Теорема о матричных рангах
В математике (в частности , в линейной алгебре ) матричное тождество Вудбери , названное в честь Макса А. Вудбери, [1] [2] говорит, что обратную поправку ранга k некоторой матрицы можно вычислить, выполнив поправку ранга k к обратная исходной матрице. Альтернативные названия этой формулы — лемма обращения матрицы , формула Шермана–Моррисона–Вудбери или просто формула Вудбери . Однако эта личность появилась в нескольких газетах до доклада Вудбери. [3] [4]
Матричное тождество Вудбери есть [5]
![{\displaystyle \left(A+UCV\right)^{-1}=A^{-1}-A^{-1}U\left(C^{-1}+VA^{-1}U\ вправо)^{-1}ВА^{-1},}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
где A , U , C и V — сообразные матрицы : A — это n × n , C — это k × k , U — это n × k , а V — это k × n . Это можно получить с помощью блочной инверсии матрицы .
Хотя тождество в основном используется в матрицах, оно сохраняется в общем кольце или в Ab-категории .
Матричное тождество Вудбери позволяет дешево вычислять обратные задачи и решения линейных уравнений. Однако мало что известно о численной устойчивости формулы. Нет опубликованных результатов, касающихся границ погрешности. Неофициальные данные [6] позволяют предположить, что она может расходиться даже для, казалось бы, безобидных примеров (когда и исходная, и модифицированная матрицы хорошо обусловлены).
Обсуждение
Чтобы доказать этот результат, начнем с доказательства более простого. Заменив A и C единичной матрицей I , мы получим другое тождество, немного более простое:
![{\displaystyle \left(I+UV\right)^{-1}=IU\left(I+VU\right)^{-1}V.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
сокращенного тождества![{\displaystyle U=A^{-1}X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle V=CY}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Эту идентичность можно рассматривать как комбинацию двух более простых идентичностей. Получаем первое тождество из
![{\displaystyle I=(I+P)^{-1}(I+P)=(I+P)^{-1}+(I+P)^{-1}P,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (I+P)^{-1}=I-(I+P)^{-1}P,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (I+P)^{-1}=IP(I+P)^{-1}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
сквозная идентичность [7].![{\displaystyle (I+UV)^{-1}U=U(I+VU)^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle U(I+VU)=(I+UV)U}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (I+VU)^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (I+UV)^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Собрав все вместе,
![{\displaystyle \left(I+UV\right)^{-1}=I-UV\left(I+UV\right)^{-1}=IU\left(I+VU\right)^{-1 }В.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Особые случаи
Когда являются векторами, тождество сводится к формуле Шермана-Моррисона .![{\displaystyle V,U}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
В скалярном случае сокращенная версия просто
![{\displaystyle {\frac {1}{1+uv}}=1- {\frac {uv}{1+uv}}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Обратная сумма
Если n = k и U = V = I n — единичная матрица, то
![{\displaystyle {\begin{aligned}\left(A+B\right)^{-1}&=A^{-1}-A^{-1}\left(B^{-1}+A^ {-1}\right)^{-1}A^{-1}\\[1ex]&=A^{-1}-A^{-1}\left(AB^{-1}+{I }\right)^{-1}.\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Продолжение слияния членов крайней правой части приведенного выше уравнения приводит к тождеству Хуа.
![{\displaystyle \left({A}+{B}\right)^{-1}={A}^{-1}-\left({A}+{A}{B}^{-1} A}\вправо)^{-1}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Другая полезная форма того же тождества:
![{\displaystyle \left({A}-{B}\right)^{-1}={A}^{-1}+{A}^{-1}{B}\left({A}-{ B}\вправо)^{-1},}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
который, в отличие от приведенных выше, действителен, даже если он сингулярен, и имеет рекурсивную структуру, которая дает![{\displaystyle B}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \left({A}-{B}\right)^{-1}=\sum _{k=0}^{\infty }\left({A}^{-1}{B}\ вправо)^{k}{A}^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
спектральный радиус![{\displaystyle A^{-1}B}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (AB)^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Эту форму можно использовать в пертурбативных разложениях, где B — возмущение A.
