《矩阵论》学习笔记。学习视频为东南大学周建华教授的矩阵论课程,B站上可以搜到。
一、 矩阵乘法中应注意的问题
1. 矩阵乘法中存在非零因子
例1.
已知
N
=
[
0
1
0
1
0
⋱
1
⋱
0
]
N=\left[\begin{matrix} 0 & 1 \\ & 0 & 1 \\ & & 0 & \ddots & 1 \\ & & & \ddots & 0 \end{matrix} \right]
N=⎣⎢⎢⎡01010⋱⋱10⎦⎥⎥⎤求
N
s
N^s
Ns
解:
N
s
=
[
0
0
⋯
0
0
0
⋯
0
⋮
⋮
⋱
⋮
0
0
⋯
0
]
N^s=\left[\begin{matrix} 0 & 0 & \cdots & 0 \\ 0 & 0 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & 0 \end{matrix} \right]
Ns=⎣⎢⎢⎢⎡00⋮000⋮0⋯⋯⋱⋯00⋮0⎦⎥⎥⎥⎤
2. 矩阵乘法不可交换
例2.
设
A
=
[
d
1
0
0
d
2
]
A=\left[\begin{matrix} d_1 & 0\\ 0 & d_2 \end{matrix} \right]
A=[d100d2]其中,
d
1
d_1
d1,
d
2
d_2
d2互异,求所有与
A
A
A可交换的矩阵。
解:设
B
=
[
b
11
b
12
b
21
b
22
]
B=\left[\begin{matrix} b_{11} & b_{12}\\ b_{21} & b_{22} \end{matrix} \right]
B=[b11b21b12b22]则
A
B
=
[
d
1
b
11
d
1
b
12
d
2
b
21
d
2
b
22
]
AB=\left[\begin{matrix} d_1b_{11} & d_1b_{12}\\ d_2b_{21} & d_2b_{22} \end{matrix} \right]
AB=[d1b11d2b21d1b12d2b22]
A
B
=
B
A
AB=BA
AB=BA
⇓
\Downarrow
⇓
{
d
1
b
12
=
b
12
d
2
d
2
b
21
=
b
21
d
1
\begin{cases} d_1b_{12}=b_{12}d_2 \\ d_2b_{21}=b_{21}d_1 \end{cases}
{d1b12=b12d2d2b21=b21d1
⇓
\Downarrow
⇓
b
12
=
b
21
=
0
b_{12}=b_{21}=0
b12=b21=0
只有对角矩阵相乘才可以交换。
3. 乘法消去律不成立
对给定的矩阵
A
A
A,当
A
A
A满足什么条件时,由
A
B
=
A
C
AB=AC
AB=AC必可推出
B
=
C
B=C
B=C?
A
A
A可逆。
4. 一些代数恒等式不再成立
如:
(
A
+
B
)
(
B
+
A
)
≠
A
2
−
B
2
(A+B)(B+A)\ne A^2-B^2
(A+B)(B+A)=A2−B2
当
A
B
=
B
A
AB=BA
AB=BA时,相应的二项式定理成立,即,
(
A
+
B
)
m
=
A
m
+
C
m
1
A
m
−
1
B
+
C
m
2
A
m
−
2
B
2
+
⋯
+
C
m
m
−
1
A
B
m
−
1
+
B
m
(A+B)^m=A^m+C_{m}^{1}A^{m-1}B+C_{m}^{2}A^{m-2}B^2+\cdots+C_{m}^{m-1}AB^{m-1}+B^m
(A+B)m=Am+Cm1Am−1B+Cm2Am−2B2+⋯+Cmm−1ABm−1+Bm
例3.
