《矩阵理论》大萌课程笔记 - 矩阵函数
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。
1 范数
1.1 向量范数
定义: α ∈ C n , α = ( x 1 , x 2 , . . . , x n ) T ∈ C n \alpha\in C^n,\alpha=(x_1,x_2,...,x_n)^T\in C^n α∈Cn,α=(x1,x2,...,xn)T∈Cn,当运算满足以下三个条件时称为向量范数:
1)正定性: f ( α ) > 0 f(\alpha)>0 f(α)>0
2)齐次性: f ( k ⋅ α ) = k ⋅ f ( α ) f(k\cdot\alpha)=k\cdot f(\alpha) f(k⋅α)=k⋅f(α)
3)三角关系: f ( α + β ) ≤ f ( α ) + f ( β ) f(\alpha+\beta)\le f(\alpha)+f(\beta) f(α+β)≤f(α)+f(β)
常用范数及其符号表示:
l 1 l_1 l1范数: Σ i = 1 n ∣ x i ∣ \Sigma_{i=1}^n|x_i| Σi=1n∣xi∣
l 2 l_2 l2范数: ∣ ∣ α ∣ ∣ = ( Σ i = 1 n x i 2 ) 1 2 ||\alpha||=(\Sigma_{i=1}^nx_i^2)^{\frac{1}{2}} ∣∣α∣∣=(Σi=1nxi2)21
l p l_p lp范数: ∣ ∣ α ∣ ∣ p = ( Σ i = 1 n x i p ) 1 p ||\alpha||_p=(\Sigma_{i=1}^nx_i^p)^{\frac{1}{p}} ∣∣α∣∣p=(Σi=1nxip)p1
l ∞ l_\infin l∞范数: m a x 1 ≤ i ≤ n ( x i ) max_{1\le i\le n}(x_i) max1≤i≤n(xi)
1.2 矩阵范数
定义: A = ( a i j ) n × n , 1 ≤ i , j ≤ n , ∣ ∣ ∣ A ∣ ∣ ∣ p = ( Σ i = 1 , j = 1 n × n ∣ a i j ∣ p ) 1 p A=(a_{ij})_{n\times n},1\le i,j\le n,|||A|||_p=(\Sigma_{i=1,j=1}^{n\times n}|a_{ij}|^p)^{\frac1p} A=(aij)n×n,1≤i,j≤n,∣∣∣A∣∣∣p=(Σi=1,j=1n×n∣aij∣p)p1,除了需要满足上面的三个条件外还需要满足额外的第四个条件:
4) ∣ ∣ ∣ A B ∣ ∣ ∣ ≤ ∣ ∣ ∣ A ∣ ∣ ∣ ⋅ ∣ ∣ ∣ B ∣ ∣ ∣ |||AB|||\le|||A|||\cdot |||B||| ∣∣∣AB∣∣∣≤∣∣∣A∣∣∣⋅∣∣∣B∣∣∣
衍生定义:
F F F范数:取 p = 2 , ∣ ∣ ∣ A ∣ ∣ ∣ 2 = ( Σ i = 1 , j = 1 n × n ∣ a i j ∣ 2 ) 1 2 = ( t r ( A A ∗ ) ) 1 2 p=2,|||A|||_2=(\Sigma_{i=1,j=1}^{n\times n}|a_{ij}|^2)^{\frac12}=(tr(AA^*))^{\frac12} p=2,∣∣∣A∣∣∣2=(Σi=1,j=1n×n∣aij∣2)21=(tr(AA∗))21
相容:若 ∣ ∣ A x ∣ ∣ ≤ ∣ ∣ ∣ A ∣ ∣ ∣ ⋅ ∣ ∣ x ∣ ∣ ||Ax||\le |||A|||\cdot||x|| ∣∣Ax∣∣≤∣∣∣A∣∣∣⋅∣∣x∣∣称 A A A与 x x x相容
1.3 算子范数
定义:已知某向量范数为 a a a范数,取矩阵 A A A使得 ∣ ∣ ∣ A ∣ ∣ ∣ = m a x x ∈ C n , x ≠ 0 ∣ ∣ A x ∣ ∣ a ∣ ∣ x ∣ ∣ a = m a x x ∈ C n , ∣ ∣ x ∣ ∣ a = 1 ∣ ∣ A x ∣ ∣ a |||A|||=max_{x\in C^n,x\not=0}\frac{||Ax||_a}{||x||_a}=max_{x\in C^n,||x||_a=1}{||Ax||_a} ∣∣∣A∣∣∣=maxx∈Cn,x=0∣∣x∣∣a∣∣Ax∣∣a=maxx∈Cn,∣∣x∣∣a=1∣∣Ax∣∣a,此时的 ∣ ∣ ∣ A ∣ ∣ ∣ |||A||| ∣∣∣A∣∣∣与 ∣ ∣ x ∣ ∣ ||x|| ∣∣x∣∣相容,称 ∣ ∣ ∣ A ∣ ∣ ∣ |||A||| ∣∣∣A∣∣∣为算子范数;
例:向量 x x x的二范数导出的与其相容的算子范数是什么?
