9-1-复数与复向量
一句话概括
实矩阵的特征值可能是复数(最典型的例子是旋转矩阵),这迫使我们把数域从 扩张到 ;而一旦进入 ,内积的定义必须改变——第一个向量要取共轭,写成 ,否则"长度为正"这条最基本的几何直觉就会崩塌。
本篇覆盖:为什么线性代数需要复数(旋转矩阵的完整例子)→ 复数的代数形式与复平面 → 欧拉公式 → 四则运算与共轭 → 极坐标形式与棣莫弗公式 → 复向量空间 → 复内积的定义与动机 → 共轭转置 的运算法则 → 复向量的长度与正交 → 复矩阵的秩与零空间 → numpy 代码示例。
一、为什么线性代数需要复数
1.1 一个逃不掉的例子:旋转矩阵
考虑平面上的 旋转,它的矩阵表示是
这个矩阵把 送到 ,把 送到 :每一个非零向量都被真的"转动"了 ,方向发生了改变。
按照第六章的办法,我们求它的特征值。特征方程是
方程 在实数范围内无解。可是代数基本定理告诉我们, 次多项式在复数范围内恰有 个根(计重数),所以这里必须有两个特征值:
其中 是虚数单位(imaginary unit),满足 。
1.2 把特征向量真正算出来
对应 ,解 :
第一行给出 ,也就是 。取 ,得到
第二行给出 ,即 。代入 验证:,两行相容,解空间是一维的。
对应 ,解 :
第一行给出 ,即 。取 :
1.3 这个例子的三个结论
- 实矩阵的特征值可以是复数。 的元素全是实数,但它的特征多项式 在 上没有根。
- 复特征值成共轭对出现。,对应的特征向量也互为共轭。这不是巧合,9-2 节会给出证明。
- "没有实特征向量"是有几何含义的。 是纯旋转:它作用在任何一个实向量上都会改变方向,所以根本不存在满足 ( 为实数)的非零实向量。旋转的"固有方向"只有把平面放到复域中才看得见,这时 扮演的角色是"旋转 的算子"。
一句话理解
复数乘法 在复平面上正是逆时针旋转 。所以 意味着"特征向量每作用一次就旋转 ",而 本身也确实就是 旋转矩阵——特征值 就是旋转这件事本身的代数指纹。
验证: 时,,对应点 ,正是 的列组合结果。
" 没有实特征值"与" 是 旋转"是同一句话的两种说法:如果存在实的 与实向量 使 ,那就意味着平面里有一条直线被 映到自身(只伸缩不转向);而 旋转会把每一条过原点的直线都转到另一条直线上,所以这样的直线不存在。特征方向的缺失,正是"纯旋转"的几何特征。
1.4 定理:实矩阵的复特征值成共轭对出现
旋转矩阵 的两个特征值 不是巧合。下面这条定理说明:只要矩阵的元素全是实数,它的非实特征值就只能"成对"出现——这也是为什么一个 实矩阵不可能只有一个复特征值。
定理 1.4.1(共轭对定理) 设 是实方阵。若 是 的特征值,则 也是 的特征值。更精确地:
- 若 是对应于 的特征向量,则 是对应于 的特征向量;
- 与 在特征多项式中的代数重数相同。
证明(第 1 条:特征向量法)
设 ,其中 。
第 1 步:对等式两端取共轭。 由 9-1 节性质 (C3),共轭可以穿透乘法:
第 2 步:用" 的元素全是实数"这一条。 逐元素取共轭时实数值不变,所以 。于是
第 3 步:确认 。 若 ,则对它再取一次共轭得 ,与"特征向量非零"矛盾。所以 也是非零向量。
综合第 2、3 步: 是 的特征值,且 是对应的特征向量。
证明(第 2 条:特征多项式法)
写特征多项式
第 1 步: 是实系数多项式。 每个系数 都是由 的元素经过加法、减法、乘法得到的(行列式按排列展开时只有这三类运算,见 5-2-排列与代数余子式),而实数的加、减、乘结果仍是实数,故 。
第 2 步:实系数多项式满足 。 逐项验证:
(中间用了 ,因为系数是实数。)
第 3 步:根的共轭仍然是根。 若 ,则
所以 也是根。
第 4 步:重数相同。 设 是 的 重根,即在 附近可分解为
对两端取共轭(再次使用 的系数为实数,即 ):
把 换成 (即令 ),得
而 ,所以 恰好是 重根。共轭把"以 为根的 重因子"整体映射为"以 为根的 重因子"。
几何含义:共轭 = 旋转角取反、伸缩率不变
把特征值写成极坐标形式 ,则它的共轭是 。
两者的模相同(伸缩比例一样),辐角相反(旋转方向相反)。所以实矩阵的非实特征值总是"一对互为镜像的旋转":一个把平面逆时针转 ,另一个顺时针转 。旋转矩阵 的特征值 与 正是 的情形。
这条几何图像在 9-2 节会用到:酉矩阵的特征值全部落在单位圆上(),厄米矩阵的特征值全部落在实轴上( 或 )。"特征值住在复平面哪里"是区分矩阵类型的指纹。
三个直接推论
- 实矩阵的非实特征值个数必为偶数。 因为非实特征值只能成对出现。
- 奇数阶实矩阵至少有一个实特征值。 若 为奇数,非实特征值成对消耗掉偶数个位置,剩下的个数是奇数,而它们只能是实数,所以至少有一个。这是"奇次实系数多项式必有实根"的矩阵版本。
- 实矩阵只有两种情形:两个实特征值(例如对称矩阵),或一对共轭复特征值(例如旋转矩阵 )。用判别式判断:
去掉"实矩阵"这个条件会怎样? 定理的两条证明都只用了一个事实:。对复矩阵这个等式不成立,于是只能得到
这是另一个矩阵 的特征值问题,与 本身无关。具体反例:
它的特征值是 与 ,而 不是特征值。再看一个更"隐蔽"的反例:
这里 的共轭 同样不是特征值。"元素为实"是共轭对定理的全部依据,凡是见到复矩阵(例如 9-2 节的一般复矩阵、9-3 节的傅里叶矩阵),都不能想当然地套用这条结论。
一个高频误解
"实矩阵的特征值一定是实数"是错的(旋转矩阵就是反例);正确说法是:
- 实矩阵的非实特征值成共轭对出现,个数为偶数;
- 实对称矩阵()的特征值才保证全为实(见 6-4-对称矩阵与正定矩阵);
- 厄米矩阵()是实对称矩阵在复域的推广,其特征值同样保证全为实(见 9-2-Hermitian矩阵与酉矩阵)。
也就是说,"特征值为实"的保证来自对称性,而不是来自"元素为实"。这条区别是第 9 章后续内容的逻辑起点,也是 6-2-矩阵的对角化 里"什么时候能对角化"这个问题的复域版本。
二、定义
2.1 复数(complex number)
定义 2.1 复数集 定义为所有形如
的数的集合,其中 。称 为 的实部(real part), 为 的虚部(imaginary part), 为虚部项。
虚部是一个实数
,不带 。例如 时 ,。这一点在做题时最容易写错。
定义 2.2(共轭) 设 ,定义其共轭(complex conjugate)为
定义 2.3(模) 定义 的模(modulus,也叫绝对值)为
2.2 复向量空间
定义 2.4 是所有 元复数有序组构成的集合:
加法与数乘按分量定义,数乘的标量可以取任意复数。
2.3 复内积
定义 2.5(复内积 / 厄米内积) 对 ,定义其复内积(Hermitian inner product)为
其中 表示 的共轭转置(conjugate transpose,也称厄米转置)。
2.4 共轭转置
定义 2.6 设 ,定义其共轭转置为
也就是说:先转置,再逐元素取共轭;或者先取共轭,再转置,两种顺序结果相同。
三、几何直观
3.1 复平面是带乘法结构的平面
把 对应到平面上的点 (横轴为实轴,纵轴为虚轴),这个平面叫复平面(complex plane)或阿尔冈图(Argand diagram)。此时:
- 复数的加法就是向量的平行四边形法则,与 的加法完全一致;
- 复数的乘法不是 里现成的运算,它额外赋予了平面"旋转 + 伸缩"的结构;
- 就是点 到原点的距离,即向量的长度;
- 就是点 关于实轴的镜像反射。
因此"取共轭"在几何上等于"沿实轴翻折",而"复数乘法"在几何上等于"旋转加放缩"。这两件事是理解整章内容的钥匙。
3.2 从"长度"看为什么必须取共轭
在 里我们习惯写 ()。如果直接把这个式子搬到 ,会发生什么?
