本部分从对称矩阵的特征值、特征向量为出发点,并引出正定矩阵
1.对称矩阵
对称矩阵有如下两个性质:
(
1
)
A
=
A
T
(1)\textbf{A}\:=\:\textbf{A}^T
(1)A=AT
(2)有正交的特征向量
其中第二点说的是,可以挑的出来一组正交特征向量,例如重特征根的情况。
1.1对称矩阵分解
从对称矩阵性质二可知,其特征向量必然线性无关,这是矩阵对角化分解的条件,对于对角化而言,通常我们表达为
A
=
S
∧
S
−
1
A=S\wedge S^{-1}
A=S∧S−1其中S是特征向量组成的矩阵。
对于对称矩阵的对角分解表达为
A
=
Q
∧
Q
−
1
=
Q
∧
Q
T
A\:=\:Q\:\wedge\:Q^{-1}=Q\wedge Q^T
A=Q∧Q−1=Q∧QT其中W的列向量标准正交
Q
T
=
Q
−
1
Q^T=Q^{-1}
QT=Q−1.
其实本身
A
=
Q
Λ
Q
T
\mathbf{A}\:=\:\mathbf{Q}\Lambda\mathbf{Q}^{T}
A=QΛQT形式就是对称的
(
Q
Λ
Q
T
)
T
=
Q
Λ
Q
T
(\mathbb{Q}\Lambda Q^T)^T\:=\:\mathbb{Q}\Lambda Q^T
(QΛQT)T=QΛQT。所以一旦确定某个矩阵是征订的,就可以将其分解成上述形式。
1.2对称矩阵的特征值
对称矩阵的特征值都是实数,但是为什么?
A
x
=
λ
x
Ax=\lambda x
Ax=λx
对该公式取共轭可得:
A
x
−
=
λ
−
x
−
A\:\overset{-}{x}=\overset{-}{\lambda}\overset{-}{x}
Ax−=λ−x−
然后再转置:
−
T
x
A
=
−
T
x
λ
‾
\begin{matrix}_{-^T}\\ x\end{matrix}A=\begin{matrix}_{-^T}\\ x\end{matrix}\overline{\lambda}
−TxA=−Txλ
然后再左乘x:
x
−
T
A
x
=
x
−
T
λ
‾
x
\stackrel{-T}{x}Ax=\stackrel{-T}{x}\overline{\lambda}x
x−TAx=x−Tλx
因为本身
A
x
=
λ
x
Ax=\lambda x
Ax=λx
所以左乘x后的式子可以变成:
x
ˉ
T
A
x
=
λ
x
ˉ
T
x
\bar{x}^T\mathrm{Ax}=\lambda\bar{x}^T x
xˉTAx=λxˉTx继而推出:
λ
=
λ
‾
\lambda=\overline{{{\lambda}}}
λ=λ因此
λ
\lambda
λ是实数。那么知道了对称矩阵特征值是实数之后,有没有办法判断是正实数还是负实数?
对称矩阵的性质:
(1)对称矩阵的主元正负个数与特征值的正负个数一致
有几个正的主元,特征值就有几个正的。
(2)对称矩阵的主元乘积等于特征值的乘积(行列式的值)
2.正定矩阵
正定矩阵就是一类对称矩阵,在对称的前提下满足下列条件:
(1)所有特征值都是正实数
(2)所有主元为正
(3)所有子行列式为正
例如:
[
5
2
2
3
]
\begin{bmatrix}5&2\\ 2&3\end{bmatrix}
[5223]
对矩阵消元可以得到主元分别为:5,11/5都是证书,而且这个矩阵是对称矩阵,所以该矩阵正定。
求取其特征值为:
λ
=
4
±
5
\lambda=4\pm\sqrt{5}
λ=4±5
特征值的积等于矩阵行列式,所以这个矩阵的行列式也是正的。但反过来不一定成立,并非所有特征值为正的矩阵都是正定矩阵,例如
[
−
1
0
0
−
3
]
\begin{bmatrix}-1&0\\ 0&-3\end{bmatrix}
[−100−3]