解: ∣ ∣ ∣ A ∣ ∣ ∣ = m a x x ∈ C n , ∣ ∣ x ∣ ∣ 2 = 1 ∣ ∣ A x ∣ ∣ 2 |||A|||=max_{x\in C^n,||x||_2=1}{||Ax||_2} ∣∣∣A∣∣∣=maxx∈Cn,∣∣x∣∣2=1∣∣Ax∣∣2
∣ ∣ A x ∣ ∣ 2 2 = ( A x , A x ) = x ∗ A ∗ A x ||Ax||_2^2=(Ax,Ax)=x^*A^*Ax ∣∣Ax∣∣22=(Ax,Ax)=x∗A∗Ax
又易知 A ∗ A A^*A A∗A是半正定矩阵,可以酉对角化,设 λ 1 , λ 2 , . . . , λ n \lambda_1,\lambda_2,...,\lambda_n λ1,λ2,...,λn是其特征值, α 1 , α 2 , . . . , α n \alpha_1,\alpha_2,...,\alpha_n α1,α2,...,αn是其对应的单位正交特征向量;
则 x = x 1 α 1 + x 2 α 2 + . . . + x n α n x=x_1\alpha_1+x_2\alpha_2+...+x_n\alpha_n x=x1α1+x2α2+...+xnαn
⇒ ∣ ∣ A x ∣ ∣ 2 2 = x ∗ A ∗ A x = ( x ‾ 1 α 1 ∗ + x ‾ 2 α 2 ∗ + . . . + x ‾ n α n ∗ ) A ∗ A ( x 1 α 1 + x 2 α 2 + . . . + x n α n ) \Rightarrow ||Ax||_2^2=x^*A^*Ax=(\overline x_1\alpha_1^*+\overline x_2\alpha_2^*+...+\overline x_n\alpha_n^*)A^*A(x_1\alpha_1+x_2\alpha_2+...+x_n\alpha_n) ⇒∣∣Ax∣∣22=x∗A∗Ax=(x1α1∗+x2α2∗+...+xnαn∗)A∗A(x1α1+x2α2+...+xnαn)
= ( x ‾ 1 α 1 ∗ + x ‾ 2 α 2 ∗ + . . . + x ‾ n α n ∗ ) ⋅ ( x 1 λ 1 α 1 + x 2 λ 2 α 2 + . . . + x n λ n α n ) = λ 1 ∣ x 1 ∣ 2 + λ 2 ∣ x 2 ∣ 2 + . . . λ n ∣ x n ∣ 2 =(\overline x_1\alpha_1^*+\overline x_2\alpha_2^*+...+\overline x_n\alpha_n^*)\cdot(x_1\lambda_1\alpha_1+x_2\lambda_2\alpha_2+...+x_n\lambda_n\alpha_n)=\lambda_1|x_1|^2+\lambda_2|x_2|^2+...\lambda_n|x_n|^2 =(x1α1∗+x2α2∗+...+xnαn∗)⋅(x1λ1α1+x2λ2α2+...+xnλnαn)=λ1∣x1∣2+λ2∣x2∣2+...λn∣xn∣2
≤ m a x 1 ≤ i ≤ n ( λ i ) \le max_{1\le i\le n}(\lambda_i) ≤max1≤i≤n(λi),不妨令 λ 1 = m a x 1 ≤ i ≤ n ( λ i ) \lambda_1=max_{1\le i\le n}(\lambda_i) λ1=max1≤i≤n(λi),当 x = α 1 x=\alpha_1 x=α1时取等。
