aligned} C(\lambda I-A)&=(\lambda I-B)V_0\\ U_0^{-1}(\lambda I-A)&=(\lambda I-B)V_0\\ \lambda I-A&=U_0(\lambda I-B)V_0\\ \lambda I-A&=\lambda U_0 V_0 -U_0 BV_0\\ \end{aligned}
C(λI−A)U0−1(λI−A)λI−AλI−A=(λI−B)V0=(λI−B)V0=U0(λI−B)V0=λU0V0−U0BV0
比较次数得
I
=
U
0
V
0
⇒
V
0
=
U
0
−
1
I=U_0 V_0\Rightarrow V_0=U_0^{-1}
I=U0V0⇒V0=U0−1
A
=
U
0
B
V
0
⇒
A
=
U
0
B
U
0
−
1
A=U_0 BV_0\Rightarrow A=U_0 B U_0^{-1}
A=U0BV0⇒A=U0BU0−1
即
A
∼
B
A\sim B
A∼B
证毕
所以 A ∼ B A\sim B A∼B的问题可以转为他们的特征矩阵的相抵问题
n阶矩阵相似于若尔当矩阵
每个 n n n阶矩阵 A A A都与一个若尔当标准形 J J J相似,且这个若尔当标准形在不计其中的若尔当块的排列次序时,完全由矩阵 A A A唯一决定
证明:
设
n
n
n阶矩阵
A
A
A的特征矩阵
λ
I
−
A
\lambda I-A
λI−A的初等因子为
(
λ
−
λ
1
)
m
1
,
(
λ
−
λ
2
)
m
2
,
⋯
,
(
λ
−
λ
t
)
m
t
(\lambda-\lambda_1)^{m_1},(\lambda-\lambda_2)^{m_2},\cdots,(\lambda-\lambda_t)^{m_t}
(λ−λ1)m1,(λ−λ2)m2,⋯,(λ−λt)mt
其中
λ
1
,
λ
2
,
⋯
,
λ
t
\lambda_1,\lambda_2,\cdots,\lambda_t
λ1,λ2,⋯,λt中可能有相同的值,指数
m
1
,
⋯
,
m
t
m_1,\cdots,m_t
m1,⋯,mt中也可能有相同的值,但是总有
∑
i
=
1
t
m
i
=
n
\sum_{i=1}^{t}m_i=n
i=1∑tmi=n
(因为初等因子都是从不变因子中来的,初等因子相乘=不变因子相乘,不变因子相乘=n阶行列式因子,也就是特征多项式,特征多项式可以的指数加起来就是n)
m
i
m_i
mi阶若尔当块
J
i
J_i
Ji的特征矩阵
λ
I
−
J
i
\lambda I-J_i
λI−Ji的初等因子为
(
λ
−
λ
i
)
m
i
(\lambda-\lambda_i)^{m_i}
(λ−λi)mi,换言之,
λ
I
−
A
\lambda I-A
λI−A的每一个初等因子
(
λ
−
λ
i
)
m
i
(\lambda-\lambda_i)^{m_i}
(λ−λi)mi对应一个若尔当块
J
i
J_i
Ji,其阶数为
m
i
m_i
mi,那么,这些若尔当块构成一个若尔当标准型
J
J
J,而
J
J
J的特征矩阵
λ
I
−
J
\lambda I-J
λI−J的初等因子是把各个若尔当块的初等因子合在一起构成的,即
λ
I
−
J
\lambda I-J
λI−J的全部初等因子也为
(
λ
−
λ
1
)
m
1
,
(
λ
−
λ
2
)
m
2
,
⋯
,
(
λ
−
λ
t
)
m
t
(\lambda-\lambda_1)^{m_1},(\lambda-\lambda_2)^{m_2},\cdots,(\lambda-\lambda_t)^{m_t}
(λ−λ1)m1,(λ−λ2)m2,⋯,(λ−λt)mt
也就是说
λ
I
−
A
\lambda I-A
λI−A与
λ
I
−
J
\lambda I-J
λI−J有相同的初等因子,秩也想等,于是
λ
I
−
A
≃
λ
I
−
J
\lambda I-A \simeq \lambda I-J
λI−A≃λI−J
再根据刚刚的定理
A
∼
J