计算下述矩阵的k次幂
A
=
[
λ
1
0
⋯
0
0
λ
1
⋯
0
⋮
⋮
⋮
⋱
⋮
0
0
0
⋯
1
0
0
0
⋯
λ
]
A=\left[\begin{matrix} \lambda & 1 & 0 & \cdots & 0 \\ 0 & \lambda & 1 & \cdots & 0 \\ \vdots & \vdots & \vdots & \ddots & \vdots\\0 & 0 & 0 & \cdots & 1\\0&0&0&\cdots&\lambda \end{matrix} \right]
A=⎣⎢⎢⎢⎢⎢⎡λ0⋮001λ⋮0001⋮00⋯⋯⋱⋯⋯00⋮1λ⎦⎥⎥⎥⎥⎥⎤
解:
A
=
λ
I
+
N
A=\lambda I+N
A=λI+N且
λ
\lambda
λ
I
I
I与
N
N
N可交换
A
k
=
(
λ
I
+
N
)
k
=
(
λ
I
)
k
+
C
k
1
(
λ
I
)
k
−
1
N
+
C
k
2
(
λ
I
)
k
−
2
N
2
+
⋯
+
C
k
k
−
1
(
λ
I
)
N
k
−
1
+
N
k
=
[
λ
k
C
k
1
λ
k
−
1
C
k
2
λ
k
−
2
⋯
C
k
n
−
1
λ
k
−
n
+
1
0
λ
k
C
k
1
λ
k
−
1
⋯
C
k
n
−
2
λ
k
−
n
+
2
⋮
⋮
⋮
⋱
⋮
0
0
0
⋯
C
k
2
λ
k
−
2
0
0
0
⋯
λ
k
]
A^k=(\lambda I+N)^k=(\lambda I)^k+C_{k}^{1}(\lambda I)^{k-1}N+C_{k}^{2}(\lambda I)^{k-2}N^2+\cdots+C_{k}^{k-1}(\lambda I)N^{k-1}+N^k \\ =\left[\begin{matrix} {\lambda}^k & C_{k}^{1}{\lambda}^{k-1} & C_{k}^{2}{\lambda}^{k-2} & \cdots & C_{k}^{n-1}{\lambda}^{k-n+1} \\ 0 & {\lambda}^k & C_{k}^{1}{\lambda}^{k-1} & \cdots & C_{k}^{n-2}{\lambda}^{k-n+2} \\ \vdots & \vdots & \vdots & \ddots & \vdots\\0 & 0 & 0 & \cdots & C_{k}^{2}{\lambda}^{k-2}\\0&0&0&\cdots&{\lambda}^k \end{matrix} \right]
Ak=(λI+N)k=(λI)k+Ck1(λI)k−1N+Ck2(λI)k−2N2+⋯+Ckk−1(λI)Nk−1+Nk=⎣⎢⎢⎢⎢⎢⎡λk0⋮00Ck1λk−1λk⋮00Ck2λk−2Ck1λk−1⋮00⋯⋯⋱⋯⋯Ckn−1λk−n+1Ckn−2λk−n+2⋮Ck2λk−2λk⎦⎥⎥⎥⎥⎥⎤
#二、分块矩阵
A
i
j
=
(
a
i
j
)
s
×
n
,
B
=
(
b
i
j
)
s
×
n
A_{ij}=(a_{ij})_{s\times n},B=(b_{ij})_{s\times n}
Aij=(aij)s×n,B=(bij)s×n
1. A A A, B B B均按按行进行分块
A
=
[
α
1
α
2
⋮
α
s
]
B
=
[
β
1
β
2
⋮
β
s
]
A=\left[\begin{matrix} \alpha_1 \\ \alpha_2 \\ \vdots \\ \alpha_s \end{matrix} \right] B=\left[\begin{matrix} \beta_1 \\ \beta_2 \\ \vdots \\ \beta_s \end{matrix} \right]
A=⎣⎢⎢⎢⎡α1α2⋮αs⎦⎥⎥⎥⎤B=⎣⎢⎢⎢⎡β1β2⋮βs⎦⎥⎥⎥⎤
A
+
B
=
[
α
1
+
β
1
α
2
+
β
2
⋮
α
s
+
β
s
]
A+B=\left[\begin{matrix} \alpha_1+\beta_1 \\ \alpha_2+\beta_2 \\ \vdots \\ \alpha_s+\beta_s \end{matrix} \right]
A+B=⎣⎢⎢⎢⎡α1+β1α2+β2⋮αs+βs⎦⎥⎥⎥⎤
r
(
A
+
B
)
≤
r
(
A
)
+
r
(
B
)
r(A+B) \le r(A)+r(B)
r(A+B)≤r(A)+r(B)
2. A A A按行分块, B B B不分块
A
B
=
(
α
1
,
α
2
,
⋯
,