⇒ ∣ ∣ ∣ A ∣ ∣ ∣ = m a x x ∈ C n , ∣ ∣ x ∣ ∣ 2 = 1 ∣ ∣ A x ∣ ∣ 2 = λ 1 = ρ ( A ∗ A ) , ρ ( A ∗ A ) \Rightarrow |||A|||=max_{x\in C^n,||x||_2=1}{||Ax||_2}=\sqrt{\lambda_1}=\sqrt{\rho(A^*A)},\rho(A^*A) ⇒∣∣∣A∣∣∣=maxx∈Cn,∣∣x∣∣2=1∣∣Ax∣∣2=λ1=ρ(A∗A),ρ(A∗A)为谱半径。
因此称为谱范数。
2 序列收敛性
2.1 向量序列的收敛性
定义:设向量序列 x ( k ) = ( x 1 ( k ) , x 2 ( k ) , . . . , x n ( k ) ) T x^{(k)}=(x_1^{(k)},x_2^{(k)},...,x_n^{(k)})^T x(k)=(x1(k),x2(k),...,xn(k))T,其中 x i ( k ) x_i^{(k)} xi(k)表示一个 k k k维向量,若 x k x^k xk收敛,则存在 x = ( x 1 , x 2 , . . . , x n ) T x=(x_1,x_2,...,x_n)^T x=(x1,x2,...,xn)T使得 l i m k → ∞ x ( k ) = x = ( x 1 , x 2 , . . . , x n ) T lim_{k\rightarrow\infin}x^{(k)}=x=(x_1,x_2,...,x_n)^T limk→∞x(k)=x=(x1,x2,...,xn)T,或者表示为 l i m k → ∞ x i ( k ) = x i , 1 ≤ i ≤ n lim_{k\rightarrow\infin}x_i^{(k)}=x_i,1\le i\le n limk→∞xi(k)=xi,1≤i≤n
性质: l i m k → ∞ x ( k ) = x ⟺ l i m k → ∞ ∣ x ( k ) − x ∣ = 0 lim_{k\rightarrow\infin}x^{(k)}=x \iff lim_{k\rightarrow\infin}|x^{(k)}-x|=0 limk→∞x(k)=x⟺limk→∞∣x(k)−x∣=0
2.2 矩阵序列的收敛性
定义:设矩阵序列 A ( k ) = ( a i j ( k ) ) m × n A^{(k)}=(a_{ij}^{(k)})_{m\times n} A(k)=(aij(k))m×n,其中 a i j ( k ) a_{ij}^{(k)} aij(k)表示一个 k k k维向量,若 A ( k ) A^{(k)} A(k)收敛,则存在 A = ( a i j ) m × n A=(a_{ij})_{m\times n} A=(aij)m×n使得 l i m k → ∞ A ( k ) = A = ( a i j ) m × n lim_{k\rightarrow \infin}A^{(k)}=A=(a_{ij})_{m\times n} limk→∞A(k)=A=(aij)m×n,或者表示为 l i m k → ∞ a i j ( k ) = a i j , 1 ≤ i ≤ m , 1 ≤ j ≤ n lim_{k\rightarrow\infin}a_{ij}^{(k)}=a_{ij},1\le i \le m,1\le j \le n limk→∞aij(k)=aij,1≤i≤m,1≤j≤n
矩阵幂序列的收敛性:
矩阵幂序列形如 A 0 , A 1 , A 2 , . . . A^0,A^1,A^2,... A0,A1,A2,...
