《矩阵理论》大萌课程笔记 - 特殊矩阵
总目录
章节名称与链接 | |
---|---|
线性空间与线性变换 | 线性空间与子空间 |
有限维线性空间、基、维数 | |
线性变换 | |
内积空间 | |
特征值与特征向量 | |
特殊矩阵 | |
矩阵分解 | |
矩阵函数 |
声明
本专栏博客用于记录上海交通大学研究生课程《矩阵理论》笔记,课程任教老师为邓大萌老师。所有内容均为博主个人的课堂笔记,包括课堂例题与证明。如有不妥、错误之处欢迎大家指正。
文章目录
1 先验定理
1.1 零空间包含链条
对于 σ ∈ L ( V ) \sigma\in L(V) σ∈L(V)有下列命题成立:
1) n u l l σ 0 ⊆ n u l l σ ⊆ n u l l σ 2 ⊆ n u l l σ 3 ⊆ . . . ⊆ n u l l σ n ⊆ . . . null\ \sigma^0\sube null\ \sigma\subseteq null\ \sigma^2\sube null\ \sigma^3\sube...\sube null\ \sigma^n\sube... null σ0⊆null σ⊆null σ2⊆null σ3⊆...⊆null σn⊆...或者表示为 n u l l σ k ⊆ n u l l σ k + 1 , k ≥ 0 null\ \sigma^k\sube null\ \sigma^{k+1},k\ge0 null σk⊆null σk+1,k≥0
2)若 n u l l σ k = n u l l σ k + 1 null\ \sigma^k=null\ \sigma^{k+1} null σk=null σk+1,则 n u l l σ k + i = n u l l σ k + i + 1 null\ \sigma^{k+i}=null\ \sigma^{k+i+1} null σk+i=null σk+i+1
3)若 d i m ( V ) = n dim(V)=n dim(V)=n,则一定有 n u l l σ n = n u l l σ n + 1 null\ \sigma^n=null\ \sigma^{n+1} null σn=null σn+1
证明:
1)设 α ∈ n u l l σ k ⇒ σ k ( α ) = 0 ⇒ σ ( σ k ( α ) ) = σ ( 0 ) = σ k + 1 ( α ) = 0 ⇒ α ∈ σ k + 1 \alpha\in null\ \sigma^k\Rightarrow \sigma^k(\alpha)=0\Rightarrow \sigma(\sigma^k(\alpha))=\sigma(0)=\sigma^{k+1}(\alpha)=0\Rightarrow \alpha\in \sigma^{k+1} α∈null σk⇒σk(α)=0⇒σ(σk(α))=σ(0)=σk+1(α)=0⇒α∈σk+1
2)由(1)知, n u l l σ k + i ⊆ n u l l σ k + i + 1 null\ \sigma^{k+i}\sube null\ \sigma^{k+i+1} null σk+i⊆null σk+i+1,只要再证 n u l l σ k + i + 1 ⊆ n u l l σ k + i null\ \sigma^{k+i+1}\sube null\ \sigma^{k+i} null σk+i+1⊆null σk+i即可;
设 α ∈ n u l l σ k + i + 1 ⇒ σ k + i + 1 ( α ) = σ k + 1 ( σ i ( α ) ) = 0 ⇒ σ i ( α ) ∈ n u l l σ k + 1 = n u l l σ k \alpha\in null\ \sigma^{k+i+1}\Rightarrow \sigma^{k+i+1}(\alpha)=\sigma^{k+1}(\sigma^i(\alpha))=0\Rightarrow \sigma^i(\alpha)\in null\ \sigma^{k+1}=null\ \sigma^k α∈null σk+i+1⇒σk+i+1(α)=σk+1(σi(α))=0⇒σi(α)∈null σk+1=null σk
⇒ σ k ( σ i ( α ) ) = 0 ⇒ σ k + i ( α ) = 0 ⇒ α ∈ σ k + i ⇒ σ k + i = σ k + i + 1 \Rightarrow \sigma^k(\sigma^i(\alpha))=0\Rightarrow\sigma^{k+i}(\alpha)=0\Rightarrow \alpha\in\sigma^{k+i}\Rightarrow\sigma^{k+i}=\sigma^{k+i+1} ⇒σk(σi(α))=0⇒σk+i(α)=0⇒α∈σk+i⇒σk+i=σk+i+1;
3)反证法:已知 d i m ( n u l l σ i ) ≤ n , i ≥ 0 dim(null\ \sigma^i)\le n,i\ge 0 dim(null σi)≤n,i≥0
若 n u l l σ n ≠ n u l l σ n + 1 null\ \sigma^n\not=null\ \sigma^{n+1} null σn=null σn+1,由(1)(2)可知:
n u l l σ 0 ⊂ n u l l σ ⊂ n u l l σ 2 ⊂ n u l l σ 3 ⊂ . . . ⊂ n u l l σ n ⊂ n u l l σ n + 1 null\ \sigma^0\sub null\ \sigma\sub null\ \sigma^2\sub null\ \sigma^3\sub...\sub null\ \sigma^n\sub null\ \sigma^{n+1} null σ0⊂null σ⊂null σ2⊂null σ3⊂...⊂null σn⊂null σn+1
d i m ( n u l l σ i ) < d i m ( n u l l σ i + 1 ) , 0 ≤ i ≤ n dim(null\ \sigma^i)<dim(null\ \sigma^{i+1}),0\le i\le n dim(null σi)<dim(null σi+1),0≤i≤n
⇒ d i m ( n u l l σ n + 1 ) > n \Rightarrow dim(null\ \sigma^{n+1})>n ⇒dim(null σn+1)>n,矛盾,因此假设不成立。证毕。
1.2 幂零变换
定义: N ∈ L ( V ) , N j = 0 , j ∈ N + N\in L(V),N^j=0,j\in N^+ N∈L(V),Nj=0,j∈N+,称 N N N为幂零变换;
例: N : P 4 [ R ] → P 4 [ R ] , N ( f ) = f ′ N:P_4[R]\rightarrow P_4[R],N(f)=f' N:P4[R]→P4[R],N(f)=f′,判断 N N N是否为幂零变换
解: ∀ f ∈ P 4 [ R ] , N 5 ( f ) = f ′ ′ ′ ′ ′ = 0 , N \forall f\in P_4[R],N^5(f)=f'''''=0,N ∀f∈P4[R],N5(f)=f′′′′′=0,N是幂零变换。
性质:
- 幂零变换的特征值有且只有0;