α
n
)
[
b
11
b
12
⋯
b
1
t
b
21
b
22
⋯
b
2
t
⋮
⋮
⋱
⋮
b
n
1
b
n
2
⋯
b
n
t
]
=
(
∑
k
=
1
n
b
k
1
α
k
,
∑
k
=
1
n
b
k
2
α
k
,
⋯
,
∑
k
=
1
n
b
k
t
α
k
)
AB=(\alpha_1,\alpha_2,\cdots,\alpha_n)\left[\begin{matrix}b_{11} & b_{12} & \cdots & b_{1t}\\b_{21} & b_{22} & \cdots & b_{2t}\\ \vdots & \vdots & \ddots & \vdots \\ b_{n1} & b_{n2} & \cdots & b_{nt}\end{matrix}\right] \\= (\sum_{k=1}^{n}b_{k1}\alpha_k,\sum_{k=1}^{n}b_{k2}\alpha_k,\cdots,\sum_{k=1}^{n}b_{kt}\alpha_k)
AB=(α1,α2,⋯,αn)⎣⎢⎢⎢⎡b11b21⋮bn1b12b22⋮bn2⋯⋯⋱⋯b1tb2t⋮bnt⎦⎥⎥⎥⎤=(k=1∑nbk1αk,k=1∑nbk2αk,⋯,k=1∑nbktαk)
从上式可知,
A
B
AB
AB的列向量是
A
A
A的列向量的线性组合,且组合系数刚好是
B
B
B的相应的各个列的元素。因此
r
(
A
B
)
≤
r
(
A
)
,
r
(
B
)
r(AB)\le r(A),r(B)
r(AB)≤r(A),r(B)
3. A A A不分块, B B B按行分块
A
B
=
[
a
11
a
12
⋯
a
1
n
a
21
a
22
⋯
a
2
n
⋮
⋮
⋱
⋮
a
s
1
a
s
2
⋯
a
s
n
]
[
β
1
β
2
⋮
β
n
]
=
[
∑
k
=
1
n
a
1
k
β
k
∑
k
=
1
n
a
2
k
β
k
⋮
∑
k
=
1
n
a
s
k
β
k
]
AB=\left[\begin{matrix}a_{11}&a_{12}&\cdots&a_{1n}\\a_{21}&a_{22}&\cdots&a_{2n}\\ \vdots&\vdots&\ddots&\vdots\\a_{s1}&a_{s2}&\cdots&a_{sn}\end{matrix}\right]\left[\begin{matrix}\beta_1 \\ \beta_2 \\ \vdots \\ \beta_n\end{matrix}\right]\\=\left[\begin{matrix}\sum_{k=1}^{n}a_{1k}\beta_k\\\sum_{k=1}^{n}a_{2k}\beta_k\\\vdots\\\sum_{k=1}^{n}a_{sk}\beta_k\end{matrix}\right]
AB=⎣⎢⎢⎢⎡a11a21⋮as1a12a22⋮as2⋯⋯⋱⋯a1na2n⋮asn⎦⎥⎥⎥⎤⎣⎢⎢⎢⎡β1β2⋮βn⎦⎥⎥⎥⎤=⎣⎢⎢⎢⎡∑k=1na1kβk∑k=1na2kβk⋮∑k=1naskβk⎦⎥⎥⎥⎤
从上式可知,
A
B
AB
AB的行向量是
B
B
B的行向量的线性组合,且组合系数刚好是
A
A
A的相应的各个行的元素。因此
r
(
A
B
)
≤
r
(
A
)
,
r
(
B
)
r(AB)\le r(A),r(B)
r(AB)≤r(A),r(B)
4. 将 A A A看作一块, B B B按列分块
A
(
η
1
,
η
2
,
⋯
,
η
t
)
=
(
A
η
1
,
A
η
2
,
⋯
,
A
η
t
)
A(\eta_1,\eta_2,\cdots,\eta_t)=(A\eta_1,A\eta_2,\cdots,A\eta_t)
A(η1,η2,⋯,ηt)=(Aη1,Aη2,⋯,Aηt)
若
A
B
=
0
AB=0
AB=0,则
A
η
j
=
0
(
j
=
1
,
2
,
⋯
,
t
)
A\eta_j=0(j=1,2,\cdots,t)
Aηj=0(j=1,2,⋯,t),
η
j
\eta_j
ηj是
A
X
=
0
AX=0
AX=0的解向量,因此由
n
−
r
n-r
n−r个向量是线性无关的,
r
r
r为
A
A
A的秩
r
(
η
1
,
η
2
,
⋯
,
η
t
)
≤
n
−
r
r
(
B
)
+
r
(
A
)
≤
n
r(\eta_1,\eta_2,\cdots,\eta_t)\le n-r\\r(B)+r(A)\le n
r(η1,η2,⋯,ηt)≤n−rr(B)+r(A)≤n
5. 将矩阵分成四块
例4.
