Kroneckerin tulo on tulo , joka voidaan määrittää kahdelle tai useammalle matriisille . Tuloa merkitään
⊗
{\displaystyle \otimes }
-symbolilla. Kroneckerin tulo määritellään seuraavasti: Olkoot
A
=
a
i
j
m
×
n
{\displaystyle A=a_{ij}m\times n}
- ja
B
=
b
i
j
p
×
q
{\displaystyle B=b_{ij}p\times q}
-matriisi. Tällöin saadaan matriisi, jonka koko on
m
p
×
n
q
{\displaystyle mp\times nq}
.
A
⊗
B
=
[
a
11
B
⋯
a
1
n
B
⋮
⋱
⋮
a
m
1
B
⋯
a
m
n
B
]
,
{\displaystyle \mathbf {A} \otimes \mathbf {B} ={\begin{bmatrix}a_{11}\mathbf {B} &\cdots &a_{1n}\mathbf {B} \\\vdots &\ddots &\vdots \\a_{m1}\mathbf {B} &\cdots &a_{mn}\mathbf {B} \end{bmatrix}},}
eli alkioittain tarkasteltuna:
A
⊗
B
=
[
a
11
b
11
a
11
b
12
⋯
a
11
b
1
q
⋯
⋯
a
1
n
b
11
a
1
n
b
12
⋯
a
1
n
b
1
q
a
11
b
21
a
11
b
22
⋯
a
11
b
2
q
⋯
⋯
a
1
n
b
21
a
1
n
b
22
⋯
a
1
n
b
2
q
⋮
⋮
⋱
⋮
⋮
⋮
⋱
⋮
a
11
b
p
1
a
11
b
p
2
⋯
a
11
b
p
q
⋯
⋯
a
1
n
b
p
1
a
1
n
b
p
2
⋯
a
1
n
b
p
q
⋮
⋮
⋮
⋱
⋮
⋮
⋮
⋮
⋮
⋮
⋱
⋮
⋮
⋮
a
m
1
b
11
a
m
1
b
12
⋯
a
m
1
b
1
q
⋯
⋯
a
m
n
b
11
a
m
n
b
12
⋯
a
m
n
b
1
q
a
m
1
b
21
a
m
1
b
22
⋯
a
m
1
b
2
q
⋯
⋯
a
m
n
b
21
a
m
n
b
22
⋯
a
m
n
b
2
q
⋮
⋮
⋱
⋮
⋮
⋮
⋱
⋮
a
m
1
b
p
1
a
m
1
b
p
2
⋯
a
m
1
b
p
q
⋯
⋯
a
m
n
b
p
1
a
m
n
b
p
2
⋯
a
m
n
b
p
q
]
.
{\displaystyle {\mathbf {A} \otimes \mathbf {B} }={\begin{bmatrix}a_{11}b_{11}&a_{11}b_{12}&\cdots &a_{11}b_{1q}&\cdots &\cdots &a_{1n}b_{11}&a_{1n}b_{12}&\cdots &a_{1n}b_{1q}\\a_{11}b_{21}&a_{11}b_{22}&\cdots &a_{11}b_{2q}&\cdots &\cdots &a_{1n}b_{21}&a_{1n}b_{22}&\cdots &a_{1n}b_{2q}\\\vdots &\vdots &\ddots &\vdots &&&\vdots &\vdots &\ddots &\vdots \\a_{11}b_{p1}&a_{11}b_{p2}&\cdots &a_{11}b_{pq}&\cdots &\cdots &a_{1n}b_{p1}&a_{1n}b_{p2}&\cdots &a_{1n}b_{pq}\\\vdots &\vdots &&\vdots &\ddots &&\vdots &\vdots &&\vdots \\\vdots &\vdots &&\vdots &&\ddots &\vdots &\vdots &&\vdots \\a_{m1}b_{11}&a_{m1}b_{12}&\cdots &a_{m1}b_{1q}&\cdots &\cdots &a_{mn}b_{11}&a_{mn}b_{12}&\cdots &a_{mn}b_{1q}\\a_{m1}b_{21}&a_{m1}b_{22}&\cdots &a_{m1}b_{2q}&\cdots &\cdots &a_{mn}b_{21}&a_{mn}b_{22}&\cdots &a_{mn}b_{2q}\\\vdots &\vdots &\ddots &\vdots &&&\vdots &\vdots &\ddots &\vdots \\a_{m1}b_{p1}&a_{m1}b_{p2}&\cdots &a_{m1}b_{pq}&\cdots &\cdots &a_{mn}b_{p1}&a_{mn}b_{p2}&\cdots &a_{mn}b_{pq}\end{bmatrix}}.}
[ 1]
Kroneckerin tulo matriisin ja vakion välillä palautuu normaaliksi matriisin kertomiseksi vakiolla eli
