第五专题 矩阵的数值特征(行列式、范数、条件数、迹、秩、相对特征根)
矩阵的行列式、秩与迹及特征值分析
Al=[l,2,3;4,5,6] B1=det(A1) C1=trace(A1)
2.2矩阵的迹 矩阵的迹等于矩阵主对角线元素的总和。 也等于矩阵特征值的总和。
运算符：trace() 注意：要求矩阵是方阵
3.矩阵的特征值分析
E=eig(A ) 求矩阵A的全部特征值， 并构成向量E
[V,D]=eig(A )求矩阵A的全部特征值，构成 对角矩阵D；求A的特征向量 构成列向量V。
例2.4一1
矩阵的行列式、秩与迹 及特征值分析
主要内容
矩阵的行列式 矩 阵的秩与迹 矩阵 的特征值分析
1・矩阵的行列 式
运算符：det() 注意：用于求方阵阵的秩 矩阵的秩是矩阵的列向量组(或行向量组) 的任一极大线性无关组所含向量的个数。
运算符：rank()
2.矩阵的秩与迹
矩阵讲义全
本课程的说明：矩阵分析理论是在线性代数的基础上推广的（数学是在已有的基础理论上模仿，推广而发展的。
要大胆猜想，小心证明！） 矩阵分析理论的组成：四部分：一、基础知识（包括书上的前三章内容）重点、难点：约当标准形与多项式矩阵，矩阵的分解等； 二、矩阵分析（第四章：矩阵函数及其应用）重点、难点：范数，矩阵幂级数，微分方程组； 三、矩阵特征值的估计（第五章）重点、难点：Gerschgorin 圆盘定理；广义逆矩阵； 四、非负矩阵（第六章）（注：不讲）重点、难点：基本不等式，素矩阵，随机矩阵等。
§1 线性空间与度量空间一、线性空间： 1．数域：Df 1：若复数的一个非空集合P 含有非零的数，且其中任意两数的和、差、积、商（除数不为0）仍在这个集合中，则称数集P 为一个数域 eg 1：Q （有理数），R （实数），C （复数），Z （整数），N （自然数）中哪些是数域？哪些不是数域？ 2．线性空间— 设P 是一个数域，V 是一个非空集合，若满足：<1> 可加性—指在V 上定义了一个二元运算（加法）即：V ∈∀βα, 经过该运算总存在唯一的元素V ∈γ与之对应，称γ为α与β的和，记βαγ+= 并满足：① αββα+=+② )()(γβαγβα++=++ ③ 零元素—＝有θαθααθ+∈∀∈∃Vt s V .（线性空间必含θ）。
④ αβαβθβααβ-+∈∀∈∃＝记的负元素为＝有对V V<2> 数积：（数乘运算）—在P 与V 之间定义了另一种运算。
即V P k ∈∈∀α,经该运算后所得结果，仍为V 中一个唯一确定的元素（存在唯一确定的元素V ∈δ与之对应），称δ为k 与α的乘积。
记为αδk =并满足：① αα=⋅1② P l k ∈∀, αα)()(kl l k = ③ P l k ∈∀, αααl k l k +=+)( ④ γβα∈∀, βαβαk k k +=+)(则称V 为数域P 上的线性空间（向量空间）记为)...(∙+P V 习惯上V 中的元素—向量， θ—零向量， 负元素—负向量结论：可以证明，线性空间中的零向量是唯一的，负元素也是唯一的，且有：θα=⋅0 θθ=⋅k αα-=⋅-)1( )(βαβα-+=-eg2：}{阶矩阵是n m A A V ⨯= P —实数域R按照矩阵的加法和数与矩阵的乘法，就构成实数域R 上的线性空间，记为：n m R ⨯同样，若V 为n 维向量，则可构成R 上的n 维向量空间n R —线性空间。
矩阵论五矩阵分析
矩阵论五矩阵分析矩阵论作为数学中的一个重要分支，研究的是矩阵的性质、运算和应用。
在实际应用中，矩阵论广泛应用于线性代数、计算机科学、物理学、经济学等领域，起到了重要的作用。