取 ,它的两个分量都非零,感觉上长度应该是正的。但
长度算出来是 !更糟的是,取 :
一个复数怎么能当长度?长度必须是实数,而且必须非负。
解决办法:把第一个向量取共轭。
每一项 都是非负实数,所以总和是非负实数,而且只有当所有 时才等于 。这正是"长度的平方"应有的性质。
再算上面两个例子:
结果都是正常、正实、符合直觉的长度平方。
这就是与实内积最关键的差别
实内积 是对称的:。
复内积 是共轭对称的:
取共轭的目的只有一个,也是最根本的一个:保证 对一切 成立,从而让"长度"这个概念在复域中合法地存在。
3.3 模与辐角:极坐标视角
设 。令 ,令 为从正实轴逆时针转到向量 的角,称为 的辐角(argument),记 (多值,相差 的整数倍;通常取主值 )。于是
也就是
3.4 复数的四种表示:同一个对象的四套坐标
初学者常把"复数的四种写法"当成四个需要分别记忆的公式,其实它们是同一个数的四套坐标——就像同一个点可以用直角坐标 表示,也可以用极坐标 表示。做题时的正确策略不是"背下来",而是按你接下来要做的运算选一套坐标。
| 表示法 | 写法 | 以 为例 | 最适合做 |
|---|---|---|---|
| 代数式(algebraic form) | 加减法、解方程、读出实部虚部 | ||
| 几何表示(geometric / Argand) | 复平面上的点 或向量 | 点 | 看旋转、伸缩、共轭(镜面反射) |
| 三角式(trigonometric form) | 把"旋转多少、伸缩多少"显式写出来 | ||
| 指数式(exponential form) | 乘法、除法、乘幂、开方(最省事) |
四种表示之间的转换只涉及两个数:模 与辐角 。
从代数式到指数式(本例完整走一遍)
点 在第一象限,故 。于是
从指数式回到代数式
选哪种表示?一张"运算—表示"对照表
| 要做的运算 | 首选表示 | 公式 |
|---|---|---|
| 加法、减法 | 代数式 | |
| 乘法 | 指数式 | |
| 除法 | 指数式 | |
| 乘幂(棣莫弗) | 指数式 | |
| 次方根 | 指数式 | 有 个值,辐角分别为 |
| 判断是否为实数 / 求实虚部 | 代数式 | 看 / 直接读 |
| 看几何效果 | 几何表示 | 旋转、伸缩、镜像 |
几何对应关系(这张表是理解第 9 章全部内容的钥匙)
| 复数运算 | 复平面上的几何操作 | 用线代语言说 |
|---|---|---|
| 加 | 平移(向量加法) | 仿射平移,不是线性变换 |
| 乘 | 绕原点旋转 ,再放大 倍 | 平面上的相似变换(一种线性变换) |
| 乘 (模为 ) | 纯旋转,长度不变 | 复域中的"正交/保长"变换(酉变换的雏形) |
| 乘 | 逆时针旋转 | 1.1 节旋转矩阵 的复域写法 |
| 取共轭 | 关于实轴镜像反射 | 与转置/共轭转置的几何含义对应 |
| 取模 | 点到原点的距离 | 向量的长度(范数) |
| 乘 | 旋转 | 中心对称 |
为什么必须掌握指数式? 因为"乘法 = 模相乘、角相加"这条法则把乘法从"四次实数乘法"降级成"两次实数乘法 + 一次加法",而且旋转的复合变成了角度的加法——这正是 8-1-线性变换的思想 里"变换的复合 = 矩阵相乘"的二维特例。整章里凡是" 转了多少圈"的计算,用的都是指数式(见 9-3-快速傅里叶变换FFT 里的单位根)。
3.5 "为什么第一个向量要取共轭"——反例清单与公理核对
定义 2.5 说复内积是 。很多人第一次看到会问:凭什么左边那个要加帽子? 这一节把这件事彻底说清楚,办法是把"不取共轭"的所有可能性都试一遍,看它们分别在哪里崩塌。
约定记号:下面把 记作"无共轭内积",把 记作"双共轭内积"。
反例 1:无共轭内积下,非零向量的"长度平方"可以是 。
取 ,则
的两个分量都不是零,却算出"长度为零"。"长度为零 是零向量"是度量的底线,一旦破坏,后面的正交、投影、最小二乘全都无从谈起。
反例 2:无共轭内积下,"长度平方"可以是复数。
取 ,则
长度必须是实数(而且非负), 连"比较大小"都做不到( 上没有与运算相容的全序)。
反例 3:正交判据会双向失效。
在无共轭内积下,"正交"若定义成 ,会同时出现两种荒谬情形:
情形 (a):非零向量与自己正交。 取 ,则 ,即 。而勾股定理要用到"",若 成立,就会推出 ,即 的荒谬结论。
情形 (b):真正正交的一对反而不通过。 取 、。用正确的复内积:
而用无共轭内积:,判成"不正交"。同一对向量,两种约定的结论完全相反。
反例 4:两边都取共轭会破坏线性性。
若定义 ,那么对第二个变量不再是线性的:
标量提出来时被"擅自"取了共轭,于是投影公式 、Gram–Schmidt 正交化、最小二乘的正规方程全部失去依据。线性代数的整个框架要求内积对一个变量线性(通常约定第二个),这条不能动。
三种约定的大对照
| 约定的内积 | 是否可能为 (对非零向量) | 是否可能为复数 | 对第二变量是否线性 | 判定 |
|---|---|---|---|---|
| (都不取共轭) | 可能(反例 1、3) | 可能(反例 2) | 线性 ✓ | ✗ 不合格 |
| (都取共轭) | 不可能 | 不可能 | 共轭线性 ✗ | ✗ 不合格 |
| (只第一个取) | 不可能 | 不可能 | 线性 ✓ | ✓ 本库采用 |
| (只第二个取) | 不可能 | 不可能 | 对第一变量线性、对第二变量共轭线性 | ✓ 合格(物理常用) |
结论:合格的复内积必须让"共轭"恰好出现一次,并且恰好落在其中一个变量上;落在哪一个上只是一个约定(等价于把内积取共轭)。本库与 Strang 教材统一采用"第一个取共轭",于是得到三条必须记住的"补偿条款":
- 对称变共轭对称:(不再是 );
- 第一个变量只共轭线性:;
- 标量出内积要取共轭,出共轭转置也要取共轭:。
代价换来的是:长度概念合法存在,勾股定理、Cauchy–Schwarz、投影、正交基全部照搬。这就是为什么后面 4-2-投影与投影矩阵 的投影公式、3-5-四大子空间的维数 的四大子空间维数、7-1-SVD的构造与几何意义 的 特征值分解,在复域里只需把每个 换成 就能继续成立。
四、欧拉公式
4.1 定理表述
定理 4.1(欧拉公式,Euler's formula) 对任意实数 ,
适用条件: 为实数。若 为复数,公式仍然成立,但那时 不再保证。
4.2 证明思路(三种视角任选其一)
证明思路一:泰勒级数对齐。 把 、、 都展成幂级数:
在 的级数中形式地代入 ,并用 、、 循环化简:
实部恰好凑成 的级数,虚部恰好凑成 的级数。这里的"形式地代入"在复分析中可以被严格化(复幂级数在收敛圆内绝对收敛,允许重新分组)。
证明思路二:微分方程唯一性。 设 ,则 且 。再设 ,则
与 满足同一个一阶线性常微分方程与同一个初值,由解的唯一性得 。这是一个非常干净的证明,也解释了为什么 与旋转天然绑定: 乘以函数等于函数的变化率,正是"匀速圆周运动"的特征。
证明思路三:几何验证。 直接展开 的实部与虚部,可验证 。也就是说 始终落在复平面的单位圆上, 就是它的辐角。 从 增长到 时, 沿单位圆逆时针走一圈。
4.3 由欧拉公式立刻得到的三个特例
其中 就是著名的欧拉恒等式,它把 、、、、 五个常数串在了一个式子里。
五、性质与定理:复数运算与共轭
5.1 四则运算
设 ,(),则
除法技巧:分子分母同乘分母的共轭 ,把分母变成正实数 。这与"分母有理化"完全同构。
5.2 共轭的性质
定理 5.1(共轭的运算法则) 对任意 :
| 编号 | 性质 | 说明 |
|---|---|---|
| (C1) | 和的共轭 = 共轭的和 | |
| (C2) | 差的共轭 = 共轭的差 | |
| (C3) | 积的共轭 = 共轭的积 | |
| (C4) | 商的共轭 = 共轭的商() | |
| (C5) | 共轭是对合运算 | |
| (C6) | 实部提取公式 | |
| (C7) | 虚部提取公式 | |
| (C8) | 模平方公式 | |
| (C9) | 模的乘法性 | |
| (C10) | 实数的判据 |
证明 (C1): 设 ,。左边 ;右边 。两边相等。
证明 (C3): 由 5.1 的乘法公式,,故 。另一方面 。两边相等。
证明 (C8):
证明 (C10): 若 则 ,。反之若 ,则 ,故 ,,。
5.3 极坐标形式与乘法的几何意义
定理 5.2(极坐标形式) 任意非零复数 可唯一写成
若再约定 ,则 与 一一对应。
定理 5.3(乘法 = 模相乘、角相加) 设 ,,则
即
证明:
用两个三角恒等式
得到
几何直观:在复平面上,"乘以 "这个操作 = 把整个平面绕原点旋转 角度,再以原点为中心放缩 倍。特别地:
- 乘以 :旋转 (这就是 1.3 节说的那件事);
- 乘以 :旋转 ;
- 乘以 (模为 ):纯旋转,不改变长度(保长度——这正是"酉"的雏形)。
5.4 棣莫弗公式
定理 5.4(棣莫弗公式,de Moivre's formula) 对任意整数 ,
用指数记号更简洁:。
证明( 为正整数时): 对 归纳。 显然。设 时成立,则由定理 5.3(角相加)
对负整数 :,分子分母同乘 ,分母得 ,故结果为 。
六、性质与定理:复向量与复矩阵
6.1 与 的区别
| 对比项 | ||
|---|---|---|
| 标量域 | ||
| 内积 | ||
| 内积的对称性 | 对称: | 共轭对称: |
| 内积的线性性 | 对两个变量都线性(双线性) | 对第二个变量线性,对第一个变量共轭线性 |
| 长度 | ||
| 长度为零的含义 | (因为每项 ) | |
| 正交判据 | ||
| 能否比大小 | 可以( 有序) | 不可以( 无自然序,只有模能比) |