证明: N ( α ) = λ α ⇒ N j ( α ) = λ j α = 0 ⇒ λ j = 0 ⇒ λ = 0 N(\alpha)=\lambda\alpha\Rightarrow N^j(\alpha)=\lambda^j\alpha=0\Rightarrow \lambda^j=0\Rightarrow \lambda=0 N(α)=λα⇒Nj(α)=λjα=0⇒λj=0⇒λ=0
- 对于幂零变换一定存在一组基,基下的矩阵是真上三角阵(对角线为0的上三角阵)
- j = d i m V j=dim\ V j=dim V时一定满足 N j = 0 N^j=0 Nj=0
1.3 广义特征向量/子空间
定义:
T ∈ L ( V ) , α ∈ V , ( T − λ i I ) j ( α ) = 0 , j ∈ N + , 1 ≤ i ≤ k , λ 1 , λ 2 , . . . , λ k T\in L(V),\alpha\in V,(T-\lambda_iI)^j(\alpha)=0,j\in N^+,1\le i\le k,\lambda_1,\lambda_2,...,\lambda_k T∈L(V),α∈V,(T−λiI)j(α)=0,j∈N+,1≤i≤k,λ1,λ2,...,λk是 T T T的不同特征值,则称 α \alpha α是广义特征向量,由所有满足条件的 α \alpha α构成的集合称为广义特征子空间,记作 G ( T , λ i ) G(T,\lambda_i) G(T,λi)
例(作业1): R 3 → R 3 , T ( x , y , z ) = ( y , 0 , 2 z ) R^3\rightarrow R^3, T(x,y,z)=(y,0,2z) R3→R3,T(x,y,z)=(y,0,2z)
1)求 T T T的特征值与特征子空间
2)求广义特征子空间,判别 R 3 R^3 R3是否为广义特征子空间的直和。
解:(1) y = λ x , 0 = λ y , 2 z = λ z ⇒ λ 1 = 0 , λ 2 = 2 y=\lambda x,0=\lambda y,2z=\lambda z\Rightarrow \lambda_1=0,\lambda_2=2 y=λx,0=λy,2z=λz⇒λ1=0,λ2=2
(2) ( T − 2 I ) α = ( y − 2 x , − 2 y , 0 ) (T-2I)\alpha=(y-2x,-2y,0) (T−2I)α=(y−2x,−2y,0)
( T − 2 I ) 2 α = ( T − 2 I ) ( y − 2 x , − 2 y , 0 ) = ( 4 x − 4 y , − 4 y , 0 ) (T-2I)^2\alpha=(T-2I)(y-2x,-2y,0)=(4x-4y,-4y,0) (T−2I)2α=(T−2I)(y−2x,−2y,0)=(4x−4y,−4y,0)
( T − 2 I ) 3 α = ( T − 2 I ) ( 4 x − 4 y , − 4 y , 0 ) = ( 4 y − 8 x , − 8 y , 0 ) (T-2I)^3\alpha=(T-2I)(4x-4y,-4y,0)=(4y-8x,-8y,0) (T−2I)3α=(T−2I)(4x−4y,−4y,0)=(4y−8x,−8y,0)
G ( T , λ 2 ) = n u l l ( T − 2 I ) 3 = S p a n ( ( 0 , 0 , 1 ) T ) G(T,\lambda_2)=null\ (T-2I)^3=Span((0,0,1)^T) G(T,λ2)=null (T−2I)3=Span((0,0,1)T)
G ( T , λ 1 ) = n u l l ( T − 0 I ) 3 = S p a n ( ( 1 , 0 , 0 ) T , ( 0 , 1 , 0 ) T ) G(T,\lambda_1)=null\ (T-0I)^3=Span((1,0,0)^T,(0,1,0)^T) G(T,λ1)=null (T−0I)3=Span((1,0,0)T,(0,1,0)T)
性质:
- G ( T , λ i ) = n u l l ( T − λ i I ) d i m V G(T,\lambda_i)=null\ (T-\lambda_iI)^{dim\ V} G(T,λi)=null (T−λiI)dim V
证明:
∀ α ∈ G ( T , λ i ) ⇒ ( T − λ i ) j α = 0 , 其 中 j ≤ d i m V , 不 妨 取 j = d i m V ⇒ ( T − λ i ) d i m V α = 0 ⇒ α ∈ n u l l ( T − λ i ) d i m V \forall \alpha\in G(T,\lambda_i)\Rightarrow (T-\lambda_i)^j\alpha=0,其中j\le dim\ V,不妨取j=dim\ V\Rightarrow (T-\lambda_i)^{dim\ V}\alpha=0\Rightarrow \alpha\in null (T-\lambda_i)^{dim\ V} ∀α∈G(T,λi)⇒(T−λi)jα=0,其中j≤dim V,不妨取j=dim V⇒(T−λi)dim Vα=0⇒α∈null(T−λi)dim V
⇒ G ( T , λ i ) ⊆ n u l l ( T − λ i ) d i m V \Rightarrow G(T,\lambda_i)\sube null(T-\lambda_i)^{dim\ V} ⇒G(T,λi)⊆null(T−λi)dim V
又 ∀ α ∈ n u l l ( T − λ i ) d i m V , ( T − λ i ) d i m V α = 0 ⇒ α ∈ G ( T , λ i ) \forall \alpha\in null(T-\lambda_i)^{dim\ V},(T-\lambda_i)^{dim\ V}\alpha=0\Rightarrow \alpha\in G(T,\lambda_i) ∀α∈null(T−λi)dim V,(T−λi)dim Vα=0⇒α∈G(T,λi)
⇒ n u l l ( T − λ i ) d i m V ⊆ G ( T , λ i ) \Rightarrow null(T-\lambda_i)^{dim\ V}\sube G(T,\lambda_i) ⇒null(T−λi)dim V⊆G(T,λi)
⇒ G ( T , λ i ) = n u l l ( T − λ i ) d i m V \Rightarrow G(T,\lambda_i)=null(T-\lambda_i)^{dim\ V} ⇒G(T,λi)=null(T−λi)dim V
- 不同特征值对应的广义特征向量线性无关;
证明:设 T ∈ V , d i m V = n , λ 1 , λ 2 , . . . , λ k T\in V,dim\ V=n,\lambda_1,\lambda_2,...,\lambda_k T∈V,dim V=n,λ1,λ2,...,λk是 V V V的 k k k个特征值 α 1 , α 2 , . . . , α k \alpha_1,\alpha_2,...,\alpha_k α1,α2,...,αk是对应的广义特征向量
