矩阵的迹的性质

2024-05-25 09:36
文章标签 性质 矩阵的迹

本文主要是介绍矩阵的迹的性质,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1. 定义

矩阵的迹(trace)即对角线的和
t r ( M ) = ∑ i M i i tr(M)=\sum_{i}M_{ii} tr(M)=iMii

2. 性质

t r ( I n ) = n t r ( A ⊤ ) = t r ( A ) t r ( α A ) = α t r ( A ) t r ( A + B ) = t r ( A ) + t r ( B ) t r ( A B ) = t r ( B A ) \begin{align} &tr(I_n)=n\\ &tr(A^{\top})=tr(A)\\ & tr(\alpha A)=\alpha \ tr(A)\\ & tr(A+B) =tr(A) +tr(B)\\ & tr(AB) = tr(BA)\\ \end{align} tr(In)=ntr(A)=tr(A)tr(αA)=α tr(A)tr(A+B)=tr(A)+tr(B)tr(AB)=tr(BA)

l e t A 1 , A 2 , ⋯ A k : M a t r i x ( n , n ) t r ( A 1 A 2 ⋯ A k ) = t r ( A 2 ⋯ A k A 1 ) i f A X = X Λ , A = X Λ X − 1 → t r ( A ) = t r ( X Λ X − 1 ) = t r ( Λ X X − 1 ) = t r ( Λ ) let A_1, A_2, \cdots A_k:Matrix(n,n)\\ \begin{align} &tr(A_1A_2\cdots A_k)=tr(A_2\cdots A_k A_1) \\ if\ AX=X\Lambda ,A=X\Lambda X^{-1} \rightarrow \nonumber\\ tr(A)=tr(X\Lambda X^{-1})=tr(\Lambda XX^{-1})=tr(\Lambda) \end{align} letA1,A2,Ak:Matrix(n,n)if AX=XΛ,A=XΛX1tr(A)=tr(XΛX1)=tr(ΛXX1)=tr(Λ)tr(A1A2Ak)=tr(A2AkA1)
性质 5 5 5证明
t r ( A B ) = ∑ i = 1 n ∑ k = 1 n a i k b k i t r ( B A ) = ∑ u = 1 n ∑ v = 1 n b u v a v u 求和项数均为 n × n , 对于任一项 a i k b k i 都能找到 b u v a v u 与之对应。 所以 t r ( A B ) = t r ( B A ) tr(AB) = \sum_{i=1}^n\sum_{k=1}^n a_{ik}b_{ki}\\ tr(BA) = \sum_{u=1}^n\sum_{v=1}^n b_{uv}a_{vu}\\ 求和项数均为 n \times n, 对于任一项a_{ik}b_{ki}都能找到b_{uv}a_{vu}与之对应。\\ 所以tr(AB)=tr(BA) tr(AB)=i=1nk=1naikbkitr(BA)=u=1nv=1nbuvavu求和项数均为n×n,对于任一项aikbki都能找到buvavu与之对应。所以tr(AB)=tr(BA)
性质 6 6 6证明
数学归纳法 k = 2 , t r ( A 1 A 2 ) = t r ( A 2 A 1 ) 成立 假设 k 时成立 令 B = A 2 ⋯ A k + 1 t r ( A 1 ⋯ A k + 1 ) = t r ( A 1 ( A 2 ⋯ A k + 1 ) ) = t r ( A 1 B ) = t r ( B A 1 ) = t r ( A 2 ⋯ A k + 1 A 1 ) 数学归纳法\\ k=2, tr(A_1A_2) = tr(A_2A_1)成立\\ 假设k时成立\\ 令B=A_2\cdots A_{k+1}\\ tr(A_1\cdots A_{k+1}) = tr(A_1(A_2\cdots A_{k+1}))=tr(A_1B)=tr(BA_1)\\=tr(A_2\cdots A_{k+1}A_1) 数学归纳法k=2,tr(A1A2)=tr(A2A1)成立假设k时成立B=A2Ak+1tr(A1Ak+1)=tr(A1(A2Ak+1))=tr(A1B)=tr(BA1)=tr(A2Ak+1A1)

