矩阵论学习

个人写作笔记，如有问题，请不吝赐教！

矩阵之间的关系

相抵：$\mathbf{A},\mathbf{B}\in {\mathbb{C}}^{m\times n},\mathbf{A}\backsimeq \mathbf{B}⟺\exists \mathbf{U}\in {\mathbb{C}}^{m\times m},\mathbf{V}\in {\mathbb{C}}^{n\times n},s.t.\mathbf{B}=\mathbf{UAV}$
相似、合同变换都是一种相抵关系。
正规矩阵：$\mathbf{A}\in {\mathbb{C}}^{n\times n},{\mathbf{AA}}^{\mathrm{H}}={\mathbf{A}}^{\mathrm{H}}\mathbf{A}$，实正规矩阵即为实数域
单纯矩阵：每个特征值的代数重复度（特征值的重数）和几何重复度（特征值对应的解向量的个数）相等的矩阵，可以相似对角化，又称为简单矩阵。

若当标准形

矩阵多项式

不变因子：史密斯标准形对角线非零元素（对$\lambda$矩阵进行初等变换得到的标准形，可看作是特征值）
$k$阶行列式因子：$\lambda$矩阵中全部$k$阶子式的最大公因式，例如，一阶行列式因子就是矩阵中全部元素的最大公因子，二阶行列式因子就是全面二阶子式中的最大公因子，以此类推）
初等因子：组成不变因子的全部含$\lambda$项，即形如$(\lambda -{\lambda }_j{)}^{e_{ij}},e_{ij}\ne 0$的式子

若当标准化

若当标准形：
$$\left[\begin{array}{ccccc}{\lambda }_1& 1& 0& \cdots & 0\\ 0& {\lambda }_2& 1& \cdots & 0\\ ⋮& ⋮& \ddots & \ddots & ⋮\\ 0& 0& \cdots & {\lambda }_{n-1}& 1\\ 0& 0& 0& \cdots & {\lambda }_n\end{array}\right]$$
求取若当标准形：
1.求出全部的初等因子，保证因子次数之和等于矩阵的秩
2.根据每个初等因子，写出对应的若当块，例如初等因子$(\lambda -{\lambda }_i{)}^{m_i}$对应的若当块是：
$${\mathbf{J}}_{\mathbf{i}}=\left[\begin{array}{cccc}{\lambda }_i& 1& & \\ & {\lambda }_i& \ddots & \\ & & \ddots & 1\\ & & & {\lambda }_i\end{array}\right]$$
3.根据这些若当块，组成若当标准形：
$$\mathbf{J}=\left[\begin{array}{cccc}{\mathbf{J}}_1& & & \\ & {\mathbf{J}}_2& & \\ & & \ddots & \\ & & & {\mathbf{J}}_{\mathbf{r}}\end{array}\right]$$

凯莱-哈密顿定理

方阵满足其特征多项式，即$f(\mathbf{A})=0$
可用于计算方阵的n次幂

矩阵的范数

$\forall \mathbf{A}\in {\mathbb{C}}^{m\times n}$，定义以下的范数：

矩阵原生范数

总和范数：$||\mathbf{A}|{|}_M=\sum _{j=1}^n\sum _{i=1}^m|a_{ij}|$
F范数：$||\mathbf{A}|{|}_F=\sum _{j=1}^n\sum _{i=1}^m|a_{ij}{|}^2$
G范数：$||\mathbf{A}|{|}_G=n\cdot \underset{i,j}{\max }\sum _{i=1}^n|a_{ij}|$

向量范数导出的矩阵范数

矩阵的最大奇异值称为矩阵的谱半径，用 ρ ( A ) = max ⁡ { s i } i = 1 n \displaystyle\rho({\bm{A}})=\max\{s_i\}_{i=1}^{n} ρ(A)=max{si​}i=1n​ 表示。
行和范数：$||\mathbf{A}|{|}_{\infty }=\sum _{j=1}^n|a_{ij}|$
列和范数：$||\mathbf{A}|{|}_1=\sum _{i=1}^m|a_{ij}|$
谱范数： ∣ ∣ A ∣ ∣ 2 = max ⁡ { s i } i = 1 n \displaystyle||\bm{A}||_2=\max\{s_i\}_{i=1}^{n} ∣∣A∣∣2​=max{si​}i=1n​