第一步:化约旦标准型 P − 1 A P = J = [ J 1 J 2 . . . J s ] , J i = [ λ 1 1 λ 2 1 . . . . . . λ n i ] n i × n i P^{-1}AP=J=\begin{bmatrix}J_1\\&J_2\\&&...\\&&&J_s\end{bmatrix},J_i=\begin{bmatrix}\lambda_1&1\\&\lambda_2&1\\&&...&...\\&&&\lambda_{n_i}\end{bmatrix}_{n_i\times n_i} P−1AP=J=⎣⎢⎢⎡J1J2...Js⎦⎥⎥⎤,Ji=⎣⎢⎢⎡λ11λ21......λni⎦⎥⎥⎤ni×ni
第二步:求解单个约旦块 k k k次方表达式 J i k = [ λ i k C k 1 λ i k − 1 . . . C k k − n i + 1 λ i k − n i + 1 λ i k . . . . . . . . . . . . λ i k ] J_i^{k}=\begin{bmatrix}\lambda_i^k&C_k^1\lambda_i^{k-1}&...&C_k^{k-n_i+1}\lambda_i^{k-n_i+1}\\&\lambda_i^k&...&...\\&&...&...\\&&&\lambda_i^k\end{bmatrix} Jik=⎣⎢⎢⎡λikCk1λik−1λik.........Ckk−ni+1λik−ni+1......λik⎦⎥⎥⎤
第三步:计算收敛性,case1: λ i < 1 \lambda_i<1 λi<1;case2 : λ i = 1 且 n i = 1 \lambda_i=1且n_i=1 λi=1且ni=1
推论: ρ ( A ) < 1 ⟺ A k = 0 \rho(A)<1\iff A^k=0 ρ(A)<1⟺Ak=0
例:证明: ρ ( A ) ≤ ∣ ∣ ∣ A ∣ ∣ ∣ \rho(A)\le |||A||| ρ(A)≤∣∣∣A∣∣∣
证明:设 B = A ϵ + ∣ ∣ ∣ A ∣ ∣ ∣ , ϵ > 0 ⇒ ∣ ∣ ∣ B ∣ ∣ ∣ < 1 ⇒ l i m k → ∞ ∣ ∣ ∣ B ∣ ∣ ∣ k = 0 ⇒ l i m k → ∞ ∣ ∣ ∣ B k ∣ ∣ ∣ = 0 ⇒ l i m k → ∞ B k = 0 ⇒ ρ ( B ) < 1 B=\frac{A}{\epsilon+|||A|||},\epsilon >0\Rightarrow |||B|||<1\Rightarrow lim_{k\rightarrow\infin}|||B|||^k=0\Rightarrow lim_{k\rightarrow\infin}|||B^k|||=0\Rightarrow lim_{k\rightarrow\infin}B^k=0\Rightarrow \rho(B)<1 B=ϵ+∣∣∣A∣∣∣A,ϵ>0⇒∣∣∣B∣∣∣<1⇒limk→∞∣∣∣B∣∣∣k=0⇒limk→∞∣∣∣Bk∣∣∣=0⇒limk→∞Bk=0⇒ρ(B)<1
⇒ ρ ( A ϵ + ∣ ∣ ∣ A ∣ ∣ ∣ ) < 1 ⇒ ρ ( A ) < ϵ + ∣ ∣ ∣ A ∣ ∣ ∣ ⇒ ρ ( A ) ≤ ∣ ∣ ∣ A ∣ ∣ ∣ \Rightarrow \rho(\frac{A}{\epsilon+|||A|||})<1\Rightarrow \rho(A) < \epsilon+|||A|||\Rightarrow \rho(A)\le |||A||| ⇒ρ(ϵ+∣∣∣A∣∣∣A)<1⇒ρ(A)<ϵ+∣∣∣A∣∣∣⇒ρ(A)≤∣∣∣A∣∣∣
矩阵幂级数