证明:上三角矩阵的乘积仍是上三角矩阵
证:
A
=
[
A
1
α
0
a
n
×
n
]
,
B
=
[
B
1
β
0
b
n
×
n
]
A=\left[\begin{array}{c|c}A_1&\alpha\\ \hline 0 & a_{n\times n}\end{array}\right] ,B=\left[\begin{array}{c|c}B_1 & \beta\\ \hline 0 & b_{n \times n} \end{array}\right]
A=[A10αan×n],B=[B10βbn×n]
A
B
=
[
A
1
B
1
A
1
β
+
α
b
n
×
n
0
a
n
×
n
b
n
×
n
]
AB=\left[\begin{matrix} A_1B_1 & A_1\beta+\alpha b_{n\times n} \\ 0 & a_{n\times n}b_{n\times n}\end{matrix}\right]
AB=[A1B10A1β+αbn×nan×nbn×n]
由上式可知,上三角矩阵的乘积仍是上三角矩阵。
三、 非齐次线性方程组
1. 线性方程组
对于非齐次线性方程组。
A
X
=
b
AX=b
AX=b,其中
A
=
(
a
i
j
)
s
×
n
,
b
=
(
b
1
,
b
2
,
⋯
,
b
s
)
T
A=(a_{ij})_{s\times n},b=(b_1,b_2,\cdots,b_s)^T
A=(aij)s×n,b=(b1,b2,⋯,bs)T
- 有解 ⇔ r ( A ) = r ( A , b ) \Leftrightarrow r(A)=r(A,b) ⇔r(A)=r(A,b)。
- 若 r ( A ) = r ( A , b ) = r r(A)=r(A,b)=r r(A)=r(A,b)=r则有唯一解 ⇔ r = n \Leftrightarrow r=n ⇔r=n。
- 若 r ( A ) = r ( A , b ) = r < n r(A)=r(A,b)=r<n r(A)=r(A,b)=r<n,则通解中含有 r − n r-n r−n个自由未知量。
对于齐次线性方程组
A
X
=
0
AX=0
AX=0,其中
A
=
(
a
i
j
)
s
×
n
A=(a_{ij})_{s\times n}
A=(aij)s×n
- 有非零解当且仅当 r ( A ) < n , n 1 , n 2 , ⋯ , n t r(A)<n,n_1,n_2,\cdots,n_t r(A)<n,n1,n2,⋯,nt(线性无关并且任一解都可由它们线性表示)是 A X = 0 AX=0 AX=0的解。
- 若 r ( A ) < n r(A)<n r(A)<n,则其基础解系中含有 n − r n-r n−r个解向量。
- 若 r ( A ) < r r(A)<r r(A)<r,则其任意 n − r n-r n−r个线性无关的解向量是其基础解系。
2. Gauss消元法
用初等变换将增广矩阵化成阶梯形矩阵。第一步,确定自由变量。第二步,用回代法找出通解。
例4.