本文将介绍矩阵分析这一矩阵论的重要内容。
矩阵分析是矩阵论中的一个重要分支，它研究的是矩阵的各种性质和内在结构。
矩阵分析包括矩阵的行列式、特征值、特征向量、正交变换、相似矩阵等概念和定理。
首先，矩阵的行列式是一个非常重要的概念。
行列式是一个把方阵映射到实数的函数，用于判断矩阵是否可逆、求解线性方程组等问题。
行列式的计算可以通过对矩阵进行列展开、代数余子式等方法来进行。
同时，行列式还具有一系列重要的性质，如行列式的线性性、行列式的性质、Cramer法则等，这些性质为行列式的计算和应用提供了便利。
其次，矩阵的特征值和特征向量也是矩阵分析的重要内容。
特征值和特征向量描述了矩阵在线性变换下的性质，是矩阵的本征特性。
通过求解特征方程，可以得到矩阵的特征值，通过求解对应的特征向量，可以得到矩阵的特征向量。
特征值和特征向量在很多应用中起着重要的作用，如在物理学中用于描述物理量在变换下的特性，亦或者在图像处理中用于图像压缩和分解等。
此外，矩阵的正交变换也是矩阵分析中的一个重要概念。
正交变换是指保持向量长度和夹角不变的线性变换，可以通过一个正交矩阵来实现。
正交变换在几何学中起到了非常重要的作用，如在三维空间中的旋转变换、投影变换等。
正交矩阵具有很多重要的性质，如正交矩阵的逆等于其转置、正交矩阵的行列式为1或-1等。
最后，相似矩阵也是矩阵分析中的一个重要概念。
相似矩阵是指可以通过一个可逆矩阵相似变换得到的矩阵。
相似矩阵具有相同的特征值，特征向量和行列式。
相似矩阵在矩阵的相似性和等价性判断、矩阵的对角化等问题中起到了重要的作用。
总之，矩阵分析作为矩阵论的重要分支，研究的是矩阵的各种性质和内在结构，是矩阵论的重要内容之一、矩阵分析包括矩阵的行列式、特征值、特征向量、正交变换和相似矩阵等概念和定理。
矩阵的特征方程和特征值
矩阵的特征方程和特征值
矩阵的特征方程和特征值是矩阵的重要性质。
一个 n 阶方阵A的特征方程是一个关于λ的n次多项式，定义为det(A-λI)，其中I是n阶单位矩阵，det表示行列式。
一个特征向量是指一个非零列向量v，使得矩阵A与v的乘积等于一个数λ与v的乘积，即Av=λv。
特征值就是特征方程的根，也就是一个矩阵所对应的线性变换中，存在使得线性变换与其对应的向量共线的非零向量的实数λ，这个实数称为特征值，而对应的向量称为特征向量。
矩阵的特征值和特征向量在线性代数的许多方面都有应用，如求解矩阵的逆矩阵、求解线性方程组、矩阵的对角化等。
研究生矩阵论
研究生矩阵论矩阵论是数学中的一个重要分支，它研究的对象是矩阵及其性质。
研究生在学习矩阵论时，需要深入理解矩阵的基本概念和性质，并掌握一些重要的定理和推论。
本文将介绍研究生矩阵论的一些重要内容，以帮助读者更好地理解和应用矩阵论知识。
矩阵是由数个数按照一定的规律排列成的矩形数组。
矩阵的行和列分别代表其维度。
在矩阵论中，我们通常用大写字母表示矩阵，如A、B、C等。
矩阵中的每个元素用小写字母表示，如a、b、c等。
矩阵的运算包括加法、减法、数乘和矩阵乘法等。
这些运算满足一定的性质，如结合律、分配律等。
矩阵的转置是指将矩阵的行和列互换得到的新矩阵。
转置矩阵的性质有：(A^T)^T = A，(A + B)^T = A^T + B^T，(kA)^T = kA^T，其中A、B是矩阵，k是数。
矩阵的逆是指对于一个可逆方阵A，存在一个方阵B，使得AB = BA = I，其中I是单位矩阵。
如果一个矩阵没有逆矩阵，我们称其为奇异矩阵。