A ( k ) A^{(k)} A(k)是一个矩阵序列,则 Σ k = 0 ∞ A ( k ) \Sigma_{k=0}^\infin A^{(k)} Σk=0∞A(k)称之为矩阵级数, Σ k = 0 ∞ A ( k ) = [ Σ k = 0 ∞ a 11 ( k ) . . . Σ k = 0 ∞ a 1 n ( k ) . . . . . . . . . Σ k = 0 ∞ a n 1 ( k ) . . . Σ k = 0 ∞ a n n ( k ) ] \Sigma_{k=0}^\infin A^{(k)}=\begin{bmatrix}\Sigma_{k=0}^\infin a_{11}^{(k)}&...&\Sigma_{k=0}^\infin a_{1n}^{(k)}\\...&...&...\\\Sigma_{k=0}^\infin a_{n1}^{(k)}&...&\Sigma_{k=0}^\infin a_{nn}^{(k)}\end{bmatrix} Σk=0∞A(k)=⎣⎢⎡Σk=0∞a11(k)...Σk=0∞an1(k).........Σk=0∞a1n(k)...Σk=0∞ann(k)⎦⎥⎤, Σ k = 0 ∞ a k ⋅ A k \Sigma_{k=0}^\infin a_k\cdot A^k Σk=0∞ak⋅Ak称为矩阵幂级数。
3 矩阵函数求解
定义:未知量为矩阵的函数称为矩阵函数
方法:使用Hamilton-Cayley定理
例1:已知 A 2 = A A^2=A A2=A,求 e A e^A eA
解:由 A 2 = A A^2=A A2=A可得知矩阵 A A A的一个零化多项式为 f ( λ ) = λ 2 − λ f(\lambda)=\lambda^2-\lambda f(λ)=λ2−λ
⇒ \Rightarrow ⇒设 e λ = ϕ ( λ ) ⋅ f ( λ ) + a λ + b e^\lambda=\phi(\lambda)\cdot f(\lambda)+a\lambda+b eλ=ϕ(λ)⋅f(λ)+aλ+b,将 λ = 0 , λ = 1 \lambda=0,\lambda=1 λ=0,λ=1分别代入方程有:
{ b = e 0 = 1 a + b = e 1 = e \begin{cases}b=e^0=1\\a+b=e^1=e\end{cases} {b=e0=1a+b=e1=e,解得 { a = e − 1 b = 1 \begin{cases}a=e-1\\b=1\end{cases} {a=e−1b=1
⇒ e λ = ϕ ( λ ) ⋅ f ( λ ) + ( e − 1 ) λ + 1 \Rightarrow e^\lambda=\phi(\lambda)\cdot f(\lambda)+(e-1)\lambda+1 ⇒eλ=ϕ(λ)⋅f(λ)+(e−1)λ+1
⇒ e A = ( e − 1 ) A + I \Rightarrow e^A=(e-1)A+I ⇒eA=(e−1)A+I(注意,常数项要改为 I I I)
例2:已知 A 2 + 2 A + E = 0 A^2+2A+E=0 A2+2A+E=0,求 c o s 2 A cos2A cos2A
解:易知 A A A的最小多项式可以表示为 f ( λ ) = λ 2 + 2 λ + 1 f(\lambda)=\lambda^2+2\lambda+1 f(λ)=λ2+2λ+1
c o s 2 λ = ϕ ( λ ) ⋅ f ( λ ) + a λ + b cos2\lambda=\phi(\lambda)\cdot f(\lambda)+a\lambda+b cos2λ=ϕ(λ)⋅f(λ)+aλ+b,将 λ = − 1 \lambda=-1 λ=−1带入
⇒ { c o s ( − 2 ) = − a + b − 2 s i n ( − 2 ) = a ⇒ { a = 2 s i n ( 2 ) b = 2 s i n ( 2 ) + c o s ( 2 ) \Rightarrow \begin{cases}cos(-2)=-a+b\\-2sin(-2)=a\end{cases}\Rightarrow \begin{cases}a=2sin(2)\\b=2sin(2)+cos(2)\end{cases} ⇒{cos(−2)=−a+b−2sin(−2)=a⇒{a=2sin(2)b=2sin(2)+cos(2)
