Матрица, которая в квадрате равна самой себе
В линейной алгебре идемпотентная матрица — это матрица , которая при умножении сама на себя дает себя. [1] [2] То есть матрица идемпотентна тогда и только тогда, когда . Чтобы это произведение было определено , оно обязательно должно быть квадратной матрицей . С этой точки зрения идемпотентные матрицы являются идемпотентными элементами колец матриц .![{\displaystyle А}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A^{2}=A}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle А}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Пример
Примеры идемпотентных матриц:![{\displaystyle 2\times 2}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{bmatrix}1&0\\0&1\end{bmatrix}}\qquad {\begin{bmatrix}3&-6\\1&-2\end{bmatrix}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Примеры идемпотентных матриц:![{\displaystyle 3\times 3}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{bmatrix}1&0&0\\0&1&0\\0&0&1\end{bmatrix}}\qquad {\begin{bmatrix}2&-2&-4\\-1&3&4\\1&-2&-3\end{bmatrix }}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Реальный случай 2 × 2
Если матрица идемпотентна, то![{\displaystyle {\begin{pmatrix}a&b\\c&d\end{pmatrix}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle a=a^{2}+bc,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
подразумевая это или![{\displaystyle b(1-ad)=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle b=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle d=1-a,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
подразумевая это или![{\displaystyle c(1-ad)=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle c=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle d=1-a,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle d=bc+d^{2}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Таким образом, необходимым условием идемпотентности матрицы является то, что она либо диагональна , либо ее след равен 1. Для идемпотентных диагональных матриц он должен быть либо 1, либо 0.![{\displaystyle 2\times 2}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle а}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle d}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Если , матрица будет идемпотентной при условии , что a удовлетворяет квадратному уравнению![{\displaystyle b=c}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{pmatrix}a&b\\b&1-a\end{pmatrix}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle a^{2}+b^{2}=a,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
или![{\displaystyle \left(a- {\frac {1}{2}}\right)^{2}+b^{2}={\frac {1}{4}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
который представляет собой круг с центром (1/2, 0) и радиусом 1/2. С точки зрения угла θ,
является идемпотентным.
Однако это не является необходимым условием: любая матрица![{\displaystyle b=c}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
с является идемпотентным.![{\displaystyle a^{2}+bc=a}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Характеристики
Необычность и регулярность
Единственной несингулярной идемпотентной матрицей является единичная матрица ; то есть, если неединичная матрица идемпотентна, количество ее независимых строк (и столбцов) меньше количества строк (и столбцов).
Это можно увидеть, написав , предполагая, что A имеет полный ранг (не является сингулярным), и предварительно умножив на, чтобы получить .![{\displaystyle A^{2}=A}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A=IA=A^{-1}A^{2}=A^{-1}A=I}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Когда идемпотентная матрица вычитается из единичной матрицы, результат также идемпотентен. Это справедливо с тех пор, как
![{\displaystyle (IA)(IA)=IA-A+A^{2}=IA-A+A=IA.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Если матрица A идемпотентна, то для всех натуральных чисел n, . Это можно показать, используя доказательство по индукции. Очевидно, что у нас есть результат для , as . Предположим, что . Тогда , поскольку A идемпотент. Отсюда по принципу индукции следует результат.![{\displaystyle A^{n}=A}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle n=1}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A^{1}=A}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A^{k-1}=A}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle A^{k}=A^{k-1}A=AA=A}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Собственные значения
Идемпотентная матрица всегда диагонализуема . [3] Его собственные значения равны 0 или 1: если это ненулевой собственный вектор некоторой идемпотентной матрицы и связанного с ней собственного значения, то из этого следует, что определитель идемпотентной матрицы всегда равен 0 или 1. Как указано выше, если определитель равен единице, матрица обратима и, следовательно, является единичной матрицей .![{\displaystyle \mathbf {x} }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle А}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \lambda }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\textstyle \lambda \mathbf {x} =A\mathbf {x} =A^{2}\mathbf {x} =A\lambda \mathbf {x} =\lambda A\mathbf {x} =\lambda ^ {2}\mathbf {x},}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \lambda \in \{0,1\}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
След
След идемпотентной матрицы — сумма элементов на ее главной диагонали — равен рангу матрицы и, следовательно, всегда является целым числом . Это обеспечивает простой способ вычисления ранга или, альтернативно, простой способ определения следа матрицы, элементы которой конкретно не известны (что полезно в статистике , например, при определении степени систематической ошибки при использовании выборочной дисперсии как оценка генеральной дисперсии ).