逆矩阵的性质有：(A^T)^{-1} = (A^{-1})^T，(AB)^{-1} = B^{-1}A^{-1}，(kA)^{-1} = \frac{1}{k}A^{-1}，其中A、B是可逆矩阵，k是非零数。
矩阵的秩是指矩阵中非零行（列）的最大个数。
矩阵的秩具有一些重要的性质：如果矩阵A的秩为r，则A的任意r阶子式不等于0，而r+1阶子式等于0。
矩阵的特征值和特征向量是矩阵论中的重要概念。
对于一个方阵A，如果存在一个非零向量x，使得Ax = \lambda x，其中\lambda是一个数，那么\lambda称为A的特征值，x称为对应于特征值\lambda的特征向量。
特征值和特征向量具有一些重要的性质：矩阵A和其转置矩阵A^T具有相同的特征值；A的特征值之和等于A 的迹，即矩阵A的所有特征值之和等于A的主对角线上元素之和。
矩阵的相似性是矩阵论中的一个重要概念。
对于两个方阵A和B，如果存在一个可逆矩阵P，使得P^{-1}AP = B，那么我们称A和B 是相似的。
线性代数知识点总结(第5章)
线性代数知识点总结（第5章）（一）矩阵的特征值与特征向量1、特征值、特征向量的定义：设A为n阶矩阵，如果存在数λ及非零列向量α，使得Aα=λα，称α是矩阵A属于特征值λ的特征向量。
2、特征多项式、特征方程的定义：|λE-A|称为矩阵A的特征多项式（λ的n次多项式）。
|λE-A |=0称为矩阵A的特征方程（λ的n次方程）。
注:特征方程可以写为|A-λE|=03、重要结论：（1）若α为齐次方程Ax=0的非零解，则Aα=0·α，即α为矩阵A特征值λ=0的特征向量（2）A的各行元素和为k，则(1，1，…，1)T为特征值为k的特征向量。
（3）上（下）三角或主对角的矩阵的特征值为主对角线各元素。
△4、总结：特征值与特征向量的求法（1）A为抽象的：由定义或性质凑（2）A为数字的：由特征方程法求解5、特征方程法：（1）解特征方程|λE-A|=0，得矩阵A的n个特征值λ1，λ2，…，λn注：n次方程必须有n个根(可有多重根，写作λ1=λ2=…=λs=实数，不能省略)（2）解齐次方程（λi E-A）=0，得属于特征值λi的线性无关的特征向量，即其基础解系（共n-r（λi E-A）个解）6、性质：（1）不同特征值的特征向量线性无关（2）k重特征值最多k个线性无关的特征向量1≤n-r（λi E-A）≤k i（3）设A的特征值为λ1，λ2，…，λn，则|A|=Πλi，Σλi=Σa ii（4）当r（A）=1，即A=αβT，其中α，β均为n维非零列向量，则A的特征值为λ1=Σa ii=αTβ=βTα，λ2=…=λn=0（5）设α是矩阵A属于特征值λ的特征向量，则（二）相似矩阵7、相似矩阵的定义：设A、B均为n阶矩阵，如果存在可逆矩阵P使得B=P-1AP，称A与B相似，记作A~B8、相似矩阵的性质（1）若A与B相似，则f（A）与f（B）相似（2）若A与B相似，B与C相似，则A与C相似（3）相似矩阵有相同的行列式、秩、特征多项式、特征方程、特征值、迹（即主对角线元素之和）【推广】（4）若A与B相似，则AB与BA相似，A T与B T相似，A-1与B-1相似，A*与B*也相似（三）矩阵的相似对角化9、相似对角化定义：如果A与对角矩阵相似，即存在可逆矩阵P，使得P-1AP=Λ=，称A可相似对角化。
第五专题矩阵的数值特征(行列式、范数、条件数、迹、秩、相对特征根)讲解学习
第五专题矩阵的数值特征(行列式、迹、秩、相对特征根、范数、条件数)一、行列式已知A p x q, B q x p,则|l p+AB| = |l q + BA|证明一：参照课本194 页，例4.3.证明二：利用AB 和BA 有相同的非零特征值的性质；从而l p+AB ，l q+BA 中不等于1 的特征值的数目相同，大小相同；其余特征值都等于1。
