这部分我们关注有正特征值的对称矩阵。如果对称性使得一个矩阵重要,那么所有特征值大于零这个额外属性则让这个矩阵真正特殊。但我们这里的特殊并不是稀少,事实上在各种应用中具有正特征值的对称矩阵非常常见,它们被称作正定矩阵。
我们可以通过检查特征值是否大于零来识别正定矩阵,但计算特征值是一项工作,当我们真正需要它们的时候我们可以进行计算,而如果我们仅仅想知道它们是否是正的,我们有更快的方式。
1. 正定矩阵的判断
首先,由于矩阵是对称的,所有的特征值自然都是实数。让我们以一个 2×2 的矩阵开始,
A 的特征值是正的当且仅当 (a > 0) 并且 (ac-b^2>0)。
如果 2×2 矩阵的特征值 (lambda_1>0),(lambda_2>0),那么它们的乘积等于行列式, (lambda_1lambda_2=|A|=ac-b^2>0),它们的和等于矩阵的迹,(lambda_1+lambda_2=a+c>0),所以 (a) 和 (c)都必须是正的。
A 的特征值是正的当且仅当主元是正的。
这连接了线性代数的两大部分,正的特征值意味着正的主元,反之亦然。而且,主元往往比特征值计算得更快。
- 基于能量的定义
所以,如果特征值大于零,(x^TAx) 对于所有的特征向量也大于零。事实上,不仅仅是特征向量,针对任意非零向量 (x),上式也同样成立。
A 是正定的,如果有 (x^TAx > 0) 对任意非零向量都成立。
从这个定义中我们可以得出,如果 (A, B) 是对称的正定矩阵,那么 (A+B) 也是.
如果 (R) 的列是不相关的,那么 (A=R^TR) 是正定的。
因为 (R) 的列是不相关的,所以针对任意非零向量 (x),(Rx ot = oldsymbol{0})。
当一个对称的矩阵具有下列五个属性之一,那么它一定满足所有的属性。
-
- 所有的 (n) 个主元是正的。
-
- 所有的 (n) 个左上行列式是正的,也就是 (1×1, 2×2 cdots n×n) 的行列式。
-
- 所有的 (n) 个特征值是正的。
-
- (x^TAx>0) 除了零向量。
-
- (A=R^TR) 对于一个有着不相关列的矩阵 (R)。
2. 半正定矩阵
经常情况我们会在正定的边缘,行列式为零,最小的特征值为零,这些在边缘的矩阵被称为半正定矩阵。
(A) 的特征值为 5 和 0,左上行列式为 1 和 0,它的秩为 1,可以被分解为具有相关列的矩阵 (R^TR)。
如果将元素 4 增加一个任意小的数字,那么矩阵将会变成正定的。同样地, (B) 也可以写成 (R^TR) 的形式,但是 (R) 的列肯定是相关的。
3. 第一个应用:椭圆 (ax^2+2bxy+cy^2=1)
- 倾斜的椭圆和矩阵 A 联系在一起,(x^TAx=1)。
- 排好的椭圆和矩阵 (Lambda) 联系在一起,(X^TLambda X=1)。
- 将椭圆排好的旋转矩阵则是特征向量矩阵 (Q)。
针对椭圆方程 (5x^2+8xy+5y^2=1),我们有:
将 (A) 分解为 (QLambda Q^T) 我们得到:
椭圆方程则也可以重写为:
可以看到,方程的系数是两个特征值 9 和 0,而在平方内部则是两个特征向量 ((1, 1)/sqrt 2) 和 ((1, -1)/sqrt 2)。椭圆的坐标轴是沿着特征向量的方向,这也就是为什么 (A=QLambda Q^T) 被称作主轴定理,特征向量指出了坐标轴的方向,特征值则指出了长度。
将椭圆排好后,较大的特征值 9 给出了短半轴的长度 (1/sqrt lambda_1 = 1/3),较小的特征值 1 给出了长半轴的长度 (1/sqrt lambda_2 = 1)。在 (xy) 系统中,坐标轴沿着 (A) 的特征向量的方向,而在 (XY) 系统中,坐标轴沿着 (Lambda) 的特征向量的方向。
获取更多精彩,请关注「seniusen」!