矩阵相似标准型的直接证明

关于相似标准型的讲解, 通常的高等代数教材都是先引入 $\lambda$-矩阵的概念, 将数字矩阵 $A$ 的相似问题转化为特征矩阵 $\lambda I-A$ 的相抵问题来考虑, 然后再求出 $\lambda I-A$ 的法式、不变因子组和初等因子组, 最后便可得到矩阵的有理标准型和 Jordan 标准型. 这种讲授方法十分通用, 也十分适合初学者, 因为它在证明标准型的存在性和唯一性的基础上, 还给出了标准型的具体计算方法. 唯一不足的地方是在将数字矩阵 $A$ 的相似问题转化为特征矩阵 $\lambda I-A$ 的相抵问题时, 过渡比较生硬, 缺乏进一步的说明, 让初学者觉得不甚理解. 事实上, 要真正理解这一过渡, 需要主理想整区上的模理论, 但接受这一理论对大一学生来说过于困难. 因此, 不利用 $\lambda$-矩阵的知识, 而直接给出标准型的存在性证明, 这也是一个折中的办法.

我们先给出有理标准型的直接证明.

定理  设 $A$ 是数域 $\mathbb{K}$ 上的 $n$ 阶方阵, 则存在 $\mathbb{K}$ 上的非异阵 $P$, 使得 $$P^{-1}AP=\mathrm{diag}\{F(d_k(x)),F(d_{k-1}(x)),\cdots,F(d_1(x))\},$$ 其中 $d_i(x)$ 是非常数首一多项式, $d_i(x)\mid d_{i+1}(x)\,(1\leq i\leq k-1)$, $F(d_i(x))$ 是相伴于 $d_i(x)$ 的友阵.

证明  对 $A$ 的阶数 $n$ 进行归纳. 当 $n=1$ 时, 结论显然成立. 设阶数小于 $n$ 时结论成立, 现证 $n$ 阶矩阵 $A$ 的情形. 设 $A$ 的极小多项式为 $m(x)$, $\deg m(x)=m$. 根据友阵的性质可知, $F(d_i(x))$ 的极小多项式是 $d_i(x)$, 再由极小多项式的性质可知, 若定理的结论为真, 则 $$m(x)=[d_k(x),d_{k-1}(x),\cdots,d_1(x)]=d_k(x).$$ 由思考题 9 (6) 的结论可知, 存在 $\alpha\in\mathbb{K}^n$, 使得 $\alpha$ 的极小多项式等于 $A$ 的极小多项式 $m(x)$, 令 $d_k(x)=m(x)$. 再由思考题 9 (2) 的结论可知, $\alpha,A\alpha,\cdots,A^{m-1}\alpha$ 是循环子空间 $C(A,\alpha)$ 的一组基, 并且 $A$ 限制在 $C(A,\alpha)$ 上在这组基下的表示矩阵是 $F(d_k(x))$. 将 $\alpha,A\alpha,\cdots,A^{m-1}\alpha$ 扩张为 $\mathbb{K}^n$ 的一组基 $\{\alpha,A\alpha,\cdots,A^{m-1}\alpha,\beta_1,\cdots,\beta_{n-m}\}$, 则有 $$A(\alpha,A\alpha,\cdots,A^{m-1}\alpha,\beta_1,\cdots,\beta_{n-m})=(\alpha,A\alpha,\cdots,A^{m-1}\alpha,\beta_1,\cdots,\beta_{n-m})\begin{pmatrix} F(d_k(x)) & * \\ 0 & B \\ \end{pmatrix},\cdots\cdots (1)$$ 其中 $B$ 是 $\mathbb{K}$ 上的 $n-m$ 阶矩阵. 由归纳假设, 存在 $\mathbb{K}$ 上的 $n-m$ 阶非异阵 $Q$, 使得 $$Q^{-1}BQ=\mathrm{diag}\{F(d_{k-1}(x)),\cdots,F(d_1(x))\},$$ 其中 $d_i(x)$ 是非常数首一多项式, $d_i(x)\mid d_{i+1}(x)\,(1\leq i\leq k-2)$. 特别地, $d_{k-1}(x)$ 是 $B$ 的极小多项式. 由 (1) 式可知 $A$ 相似于 $\begin{pmatrix} F(d_k(x)) & * \\ 0 & B \\ \end{pmatrix}$, 从而由 $m(A)=0$ 可得 $m(B)=0$, 再由极小多项式的性质可得 $d_{k-1}(x)\mid m(x)=d_k(x)$. 令 $$P=(\alpha,A\alpha,\cdots,A^{m-1}\alpha,\beta_1,\cdots,\beta_{n-m})\begin{pmatrix} I_m & 0 \\ 0 & Q \\ \end{pmatrix}=(\alpha,A\alpha,\cdots,A^{m-1}\alpha,\gamma_1,\cdots,\gamma_{n-m}),$$ 则 $$AP=P\begin{pmatrix} F(d_k(x)) & * & \cdots & * \\ & F(d_{k-1}(x)) & & \\  & & \ddots & \\ & & & F(d_1(x)) \\ \end{pmatrix}.\cdots\cdots (2)$$ 对比定理的结论, 我们只要证明: 可以适当地选取线性无关的列向量替换 $\{\gamma_1,\cdots,\gamma_{n-m}\}$, 使得消去 (2) 式右边矩阵第一行中的 $*$ 号, 最终得到所需的分块对角阵 $\mathrm{diag}\{F(d_k(x)),F(d_{k-1}(x)),\cdots,F(d_1(x))\}$. 由于每个分块 $F(d_i(x))$ 的讨论都是类似的, 故我们只对 $F(d_{k-1}(x))$ 进行处理.

