对称矩阵、复矩阵、傅里叶变换、正定矩阵

矩阵的特殊性也表现在eigenvalue和eigenvector上

马尔科夫矩阵，有一特征值为1

开始MIT线性代数课的最后一大部分，关于正定矩阵，对称，奇异值分解。这些都是线性代数的应用或者升华。明显比前两大块要抽象，也更加贴近应用。
 

对称矩阵中的极品:正定矩阵(所有特征值都 > 0)更是好东西，在现实应用中经常出现。

对称矩阵、

对称矩阵可是好东西，性质真是各种好：eigenvalue都是实数、eigenvector互相垂直

e.g.单位矩阵：eigenvalue都是1 ；每个向量都是eigenvector

如果特征值互不相同，那么每个特征值的特征向量是在一条线上，那些线是垂直的，

如果特征值重复，那就有一整个平面的特征向量，

如果一个向量有n个线性无关的特征向量，那么有  

如果A还是对称矩阵，那么有  。

对称矩阵的分解形式，这个分解完全展现了特征值、特征向量、对称性等所有性质，

这些特征值叫做谱（spectrum 就是矩阵的特征值集合）。光谱理论，as a combination of pure things,;   力学上，主轴定理principle axis theorem，几何上来看，如果给定某种实体，在合适的轴上来看，各方向之间不相互耦合。

why real eigenvalues？

λ 是一个数，不是矩阵

Ax=λx  ---A是实矩阵，always-->      ==>     ---对称--->   

取内积：

                                                                                                   

      λ  is real！     if