Вариации
Биномиальная обратная теорема
Если A , B , U , V — матрицы размеров n × n , k × k , n × k , k × n соответственно, то
![{\displaystyle \left(A+UBV\right)^{-1}=A^{-1}-A^{-1}UB\left(B+BVA^{-1}UB\right)^{- 1}БВА^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
при условии, что A и B + BVA −1 UB несингулярны. Невырожденность последнего требует существования B −1 , поскольку он равен B ( I + VA −1 UB ) и ранг последнего не может превосходить ранг B. [7]
Поскольку B обратим, два члена B , обрамляющие величину в скобках, обратную в правой части, можно заменить на ( B −1 ) −1 , что приводит к исходному тождеству Вудбери.
Вариант для случая, когда B сингулярна и, возможно, даже неквадратна: [7]
![{\displaystyle (A+UBV)^{-1}=A^{-1}-A^{-1}U(I+BVA^{-1}U)^{-1}BVA^{-1} .}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Существуют также формулы для некоторых случаев, когда A сингулярно. [8]
Псевдообратная с положительными полуопределенными матрицами
В общем, тождество Вудбери недействительно, если одна или несколько инверсий заменены псевдообратными (Мура – Пенроуза) . Однако если и положительно полуопределены , и (подразумевается, что это само по себе положительно полуопределено), то следующая формула дает обобщение: [9] [10]![{\displaystyle А}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle C}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle V=U^{\mathrm {H} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A+UCV}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}\left(XX^{\mathrm {H} }+YY^{\mathrm {H} }\right)^{+}&=\left(ZZ^{\mathrm {H) } }\right)^{+}+\left(I-YZ^{+}\right)^{\mathrm {H} }X^{+\mathrm {H} }EX^{+}\left(I -YZ^{+}\вправо),\\Z&=\влево(I-XX^{+}\вправо)Y,\\E&=IX^{+}Y\влево(IZ^{+}Z\вправо )F^{-1}\left(X^{+}Y\right)^{\mathrm {H} },\\F&=I+\left(IZ^{+}Z\right)Y^{\mathrm {H} }\left(XX^{\mathrm {H} }\right)^{+}Y\left(IZ^{+}Z\right),\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
где можно записать как потому что любая положительная полуопределенная матрица равна для некоторого .![{\displaystyle A+UCU^{\mathrm {H} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle XX^{\mathrm {H} }+YY^{\mathrm {H} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle MM^{\mathrm {H} }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle M}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Выводы
Прямое доказательство
Формулу можно доказать, проверив, что раз ее предполагаемое обратное значение в правой части тождества Вудбери дает идентификационную матрицу:![{\displaystyle (A+UCV)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}&\left(A+UCV\right)\left[A^{-1}-A^{-1}U\left(C^{-1}+VA^{- 1}U\right)^{-1}VA^{-1}\right]\\={}&\left\{IU\left(C^{-1}+VA^{-1}U\right )^{-1}VA^{-1}\right\}+\left\{UCVA^{-1}-UCVA^{-1}U\left(C^{-1}+VA^{-1 }U\right)^{-1}VA^{-1}\right\}\\={}&\left\{I+UCVA^{-1}\right\}-\left\{U\left (C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}+UCVA^{-1}U\left(C^{-1}+VA^{ -1}U\right)^{-1}VA^{-1}\right\}\\={}&I+UCVA^{-1}-\left(U+UCVA^{-1}U\right )\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}\\={}&I+UCVA^{-1}-UC\left( C^{-1}+VA^{-1}U\right)\left(C^{-1}+VA^{-1}U\right)^{-1}VA^{-1}\\ ={}&I+UCVA^{-1}-UCVA^{-1}\\={}&I.\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Альтернативные доказательства
Приложения
Это тождество полезно в некоторых числовых вычислениях, где A −1 уже вычислено и желательно вычислить ( A + UCV ) −1 . При наличии обратного A достаточно найти обратное C −1 + VA −1 U , чтобы получить результат, используя правую часть тождества. Если C имеет гораздо меньшую размерность, чем A , это более эффективно, чем непосредственное инвертирование A + UCV . Распространенным случаем является поиск обратного обновления A + UCV низкого ранга A (где U имеет только несколько столбцов, а V только несколько строк) или поиск аппроксимации обратной матрицы A + B , где матрица B можно аппроксимировать матрицей UCV низкого ранга , например, используя разложение по сингулярным значениям .