设 $d_{k-1}(x)=x^t+c_{t-1}x^{t-1}+\cdots+c_1t+c_0$, 则 $$F(d_{k-1}(x))=\begin{pmatrix} & & & -c_0 \\ 1 & & & -c_1 \\ & \ddots & & \vdots \\ & & 1 & -c_{t-1} \end{pmatrix},$$ 于是由 (2) 式可得 $$A\gamma_i=g_i(A)\alpha+\gamma_{i+1}\,(1\leq i\leq t-1),\,\,\,\,A\gamma_t=g_t(A)\alpha-c_0\gamma_1-c_1\gamma_2-\cdots-c_{t-1}\gamma_t,$$ 其中 $g_i(x)\,(1\leq i\leq t)$ 都是由 $*$ 号决定的次数小于 $m$ 的多项式. 上述等式不断迭代, 可得 $$\gamma_i=A^{i-1}\gamma_1+h_i(A)\alpha\,(1\leq i\leq t), \cdots\cdots(3)$$ $$d_{k-1}(A)\gamma_1=h(A)\alpha, \cdots\cdots(4)$$ 其中 $h_i(x),h(x)$ 是多项式. 设 $m(x)=d_k(x)=u(x)d_{k-1}(x)$, 由于 $m(A)=0$, 故在 (4) 式两边同时左乘 $u(A)$ 可得 $$0=m(A)\gamma_1=u(A)d_{k-1}(A)\gamma_1=u(A)h(A)\alpha.$$ 由于 $\alpha$ 的极小多项式是 $m(x)$, 故由思考题 9 (1) 可得 $m(x)\mid u(x)h(x)$, 从而 $d_{k-1}(x)\mid h(x)$. 设 $h(x)=d_{k-1}(x)v(x)$, 则由 (4) 式可得 $d_{k-1}(A)(\gamma_1-v(A)\alpha)=0$. 令 $\delta=\gamma_1-v(A)\alpha$, 我们断言 $\{\alpha,A\alpha,\cdots,A^{m-1}\alpha,\delta,A\delta,\cdots,A^{t-1}\delta\}$ 必线性无关, 否则由 (3) 式容易验证 $\{\alpha,A\alpha,\cdots,A^{m-1}\alpha,\gamma_1,\cdots,\gamma_t\}$ 必线性相关, 这与假设矛盾. 由上述向量组线性无关也可推出 $\{\delta,A\delta,\cdots,A^{t-1}\delta\}$ 线性无关, 从而 $d_{k-1}(x)$ 是 $\delta$ 的极小多项式. 相同的讨论可以对所有的分块 $F(d_i(x))$ 同时进行, 因此我们找到了 $\mathbb{K}^n$ 的一组新基, 它们拼成了非异阵 $P$, 使得定理的结论成立.  $\Box$

Jordan 标准型的直接证明已经在新白皮书的 $\S$ 7.2.10 中给出了, 下面我们给出新白皮书的例 7.63 的另一个归纳法的证明, 这个证明技巧性不算强, 但更加清晰易懂.

时间: 2024-10-16 06:28:03

矩阵相似标准型的直接证明的相关文章

矩阵相关的小证明

$\forall A\in \mathbb{R}^{n\times n}$,$A^{\mathrm{T}}A$ 为半正定阵.\(\newcommand{\zz}[1]{#1^{\mathrm{T}}}\) \(\newcommand{\inprod}[2]{\langle#1\,,#2\rangle}\) 证明: 首先,不难证明,$\forall A\in \mathbb{R}^{m\times l}, B\in\mathbb{R}^{l\times n}, (AB)^\mathrm{T} =

拉普拉斯矩阵(Laplacian Matrix) 及半正定性证明

摘自 https://blog.csdn.net/beiyangdashu/article/details/49300479 和 https://en.wikipedia.org/wiki/Laplacian_matrix 定义 给定一个由n个顶点的简单图G,它的拉普拉斯矩阵定义为: L = D - A,其中,D是该图G度的矩阵,A为图G的邻接矩阵. 因为G是一个简单图,A只包含0,1,并且它的对角元素均为0. L中的元素给定为: 其中deg(vi) 表示顶点 i 的度. 对称归一化的拉普拉斯