A\sim J
A∼J
如果还有若尔当标准形 J ′ J' J′,使得 J ′ ∼ A J' \sim A J′∼A,则也具有相同的初等因子,因此在不计若尔当块的排序顺序时,是唯一的
复数域再说吧
推论
矩阵 A A A可以相似对角化的充要条件是 A A A的初等因子全部为一次式
利用初等因子求若尔当标准形
求若尔当标准形
第一步:
找出
n
n
n阶方阵
A
=
(
a
i
j
)
A=(a_{ij})
A=(aij)的特征矩阵
λ
I
−
A
\lambda I-A
λI−A的初等因子:
(
λ
−
λ
1
)
m
1
,
(
λ
−
λ
2
)
m
2
,
⋯
,
(
λ
−
λ
t
)
m
t
(\lambda-\lambda_1)^{m_1},(\lambda-\lambda_2)^{m_2},\cdots,(\lambda-\lambda_t)^{m_t}
(λ−λ1)m1,(λ−λ2)m2,⋯,(λ−λt)mt
第二步:
写出初等因子
(
λ
−
λ
i
)
m
i
(
i
=
1
,
2
,
⋯
,
t
)
(\lambda-\lambda_i)^{m_i}(i=1,2,\cdots,t)
(λ−λi)mi(i=1,2,⋯,t)对应的若尔当块
J
i
=
(
λ
i
1
λ
i
1
⋱
⋱
λ
i
1
λ
i
)
m
i
×
m
i
J_i= \begin{pmatrix} \lambda_i&1&&&\\ &\lambda_i&1&&\\ &&\ddots&\ddots&\\ &&&\lambda_i&1\\ &&&&\lambda_i\\ \end{pmatrix}_{m_i\times m_i}
Ji=⎝⎜⎜⎜⎜⎛λi1λi1⋱⋱λi1λi⎠⎟⎟⎟⎟⎞mi×mi
第三步:
写出这些块构成的若尔当标准形
J
=
(
J
1
J
2
⋱
J
t
)
n
×
n
J= \begin{pmatrix} J_1&&&\\ &J_2&&\\ &&\ddots&\\ &&&J_t\\ \end{pmatrix}_{n\times n}
J=⎝⎜⎜⎛J1J2⋱Jt⎠⎟⎟⎞n×n
求变化矩阵
设
C
−
1
A
C
=
J
C^{-1}AC=J
C−1AC=J
则
A
C
=
J
C
AC=JC
AC=JC
C
=
(
x
1
,
x
2
,
⋯
,
x
n
)
C=(x_1,x_2,\cdots,x_n)
C=(x1,x2,⋯,xn)
两边对照一下,列出方程组,即可求出
C
C
C
设
λ
1
\lambda_1
λ1是
A
A
A的
k
k
k重特征值,则
{
(
λ
1
I
−
A
)
x
1
=
0
(
λ
1
I
−
A
)
x
i
=
−
x
i
−
1
(
i
=
2
,
3
,
⋯
,
k
)
\begin{cases} (\lambda_1 I -A)x_1=0\\ (\lambda_1 I -A)x_i=-x_{i-1}(i=2,3,\cdots,k) \end{cases}
{(λ1I−A)x1=0(λ1I−A)xi=−xi−1(i=2,3,⋯,k)
这样得到的
x
1
,
x
2
,
⋯
,
x
k
x_1,x_2,\cdots,x_k
x1,x2,⋯,xk线性无关
(证明不会)
x
2
,
⋯
,
x
k
x_2,\cdots,x_k
x2,⋯,xk称为广义特征向量
凯莱-哈密顿定理与最小多项式
凯莱-哈密顿定理
凯莱-哈密顿(Cayley-Hamilton)定理:
设
A
A
A是
n
n
n阶方阵,
f
(
λ
)
f(\lambda)
f(λ)是
A
A
A的特征多项式,则
f
(
A
)
=
0
f(A)=0
f(A)=0
证明:
考虑特征矩阵的伴随矩阵,因为伴随矩阵每个元素都是
n
−
1
n-1
n−1阶行列式,所以
λ
\lambda
λ的次数不会超过
n
−
1
n-1
n−1,可以表示为
(
λ
I
−
A
)
∗
=
C
1
λ
n
−
1
+
C
2
λ
n
−
2
+
⋯
+
C
n
−
1
λ
+
C
n