矩阵分析应用

矩阵函数

1.对于单纯矩阵
找到一个变换矩阵$\mathbf{Q}$，使得矩阵对角化为$\mathbf{B}$，即：
$$\mathbf{B}=Diag[f({\lambda }_1),f({\lambda }_2),\cdots ,f({\lambda }_n)]={\mathbf{Q}}^{-1}\mathbf{AQ}$$矩阵函数定义为：
$$\begin{array}{rl}& {\mathbf{Q}}^{-1}f(\mathbf{A})\mathbf{Q}=Diag[f({\lambda }_1),f({\lambda }_2),\cdots ,f({\lambda }_n)]\\ & ⟹f(\mathbf{A})={\mathbf{Q}}^{-1}Diag[f({\lambda }_1),f({\lambda }_2),\cdots ,f({\lambda }_n)]\mathbf{Q}\end{array}$$

2.对于亏损矩阵（不能保证代数和几何重复度相等，但是可以保证所有特征向量线性无关的矩阵）
找到一个变换矩阵$\mathbf{T}$，使得矩阵若当标准化为$\mathbf{J}$，即：
$$\mathbf{J}=Diag[f({\mathbf{J}}_1({\lambda }_1)),f({\mathbf{J}}_2({\lambda }_2)),\cdots ,f({\mathbf{J}}_{\mathbf{r}}({\lambda }_r))]={\mathbf{T}}^{-1}\mathbf{AT}$$矩阵函数定义为：
$$\begin{array}{rl}& {\mathbf{T}}^{-1}f(\mathbf{A})\mathbf{T}=Diag[f({\mathbf{J}}_1({\lambda }_1)),f({\mathbf{J}}_2({\lambda }_2)),\cdots ,f({\mathbf{J}}_{\mathbf{r}}({\lambda }_r))]\\ & ⟹f(\mathbf{A})={\mathbf{T}}^{-1}Diag[f({\mathbf{J}}_1({\lambda }_1)),f({\mathbf{J}}_2({\lambda }_2)),\cdots ,f({\mathbf{J}}_{\mathbf{r}}({\lambda }_r))]\mathbf{T}\end{array}$$

矩阵的微积分

定义

矩阵函数对纯量求导

设矩阵$\mathbf{A}\in {\mathbb{C}}^{m\times n}$，矩阵函数$\mathbf{F}(\mathbf{A}):{\mathbb{C}}^{m\times n}⟼{\mathbb{C}}^{p\times q}$，其全微分满足以下式子：
$$\frac{\mathrm{d}\mathbf{F}(\mathbf{A})}{\mathrm{d}{a}_{ij}}=\left[\begin{array}{cccc}\frac{\mathrm{d}{f}_{11}}{\mathrm{d}{a}_{ij}}& \frac{\mathrm{d}{f}_{12}}{\mathrm{d}{a}_{ij}}& \cdots & \frac{\mathrm{d}{f}_{1q}}{\mathrm{d}{a}_{ij}}\\ & & & \\ \frac{\mathrm{d}{f}_{21}}{\mathrm{d}{a}_{ij}}& \frac{\mathrm{d}{f}_{22}}{\mathrm{d}{a}_{ij}}& \cdots & \frac{\mathrm{d}{f}_{2q}}{\mathrm{d}{a}_{ij}}\\ & & & \\ ⋮& ⋮& & ⋮\\ & & & \\ \frac{\mathrm{d}{f}_{p1}}{\mathrm{d}{a}_{ij}}& \frac{\mathrm{d}{f}_{p2}}{\mathrm{d}{a}_{ij}}& \cdots & \frac{\mathrm{d}{f}_{pq}}{\mathrm{d}{a}_{ij}}\end{array}\right]$$