3. 叉乘矩阵

叉乘的矩阵形式,又叫dual matrix

向量叉乘
a → × b → = [ i → j → k → x a y a z a x b y b z b ] = ( y a z b − y b z a , x b z a − x a z b , x a y b − x b y a ) \overrightarrow a \times \overrightarrow b= \begin{bmatrix} \overrightarrow i & \overrightarrow j & \overrightarrow k\\ x_a & y_a & z_a\\ x_b & y_b & z_b\\ \end{bmatrix}=(y_az_b-y_bz_a, x_bz_a-x_az_b,x_ay_b-x_by_a) a ×b = i xaxbj yaybk zazb =(yazbybza,xbzaxazb,xaybxbya)
a → × b → = [ 0 z a − y a − z a 0 x a y a − x a 0 ] [ x b y b z b ] \overrightarrow a \times \overrightarrow b= \begin{bmatrix} 0 & z_a & -y_a \\ -z_a & 0 &x_a\\ y_a & -x_a & 0 \end{bmatrix} \begin{bmatrix} x_b\\ y_b\\ z_b \\ \end{bmatrix} a ×b = 0zayaza0xayaxa0 xbybzb

u × = [ 0 z − y − z 0 x y − x 0 ] u_{\times}= \begin{bmatrix} 0 & z & -y \\ -z & 0 &x\\ y & -x & 0 \end{bmatrix} u×= 0zyz0xyx0

u × u_{\times} u×就是叉乘矩阵。
叉乘矩阵具有反对称性。矩阵的反对称性即 A ⊤ = − A A^{\top}=-A A=A

4. 向量三重积

又叫BAC-CAB准则

A × ( B × C ) = B ( A ∗ C ) − C ( A ∗ B ) A\times (B \times C)=B(A *C)-C(A*B) A×(B×C)=B(AC)C(AB)

证明
取 x 方向分量 ( A × ( B × C ) ) x B × C = [ i j k x b y b z b x c y c z c ] = ( y b z c − y c z b , x c z b − x b z c , x b y c − x c y b ) ( A × ( B × C ) ) x = y a ( x b y c − x c y b ) − z a ( x c z b − x b z c ) = x b y a y c − x c y a y b − x c z a z b + x b z a z c = x b ( y a y c + z a z c ) − x c ( y a y b + z a z b ) = x b ( y a y c + z a z c ) + x b x a x c − x c x a x b − x c ( y a y b + z a z b ) = x b ( x a x c + y a y c + z a z c ) − x c ( x a x b + y a y b + z a z b ) = x b ( A ∗ C ) − x c ( A ∗ B ) 其余两个方向分量证明类似 A × ( B × C ) = B ( A ∗ C ) − C ( A ∗ B ) 取x方向分量\\ (A\times (B \times C))_x\\ B\times C= \begin{bmatrix} i & j & k \\ x_b & y_b &z_b\\ x_c & y _c & z_c \end{bmatrix}=(y_bz_c-y_cz_b,x_cz_b-x_bz_c,x_by_c-x_cy_b)\\ \begin{align} (A\times (B \times C))_x &= y_a(x_by_c-x_cy_b)-z_a(x_cz_b-x_bz_c)\nonumber\\ &= x_by_ay_c-x_cy_ay_b-x_cz_az_b+x_bz_az_c\nonumber\\ &= x_b(y_ay_c+z_az_c)-x_c(y_ay_b+z_az_b)\nonumber\\ &= x_b(y_ay_c+z_az_c)+x_bx_ax_c-x_cx_ax_b-x_c(y_ay_b+z_az_b)\nonumber\\ &= x_b(x_ax_c+y_ay_c+z_az_c)-x_c(x_ax_b+y_ay_b+z_az_b)\nonumber\\ &= x_b(A *C)-x_c(A *B)\nonumber\\ \end{align}\\ 其余两个方向分量证明类似\\ A\times(B \times C)=B(A*C)-C(A*B) x方向分量(A×(B×C))xB×C= ixbxcjybyckzbzc =(ybzcyczb,xczbxbzc,xbycxcyb)(A×(B×C))x=ya(xbycxcyb)za(xczbxbzc)=xbyaycxcyaybxczazb+xbzazc=xb(yayc+zazc)xc(yayb+zazb)=xb(yayc+zazc)+xbxaxcxcxaxbxc(yayb+zazb)=xb(xaxc+yayc+zazc)xc(xaxb+yayb+zazb)=xb(AC)xc(AB)其余两个方向分量证明类似A×(B×C)=B(AC)C(AB)

参考

linear_algebra
百度百科_向量三重积
mathworld

这篇关于矩阵的迹的性质的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1001133

相关文章

对极约束及其性质 —— 公式详细推导

Title: 对极约束及其性质 —— 公式详细推导 文章目录 前言1. 对极约束 (Epipolar Constraint)2. 坐标转换 (Coordinate Transformations)3. 像素坐标 (Pixel Coordinates)4. 像素坐标转换 (Transformations of Pixel Coordinates)5. 本质矩阵 (Essential Matr