(\lambda I-A)^{*}=C_1 \lambda^{n-1}+C_2 \lambda^{n-2}+ \cdots+ C_{n-1}\lambda+C_n
(λI−A)∗=C1λn−1+C2λn−2+⋯+Cn−1λ+Cn
其中
C
i
(
i
=
1
,
2
,
⋯
,
n
)
C_i(i=1,2,\cdots,n)
Ci(i=1,2,⋯,n)都是
n
n
n阶数字矩阵
(
λ
I
−
A
)
(
λ
I
−
A
)
∗
=
f
(
λ
)
I
(
λ
I
−
A
)
(
C
1
λ
n
−
1
+
⋯
+
C
n
)
=
I
λ
n
+
a
1
I
λ
n
−
1
+
⋯
a
n
I
\begin{aligned} (\lambda I-A)(\lambda I-A)^{*} &=f(\lambda) I\\ (\lambda I-A)(C_1 \lambda^{n-1}+\cdots + C_n)&=I \lambda^{n}+a_1 I \lambda^{n-1}+\cdots a_n I \end{aligned}
(λI−A)(λI−A)∗(λI−A)(C1λn−1+⋯+Cn)=f(λ)I=Iλn+a1Iλn−1+⋯anI
比较系数得
C
1
=
I
C
2
−
A
C
1
=
a
1
I
C
3
−
A
C
2
=
a
2
I
⋯
C
n
−
A
C
n
−
1
=
a
n
−
1
I
−
A
C
n
=
a
n
I
C_1= I\\ C_2-AC_1=a_1 I\\ C_3-AC_2=a_2 I\\ \cdots\\ C_n -A C_{n-1}=a_{n-1} I\\ -AC_n=a_n I
C1=IC2−AC1=a1IC3−AC2=a2I⋯Cn−ACn−1=an−1I−ACn=anI
A
n
C
1
+
A
n
−
1
(
C
2
−
A
C
1
)
+
⋯
+
A
(
C
n
−
A
C
n
−
1
)
−
A
C
n
=
0
A
n
I
+
a
1
A
n
−
1
+
⋯
a
n
−
1
A
+
a
n
I
=
f
(
A
)
\begin{aligned} A^n C_1+A^{n-1}(C_2-AC_1)+\cdots+A(C_n-AC_{n-1})-AC_n&=0\\ A^n I+a_1A^{n-1}+\cdots a_{n-1} A+a_n I &=f(A) \end{aligned}
AnC1+An−1(C2−AC1)+⋯+A(Cn−ACn−1)−ACnAnI+a1An−1+⋯an−1A+anI=0=f(A)
所以
f
(
A
)
=
0
f(A)=0
f(A)=0
化零多项式
设 A A A是 n n n阶矩阵,如果存在多项式 ϕ ( λ ) = 0 \phi(\lambda)=0 ϕ(λ)=0,则称 ϕ ( λ ) \phi(\lambda) ϕ(λ)为 A A A的化零多项式
(化零多项式不一定就是特征多项式)
最小多项式
n n n阶方阵 A A A的所有化零多项式中,次数最低且首项系数为1的多项式称为 A A A的最小多项式,记为 m ( λ ) m(\lambda) m(λ)
定理1
多项式 ϕ ( λ ) \phi(\lambda) ϕ(λ)是矩阵 A A A的化零多项式的充要条件是 m ( λ ) ∣ ϕ ( λ ) m(\lambda) \mid \phi(\lambda) m(λ)∣ϕ(λ)
证明:
设
ϕ
(
λ
)
\phi(\lambda)
ϕ(λ)是
A
A
A的化零多项式,其次数自然不必
m
(
λ
)
m(\lambda)
m(λ)的次数低
ϕ
(
λ
)
=
q
(
λ
)
m
(
λ
)
+
r
(
λ
)
\phi(\lambda)=q(\lambda)m(\lambda)+r(\lambda)
ϕ(λ)=q(λ)m(λ)+r(λ)
其中
r
(
λ
)
≡
0
r(\lambda)\equiv 0
r(λ)≡0或者
r
(
λ
)
r(\lambda)
r(λ)的次数低于
m
(
λ
)
m(\lambda)
m(λ)的次数
ϕ
(
A
)
=
q
(
A
)
m
(
A
)
+
r
(
A
