{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# 第二十六讲：对称矩阵及正定性\n",
    "\n",
    "## 对称矩阵\n",
    "\n",
    "前面我们学习了矩阵的特征值与特征向量，也了解了一些特殊的矩阵及其特征值、特征向量，特殊矩阵的特殊性应该会反映在其特征值、特征向量中。如马尔科夫矩阵，有一特征值为$1$，本讲介绍（实）对称矩阵。\n",
    "\n",
    "先提前介绍两个对称矩阵的特性：\n",
    "\n",
    "1. 特征值为实数；（对比第二十一讲介绍的旋转矩阵，其特征值为纯虚数。）\n",
    "2. 特征向量相互正交。（当特征值重复时，特征向量也可以从子空间中选出相互正交正交的向量。）\n",
    "\n",
    "典型的状况是，特征值不重复，特征向量相互正交。\n",
    "\n",
    "* 那么在通常（可对角化）情况下，一个矩阵可以化为：$A=S\\varLambda S^{-1}$；\n",
    "* 在矩阵对称的情况下，通过性质2可知，由特征向量组成的矩阵$S$中的列向量是相互正交的，此时如果我们把特征向量的长度统一化为$1$，就可以得到一组标准正交的特征向量。则对于对称矩阵有$A=Q\\varLambda Q^{-1}$，而对于标准正交矩阵，有$Q=Q^T$，所以对称矩阵可以写为$$A=Q\\varLambda Q^T\\tag{1}$$\n",
    "\n",
    "观察$(1)$式，我们发现这个分解本身就代表着对称，$\\left(Q\\varLambda Q^T\\right)^T=\\left(Q^T\\right)^T\\varLambda^TQ^T=Q\\varLambda Q^T$。$(1)$式在数学上叫做谱定理（spectral theorem），谱就是指矩阵特征值的集合。（该名称来自光谱，指一些纯事物的集合，就像将特征值分解成为特征值与特征向量。）在力学上称之为主轴定理（principle axis theorem），从几何上看，它意味着如果给定某种材料，在合适的轴上来看，它就变成对角化的，方向就不会重复。\n",
    "\n",
    "* 现在我们来证明性质1。对于矩阵$\\underline{Ax=\\lambda x}$，对于其共轭部分总有$\\bar A\\bar x=\\bar\\lambda \\bar x$，根据前提条件我们只讨论实矩阵，则有$A\\bar x=\\bar\\lambda \\bar x$，将等式两边取转置有$\\overline{\\bar{x}^TA=\\bar{x}^T\\bar\\lambda}$。将“下划线”式两边左乘$\\bar{x}^T$有$\\bar{x}^TAx=\\bar{x}^T\\lambda x$，“上划线”式两边右乘$x$有$\\bar{x}^TAx=\\bar{x}^T\\bar\\lambda x$，观察发现这两个式子左边是一样的，所以$\\bar{x}^T\\lambda x=\\bar{x}^T\\bar\\lambda x$，则有$\\lambda=\\bar{\\lambda}$（这里有个条件，$\\bar{x}^Tx\\neq 0$），证毕。\n",
    "\n",
    "    观察这个前提条件，$\\bar{x}^Tx=\\begin{bmatrix}\\bar x_1&\\bar x_2&\\cdots&\\bar x_n\\end{bmatrix}\\begin{bmatrix}x_1\\\\x_2\\\\\\vdots\\\\x_n\\end{bmatrix}=\\bar x_1x_1+\\bar x_2x_2+\\cdots+\\bar x_nx_n$，设$x_1=a+ib, \\bar x_1=a-ib$则$\\bar x_1x_1=a^2+b^2$，所以有$\\bar{x}^Tx>0$。而$\\bar{x}^Tx$就是$x$长度的平方。\n",
    "\n",
    "    拓展这个性质，当$A$为复矩阵，根据上面的推导，则矩阵必须满足$A=\\bar{A}^T$时，才有性质1、性质2成立（教授称具有这种特征值为实数、特征向量相互正交的矩阵为“好矩阵”）。\n",
    "\n",
    "继续研究$A=Q\\varLambda Q^T=\\Bigg[q_1\\ q_2\\ \\cdots\\ q_n\\Bigg]\\begin{bmatrix}\\lambda_1& &\\cdots& \\\\&\\lambda_2&\\cdots&\\\\\\vdots&\\vdots&\\ddots&\\vdots\\\\& &\\cdots&\\lambda_n\\end{bmatrix}\\begin{bmatrix}\\quad q_1^T\\quad\\\\\\quad q_1^T\\quad\\\\\\quad \\vdots \\quad\\\\\\quad q_1^T\\quad\\end{bmatrix}=\\lambda_1q_1q_1^T+\\lambda_2q_2q_2^T+\\cdots+\\lambda_nq_nq_n^T$，注意这个展开式中的$qq^T$，$q$是单位列向量所以$q^Tq=1$，结合我们在第十五讲所学的投影矩阵的知识有$\\frac{qq^T}{q^Tq}=qq^T$是一个投影矩阵，很容易验证其性质，比如平方它会得到$qq^Tqq^T=qq^T$于是多次投影不变等。\n",
    "\n",
    "**每一个对称矩阵都可以分解为一系列相互正交的投影矩阵。**\n",
    "\n",
    "在知道对称矩阵的特征值皆为实数后，我们再来讨论这些实数的符号，因为特征值的正负号会影响微分方程的收敛情况（第二十三讲，需要实部为负的特征值保证收敛）。用消元法取得矩阵的主元，观察主元的符号，**主元符号的正负数量与特征向量的正负数量相同**。\n",
    "\n",
    "## 正定性\n",
    "\n",
    "如果对称矩阵是“好矩阵”，则正定矩阵（positive definite）是其一个更好的子类。正定矩阵指特征值均为正数的矩阵（根据上面的性质有矩阵的主元均为正）。\n",
    "\n",
    "举个例子，$\\begin{bmatrix}5&2\\\\2&3\\end{bmatrix}$，由行列式消元知其主元为$5,\\frac{11}{5}$，按一般的方法求特征值有$\\begin{vmatrix}5-\\lambda&2\\\\2&3-lambda\\end{vmatrix}=\\lambda^2-8\\lambda+11=0, \\lambda=4\\pm\\sqrt 5$。\n",
    "\n",
    "正定矩阵的另一个性质是，所有子行列式为正。对上面的例子有$\\begin{vmatrix}5\\end{vmatrix}=5, \\begin{vmatrix}5&2\\\\2&3\\end{vmatrix}=11$。\n",
    "\n",
    "我们看到正定矩阵将早期学习的的消元主元、中期学习的的行列式、后期学习的特征值结合在了一起。"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.5.2"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 0
}