线性代数系列（十六）--对称矩阵及其正定性

本文链接：https://blog.csdn.net/qq_41634283/article/details/99623537

本文深入探讨了对称矩阵的性质，包括其特征值为实数、特征向量正交的特点，以及如何通过谱定理进行矩阵分解。特别地，文章详细解释了为什么对称矩阵的特征值是实数，并讨论了正定矩阵的概念及其在微分方程稳定性判断中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

主要内容

对称矩阵

正文

对称矩阵

我们研究一个矩阵，通常就是研究这个矩阵的特征值和特征向量，矩阵的特殊性会在特征值和特征向量上体现出来，这是很重要的一种方法。对于对称矩阵 $A$ ，根据定义有这样的描述 $A=A^T$ 。首先我们有这样的事实：

特征值是实数
能够选择出一组相互垂直的特征向量。如果特征值不是重复的话，那么特征向量都是相互垂直的。

这是经过严格证明的，这里不做具体的证明，证明细节参考其他资料。不过我们可以给出一个特殊的例子，那就是单位矩阵，单位矩阵是一个对称矩阵，它有重复的特征值，但是他的特征向量都是相互垂直的。

通常的，我们有 $A=SΛS−1A=S\Lambda S^{-1}$ 。在对称矩阵中，特征向量都是相互垂直的，所以特征矩阵 $S$ 是一个正交矩阵，可以记为 $Q$ ，因此我们又有下面的公式： $A=QΛQ−1=QΛQTA=Q\Lambda Q^{-1}=Q\Lambda Q^T$ 这个公式在数学中叫做谱定理，所谓谱就是矩阵的特征值集合，意味着矩阵是一些纯元素的组合。这种将矩阵分解成特征值和特征向量在力学上常称之为主轴定理。

现在我们考虑为什么特征值是实数。对于实矩阵 $A$ ，首先有这样的事实 $Ax=λx⇒Axˉ=λˉxˉAx=\lambda x\quad\Rightarrow\quad A\bar{x}=\bar{\lambda} \bar{x}$ ，将它转置之后得到 $xˉTAT=xˉTλˉ\bar{x}^TA^T=\bar{x}^T\bar{\lambda}$ ，将 $Ax=λxAx=\lambda x$ 左乘 $xˉT\bar{x}^T$ ，将 $xˉTAT=xˉTλˉ\bar{x}^TA^T=\bar{x}^T\bar{\lambda}$ 右乘 $x$ 得到： $xˉTAx=xˉTλxxˉTATx=xˉTλˉx\bar{x}^TAx=\bar{x}^T\lambda x\qquad \bar{x}^TA^Tx=\bar{x}^T\bar{\lambda}x$ $hasA=AThas\quad A=A^T$ $getxˉTλx=xˉTλˉx⇒λˉxˉTx=λxˉTxwe\ get\quad \bar{x}^T\lambda x=\bar{x}^T\bar{\lambda}x\quad\Rightarrow\quad \bar{\lambda}\bar{x}^Tx=\lambda\bar{x}^Tx$ $xˉTx\bar{x}^Tx$ 表示特征向量的长度，它不为零，于是我们有 $λˉ=λ\bar{\lambda}=\lambda$ ，这里 $λ\lambda$ 只能是实数。在这个证明过程中主要使用了 $A=A^T$ 这一对称矩阵的特性。如果 $A$ 为复矩阵，那么会有这样的特性 $A=AˉTA=\bar{A}^T$ ，结合这个特性一样可以证明特征值为实数，由于复矩阵出现的非常少，这里就省略了证明。

我们再次将 $A=QΛQTA=Q\Lambda Q^T$ 展开： $[q1q2...qn][λ1λ2...λn][q1Tq2T:qnT]=λ1q1q1T+λ2q2q2T+...+λnqnqnT\begin{bmatrix}q_1&q_2&...&q_n\end{bmatrix}\begin{bmatrix}\lambda_1\\&\lambda_2\\&&...\\&&&\lambda_n\end{bmatrix}\begin{bmatrix}q_1^T\\q_2^T\\:\\q_n^T\end{bmatrix}=\lambda_1q_1q_1^T+\lambda_2q_2q_2^T+...+\lambda_nq_nq_n^T$ 在投影矩阵的时候我们就见过这种形式 $q_nq_n^T$ ，这是一个投影矩阵，它是对称的。从这个展开式上来看，每一个对称矩阵都是相互垂直的投影矩阵的组合。