| 维数(作为向量空间) | (基 ) | (同一组基仍然有效) |
一个反直觉的事实
作为复向量空间的维数是 ;但如果把它当成实向量空间(只允许实数标量),维数就变成 (因为每个复分量要拆成实部与虚部两个实数)。本章讨论的是前者。这个区别在讨论"复数作为实数域上的二维向量"时很关键。
6.2 复内积的公理与性质
定理 6.1(复内积的基本性质) 对 ,:
| 编号 | 性质 | 形式 |
|---|---|---|
| (H1) | 共轭对称性 | |
| (H2) | 对第二变量线性 | |
| (H3) | 对第一变量共轭线性 | |
| (H4) | 正定性 | ,等号成立当且仅当 |
证明 (H1):
(用了 (C3) 与 (C5)。)两边相等。
证明 (H3):
即 。注意标量出来时要取共轭,这是复内积与实内积最让人不习惯的地方。
证明 (H4):
每一项 都是从实数的平方和来的,所以是非负实数。总和为 当且仅当每项为 ,即每个 。
为什么行向量要写成 而不是
内积是一个标量,要用矩阵乘法写出来必须是"行向量左乘列向量"。在实域里行向量是 ;在复域里必须取共轭转置写成 。
记忆口诀:"谁在左边谁带帽子(共轭)"。
6.3 共轭转置的运算法则
定理 6.2 设 为复矩阵,,只要下列运算有意义,就有:
| 编号 | 法则 | 注意 |
|---|---|---|
| (T1) | 对合性 | |
| (T2) | 加法可分配 | |
| (T3) | 标量要取共轭 | |
| (T4) | 顺序必须颠倒 | |
| (T5) | 可逆时成立 | |
| (T6) | 行列式的共轭 | |
| (T7) | 秩不变 | |
| (T8) | 标量的共轭转置即取共轭 |
证明 (T4)(分量法): 记 ,则 。
另一方面
两式相同(乘法可交换)。
证明 (T3): 。
证明 (T7): 初等行/列变换不改变秩,而取共轭不改变"某组列是否线性相关"(因为 取共轭后为 ,系数同时为零或同时非零)。故 ,又 。
6.4 复向量的长度与正交
定义 6.3(长度/范数) 定义 的长度(范数,norm)为
由 (H4),,且 。
定义 6.4(复正交) 称 正交(orthogonal)或垂直,如果
由 (H1),这个条件对 与 是对称的:。
定理 6.5(复域的勾股定理) 若 ,则
证明:
由正交条件 ,又由 (H1) ,故只剩 。
定理 6.6(复域的柯西–施瓦茨不等式) 对任意 ,
等号成立当且仅当 与 线性相关。
适用条件: 中的任意两个向量。注意左边套了绝对值(取模),因为 是复数,而右边是两个非负实数之积。证明思路与实数情形相同:对任意 展开 ,取 ()代入即得。
6.5 复矩阵的秩、零空间与"正交"含义的改变
概念保持一致的部分: 复矩阵 的
- 列空间(column space);
- 零空间(nullspace);
- 秩(rank);
- 秩—零化度定理 ,即 ;
这些定义一字不改地从实域搬到复域。消元法、主元、自由变量、特解 + 零空间的结构,全部照旧成立——因为消元只用加法和乘法,而 和 一样是域。因此第四章的四大子空间理论在复域依旧成立:
含义改变的部分: 由于内积从 换成了 ,"正交"这个词的含义跟着变了。这带来两个直接后果:
- 正交补要用 而不是 来刻画。实域中 ;复域中正确的表述是
验证:设 ,,则 。这正是"左零空间"从 变成 的原因。
- "对称"变成"厄米"。实对称矩阵的复域对应物不是 而是 (厄米矩阵),因为只有后者才能保证"自伴"这个几何性质()。这是 9-2 节的主题。
一句话总结 6.5
复矩阵的"代数"(秩、零空间、解的结构)完全不变;变的是"几何"(内积、长度、正交、对称),因为度量方式换了。
6.6 共轭转置运算律的完整证明(补齐 (T1)–(T8))
6.3 节已经证明了 (T3)、(T4)、(T7),这里把剩下的五条补齐,并给出 (T4) 的第二种证法——那种证法能让你看清"为什么顺序必须颠倒",而不只是记住它。
证明 (T1):。 逐元素算:
最后一步用了共轭的对合性 (C5)。
证明 (T2):。 逐元素算,关键是共轭可以"分配"进加法(性质 (C1)):
证明 (T6):。 用行列式的排列展开式(见 5-2-排列与代数余子式)。记 ,则 ,于是
把乘积的共轭合并成一个共轭(性质 (C3)):
(第二个等号用了 ,即 (C1) 的反复使用。)最后做一次换元:令 ,则 ,且乘积 恰好遍历所有 :
(T6) 的三个直接推论
1. :取共轭不改变模。
2. :对任意复方阵, 的行列式都是非负实数。这解释了为什么 是研究"长度与角度"的自然对象(它也是 6-4-对称矩阵与正定矩阵 里"正定"的复域版本: 半正定, 可逆时正定)。
3. 可逆 可逆:因为 。
证明 (T5):。
先由 (T6) 的推论 3 确认 可逆。再从 出发,两端取共轭转置并利用 (T4):
也就是说 是 的右逆。因为 是方阵且可逆,右逆就是逆,故
(这条法则的实用价值:凡是"先求逆再转置"的计算,都可以换成"先转置再求逆"。在 2-4-矩阵运算与逆矩阵 里同名法则对普通转置也成立:。)
证明 (T8):。 注意 是 矩阵(标量),标量的共轭转置就是取共轭。用 (T4):
(这一步在推导 (H1) 时用过:把"内积的共轭"翻译成"交换两个向量的位置"。)
(T4) 的第二种证法:用内积配对
分量法(6.3 节)虽然直接,但看不出"为什么顺序会颠倒"。换一个视角: 的定义性作用是"把 从一个内积的一侧搬到另一侧",即对一切 有
现在用这条恒等式把 从右侧搬到左侧(一次搬一个因子):
另一方面,由 (6.1) 直接取 :
两式对一切 都相等(把 取遍标准基 、 取遍 就能读出每一个元素),故
为什么"搬两次"就颠倒了顺序
每次"搬"只是把内积一侧的算子挪到另一侧,但先搬的因子最后落在最靠近 的位置。所以 先搬、 后搬,最后写成矩阵乘积时 在左、 在右。这就是"穿衣服先穿袜子再穿鞋,脱的时候先脱鞋再脱袜子"的数学版本,与 2-5-LU分解与转置置换 里 完全同源。
转置与共轭转置的法则对照(形式完全一样,差别只在标量上)
| 法则 | 转置(实域常用) | 共轭转置(复域必须) |
|---|---|---|
| 对合 | ||
| 加法 | ||
| 数乘 | ← 多了共轭 | |
| 乘法 | ||
| 求逆 | ||
| 行列式 | ← 多了共轭 | |
| 秩 |
当 的元素全是实数时,,两张表合为一张。 所以复域法则并不是"另一套法则",而是转置法则的"带共轭版本"。
6.7 复矩阵的秩与零空间:把"代数照搬"落到实处
6.5 节说了"代数照搬、几何重写"。这一节把"照搬"的那部分真正算清楚,并给出两个复域特有的重要结论。
定理 6.7( 与 同秩) 对任意 ,
适用条件:无附加条件,对任意复矩阵成立。
证明
第 1 步:证明 。
包含关系 ():若 ,则
包含关系 :若 ,用 左乘两端:
由 9-1 节性质 (T4),,故
最后一步用了 (H4):长度平方为零当且仅当向量为零。故 。
两个方向合起来得 。
第 2 步:用秩—零化度定理。 是 矩阵,由 3-4-线性无关基与维数 的秩—零化度定理与第 1 步:
第 3 步:把 换成 。 由第 2 步 ,即
最后一个等号用了 (T7)。
这条定理为什么关键
它是一个"把复矩阵问题转化成厄米矩阵问题"的转换器:
- 最小二乘的正规方程 里的 是 的厄米半正定矩阵(见 4-3-最小二乘逼近 的复域版本);
- 当 的列线性无关()时 , 可逆,于是 ;
- 的特征值就是 的奇异值的平方,这条事实是整个 7-1-SVD的构造与几何意义 的起点;
- 由 (6.6 节 (T6) 推论 2)也能侧面看出 "性质良好"。
定理 6.8(复域的四大子空间) 对 ,秩 :
并且
证明(以 为例)
第一步:。 设 ,即 。任取 ,用 (6.1) 的内积配对:
故 与 中每个向量正交,。
第二步:两边维数相同。 由 (T7) 与秩—零化度定理,
而对任意子空间 ,其正交补的维数满足 (把 4-1-四大子空间的正交性 的实域论证照搬——它只用到内积的公理)。取 得
第三步:包含 + 维数相同 相等。 若 且 ,则 (见 3-4-线性无关基与维数)。故 。
把这条结论用于 (即把 换成 , 与 互换),就得到第二式。两式取正交补并注意 (有限维情形),便得到两个正交分解。
复矩阵的秩还有两条"看不见但一直在用"的性质
- 。理由: 取共轭后变成 ,而"系数全为零"这件事在取共轭前后不变。所以列之间的线性相关关系原封不动地传递过去。既然 ,这就给出了 (T7) 的另一条证明路径。
- 消元法在 上完全合法。消元三步(换行、某行乘非零常数、某行加另一行的倍数)只用到"加法"和"乘法",而 和 一样是域:每个非零复数都有倒数。所以主元、自由变量、"特解 + 零空间"的解结构(见 3-2-零空间与阶梯形 与 3-3-Ax=b的完整解)一字不改地成立。
别把"代数照搬"理解成"什么都不用改"
秩、零空间、解的结构确实照搬;但凡是用到"长度""角度""垂直""对称"的地方都必须重写:
- 正交补由 换成 ;
- 投影矩阵由 换成 ;
- "对称矩阵"必须换成"厄米矩阵"(9-2-Hermitian矩阵与酉矩阵 的主题)。
判据很简单:看公式里有没有转置参与"度量"(出现在内积位置、投影位置、 位置)。有,就得升级成 ;没有(只在秩、零空间、解的结构里),照抄即可。
七、计算方法与步骤
7.1 复数四则运算的步骤
- 加法/减法:实部与实部合并,虚部与虚部合并。
- 乘法:按分配律展开,用 化简,最后合并同类项写成 。
- 除法:分子分母同乘分母的共轭 ,分母化为 (非负实数),再分离实虚部。
- 化简结果:最终答案一定写成 的标准形( 为实数),不要留下 在分母上。
7.2 求模与辐角的步骤
- 写出 ,。
- 计算 。
- 用 配合 所在象限确定 :
- 第一象限():;
- 第二象限():,或 ;
