【矩阵论】2.矩阵方程

2 矩阵方程

2.1 矩阵直积（张量积）

定义 2.1.1 设 $A$ , $B$ 分别是 $m\times n$ 阵和 $p\times q$ 阵，定义 $A\otimes B=(\begin{array}{ccc}{a}_{11}B& \cdots & a_{1n}B\\ ⋮& & ⋮\\ a_{m1}B& \cdots & a_{mn}B\end{array}).$

若将 $A\otimes B$ 的行足标集视为$[m]\times [p]$，列足标集视为 $[n]\times [q]$ ，则 $(A\otimes B{)}_{(i,l)\times (j,k)}=(a_{ij}B{)}_{lk}$ .

性质 2.1.2 (1) $a(A\otimes B)=(aA)\otimes B=A\otimes (aB)$

(2)$(\begin{array}{ccc}{A}_{11}& \cdots & A_{1q}\\ ⋮& & ⋮\\ A_{p1}& \cdots & A_{pq}\end{array})\otimes B=\left(\begin{array}{ccc}{A}_{11}\otimes B& \cdots & A_{1q}\otimes B\\ ⋮& & ⋮\\ A_{p1}\otimes B& \cdots & A_{pq}\otimes B\end{array}\right)$

     ~~~~     矩阵直积的下列三个性质很容易验证：
(3) $(A_1+A_2)\otimes B=A_1\otimes B+A_2\otimes B$
(4) $(A\otimes B)\otimes C=A\otimes (B\otimes C)$
(5) $(A\otimes B{)}^T=A^T\otimes B^T$

     ~~~~     和矩阵乘积一样，直积也不满足交换律。

(6) 一般地说，对 $m\times n$ 矩阵 $\mathbf{A}$ 和 $p\times q$ 矩阵 $\mathbf{B}$ ，$\mathbf{A}\otimes \mathbf{B}\ne \mathbf{B}\otimes \mathbf{A}$。但 $\mathbf{A}\otimes \mathbf{B}$ 和 $\mathbf{B}\otimes \mathbf{A}$ 置换相抵，它们都是 $mp\times nq$ 型的，而且可以通过对行的置换和对列的置换把 $\mathbf{A}\otimes \mathbf{B}$ 化成 $\mathbf{B}\otimes \mathbf{A}$。形式地说，存在 $mp$ 阶和 $nq$ 阶置换方阵 $\mathbf{P}$ 和 $\mathbf{Q}$ , 使 $\mathbf{P}(\mathbf{A}\otimes \mathbf{B})\mathbf{Q}=\mathbf{B}\otimes \mathbf{A}$。特别地，当 $m=n,p=q$ 时 $\mathbf{A}\otimes \mathbf{B}$ 和 $\mathbf{B}\otimes \mathbf{A}$ 置换相似，一定有 $mp$ 阶置换方阵 $\mathbf{P}$ ，使 $\mathbf{P}(\mathbf{A}\otimes \mathbf{B}){\mathbf{P}}^T=\mathbf{B}\otimes \mathbf{A}$ .

(7) 只要乘积 $\mathbf{AC}$ 和 $\mathbf{BD}$ 都有意义，则 $(\mathbf{A}\otimes \mathbf{B})(\mathbf{C}\otimes \mathbf{D})$ 也有意义，而且$(\mathbf{A}\otimes \mathbf{B})(\mathbf{C}\otimes \mathbf{D})=\mathbf{AC}\otimes \mathbf{BD}.$