⇒ c o s 2 λ = ϕ ( λ ) ⋅ f ( λ ) + 2 s i n ( 2 ) λ + 2 s i n ( 2 ) + c o s ( 2 ) \Rightarrow cos2\lambda=\phi(\lambda)\cdot f(\lambda)+2sin(2)\lambda+2sin(2)+cos(2) ⇒cos2λ=ϕ(λ)⋅f(λ)+2sin(2)λ+2sin(2)+cos(2)
⇒ c o s 2 A = 2 s i n ( 2 ) A + ( 2 s i n ( 2 ) + c o s ( 2 ) ) I \Rightarrow cos2A=2sin(2)A+(2sin(2)+cos(2))I ⇒cos2A=2sin(2)A+(2sin(2)+cos(2))I
例3:已知矩阵 A = [ 0 1 1 0 1 0 ] A=\begin{bmatrix}0&1&1\\&0&1\\&&0\end{bmatrix} A=⎣⎡010110⎦⎤,求 c o s 2 A − s i n 2 A cos2A-sin2A cos2A−sin2A
解:易知 A 3 = 0 ⇒ A A^3=0\Rightarrow A A3=0⇒A的零化多项式为 f ( λ ) = λ 3 f(\lambda)=\lambda^3 f(λ)=λ3
设 c o s 2 λ − s i n 2 λ = ϕ ( λ ) ⋅ f ( λ ) + a λ 2 + b λ + c cos2\lambda-sin2\lambda=\phi(\lambda)\cdot f(\lambda)+a\lambda^2+b\lambda+c cos2λ−sin2λ=ϕ(λ)⋅f(λ)+aλ2+bλ+c,将 λ = 0 \lambda=0 λ=0带入得
{ c = c o s 0 − s i n 0 = 1 b = − 2 s i n 0 − 2 c o s 0 = − 2 2 a = − 4 c o s 0 + 4 s i n 0 = − 4 ⇒ { a = − 2 b = − 2 c = 1 \begin{cases}c=cos0-sin0=1\\b=-2sin0-2cos0=-2\\2a=-4cos0+4sin0=-4\end{cases}\Rightarrow \begin{cases}a=-2\\b=-2\\c=1\end{cases} ⎩⎪⎨⎪⎧c=cos0−sin0=1b=−2sin0−2cos0=−22a=−4cos0+4sin0=−4⇒⎩⎪⎨⎪⎧a=−2b=−2c=1
⇒ c o s 2 λ − s i n 2 λ = ϕ ( λ ) ⋅ f ( λ ) − 2 λ 2 − 2 λ + 1 \Rightarrow cos2\lambda-sin2\lambda=\phi(\lambda)\cdot f(\lambda)-2\lambda^2-2\lambda+1 ⇒cos2λ−sin2λ=ϕ(λ)⋅f(λ)−2λ2−2λ+1
⇒ c o s 2 A − s i n 2 A = − 2 A 2 − 2 A + E = [ 1 − 2 − 4 1 − 2 1 ] \Rightarrow cos2A-sin2A=-2A^2-2A+E=\begin{bmatrix}1&-2&-4\\&1&-2\\&&1\end{bmatrix} ⇒cos2A−sin2A=−2A2−2A+E=⎣⎡1−21−4−21⎦⎤
注意:如果给出了 A A A的具体形式,就要写出结果的具体形式
例4(大题):已知 A = [ 2 1 4 0 2 0 0 3 1 ] A=\begin{bmatrix}2&1&4\\0&2&0\\0&3&1\end{bmatrix} A=⎣⎡200123401⎦⎤,求 A A A的约旦标准型以及 e A t e^{At} eAt
解:
第一步:求 A A A的特征值
设 λ \lambda λ是 A A A的特征值,则计算 ∣ A − λ I ∣ = 0 |A-\lambda I|=0 ∣A−λI∣=0得 ( λ − 2 ) 2 ( λ − 1 ) = 0 (\lambda-2)^2(\lambda-1)=0 (λ−2)2(λ−1)=0