)
\phi(A)=q(A)m(A)+r(A)
ϕ(A)=q(A)m(A)+r(A)
ϕ
(
A
)
=
0
,
m
(
A
)
=
0
⇒
r
(
A
)
=
0
\phi(A)=0,m(A)=0\Rightarrow r(A)=0
ϕ(A)=0,m(A)=0⇒r(A)=0
如果
r
(
A
)
≢
0
r(A)\not\equiv 0
r(A)≡0,则
r
(
λ
)
r(\lambda)
r(λ)的次数比
m
(
λ
)
m(\lambda)
m(λ)低,矛盾
所以
r
(
A
)
≡
0
⇒
m
(
λ
)
∣
ϕ
(
λ
)
r(A)\equiv 0\Rightarrow m(\lambda) \mid \phi(\lambda)
r(A)≡0⇒m(λ)∣ϕ(λ)
定理2
相似矩阵有相同的最小多项式
证明:
设
A
∼
B
A\sim B
A∼B,则存在可逆矩阵
P
P
P,使得
A
=
P
−
1
B
P
A=P^{-1}BP
A=P−1BP
若
f
(
B
)
=
0
f(B)=0
f(B)=0
f
(
A
)
=
f
(
P
−
1
B
P
)
=
P
−
1
f
(
B
)
P
=
0
f(A)=f(P^{-1}BP)=P^{-1}f(B)P=0
f(A)=f(P−1BP)=P−1f(B)P=0
(注意,有相同的最小多项式也不一定相似)
定理3
n
n
n阶矩阵
A
A
A的最小多项式等于他的特征矩阵
λ
I
−
A
\lambda I-A
λI−A中的第
n
n
n个不变因子
d
n
(
λ
)
d_n(\lambda)
dn(λ),因而
f
(
λ
)
m
(
λ
)
=
d
e
t
(
λ
I
−
A
)
m
(
λ
)
=
d
e
t
(
λ
I
−
A
)
d
n
(
λ
)
=
D
n
−
1
(
λ
)
\frac{f(\lambda)}{m(\lambda)}=\frac{det(\lambda I-A)}{m(\lambda)}=\frac{det(\lambda I-A)}{d_n(\lambda)}=D_{n-1}(\lambda)
m(λ)f(λ)=m(λ)det(λI−A)=dn(λ)det(λI−A)=Dn−1(λ)
证明:
再说
推论1
方阵 A A A的特征多项式的根必然是其最小多项式的根
证明:
λ
I
−
A
≃
d
i
a
g
(
d
1
(
λ
)
,
d
2
(
λ
)
,
⋯
,
d
n
(
λ
)
)
\lambda I-A \simeq diag(d_1(\lambda),d_2(\lambda),\cdots, d_n(\lambda))
λI−A≃diag(d1(λ),d2(λ),⋯,dn(λ))
于是
f
(
λ
)
=
d
e
t
(
λ
I
−
A
)
=
d
1
(
λ
)
d
2
(
λ
)
⋯
d
n
(
λ
)
f(\lambda)=det(\lambda I-A)=d_1(\lambda)d_2(\lambda)\cdots d_n(\lambda)
f(λ)=det(λI−A)=d1(λ)d2(λ)⋯dn(λ)
f
(
λ
i
)
=
0
⇒
d
j
(
λ
i
)
=
0
⇒
d
n
(
λ
)
=
0
⇒
m
(
λ
i
)
=
0
f(\lambda_i)=0\Rightarrow d_j(\lambda_i)=0\Rightarrow d_n(\lambda)=0 \Rightarrow m(\lambda_i)=0
f(λi)=0⇒dj(λi)=0⇒dn(λ)=0⇒m(λi)=0
推论2
若矩阵 A A A的特征值互异,则他们的最小多项式就是特征多项式
证明:
f
(
λ
)
=
(
λ
−
λ
1
)
m
1
⋯
(
λ
−
λ
t
)
m
t
f(\lambda)=(\lambda-\lambda_1)^{m_1}\cdots (\lambda-\lambda_t)^{m_t}
f(λ)=(λ−λ1)m1⋯(λ−λt)mt
其中
∑
i
=
1
t
m
i
=
n
>
0
\sum_{i=1}^{t}m_i=n>0