PMF源解析软件下载、安装、运行;Fpeak模式运行结果优化及误差评估;大气颗粒物理化性质等基础知识和通过PMF方法对其来源解析

目录 专题一 PMF源解析技术简要及其输入文件准备 专题二 PMF源解析技术的原理,PMF软件的实操及应用举例 专题三 PMF源解析结果的优化及误差评估 更多应用 颗粒物污染不仅对气候和环境有重要影响,而且对人体健康有严重损害,尤其在一些重污染天气,如灰霾和沙尘暴等。为了高效、精准地治理区域大气颗粒物污染,首先需要了解颗粒物的来源。因此,颗粒物源解析成为目前解决大气颗粒物污染的关键技

[置顶]LCM性质 + 组合数 - HDU 5407 CRB and Candies

CRB and Candies Problem's Link  Mean:  给定一个数n,求LCM(C(n,0),C(n,1),C(n,2)...C(n,n))的值,(n<=1e6). analyse: 很有趣的一道数论题! 看了下网上别人的做法,什么Kummer定理我还真没听说过,仔细研究一下那个鬼定理真是涨姿势了! 然而这题我并不是用Kummer那货搞的(w

环上k划分的和的gcd的最大值【gcd基本性质的利用】

今早看到的题,想了下会做了,但是觉得这题挺有意思的,于是打算写一下做法。本题利用了gcd的基本性质:更相减损法以及结合律,平时做gcd的题基本没用到过这两性质,而本题对这性质进行了充分利用。 思路: 首先我们考虑给一个序列,我们该怎么做。 令 fn=∑ni=1ai f_n=\sum_{i=1}^n a_i。 我们考虑序列的一个 k+1 k+1划分 fx1,fx2−fx1,fx3−fx2

数学基础 -- 线性代数之矩阵的迹

矩阵的迹 什么是矩阵的迹? 矩阵的迹(Trace of a Matrix)是线性代数中的一个基本概念,定义为一个方阵主对角线上元素的总和。矩阵的迹在许多数学和物理应用中都起着重要作用,例如在矩阵分析、量子力学、统计学和系统理论中。 矩阵迹的定义 对于一个 n × n n \times n n×n 的方阵 A A A: A = ( a 11 a 12 ⋯ a 1 n a 21 a 2

传统CV算法——轮廓性质算法实战

近似轮廓寻找 cv2.approxPolyDP 函数简介 cv2.approxPolyDP 是 OpenCV 中用于多边形逼近的函数。它基于 Ramer-Douglas-Peucker 算法,通过对曲线或多边形进行抽象,来近似表示其形状。这个函数通常用于简化轮廓,使得复杂的轮廓用较少的顶点来表示,方便后续的处理和分析。 函数原型 cv2.approxPolyDP(curve, epsilo

极限的性质【下】《用Manim可视化》

通过前面的极限的定义,现在是计算极限的时候了。然而,在此之前,我们需要一些极限的性质,这将使我们的工作变得简单一些。我们先来看看这些。 接下来的例子中 极限的性质: 6.幂函数的极限  在这个性质n中可以是任何实数(正数、负数、整数、分数、无理数、零等)。 例如,考虑的情况n=2。 对于任意整数n都可以这样做。 接下来我们实现一下该性质: 示例代码: from manim

红黑树概念及其性质

概念 红黑树是一种自平衡的二叉搜索树,它通过在节点上增加颜色属性并遵循一定的规则来保持树的平衡。红黑树在计算机科学中被广泛应用,特别是在需要高效查找、插入和删除操作的场景中。以下是红黑树的概念和主要性质: 红黑树的概念 结构:红黑树是一种特殊的二叉搜索树。 节点颜色:每个节点都有一个颜色属性,可以是红色或黑色。 自平衡:通过颜色变换和旋转操作来保持树的平衡。 红黑树的性质 节点

极限的性质【上】《用Manim可视化》

通过前面的极限的定义,现在是计算极限的时候了。然而,在此之前,我们需要一些极限的性质,这将使我们的工作变得简单一些。我们先来看看这些。 极限的性质: 1.常数对极限的影响 1.首先,我们假设和存在,那就是c是常数,那  换句话说,我们可以将一个乘法常数从极限中“分解”出来。  通过一下图像都能证实上面的性质。但前提是,该函数在极限位置存在极限。 实现代码 : from m

矩阵性质简介

矩阵 一个 n × m n\times m n×m矩阵 M M M是由 n n n行 m m m列数字组成的数组, M r c M_{rc} Mrc​表示矩阵的第 r r r行 c c c列的元素 方阵 如果一个矩阵的行列相等,该矩阵称为方阵 对角矩阵 如果一个方阵只有主对角元素不等于零,该矩阵称为对角矩阵,主对角元素即 M r c , r = c M_{rc},r=c Mrc​,r=