- 第三象限():;
- 第四象限():(此时为负值);
- 纯虚轴(): 时 ; 时 ;
- 负实轴():。
- 写出 。
不能只用 arctan
的值域是 ,只能覆盖第一、四象限。忘了加 是求辐角时最常见的错误。编程中应使用
np.angle(z)(对应 ),它会自动处理象限。
7.3 求共轭转置的步骤
- 把矩阵转置()。
- 把每个元素取共轭(虚部变号)。
- 检查结果的形状: 矩阵的共轭转置是 。
7.4 求复向量长度与判断正交的步骤
- 长度:,即每个分量的模平方求和再开方。
- 正交:算 ,看是否为 。
- 若得到非零复数,正交不成立(不要因为"实部为 "就误判为正交)。
7.5 用 numpy 做复数运算
只用 numpy 即可,无需额外依赖(np.fft 是 numpy 自带的子模块)。
import numpy as np
# ---------- 1. 复数的构造与基本量 ----------
z = 3 + 4j # Python 内置复数类型,虚部用 j 表示
print(z) # (3+4j)
print(z.real, z.imag) # 3.0 4.0
print(abs(z)) # 5.0 —— 模
print(np.conj(z)) # (3-4j) —— 共轭
print(np.angle(z)) # 0.9272952180016122 —— 辐角(弧度)
print(np.angle(z, deg=True)) # 53.13010235415598 —— 辐角(度)
# ---------- 2. 欧拉公式数值验证 ----------
theta = np.pi / 3
lhs = np.exp(1j * theta)
rhs = np.cos(theta) + 1j * np.sin(theta)
print(np.allclose(lhs, rhs)) # True
# 旋转 90 度 = 乘以 i
print(np.exp(1j * np.pi / 2)) # 6.123233995736766e-17+1j 即 0 + 1j(含浮点误差)
# ---------- 3. 复向量的长度与内积 ----------
v = np.array([1, 1j], dtype=complex)
w = np.array([1j, 1], dtype=complex)
# 错误的做法:直接转置相乘(实内积的写法)
wrong = v.T @ v
print("v.T @ v =", wrong) # 0j —— 长度为 0 ?? 显然不对
# 正确的做法:共轭转置(.conj().T 或 .conj().T)
right = v.conj() @ v
print("v^H v =", right) # (2+0j) —— 长度平方 = 2
print("norm =", np.linalg.norm(v)) # 1.4142135623730951 —— numpy 自动用对的定义
# 正交判定:用共轭转置
print("v^H w =", v.conj() @ w) # 1j 非零 => 不正交
# ---------- 4. 共轭转置 A^H 的运算法则验证 ----------
A = np.array([[1, 1j], [2 + 1j, 3]], dtype=complex)
B = np.array([[0, 1j], [1, 1 - 1j]], dtype=complex)
AH = A.conj().T # 共轭转置
print(np.allclose((A @ B).conj().T, BH := B.conj().T @ AH)) # True: (AB)^H = B^H A^H
c = 2 + 3j
print(np.allclose((c * A).conj().T, np.conj(c) * AH)) # True: (cA)^H = conj(c) A^H
# ---------- 5. 旋转矩阵 R 的复特征值 ----------
R = np.array([[0.0, -1.0], [1.0, 0.0]])
eigvals, eigvecs = np.linalg.eig(R)
print("eigenvalues:", eigvals) # [0.+1.j 0.-1.j] 即 ±i
print("eigenvectors:\n", eigvecs)
# 验证 A x = lambda x
for k in range(2):
x = eigvecs[:, k]
lam = eigvals[k]
print(np.allclose(R @ x, lam * x)) # True
两个容易忽略的 numpy 细节
1. numpy 的
@运算符(np.matmul)不会自动取共轭,它做的是普通的矩阵乘法。求 必须显式写v.conj() @ v。但np.linalg.norm内部是取模求和的,对复向量是正确的。2.
np.linalg.eig返回的特征值顺序是任意的(取决于 LAPACK 内部),不要假设第一个一定是 。要比较时用集合或排序,不要用==逐位比较。
八、例题
例题 1:复数的四则运算与模、辐角
设 ,。求 、、,并求 的模与辐角。
解:
(1) 加法。 实部相加、虚部相加:
与 的虚部抵消了,结果是一个实数——但注意这不代表 与 中有一个是实数。这是第一次做题时容易困惑的地方。
(2) 乘法。 按分配律展开:
合并同类项(用 所以 ):
(3) 除法。 分子分母同乘 :
分母是 。
分子展开:
所以
(4) 的模。 有两种算法,结果必须一致。
算法一(分量法):
展开平方:,。相加得 ,故
算法二(模的乘法性 (C9)):
两者一致(算法二显然更快,这是极坐标形式的威力)。
(5) 的辐角。 由定理 5.3,。
在第一象限,。
在第四象限,。
几何解释: 的辐角是 , 的辐角是 (顺时针 )。先乘以 再乘以 (或者直接乘以 ),相当于把复平面逆时针转 ,长度放大 倍。
验证:。这个点在第一象限,,而 。吻合。
例题 2:复内积、共轭转置与正交性
设
(1) 求 ,并判断 是否满足 。
(2) 求 与 。
(3) 判断 与 是否正交(用复内积)。
(4) 验证 是 的特征向量,并求对应特征值。
解:
(1) 求共轭转置。 先转置:
再逐元素取共轭(,,,):
与 完全相同,所以 , 是厄米矩阵。
快速判据
厄米矩阵的两个条件:(i)主对角线元素必须是实数(这里 和 都是实数,✓);(ii)关于主对角线对称的两个元素互为共轭(,,✓)。做题时先查这两条,比逐元素算转置快得多。
(2) 求长度。 用复定义 :
两者长度相同,都是 。
检查一下错误的算法
若错误地计算 ,会得出" 的长度是 "这个荒谬结论——明明 。这就是为什么必须先取共轭。
(3) 判断正交。 按定义计算 :
结果为 ,所以 与 正交。
顺便验证 (H1) 的共轭对称性:
✓ 一致。
再验证勾股定理(定理 6.5):
✓ 相等。
(4) 验证 是特征向量。
我们希望它等于 。若 :
这与 不符。所以 不是 的特征向量。
那 是什么呢?注意 ,而这是个长度为 的向量。事实上我们可以直接验证 才是特征向量:
而 若 则为 ,不符;若 则为 ,也不符。
改从特征多项式入手。 因为 是 厄米矩阵,它的特征值必定都是实数(9-2 节定理)。用迹与行列式:
特征值满足 ,,故 :
即 ,。两个都是实数,符合厄米矩阵的性质。
对应的特征向量:解 ,第一行给出 ,即
取 ,得 。
对 :,故 。
对 :,故 。
验证正交性(这是厄米矩阵的核心性质,9-2 节会证明):
括号内相乘:。
所以
两个特征向量正交。 ✓ 这完美印证了"厄米矩阵不同特征值对应的特征向量必正交"这条定理(而且它们对应的特征值 确实不同)。
本题小结(三个要点):
- 与 正交,但正交不等于可以随便拿来当特征向量——正交只是一个几何关系,特征向量还要满足 这个代数关系。
- 厄米矩阵的特征值一定是实数(本例为 与 ),这是它与一般复矩阵的分水岭。
- 做题时不要一上来就硬解特征方程;先用迹和行列式确定特征值,再用正交性做检验,能抓住大部分错误。
例题 3(手算):复矩阵的秩、零空间与共轭转置
例题 3(手算):复矩阵的秩、零空间与四大子空间
题目:设 是下面这个 复矩阵。
(1) 求 的秩与零空间 的一组基;
(2) 求出 与 ,验证 与 ;
(3) 验证 ,并核对维数关系 。
第 1 步:观察两行之间的关系。 逐列做除法,看第二行是不是第一行的倍数:
三个比值全是 ,所以
第 2 步:求秩。 第一行非零(第一个元素是 ),所以主元只有一个:
第 3 步:求零空间的一组基。 第二行是第一行的 倍,解方程只需看第一行:
这里 是主元变量, 是自由变量(各给一个"1"):
取 、: ,得
取 、: ,得
两个向量显然不成比例(一个第二分量是 、第三分量是 ;另一个相反),故它们线性无关,构成 的基, ✓。
代回验证(这一步考试时很值钱,能立刻抓住符号错误):
第 4 步:求 。 先转置再逐元素取共轭:
是 矩阵,两列是否成比例?第一列 ,第二列 。检验:
逐项算清楚: ✓(与第二列第二个元素 一致); ✓(与第二列第三个元素一致)。所以第二列 第一列, 的列空间是一维的:
第 5 步:求 并验证秩。 记第一行为 ,其中 是列向量,则 的 元素为
因为第二行 第一行,逐项贡献 ,与第一行的贡献完全相同,所以两部分相加得 ,即
(逐项核对: 元素 ; 元素 ; 元素 ,与矩阵中对角元 一致 ✓。)
这是一个 的厄米矩阵(对角元全为实数,对称位置互为共轭),它的三行都成比例(第二行 第一行,第三行 第一行),故
与定理 6.7 一致。顺便用迹做一次交叉检验:
(这其实是" 等于全部元素模平方之和",也就是矩阵的 Frobenius 范数平方,在 11-2-范数与条件数 里还会用到。)