证 设 $\mathbf{A}$ 和 $\mathbf{C}$ 分别是 $m\times n$ 和 $n\times k$ 矩阵，$\mathbf{B}$ 和 $\mathbf{D}$ 分别是 $p\times q$ 和 $q\times r$ 矩阵，则 $\mathbf{A}\otimes \mathbf{B}$ 和 $\mathbf{C}\otimes \mathbf{D}$ 分别是 $mp\times nq$ 和 $nq\times kr$ 矩阵，从而可以相乘.现在分别将 $\mathbf{A}\otimes \mathbf{B}$ 和 $\mathbf{C}\otimes \mathbf{D}$ 作自然分块：
$$\mathbf{A}\otimes \mathbf{B}=\left(\begin{array}{ccc}{a}_{11}\mathbf{B}& \cdots & a_{1n}\mathbf{B}\\ ⋮& & ⋮\\ a_{m1}\mathbf{B}& \cdots & a_{mn}\mathbf{B}\end{array}\right)，\mathbf{C}\otimes \mathbf{D}=\left(\begin{array}{ccc}{c}_{11}\mathbf{D}& \cdots & c_{1k}\mathbf{D}\\ ⋮& & ⋮\\ c_{n1}\mathbf{D}& \cdots & c_{nk}\mathbf{D}\end{array}\right).$$则$(\mathbf{A}\otimes \mathbf{B})(\mathbf{C}\otimes \mathbf{D})$的 $(i,j)$ 块是 ${\sum }_{l=1}^n{a}_{il}\mathbf{B}{c}_{lj}\mathbf{D}=({\sum }_{l=1}^n{a}_{il}{c}_{lj})\mathbf{B}\mathbf{D}$，右边正是 $\mathbf{AC}\otimes \mathbf{BD}$ 的 $(i,j)$ 块。

利用性质 (3) ~ (7) ，特别是性质 (5) ，可以得到更多的常用性质。在下列性质 (8) ~ (11) 中，$A$ 和 $B$ 分别是 $m$ 阶和 $n$ 阶方阵.

(8) 设 $\mathbf{A}$, $\mathbf{B}$ 都可逆，则 $\mathbf{A}\otimes \mathbf{B}$ 也可逆，且 $(\mathbf{A}\otimes \mathbf{B}{)}^{-1}={\mathbf{A}}^{-1}\otimes {\mathbf{B}}^{-1}$ 。

(9) $\det (\mathbf{A}\otimes \mathbf{B})=(\det \mathbf{A}{)}^n(\det \mathbf{B}{)}^m$ 。

证 由于 $\mathbf{A}\otimes \mathbf{B}=(\mathbf{A}\otimes {\mathbf{I}}_{\mathbf{n}})({\mathbf{I}}_{\mathbf{m}}\otimes \mathbf{B})$，而 $\det ({\mathbf{I}}_{\mathbf{m}}\otimes \mathbf{B})=(\det \mathbf{B}{)}^m$ ，由 $\mathbf{A}\otimes {\mathbf{I}}_{\mathbf{n}}$ 置换相似于 ${\mathbf{I}}_{\mathbf{n}}\otimes \mathbf{A}$ ，知 $\det (\mathbf{A}\otimes {\mathbf{I}}_{\mathbf{n}})=\det ({\mathbf{I}}_{\mathbf{n}}\otimes \mathbf{A})=(\det \mathbf{A}{)}^n$ ，所以结论成立。

(10) $\mathrm{rank}(\mathbf{A}\otimes \mathbf{B})=(\mathrm{rank}\mathbf{A})(\mathrm{rank}\mathbf{B})$ .

证 记 $\mathrm{rank}\mathbf{A}=a$ , $\mathrm{rank}\mathbf{B}=b$ , 则有可逆方阵 $\mathbf{U},\mathbf{V},\mathbf{R},\mathbf{S}$ , 使 $\mathbf{UAV}=\left(\begin{array}{cc}{\mathbf{I}}_a& \mathbf{O}\\ \mathbf{O}& \mathbf{O}\end{array}\right)$，$\mathbf{RBS}=\left(\begin{array}{cc}{\mathbf{I}}_b& \mathbf{O}\\ \mathbf{O}& \mathbf{O}\end{array}\right)$. 于是 $(\mathbf{U}\otimes \mathbf{R})(\mathbf{A}\otimes \mathbf{B})(\mathbf{V}\otimes \mathbf{S})=(\mathbf{UAV})\otimes (\mathbf{RBS})$ ，易知等号右边矩阵的秩等于 $ab$ .