设
A
A
A是
s
×
n
s\times n
s×n矩阵,
b
b
b是
s
s
s维列向量,证明
- r ( A ) = r ( A H A ) r(A)=r(A^HA) r(A)=r(AHA)
- 线性方程 A H A X = A H b A^HAX=A^Hb AHAX=AHb恒有解。
注: A H A^H AH为 A A A的共轭转置。
- 证:
要证 r ( A ) = r ( A H A ) r(A)=r(A^HA) r(A)=r(AHA),即证 A X = 0 AX=0 AX=0的基础解系 S 1 S_1 S1与 A H A X = 0 A^HAX=0 AHAX=0的基础解系 S 2 S_2 S2相同。即 S 1 ∈ S 2 S_1 \in S_2 S1∈S2的同时 S 2 ∈ S 2 S_2 \in S_2 S2∈S2。
显然
A η = 0 ⇒ A H A η A\eta=0 \Rightarrow A^HA\eta Aη=0⇒AHAη
A X = 0 AX=0 AX=0的解必然是 A H A X = 0 A^HAX=0 AHAX=0的解。
A H A η = 0 A^HA\eta=0 AHAη=0
等号两边同时乘以 η H \eta^H ηH,得
η H A H A η = η H 0 \eta^HA^HA\eta=\eta^H 0 ηHAHAη=ηH0
η ˉ T A ˉ T A η = 0 \bar{\eta}^T\bar{A}^TA\eta=0 ηˉTAˉTAη=0
( A ˉ η ˉ ) T A η = 0 ({\bar{A}\bar{\eta}})^TA\eta=0 (Aˉηˉ)TAη=0
( A η ) H A η = 0 (A\eta)^HA\eta=0 (Aη)HAη=0
因为
A η = [ k 1 k 2 ⋮ k n ] A\eta=\left[\begin{matrix}k_1 \\ k_2 \\ \vdots \\ k_n \end{matrix}\right] Aη=⎣⎢⎢⎢⎡k1k2⋮kn⎦⎥⎥⎥⎤
所以
( A η ) H A η = ( k ˉ 1 , k ˉ 2 , ⋯ , k ˉ s ) [ k 1 k 2 ⋮ k n ] = k ˉ 1 k 1 + k ˉ 2 k 2 + ⋯ + k ˉ s k s = 0 (A\eta)^HA\eta=(\bar{k}_1,\bar{k}_2,\cdots,\bar{k}_s)\left[\begin{matrix}k_1 \\ k_2 \\ \vdots \\ k_n \end{matrix}\right]=\bar{k}_1k_1+\bar{k}_2k_2+\cdots+\bar{k}_sk_s=0 (Aη)HAη=(kˉ1,kˉ2,⋯,kˉs)⎣⎢⎢⎢⎡k1k2⋮kn⎦⎥⎥⎥⎤=kˉ1k1+kˉ2k2+⋯+kˉsks=0
因为
k ˉ 1 k 1 ≥ 0 , k ˉ 2 k 2 ≥ 0 , ⋯ , k ˉ s k s ≥ 0 \bar{k}_1k_1\ge 0,\bar{k}_2k_2\ge 0,\cdots,\bar{k}_sk_s\ge 0 kˉ1k1≥0,kˉ2k2≥0,⋯,kˉsks≥0
因此
k 1 = k 2 = ⋯ = k s k_1=k_2=\cdots=k_s k1=k2=⋯=ks
⇓ \Downarrow ⇓
A η = 0 A\eta=0 Aη=0
2)证:
要证 A H A X = A H b A^HAX=A^Hb AHAX=AHb恒有解,即证 r ( A H A ) = r ( A H A , A H b ) r(A^HA)=r(A^HA,A^Hb) r(AHA)=r(AHA,AHb)
显然
r ( A H A ) ≤ r ( A H A , A H b ) r(A^HA)\le r(A^HA,A^Hb) r(AHA)≤r(AHA,AHb)
r ( A H A , A H b ) = r ( A H ( A , b ) ) ≤ r ( A H ) = r ( A ) r(A^HA,A^Hb)=r(A^H(A,b))\le r(A^H)=r(A) r(AHA,AHb)=r(AH(A,b))≤r(AH)=r(A)
由第一问可知
r ( A H A ) = r ( A ) r(A^HA)=r(A) r(AHA)=r(A)
所以
r ( A H A , A H b ) ≤ r ( A H A ) r(A^HA,A^Hb)\le r(A^HA) r(AHA,AHb)≤r(AHA)
因此
r ( A H A ) = r ( A H A , A H b ) r(A^HA)=r(A^HA,A^Hb) r(AHA)=r(AHA,AHb)
A H A X = A H b A^HAX=A^Hb AHAX=AHb恒有解
四、向量组的极大无关组和秩
若向量组
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs的部分组
α
i
1
,
α
i
2
,
⋯
,
α
i
k
\alpha_{i1},\alpha_{i2},\cdots,\alpha_{ik}
αi1,αi2,⋯,αik线性无关。且
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs中每个向量都可由