第 6 步:验证 。 由 的两列张成,而两列都成比例于 ,所以只需验证 与 :
第 7 步:核对维数分解。 ,,两者之和
正是定理 6.8 的正交分解 。"列空间维数 + 零空间维数 = 列数"这条秩—零化度定理,在复域一字未改。
本题最容易错的三处
1. 要算成 而不是 :。复数的"分母实数化"与实数的分母有理化完全同构。
2. 判断 时不要用 的行向量,而要用它们的共轭—— 的列是 的行的共轭转置。这一步用错,正交性检验就会失败(本篇 3.5 节的反例 3 讲的就是这件事)。
3. 不能想当然说"显然":它依赖 这条需要证明的等式(定理 6.7),而证明的关键是 ——再一次用到"第一个向量取共轭"这条约定。
例题 4(手算):复对称矩阵的特征值可能是复数
例题 4(手算):对称 + 复元素 = 特征值可以是复数
题目:设 是下面的 复矩阵。
(1) 判断 是否为对称矩阵、厄米矩阵、正规矩阵;
(2) 求 的全部特征值与特征向量;
(3) 验证 、;
(4) 验证两个特征向量正交,并解释为什么本题不能引用"实对称矩阵特征值为实"这条定理;
(5) 判断 是否成共轭对,并说明这个"巧合"能不能当成定理用。
第 1 步:判断类型。 转置:
共轭转置:先转置(结果就是 ),再逐元素取共轭:
(判据:主对角线元素 是实数 ✓,但 与 互为相等而不是互为共轭,所以违反 。)
再看正规性:
逐项: 元 ; 元 ; 元 ; 元 。所以
同理 ,故 , 是正规矩阵。事实上 就是 9-2 节例题里的酉矩阵。
第 2 步:求特征值。 用迹与行列式:
特征方程
两个特征值都是复数! 尽管 是对称的。这又一次证明:"对称 ⟹ 特征值为实"这条定理只对实对称矩阵成立,复对称矩阵没有这个保证。
第 3 步:求特征向量。
对应 : 解 :
第一行给 ,即 ,故 。取
(第二行给 ,是同一个方程 ✓。)
对应 : 解 :
第一行给 ,即 。取
代回验证 那一组:
第 4 步:验证迹与行列式的两条恒等式。
(这两条恒等式对任意方阵都成立,与元素是否为实数无关,证明见 6-1-特征值引论。)
第 5 步:验证特征向量正交。
两个特征向量正交。这不是巧合: 是正规矩阵,而"正规矩阵的不同特征值对应的特征向量必正交"(见 9-2-Hermitian矩阵与酉矩阵 的定理 5.2 及其后的讨论)。注意这里 不是厄米的,所以这条正交性来自更强的"正规性",而不是来自厄米性。
第 6 步:为什么本题不能引用"实对称矩阵特征值为实"。 那条定理的前提是 且 的元素全为实数(见 6-4-对称矩阵与正定矩阵)。本题的 虽然满足 ,但元素含 ,前提不成立,结论自然失效。正确的推广是:
第 7 步:共轭对是不是定理? 本题中 ,恰好成共轭对。但这不能当成通用规律:定理 1.4.1 要求 是实矩阵,而本题的 含 。反例:
它们不成共轭对。"成共轭对"是实矩阵的性质,不是"特征值含虚部"的性质。
例题 5(手算):实正交矩阵的复特征值、特征向量与几何解读
例题 5(手算):旋转矩阵的一般情形
题目:设 是下面的 实矩阵。
(1) 验证 (即 是正交矩阵,从而是酉矩阵);
(2) 求 的全部特征值与特征向量;
(3) 验证特征值成共轭对、模为 ,并验证特征向量正交;
(4) 验证 保长度:取 ,比较 与 ;
(5) 把这个矩阵写成旋转矩阵的标准形式,指出旋转角。
第 1 步:验证正交性。 记两列为
三条件全满足,故 ✓。 是实正交矩阵,而实正交矩阵自动是酉矩阵(见 9-2-Hermitian矩阵与酉矩阵 定理 4.2)。
第 2 步:求特征值。
特征方程
判别式
故有一对共轭复根:
第 3 步:验证共轭对与模为 。
共轭对: ✓,符合定理 1.4.1( 是实矩阵)。
模:
同理 ✓。这与 也一致(因为 )。"正交矩阵的特征值全落在单位圆上"是"酉矩阵特征值在单位圆上"的实数特例。
把 写成指数式:
第 4 步:求特征向量。
对应 : 解 ,第一行给出
取 :
代回验证:
对应 : 同样算得 ,取
注意 ——这正是定理 1.4.1 第 1 条断言的"特征向量也互为共轭"。
第 5 步:验证特征向量正交。
(若忘了取共轭,会算成 ,得出"不正交"的错误结论。这是复域最典型的翻车点。)
第 6 步:验证保长度。 取 ,先算 。再算
两者相等,符合"酉矩阵(正交矩阵)保长度"。
第 7 步:几何解读——找出旋转角。 一般旋转矩阵有两种写法:
本题的 属于第二种,其中
也就是说: 把平面顺时针旋转了 。而它的特征值是 与 :
特征值的辐角恰好就是旋转角的相反数(取符号后)——特征值就是"旋转角"的代数指纹。 1.1 节的 是 的特例,此时 。
为什么"旋转矩阵没有实特征向量"这件事如此自然
旋转会把每一条过原点的直线转到另一条直线上,所以没有"保持方向不变"的实方向——实特征向量不存在。但在复域里,特征向量 的两个分量"相差 相位",它描述的不是某个固定方向,而是整个旋转运动本身。这与 9-2 节"酉矩阵描述刚体运动"的说法是同一件事。
例题 6(证明):复域柯西–施瓦茨不等式
例题 6(证明):柯西–施瓦茨不等式在复域的完整证明
题目:证明对任意 都有 ,并证明等号成立当且仅当 与 线性相关。最后由此推出三角不等式 。
第 1 步:先处理退化情形 。
此时 ,左边 ,右边 ,不等式成立(等号成立)。而 也说明两者线性相关 ✓。所以下面只需处理 。
第 2 步:构造一个含参不等式。 对任意复数 ,向量 的"长度平方"都是非负实数:
这里用的是复内积的正定性 (H4)——这一步是整个证明的地基,也是为什么必须取共轭。
第 3 步:展开。 用共轭线性 (H3) 处理第一个因子、线性 (H2) 处理第二个因子:
注意 出现在两个交叉项中的方式不同:一项带 、一项带 ——因为第一个变量是共轭线性的。这正是复域证明与实域证明唯一的区别。
第 4 步:选取让交叉项"抵消得最干净"的 。 记
取
(分母非零,因为 。)则 ,。代入 (6.2):
注意 ,故中间两项可以合并:
第 5 步:用非负性得到结论。 由第 2 步,左边 ,所以
即
两边都是非负实数,可以开平方:
第 6 步:等号条件。
充分性: 若 与 线性相关且 ,则存在 使 (若 取 )。于是
而 ,两者相等 ✓。
必要性: 等号成立 第 5 步的左边取 (对第 4 步选定的那个 ) (由 (H4)) ,即两向量线性相关 ✓。
第 7 步:推出三角不等式。 展开
(第二个等号用了 ,所以两项之和是 。)而任何复数的实部不超过它的模:
(最后一步就是柯西–施瓦茨。)于是
两边开方得 。
复域与实域证明的唯一差别
实数情形可以取 (实数),交叉项直接抵消成 。复域里如果忘了 与 的区别,交叉项会变成 ,那是 而不是 ,证明会直接失败。出现这种错误的根源是:第 2 步若把 写成 形式的二次型,它根本不是非负的(见 3.5 节的反例 1、2)。
顺带记一个有用的特例:取 为单位向量时有 ,即任何向量在单位向量上的投影长度不超过它自身长度——这正是 4-2-投影与投影矩阵 里"投影不放大长度"的复域版本。
例题 7(证明):为什么复数域上的"对称"必须换成"共轭转置"
例题 7(证明):厄米—反厄米分解与自伴性
题目:
(1) 证明对任意 , 是厄米矩阵, 是反厄米矩阵(即 );
(2) 由此证明任意复方阵可以唯一地分解为"厄米部分 + 反厄米部分",并解释这个分解的几何含义;
(3) 证明: 当且仅当对一切 都有 ;
(4) 举例说明:把 (3) 中的 换成 (复对称)结论立刻失效,并解释这就是"复域必须用共轭转置"的根本原因。
第 1 步(1): 是厄米的。
用 6.6 节的法则 (T1)、(T2):
第 2 步(1): 是反厄米的。 同样用 (T1)、(T2),注意标量 是实数所以不需要取共轭:
推论: 是厄米矩阵,因为由 (T3):
也就是说:反厄米矩阵乘 就变成厄米矩阵。 这正是量子力学里"动量算符 乘上 才是可观测量"的原因。
第 3 步(2):分解与唯一性。 直接验证:
结合第 1、2 步, 厄米、 反厄米,故 是一个合法的分解。
唯一性:假设另有一个分解 ,其中 厄米、 反厄米。对两端取共轭转置:
于是
所以分解是唯一的。
几何含义:厄米部分负责"伸缩"(它在各个特征方向上只做放大或缩小,见 9-2-Hermitian矩阵与酉矩阵 的谱定理),反厄米部分负责"旋转"(它的特征值是纯虚数,对应旋转生成元)。任意复矩阵的作用都可以拆成"先伸缩、再旋转",这与实数情形 (对称部分 + 反对称部分)完全平行。
第 4 步(3):。 这已经是引理 3.3,这里重写一遍(因为它要用两次): 是一个 矩阵,它的共轭转置就是它的共轭:
(倒数第二步用了 ,最后一步用了 。)一个数等于自己的共轭,故为实数 ✓。
第 5 步(3):反向—— 对一切 成立 。
由第 4 步的算法反过来:
记 。由第 2 步, 是反厄米矩阵()。已知 对一切 成立。
把 换成 :
故
把 换成 : 注意 ,展开时第一个因子要取共轭:
前两项与末项都为 (已知 ),剩下
与 (6.3) 联立得 ,即
取 、,得 对一切 ,故 ,即 。
第 6 步(4):复对称做不到这件事。 取例题 4 中的矩阵
取 ,则
所以 不能保证二次型取实值。
为什么它根本不可能保证? 因为 是一个标量,而任何标量的转置都等于它自己:
可是左边就等于 (标量的转置是它本身),所以这个等式恒成立,不需要任何条件——换句话说,用"转置"去检验标量什么也检验不出来, 这个条件对二次型的取值毫无约束。而共轭则不同:标量一般不等于自己的共轭,所以" 等于自己的共轭"这条要求真正产生了约束,而它恰好等价于 。
这就是"复域用 而不是 "的根本原因
一个矩阵要表示"沿某些方向纯伸缩"的几何变换,必须要求它对应的二次型取实值(伸缩比例必须能比较大小)。在实域,"二次型取实值"是自动的,所以只需要对称性 ;在复域,二次型 一般是复数,要求它取实值就强制出 。