纯量对向量的导数

设列向量 $\mathbf{X}\in {\mathbb{C}}^{n\times 1}$，对于一个向量值函数$f(\mathbf{X}):{\mathbb{C}}^{n\times 1}⟼\mathbb{C}$，其全微分满足以下式子：
$$\mathrm{d}f(\mathbf{X})=\sum _{i=1}^n\frac{\partial f}{\partial x_i}\mathrm{d}{x}_i$$将式子改写成矩阵的形式，则有：
$$\mathrm{d}f(\mathbf{X})=\left[\begin{array}{cccc}\frac{\partial f}{\partial x_1}& \frac{\partial f}{\partial x_2}& \cdots & \frac{\partial f}{\partial x_q}\end{array}\right]\left[\begin{array}{c}\mathrm{d}{x}_1\\ \\ \mathrm{d}{x}_2\\ \\ ⋮\\ \\ \mathrm{d}{x}_q\end{array}\right]$$矩阵导数有多种表示形式，常见的如分子求导式或者分母求导式，本文选取的是分母求导式，其人为定义如下：
$$\frac{\mathrm{d}f(\mathbf{X})}{\mathrm{d}\mathbf{X}}=\left[\begin{array}{cccc}\frac{\partial f}{\partial x_1}& \frac{\partial f}{\partial x_2}& \cdots & \frac{\partial f}{\partial x_q}\end{array}\right]\mathrm{d}\mathbf{X}=\left[\begin{array}{c}\mathrm{d}{x}_1\\ \\ \mathrm{d}{x}_2\\ \\ ⋮\\ \\ \mathrm{d}{x}_q\end{array}\right]$$设$\mathbf{A}\in {\mathbb{C}}^{m\times n}$，$\mathbf{X},\mathbf{Y}\in {\mathbb{C}}^{n\times 1}$，则必有：
$$\{\begin{array}{rl}\frac{\mathrm{d}\mathbf{Y}}{\mathrm{d}{\mathbf{X}}^{\mathrm{H}}}& =(\frac{\mathrm{d}{\mathbf{Y}}^{\mathrm{H}}}{\mathrm{d}\mathbf{X}}{)}^{\mathrm{H}}\\ \frac{\mathrm{d}\mathbf{A}\mathbf{X}}{\mathrm{d}\mathbf{X}}& =\mathbf{A}\end{array}$$纯量对矩阵的求导满足简单的运算法则：
$$\frac{\mathrm{d}[f(\mathbf{X})\pm g(\mathbf{X})]}{\mathrm{d}\mathbf{X}}=\frac{\mathrm{d}f(\mathbf{X})}{\mathrm{d}\mathbf{X}}\pm \frac{\mathrm{d}g(\mathbf{X})}{\mathrm{d}\mathbf{X}}$$
$$\frac{\mathrm{d}f(\mathbf{X})g(\mathbf{X})}{\mathrm{d}\mathbf{X}}=\frac{\mathrm{d}f(\mathbf{X})}{\mathrm{d}\mathbf{X}}g(\mathbf{X})+f(\mathbf{X})\frac{\mathrm{d}g(\mathbf{X})}{\mathrm{d}\mathbf{X}}$$

复杂导数

下面包含矩阵之间、向量之间的导数，直接计算十分繁杂，通过以下几步公式可以简化运算。

预备知识：矩阵直积

引入克罗内克记号（矩阵直积）：$\otimes$
若设 $\mathbf{A}\in R^{m\times p},\mathbf{B}\in R^{n\times p},\mathbf{X}\in R^{q\times 1}$，记：
$$\mathbf{A}\otimes \mathbf{B}\triangleq {\left[\begin{array}{cccc}{a}_{11}\mathbf{B}& a_{12}\mathbf{B}& \cdots & a_{1p}\mathbf{B}\\ a_{21}\mathbf{B}& a_{22}\mathbf{B}& \cdots & a_{2p}\mathbf{B}\\ ⋮& ⋮& & ⋮\\ a_{m1}\mathbf{B}& a_{m2}\mathbf{B}& \cdots & a_{mp}\mathbf{B}\end{array}\right]}_{mn\times pq}$$

