線型代数学 関連分野におけるシューア補行列 （シューアほぎょうれつ、英 : Schur complement 区分行列 に対して定義される。名称はイサイ・シューア がシューアの補題 の証明に用いたことに由来するが、それ以前からの使用が認められる[ 1] Schur complement と呼び始めたのはエミリー・ヘインズワースである[ 2] 数値解析 (特に数値線形代数 ) や統計学 、行列解析 の分野では主要な道具の一つとなっている。
行列 A, B, C, D のサイズをそれぞれ p × p , p × q , q × p , q × q として区分行列
M
:=
(
A
B
C
D
)
{\displaystyle M:={\begin{pmatrix}A&B\\C&D\end{pmatrix}}}
M は (p + q ) × (p + q ) 行列になっている。以下本項で M と書けば断りなくこの区分行列を意味するものとする。
D が正則 であるとき、区分行列 M の区画 D に関するシューア補行列 とは
M
/
D
:=
A
−
B
D
−
1
C
{\displaystyle M/D:=A-BD^{-1}C}
p × p 行列を言う。同様に A が正則であるとき、M の A に関するシューア補行列とは
M
/
A
:=
D
−
C
A
−
1
B
{\displaystyle M/A:=D-CA^{-1}B}
q × q 行列を言う。
A や D が正則でない場合にも、逆行列 の代わりに一般化逆行列 を用いることにより、一般化シューア補行列 を定義することはできる。
シューア補行列は上記の行列 M にブロック下半三角行列
L
:=
(
I
p
0
−
D
−
1
C
I
q
)
{\displaystyle L:={\begin{pmatrix}I_{p}&0\\-D^{-1}C&I_{q}\end{pmatrix}}}
Ip は p × p 単位行列 ）を右から掛けるという形でガウス消去法 を施した結果として生じる（L を掛ければ、上側の p × p 行列としてシューア補行列が現れる）。実際、行列の積は
M
L
=
(
A
B
C
D
)
(
I
p
0
−
D
−
1
C
I
q
)
=
(
A
−
B
D
−
1
C
B
0
D
)
=
(
I
p
B
D
−
1
0
I
q
)
(
A
−
B
D
−
1
C
0
0
D
)
{\displaystyle {\begin{aligned}ML&={\begin{pmatrix}A&B\\C&D\end{pmatrix}}{\begin{pmatrix}I_{p}&0\\-D^{-1}C&I_{q}\end{pmatrix}}={\begin{pmatrix}A-BD^{-1}C&B\\0&D\end{pmatrix}}\\[4pt]&={\begin{pmatrix}I_{p}&BD^{-1}\\0&I_{q}\end{pmatrix}}{\begin{pmatrix}A-BD^{-1}C&0\\0&D\end{pmatrix}}\end{aligned}}}
LDU分解 のブロック行列版となるもので、実際 M について解けば
(
A
B
C
D
)
=
(
I
p
B
D
−
1
0
I
q
)
(
A
−
B
D
−
1
C
0
0
D
)
(
I
p
0
D
−
1
C
I
q
)
{\displaystyle {\begin{pmatrix}A&B\\C&D\end{pmatrix}}={\begin{pmatrix}I_{p}&BD^{-1}\\0&I_{q}\end{pmatrix}}{\begin{pmatrix}A-BD^{-1}C&0\\0&D\end{pmatrix}}{\begin{pmatrix}I_{p}&0\\D^{-1}C&I_{q}\end{pmatrix}}}
M の逆行列は D が正則かつ D に関するシューア補行列の逆行列が（存在するならば）既知のときには、D, M/D の逆行列だけから
(
A
B
C
D
)
−
1
=
(
I
p
0
−
D
−
1
C
I
q
)
(
(
A
−
B
D
−
1
C
)
−
1
0
0
D
−
1
)
(
I
p
−
B
D
−
1
0
I
q
)
=
(
(
M
/
D
)
−
1
−
(
M
/
D
)
−
1
B
D
−
1
−
D
−
1
C
(
M
/
D
)
−
1
(
M
/
A
)
−
1
)
{\displaystyle {\begin{aligned}{\begin{pmatrix}A&B\\C&D\end{pmatrix}}^{-1}&={\begin{pmatrix}I_{p}&0\\-D^{-1}C&I_{q}\end{pmatrix}}{\begin{pmatrix}(A-BD^{-1}C)^{-1}&0\\0&D^{-1}\end{pmatrix}}{\begin{pmatrix}I_{p}&-BD^{-1}\\0&I_{q}\end{pmatrix}}\\[4pt]&={\begin{pmatrix}(M/D)^{-1}&-(M/D)^{-1}BD^{-1}\\-D^{-1}C(M/D)^{-1}&(M/A)^{-1}\end{pmatrix}}\end{aligned}}}
行列の反転補題 （英語版 ） A, D の役割を入れ替えて同様の導出をした式との間の関係性が詳しく述べられる。
区分行列 M が正定値 対称行列 ならば、シューア補行列 M/D もそうである。
A, B, C, D が全てスカラー（p = q = 12 × 2 行列の逆行列の公式
M