(11) 设 S p e c A = { λ 1 , ⋯   , λ m }   , S p e c B = { μ 1   , ⋯   , μ n }   \mathrm{Spec}\boldsymbol{A}=\{\lambda_1,\cdots,\lambda_m\}\:,\mathrm{Spec}\boldsymbol{B}=\{\mu_1\:,\cdots,\mu_n\}\: SpecA={λ1​,⋯,λm​},SpecB={μ1​,⋯,μn​} ，则 S p e c ( A ⊗ B )   =   { λ i μ j   ∣   i   =   1 , ⋯   , m   ; j   =   1 , ⋯   , n   }   . \mathrm{Spec}(\boldsymbol A\otimes \boldsymbol B)\:=\:\{\lambda_i\mu_j\:|\:i\:=\:1,\cdots,m\:;j\:=\:1,\cdots,n\:\}\:. Spec(A⊗B)={λi​μj​∣i=1,⋯,m;j=1,⋯,n}.特别地，$\mathrm{t}r(\mathbf{A}\otimes \mathbf{B})=(\mathrm{t}r\mathbf{A})(\mathrm{t}r\mathbf{B})$. 另外，若 $\mathbf{A}$ 和 $\mathbf{B}$ 都相似于对角阵，则 $\mathbf{A}\otimes \mathbf{B}$ 也相似于对角阵。

证 设 $\mathbf{RA}{\mathbf{R}}^{-1}={\mathbf{T}}_{\mathbf{A}},\mathbf{SB}{\mathbf{S}}^{-1}={\mathbf{T}}_{\mathbf{B}}$ , 其中 ${\mathbf{T}}_A,{\mathbf{T}}_B$ 都是上三角方阵 ( 从而它们的主对角线上的元素集分别是 $\mathrm{Spec}\mathbf{A}$ , $\mathrm{Spec}\mathbf{B}$ ) , 则$$(\mathbf{R}\otimes \mathbf{S})(\mathbf{A}\otimes \mathbf{B})(\mathbf{R}\otimes \mathbf{S}{)}^{-1}=(\mathbf{RA}{\mathbf{R}}^{-1})\otimes (\mathbf{SB}{\mathbf{S}}^{-1})={\mathbf{T}}_A\otimes {\mathbf{T}}_B.$$不难验证 ${\mathbf{T}}_A\otimes {\mathbf{T}}_B$ 也是上三角方阵，它的主对角线上的元素集正是 { λ i μ j ∣ i = \{\lambda_i\mu_j\mid i= {λi​μj​∣i= $1,\cdots ,m,j=1,\cdots ,n\}$ . 当 ${\mathbf{T}}_A,{\mathbf{T}}_B$ 都是对角阵时，${\mathbf{T}}_A\otimes {\mathbf{T}}_B$ 也是对角阵.

2.2 矩阵方程 AXB = C

定义 $\hat{A}$ 为 $A=(a_{ij})$ 的 拉长向量 $\hat{A}=(a_{11},\cdots ,a_{1n},a_{21},\cdots ,a_{2n},\cdots {)}^T$。则 $\widehat{(\lambda A+\mu B)}=\lambda \hat{A}+\mu \hat{B}$ 。