矩阵对矩阵的导数

$\exists \mathbf{F}\in C^{p\times q},\mathbf{A}\in C^{m\times n}$，有：
$$\frac{\mathrm{d}\mathbf{F}}{\mathrm{d}\mathbf{A}}=\left[\begin{array}{cccc}\frac{\partial \mathbf{F}}{\partial a_{11}}& \frac{\partial \mathbf{F}}{\partial a_{21}}& \cdots & \frac{\partial \mathbf{F}}{\partial a_{m1}}\\ & & & \\ \frac{\partial \mathbf{F}}{\partial a_{12}}& \frac{\partial \mathbf{F}}{\partial a_{22}}& \cdots & \frac{\partial \mathbf{F}}{\partial a_{m2}}\\ & & & \\ ⋮& ⋮& & ⋮\\ & & & \\ \frac{\partial \mathbf{F}}{\partial a_{1n}}& \frac{\partial \mathbf{F}}{\partial a_{2n}}& \cdots & \frac{\partial \mathbf{F}}{\partial a_{mn}}\end{array}\right]\triangleq \frac{\mathrm{d}}{\mathrm{d}\mathbf{A}}\otimes \mathbf{F}$$尤其注意，矩阵梯度形状与微分变量有转置关系：
$$\frac{\mathrm{d}}{\mathrm{d}\mathbf{A}}\triangleq \left[\begin{array}{cccc}\frac{\partial }{\partial a_{11}}& \frac{\partial }{\partial a_{21}}& \cdots & \frac{\partial }{\partial a_{m1}}\\ & & & \\ \frac{\partial }{\partial a_{12}}& \frac{\partial }{\partial a_{22}}& \cdots & \frac{\partial }{\partial a_{m2}}\\ & & & \\ ⋮& ⋮& & ⋮\\ & & & \\ \frac{\partial }{\partial a_{1n}}& \frac{\partial }{\partial a_{2n}}& \cdots & \frac{\partial }{\partial a_{mn}}\end{array}\right]$$可见导数的形状为$\frac{\mathrm{d}\mathbf{F}}{\mathrm{d}\mathbf{A}}\in {\mathbb{C}}^{np\times mq}$，相当于原函数形状对微分变量转置形状的直积。简记为：
$$\begin{array}{r}\frac{\mathrm{d}\mathbf{F}}{\mathrm{d}\mathbf{A}}\triangleq \frac{\mathrm{d}}{\mathrm{d}\mathbf{A}}\otimes \mathbf{F}\triangleq {\nabla }_{\mathbf{A}}\otimes \mathbf{F}\end{array}$$当原函数退化为纯量时，矩阵直积退化为向量梯度场：
$$\begin{array}{r}\frac{\mathrm{d}f}{\mathrm{d}\mathbf{A}}\triangleq \frac{\mathrm{d}}{\mathrm{d}\mathbf{A}}f\triangleq {\nabla }_{\mathbf{A}}f\end{array}$$这是一个重要结论，可以用于验证导数求解的正确性。

求导运算法则

矩阵对列向量求导

特别地，当微分变量是列向量时，设 $\mathbf{A}\in {\mathbb{C}}^{m\times n}$，$\mathbf{B}\in {\mathbb{C}}^{n\times p}$，$\mathbf{X}\in {\mathbb{C}}^{n\times 1}$， $f(\mathbf{X})$ 是一个纯量函数，可以得出以下的求导结论，有：
$$\begin{array}{r}\{\begin{array}{rl}& \frac{\mathrm{d}(\mathbf{A}\pm \mathbf{B})}{\mathrm{d}\mathbf{X}}=\frac{\mathrm{d}\mathbf{A}}{\mathrm{d}\mathbf{X}}\pm \frac{\mathrm{d}\mathbf{B}}{\mathrm{d}\mathbf{X}}\\ & \\ & \frac{\mathrm{d}{f}_{\mathbf{X}}\mathbf{B}}{\mathrm{d}\mathbf{X}}=\frac{\mathrm{d}{f}_{\mathbf{X}}}{\mathrm{d}\mathbf{X}}\otimes \mathbf{B}+f_{\mathbf{X}}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}\mathbf{X}}\\ & \\ & \frac{\mathrm{d}\mathbf{A}\mathbf{B}}{\mathrm{d}\mathbf{X}}=\frac{\mathrm{d}\mathbf{A}}{\mathrm{d}\mathbf{X}}({\mathbf{I}}_q\otimes \mathbf{B})+\mathbf{A}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}\mathbf{X}}\end{array}\end{array}$$