一句话:"自伴"()是几何要求,而"对称"()只是它的实域退化物。 因此在复域里:
- "对称矩阵"要读成"厄米矩阵";
- "正交矩阵"()要读成"酉矩阵"();
- "正交对角化"要读成"酉对角化"。
这三条替换就是 9-2-Hermitian矩阵与酉矩阵 的全部内容。
例题 8(numpy 数值验证):复数的四种表示、复内积、复矩阵的秩与零空间
例题 8(numpy 验证):把本篇的定义与定理全部跑一遍
题目:只用 numpy(无需额外依赖)验证以下五件事,并把输出与手算结果对照:
(1) 复数的四种表示可以互相还原,且 是实数;
(2) 共轭的运算法则 (C1)、(C3)、(C9) 成立;
(3) 复内积必须用
conj(),否则 会算出 ;(4) 例题 3 中 的秩、零空间、 与正交性;
(5) 例题 4、5 中两个矩阵的特征值,以及 。
代码:
import numpy as np
np.set_printoptions(precision=4, suppress=True)
# ---------- 1. 复数的四种表示:以 z = 1 + sqrt(3)i 为例 ----------
z = 1 + np.sqrt(3) * 1j # 代数式 a + bi
r = abs(z) # 模
theta = np.angle(z) # 辐角(弧度)
print("代数式 :", z)
print("几何表示(Re,Im):", (z.real, z.imag))
print("模 r :", r, " 辐角(度):", np.degrees(theta))
print("三角式 :", r * (np.cos(theta) + 1j * np.sin(theta)))
print("指数式 :", r * np.exp(1j * theta))
print("z**6 :", np.round(z**6, 10)) # 2^6 * exp(6i*pi/3) = 64
# ---------- 2. 共轭运算法则 (C1)(C3)(C9) ----------
w = 2 - 1j
print("conj(z+w) - conj(z) - conj(w) =", np.conj(z + w) - np.conj(z) - np.conj(w))
print("conj(z*w) - conj(z)*conj(w) =", np.conj(z * w) - np.conj(z) * np.conj(w))
print("abs(z*w) - abs(z)*abs(w) =", abs(z * w) - abs(z) * abs(w))
# ---------- 3. 复内积:必须显式 conj ----------
v = np.array([1, 1j], dtype=complex)
u = np.array([1j, 1], dtype=complex)
print("v.T @ v (错误写法) =", v @ v, " v^H v =", np.conj(v) @ v)
print("v^H u =", np.conj(v) @ u, " v^H (1+2i, 3-i) =",
np.conj(v) @ np.array([1 + 2j, 3 - 1j]))
print("norm(v) =", np.linalg.norm(v))
# ---------- 4. 复矩阵的秩、零空间与共轭转置 ----------
B = np.array([[1, 1j, 1 + 1j],
[1j, -1, -1 + 1j]], dtype=complex)
print("rank(B), rank(B^H), rank(B^H B) =",
np.linalg.matrix_rank(B), np.linalg.matrix_rank(B.conj().T),
np.linalg.matrix_rank(B.conj().T @ B))
print("行2 / 行1 =", B[1, 0] / B[0, 0], B[1, 1] / B[0, 1], B[1, 2] / B[0, 2])
print("奇异值 =", np.round(np.linalg.svd(B, compute_uv=False), 6))
n1 = np.array([-1j, 1, 0], dtype=complex) # 手算得到的零空间基
n2 = np.array([-(1 + 1j), 0, 1], dtype=complex)
print("B @ n1 =", np.round(B @ n1, 12), " B @ n2 =", np.round(B @ n2, 12))
for zz in ([1, 0], [1 + 2j, 3 - 1j]):
y = B.conj().T @ np.array(zz, dtype=complex) # y 落在 C(B^H)
print("B^H z =", np.round(y, 6),
" -> n1^H y =", np.round(np.conj(n1) @ y, 12),
" n2^H y =", np.round(np.conj(n2) @ y, 12))
# ---------- 5. 复对称矩阵 A = [[1, i], [i, 1]] 的特征值(手算 1 ± i) ----------
A = np.array([[1, 1j], [1j, 1]], dtype=complex)
wv, V = np.linalg.eig(A)
print("A 对称?", np.allclose(A, A.T), " A 厄米?", np.allclose(A, A.conj().T))
print("A 的特征值 =", np.sort_complex(wv))
print("A v = lambda v ?", [bool(np.allclose(A @ V[:, k], wv[k] * V[:, k])) for k in range(2)])
# ---------- 6. 实正交矩阵的复特征值 == 共轭对 ----------
U = np.array([[1.0, 2.0], [-2.0, 1.0]]) / np.sqrt(5)
ev = np.linalg.eigvals(U)
print("U^T U = I ?", np.allclose(U.T @ U, np.eye(2)))
print("特征值 =", np.sort_complex(ev), " 模 =", np.abs(ev))
print("和 =", np.round(ev.sum(), 12), " 积 =", np.round(ev.prod(), 12))
print("(1+2i)/sqrt5 =", (1 + 2j) / np.sqrt(5), " (1-2i)/sqrt5 =", (1 - 2j) / np.sqrt(5))
# ---------- 7. rank(A^H A) = rank(A) 与 N(A^H A) = N(A) ----------
M = np.array([[1, 2, 3, 4],
[2, 1, 0, 1],
[1j, 1j, 1j, 1j],
[0, 1, 2, 3]], dtype=complex)
M[:, 2] = M[:, 0] # 制造线性相关列:秩从 4 降到 3
print("rank(M) =", np.linalg.matrix_rank(M),
" rank(M^H M) =", np.linalg.matrix_rank(M.conj().T @ M))
print("dim N(M) =", 4 - np.linalg.matrix_rank(M),
" dim N(M^H M) =", 4 - np.linalg.matrix_rank(M.conj().T @ M))
实际输出(在本机 numpy 2.3.5 上运行):
代数式 : (1+1.7320508075688772j)
几何表示(Re,Im): (np.float64(1.0), np.float64(1.7320508075688772))
模 r : 1.9999999999999998 辐角(度): 59.99999999999999
三角式 : (1+1.732050807568877j)
指数式 : (1+1.732050807568877j)
z**6 : (64-0j)
conj(z+w) - conj(z) - conj(w) = 0j
conj(z*w) - conj(z)*conj(w) = 0j
abs(z*w) - abs(z)*abs(w) = 8.881784197001252e-16
v.T @ v (错误写法) = 0j v^H v = (2+0j)
v^H u = 0j v^H (1+2i, 3-i) = -1j
norm(v) = 1.4142135623730951
rank(B), rank(B^H), rank(B^H B) = 1 1 1
行2 / 行1 = 1j 1j 1j
奇异值 = [2.8284 0. ]
B @ n1 = [0.+0.j 0.+0.j] B @ n2 = [0.+0.j 0.+0.j]
B^H z = [1.+0.j 0.-1.j 1.-1.j] -> n1^H y = 0j n2^H y = 0j
B^H z = [ 0.-1.j -1.+0.j -1.-1.j] -> n1^H y = 0j n2^H y = 0j
A 对称? True A 厄米? False
A 的特征值 = [1.+1.j 1.-1.j]
A v = lambda v ? [True, True]
U^T U = I ? True
特征值 = [0.4472-0.8944j 0.4472+0.8944j] 模 = [1. 1.]
