26.对称矩阵及正定性

1. 对称矩阵

1. 1 对称矩阵的性质

首先对称矩阵是方阵，满足如下条件

• 元素关于主轴对称
  $$\begin{array}{c}{a}_{ij}=a_{ji};A=A^T\end{array}$$
• 对称矩阵A的特征值为实数，通常叫实对称矩阵；
• 特征向量相互正交。

1.2 证明特征值为实数

我们定义矩阵A的特征值为 $\lambda =a+bi$,特征向量x,其对特征值 $\bar{\lambda }=a-bi$,其对应向量 $\bar{x}$，因为A为实对称矩阵，所以$A=\bar{A}$
$$\begin{array}{c}Ax=\lambda x;\bar{A}\bar{x}=A\bar{x}=\bar{\lambda }\bar{x};\end{array}$$

• 对$A\bar{x}=\bar{\lambda }\bar{x}$转置：
  $$\begin{array}{c}(A\bar{x}{)}^T=(\bar{\lambda }\bar{x}{)}^T;{\bar{x}}^T{A}^T={\bar{x}}^T{\bar{\lambda }}^T;A=A^T\end{array}$$
  $$\begin{array}{c}{\bar{x}}^{T}A={\bar{x}}^T{\bar{\lambda }}^T={\bar{x}}^T{\bar{\lambda }}^T;{\bar{x}}^{T}Ax=\bar{\lambda }{\bar{x}}^{T}x;\end{array}$$
  $$\begin{array}{c}Ax=\lambda x;\Rightarrow {\bar{x}}^{T}Ax=\lambda {\bar{x}}^{T}x\end{array}$$
• 以上两个公式可得：
  $$\begin{array}{c}{\bar{x}}^{T}Ax=\lambda {\bar{x}}^{T}x;{\bar{x}}^{T}Ax=\bar{\lambda }{\bar{x}}^{T}x;\Rightarrow \lambda =\bar{\lambda }\end{array}$$
• 整理可得：
  $$\begin{array}{c}a+bi=a-bi\Rightarrow b=0\Rightarrow \lambda =\bar{\lambda }=a\end{array}$$
• 结论：！！！实对称矩阵A的特征值为实数！！！！

2. 矩阵分解

一般情况下，我们对矩阵A可以进行特征值和特征向量分解，形式如下：
$$\begin{array}{c}A=S\Lambda S^{-1}\end{array}$$

• 因为我们的矩阵A为对称矩阵，单位正交特征向量矩阵$Q^T=Q=Q^{-1}$,那么整体代入可得：
  $$\begin{array}{c}A=Q\Lambda Q^T\end{array}$$
• 什么是一个好的矩阵？
  好的矩阵是特征值 $\lambda$ 为实数，特征向量$x_i,x_j$相互正交。而实对称矩阵A满足以上两个条件。
• 实对称矩阵A，$A=A^T$矩阵分解如下：
  $$\begin{array}{c}A=Q\Lambda Q^T=\left[\begin{array}{cccc}{q}_1& q_2& \cdots & q_n\end{array}\right]\left[\begin{array}{cccc}{\lambda }_1& & & \\ & & & \\ & {\lambda }_2& & \\ & & & \\ & & \ddots & \\ & & & \\ & & & {\lambda }_n\end{array}\right]\left[\begin{array}{c}{q}_1^T\\ \\ q_2^T\\ \\ ⋮\\ \\ q_n^T\end{array}\right]={\lambda }_1{q}_1{q}_1^T+{\lambda }_2{q}_2{q}_2^T+\cdots +{\lambda }_n{q}_n{q}_n^T\end{array}$$
• 重点！！！，我们将每个$q_i{q}_i^T$挑出来：,我们知道$|q_i|=1$
  $$\begin{array}{c}P=\frac{q_i{q}_i^T}{1^2}=\frac{q_i{q}_i^T}{q_i^T{q}_i};每一个小分量居然是投影矩阵！！！果然是叫谱分解定理！！！\end{array}$$
  可以将矩阵A想象成一束光，每一个$q_i{q}_i^T$就相当于每个单色的成分的光，而 ${\lambda }_i$ 就相当于这个单色光所对应的比例，通过将 n种光进行不同比例的叠加，最后合成矩阵A。
• 每一个对称矩阵A都是由一些互相垂直的投影矩阵组合而成。我们可以将矩阵A想象成一幅画，每个投影矩阵 $q_i^T{q}_i$ 相当于一个图层平面，我们通过不同的图层叠加后形成一幅多彩的画，真神奇！！！

3. 微分方程的稳态

我们知道在解微分方程的时候，发现矩阵A的特征值小于等于零的时候，整个系统趋近于稳态，所以对于实对称矩阵A来说，我们希望知道矩阵A的特征值是多少，以便能更快的判断出整个系统是否会达到稳定，或者系统发散。但是当我们的矩阵A为50X50的时候，我们按照解特征值方程的方法：
$$\begin{array}{c}|A-\lambda I|=0\Rightarrow ({\lambda }_1-k_1)({\lambda }_2-k_2)\cdots ({\lambda }_{50}-k_{50})\end{array}$$
发现居然需要分解一个50次方的方程，也许一辈子都无法解决，想我们明明只是为了看看特征值符号的正负，所以我们通过特征值的正符号个数和矩阵A的主元正符号一致来间接的判断特征值为正数的个数。

3.1 正定对称矩阵

正定对称矩阵能保证特征值为正实数，所有的主元都是正数。我们有如下思路：

• 矩阵特征值为正数的个数=矩阵主元为正数的个数=矩阵的顺序主子式为整数的个数
  顺序主子式表示如下：
  $$\begin{array}{c}\left|\begin{array}{c}{a}_{11}\end{array}\right|,\left|\begin{array}{cc}{a}_{11}& a_{12}\\ & \\ a_{21}& a_{22}\end{array}\right|,\left|\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ & & \\ a_{21}& a_{22}& a_{23}\\ & & \\ a_{31}& a_{32}& a_{33}\end{array}\right|\end{array}$$
  这样我们就能通过实对称矩阵A的顺序主子式正数的个数来判断矩阵特征值为正数的个数