当 (A) 是对称的时候,(Ax=lambda x) 有什么特殊的呢?
1. 对称矩阵的分解
如果 (A) 是对称矩阵,也就是 (A=A^T)。对比以上两个式子,我们可以得到 (S^{-1}=S^T),也就是 (S^TS=I),特征向量矩阵 (S) 是正交的。
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 (A=QLambda Q^{-1}=QLambda Q^T),(Lambda) 中为实数的特征值,(S=Q) 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 (x_1) 位于零空间,特征向量 (x_2) 位于列空间。有子空间基本定理可知,零空间正交于行空间,这里 (A) 是对称矩阵,所以列空间和行空间是一样的,因此两个特征向量是垂直的。而要得到标准正交向量,我们只需再除以它们各自的长度即可。所以有:
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 (overline{AB}=ar A ar B)。
对 (1) 进行转置可得
将 (Ax=lambda x) 乘以 (ar x^T),将 (2) 式乘以 (x),可得
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 (ar lambda= lambda),所以对称矩阵的特征值一定为实数。
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 (Ax=lambda_1 x) 和 (Ay=lambda_2 y),并且 (lambda_1 ot = lambda_2),那么
等式左边为 (x^Tlambda_1y),等式右边为 (x^Tlambda_2y),因为 (lambda_1 ot = lambda_2),所以有 (x^Ty=0),也即两个特征向量垂直。
- 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 (2×2) 矩阵分解后的结果
扩展到 (n) 维的情况,(A=sum_i^nlambda_i x_ix_i^T),其中每一个 (x_ix_i^T) 都是投影矩阵,(P=frac{xx^T}{x^Tx}),特征向量的长度为 1,所以分母略去了。也就是说,对称矩阵是其特征向量投影矩阵的线性组合。
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,(Ax=lambda x) 和 (Aar x=ar lambdaar x) 是不同的,我们得到了一个新的特征值 (ar lambda) 和新的特征向量 (ar x)。
针对实矩阵,复数的特征值和特征向量总是一对共轭对。
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 (det(A-lambda I)=0) 得到的。到目前为止,它们唯一的联系就是:所有主元的乘积等于所有特征值的乘积,都等于矩阵的行列式值。
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 (A=LDL^T) 的形式。
当 (L) 变成 (I) 的时候,(LDL^T) 就变成了 (IDI^T),也就是由 (A) 变成了 (D)。(A) 的特征值为 4 和 -2,(D) 的特征值为 1 和 -8。当 (L) 中左下角的元素从 3 变到 0 的时候, (L) 就变成了 (I)。在这个过程中,如果特征值符号发生改变的话,那肯定会有一个中间时刻,这时候特征值为 0,也就意味着矩阵是奇异的。但是最后的矩阵 (D) 一直有两个主元,始终是可逆的,从来不可能是奇异的,因此特征值的符号不会发生改变。
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
获取更多精彩,请关注「seniusen」!