设存在一组系数使得 x 1 α 1 + x 2 α 2 + . . . + x k α k = 0 x_1\alpha_1+x_2\alpha_2+...+x_k\alpha_k=0 x1α1+x2α2+...+xkαk=0
⇒ σ ( x 1 α 1 + x 2 α 2 + . . . + x k α k ) = 0 , σ ∈ L ( V ) \Rightarrow \sigma(x_1\alpha_1+x_2\alpha_2+...+x_k\alpha_k)=0,\sigma\in L(V) ⇒σ(x1α1+x2α2+...+xkαk)=0,σ∈L(V)
设存在最大 m m m使得 ( T − λ 1 I ) m = ω ≠ 0 ⇒ ( T − λ 1 I ) m + 1 = ( T − λ 1 I ) ω = 0 ⇒ T ( ω ) = λ 1 ω (T-\lambda_1I)^m=\omega\not=0\Rightarrow (T-\lambda_1I)^{m+1}=(T-\lambda_1I)\omega=0\Rightarrow T(\omega)=\lambda_1\omega (T−λ1I)m=ω=0⇒(T−λ1I)m+1=(T−λ1I)ω=0⇒T(ω)=λ1ω
令线性变换 σ = ( T − λ 1 I ) m ( T − λ 2 I ) n . . . ( T − λ k I ) n \sigma=(T-\lambda_1I)^m(T-\lambda_2I)^n...(T-\lambda_kI)^n σ=(T−λ1I)m(T−λ2I)n...(T−λkI)n
⇒ σ ( x i α i ) = x i ( T − λ 1 I ) m ( T − λ 2 I ) n . . . ( T − λ k I ) n α i = 0 , i ≠ 1 \Rightarrow \sigma(x_i\alpha_i)=x_i(T-\lambda_1I)^m(T-\lambda_2I)^n...(T-\lambda_kI)^n\alpha_i=0,i\not=1 ⇒σ(xiαi)=xi(T−λ1I)m(T−λ2I)n...(T−λkI)nαi=0,i=1
⇒ σ ( x 1 α 1 + x 2 α 2 + . . . + x k α k ) = 0 ⟺ σ ( x 1 α 1 ) = 0 \Rightarrow \sigma(x_1\alpha_1+x_2\alpha_2+...+x_k\alpha_k)=0\iff\sigma(x_1\alpha_1)=0 ⇒σ(x1α1+x2α2+...+xkαk)=0⟺σ(x1α1)=0
⇒ σ ( x 1 α 1 ) = x 1 σ ( α 1 ) = x 1 ( T − λ 1 I ) m ( T − λ 2 I ) n . . . ( T − λ k I ) n α 1 = x 1 [ ( T − λ 2 I ) n . . . ( T − λ k I ) n ] ( T − λ 1 I ) m α 1 \Rightarrow \sigma(x_1\alpha_1)=x_1\sigma(\alpha_1)=x_1(T-\lambda_1I)^m(T-\lambda_2I)^n...(T-\lambda_kI)^n\alpha_1=x_1[(T-\lambda_2I)^n...(T-\lambda_kI)^n](T-\lambda_1I)^m\alpha_1 ⇒σ(x1α1)=x1σ(α1)=x1(T−λ1I)m(T−λ2I)n...(T−λkI)nα1=x1[(T−λ2I)n...(T−λkI)n](T−λ1I)mα1
= x 1 ( T − λ 2 I ) n . . . ( T − λ k I ) n ω =x_1(T-\lambda_2I)^n...(T-\lambda_kI)^n\omega =x1(T−λ2I)n...(T−λkI)nω
其中 ( T − λ k I ) ω = T ( ω ) − λ k ω = ( λ 1 − λ k ) ω ⇒ ( T − λ k I ) n ω = ( λ 1 − λ k ) n ω (T-\lambda_kI)\omega=T(\omega)-\lambda_k\omega=(\lambda_1-\lambda_k)\omega\Rightarrow (T-\lambda_kI)^n\omega=(\lambda_1-\lambda_k)^n\omega (T−λkI)ω=T(ω)−λkω=(λ1−λk)ω⇒(T−λkI)nω=(λ1−λk)nω
⇒ ( T − λ 2 I ) n . . . ( T − λ k I ) n ω = ( λ 1 − λ 2 ) n ( λ 1 − λ 3 ) n . . . ( λ 1 − λ k ) n ω ≠ 0 \Rightarrow (T-\lambda_2I)^n...(T-\lambda_kI)^n\omega=(\lambda_1-\lambda_2)^n(\lambda_1-\lambda_3)^n...(\lambda_1-\lambda_k)^n\omega\not=0 ⇒(T−λ2I)n...(T−λkI)nω=(λ1−λ2)n(λ1−λ3)n...(λ1−λk)nω=0
⇒ σ ( x 1 α 1 ) = x 1 ( T − λ 2 I ) n . . . ( T − λ k I ) n ω = 0 ⇒ x 1 = 0 \Rightarrow \sigma(x_1\alpha_1)=x_1(T-\lambda_2I)^n...(T-\lambda_kI)^n\omega=0\Rightarrow x_1=0 ⇒σ(x1α1)=x1(T−λ2I)n...(T−λkI)nω=0⇒x1=0
同理 x 2 = . . . = x k = 0 x_2=...=x_k=0 x2=...=xk=0
⇒ α 1 , α 2 , . . . , α k \Rightarrow \alpha_1,\alpha_2,...,\alpha_k ⇒α1,α2,...,αk线性无关,证毕。
注: x i ( T − λ 1 I ) m ( T − λ 2 I ) n . . . ( T − λ k I ) n α i x_i(T-\lambda_1I)^m(T-\lambda_2I)^n...(T-\lambda_kI)^n\alpha_i xi(T−λ1I)m(T−λ2I)n...(T−λkI)nαi由于交换后的展开形式依旧不变,还是同一个线性变换,因此在这里可以交换,一般情况下线性变换相乘不能交换。
- G ( T , λ 1 ) ⊕ G ( T , λ 2 ) ⊕ . . . ⊕ G ( T , λ k ) = V G(T,\lambda_1)\oplus G(T,\lambda_2)\oplus...\oplus G(T,\lambda_k)=V G(T,λ1)⊕G(T,λ2)⊕...⊕G(T,λk)=V
证明:先证 T ∈ L ( V ) , d i m V = n , V = n u l l T n ⊕ r a n g e T n T\in L(V),dim\ V=n,V=null\ T^n\oplus range\ T^n T∈L(V),dim V=n,V=null Tn⊕range Tn
设 α ∈ n u l l T n ∩ r a n g e T n \alpha\in null\ T^n\cap range\ T^n α∈null Tn∩range Tn