∑i=1tmi=n>0,当
m
i
≠
m
j
m_i\neq m_j
mi=mj时,
λ
i
≠
λ
j
\lambda_i\neq \lambda_j
λi=λj
m
(
λ
)
=
(
λ
−
λ
1
)
l
1
⋯
(
λ
−
λ
t
)
l
t
m(\lambda)=(\lambda-\lambda_1)^{l_1}\cdots (\lambda-\lambda_t)^{l_t}
m(λ)=(λ−λ1)l1⋯(λ−λt)lt
其中
1
≤
l
i
≤
m
i
(
i
=
1
,
2
,
⋯
,
t
)
1\le l_i \le m_i(i=1,2,\cdots,t)
1≤li≤mi(i=1,2,⋯,t)
m
i
=
1
⇒
l
i
=
1
⇒
f
(
λ
)
=
m
(
λ
)
m_i=1\Rightarrow l_i=1\Rightarrow f(\lambda)=m(\lambda)
mi=1⇒li=1⇒f(λ)=m(λ)
定理4
块对角矩阵 A = d i a g ( A 1 , ⋯ , A s ) A=diag(A_1,\cdots,A_s) A=diag(A1,⋯,As)的最小多项式等于其诸对角块的最小多项式的最小公倍式
证明:
设
A
i
A_i
Ai的最小多项式是
m
i
(
i
=
1
,
2
,
⋯
,
s
)
m_i(i=1,2,\cdots,s)
mi(i=1,2,⋯,s),对于任意的多项式
ϕ
(
λ
)
\phi(\lambda)
ϕ(λ)
ϕ
(
A
)
=
d
i
a
g
(
ϕ
(
A
1
)
,
⋯
,
ϕ
(
A
s
)
)
\phi(A)=diag(\phi(A_1),\cdots,\phi(A_s))
ϕ(A)=diag(ϕ(A1),⋯,ϕ(As))
如果
ϕ
(
λ
)
\phi(\lambda)
ϕ(λ)为
A
A
A的化零多项式,则
ϕ
(
λ
)
\phi(\lambda)
ϕ(λ)必为
A
i
(
i
=
1
,
⋯
,
s
)
A_i(i=1,\cdots,s)
Ai(i=1,⋯,s)的化零多项式,从而
m
i
(
λ
)
∣
ϕ
(
λ
)
(
i
=
1
,
⋯
,
s
)
m_i(\lambda)\mid \phi(\lambda)(i=1,\cdots,s)
mi(λ)∣ϕ(λ)(i=1,⋯,s)
从而
ϕ
(
λ
)
\phi(\lambda)
ϕ(λ)是
m
1
(
λ
)
,
⋯
,
m
s
(
λ
)
m_1(\lambda),\cdots,m_s(\lambda)
m1(λ),⋯,ms(λ)的公倍式
反过来,
ϕ
(
λ
)
\phi(\lambda)
ϕ(λ)为
m
1
(
λ
)
,
⋯
,
m
s
(
λ
)
m_1(\lambda),\cdots,m_s(\lambda)
m1(λ),⋯,ms(λ)的任一公倍式,则
ϕ
(
A
i
)
=
0
(
i
=
1
,
⋯
,
s
)
\phi(A_i)=0(i=1,\cdots ,s)
ϕ(Ai)=0(i=1,⋯,s),从而
ϕ
(
A
)
=
0
\phi(A)=0
ϕ(A)=0,因此
A
A
A的最小多项式为
m
1
(
λ
)
,
⋯
,
m
s
(
λ
)
m_1(\lambda),\cdots,m_s(\lambda)
m1(λ),⋯,ms(λ)的公倍式中次数最低的
定理5
设 A ∈ C n × n A\in C^{n\times n} A∈Cn×n,则 A A A的最小多项式为 A A A的第 n n n个不变因子 d n ( λ ) d_n(\lambda) dn(λ)
证明:
A
∼
J
=
d
i
a
g
(
J
1
,
⋯
,
J
s
)
A\sim J=diag(J_1,\cdots,J_s)
A∼J=diag(J1,⋯,Js),其中
J
i
J_i
Ji为若尔当块
他们有相同的不变因子和最小多项式
所以
J
J
J的最小多项式为
J
1
,
⋯
,
J
s
J_1,\cdots,J_s
J1,⋯,Js的最小多项式的最小公倍式
而
J
i
J_i
