λ-矩阵知识点

原文:链接

λ-矩阵

若矩阵 A \mathbf{A} A 的元素为关于 λ λ λ 的多项式,则称 A \mathbf{A} A 为 λ λ λ-矩阵 (表示为 A ( λ ) \mathbf{A}(λ) A(λ)).

λ λ λ-矩阵也存在秩、逆、初等变换、相抵的概念, 但是有一些不同.

定义. λ λ λ-矩阵的秩是指最高阶非零子式的阶数. 秩等于矩阵阶数则称矩阵是满秩的.

定理. λ λ λ-矩阵满秩等价于行列式不为 0 0 0.

定义. λ λ λ-矩阵的初等行变换有3种: ① 交换两行; ② 数乘行; ③ 一行乘以 ψ ( λ ) \psi(\lambda) ψ(λ) 倍加到另一行,其中 ψ ( λ ) \psi(\lambda) ψ(λ) 是以 λ \lambda λ 为变元的多项式. 类似地定义初等列变换. 初等行变换和初等列变换统称为初等变换.

可以看出, 初等行/列变换仅③和常数矩阵不同, 乘以常数换成了乘以多项式.

定义. 若一个 λ λ λ-矩阵可经有限次初等变换得到另一个 λ λ λ-矩阵, 则称两个矩阵相抵.

仿照常数矩阵, 可得如下定理:

定理. 相抵的 λ λ λ-矩阵一定等秩.

但等秩的矩阵不一定相抵.

借助Smith标准形的知识可以得如下定理:

定理. λ λ λ-矩阵相抵的充要条件是行列式差一个非零常系数.

定义. 对于 A ( λ ) \bm A(\lambda) A(λ), 若存在 λ λ λ-矩阵 B ( λ ) \bm B(\lambda) B(λ) 使得 A ( λ ) B ( λ ) = B ( λ ) A ( λ ) = I \bm A(\lambda) \bm B(\lambda)=\bm B(\lambda)\bm A(\lambda)=\bm I A(λ)B(λ)=B(λ)A(λ)=I, 则称 A ( λ ) \bm A(\lambda) A(λ) 为可逆阵, B ( λ ) \bm B(\lambda) B(λ) 为 A ( λ ) \bm A(\lambda) A(λ) 的逆矩阵.

λ λ λ-矩阵可逆一定满秩,但满秩不一定可逆.

仿照常数矩阵, 可得如下定理:

定理. λ λ λ-矩阵可逆的充要条件是行列式为非零常数.

定理. 对于 n n n 阶 λ λ λ-矩阵 A ( λ ) \bm A(\lambda) A(λ), 若存在 n n n 阶 λ λ λ-矩阵 B ( λ ) \bm B(\lambda) B(λ), 满足 A ( λ ) B ( λ ) = I \bm A(\lambda) \bm B(\lambda)=\bm{I} A(λ)B(λ)=I/ B ( λ ) A ( λ ) = I \bm B(\lambda) \bm A(\lambda)=\bm{I} B(λ)A(λ)=I, 则 A ( λ ) \bm A(\lambda) A(λ) 是可逆的, 其逆矩阵为 B ( λ ) \bm B(\lambda) B(λ).

借助Smith标准形的知识可以得如下定理:

定理. λ λ λ-矩阵可逆的充要条件是相抵于单位阵.

相关推荐
式5165 小时前
线性代数(六)列空间和零空间
线性代数
式5166 小时前
线性代数(九)线性相关性、基与维数
线性代数·算法·机器学习
好风凭借力,送我上青云9 小时前
Pytorch经典卷积神经网络-----激活函数篇
人工智能·pytorch·深度学习·算法·矩阵·cnn
式51612 小时前
线性代数(五)向量空间与子空间
人工智能·线性代数·机器学习
式51612 小时前
线性代数(七)主变量与特解
线性代数·算法
跨境摸鱼1 天前
TikTok多账号风控:找对安全支点,解锁规模化运营
大数据·安全·矩阵·重构·跨境电商
咚咚王者1 天前
人工智能之数学基础 线性代数:第五章 张量
人工智能·线性代数
跨境卫士—小依1 天前
打破认知牢笼:合规新纪元,运营成本如何变身增长引擎?
大数据·矩阵·跨境电商·亚马逊·防关联
拉姆哥的小屋1 天前
基于多模态深度学习的城市公园社交媒体评论智能分析系统——从BERTopic主题建模到CLIP图文一致性的全栈实践
人工智能·python·深度学习·矩阵·媒体
RickyWasYoung1 天前
【笔记】矩阵的谱半径
笔记·算法·矩阵