−
1
=
1
A
D
−
B
C
(
D
−
B
−
C
A
)
{\displaystyle M^{-1}={\frac {1}{AD-BC}}{\begin{pmatrix}D&-B\\-C&A\end{pmatrix}}}
AD − BC 一般のサイズの場合、A が正則とすれば
M
−
1
=
(
A
−
1
+
A
−
1
B
(
M
/
A
)
−
1
C
A
−
1
−
A
−
1
B
(
M
/
A
)
−
1
−
(
M
/
A
)
−
1
C
A
−
1
(
M
/
A
)
−
1
)
{\displaystyle M^{-1}={\begin{pmatrix}A^{-1}+A^{-1}B(M/A)^{-1}CA^{-1}&-A^{-1}B(M/A)^{-1}\\-(M/A)^{-1}CA^{-1}&(M/A)^{-1}\end{pmatrix}}}
区分行列 M の行列式は明らかに
det
(
M
)
=
det
(
D
)
det
(
M
/
D
)
=
det
(
D
)
det
(
A
−
B
D
−
1
C
)
{\displaystyle \det(M)=\det(D)\det(M/D)=\det(D)\det(A-BD^{-1}C)}
2 × 2 行列の行列式の定義式を区分行列版に一般化したものと見なせる。
ガットマンの階数加法定理: 区分行列 M の階数 は
rank
(
M
)
=
rank
(
D
)
+
rank
(
M
/
D
)
{\textstyle \operatorname {rank} (M)=\operatorname {rank} (D)+\operatorname {rank} (M/D)}
ヘインズワースの慣性加法定理 （英語版 ） M の慣性指数 は A の慣性指数と M/A の慣性指数との和に等しい。x, a が p -次元列ベクトル 、y, b が q -次元列ベクトルで、区分行列 M が上記の如く与えられているとき、線型方程式系
A
x
+
B
y
=
a
C
x
+
D
y
=
b
{\displaystyle {\begin{aligned}Ax+By&=a\\Cx+Dy&=b\end{aligned}}}
D が可逆のとき、下の式に BD −1
(
M
/
D
)
x
=
a
−
B
D
−
1
b
{\displaystyle (M/D)x=a-BD^{-1}b}
M/D も可逆ならば、x について解ける（さらに
C
x
+
D
y
=
b
{\textstyle Cx+Dy=b}
y も分かる）。これにより、もともとのサイズ (p + q ) × (p + q ) の係数行列の逆行列を計算する問題が、それぞれのサイズが p × p と q × q のふたつの行列の逆行列を計算することに帰着される。実用上は、このアルゴリズムが数値的に良い評価を与えるようにするために、D が十分素性が良いものとなるような条件を課す。
電気工学においては、このことをしばしばノード除去 (node elimination) やクロン縮約 （英語版 ）
確率列ベクトル X および Y はそれぞれ R n R m (X , Y ) ∈ R n+m は共分散 が正定値対称行列
Σ
:=
(
A
B
B
⊤
C
)
{\displaystyle \Sigma :={\begin{pmatrix}A&B\\B^{\top }&C\end{pmatrix}}}
多変量正規分布 に従うものとする。ただし、
A
∈
R
n
×
n
{\textstyle A\in \mathbb {R} ^{n\times n}}
X の共分散行列、
C
∈
R
m
×
m
{\textstyle C\in \mathbb {R} ^{m\times m}}
Y の共分散行列、
B
∈
R
n
×
m
{\textstyle B\in \mathbb {R} ^{n\times m}}
X と Y の間の共分散行列である。
このとき、Y が既知であるときの X の条件付き共分散 （英語版 ） Cov(X | Y ) は C に関する Σ のシューア補行列によって
Cov
(
X
∣
Y
)
=
Σ
/
C
{\displaystyle \operatorname {Cov} (X\mid Y)=\Sigma /C}
[ 3]
E
(
X
∣
Y
)
=
E
(
X
)
+
B
C
−
1
(
Y
−
E
(
Y
)
)
{\textstyle \operatorname {E} (X\mid Y)=\operatorname {E} (X)+BC^{-1}(Y-\operatorname {E} (Y))}
上記の如く Σ を（しかし確率ベクトルの共分散としてではなく）標本共分散として与えたならば、ウィッシャート分布 に従う。この場合、シューア補行列 Σ/C もまたウィッシャート分布に従う[要出典 。
対称行列 X は
X
:=
(
A
B
B
⊤
C
)
{\displaystyle X:={\begin{pmatrix}A&B\\B^{\top }&C\end{pmatrix}}}
X の A および C に関するシューア補行列は
X
/
A
=
C
−
B
⊤
A
−
1
B
,
X
/
C
=
A
−
B
C
−
1
B
⊤
{\displaystyle X/A=C-B^{\top }A^{-1}B,\quad X/C=A-BC^{-1}B^{\top }}
X が正定値となるための必要十分条件は、A および X/A がともに正定値となることである:
X
≻
0
⟺
A
≻
0
∧
X
/
A
≻
0.
