![f7e8fce81ed885c51ef6426694e9ba5d.png](https://img-blog.csdnimg.cn/img_convert/f7e8fce81ed885c51ef6426694e9ba5d.png)
当是对称的时候,
有什么特殊的呢?
1. 对称矩阵的分解
如果
对称矩阵具有如下的性质:
- 它们的特征值都是实数;
- 可以选取出一组标准正交的特征向量。
每个对称矩阵都可以分解为,
中为实数的特征值,
中为标准正交的特征向量。
- 例 1
特征值和特征向量分别为:
特征向量
一个实对称矩阵的所有特征值都是实数。
证明
实数的共轭还是它本身,两个数积的共轭等于共轭的积,即
对 (1) 进行转置可得
将
由于右边为向量长度的平方,因此不为零。对比 (3) 、(4) 两式可得
一个实对称矩阵的所有特征向量(对应于不同特征值)是正交的。
证明
假设有
等式左边为
- 例 2
特征向量分别为:
两个特征值的和为矩阵的迹,即对角线元素的和。
我们再来看
扩展到
2. 实矩阵的复特征向量
针对对称矩阵,其特征值和特征向量都是实的。但是,非对称矩阵非常容易得到虚的特征值和特征向量。在这种情况下,
针对实矩阵,复数的特征值和特征向量总是一对共轭对。
![82e70ebf0f0e21d217daabfaf124ad0c.png](https://img-blog.csdnimg.cn/img_convert/82e70ebf0f0e21d217daabfaf124ad0c.png)
3. 特征值和主元
矩阵的主元和特征值是非常不同的,主元是通过消元得到的,而特征值是通过求解
针对对称矩阵,还有一个隐藏的关系:主元的符号和特征值的符号一致,也就是正的主元个数等于正的特征值的个数。
证明
对称矩阵可以被分解为
![371a43df6f07a1077c0007d8d82d5968.png](https://img-blog.csdnimg.cn/img_convert/371a43df6f07a1077c0007d8d82d5968.png)
当
特别地,所有的特征值都大于零,也就是所有的主元都大于零,这种情况下,矩阵就称之为是正定的。
4. 重复的特征值
当没有重复特征值的时候,特征向量一定是线性不相关的,这时候矩阵一定可以被对角化。但是一个重复的特征值可能会导致特征向量的缺乏,这有些时候会发生在非对称矩阵上,但是对称矩阵一定会有足够的特征向量来进行对角化。
证明
![a5768efa58d9cefe5d74ba616b0a68d0.png](https://img-blog.csdnimg.cn/img_convert/a5768efa58d9cefe5d74ba616b0a68d0.png)