⇒ T n ( α ) = 0 \Rightarrow T^n(\alpha)=0 ⇒Tn(α)=0
∃ β , T n ( β ) = α \exist \beta,T^n(\beta)=\alpha ∃β,Tn(β)=α
⇒ T n ( T n ( β ) ) = T 2 n ( β ) = 0 ⇒ β ∈ n u l l T 2 n \Rightarrow T^n(T^n(\beta))=T^{2n}(\beta)=0\Rightarrow \beta\in null\ T^{2n} ⇒Tn(Tn(β))=T2n(β)=0⇒β∈null T2n
又根据零空间包含链 n u l l T 2 n = n u l l T n ⇒ β ∈ n u l l T n ⇒ T n ( β ) = 0 ⇒ α = 0 null\ T^{2n}=null\ T^n\Rightarrow \beta\in null\ T^n\Rightarrow T^n(\beta)=0\Rightarrow \alpha=0 null T2n=null Tn⇒β∈null Tn⇒Tn(β)=0⇒α=0,先验定理证毕。
⇒ V = n u l l ( T − λ 1 I ) n ⊕ r a n g e ( T − λ 1 I ) n = G ( T , λ 1 ) ⊕ r a n g e ( T − λ 1 I ) n \Rightarrow V=null\ (T-\lambda_1I)^n \oplus range\ (T-\lambda_1I)^n=G(T,\lambda_1)\oplus range\ (T-\lambda_1I)^n ⇒V=null (T−λ1I)n⊕range (T−λ1I)n=G(T,λ1)⊕range (T−λ1I)n
然后再用数学归纳法证明 r a n g e ( T − λ 1 I ) n = G ( T , λ 2 ) ⊕ . . . ⊕ G ( T , λ k ) range\ (T-\lambda_1I)^n=G(T,\lambda_2)\oplus...\oplus G(T,\lambda_k) range (T−λ1I)n=G(T,λ2)⊕...⊕G(T,λk)
- G ( T , λ i ) G(T,\lambda_i) G(T,λi)是 T T T的不变子空间
证明: G ( T , λ i ) = n u l l ( T − λ i I ) d i m V , ∀ α ∈ G ( T , λ i ) , ( T − λ i I ) d i m V α = 0 G(T,\lambda_i)=null\ (T-\lambda_iI)^{dim\ V},\forall\alpha\in G(T,\lambda_i),(T-\lambda_iI)^{dim\ V}\alpha=0 G(T,λi)=null (T−λiI)dim V,∀α∈G(T,λi),(T−λiI)dim Vα=0
⇒ ( T − λ i I ) d i m V ( T ( α ) ) = T ( T − λ i I ) d i m V α = T ( 0 ) = 0 ⇒ T ( α ) ∈ ( T − λ i I ) d i m V = G ( T , λ i ) \Rightarrow (T-\lambda_iI)^{dim\ V}(T(\alpha))=T(T-\lambda_iI)^{dim\ V}\alpha=T(0)=0\Rightarrow T(\alpha)\in (T-\lambda_iI)^{dim\ V}=G(T,\lambda_i) ⇒(T−λiI)dim V(T(α))=T(T−λiI)dim Vα=T(0)=0⇒T(α)∈(T−λiI)dim V=G(T,λi),证毕。
- ( T − λ i I ) ∣ G ( T , λ i ) (T-\lambda_iI)|_{G(T,\lambda_i)} (T−λiI)∣G(T,λi)是幂零变换
证明: ∀ α ∈ G ( T , λ i ) = ( T − λ i I ) d i m V , ( T − λ i I ) d i m V α = 0 ⇒ ( T − λ i I ) d i m V = 0 ⇒ ( T − λ i I ) \forall\alpha\in G(T,\lambda_i)=(T-\lambda_iI)^{dim\ V},(T-\lambda_iI)^{dim\ V}\alpha=0\Rightarrow(T-\lambda_iI)^{dim\ V}=0\Rightarrow (T-\lambda_iI) ∀α∈G(T,λi)=(T−λiI)dim V,(T−λiI)dim Vα=0⇒(T−λiI)dim V=0⇒(T−λiI)是幂零变换。
2 约旦标准型
2.1 分块上三角基
定义: T ∈ L ( V ) , V 中 有 一 组 基 α 1 , α 2 , . . . , α n 使 得 T ( α 1 , α 2 , . . . , α n ) = ( α 1 , α 2 , . . . , α n ) ⋅ [ A 1 A 2 . . . A k ] , 其 中 A i = [ λ i ∗ ∗ ∗ 0 λ i ∗ ∗ 0 0 . . . ∗ 0 0 0 λ i ] T\in L(V),V中有一组基\alpha_1,\alpha_2,...,\alpha_n使得T(\alpha_1,\alpha_2,...,\alpha_n)=(\alpha_1,\alpha_2,...,\alpha_n)\cdot\begin{bmatrix}A_1& & &\\& A_2& &\\& & ...&\\& & & A_k\end{bmatrix},其中A_i=\begin{bmatrix}\lambda_i&*&*&*\\0&\lambda_i& * &*\\0& 0 & ...&*\\0&0 & 0& \lambda_i\end{bmatrix} T∈L(V),V中有一组基α1,α2,...,αn使得T(α1,α2,...,αn)=(α1,α2,...,αn)⋅⎣⎢⎢⎡A1A2...Ak⎦⎥⎥⎤,其中Ai=⎣⎢⎢⎡λi000∗λi00∗∗...0∗∗∗λi⎦⎥⎥⎤
例:证明该组基的存在性;
证明: T ∣ G ( T , λ i ) = ( T − λ i I ) ∣ G ( T , λ i ) + λ i I ∣ G ( T , λ i ) T|_{G(T,\lambda_i)}=(T-\lambda_iI)|_{G(T,\lambda_i)}+\lambda_iI|_{G(T,\lambda_i)} T∣G(T,λi)=(T−λiI)∣G(T,λi)+λiI∣G(T,λi)
已知 ( T − λ i I ) ∣ G ( T , λ i ) (T-\lambda_iI)|_{G(T,\lambda_i)} (T−λiI)∣G(T,λi)是幂零变换,存在一组基使得基下的矩阵为 [ 0 ∗ ∗ ∗ 0 0 ∗ ∗ 0 0 . . . ∗ 0 0 0 0 ] \begin{bmatrix}0&*&*&*\\0&0& * &*\\0& 0 & ...&*\\0&0 & 0& 0\end{bmatrix} ⎣⎢⎢⎡0000∗000∗∗...0∗∗∗0⎦⎥⎥⎤, λ i I ∣ G ( T , λ i ) \lambda_iI|_{G(T,\lambda_i)} λiI∣G(T,λi)在这组基下的矩阵为 [ λ i 0 0 0 0 λ i 0 0 0 0 . . . 0 0 0 0 λ i ] \begin{bmatrix}\lambda_i&0&0&0\\0&\lambda_i& 0 &0\\0& 0 & ...&0\\0&0 & 0& \lambda_i\end{bmatrix} ⎣⎢⎢⎡λi0000λi0000...0000λi⎦⎥⎥⎤,因此相加后的矩阵为上三角阵