定理 2.2.1 $\widehat{AXB}=(A\otimes B^T)\cdot \hat{X}$ 。

证：显然 $\widehat{AXB}$ 的每个分量都是 $\hat{X}$ 的线性组合。
设 $A={\left(a_{ij}\right)}_{m\times n}$ ,$X={\left(x_{ij}\right)}_{n\times p}$ , $B={\left(b_{ij}\right)}_{p\times q}$ , $X=\left(\begin{array}{c}{X}_1\\ ⋮\\ X_n\end{array}\right)$，则 $\hat{X}=\left(\begin{array}{c}{X}_1^T\\ ⋮\\ X_n^T\end{array}\right)$ .
$AXB=\left(\begin{array}{c}(a_{11}{X}_1+\cdots +a_{1n}{X}_n)B\\ ⋮\\ (a_{m1}{X}_1+\cdots +a_{mn}{X}_n)B\end{array}\right)$，
从而
$\begin{array}{rl}\widehat{AXB}& =(\begin{array}{ccc}(a_{11}{X}_1+\cdots +a_{1n}{X}_n)B,& \cdots ,& (a_{m1}{X}_1+\cdots +a_{mn}{X}_n)B\end{array}{)}^T\\ & \\ & =(\begin{array}{c}{B}^T\left(a_{11}{X}_1^T+\cdots +a_{1n}{X}_n^T\right)\\ ⋮\\ B^T\left(a_{m1}{X}_1^T+\cdots +a_{mn}{X}_n^T\right)\end{array})=\left(\begin{array}{ccc}{a}_{11}{B}^T& \cdots & a_{1n}{B}^T\\ ⋮& ⋮& \\ a_{m1}{B}^T& \cdots & a_{mn}{B}^T\end{array}\right)\left(\begin{array}{c}{X}_1^T\\ ⋮\\ X_n^T\end{array}\right)\end{array}$

故存在矩阵 $M$ 使 $\widehat{AXB}=M\hat{X}$ 。以下往证 $M=A\otimes B^T$。

1. $M$ 的行集合 $=$ $\widehat{AXB}$ 的行集合 $=$ $[m]\times [q]$，$M$ 的列集合 $=$ $\widehat{AXB}$ 的列集合 $=$ $[n]\times [p]$，任取 $(i,j)\in [m]\times [q],(i,k)\in [n]\times [p]$，相应的 $M$ 元记作 $m_{(i,j)(l,k)}$ 。
2. 令 $M\hat{X}$ 的 $(i,j)$ 行元 $={\sum }_{i,j}{m}_{(i,j)(l,k)}{x}_{lk}$ 。
3. 另 $\widehat{AXB}$ 的 $(i,j)$ 行元 $=(AXB{)}_{ij}=(a_{i1},\cdots ,a_{in})\left(\begin{array}{cccc}{x}_{11}& x_{12}& \cdots & x_{1p}\\ ⋮& ⋮& ⋮& \\ x_{n1}& x_{n2}& \cdots & x_{np}\end{array}\right)\left(\begin{array}{c}{b}_{1j}\\ ⋮\\ b_{pj}\end{array}\right)$ ，其中 $x_{lk}$ 的系数为 $a_{il}{b}_{kj}$ 。
4. $m_{(i,j)(l,k)}=a_{il}{b}_{kj}=(A\otimes B^T{)}_{(i,j)(l,k)}$ .

由此拉长公式， $AXB=C\iff \widehat{AXB}=\hat{C}\iff (A\otimes B^T)\hat{X}=\hat{C}$ 化为普通线性方程。
· $AXB=C$ 有解的充要条件为 $r(A\otimes B^T\mid \vec{C})=r(A\otimes B^T)$ .
· 齐次方程 $AXB=0$ 的基础解系含有 $np-r(A\otimes B^T)=np-r(A)r(B)$ 个无关向量。

习题: 求矩阵 $P$ 使得 $\widehat{AB}=P\hat{B}$ , 矩阵 $Q$ 使得 $\widehat{AB}=Q\hat{A}$ 。

解: $\widehat{ABE}=(A\otimes E^T)\hat{B}$ , $\widehat{EAB}=(E\otimes B^T)\hat{A}$ 。