向量对向量求导

特别地，当函数也退化为向量时，直积部分可以省略。设 $\mathbf{X}\in {\mathbb{C}}^{m\times 1}$， $\mathbf{Y},\mathbf{Z}\in {\mathbb{C}}^{n\times 1}$， $f(\mathbf{X})$ 是一个纯量函数，有以下更为简洁的公式：
$$\begin{array}{r}\{\begin{array}{rl}& \frac{\mathrm{d}(\mathbf{Y}\pm \mathbf{Z})}{\mathrm{d}\mathbf{X}}=\frac{\mathrm{d}\mathbf{Y}}{\mathrm{d}\mathbf{X}}\pm \frac{\mathrm{d}\mathbf{Z}}{\mathrm{d}\mathbf{X}}\\ & \\ & \frac{\mathrm{d}(f_{\mathbf{X}}\mathbf{Z})}{\mathrm{d}\mathbf{X}}=\frac{\mathrm{d}{f}_{\mathbf{X}}}{\mathrm{d}\mathbf{X}}\otimes \mathbf{Z}+f_{\mathbf{X}}\frac{\mathrm{d}\mathbf{Z}}{\mathrm{d}\mathbf{X}}=\mathbf{Z}\frac{\mathrm{d}{f}_{\mathbf{X}}}{\mathrm{d}{\mathbf{X}}^{\mathrm{H}}}+f_{\mathbf{X}}\frac{\mathrm{d}\mathbf{Z}}{\mathrm{d}\mathbf{X}}\\ & \\ & \frac{\mathrm{d}({\mathbf{Y}}^{\mathrm{H}}\mathbf{Z})}{\mathrm{d}\mathbf{X}}={\mathbf{Z}}^{\mathrm{H}}\frac{\mathrm{d}\mathbf{Y}}{\mathrm{d}\mathbf{X}}+{\mathbf{Y}}^{\mathrm{H}}\frac{\mathrm{d}\mathbf{Z}}{\mathrm{d}\mathbf{X}}\end{array}\end{array}$$

矩阵迹的导数

未完待续…

矩阵范数的导数

未完待续…

矩阵的全微分

性质：线性性，转置和追迹（主对角线上元素之和）运算与微分可换顺序：$\mathrm{d}({\mathbf{X}}^{\mathrm{H}})=(\mathrm{d}\mathbf{X}{)}^{\mathrm{H}}$,$\mathrm{d}(tr\mathbf{X})=tr(\mathrm{d}\mathbf{X})$
注意，矩阵求导不能认为是微商。
一个重要公式：
若设$\mathbf{X}$是n维列向量，$\mathbf{Y}$是m维列向量，$\mathbf{A}$是$n\times m$维矩阵，则有：
${\mathbf{X}}^{\mathrm{H}}\mathbf{AY}={\sum }_{i=1}^n{\sum }_{j=1}^m{a}_{ij}{x}_i{y}_j$