行列式是特征值的乘积，因此|I p+AB|和|I q+BA|等于特征值(不等于1)的乘积，所以二者相等。
二、矩阵的迹矩阵的迹相对其它数值特征简单些，然而，它在许多领域，如数值计算，逼近论，以及统计估计等都有相当多的应用，许多量的计算都会归结为矩阵的迹的运算。
下面讨论有关迹的一些性质和不等式。
nn定义：tr(A) a ii i ，etrA=exp(trA)i 1 i 1性质：1. tr( A B) tr(A) tr(B) ，线性性质；2. tr(A T ) tr(A) ；3. tr(AB) tr(BA) ；14. tr(P 1AP) tr(A) ；5. tr(x H Ax) tr(Axx H),x 为向量；nn6. tr(A) i ,tr(A k) i k;i 1 i 1从Schur 定理(或Jordan 标准形) 和(4)证明；7. A 0,则tr(A) 0 ,且等号成立的充要条件是A=0；8. A B(即A B 0),则tr(A) tr(B)，且等号成立的充要条件是A=B( A B i(A) i(B) )；9. 对于n阶方阵A，若存在正整数k,使得A k=0, 则tr(A)=0 (从Schur 定理或Jordan 标准形证明)。
若干基本不等式对于两个m x n复矩阵A和B, tr(A H B)是m x n 维酉空间上的内积，也就是将它们按列依次排成的两个mn 维列向量的内积，利用Cauchy-schwarz 不等式2[x,y] w [x,x]. [y,y]得定理：对任意两个m x n 复矩阵A 和B|tr(A H B)|2w tr(冲A) • tr(B H B)这里等号成立的充要条件是A=cB,c为一常数。
大一线性代数矩阵知识点总结
大一线性代数矩阵知识点总结矩阵是线性代数中的重要概念，它是一种方便表示和处理线性变换的数学工具。
在大一线性代数课程中，我们将学习矩阵的相关知识，本文将对一些重要的矩阵知识点进行总结。
1. 矩阵的定义和表示方式- 矩阵是由m行n列元素排列成的矩形阵列，用大写字母表示，如A、B等。
- 矩阵可以用方括号表示，如A=[a_ij]，其中a_ij代表矩阵A 的第i行第j列的元素。
2. 矩阵的运算- 矩阵的加法：对应元素相加。
- 矩阵的数乘：矩阵中的每个元素乘以相同的数。
- 矩阵的乘法：矩阵A的列数等于矩阵B的行数时，可以进行乘法运算，结果的行数等于A的行数，列数等于B的列数。
3. 矩阵的特殊类型- 零矩阵：所有元素都为0的矩阵，用0表示。
- 方阵：行数等于列数的矩阵。
- 单位矩阵：主对角线元素为1，其它元素为0的方阵，用I 表示。
4. 矩阵的转置- 矩阵的转置就是将矩阵的行与列对调得到的新矩阵，用A^T表示。
5. 矩阵的行列式- 行列式是一个标量，表示一个方阵所围成的平行四边形的有向面积。
- 行列式常用符号为|A|或det(A)，其中A为方阵。
6. 逆矩阵- 对于一个可逆矩阵A，存在一个矩阵B，使得AB=BA=I，其中I为单位矩阵。
- A的逆矩阵记为A^{-1}。
7. 矩阵的特征值和特征向量- 对于一个n阶方阵A，如果存在一个非零向量x和标量λ，使得Ax=λx，其中λ为标量，则称λ为A的特征值，x为对应于特征值λ的特征向量。
8. 矩阵的特征分解- 对于一个可对角化的矩阵A，存在一个对角矩阵D和一个可逆矩阵P，使得A=PDP^{-1}，其中D为对角矩阵，P为特征向量矩阵。