2.2 约旦基
定义: T ∈ L ( V ) , V 中 有 一 组 基 α 1 , α 2 , . . . , α n 使 得 T ( α 1 , α 2 , . . . , α n ) = ( α 1 , α 2 , . . . , α n ) ⋅ [ A 1 A 2 . . . A k ] , 其 中 A i = [ λ i 1 0 0 0 λ i 1 0 0 0 . . . 1 0 0 0 λ i ] T\in L(V),V中有一组基\alpha_1,\alpha_2,...,\alpha_n使得T(\alpha_1,\alpha_2,...,\alpha_n)=(\alpha_1,\alpha_2,...,\alpha_n)\cdot\begin{bmatrix}A_1& & &\\& A_2& &\\& & ...&\\& & & A_k\end{bmatrix},其中A_i=\begin{bmatrix}\lambda_i&1&0&0\\0&\lambda_i& 1 &0\\0& 0 & ...&1\\0&0 & 0& \lambda_i\end{bmatrix} T∈L(V),V中有一组基α1,α2,...,αn使得T(α1,α2,...,αn)=(α1,α2,...,αn)⋅⎣⎢⎢⎡A1A2...Ak⎦⎥⎥⎤,其中Ai=⎣⎢⎢⎡λi0001λi0001...0001λi⎦⎥⎥⎤
性质:
- 同一特征值可能对应多个上三角块,块的数目等于该特征值对应的特征向量的个数(即几何重数)
例:三维线性变换在一组基下的矩阵是约旦标准型,求标准型的形式,描述求解步骤
1.先算三维线性变换的特征值,确定约旦矩阵的对角线
2.再计算每个特征值对应的特征向量数目,确定矩阵块数,从而确定次对角线;
注意:当线性变换的阶数过高时,该方法不适用,原因是即使得知块的数目也难以推断次对角线分布。
2.3 Hamilton-Cayley定理
定义:
T ∈ L ( V ) , λ 1 , λ 2 , . . . , λ k T\in L(V),\lambda_1,\lambda_2,...,\lambda_k T∈L(V),λ1,λ2,...,λk是不同特征值,则有 ( T − λ 1 I ) n 1 ( T − λ 2 I ) n 2 . . . ( T − λ k I ) n k = 0 变 换 (T-\lambda_1I)^{n_1}(T-\lambda_2I)^{n_2}...(T-\lambda_kI)^{n_k}=0变换 (T−λ1I)n1(T−λ2I)n2...(T−λkI)nk=0变换,其中 n 1 , n 2 , . . . , n k n_1,n_2,...,n_k n1,n2,...,nk是 T T T的代数重数;
证明:设 ∀ α ∈ V , α = x 1 α 1 + x 2 α 2 + . . . + x k α k , α i ∈ G ( T , λ i ) = n u l l ( T − λ i I ) n i \forall \alpha\in V,\alpha=x_1\alpha_1+x_2\alpha_2+...+x_k\alpha_k,\alpha_i\in G(T,\lambda_i)=null\ (T-\lambda_iI)^{n_i} ∀α∈V,α=x1α1+x2α2+...+xkαk,αi∈G(T,λi)=null (T−λiI)ni
⇒ ( T − λ 1 I ) n 1 ( T − λ 2 I ) n 2 . . . ( T − λ k I ) n k α = 0 \Rightarrow (T-\lambda_1I)^{n_1}(T-\lambda_2I)^{n_2}...(T-\lambda_kI)^{n_k}\alpha=0 ⇒(T−λ1I)n1(T−λ2I)n2...(T−λkI)nkα=0,证毕。
矩阵版本证明:
假设只考虑代数重数均为0的情况,设特征多项式为 f A ( λ ) = ( λ − λ 1 ) ( λ − λ 2 ) . . . ( λ − λ n ) f_A(\lambda)=(\lambda-\lambda_1)(\lambda-\lambda_2)...(\lambda-\lambda_n) fA(λ)=(λ−λ1)(λ−λ2)...(λ−λn)
已知任意一个矩阵都可以相似一个上三角阵,设 A ∼ B , B = 上 三 角 阵 A\sim B,B=上三角阵 A∼B,B=上三角阵
⇒ P − 1 A P = B ⇒ P − 1 f ( A ) P = f ( B ) ⇒ P − 1 f A ( A ) P = f A ( B ) = ( B − λ 1 ) ( B − λ 2 ) . . . ( B − λ n ) = 0 \Rightarrow P^{-1}AP=B\Rightarrow P^{-1}f(A)P=f(B)\Rightarrow P^{-1}f_A(A)P=f_A(B)=(B-\lambda_1)(B-\lambda_2)...(B-\lambda_n)=0 ⇒P−1AP=B⇒P−1f(A)P=f(B)⇒P−1fA(A)P=fA(B)=(B−λ1)(B−λ2)...(B−λn)=0,证毕
其他重要概念:
零化多项式: 对 于 A , 存 在 多 项 式 f ( A ) 使 得 f ( A ) = 0 对于A,存在多项式f(A)使得f(A)=0 对于A,存在多项式f(A)使得f(A)=0则称 f ( λ ) f(\lambda) f(λ)是零化多项式
最小多项式: A A A的零化多项式中次数最低且最高次系数为1的多项式称之为最小多项式,记作 m A ( λ ) m_A(\lambda) mA(λ)
最小多项式性质:
- 最小多项式唯一
证明:假设 A A A存在两个最小多项式 m A ( λ ) , m B ( λ ) m_A(\lambda),m_B(\lambda) mA(λ),mB(λ)
可知 m A ( λ ) , m B ( λ ) m_A(\lambda),m_B(\lambda) mA(λ),mB(λ)的最高项系数均为1且它们是满足 f ( A ) = 0 f(A)=0 f(A)=0的最小次数多项式
设 m A ( λ ) , m B ( λ ) m_A(\lambda),m_B(\lambda) mA(λ),mB(λ)最高项次数为 n n n
⇒ g ( λ ) = m A ( λ ) − m B ( λ ) = 0 \Rightarrow g(\lambda)=m_A(\lambda)-m_B(\lambda)=0 ⇒g(λ)=mA(λ)−mB(λ)=0最高项次数为 n − 1 n-1 n−1,且 g ( λ ) g(\lambda) g(λ)也满足 f ( A ) = 0 f(A)=0 f(A)=0的形式 ⇒ g ( λ ) \Rightarrow g(\lambda) ⇒g(λ)是最小多项式,与题设矛盾!