和 = (0.894427191+0j) 积 = (1+0j)
(1+2i)/sqrt5 = (0.4472135954999579+0.8944271909999159j) (1-2i)/sqrt5 = (0.4472135954999579-0.8944271909999159j)
rank(M) = 3 rank(M^H M) = 3
dim N(M) = 1 dim N(M^H M) = 1
逐条对照手算结果:
| 输出 | 说明 | 与手算是否一致 |
|---|---|---|
z**6 = (64-0j) | ,故 | ✓(例题 1 用过同一组数) |
| 三角式 指数式 代数式 | 四种表示还原成同一个数 | ✓ |
v.T @ v = 0j 而 v^H v = (2+0j) | 不取共轭会算出"长度为零" | ✓(3.5 节反例 1) |
v^H u = 0j | ,与例题 2 一致 | ✓ |
rank(B), rank(B^H), rank(B^H B) = 1 1 1 | 三行成比例、秩为 | ✓(例题 3 第 2、4、5 步) |
奇异值 = [2.8284 0.] | 非零奇异值只有一个(秩为 ), | ✓ 与秩吻合 |
n1^H y = 0j、n2^H y = 0j | ✓(例题 3 第 6 步) | |
A 对称? True A 厄米? False | 复对称但非厄米 | ✓(例题 4 第 1 步) |
| 特征值 | 手算 | ✓(例题 4 第 2 步) |
| 特征值模 、和 、积 | 模为 ;和 ;积 | ✓(例题 5 第 3 步) |
rank(M) = 3、rank(M^H M) = 3、dim N = 1 | 、 | ✓(定理 6.7) |
关于浮点误差的三点提醒
1. 输出里的 就是 。
np.sqrt、np.cos都有舍入误差,比较数值时永远用np.allclose/np.isclose,不要用==。2.
abs(zw) - abs(z)abs(w)得到 而不是精确的 ,这是浮点减法的正常表现。3.
np.linalg.matrix_rank内部也用一个容差来判断"是否为零奇异值",所以对病态矩阵它可能给出与你手算不同的秩;遇到这种情况要结合奇异值大小一起看(11-2-范数与条件数 讨论了容差与条件数的关系)。
九、应用
9.1 交流电路与相量法
正弦稳态电路中,电压 与电流 都用相量(phasor)、 表示。这样做的直接好处是:
- 微分方程变成代数方程。电感上的关系 在相量域变成 ,电容变成 ,于是"求解微分方程"退化成"复数除法"。
- 阻抗是复数,。阻抗的模给出幅度比,辐角给出相位差。
- 串联 / 并联就是复数的加减与倒数。这套方法把电路分析变成了 上的线性代数。
9.2 量子力学:态向量活在 里
量子力学中的状态是复希尔伯特空间中的单位向量 ,物理量是厄米算符,测量可能的取值就是它的(实)特征值。波函数的归一化条件 正是我们定义的 :所有分量的模平方和为 ,这可以解释成概率总和为 。内积 的模平方给出跃迁概率。
记号对照
物理文献的狄拉克记号 就是本书的 ,其中 是"左矢"(bra,对应行向量 ), 是"右矢"(ket,对应列向量 )。名字来源于 bracket(括号)一词的拆分。
9.3 信号处理与 FFT
离散傅里叶变换的输出天然是复数:实部与虚部分别含幅度与相位信息。 给出第 个频率成分的强度(功率谱), 给出相位。这正是 numpy 的 np.fft.fft 返回复数数组的原因,也是 9-3 节的全部内容。
9.4 数值计算:为什么 numpy 的 eig 返回复数
np.linalg.eig 对实矩阵也可能返回复数数组,因为 numpy 的实现(基于 LAPACK 的 geev)不保证能预先知道特征值是否为实数。若你已经知道矩阵对称,用 np.linalg.eigh(针对 Hermitian 矩阵优化),它保证返回实数特征值与实数特征向量,而且更快、更稳定。实践中遇到"实矩阵却算出 "这种带微小虚部的结果,通常用 np.real_if_close 化回实数即可。
十、易错点
三个高频错误,务必逐条核对
错误 1:忘记共轭。
把 写成 ,或把 写成 。后果是长度算成 或复数、"正交"判定出错、正交补写成了错误的子空间。见到复矩阵,转置上必须加"帽子"(共轭)。
具体例子: 时, 而 。前者会导出"非零向量长度为零"的荒谬结论。
错误 2:把 当成长度平方。
即便是在实数域内,也要注意 (长度平方),不是长度本身。在复数域内更要彻底改掉这个写法:长度平方只能是 。
具体说, 在复域中根本不是度量:它可能是零( 给 ),可能是纯虚数( 给 ),也可能取负值。它既不能保证正,也不能保证实,因此连"长度"这个名词都不该套在它身上。 另外注意 一般也不成立(前者是模平方和,后者是内积的模)。
错误 3:以为实矩阵的特征值一定为实。
本篇开头的旋转矩阵 就是反例:元素全是实数,特征值却是 。正确的说法是:
- 实矩阵的复特征值成共轭对出现,且特征多项式的系数为实数——所以实特征值可以有,只是不保证有;
- 实对称矩阵()的特征值一定为实,且可以正交对角化(这就是第六章的谱定理);
- 厄米矩阵()是实对称矩阵在复域的推广,它的特征值也一定为实。
也就是说,"特征值为实"的保证来自对称性(或厄米性),不是来自"矩阵元素为实"。这一点如果记错,后面 9-2 节的整个逻辑就接不上了。
另外三个次高频错误
1. 求辐角只用 而不看象限: 值域 ,会把第二、三象限的点算错 。用
np.angle。2. :标量出共轭转置时也要取共轭,正确写法是 。
3. :顺序必须颠倒。可类比转置的 ——"穿脱袜子与鞋子的顺序相反"。
十一、练习题
练习 1(基础) 设 ,。求 、、、,并把结果都写成 的标准形。
练习 2(基础) 求下列各数的模与主辐角(取 ):
(a) ;(b) ;(c) 。
再用棣莫弗公式计算 中 的 次方 ,并验证结果是一个实数。
练习 3(进阶) 设
(a) 求 ,判断 是否为厄米矩阵;
(b) 求 、;
(c) 计算 ,判断是否正交;
(d) 用迹与行列式求 的两个特征值,验证它们都是实数。
练习 4(进阶) 证明:对任意复矩阵 与任意 、,有
并由此推出 (即"与列空间正交的向量恰好是 的零空间")。
练习 5(思考)
(a) 举出一个元素全为实数、特征值全为复数的 实矩阵,并说明它为什么必然是 个复特征值(而不是 个复、 个实)。
(b) 解释为什么 上不能定义与加法、乘法相容的"大小"顺序(即不存在全序 使得 且 )。提示:考察 与 的关系。
(c) 设 满足 。证明 ,并解释为什么在实域里 也成立,但在"没有取共轭的复内积"下不成立。
十二、常见问题 FAQ
Q1: 是"想象出来的数",用它算出来的结果有实际意义吗?
有,而且是不可替代的意义。 不是一个"虚拟的占位符",它的本质是旋转 的算子。凡是涉及"周期性""振荡""相位"的物理量——交流电、声波、光波、量子态、交流电机——都天然带有旋转结构,用 描述比用 、 描述简洁得多。举一个具体的收益:电感电流电压关系 在相量域变成 ,从微分方程降级成乘法。这不只是记号上的方便,它使得整个电路分析可以在 上做线性代数。
另外,最终答案通常还是实数——只要物理量本身是实数,复数计算的实部(或模)就是答案,虚部的出现只是中间过程。
Q2:为什么复内积只对第一个向量取共轭,两个都取行不行?
两个都取会导致内积不满足"对第二个变量线性",从而破坏线性代数的整个框架。
具体地说,我们要求内积对第二个变量是线性的:。如果定义 ,那么
标量出来时被共轭了。这样"内积"就不再是(半)双线性型,投影、最小二乘、正交化都无从谈起。
如果两个都不取共轭(即 ),就回到错误 1 的情形: 不再保证,长度概念崩塌。取一个共轭是唯一的平衡点:既保证正定性,又保证对第二个变量线性。
代价是内积不再对称,而变成共轭对称 。这个代价很小——因为对称性在复域中本来就没有"实数"的含义( 是复数,谈不上等于自己的共轭以外的东西)。
Q3:既然 的基还是 ,那它和 有什么本质区别?