Это применяется, например, в фильтре Калмана и рекурсивных методах наименьших квадратов для замены параметрического решения , требующего инверсии матрицы размера вектора состояния, решением на основе уравнений условий. В случае фильтра Калмана эта матрица имеет размеры вектора наблюдений, т.е. всего лишь 1 в случае, если одновременно обрабатывается только одно новое наблюдение. Это значительно ускоряет расчеты фильтра, которые зачастую выполняются в реальном времени.
В случае, когда C является единичной матрицей I , матрица известна в числовой линейной алгебре и числовых уравнениях в частных производных как матрица емкости . [4]![{\displaystyle I+VA^{-1}U}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Смотрите также
Примечания
- ^ Макс А. Вудбери, Инвертирование модифицированных матриц , Memorandum Rept. 42, Группа статистических исследований, Принстонский университет, Принстон, Нью-Джерси, 1950, 4 стр. MR 38136.
- ^ Макс А. Вудбери, Стабильность матриц вывода-входа . Чикаго, Иллинойс, 1949. 5 стр. MR 32564.
- ^ Гутманн, Луи (1946). «Методы расширения для вычисления обратной матрицы». Анна. Математика. Статист . 17 (3): 336–343. дои : 10.1214/aoms/1177730946 .
- ^ аб Хагер, Уильям В. (1989). «Обновление обратной матрицы». Обзор СИАМ . 31 (2): 221–239. дои : 10.1137/1031049. JSTOR 2030425. МР 0997457.
- ^ Хайэм, Николас (2002). Точность и устойчивость численных алгоритмов (2-е изд.). СИАМ . п. 258. ИСБН 978-0-89871-521-7. МР 1927606.
- ^ "Обсуждение MathOverflow" . MathOverflow .
- ^ abc Хендерсон, HV; Сирл, СР (1981). «О получении обратной суммы матриц» (PDF) . Обзор СИАМ . 23 (1): 53–60. дои : 10.1137/1023004. hdl : 1813/32749 . JSTOR 2029838.
- ^ Курт С. Ридель, «Тождество Шермана-Моррисона-Вудбери для матриц, повышающих ранг с применением к центрированию», SIAM Journal on Matrix Analysis and Applications , 13 (1992)659-662, doi : 10.1137/0613040 препринт MR 1152773
- ^ Бернштейн, Деннис С. (2018). Скалярная, векторная и матричная математика: теория, факты и формулы (пересмотренное и расширенное изд.). Принстон: Издательство Принстонского университета. п. 638. ИСБН 9780691151205.
- ^ Шотт, Джеймс Р. (2017). Матричный анализ для статистики (Третье изд.). Хобокен, Нью-Джерси: John Wiley & Sons, Inc., с. 219. ИСБН 9781119092483.
- Пресс, WH; Теукольский, С.А.; Феттерлинг, WT; Фланнери, BP (2007), «Раздел 2.7.3. Формула Вудбери», Численные рецепты: искусство научных вычислений (3-е изд.), Нью-Йорк: Cambridge University Press, ISBN 978-0-521-88068-8
Внешние ссылки