{\displaystyle X\succ 0\iff A\succ 0\land X/A\succ 0.}
X が正定値となるための必要十分条件は C および X/C がともに正定値となることである:
X
≻
0
⟺
C
≻
0
,
X
/
C
≻
0.
{\displaystyle X\succ 0\iff C\succ 0,X/C\succ 0.}
A が正定値のとき、X が半正定値となるための必要十分条件は X/A が半正定値となることである。C が正定値のとき、X が半正定値となるための必要十分条件は X/C が半正定値となることである。1. および 3. は u を止めて v の函数とみた量
u
⊤
A
u
+
2
v
⊤
B
⊤
u
+
v
⊤
C
v
{\displaystyle u^{\top }Au+2v^{\top }B^{\top }u+v^{\top }Cv}
[ 4]
(
A
B
B
⊤
C
)
≻
0
⟺
(
C
B
⊤
B
A
)
≻
0
{\displaystyle {\begin{pmatrix}A&B\\B^{\top }&C\end{pmatrix}}\succ 0\iff {\begin{pmatrix}C&B^{\top }\\B&A\end{pmatrix}}\succ 0}
同じように、一般化シューア補行列を用いても X の半正定値性を判定する必要十分条件を述べることができる[ 1] Ag を A の一般化逆行列 とすれば
X
⪰
0
⟺
A
⪰
0
,
C
−
B
⊤
A
g
B
⪰
0
,
(
I
−
A
A
g
)
B
=
0
{\displaystyle X\succeq 0\iff A\succeq 0,C-B^{\top }A^{g}B\succeq 0,(I-AA^{g})B=0}
X
⪰
0
⟺
C
⪰
0
,
A
−
B
C
g
B
⊤
⪰
0
,
(
I
−
C
C
g
)
B
⊤
=
0
{\displaystyle X\succeq 0\iff C\succeq 0,A-BC^{g}B^{\top }\succeq 0,(I-CC^{g})B^{\top }=0}
^ a b Zhang, Fuzhen (2005). The Schur Complement and Its Applications . Springer. doi :10.1007/b105056 . ISBN 0-387-24271-6
^ Haynsworth, E. V., "On the Schur Complement", Basel Mathematical Notes , #BNB 20, 17 pages, June 1968.
^ von Mises, Richard (1964). “Chapter VIII.9.3”. Mathematical theory of probability and statistics . Academic Press. ISBN 978-1483255385 ^ Boyd, S. and Vandenberghe, L. (2004), "Convex Optimization", Cambridge University Press (Appendix A.5.5)
![{\displaystyle {\begin{aligned}ML&={\begin{pmatrix}A&B\\C&D\end{pmatrix}}{\begin{pmatrix}I_{p}&0\\-D^{-1}C&I_{q}\end{pmatrix}}={\begin{pmatrix}A-BD^{-1}C&B\\0&D\end{pmatrix}}\\[4pt]&={\begin{pmatrix}I_{p}&BD^{-1}\\0&I_{q}\end{pmatrix}}{\begin{pmatrix}A-BD^{-1}C&0\\0&D\end{pmatrix}}\end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/f488dd6131578d5efc39f700c262f5601a133543)
![{\displaystyle {\begin{aligned}{\begin{pmatrix}A&B\\C&D\end{pmatrix}}^{-1}&={\begin{pmatrix}I_{p}&0\\-D^{-1}C&I_{q}\end{pmatrix}}{\begin{pmatrix}(A-BD^{-1}C)^{-1}&0\\0&D^{-1}\end{pmatrix}}{\begin{pmatrix}I_{p}&-BD^{-1}\\0&I_{q}\end{pmatrix}}\\[4pt]&={\begin{pmatrix}(M/D)^{-1}&-(M/D)^{-1}BD^{-1}\\-D^{-1}C(M/D)^{-1}&(M/A)^{-1}\end{pmatrix}}\end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e2c7d1c545c1f4da46ec2733428e6601db534879)