第二步:求约旦标准型
计算 n − r ( A − 2 I ) = 1 n-r(A-2I)=1 n−r(A−2I)=1可知特征值 λ = 2 \lambda=2 λ=2对应1个特征向量,因此 A A A的约旦标准型为 [ 1 2 1 2 ] \begin{bmatrix}1\\&2&1\\&&2\end{bmatrix} ⎣⎡1212⎦⎤
第三步:求最小多项式
⇒ A \Rightarrow A ⇒A的最小多项式为 f ( λ ) = ( λ − 2 ) 2 ( λ − 2 ) f(\lambda)=(\lambda-2)^2(\lambda-2) f(λ)=(λ−2)2(λ−2)
第四步:用Hermite-Cayley定理求得矩阵函数
设 e λ t = ϕ ( λ ) ⋅ f ( λ ) + a λ 2 + b λ + c e^{\lambda t}=\phi(\lambda)\cdot f(\lambda)+a\lambda^2+b\lambda+c eλt=ϕ(λ)⋅f(λ)+aλ2+bλ+c
⇒ { e t = a + b + c e 2 t = 4 a + 2 b + c t e 2 t = 4 a + b ⇒ \Rightarrow\begin{cases}e^t=a+b+c\\e^{2t}=4a+2b+c\\te^{2t}=4a+b\end{cases}\Rightarrow ⇒⎩⎪⎨⎪⎧et=a+b+ce2t=4a+2b+cte2t=4a+b⇒略
注意:也要写出具体的表达式
例5:已知矩阵 A 4 × 4 、 B 4 × 4 A_{4\times 4}、B_{4\times 4} A4×4、B4×4的最小多项式分别为 m A ( λ ) = ( λ − 1 ) 2 ( λ − 2 ) , m B ( λ ) = ( λ − 1 ) ( λ − 2 ) 2 m_A(\lambda)=(\lambda-1)^2(\lambda-2),m_B(\lambda)=(\lambda-1)(\lambda-2)^2 mA(λ)=(λ−1)2(λ−2),mB(λ)=(λ−1)(λ−2)2,求 [ A A − B B ] \begin{bmatrix}A&A-B\\&B\end{bmatrix} [AA−BB]的最小多项式。
解:已知相似矩阵的最小多项式相同, [ A A − B B ] = [ E E E ] [ A B ] [ E − E E ] \begin{bmatrix}A&A-B\\&B\end{bmatrix}=\begin{bmatrix}E&E\\&E\end{bmatrix}\begin{bmatrix}A\\&B\end{bmatrix}\begin{bmatrix}E&-E\\&E\end{bmatrix} [AA−BB]=[EEE][AB][E−EE]
又因为 [ E E E ] ⋅ [ E − E E ] = E 8 × 8 ⇒ [ A A − B B ] \begin{bmatrix}E&E\\&E\end{bmatrix}\cdot \begin{bmatrix}E&-E\\&E\end{bmatrix}=E_{8\times 8}\Rightarrow \begin{bmatrix}A&A-B\\&B\end{bmatrix} [EEE]⋅[E−EE]=E8×8⇒[AA−BB]与 [ A B ] \begin{bmatrix}A\\&B\end{bmatrix} [AB]相似
⇒ [ A A − B B ] \Rightarrow \begin{bmatrix}A&A-B\\&B\end{bmatrix} ⇒[AA−BB]的最小多项式为 m A ( λ ) , m B ( λ ) m_A(\lambda),m_B(\lambda) mA(λ),mB(λ)的最小公倍数,即 ( λ − 1 ) 2 ( λ − 2 ) 2 (\lambda-1)^2(\lambda-2)^2 (λ−1)2(λ−2)2