α
i
1
,
α
i
2
,
⋯
,
α
i
r
\alpha_{i1},\alpha_{i2},\cdots,\alpha_{ir}
αi1,αi2,⋯,αir线性表示,则称
α
i
1
,
α
i
2
,
⋯
,
α
i
r
\alpha_{i1},\alpha_{i2},\cdots,\alpha_{ir}
αi1,αi2,⋯,αir是向量组
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs的极大无关组。称
r
r
r是向量组
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs的秩。
若向量组
α
1
,
α
2
,
⋯
,
α
s
\alpha_1,\alpha_2,\cdots,\alpha_s
α1,α2,⋯,αs的秩为
r
r
r,则其中任意
r
r
r个线性无关的向量是其极大无关组。
1. 矩阵的秩
矩阵A的秩=A中非零子式的最高阶数=A的行(列)向量组的秩
2. 有关矩阵的秩的不等式
- r ( A + B ) ≤ r ( A ) + r ( B ) r(A+B)\le r(A)+r(B) r(A+B)≤r(A)+r(B)
- r ( A B ) ≤ r ( A ) , r ( B ) r(AB)\le r(A),r(B) r(AB)≤r(A),r(B)
- 若 A s × n B n × t = 0 r ( A ) + r ( B ) ≤ n A_{s\times n}B_{n\times t}=0 r(A)+r(B)\le n As×nBn×t=0r(A)+r(B)≤n
- r ( A s × n B n × t ) ≥ r ( A ) + r ( B ) − n r(A_{s\times n} B_{n\times t})\ge r(A)+r(B)-n r(As×nBn×t)≥r(A)+r(B)−n
- M = [ A C 0 B ] , r ( M ) ≥ r ( A ) + r ( B ) M=\left[\begin{matrix}A&C\\0&B\end{matrix}\right],r(M)\ge r(A)+r(B) M=[A0CB],r(M)≥r(A)+r(B)
例5.
若
A
A
A是可逆矩阵,证明
r
(
A
B
)
=
r
(
B
)
r(AB)=r(B)
r(AB)=r(B)
法一:
显然
r
(
A
B
)
≤
r
(
B
)
r(AB)\le r(B)
r(AB)≤r(B)
同时
B
=
A
−
1
A
B
B=A^{-1}AB
B=A−1AB
可得
r
(
B
)
≤
r
(
A
−
1
)
,
r
(
A
B
)
r(B)\le r(A^{-1}),r(AB)
r(B)≤r(A−1),r(AB)
则
r
(
B
)
≤
r
(
A
B
)
r(B)\le r(AB)
r(B)≤r(AB)
所以
r
(
A
B
)
=
r
(
B
)
r(AB)=r(B)
r(AB)=r(B)
法二:
∃
\exists
∃初等矩阵
A
1
,
A
2
,
⋯
,
A
s
A_1,A_2,\cdots,A_s
A1,A2,⋯,As,使
A
=
A
1
A
2
⋯
A
s
A=A_1A_2{\cdots}A_s
A=A1A2⋯As
A
B
=
(
A
1
,
A
2
,
⋯
,
A
s
)
B
AB=(A_1,A_2,\cdots,A_s)B
AB=(A1,A2,⋯,As)B
B
B
B经过一系列初等行变换变成
A
⇒
r
(
A
B
)
=
r
(
B
)
A \Rightarrow r(AB)=r(B)
A⇒r(AB)=r(B)
例6.
设
A
A
A是
n
n
n阶幂等矩阵,证明
r
(
A
)
+
r
(
I
−
A
)
=
n
r(A)+r(I-A)=n
r(A)+r(I−A)=n
证:
r
(
A
)
+
r
(
I
−
A
)
≥
r
(
A
+
I
−
A
)
=
r
(
I
)
=
n
r(A)+r(I-A)\ge r(A+I-A)=r(I)=n
r(A)+r(I−A)≥r(A+I−A)=r(I)=n
同时,由于
A
A
A为幂等矩阵
A
(
I
−
A
)
=
A
−
A
2
=
0
A(I-A)=A-A^2=0
A(I−A)=A−A2=0
r
(
A
)
+
r
(
I
−
A
)
≤
n
r(A)+r(I-A)\le n
r(A)+r(I−A)≤n
所以
r
(
A
)
+
r
(
I
−
A
)
=
n
r(A)+r(I-A)=n
r(A)+r(I−A)=n
3. 矩阵的等价标准型
如果
s
×
n
s\times n
s×n矩阵的秩为
r
r
r,则
A
A
A必与
M
=
[
I
r
0
0
0
]
M=\left[\begin{matrix}I_r&0\\0&0\end{matrix}\right]
M=[Ir000]等价
s
×
n
s\times n
s×n矩阵
A
,
B
A,B
A,B等价
⇔
r
(
A
)
=
r
(
B
)
⇔
\Leftrightarrow r(A)=r(B) \Leftrightarrow
⇔r(A)=r(B)⇔存在可逆矩阵
P
,
Q
P,Q
P,Q使
B
=
P
A
Q
B=PAQ
B=PAQ
4. 满秩分解
例7.