康复计划#5 Matrix-Tree定理(生成树计数)的另类证明和简单拓展

本篇口胡写给我自己这样的什么都乱证一通的口胡选手 以及那些刚学Matrix-Tree,大致理解了常见的证明但还想看看有什么简单拓展的人- 大概讲一下我自己对Matrix-Tree定理的一些理解.常见版本的证明.我自己的证明,以及简单的一些应用(比如推广到有向图.推广到生成树边权的乘积和什么的,非常基础). 应该看到这里的人都知道Matrix-Tree定理是干什么的吧-就是统计一个无向图的生成树个数,表示成一个行列式. 1.前置定义及性质 首先是Matrix-Tree定理相关的定义:对于一个无向图

3d中的矩阵

  基础: 下标:第一个下标为该元素所在行的索引,第二个下标为该元素所在列的索引.如下图所示   行向量和列向量:只有单行的向量称为行向量,只有单列的称之为列向量. 相等 维数和元素都相等 数乘(与标量相乘) 每一个元素与标量相乘 加法(矩阵+矩阵=矩阵) 两个矩阵相应元素想加所得的矩阵,必须维数相等 矩阵乘法(矩阵*矩阵=矩阵) 条件:A的列数必须等于B的行数 定义:A(m*n) B(n*p) 则乘积AB有意义,且等于一个矩阵C(m*p),其中乘积C[i][j] = A的第i个行向量 * B的

【线性代数】矩阵的乘法与求逆

一.矩阵乘法的五种表示方法 1.一般形式 2.矩阵与列向量相乘 3.矩阵与行向量相乘 4.矩阵分块相乘 二.矩阵的逆 对于方阵,左逆=右逆 原矩阵乘以其逆矩阵得到单位矩阵 判断是否可逆的几种方法: 1.行列式为0 2.单位矩阵的各列是矩阵各列的线性组合 3.下式成立时,矩阵A不可逆: 证明: 三.矩阵求逆(高斯-若尔当消元法) 假设矩阵为A: 消元过程如下: 通过消元,我们将矩阵A变成了单位矩阵I,则与此同时,矩阵I变成了A的逆矩阵.证明如下:

[再寄小读者之数学篇](2014-11-14 矩阵的应用: 数论)

1. 代数数: $\al\in\bbC$ 称为代数数, 如果它是某个系数为有理数的非零多项式的根. 2. 代数数全体构成一个域. (利用伙伴矩阵, 张量积很容易证明) 3. 代数整数: $\al\in\bbC$ 称为代数整数, 如果它是某个首一整系数多项式的根. 4. 代数整数的全体构成一个环.

高等代数葵花宝典—白皮书

我第一次接触白皮书是和高中同学钟梓源(复旦数学学院 16 级)的交流当中发现的,记得是上半期开学之后,钟梓源给我发了几张他们高等代数"练习册"的照片,还记得是矩阵的 Kronecker 积和摄动法之类的,当时大为惊讶,我虽然对这些东西有所耳闻,但均来源于杂乱无章的各种资料.照片上的几道题均有十足的难度,我当下决定买一本,便开始阅读了起来.现在已经过去大半年,高等代数已经学完了最后一章的内容,白皮书也陪伴我度过了一个半学期.现在,我大概把白皮书上的题目全部做了一遍,不得不惊叹于白皮书乃一

矩阵的迹(转)

矩阵的迹 在线性代数中,一个的矩阵的迹(或迹数),是指的主对角线(从左上方至右下方的对角线)上各个元素的总和,一般记作或: 其中代表矩阵的第i行j列上的元素的值[1].一个矩阵的迹是其特征值的总和(按代数重数计算). 迹的英文为trace,是来自德文中的Spur这个单字(与英文中的Spoor是同源词),在数学中,通常简写为“Sp”或“tr”. 设有矩阵: 它的迹是:  = 3 + 9 + 4 = 16 性质 线性函数 给定一个环,迹是一个从系数在环中的矩阵的空间射到环之上的线性算子.也就是说,对

分布式系统下的纠删码技术(一) -- Erasure Code (EC)

近几个月主要参与一个分布式存储系统的纠删码部分(用于数据容错),纠删码在学术界出现比较早,现在ceph,微软的存储系统,Hadoop 3.0等都用了EC.文章会分为多篇,主要将Erasure Code,LRC,  以及相关的数学基础,作为学习总结. 一.纠删码简介 分布式系统需要在硬件失效等故障发生后仍然能继续提供服务.就数据而言,HDFS采用每份数据3副本的方式,保证某些数据损失之后仍能继续使用. 数据的容错除了副本还有另一种做法,就是把丢失的数据计算出来.这就是纠删码的思想了.(PS: Sp