代数结构上区别很小:都是 维向量空间,加法、数乘、线性组合、线性无关、基、维数、秩、零空间等概念一字不改。消元法的每一步(交换两行、某行乘非零常数、某行加另一行的倍数)在 上照样合法,因为"非零常数"和"倍数"在 中同样有定义。
几何结构上区别很大,全部集中在内积这一个概念上:
| 你可能想做的事 | ||
|---|---|---|
| 量长度 | ||
| 判垂直 | ||
| 求投影 | ||
| 正交分解 | ||
| 谱定理 | ||
| 比大小 | 可以 | 不可以(只能比模) |
一句话:代数照搬,几何重写,把每一个 换成 。 这也是整个第 9 章的主旋律。
Q4:np.linalg.eig 对实对称矩阵返回复数,是 bug 吗?
不是 bug,而是接口设计的结果。np.linalg.eig 面向一般(非对称)方阵,其底层 LAPACK 例程 geev 必须为复特征值预留空间,所以对实矩阵输入也常常返回 complex128 数组,即使虚部全是 。
对已知的实对称 / 厄米矩阵,正确做法是使用 np.linalg.eigh("h" 代表 Hermitian):
import numpy as np
S = np.array([[2.0, 1.0], [1.0, 2.0]])
w1, _ = np.linalg.eig(S)
print(w1.dtype) # complex128 —— 对实对称矩阵也返回复数!
w2, Q = np.linalg.eigh(S)
print(w2.dtype, w2) # float64 [1. 3.] —— 实数,且已升序排列
print(Q.conj().T @ Q) # 单位矩阵:特征向量是标准正交的
eigh 的三个好处:保证实数输出、保证特征向量标准正交、速度快约一倍(它内部利用对称性只处理一半矩阵)。代价是它只适用于厄米矩阵——如果你的矩阵不对称却用了 eigh,numpy 默认只取上三角部分,会静默给出错误答案。这是比复数输出更危险得多的陷阱。
本篇小结
核心结论(按"是什么—为什么—怎么用"排列)
- 复数的四种表示是同一个数的四套坐标:代数式 、几何点 、三角式 、指数式 ,核心参数只有模 与辐角 。做加减用代数式,做乘除幂用指数式。
- 乘法的几何含义是"旋转 + 伸缩": 的模是模之积、辐角是辐角之和。乘以 就是逆时针转 ——这是全章最重要的一条几何直觉。
- 欧拉公式 有三条互不依赖的证明思路:泰勒级数对齐、微分方程唯一性、几何验证( 始终落在单位圆上)。
- 复内积必须让共轭恰好出现一次,本库统一取 。不取共轭会算出"非零向量长度为零"(反例 给 );两边都取共轭会破坏"对第二变量线性"。取共轭是为长度概念的存在性付出的唯一必要代价。
- 共轭转置的八条法则里,只有两条与转置不同: 与 ;其余(对合、加法、乘法顺序颠倒、求逆、秩)形式与转置完全一样。当矩阵元素为实时,,两套法则合并。
- 代数照搬、几何重写:秩、零空间、主元、自由变量、"特解 + 零空间"的结构在复域一字不改;但正交补要用 刻画:、、。
- 实矩阵的复特征值成共轭对(定理 1.4.1,配两种证明):非实特征值个数为偶数;奇数阶实矩阵必有实特征值。这条定理完全依赖"元素为实",复矩阵没有这个保证。
- "特征值为实"来自对称性(厄米性),不是来自"元素为实";而"对称"在复域必须升级为"自伴" ,因为只有它才能保证 。
- numpy 三条操作要点:
v.conj() @ v才是长度平方;np.linalg.norm内部取模、对复向量正确;np.linalg.eig对实矩阵也可能返回complex128,已知厄米时用eigh。
易混概念对照表
| 容易混淆的一对 | 关键区别 | 最小反例 / 判据 |
|---|---|---|
| 复对称 与厄米 | 前者对二次型没有任何约束,后者保证 | 对称但特征值为 |
| 转置 与共轭转置 | 标量与行列式上"多取一次共轭" | ; |
| 与 | 前者可能是 、负数或复数,后者恒为非负实数 | :前者的 vs 后者的 |
| "特征值为实"的来源 | 元素为实不保证;对称/厄米才保证 | 旋转矩阵 元素全实,特征值却是 |
| 复特征值成共轭对 | 只在 为实矩阵时成立 | 不成对 |
| 内积的线性性 | 对第二个变量线性,对第一个变量共轭线性 | |
| 正交补的刻画 | 实域用 ,复域必须用 | 例子 3 的 |
| 虚部 与虚部项 | 是实数,不带 | 时 |
| 求辐角 | 只覆盖两个象限,必须配合象限判断 | 编程用 np.angle(等价于 atan2) |
| 与 | 前者恒为厄米半正定(对角元非负实数) | |
| 共轭转置与"元素含 " | 无关; 是运算,与元素长相无关 | 实正交矩阵也是酉矩阵([[9-2-Hermitian矩阵与酉矩阵]]) |
一句话总结:第 9 章只改了一个符号——把 换成 ;但这个符号换来的是"长度、正交、投影在复域依然成立"。 凡是"度量"参与的地方(内积、长度、正交、对称、投影)都要换成 ;凡是"代数"参与的地方(秩、零空间、解的结构)原样照搬。
相关笔记
- 1-2-长度与点积:实内积、长度、夹角与 Cauchy–Schwarz 不等式。本篇把这一整套概念推广到复域,对照阅读可以清楚看到"哪里变了、哪里没变"。本篇例题 6 的复域柯西–施瓦茨证明,就是把那篇的实域证明逐项"加帽子"改写而成。
- 2-4-矩阵运算与逆矩阵:逆矩阵的定义与求法。本篇 6.6 节的 与那篇的 是同一件事实的实/复两个版本。
- 2-5-LU分解与转置置换:转置的运算法则与"顺序颠倒"的直觉。本篇 6.6 节给出的第二种证法(用内积配对)能同时解释 与 。
- 3-2-零空间与阶梯形:消元、主元、自由变量、零空间的求法。本篇 6.7 节说明这一切在 上一字不改——因为消元只用到"域"的运算,而 与 一样是域。
- 3-5-四大子空间的维数:、、、 的维数关系。在复域中只需把 全部换成 ,维数结论完全不变(本篇定理 6.8)。
- 4-3-最小二乘逼近:法方程 。复域版本是 ,可解性的根据正是本篇定理 6.7()。
- 6-1-特征值引论:特征值、特征多项式、迹与行列式的联系。旋转矩阵 的复特征值正是实特征多项式无实根的典型情形,建议与那篇里的实例对照。
- 6-2-矩阵的对角化: 与可对角化条件。本篇定理 1.4.1 解释了"实矩阵的复特征值为什么必须成对",这是那篇讨论对角化时最容易忽略的前提。
- 6-4-对称矩阵与正定矩阵:实对称矩阵的谱定理 。这是 9-2 节厄米矩阵谱定理 的实数特例,先读那篇再看 9-2 会顺畅很多。
- 7-1-SVD的构造与几何意义: 的特征值给出奇异值的平方。本篇定理 6.7(、)是那篇推导的代数基础。
- 9-2-Hermitian矩阵与酉矩阵:下一篇。在本篇的复内积与共轭转置基础上,讨论 与 两类最重要的复矩阵。
- 9-3-快速傅里叶变换FFT:单位根 是"指数式"表示最漂亮的应用;本篇 3.4 节的"乘法 = 旋转"在那篇里变成" 转了多少圈"。
- 11-2-范数与条件数:复向量的范数、矩阵的 Frobenius 范数。本篇例题 3 用到的 就是 Frobenius 范数的平方。
- 8-1-线性变换的思想:本篇" 作为复向量空间是 维、作为实向量空间是 维"那条注记,背后是"同一个集合配不同的数域,得到不同的线性空间"这条一般原理——那篇第十节 10.1–10.2 节从数域 的定义与线性空间八条公理出发把它讲透了,并用 在 上 维、在 上 维作为最干净的例证。读那一段能把这个容易混淆的维数问题一次说清。
参考来源
- MIT OpenCourseWare 18.06 Linear Algebra, Spring 2010, Lecture 26: Complex matrices; fast Fourier transform —— <https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/resources/lecture-26-complex-matrices-fast-fourier-transform/>
- MIT OpenCourseWare 18.06 Linear Algebra 课程主页 —— <https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/>
- Wolfram MathWorld, "Complex Number" —— <https://mathworld.wolfram.com/ComplexNumber.html>
- Wolfram MathWorld, "Unitary Matrix" —— <https://mathworld.wolfram.com/UnitaryMatrix.html>
- NumPy Reference, Discrete Fourier Transform (numpy.fft) —— <https://numpy.org/doc/stable/reference/routines.fft.html>
- Gilbert Strang, Introduction to Linear Algebra, 5th ed., Wellesley-Cambridge Press, 2016, §9.1–9.2
- 同济大学数学系《线性代数》第六版,高等教育出版社(复数为选学补充内容,以授课教材为准)