2.3 方程 AX - XB = C 的解

设 $\mathbf{A}\in {\mathbb{C}}^{m\times m}$ , $\mathbf{B}\in {\mathbb{C}}^{n\times n}$ , $\mathbf{C}\in {\mathbb{C}}^{m\times n}$ , 且 $\mathbf{X}\in {\mathbb{C}}^{m\times n}$ 是未知矩阵（$\mathbf{AX}-\mathbf{XB}$ 只有当 $\mathbf{A}$ 和 $\mathbf{B}$ 分别是 $m$ 阶和 $n$ 阶方阵时才有意义）.
$$\begin{array}{c}\mathbf{AX}-\mathbf{XB}=\mathbf{C}\iff \widehat{(\mathbf{AX}-\mathbf{XB})}=\hat{\mathbf{C}}\iff \widehat{\mathbf{AX}}-\widehat{\mathbf{XB}}=\hat{\mathbf{C}}\\ \iff \widehat{\mathbf{AX}{\mathbf{I}}_{\mathbf{n}}}-\widehat{{\mathbf{I}}_{\mathbf{m}}\mathbf{XB}}=\hat{\mathbf{C}}\iff (\mathbf{A}\otimes {\mathbf{I}}_{\mathbf{n}}-{\mathbf{I}}_{\mathbf{m}}\otimes {\mathbf{B}}^{\mathrm{T}})\hat{\mathbf{X}}=\hat{\mathbf{C}},\end{array}$$方程 $\mathbf{AX}-\mathbf{XB}=\mathbf{C}$ 还可以写成线性方程组 $(\mathbf{A}\otimes {\mathbf{I}}_{\mathbf{n}}-{\mathbf{I}}_{\mathbf{m}}\otimes {\mathbf{B}}^{\mathrm{T}})\hat{\mathbf{X}}=\hat{\mathbf{C}}$ ，它的系数矩阵是 $mn$ 阶方阵。

若记 S p e c A = { λ 1 , ⋯   , λ m } \mathrm{Spec}\boldsymbol {A}= \left \{ \lambda_1, \cdots , \lambda_m\right \} SpecA={λ1​,⋯,λm​} , S p e c B = { μ 1 , ⋯   , μ n } \mathrm{Spec}\boldsymbol{B}=\left \{ \mu_1, \cdots , \mu_n\right \} SpecB={μ1​,⋯,μn​} , 则由 2.2 节的性质 (11)，可知 S p e c ( A ⊗ I n − I m ⊗ B T )   = { λ i − μ j   ∣   i = 1 , ⋯   , m ; j = 1 , ⋯   , n }   . \mathrm{Spec}(\mathbf{A}\otimes\mathbf{I}_{n}-\mathbf{I}_{m}\otimes\mathbf{B}^{\mathrm{T}})\:=\{\lambda_{i}-\mu_{j}\:|\:i=1,\cdots,m;j=1,\cdots,n\}\:. Spec(A⊗In​−Im​⊗BT)={λi​−μj​∣i=1,⋯,m;j=1,⋯,n}.

证: 设 $S^{-1}AS=J_A,R^{-1}BR=J_B$ ,
$\begin{array}{rl}& (S^{-1}\otimes R^{-1})(A\otimes I_n-I_m\otimes B^T)(S\otimes R)\\ & =(S^{-1}AS)\otimes R^{-1}{I}_{n}R-(S^{-1}{I}_{m}S)\otimes (R^{-1}{B}^{T}R)\\ & =J_A\otimes I_n-I_m\otimes J_{B^T}\end{array}$
再看三角阵的全部对角元。

定理 2.3.1 矩阵方程 $\mathbf{AX}-\mathbf{XB}=\mathbf{C}$ 有唯一解
$\begin{array}{rl}& ⟺(\mathbf{A}\otimes {\mathbf{I}}_n-{\mathbf{I}}_m\otimes {\mathbf{B}}^{\mathrm{T}})\hat{\mathbf{X}}=\hat{\mathbf{C}}\\ & ⟺\text{系数行列式不为 }0\\ & ⟺\mathbf{A}和\mathbf{B}无公共特征值\end{array}$