9. 矩阵的秩- 矩阵的秩是指矩阵中非零行的最大个数，用rank(A)表示。
10. 线性方程组与矩阵- 线性方程组可以用矩阵的形式表示，例如AX=B，其中A是系数矩阵，X是未知数矩阵，B是常数矩阵。
以上是大一线性代数矩阵知识点的简单总结。
矩阵在线性代数中起着重要的作用，它不仅可以用于表示线性变换，还可以用于解决线性方程组和求解特征值等问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第五专题 矩阵的数值特征（行列式、迹、秩、相对特征根、范数、条件数） 一、行列式已知A p ×q , B q ×p , 则|I p +AB|=|I q +BA| 证明一：参照课本194页，例4.3.证明二：利用AB 和BA 有相同的非零特征值的性质；从而I p +AB ，I q +BA 中不等于1的特征值的数目 相同，大小相同；其余特征值都等于1。
行列式是特征值的乘积，因此|I p +AB|和|I q +BA|等于特征值（不等于1）的乘积，所以二者相等。
二、矩阵的迹矩阵的迹相对其它数值特征简单些，然而，它在许多领域，如数值计算，逼近论，以及统计估计等都有相当多的应用，许多量的计算都会归结为矩阵的迹的运算。
下面讨论有关迹的一些性质和不等式。
定义：nnii i i 1i 1tr(A)a ====λ∑∑，etrA=exp(trA)性质：1. tr(A B)tr(A)tr(B)λ+μ=λ+μ，线性性质；2.Ttr(A )tr(A)=； 3. tr(AB)tr(BA)=；4.1tr(P AP)tr(A)-=；5. H Htr(x Ax)tr(Axx ),x =为向量；6. nnk ki i i 1i 1tr(A),tr(A )===λ=λ∑∑;从Schur 定理（或Jordan 标准形）和（4）证明； 7. A 0≥,则tr(A)0≥,且等号成立的充要条件是A=0；8. A B(A B 0)≥-≥即,则tr(A)tr(B)≥，且等号成立的充要条件是A=B （i i A B (A)(B)≥⇒λ≥λ）；9. 对于n 阶方阵A ，若存在正整数k,使得A k =0,则tr(A)=0（从Schur 定理或Jordan 标准形证明）。
若干基本不等式对于两个m ×n 复矩阵A 和B ，tr(A H B)是m ×n 维酉空间上的内积，也就是将它们按列依次排成的两个mn 维列向量的内积，利用Cauchy-schwarz 不等式[x,y]2≤[x,x]﹒[y,y]得定理：对任意两个m ×n 复矩阵A 和B |tr(A H B)|2≤tr(A H A)﹒tr(B H B)这里等号成立的充要条件是A=cB,c 为一常数。
特别当A 和B 为实对称阵或Hermit 矩阵时0≤|tr(AB)|≤定理：设A 和B 为两个n 阶Hermite 阵,且A≥0，B≥0，则0≤tr(AB)≤λ1(B)tr(A) ≤tr(A)﹒tr(B) λ1(B)表示B 的最大特征值。
证明：tr(AB)= tr(A 1/2BA 1/2) ≥0，又因为A 1/2[λ1(B)I-B]A 1/2≥0，所以λ1(B)tr(A)≥A 1/2BA 1/2，得 tr(AB)= tr(A 1/2BA 1/2)≤tr(λ1(B) A)=λ1(B) tr(A)≤tr(A)﹒tr(B)推论：设A 为Hermite 矩阵，且A>0，则tr(A)tr(A -1)≥n另外，关于矩阵的迹的不等式还有很多，请参考《矩阵论中不等式》。
三、矩阵的秩矩阵的秩的概念是由Sylvester 于1861年引进的。
它是矩阵的最重要的数字特征之一。
下面讨论有关矩阵秩的一些性质和不等式。
