Linear Algebra on Yukari's Blog

Cayley-Hamilton 定理

Tue, 19 May 2026 00:00:00 +0000

介绍三种 Cayley-Hamilton 的证明方法。在正式开始之前，先指出一类错误的证明思路。

考虑到 $f(\lambda)=\det (\lambda I-A)$ 的形式，将 $\lambda$ 替换成 $A$，就得到所谓
$$f(A)=\det (AI-A)=\det O=0$$

这混淆了标量和矩阵的关系，上述代换应该表示为 Kronecker 乘积的形式，与本定理并无关系。

伴随矩阵方法（代数方法）

对于 $f(\lambda)=\det (\lambda I-A)$，设 $\lambda I-A=B$，则根据行列式的计算，有

$$f(\lambda )I=\det B\cdot I=BB^*$$

而伴随 $B^*$ 的定义要求它至多是 $n-1$ 次的 $\lambda$ 的多项式，所以 $B^*$ 可以表示为

$$B^*=\sum^{n-1}_{k=0}C_k\lambda^k$$

所以代入

$$\sum^{n}_{k=0}a_k\lambda^k I=f(\lambda)I=\sum^{n-1}_{k=0}(\lambda I-A)C_k\lambda^k$$

从而比较系数

$$\begin{matrix}a_0& =& -AC_0&\\ a_1& =& C_0&-AC_1\\ a_2& =&& C_1&-AC_2\\ \vdots& &&&\ddots&\\ a_{n-1}& =&&& C_{n-2}&-AC_{n-1}\\ a_n& =&&&& C_{n-1}\end{matrix}$$

累加即可。

对角矩阵方法（分析方法）

这个方法只适用于 $\mathbb F=\mathbb R,\mathbb C$ 上的矩阵。

先考虑 $A$ 可对角化的情形，则此时存在可逆矩阵 $P$ 使得，对于任意多项式 $f$，都有

根子空间

Tue, 19 May 2026 00:00:00 +0000

185

199-28,29,30,31,32,33

Oksendal - Introduction to Stochastic

根子空间

Tue, 19 May 2026 00:00:00 +0000

线性算子 $T:\mathbb F^n\to\mathbb F^n$ 作用在向量 $\alpha \in\mathbb F^n$ 上，我们关心它的不变性。所以有不变子空间的概念，例如 $V\subseteq \mathbb F^n$ 是 $T$ 的不变子空间，意味着选取 $V$ 的一组基底进行线性扩张，则能得到以下表示矩阵

$$\begin{pmatrix}A&*\\ 0&B\end{pmatrix}$$

其中 $*$ 不一定为零元，这说明 $V$ 是 $T$ 最终的收缩核。特别地，如果 $\dim V=1$，则 $\beta$ 是 $T$ 的特征向量，其中 $V=\mathrm {span}\{\beta\}$，具体地

$$\exists \lambda \in \mathbb F,\text{ s.t. }T\beta=\lambda \beta$$

将这些特征向量元组 $(\lambda ,\beta)$ 收集起来，记线性算子 $T$ 的 $\lambda$-特征子空间为

$$V_\lambda =\{\beta \in \mathbb F^n:T\beta=\lambda \beta\}=:\{\beta \in\mathbb F^n:T_\lambda \beta=0\}$$

其中 $T_\lambda :=T-\lambda I$。这个特征子空间只不过是多个一维不变子空间（一维收缩核）的直和。那么作为收缩核，其核空间会最终平稳

$$\ker T_\lambda \subseteq \ker T^2_\lambda \subseteq \cdots \subseteq \ker T^N_\lambda =\ker T^{N+1}_\lambda =\cdots$$

于是 $\ker T^N_\lambda$ 中的元素只要作用 $T_\lambda$ 就会最终收缩到 $\ker T_\lambda$ 中的一个特征向量上。而具体落在哪一个特征向量上，是由 $\ker T^N_\lambda$ 中元素的链条决定的：对于任意 $\alpha \in \ker T^N_\lambda$，存在最小的 $k\in\{0,1,\cdots,N\}$ 使得

若干分解

Tue, 19 May 2026 00:00:00 +0000

Schur Decomposition：对于任意 $A\in M_n(\mathbb C)$，存在酉矩阵 $U$ 和上三角矩阵 $T$ 使得 $A=UTU^*$；对于任意 $A\in M_n(\mathbb R)$，且其特征值均为实数，则存在正交矩阵 $Q$ 和上三角矩阵 $R$ 使得 $A=QRQ^\top$，其中 $R$ 的对角线元素为 $A$ 的特征值。

作为推论，半正定实对称方阵可以开 $n$ 次方根（也是半正定实对称方阵）。

Singular Value Decomposition：对于任意 $A\in M_{m\times n}(\mathbb C)$，存在酉矩阵 $U$ 和 $V$ 以及对角矩阵 $\Sigma$ 使得 $A=U\Sigma V^*$；对于任意 $A\in M_{m\times n}(\mathbb R)$，存在正交矩阵 $Q$ 和 $P$ 以及对角矩阵 $\Sigma$ 使得 $A=Q\Sigma P^\top$，其中 $\Sigma$ 的对角线元素为 $A$ 的奇异值。

其中

$$\Sigma=\begin{pmatrix}\mathrm{diag}(\sigma_1,\sigma_2,\cdots,\sigma_r) & 0\\ 0&0\end{pmatrix},\quad \Sigma^{-1}:=\begin{pmatrix}\mathrm{diag}(\sigma^{-1}_1,\sigma^{-1}_2,\cdots,\sigma^{-1}_r) & 0\\ 0&0\end{pmatrix}$$

作为推论，可以定义任意矩阵 $A$ 的 Moore-Penrose 逆 $A^{-}$，满足