推论 2.3.2 设 $\mathbf{A}=\left(\begin{array}{ccc}{\mathbf{A}}_1& & \\ & \ddots & \\ & & {\mathbf{A}}_l\end{array}\right)$，$\mathbf{B}=\left(\begin{array}{ccc}{\mathbf{B}}_{11}& \cdots & {\mathbf{B}}_{1l}\\ ⋮& & \\ {\mathbf{B}}_{l1}& \cdots & {\mathbf{B}}_{ll}\end{array}\right)$，
其中（1）当 $i\ne j$ 时，${\mathbf{A}}_i,{\mathbf{A}}_j$无公共特征值，（2）$\mathbf{AB}=\mathbf{BA}$ ，
则 $\mathbf{B}$ 的所有非对角块部是 $0$ 。

证：$$\begin{gathered} AB=BA\Rightarrow A_i{B}_{ij}=B_{ij}{A}_i\Rightarrow B_{ij}\text{是}{A}_{i}X-X{A}_j=0\text{的解} \\ \text{又}i\ne j时A_i\text{与}{A}_j\text{无公共特征值} \\ {A}_{i}X-X{A}_j=0\text{有唯一解}\Rightarrow 只有零解\Rightarrow B_{ij}=0i\ne j \end{gathered}$$

2.4 方程 AX - XB = 0 的解

首先把 $\mathbf{A}$ 和 $\mathbf{B}$ 分别化成 Jordan 标准形 ${\mathbf{J}}_{\mathrm{A}}$ 和 ${\mathbf{J}}_{\mathrm{B}}$，即有可逆方阵 $\mathbf{S}$ 和 $\mathbf{T}$，使
$$\begin{array}{c}{S}^{-1}AS=J_A=({\lambda }_1{I}_{p_1}+H_{p_1})\oplus \cdots \oplus ({\lambda }_u{I}_{p_u}+H_{p_u})\\ (p_1+\cdots +p_u=m),\\ T^{-1}BT=J_B=({\mu }_1{I}_{q_1}+H_{q_1})\stackrel{◯}{+}\cdots \stackrel{◯}{+}({\mu }_v{I}_{q_v}+H_{q_v})\\ (q_1+\cdots +q_v=n),\\ \text{因此 }\\ \begin{array}{rl}AX& =XB\iff \mathbf{S}{J}_A{S}^{-1}X=XT{J}_B{T}^{-1}\\ & \iff J_A(S^{-1}XT)=(S^{-1}XT)J_B\end{array}\end{array}$$若记 $S^{-1}XT=Y$，则只要讨论方程 $J_{A}Y=Y{J}_B$ 。

现将 $m\times n$ 矩阵 $Y$ 的行按 $J_{\mathrm{A}}$ 的分法，列按 $J_B$ 的分法作分块，记所得分块矩阵为 $Y=(Y_{ij})$，其中 $Y_{ij}$ 是 $p_i\times q_j$ 矩阵，则方程 $J_{A}Y=Y{J}_B$ 等价于 $uv$ 个方程$$({\lambda }_i{I}_{p_i}+H_{p_i})Y_{ij}=Y_{ij}({\mu }_j{I}_{q_j}+H_{q_j})(i=1,\cdots ,u;j=1,\cdots ,v).$$当 ${\lambda }_i\ne {\mu }_j$ 时，$A$,$B$ 没有公共特征值，方程只有唯一解，可知 $Y_{ij}=0.$