定义：矩阵A 的秩定义为它的行（或列）向量的最大无关组所包含的向量的个数。
记为rank(A)性质：1. rank(AB)min(rank(A),rank(B))≤；2. rank(A B)rank(A,B)rank(A)rank(B)+≤≤+；3.H Hrank(AA )rank(A )rank(A)==；===，4. rank(A)rank(XA)rank(AY)rank(XAY)其中X列满秩，Y行满秩（消去法则）。
定理（Sylvester）：设A和B分别为m×n和n×l 矩阵，则Sylveste定理是关于两个矩阵乘积的秩的不等式。
其等号成立的充要条件请参考王松桂编写的《矩阵论中不等式》，三个矩阵乘积的秩的不等式也一并参考上述文献。
四、相对特征根定义：设A和B均为P阶实对称阵，B>0，方程|A-λB|=0的根称为A相对于B的特征根。
性质：|A-λB|=0等价于|B-1/2AB-1/2-λI|=0(因为B>0，所以B1/2>0)注：求A相对于B的特征根问题转化为求B-1/2AB-1/2的特征根问题或AB-1的特征根。
因B-1/2AB-1/2是实对称阵，所以特征根为实数。
定义：使(A-λi B)l i=0的非零向量l i称为对应于λi 的A相对于B的特征向量。
性质：①设l是相对于λ的A B-1的特征向量，则A B-1l=λl 或 A (B-1l)=λB( B-1l)B-1l 为对应λ的A相对于B的特征向量（转化为求A B -1的特征向量问题）。
② 设l 是相对于λ的B -1/2AB -1/2的特征向量，则B -1/2AB -1/2l=λl可得A (B -1/2l)=λB(B -1/2l)则B -1/2l 为对应λ的A 相对于B 的特征向量（转化为求B -1/2AB -1/2对称阵的特征向量问题）。
五、向量范数与矩阵范数向量与矩阵的范数是描述向量和矩阵“大小”的一种度量。
先讨论向量范数。
1. 向量范数定义：设V 为数域F 上的线性空间，若对于V 的任一向量x ，对应一个实值函数x ，并满足以下三个条件：（1）非负性 x 0≥，等号当且仅当x=0时成立； （2）齐次性 x x ,k,x V;α=α⋅α∈∈ （3）三角不等式x y x y ,x,y V +≤+∈。
则称x 为V 中向量x 的范数，简称为向量范数。
定义了范数的线性空间定义称为赋范线性空间。
例1. n x C ∈，它可表示成[]T12n x =ξξξ，i C ξ∈，1n22i 2i 1x ∆=⎛⎫=ξ ⎪⎝⎭∑就是一种范数，称为欧氏范数或2-范数。
证明：（i ）非负性 1n 22i 2i 1x 0=⎛⎫=ξ≥ ⎪⎝⎭∑，当且仅当()i 0i 1,2,,n ξ==时，即x ＝0时，2x＝0（ii ）齐次性（iii ）三角不等式[]T12n y =ηηη ，i C η∈根据Hölder 不等式：11nnnpqp q i i i i i 1i 1i 1a b a b ===⎛⎫⎛⎫≤ ⎪ ⎪⎝⎭⎝⎭∑∑∑，i i 11p,q 1,1,a ,b 0p q >+=> 2. 常用的向量范数（设向量为[]T12n x =ξξξ）1-范数：ni 1i 1x==ξ∑；∞-范数：1i nx i max ∞≤≤=ξ；P-范数：1npp i p i 1x =⎛⎫=ξ ⎪⎝⎭∑ （p>1, p=1, 2,…,∞,）;2-范数：()1H22x x x =;椭圆范数(2-范数的推广):()1H2Axx Ax=，A 为Hermite 正定阵.