MIT-线性代数笔记（下）.pdf

麻省理工学院公开课 MIT OpenCourseWare 18.06 线性代数 Linear Algebra 第三单元 正定矩阵以及应用 Unit 3 Positive Definite Matrices Applications 第 25 讲 对称矩阵和正定性 第 26 讲 复矩阵；快速傅里叶变换 第 27 讲 正定矩阵和最小值 第 28 讲 相似矩阵和若尔当标准型 第 29 讲 奇异值分解 第 30 讲 线性变换及对应矩阵 第 31 讲 基变换和图像压缩 第 32 讲 复习三 第 33 讲 左右逆和伪逆矩阵 第 34 讲 总复习 douTintin14 1    第 25 讲 对称矩阵和正定性 Symmetric matrices and positive definiteness 对称矩阵是最重要的矩阵之一，其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 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 T 特性。对称矩阵 A =A 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 A =SΛS -1。而对于对 称矩阵，A =QΛQ -1 =QΛQ T ，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”，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Ax =x。若为复数，则其共轭复数 满足 Ax=λx 。两侧取转置，则有： T T T x A =x λ ， 两侧同乘 x ，则： T T T x A x=x λx ， 因为矩阵为对称矩阵，所以有： T T x λx=x λx 。 T 因此若有x x ≠0 则λ=λ ，即为实数。 T 因为x 为 x 的共轭，因此两者点积 x x 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 的模，当且仅当 x =0 时，其模为 0。