当 ${\lambda }_i={\mu }_j$ 时，方程成为 $H_{p_i}{Y}_{ij}=Y_{ij}{H}_{q_j}$.这时，若记 $Y_{ij}=(y_{kl})$,则
$$\begin{array}{c}{\mathbf{H}}_{p_i}{\mathbf{Y}}_{ij}=\left(\begin{array}{ccc}{y}_{21}& \cdots & y_{2q_j}\\ ⋮& & ⋮\\ y_{p_{i}1}& \cdots & y_{p_i{q}_j}\\ 0& \cdots & 0\end{array}\right),{\mathbf{Y}}_{ij}{\mathbf{H}}_{q_j}=\left(\begin{array}{cccc}0& y_{11}& \cdots & y_{1.q_j-1}\\ 0& y_{21}& \cdots & y_{2.q_j-1}\\ ⋮& ⋮& & ⋮\\ 0& y_{p_{i}1}& \cdots & y_{p_i\cdot q_j-1}\end{array}\right).\end{array}$$
这两个 $p_i\times q_j$ 矩阵相等，当且仅当 $Y_{ij}$有下列形式：
当 $p_i=q_j$ 时，${\mathbf{Y}}_{ij}=\left[\begin{array}{cccc}{y}_0& y_1& \cdots & y_{p_i-1}\\ & y_0& \ddots & ⋮\\ & 0& \ddots & y_1\\ & & & y_0\end{array}\right];$

当 $p_i<q_j$ 时，${\mathbf{Y}}_{ij}=\left[\begin{array}{cccccc}0& 0& y_0& y_1& \cdots & y_{p_i-1}\\ 0& 0& 0& y_0& \cdots & y_{p_i-2}\\ 0& 0& 0& 0& \cdots & y_0\end{array}\right];$

当 $p_i>q_j$ 时，${\mathbf{Y}}_{ij}=\left[\begin{array}{cccc}{y}_0& y_1& \cdots & y_{q_j-1}\\ 0& y_0& \cdots & y_{q_j-2}\\ ⋮& ⋮& \cdots & ⋮\\ 0& 0& \cdots & y_0\\ 0& 0& \cdots & 0\\ ⋮& ⋮& & ⋮\\ 0& 0& \cdots & 0\end{array}\right],$

其中 min ⁡ { p i , p j } \min\{p_i,p_j\} min{pi​,pj​} 个参数 $y_0,y_1,...$ 可任取.

由此可知 $J_{A}Y-Y{J}_B=0$ 的线性无关解的个数等于 ∑ min ⁡ { p i , q i } \sum\min\{p_i,q_i\} ∑min{pi​,qi​}，这里 $\sum$ 是对所有满足 ${\lambda }_i={\mu }_j(1⩽i⩽u;1⩽j⩽v)$ 的整数对( $i,j$ )求和。这个结论也可以表述如下：

定理 2.3 设 $A$ 的初等因子是 { ( λ − λ i ) p i ∣ i = 1 , ⋯   , μ } \left\{(\lambda-\lambda_i)^{p_i}\mid i=1,\cdots,\mu\right\} {(λ−λi​)pi​∣i=1,⋯,μ} , $B$ 的初等因子是$\{(\lambda -{\mu }_j{)}^{q_j}\mid j=1,\cdots ,v\}$，则方程 $AX-XB=0$ 的线性无关解的个数是 ${\sum }_{i=1}^u{\sum }_{i=1}^v{d}_{ij}$， 这里 $d_i$ 表示 $(\lambda -{\lambda }_i{)}^{p_i}$ 和 $(\lambda -{\mu }_j{)}^{q_i}$ 的最大公因式的次数.

例 2.4 设 $A$ 的初等因子是 $\{(\lambda -1{)}^2,(\lambda -1{)}^3,(\lambda -2{)}^3\}$ , $B$ 的初等因子是
$\{(\lambda -1{)}^2,(\lambda -1{)}^2,(\lambda -2{)}^4\}$ , 则方程 $J_{A}Y-Y{J}_B=0$ 的一般解是
$$\mathbf{Y}=(\begin{array}{cccccccc}a& b& c& d& & & & \\ 0& a& 0& c& & 0& & \\ e& f& g& h& & & & \\ 0& e& 0& g& & 0& & \\ 0& 0& 0& 0& & & & \\ & & & & 0& i& j& k\\ & & & & 0& 0& i& j\\ 0& & 0& & 0& 0& 0& i\end{array})$$