k
⊗
A
=
A
⊗
k
=
k
A
{\displaystyle k\otimes A=A\otimes k=kA}
, missä
k
{\displaystyle k}
on skalaari. Samoin Kroneckerin tulo matriisin ja nollamatriisin välillä on nolla. Laskettaessa saadaan Kroneckerin tuloa yksikkömatriisin ja matriisin välille, jonka diagonaalilla on matriisi A eli
I
⊗
A
=
d
i
a
g
(
A
,
…
,
A
)
{\displaystyle I\otimes A=diag(A,\dots ,A)}
. Vastaavasti matriisin ja yksikkömatriisin välinen Kroneckerin tulo on
A
⊗
I
=
[
a
11
I
⋯
a
1
n
I
⋮
⋱
⋮
a
m
1
I
⋯
a
m
n
I
]
{\displaystyle A\otimes I={\begin{bmatrix}a_{11}\mathbf {I} &\cdots &a_{1n}\mathbf {I} \\\vdots &\ddots &\vdots \\a_{m1}\mathbf {I} &\cdots &a_{mn}\mathbf {I} \end{bmatrix}}}
. Diagonaalimatriisin
D
=
{
d
i
}
{\displaystyle D=\{d_{i}\}}
, jonka koko on
m
{\displaystyle m}
ja matriisin
A
{\displaystyle A}
Kroneckerin tulo on
D
⊗
A
=
d
i
a
g
(
d
1
A
,
d
2
A
,
…
,
d
m
A
)
{\displaystyle D\otimes A=diag(d_{1}A,d_{2}A,\dots ,d_{m}A)}
[ 1]
Esimerkki:
[
1
2
3
4
]
⊗
[
0
5
6
7
]
=
[
1
⋅
0
1
⋅
5
2
⋅
0
2
⋅
5
1
⋅
6
1
⋅
7
2
⋅
6
2
⋅
7
3
⋅
0
3
⋅
5
4
⋅
0
4
⋅
5
3
⋅
6
3
⋅
7
4
⋅
6
4
⋅
7
]
=
[
0
5
0
10
6
7
12
14
0
15
0
20
18
21
24
28
]
.
{\displaystyle {\begin{bmatrix}1&2\\3&4\\\end{bmatrix}}\otimes {\begin{bmatrix}0&5\\6&7\\\end{bmatrix}}={\begin{bmatrix}1\cdot 0&1\cdot 5&2\cdot 0&2\cdot 5\\1\cdot 6&1\cdot 7&2\cdot 6&2\cdot 7\\3\cdot 0&3\cdot 5&4\cdot 0&4\cdot 5\\3\cdot 6&3\cdot 7&4\cdot 6&4\cdot 7\\\end{bmatrix}}={\begin{bmatrix}0&5&0&10\\6&7&12&14\\0&15&0&20\\18&21&24&28\end{bmatrix}}.}
Olkoot
A
{\displaystyle A}
ja
B
{\displaystyle B}
m
×
n
{\displaystyle m\times n}
-kokoisia matriiseja,
C
{\displaystyle C}
ja
D
{\displaystyle D}
p
×
q
{\displaystyle p\times q}
-kokoisia matriiseja sekä
k
{\displaystyle k}
vakio. Tällöin pätevät seuraavat laskusäännöt:
(
k
A
)
⊗
B
=
A
⊗
(
k
B
)
=
k
(
A
⊗
B
)
{\displaystyle (kA)\otimes B=A\otimes (kB)=k(A\otimes B)}
(
A
+
B
)
⊗
C
=
A
⊗
C
+
B
⊗
C
{\displaystyle (A+B)\otimes C=A\otimes C+B\otimes C}
C
⊗
(
A
+
B
)
=
C
⊗
A
+
C
⊗
B
{\displaystyle C\otimes (A+B)=C\otimes A+C\otimes B}
(
A
+
B
)
⊗
(
C
+
D
)
=
(
A
⊗
C
)
+
(
A
⊗
D
)
+
(
B
⊗
C
)
+
(
B
⊗
D
)
{\displaystyle (A+B)\otimes (C+D)=(A\otimes C)+(A\otimes D)+(B\otimes C)+(B\otimes D)}
↑ a b c Harville, David, A.: Matrix Algebra From a Statistician's Perspective , s. 333–335. Springer, 1997.