因此假设不成立,最小多项式唯一。
- 设 f ( λ ) f(\lambda) f(λ)是 A A A的零化多项式,则 m A ( λ ) m_A(\lambda) mA(λ)是 f ( λ ) f(\lambda) f(λ)的因子
- A A A的任意特征值一定是 m A ( λ ) m_A(\lambda) mA(λ)的根
- 两个矩阵相似,则他们的最小多项式相等,即 P − 1 A P = B ⇒ m A ( λ ) = m B ( λ ) P^{-1}AP=B\Rightarrow m_A(\lambda)=m_B(\lambda) P−1AP=B⇒mA(λ)=mB(λ)
证明:要证相等就是证可以相互整除
已知 P − 1 A P = B ⇒ A = P B P − 1 ⇒ m A ( A ) = P m A ( B ) P − 1 = 0 ⇒ m A ( B ) = 0 ⇒ m A ( B ) P^{-1}AP=B\Rightarrow A=PBP^{-1}\Rightarrow m_A(A)=Pm_A(B)P^{-1}=0\Rightarrow m_A(B)=0\Rightarrow m_A(B) P−1AP=B⇒A=PBP−1⇒mA(A)=PmA(B)P−1=0⇒mA(B)=0⇒mA(B)是 B B B的零化多项式
又因为 B B B的最小多项式是其零化多项式的因子,因此 m A ( λ ) m_A(\lambda) mA(λ)可以整除 m B ( λ ) m_B(\lambda) mB(λ)
同理, m B ( λ ) m_B(\lambda) mB(λ)可以整除 m A ( λ ) m_A(\lambda) mA(λ)
∴ m A ( λ ) = m B ( λ ) \therefore m_A(\lambda)=m_B(\lambda) ∴mA(λ)=mB(λ)
- 若 A = [ A 1 A 2 . . . A s ] A=\begin{bmatrix}A_1&&&\\&A_2&&\\&&...&\\&&&A_s\end{bmatrix} A=⎣⎢⎢⎡A1A2...As⎦⎥⎥⎤,则 m A ( λ ) 是 m A i ( λ ) m_A(\lambda)是m_{A_i}(\lambda) mA(λ)是mAi(λ)的最小公倍数, 1 ≤ i ≤ s 1\le i\le s 1≤i≤s
例1:求约旦标准型 A = [ 1 1 1 1 2 1 2 2 ] A=\begin{bmatrix}1&1&&&&\\&1&&&&\\&&1&&&\\&&&2&1&\\&&&&2&\\&&&&&2\end{bmatrix} A=⎣⎢⎢⎢⎢⎢⎢⎡11112122⎦⎥⎥⎥⎥⎥⎥⎤的最小多项式;
解:该约旦标准型由四个约旦块组成:
第一个约旦块的最小多项式为 m 1 ( λ ) = ( λ − 1 ) 2 m_1(\lambda)=(\lambda-1)^2 m1(λ)=(λ−1)2
第二个约旦块的最小多项式为 m 2 ( λ ) = λ − 1 m_2(\lambda)=\lambda-1 m2(λ)=λ−1
第三个约旦块的最小多项式为 m 3 ( λ ) = ( λ − 2 ) 2 m_3(\lambda)=(\lambda-2)^2 m3(λ)=(λ−2)2
第四个约旦块的最小多项式为 m 4 ( λ ) = λ − 2 m_4(\lambda)=\lambda-2 m4(λ)=λ−2
所以 A A A的最小多项式是四个约旦块最小多项式的最小公倍数,即 m A ( λ ) = ( λ − 1 ) 2 ( λ − 2 ) 2 m_A(\lambda)=(\lambda-1)^2(\lambda-2)^2 mA(λ)=(λ−1)2(λ−2)2
例2:假设一个约旦标准型的零化多项式(或特征多项式)与最小多项式相等( f ( x ) = m A ( x ) f(x)=m_A(x) f(x)=mA(x)),则约旦标准型具有什么特点?