Отношения между идемпотентными матрицами
Известно , что в регрессионном анализе матрица дает остатки от регрессии вектора зависимых переменных на матрицу ковариат . (См. раздел «Приложения».) Теперь пусть – матрица, сформированная из подмножества столбцов , и пусть . Легко показать, что оба и идемпотентны, но несколько удивительным является тот факт, что . Это потому , что или, другими словами, остатки регрессии столбцов on равны 0, поскольку их можно идеально интерполировать, поскольку они являются подмножествами (путем прямой подстановки это также легко показать ). Это приводит к двум другим важным результатам: один состоит в том, что симметричен и идемпотент, а другой в том, что , т. е. ортогонально . Эти результаты играют ключевую роль, например, при выводе F-теста.![{\displaystyle M=IX(X'X)^{-1}X'}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle е}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle y}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X_{1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle M_{1}=I-X_{1}(X_{1}'X_{1})^{-1}X_{1}'}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle M}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle M_{1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle MM_{1}=M}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle MX_{1}=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X_{1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X_{1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle MX=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (M_{1}-M)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (M_{1}-M)M=0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (M_{1}-M)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle M}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Любые подобные матрицы идемпотентной матрицы также идемпотентны. Идемпотентность сохраняется при изменении базиса . Это можно показать путем умножения преобразованной матрицы на идемпотентность: .![{\displaystyle SAS^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle А}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle (SAS^{-1})^{2}=(SAS^{-1})(SAS^{-1})=SA(S^{-1}S)AS^{-1}= SA^{2}S^{-1}=SAS^{-1}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Приложения
Идемпотентные матрицы часто возникают в регрессионном анализе и эконометрике . Например, в обычном методе наименьших квадратов проблема регрессии состоит в том, чтобы выбрать вектор β оценок коэффициентов так, чтобы минимизировать сумму квадратов остатков (ошибочных прогнозов) e i : в матричной форме,
- Минимизировать
![{\displaystyle (yX\beta)^{\textsf {T}}(yX\beta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
где – вектор наблюдений зависимой переменной , а – матрица, каждый из столбцов которой представляет собой столбец наблюдений одной из независимых переменных . Полученная оценка![{\displaystyle y}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\hat {\beta }}=\left(X^{\textsf {T}}X\right)^{-1}X^{\textsf {T}}y}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
где верхний индекс T указывает на транспонирование , а вектор остатков равен [2]
![{\displaystyle {\hat {e}}=yX{\hat {\beta }}=yX\left(X^{\textsf {T}}X\right)^{-1}X^{\textsf {T }}y=\left[IX\left(X^{\textsf {T}}X\right)^{-1}X^{\textsf {T}}\right]y=My.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Здесь обе и (последняя известна как шляпная матрица ) являются идемпотентными и симметричными матрицами, что позволяет упростить вычисление суммы квадратов остатков:![{\displaystyle M}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X\left(X^{\textsf {T}}X\right)^{-1}X^{\textsf {T}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\hat {e}}^{\textsf {T}}{\hat {e}}=(My)^{\textsf {T}}(My)=y^{\textsf {T}} M^{\textsf {T}}My=y^{\textsf {T}}MMy=y^{\textsf {T}}My.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Идемпотентность играет роль и в других вычислениях, например, при определении дисперсии оценки .![{\displaystyle M}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\hat {\beta }}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Идемпотентный линейный оператор — это оператор проектирования пространства значений вдоль его нулевого пространства . является оператором ортогонального проектирования тогда и только тогда, когда он идемпотентен и симметричен .
![{\displaystyle N(P)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle P}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Смотрите также
Рекомендации
- ^ Чан, Альфа К. (1984). Фундаментальные методы математической экономики (3-е изд.). Нью-Йорк: МакГроу-Хилл. п. 80. ИСБН 0070108137.
- ^ аб Грин, Уильям Х. (2003). Эконометрический анализ (5-е изд.). Река Аппер-Сэддл, Нью-Джерси: Прентис-Холл. стр. 808–809. ISBN 0130661899.
- ^ Хорн, Роджер А.; Джонсон, Чарльз Р. (1990). Матричный анализ . Издательство Кембриджского университета. п. п. 148. ИСБН 0521386322.