Ji的最小多项式为
(
λ
−
λ
i
)
n
i
(
i
=
1
,
2
,
⋯
,
s
)
(\lambda-\lambda_i)^{n_i}(i=1,2,\cdots,s)
(λ−λi)ni(i=1,2,⋯,s),
而
(
λ
−
λ
1
)
n
1
,
⋯
,
(
λ
−
λ
s
)
n
s
(\lambda-\lambda_1)^{n_1},\cdots,(\lambda-\lambda_s)^{n_s}
(λ−λ1)n1,⋯,(λ−λs)ns的最小公倍数是
J
J
J的第
n
n
n个不变因子
d
n
(
λ
)
d_n(\lambda)
dn(λ)
因此
A
A
A的最小多项式为
d
n
(
λ
)
d_n(\lambda)
dn(λ)
定理6
n n n阶矩阵 A A A相似于对角矩阵的充要条件是 A A A的最小多项式 m ( λ ) m(\lambda) m(λ)没有重零点
幂零矩阵的若尔当标准形
幂零矩阵
设 A A A为一个非零的 n n n阶幂零矩阵,即存在一个正整数 m m m使 A m = 0 A^m=0 Am=0,但是 A m − 1 ≠ 0 A^{m-1}\neq 0 Am−1=0,称 m m m为 A A A的幂零指标
引理
A A A为一个幂零矩阵 ⇔ \Leftrightarrow ⇔ A A A的特征值全为0
幂零矩阵的若尔当标准形
由引理,幂零矩阵的若尔当标准型为
N
=
d
i
a
g
(
N
1
,
N
2
,
⋯
,
N
s
)
N=diag(N_1,N_2,\cdots,N_s)
N=diag(N1,N2,⋯,Ns)
N
i
=
(
0
1
0
1
⋱
⋱
⋱
1
0
)
n
i
×
n
i
N_i= \begin{pmatrix} 0&1&&&\\ &0&1&&\\ &&\ddots &\ddots &\\ &&&\ddots&1\\ &&&&0\\ \end{pmatrix}_{n_i\times n_i}
Ni=⎝⎜⎜⎜⎜⎛0101⋱⋱⋱10⎠⎟⎟⎟⎟⎞ni×ni
定理
设
n
n
n阶幂零矩阵
A
A
A的若尔当标准形如上,幂零指标为
m
m
m,则
(1)
m
=
max
{
n
i
∣
1
≤
i
≤
s
}
m=\max \{n_i \mid 1\le i \le s\}
m=max{ni∣1≤i≤s}
(2)
A
A
A的零度(即
A
A
A的零花空间的维数)等于
N
N
N中若尔当块的个数
s
s
s
(3)记
N
N
N中
k
k
k阶若尔当块的个数为
l
k
l_k
lk,
A
k
A^k
Ak的零度为
η
k
,
1
≤
k
≤
n
\eta_k,1\le k\le n
ηk,1≤k≤n,则
l
1
=
2
η
1
−
η
2
=
2
s
−
η
2
l
k
=
2
η
k
−
η
k
−
1
−
η
k
+
1
,
2
≤
k
≤
m
l_1=2\eta_1-\eta_2=2s-\eta_2\\ l_k=2\eta_k-\eta_{k-1}-\eta_{k+1},2\le k\le m
l1=2η1−η2=2s−η2lk=2ηk−ηk−1−ηk+1,2≤k≤m
证明:
(1)
A
∼
N
⇒
A
k
=
0
⇔
N
k
=
0
,
k
∈
Z
+
A\sim N\Rightarrow A^k=0 \Leftrightarrow N^k=0,k\in Z_{+}
A∼N⇒Ak=0⇔Nk=0,k∈Z+
N
k
=
d
i
a
g
(
N
1
k
,
N
2
k
,
⋯
,
N
s
k
)
N^k=diag(N_1^k,N_2^k,\cdots,N_s^k)
Nk=diag(N1k,N2k,⋯,Nsk)
且
N
i
n
i
=
0
,
N
i
n
i
−
1
≠
0
N_i^{n_i}=0,N_i^{n_i-1}\neq 0
Nini=0,Nini−1=0(
n
i
n_i
ni为
N
i
N_i
Ni的阶数),所以
N
N
N的幂零指标为
m
⇔
n
i
≤
m
,
1
≤
i
≤
s
m \Leftrightarrow n_i\le m,1\le i\le s