加权范数：1n22i i wi 1xw =⎛⎫=ξ ⎪⎝⎭∑，当[]12n A W diag w w w ==，i w 0>证明：px显然满足非负性和齐次性（iii ）[]T12n y =ηηη1npp i p i 1x =⎛⎫=ξ ⎪⎝⎭∑，1npp i pi 1y =⎛⎫=η ⎪⎝⎭∑，1npp i i p i 1x y =⎛⎫+=ξ+η ⎪⎝⎭∑应用Hölder 不等式 即p p px y x y+≤+3. 向量范数的等价性 定理 设α、β为nC 的两种向量范数，则必定存在正数m 、M ，使得m xx M xαβα≤≤，（m 、M 与x无关），称此为向量范数的等价性。
同时有11x x x Mmβαβ≤≤注：（1）对某一向量X 而言，如果它的某一种范数小（或大），那么它的其它范数也小（或大）。
（2）不同的向量范数可能大小不同，但在考虑向量序列的收敛性问题时，却表现出明显的一致性。
4、矩阵范数向量范数的概念推广到矩阵情况。
因为一个m ×n 阶矩阵可以看成一个mn 维向量，所以m nC ⨯中任何一种向量范数都可以认为是m ×n 阶矩阵的矩阵范数。
1. 矩阵范数定义：设m n C ⨯表示数域C 上全体m n⨯阶矩阵的集合。
若对于m n C ⨯中任一矩阵A ，均对应一个实值函数A ，并满足以下四个条件：（1）非负性：A 0≥ ，等号当且仅当A=0时成立； （2）齐次性：A A ,C;α=αα∈（3）三角不等式：m n A B A B ,A,B C ⨯+≤+∈,则称A 为广义矩阵范数；（4）相容性：AB A B ≤⋅,则称A 为矩阵范数。
5. 常用的矩阵范数（1）Frobenius 范数（F-范数）F-范数：12n2ij Fi j 1Aa =⎛⎫= ⎪⎝⎭∑，==矩阵和向量之间常以乘积的形式出现，因而需要考虑矩阵范数与向量范数的协调性。
定义：如果矩阵范数A 和向量范数x 满足 则称这两种范数是相容的。
给一种向量范数后，我们总可以找到一个矩阵范数与之相容。
（2）诱导范数设A ∈C m ×n ，x ∈C n , x 为x 的某种向量范数， 记则A 是矩阵A 的且与x 相容的矩阵范数，也称之为A 的诱导范数或算子范数。
（3）p-范数：pppAx Amaxx=，()ij m nA a ⨯=,x 为所有可能的向量，[]T12n x =ξξξ，ppxxα=α，()p p1Ax A x =αα()0α≠111x 1A max Ax==，ni 1i 1x 1==ξ=∑，nnij j1i 1j 1Ax a ===ξ∑∑可以证明下列矩阵范数都是诱导范数： （1）nij11j ni 1A max a ≤≤==∑ 列（和）范数；（2）21i nA ≤≤= 谱范数； H A A 的最大特征值称为H A A 的谱半径。
当A 是Hermite 矩阵时，i 21i nA max (A)≤≤=λ是A 的谱半径。
注：谱范数有许多良好的性质，因而经常用到。
（3）nij1i mj 1Amax a ∞≤≤==∑ 行（和）范数（x∞=1npp i i1i ni 1p max ≤≤=→∞⎛⎫ξ=ξ ⎪⎝⎭∑ ，2x =1n22i i 1=⎛⎫ξ ⎪⎝⎭∑）定理 矩阵A 的任意一种范数A 是A 的元素的连续函数；矩阵A 的任意两种范数是等价的。
定理 设A ∈C n ×n ，x ∈C n , 则F A 和2x 是相容的 即证明：由于222F2Ax A x Ax ≤⋅≤⋅成立。
定理 设A ∈C n ×n ，则F A 是酉不变的，即对于任意酉矩阵U,V ∈C n ×n ，有 证明： 定义 设A ∈C n ×n，A 的所有不同特征值组成的集合称为A 的谱；特征值的模的最大值称为A 的谱半径，记为ρ(A)。