MIT线性代数笔记-第二十五讲

Symmetric matrices

对称矩阵有什么特点?主要是以下两个性质:
1.特征值为实数
2.特征向量正交，或者可以通过选择正交(当$\lambda值重复时，则可以在一个平面中选择两个垂直的特征向量$)

我们知道，普通情况下，当A有n个独立的特征向量时，可以表示为$A = S\Lambda S^{-1}$,那么当A为对称矩阵时呢?$A = Q\Lambda Q^{-1} = Q \Lambda Q^T(其中Q为所有列都标准正交的矩阵)$

为什么对称矩阵的特征值为实数?

首先我们有:$Ax = \lambda x$
然后，我们做共轭处理(这里实际是假设A的特征值为复数):$A\check{x} = \check{\lambda}\check{x} -> \check{x}^TA^T = \check{x}^T\check{\lambda} -> \check{x}^TA = \check{x}^T\check{\lambda}$（每个矩阵，如果有一个特征值为a + bi,那么必有对应的共轭复数a - bi）
我们对这个式子两边乘以$x$,得:$\check{x}^TAx = \check{x}^T\check{\lambda}x$,我们再对$Ax = \lambda x$两边乘以$\check{x}$,得$\check{x}^TAx = \lambda \check{x}^Tx$
于是，将两个式子对比，有$\check{\lambda} = \lambda$,所以$\lambda$为实数

我们得出$\lambda$为实数有一个前提，那就是$\check{x}^Tx$不等于0，我们来看看它是什么形式

由此，我们也知道了一个复数向量乘以其共轭向量的转置，得到的必定大于0

之前我们推导的前提为A为实对称矩阵，那么A为复数矩阵呢?
我们知道，好的矩阵有两个性质:
1.$\lambda$为实数
2.特征向量正交
满足此性质的为$A = A^T(实数情况下)$，$A = \check{A}^T(复数情况下)$

再来看看$A = Q\Lambda Q^T$

由这个等式，可以知道每个对称矩阵都是互相正交的投影矩阵的组合

当我们知道对称矩阵的特征值为实数时，我们就想知道这些特征值到底为正数还是负数(之前的课里讲过,微分方程以及幂方程的收敛性都与$\lambda$有关，因此它的正负号很重要),那么我们应该如何得知?答案是通过主元(即pivot)!!!

引入一个定理:
如果A是对称矩阵，则它的主元符号与特征值符号相同,数目也相同

Positive Definite Matrices

正定矩阵的性质:
对称矩阵且主元,特征值和所有子行列式(需要检查n个)都为正数

为什么行列式要检查所有n个子行列式?看看这个例子:
$\left[ \begin{matrix} -1 & 0 \\ 0 & -3 \end{matrix} \right]$
行列式为整数，但是显然不是正定矩阵，因此我们要检查-1,4，发现-1不满足正数