m⇔ni≤m,1≤i≤s且存在
i
i
i,使得
n
i
=
m
n_i=m
ni=m
(2)
设
A
A
A的零度为
η
1
\eta_1
η1,则
η
1
=
n
−
r
(
A
)
=
n
−
r
(
N
)
=
∑
i
=
1
s
n
i
−
∑
i
=
1
s
(
n
i
−
1
)
=
s
\eta_1=n-r(A)=n-r(N)=\sum_{i=1}^{s}n_i-\sum_{i=1}^{s}(n_i-1)=s
η1=n−r(A)=n−r(N)=i=1∑sni−i=1∑s(ni−1)=s
(3)根据
A
k
A^k
Ak的零度等于
N
k
N^k
Nk的零度,等于
N
i
k
N_i^k
Nik的零度之和
(
i
=
1
,
2
,
⋯
,
s
)
(i=1,2,\cdots,s)
(i=1,2,⋯,s)
所以
N
i
k
的零度
=
{
k
,
k
≤
n
i
;
n
,
k
>
n
i
N_i^k\text{的零度}=\begin{cases} k,k\le n_i;\\ n,k>n_i \end{cases}
Nik的零度={k,k≤ni;n,k>ni
于是
η
1
=
A
的零度
=
N
的零度
=
∑
i
=
1
s
(
N
i
的零度
)
=
∑
i
=
1
s
1
=
s
=
∑
k
≥
1
l
k
\eta_1=A\text{的零度}=N\text{的零度}=\sum_{i=1}^{s}(N_i\text{的零度})=\sum_{i=1}^{s}1=s=\sum_{k\ge 1} l_k
η1=A的零度=N的零度=i=1∑s(Ni的零度)=i=1∑s1=s=k≥1∑lk
η
2
=
A
2
的零度
=
N
2
的零度
=
∑
i
=
1
s
(
N
i
2
的零度
)
=
∑
i
,
n
i
<
2
(
N
i
2
的零度
)
+
∑
i
,
n
i
≥
2
(
N
i
2
的零度
)
=
l
1
+
2
∑
k
≥
2
l
k
\begin{aligned} \eta_2&=A^2\text{的零度}=N^2\text{的零度}=\sum_{i=1}^{s}(N_i^2\text{的零度})\\ &=\sum_{i,n_i<2}(N_i^2\text{的零度})+\sum_{i,n_i\ge 2}(N_i^2\text{的零度})=l_1+2\sum_{k\ge 2}l_k \end{aligned}
η2=A2的零度=N2的零度=i=1∑s(Ni2的零度)=i,ni<2∑(Ni2的零度)+i,ni≥2∑(Ni2的零度)=l1+2k≥2∑lk
⋯
\cdots
⋯
η
j
=
A
j
的零度
=
N
j
的零度
=
∑
i
=
1
s
(
N
j
2
的零度
)
=
∑
i
,
n
i
<
j
(
N
i
j
的零度
)
+
∑
i
,
n
i
≥
j
(
N
i
j
的零度
)
=
∑
k
<
j
k
l
k
+
j
∑
k
≥
j
l
k
\begin{aligned} \eta_j &=A^j\text{的零度}=N^j\text{的零度}=\sum_{i=1}^{s}(N_j^2\text{的零度})\\ &=\sum_{i,n_i<j}(N_i^j\text{的零度})+\sum_{i,n_i\ge j}(N_i^j\text{的零度})=\sum_{k<j}k l_k+j\sum_{k\ge j}l_k \end{aligned}
ηj=Aj的零度=Nj的零度=i=1∑s(Nj2的零度)=i,ni<j∑(Nij的零度)+i,ni≥j∑(Nij的零度)=k<j∑klk+jk≥j∑lk
于是
l
1
=
2
η
1
−
η
2
=
2
s
−
η
2
l
k
=
2
η
k
−
η
k
−
1
−
η
k
+
1
,
2
≤
k
≤
m
l_1=2\eta_1-\eta_2=2s-\eta_2\\ l_k=2\eta_k-\eta_{k-1}-\eta_{k+1},2\le k\le m
l1=2η1−η2=2s−η2lk=2ηk−ηk−1−ηk+1,2≤k≤m