matlab向量与x正方向的夹角_MIT—线性代数笔记25 对称矩阵和正定性

第25讲 对称矩阵和正定性

Symmetric matrices and positive definiteness

网易公开课​open.163.com

进入第三单元学习，主题是正定矩阵及其应用。对称矩阵是最重要的矩阵之一，特征值为实数并且拥有一套正交特征向量。正定矩阵的性质则更好。

• 对称矩阵 Symmetric matrices

对称矩阵

。包含特殊性质的矩阵，例如Markov矩阵，其特征值和特征向量往往拥有一定特性。对称矩阵的特征值为实数，具有完全正交的特征向量。这里的“有”，是指可以选出一套完全正交的特征向量（例如在重特征值条件下，可能存在一个平面内向量都可以作为特征向量）。

如果A具有n个线性无关的特征向量，可以对角化得到

。而对于对称矩阵，

，其中

Q为正交矩阵，列向量为标准正交基，这个公式本身还显示了矩阵的对称性。矩阵能够进行这种分解，在数学上称为“谱定理”（spectral theorem），将特征值视为“谱”，而在物理上称之为“主轴定理”。

• 实特征值 Real eigenvalues

矩阵A具有特征值

和特征向量

x，则有

。若为复数，则其共轭复数满足

。两侧取转置，则有：

，

两侧同乘x，则：

，

因为矩阵为对称矩阵，则有：

,若

则有

,即

为实数。

因为

为

x的共轭，因此两者点积得到的是 x中的每一分量与其共轭复数的乘积之和，即复向量 x之模，当且仅当 x= 0时，其模为0。

因此得证

为实数。

对于复矩阵A，若有

则上面的推导全部成立，因此共轭对称复矩阵

A的特征值为实数。

对于对称矩阵，

，可以写作：

矩阵

是朝向向量

qk的投影矩阵，所以每一个对称矩阵都是正交投影矩阵的线性组合。这是理解谱定理的另一种方法。

当确认矩阵特征值为实数后，下一个要考虑的问题就是它是正还是负数，因为这影响着微分方程中体系的稳定与否。但是对于大型矩阵通过计算

得到特征值进行判定难以实现，即使用MATLAB求解结果也不一定可靠，但MATLAB可以得到矩阵的主元，而对称阵的主元中正负数的个数与特征值相同，即正主元的数目等于正特征值的数目。

---

对于对称阵主元与特征值符号相匹配这件事情，通常是用合同矩阵的惯性定理加以证明。若存在可逆矩阵 C 满足

，就称

A 与 B 为合同矩阵，惯性定理是指矩阵的特征值符号经过合同变换后不发生变化。对称阵 A 经过消元操作可得

，而经过对角化处理得到

，两者比较可知

，因此两个对角阵为合同矩阵，主元和特征值的符号匹配。

G.Strang 在书里给了一个接近同伦理论的证明：对于对称矩阵 可做分解，如

，在下三角阵转变

的过程中，矩阵的变化为

，矩阵的特征值也从4，-2 变为1，-8（即原矩阵的主元）。这个过程中如果特征值发生符号变化，则总有一个瞬间特征值穿过0点，那个瞬间矩阵应该是奇异阵，但是相乘的三个矩阵一直是非奇异阵，因此不可能有这样一个时刻存在，所以特征值不会发生符号变化，即和主元符号保持一致。

---

矩阵A+bI的特征值比矩阵A的特征值大b，可以通过A+bI的主元来了解矩阵A的特征值与b的大小关系，因此利用这个性质可以估计特征值的状态。

• 正定矩阵 Positive definite matrices

正定矩阵A是特征值都为正数的对称矩阵。它的主元也均为正数。

例如矩阵A=

。主元为5和det

A/5=11/5。对称矩阵主元都为正数，则是正定矩阵。计算其特征值为：

，

。

因为主元和特征值都是正的，可以知道正定矩阵的特征值也是正的。但是反之并不成立。矩阵

的行列式也是正的，但不是正定矩阵。

若将行列式作为正定的判据，则要求n阶矩阵左上角的所有kxk（1<=k<=n）子行列式（subdeterminant）数值均为正，矩阵确定为正定矩阵。

本讲的内容将之前教授的主元、行列式和特征值的概念结合在了一起，对于正定矩阵这些都是正的，当完全掌握了它们的性质后会推广到非对称矩阵，甚至非方阵。