在微信公众号上阅读本文,可能会由于微信内嵌浏览器公式解析能力差,造成显示不是很友好,推荐使用其他浏览器,查阅原文阅读。原文地址:https://qiwsir.gitee.io/mathmetics/nodeterminant.html
在传统的线性代数教材中,行列式占据重要地位,其原因可能在于历史发展顺序。历史上,数学家们先研究怎么用行列式解线性方程组,而后才提出了矩阵等概念。
现在,有数学家提出了不同观点,认为在现代的线性代数中,可以抛弃行列式,最典型代表就是参考文献[1]的作者,美国数学家Sheldon Axler,参考文献[1]就是他的这种思想的集中体现。
下面参考文献[2],按照Sheldon Axler的思想,不用行列式,演示相关定理的证明。
设向量空间
中的线性变换
,并
是一个子空间,
表示子空间向量经
映射后的像所成的集合,即
。
如果
,则称
为线性变换
的一个不变子空间(invariant subspace)。
定理
定理1
对于
矩阵
,若
为
的一个不变子空间,且
,则存在非零特征向量
,使得
。
证明
设
,非零向量
,向量集
属于
且线性相关。
维子空间不可能有
个线性无关的向量。所以,存在不全为零的数
,使得:
成立。
设系数中最大值是
,显然
,则可以将
次多项式分解为:
其中
。
于是,(1.1)式的左侧多项式可以参考(1.2)式,分解为:
(1.3)式等号右边的乘法中,至少有一个
和向量
使得:
成立。
即
必定有一个特征向量
对应的特征值是
。
证毕。
定理2
对应相异特征值
的特征向量
组成一个线性无关的向量集合。
此定理在文献[3]中已经证明,并且没有使用行列式,下面的证明即来自文献[3]
证明1
设
为相异特征值,
,对应特征向量集合
,考虑:
将(1.3)式等号两侧左乘
,并且
,得:
因为
,且
,所以:
。
同理,可得:
。
故
是一个完整的线性无关集合。
证毕。
证明2(反证法)
设
是线性相关集合,在不失一般性的原则下,设
是最大的线性无关集,则:
其中
不全为零(因为
)。
(1.4)式等号两侧分别左乘
,可得:
且:
以上两式相减:
因为
是线性无关的向量集,且
两两相异,所以:
。与(1.4)式假设中的系数矛盾。故假设不成立。
证毕。
定理3
对于
中的特征向量,为了跟下面的(1.5)式进行区分,称为一般特征向量。而下面所定义的:
为特征值
对应的广义特征向量(generalized eigenvector),其中
是正整数。
广义特征向量所形成集合,以及零向量,也是
的一个子空间,即
,称之为 广义特征空间 。具有如下性质:
若
是
阶方阵
的一个特征值,以
为指数,则:
证明
采用类似定理1的证明方法。
对线性组合:
两侧同乘:
,根据(1.5)可得:
所以:
。
如果两侧同乘以
,同理可得
。
最终得到
。
证毕。
定理4
某一特征值
对应的代数重数
为广义特征向量集所张成的子空间维数,即
。
向量空间
可分为两个不相交的集合:广义特征空间
和值域
。
若
为
阶方阵
的一个特征值,则:
证明
由秩—零化度定理可知:
设
,
则
且存在
使得
,由此二式可得:
所以
。
根据定理3,
,所以:
证毕。
定理5
所有广义特征向量可张成
。
证明
将
分解为广义特征空间
和值域
。
对任意
,
可写为
,所以:
即
,也就是说
是
的一个不变子空间。
因为
。根据定理1,不变子空间必有一特征值,所以子空间
也可以分解为广义特征空间和另外一个不变子空间的直和。
继续按照上述方式分割不变子空间,直到整个
都被分解为广义特征空间为止。
所以,广义特征向量足以张成
。
定理6
子空间
仅有唯一特征值
。
证明
对于非零向量
,设
且
,则:
故:
但,已知
,故
,这与假设矛盾。所以:
证毕。
根据定理5,方阵
所有的广义特征向量可张成
,而且对应相异特征值的广义特征向量是线性无关的,故
可表示为所有特征向量空间的直和:
即:
又因为:
,所以:
。
这说明特征值
的代数重数是
。
因为
,对应特征值
的线性无关特征向量个数必定不大于线性无关的广义特征向量数。对应的几何重数就是线性无关的特征向量个数,而代数重数等于线性无关的广义特征向量重数。
故
对应的几何重数不大于代数重数。
参考文献
[1]. Sheldon Axler. 线性代数应该这样学. 北京:人民邮电出版社
[2]. 线代启示录:拒绝行列式的特征分析
[3]. 机器学习数学基础:矩阵对角化
[4]. 机器学习数学基础:秩—零化度定理
《机器学习数学基础》一书即将由电子工业出版社出版,敬请关注本微信公众号,或者网站:https://qiwsir.gitee.io/mathmetics/,所发布的信息。