第四章 矩阵分解

第四章 Matrix Decompositions

4.1 Determinant and Trace

4.1.1 Determinant

1.行列式

只有方阵$A\in {\mathbb{R}}^{n\times n}$具有行列式，通常记矩阵A的行列式为$det(A)$ 或 $|A|$。
$$det(A)=\left|\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right|$$
方阵A的行列式是将矩阵A映射为一个实数的函数。

2.计算行列式

（1）三角矩阵

若对于$i>j,T_{ij}=0$，则称方阵T为上三角矩阵。（即对角线下方全为0）。

若对于$i<j,T_{ij}=0$，则称方阵T为下三角矩阵。（即对角线上方全为0）。

则三角矩阵$T\in {\mathbb{R}}^{n\times n}$
$$det(T)=\prod _{i=1}^n{T}_{ii}$$
（2）Laplace Expansion

方阵$A\in {\mathbb{R}}^{n\times n}$ ，$j=1,...,n$

从列计算
$$det(A)=\sum _{k=1}^n(-1{)}^{k+j}{a}_{kj}det(A_{k,j})$$
从行计算
$$det(A)=\sum _{k=1}^n(-1{)}^{k+j}{a}_{jk}det(A_{j,k})$$
其中$A_{k,j} $ 表示矩阵A去掉 k 行 j 列剩下的子矩阵。

3.行列式性质

（1）矩阵乘积的行列式等于矩阵行列式的乘积，$det(AB)=det(A)det(B)$。

（2）矩阵转置后行列式不变，$det(A)=det(A^T)$。

（3）若矩阵A是可逆的，则$det(A^{-1})=\frac{1}{det(A)}$ 。

（4）相似矩阵行列式相同。

（5）将行列式某行或某列的数倍加到另一行（列），行列式不变。

（6）$det(\lambda A)={\lambda }^{n}det(A)$

（7）交换两行（列），行列式符号改变。

注：

根据性质5、6、7，则可先使用高斯变化将矩阵A化为行阶梯型，然后使用三角矩阵行列式计算方法计算行列式。

4.定理（使用行列式判断矩阵可逆）

方阵$A\in {\mathbb{R}}^{n\times n}$ ，A可逆 当且仅当 $det(A)\ne 0$ 。

方阵$A\in {\mathbb{R}}^{n\times n}$ ，$det(A)\ne 0$ 当且仅当 $rank(A)=n $ 。即矩阵A可逆当且仅当它是满秩。

4.1.2 Trace

1.定义

方阵$A\in {\mathbb{R}}^{n\times n}$ 的迹
$$tr(A):=\sum _{i=1}^n{a}_{ii}$$
2.迹的性质

• $tr(A+B)=tr(A)+tr(B),A,B\in {\mathbb{R}}^{n\times n}$

• $tr(\alpha A)=\alpha tr(A),\alpha \in \mathbb{R},A\in {\mathbb{R}}^{n\times n}$

• $tr(I_n)=n$

• $tr(AB)=tr(BA),A\in {\mathbb{R}}^{n\times k},B\in {\mathbb{R}}^{k\times n}$

• 矩阵乘积的迹，循环排列后，其迹不变

  $tr(AKL)=tr(KLA)=tr(LAK),A\in {\mathbb{R}}^{n\times k},K\in {\mathbb{R}}^{k\times l},L\in {\mathbb{R}}^{l\times n}$ 。

3.特征多项式

方阵$A\in {\mathbb{R}}^{n\times n}$ ，$\lambda \in \mathbb{R}$ ，
$$\begin{gathered} p_A(\lambda ):=det(A-\lambda I) \\ =c_0+c_1\lambda +c_2{\lambda }^2+...+c_{n-1}{\lambda }^{n-1}+(-1{)}^n{\lambda }^n \end{gathered}$$
其中
$$\begin{gathered} c_0=det(A) \\ {c}_{n-1}=(-1{)}^{n-1}tr(A) \end{gathered}$$

4.2 Eigenvalues and Eigenvectors

1.定义(eigenvalue,eigenvector)

方阵$A\in {\mathbb{R}}^{n\times n}$ 。若 $Ax=\lambda x$ ，则

$\lambda \in \mathbb{R}$ 是矩阵A的特征值，$x\in {\mathbb{R}}^n╲$ {0} 是对应的特征向量。

方程$Ax=\lambda x$ 称为特征方程。

注： 下列语句是等价的

• $\lambda $ 是矩阵$A\in {\mathbb{R}}^{n\times n}$ 的一个特征向量

• 存在$x\in {\mathbb{R}}^n╲$ {0} 使$Ax=\lambda x$ 。或$(A-\lambda I_n)=0$ 具有非零解。

• $rk(A-\lambda I$