运算式证明

矩阵求导乘积法则推导过程：
设矩阵$\mathbf{A}\in {\mathbb{C}}^{m\times n},\mathbf{B}\in {\mathbb{C}}^{n\times p}$，列向量$\mathbf{X}\in {\mathbb{C}}^{n\times 1}$，证明以下公式成立：
$$\frac{\mathrm{d}\mathbf{A}\mathbf{B}}{\mathrm{d}\mathbf{X}}=\frac{\mathrm{d}\mathbf{A}}{\mathrm{d}\mathbf{X}}({\mathbf{I}}_q\otimes \mathbf{B})+\mathbf{A}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}\mathbf{X}}$$取定矩阵$\mathbf{A}$的行向量和矩阵$\mathbf{B}$的列向量：
$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right]=\left[\begin{array}{c}{\alpha }_1^{\mathrm{H}}\\ {\alpha }_2^{\mathrm{H}}\\ ⋮\\ {\alpha }_m^{\mathrm{H}}\end{array}\right]\begin{array}{rl}B& =\left[\begin{array}{cccc}{b}_{11}& b_{12}& \cdots & b_{1p}\\ b_{21}& b_{22}& \cdots & b_{2p}\\ ⋮& ⋮& & ⋮\\ b_{n1}& b_{n2}& \cdots & b_{np}\end{array}\right]\\ & =\left[\begin{array}{c}{\beta }_1{\beta }_2\cdots {\beta }_p\end{array}\right]\end{array}$$则有：
$$\begin{array}{rl}\mathbf{AB}& =\left[\begin{array}{cccc}{\alpha }_1^{\mathrm{H}}{\beta }_1& {\alpha }_1^{\mathrm{H}}{\beta }_2& \cdots & {\alpha }_1^{\mathrm{H}}{\beta }_p\\ & & & \\ {\alpha }_2^{\mathrm{H}}{\beta }_1& {\alpha }_2^{\mathrm{H}}{\beta }_2& \cdots & {\alpha }_2^{\mathrm{H}}{\beta }_p\\ & & & \\ ⋮& ⋮& & ⋮\\ & & & \\ {\alpha }_m^{\mathrm{H}}{\beta }_1& {\alpha }_m^{\mathrm{H}}{\beta }_2& \cdots & {\alpha }_m^{\mathrm{H}}{\beta }_p\end{array}\right]\\ & \\ ⟹\frac{\mathrm{d}\mathbf{AB}}{\mathrm{d}\mathbf{X}}& =\left[\begin{array}{cccc}\frac{\mathrm{d}\mathbf{AB}}{\mathrm{d}{x}_1}& \frac{\mathrm{d}\mathbf{AB}}{\mathrm{d}{x}_2}& \cdots & \frac{\mathrm{d}\mathbf{AB}}{\mathrm{d}{x}_q}\end{array}\right]\end{array}$$由于各项形式完全一致，考虑第一项$\frac{\mathrm{d}\mathbf{AB}}{\mathrm{d}{x}_1}$即可，这是一项纯量对向量求导，直接化简可得：
$$\begin{array}{r}\frac{\mathrm{d}\mathbf{AB}}{\mathrm{d}{x}_1}=\frac{\mathrm{d}\mathbf{A}}{\mathrm{d}{x}_1}\mathbf{B}+\mathbf{A}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}{x}_1}\end{array}$$可知最终结果必含两项，先考虑由 $\frac{\mathrm{d}\mathbf{A}}{\mathrm{d}{x}_i}\mathbf{B}$ 代表的一项，即有：
$$\begin{array}{rl}& \left[\begin{array}{cccc}\frac{\mathrm{d}\mathbf{A}}{\mathrm{d}{x}_1}\mathbf{B}& \frac{\mathrm{d}\mathbf{A}}{\mathrm{d}{x}_2}\mathbf{B}& \cdots & \frac{\mathrm{d}\mathbf{A}}{\mathrm{d}{x}_q}\mathbf{B}\end{array}\right]\\ & \\ & =\left[\begin{array}{cccc}\frac{\mathrm{d}\mathbf{A}}{\mathrm{d}{x}_1}& \frac{\mathrm{d}\mathbf{A}}{\mathrm{d}{x}_2}& \cdots & \frac{\mathrm{d}\mathbf{A}}{\mathrm{d}{x}_q}\end{array}\right]\cdot ({\mathbf{I}}_q\otimes \mathbf{B})\\ & \\ & =\frac{\mathrm{d}\mathbf{A}}{\mathrm{d}\mathbf{X}}({\mathbf{I}}_q\otimes \mathbf{B})\end{array}$$即为待证结果第一项，再考虑由 $\mathbf{A}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}{x}_i}$ 代表的一项，有：
$$\begin{array}{rl}& \left[\begin{array}{cccc}\mathbf{A}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}{x}_1}& \mathbf{A}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}{x}_2}& \cdots & \mathbf{A}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}{x}_q}\end{array}\right]\\ & \\ & =\mathbf{A}\left[\begin{array}{cccc}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}{x}_1}& \frac{\mathrm{d}\mathbf{B}}{\mathrm{d}{x}_2}& \cdots & \frac{\mathrm{d}\mathbf{B}}{\mathrm{d}{x}_q}\end{array}\right]\\ & \\ & =\mathbf{A}\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}\mathbf{X}}\end{array}$$这里，能够直接提取公因式的原因是，左乘的矩阵 $\mathbf{A}$ 是按行与矩阵 $\frac{\mathrm{d}\mathbf{B}}{\mathrm{d}{x}_q}$ 的列相乘，提取后的分块矩阵列的形状是维持不变的，因此可以提取公因式；而在上一个式子中，由于矩阵 $\mathbf{B}$ 是右乘的，因此提取出公因式后左边剩余的分块矩阵行的形状倍增$q$倍，因此不可直接提取公因式，需要引入矩阵直积。
综上，原公式得到了证明。