结论: f ( x ) = m A ( x ) ⟺ A f(x)=m_A(x)\iff A f(x)=mA(x)⟺A的每个特征值对应一个约旦块
- A A A可对角化 ⟺ m A ( λ ) \iff m_A(\lambda) ⟺mA(λ)没有重根**(复数域)**
证明:
1) A A A可对角化 ⇒ m A ( λ ) \Rightarrow m_A(\lambda) ⇒mA(λ)没有重根
已知 A A A可对角化 ⇒ P − 1 A P = B , B \Rightarrow P^{-1}AP=B,B ⇒P−1AP=B,B是对角矩阵
⇒ m A ( λ ) = m B ( λ ) = ( λ − λ 1 ) ( λ − λ 2 ) . . . ( λ − λ k ) , λ 1 , λ 2 , . . . , λ k \Rightarrow m_A(\lambda)=m_B(\lambda)=(\lambda-\lambda_1)(\lambda-\lambda_2)...(\lambda-\lambda_k),\lambda_1,\lambda_2,...,\lambda_k ⇒mA(λ)=mB(λ)=(λ−λ1)(λ−λ2)...(λ−λk),λ1,λ2,...,λk是 A A A的不同特征值,证毕
2) A A A可对角化 ⇐ m A ( λ ) \Leftarrow m_A(\lambda) ⇐mA(λ)没有重根
已知 m A ( λ ) = ( λ − λ 1 ) ( λ − λ 2 ) . . . ( λ − λ k ) , λ 1 , λ 2 , . . . , λ k m_A(\lambda)=(\lambda-\lambda_1)(\lambda-\lambda_2)...(\lambda-\lambda_k),\lambda_1,\lambda_2,...,\lambda_k mA(λ)=(λ−λ1)(λ−λ2)...(λ−λk),λ1,λ2,...,λk是 A A A的不同特征值,只要证明 ∀ λ \forall \lambda ∀λ的代数重数等于几何重数,A就可以对角化
λ i \lambda_i λi代数重数设为 n i n_i ni
λ i \lambda_i λi的几何重数设为 n − r ( A − λ i I ) n-r(A-\lambda_iI) n−r(A−λiI)
已知代几何重数小等于代数重数: Σ i = 1 k n k = n ≤ Σ i = 1 k ( n − r ( A − λ i I ) ) = k n − Σ i = 1 k r ( A − λ i I ) ⇒ Σ i = 1 k r ( A − λ i I ) ≥ ( k − 1 ) n \Sigma_{i=1}^{k}n_k=n\le\Sigma_{i=1}^k(n-r(A-\lambda_iI))=kn-\Sigma_{i=1}^kr(A-\lambda_iI)\Rightarrow\Sigma_{i=1}^kr(A-\lambda_iI)\ge(k-1)n Σi=1knk=n≤Σi=1k(n−r(A−λiI))=kn−Σi=1kr(A−λiI)⇒Σi=1kr(A−λiI)≥(k−1)n
又由 r ( A B ) ≥ r ( A ) + r ( B ) − n ⇒ r ( m A ( A ) ) = r ( ( A − λ 1 I ) ( A − λ 2 I ) . . . ( A − λ k I ) ) = 0 ≥ Σ i = 1 k ( A − λ i I ) − ( k − 1 ) n r(AB)\ge r(A)+r(B)-n\Rightarrow r(m_A(A))=r((A-\lambda_1I)(A-\lambda_2I)...(A-\lambda_kI))=0\ge \Sigma_{i=1}^k(A-\lambda_iI)-(k-1)n r(AB)≥r(A)+r(B)−n⇒r(mA(A))=r((A−λ1I)(A−λ2I)...(A−λkI))=0≥Σi=1k(A−λiI)−(k−1)n
⇒ Σ i = 1 k ( A − λ i I ) ≤ ( k − 1 ) n \Rightarrow \Sigma_{i=1}^k(A-\lambda_iI)\le (k-1)n ⇒Σi=1k(A−λiI)≤(k−1)n
⇒ Σ i = 1 k ( A − λ i I ) = ( k − 1 ) n \Rightarrow \Sigma_{i=1}^k(A-\lambda_iI)=(k-1)n ⇒Σi=1k(A−λiI)=(k−1)n
例3:已知 A 2 = A A^2=A A2=A(幂等矩阵),判断 A A A是否可以对角化
解:由 A 2 = A ⇒ A 2 − A = 0 ⇒ 零 化 多 项 式 为 f ( λ ) = λ 2 − λ , 最 小 多 项 式 m A ( λ ) = f ( λ ) 没 有 重 根 ⇒ A 可 以 对 角 化 A^2=A\Rightarrow A^2-A=0\Rightarrow 零化多项式为 f(\lambda)=\lambda^2-\lambda,最小多项式m_A(\lambda)=f(\lambda)没有重根\Rightarrow A可以对角化 A2=A⇒A2−A=0⇒零化多项式为f(λ)=λ2−λ,最小多项式mA(λ)=f(λ)没有重根⇒A可以对角化
例4:已知 A n = I A^n=I An=I,判断 A A A是都可以对角化
解:由 A n − I = 0 ⇒ 零 化 多 项 式 为 f ( λ ) = λ n − 1 A^n-I=0\Rightarrow 零化多项式为f(\lambda)=\lambda^n-1 An−I=0⇒零化多项式为f(λ)=λn−1有 n n n个复根,所以 A A A可以对角化
3 酉矩阵与正规矩阵
酉矩阵:若复数域内一个可逆方阵 U U U满足 U ∗ = U − 1 U^*=U^{-1} U∗=U−1,即 U U ∗ = U ∗ U = I UU^*=U^*U=I UU∗=U∗U=I,则称 U U U是酉矩阵(实数域对应正交矩阵)
酉相似:若 U U U是酉矩阵,矩阵 A , B A,B A,B满足 U ∗ A U = B U^*AU=B U∗AU=B,则称 A , B A,B A,B酉相似
正规矩阵:若复数域一个方阵 A A A满足 A A ∗ = A ∗ A AA^*=A^*A AA∗=A∗A,则称 A A A是正规矩阵。已知酉矩阵也是一种特殊的正规矩阵
正规矩阵性质:
- 与正规矩阵酉相似的矩阵依然是正规矩阵
证明:设 U U U是酉矩阵, A A A是正规矩阵, A , B A,B A,B酉相似
则: U ∗ A U = B ⇒ ( U ∗ A U ) ∗ = U ∗ A ∗ U = B ∗ U^*AU=B\Rightarrow (U^*AU)^*=U^*A^*U=B^* U∗AU=B⇒(U∗AU)∗=U∗A∗U=B∗