假设
s
×
n
s\times n
s×n矩阵
A
A
A的秩为
r
r
r,证明存在
s
×
r
s\times r
s×r矩阵
B
B
B及
r
×
n
r\times n
r×n矩阵
C
C
C,使得
A
=
B
C
A=BC
A=BC(矩阵的满秩分解)
证:
r
(
A
)
≤
r
(
B
)
,
r
(
C
)
≤
r
⇒
r
(
B
)
=
r
(
C
)
=
r
r(A)\le r(B),r(C)\le r \Rightarrow r(B)=r(C)=r
r(A)≤r(B),r(C)≤r⇒r(B)=r(C)=r
由矩阵的等价标准型可知,
∃
s
×
n
\exists s\times n
∃s×n矩阵
M
=
[
I
r
0
0
0
]
M=\left[\begin{matrix}I_r&0\\0&0\end{matrix}\right]
M=[Ir000]使得
A
A
A与
M
M
M等价,
s
×
n
s\times n
s×n矩阵
[
I
r
0
0
0
]
\left[\begin{matrix}I_r&0\\0&0\end{matrix}\right]
[Ir000]等于
s
×
r
s\times r
s×r矩阵
[
I
r
0
]
\left[\begin{matrix}I_r\\0\end{matrix}\right]
[Ir0]乘以
r
×
n
r\times n
r×n矩阵
(
I
r
0
)
(I_r 0)
(Ir0)
即
A
=
P
[
I
r
0
0
0
]
Q
=
P
[
I
r
0
]
(
I
r
0
)
Q
B
=
P
[
I
r
0
]
C
=
(
I
r
0
)
Q
A=P\left[\begin{matrix}I_r&0\\0&0\end{matrix}\right]Q=P\left[\begin{matrix}I_r\\0\end{matrix}\right](I_r 0)Q \\B=P\left[\begin{matrix}I_r\\0\end{matrix}\right] C=(I_r 0)Q
A=P[Ir000]Q=P[Ir0](Ir0)QB=P[Ir0]C=(Ir0)Q
由此可知存在
s
×
r
s\times r
s×r矩阵
B
B
B及
r
×
n
r\times n
r×n矩阵
C
C
C,使得
A
=
B
C
A=BC
A=BC
例8.
求
A
=
[
1
0
−
1
2
1
2
3
1
0
−
1
1
3
2
−
2
−
2
0
−
3
−
3
4
−
3
]
A=\left[\begin{matrix}1&0&-1&2&1\\2&3&1&0&-1\\1&3&2&-2&-2\\0&-3&-3&4&-3\end{matrix}\right]
A=⎣⎢⎢⎡1210033−3−112−320−241−1−2−3⎦⎥⎥⎤的满秩分解
A
→
[
1
0
−
1
2
1
2
3
1
0
−
1
1
3
2
−
2
−
2
0
−
3
−
3
4
−
3
]
→
[
1
0
−
1
0
1
0
1
1
0
−
1
0
0
0
1
0
0
0
0
0
0
]
A\rightarrow\left[\begin{matrix}1&0&-1&2&1\\2&3&1&0&-1\\1&3&2&-2&-2\\0&-3&-3&4&-3\end{matrix}\right]\rightarrow\left[\begin{matrix}1&0&-1&0&1\\0&1&1&0&-1\\0&0&0&1&0\\0&0&0&0&0\end{matrix}\right]
A→⎣⎢⎢⎡1210033−3−112−320−241−1−2−3⎦⎥⎥⎤→⎣⎢⎢⎡10000100−110000101−100⎦⎥⎥⎤
A
=
[
1
0
2
2
3
0
1
3
−
2
0
−
3
4
]
[
1
0
−
1
0
1
0
1
1
0
−
1
0
0
0
1
0
]
A=\left[\begin{matrix}1&0&2\\2&3&0\\1&3&-2\\0&-3&4\end{matrix}\right]\left[\begin{matrix}1&0&-1&0&1\\0&1&1&0&-1\\0&0&0&1&0\end{matrix}\right]
A=⎣⎢⎢⎡1210033−320−24⎦⎥⎥⎤⎣⎡100010−1100011−10⎦⎤