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。