⇒ B B ∗ = ( U ∗ A U ) ( U ∗ A ∗ U ) = U ∗ A A ∗ U \Rightarrow BB^*=(U^*AU)(U^*A^*U)=U^*AA^*U ⇒BB∗=(U∗AU)(U∗A∗U)=U∗AA∗U
B ∗ B = ( U ∗ A ∗ U ) ( U ∗ A U ) = U ∗ A ∗ A U B^*B=(U^*A^*U)(U^*AU)=U^*A^*AU B∗B=(U∗A∗U)(U∗AU)=U∗A∗AU
又 A ∗ A = A A ∗ ⇒ B ∗ B = B B ∗ ⇒ B A^*A=AA^*\Rightarrow B^*B=BB^*\Rightarrow B A∗A=AA∗⇒B∗B=BB∗⇒B是正规矩阵,证毕。
- 若矩阵 A A A是正规矩阵,同时 A A A是上三角矩阵,则 A A A一定是一个对角阵
证明:暴力证明法:
设正规矩阵 A = [ a 11 a 12 . . . a 1 n a 22 . . . a 2 n . . . . . . a n n ] , A ∗ = [ a 11 a 12 a 22 . . . . . . . . . a 1 n a 2 n . . . a n n ] A=\begin{bmatrix}a_{11}&a_{12}&...&a_{1n}\\&a_{22}&...&a_{2n}\\&&...&...\\&&&a_{nn}\end{bmatrix},A^*=\begin{bmatrix}a_{11}&&&\\a_{12}&a_{22}&&\\...&...&...\\a_{1n}&a_{2n}&...&a_{nn}\end{bmatrix} A=⎣⎢⎢⎡a11a12a22.........a1na2n...ann⎦⎥⎥⎤,A∗=⎣⎢⎢⎡a11a12...a1na22...a2n......ann⎦⎥⎥⎤
⇒ A A ∗ = A ∗ A ⇒ 非 对 角 元 素 为 0 \Rightarrow AA^*=A^*A\Rightarrow非对角元素为0 ⇒AA∗=A∗A⇒非对角元素为0,证毕。
- A A A是正规矩阵 ⟺ \iff ⟺ A A A可以酉对角化
证明:
1) A A A是正规矩阵 ⇐ \Leftarrow ⇐ A A A可以酉对角化
设 U U U是酉矩阵, U ∗ A U = B , B U^*AU=B,B U∗AU=B,B是对角阵,其中 B ∗ B = B B ∗ ⇒ B B^*B=BB^*\Rightarrow B B∗B=BB∗⇒B是正规矩阵
根据性质1,与正规矩阵相似的矩阵也是正规矩阵,因此 A A A是正规矩阵
2) A A A是正规矩阵 ⇒ \Rightarrow ⇒ A A A可以酉对角化
设 U U U是酉矩阵, A , B A,B A,B酉相似,即 U ∗ A U = B U^*AU=B U∗AU=B
根据性质1, B B B也是正规矩阵;
又根据Schur定理,任意方阵可以酉相似到一个上三角阵 B B B;
根据性质2, B B B是一个对角阵,证毕
4 Hermite矩阵
定义:若复数域内一方阵 A A A满足 A ∗ = A A^*=A A∗=A,则称 A A A是Hermite矩阵(对应实数域的对称阵)
性质:
- Hermite阵是正规矩阵,可以酉对角化。
- Hermite阵的特征值一定是实数
证明:设 A A A是一个Hermite阵,可知 A A A可以酉对角化
即: U ∗ A U = [ λ 1 λ 2 . . . λ n ] , U ∗ A ∗ U = [ λ ‾ 1 λ ‾ 2 . . . λ ‾ n ] U^*AU=\begin{bmatrix}\lambda_1&&&\\&\lambda_2&&\\&&...&\\&&&\lambda_n\end{bmatrix},U^*A^*U=\begin{bmatrix}\overline\lambda_1&&&\\&\overline\lambda_2&&\\&&...&\\&&&\overline\lambda_n\end{bmatrix} U∗AU=⎣⎢⎢⎡λ1λ2...λn⎦⎥⎥⎤,U∗A∗U=⎣⎢⎢⎡λ1λ2...λn⎦⎥⎥⎤
又因为 A ∗ = A ⇒ [ λ 1 λ 2 . . . λ n ] = [ λ ‾ 1 λ ‾ 2 . . . λ ‾ n ] ⇒ λ i A^*=A\Rightarrow \begin{bmatrix}\lambda_1&&&\\&\lambda_2&&\\&&...&\\&&&\lambda_n\end{bmatrix}=\begin{bmatrix}\overline\lambda_1&&&\\&\overline\lambda_2&&\\&&...&\\&&&\overline\lambda_n\end{bmatrix}\Rightarrow \lambda_i A∗=A⇒⎣⎢⎢⎡λ1λ2...λn⎦⎥⎥⎤=⎣⎢⎢⎡λ1λ2...λn⎦⎥⎥⎤⇒λi虚部为 0 0 0
证毕。
Hermite阵的复二次型:
设 A A A是Hermite阵, x ∈ C n x\in C^n x∈Cn,称 x ∗ A x x^*Ax x∗Ax为二次型;
当 x ∗ A x > 0 时 , A 正 定 x^*Ax>0时,A正定 x∗Ax>0时,A正定,此时 A A A的特征值均大于0
若 A A A是酉矩阵,则 A A A的特征值等于1;
Schur不等式:
∀ A ∈ C n × n , A = ( a i j ) n × n , 有 不 等 式 Σ i = 1 n ∣ λ i ∣ 2 ≤ Σ i , j = 0 n ∣ a i j ∣ 2 = t r ( A A ∗ ) \forall A\in C^{n\times n},A=(a_{ij})_{n\times n},有不等式\Sigma_{i=1}^n|\lambda_i|^2\le\Sigma_{i,j=0}^n|a_{ij}|^2=tr(AA^*) ∀A∈Cn×n,A=(aij)n×n,有不等式Σi=1n∣λi∣2≤Σi,j=0n∣aij∣2=tr(AA∗)
证明:
设 U U U是酉矩阵, A A A是Hermite矩阵,上三角阵 B B B与 A A A酉相似(Schur定理), B B B的对角线元素就是特征值
则有 U ∗ A U = B ⇒ U ∗ A ∗ A U = B ∗ B ⇒ t r ( A ∗ A ) = t r ( B ∗ B ) ≥ Σ i = 1 n ∣ λ i ∣ 2 U^*AU=B\Rightarrow U^*A^*AU=B^*B\Rightarrow tr(A^*A)=tr(B^*B)\ge\Sigma_{i=1}^n|\lambda_i|^2 U∗AU=B⇒U∗A∗AU=B∗B⇒tr(A∗A)=tr(B∗B)≥Σi=1n∣λi∣2
∴ Σ i = 1 n ∣ λ i ∣ 2 ≤ Σ i , j = 0 n ∣ a i j ∣ 2 \therefore \Sigma_{i=1}^n|\lambda_i|^2\le\Sigma_{i,j=0}^n|a_{ij}|^2 ∴Σi=1n∣λi∣2≤Σi,j=0n∣aij∣2成立
当 A A A是正规矩阵时等式成立。