Symmetric Matrices 在线性代数的理论和应用中具有很重要的地位,最为重要的一类矩阵
由对称矩阵和标准正交矩阵的性质知道： ：特征值为实数的对角阵 ：特征向量为标准正交基的矩阵
则对称矩阵矩阵可以对角化分解为：
S=Q\Lambda Q^{-1}=Q\Lambda Q^{T} \end{align}$$ $$\begin{align} S&=Q\Lambda Q^{T}=\begin{pmatrix} \\ \mathbf{q}_{1} & \cdots & \mathbf{q}_{n}\\ \\ \end{pmatrix} \begin{pmatrix} \lambda_{1}\\ & \ddots \\ & & \lambda_{n} \end{pmatrix}\begin{pmatrix} \mathbf{q}_{1}^{T}\\ \vdots\\ \mathbf{q}_{n}^{T} \end{pmatrix} \\ &=\lambda_{1}\mathbf{q}_{1}\mathbf{q}_{1}^{T}+\cdots+\lambda_{n}\mathbf{q}_{n}\mathbf{q}_{n}^{T} \end{align}$$ $$\begin{align} S\mathbf{q}_{i}=(\lambda_{1}\mathbf{q}_{1}\mathbf{q}_{1}^{T}+\cdots+\lambda_{n}\mathbf{q}_{n}\mathbf{q}_{n}^{T})\mathbf{q}_{i}=\lambda_{i}\mathbf{q}_{i} \end{align}$$ 非对称阵如果特征值为特征方程的重根，则不一定有完全线性独立的特征向量，也就是说不一定可以对角化,**但是对称矩阵一定可以对角化** ### 二次型 与[[二次型\|二次型]]紧密相关 - 给定一个二次型就能唯一确定一个对称矩阵 - 给定一个对称矩阵就能唯一确定一个二次型 ### 矩阵的正定性 希尔维斯特判据： 正定：矩阵的各阶主子式均大于零 #### 定义 正定矩阵 **Positive Definite Matrix** 正定矩阵是对称矩阵的一个特例，具有一些良好的性质，使得它在理论和实际问题中都非常有用。 特征值全为正数的对称矩阵(all $\lambda>0$) 半正定矩阵 PSD **Positive Semidefinite Matrix** 正定矩阵概念的扩展。 负定矩阵 半负定矩阵 #### 判别方法 ### 重要应用 检验是否有最小值 --- ## AI 结构化补充（2026-05-02） **Symmetric Matrices** 对称矩阵是满足A=A
的方阵，也就是主对角线两侧的元素互为镜像：$a_{ij}=a_{ji}$。它不是普通方阵的一个小修饰，而是把行结构和列结构绑定在一起的矩阵类型；许多关于长度、夹角、能量和曲率的问题最终都会落到对称矩阵上。 ### 基本性质 对称矩阵首先必须是方阵。若 $A=A^T$ 且 $A$ 可逆，则(A^{-1})^T=(A^T)^{-1}=A
(A^TA)^T=A^TA,\qquad (AA^T)^T=AA
因此 $A^TA$ 与 $AA^T$ 总是对称的，即使 $A$ 本身是长方形矩阵。$A^TA$ 记录 $A$ 的列向量两两内积，$AA^T$ 记录 $A$ 的行向量两两内积；它们通常不是同一个矩阵，维度也可能不同。 这种构造解释了为什么最小二乘、Gram 矩阵、正交投影和很多能量模型都反复出现 $A^TA$：它把一个一般线性映射转成了可由内积解释的对称对象。 ### 有限维谱结构 实对称矩阵的特殊性可以概括为两点：全部[[特征值和特征向量\|特征值]]为实数，并且可以选出一组[[标准正交基\|正交归一]]特征向量。因此对称矩阵的[[矩阵对角化\|对角化]]不是一般的 $X\Lambda X^{-1}$，而是正交对角化：S=Q\Lambda Q^T,\qquad Q
这里 $Q$ 的列向量 $q_1,\ldots,q_n$ 是单位正交特征向量，$\Lambda$ 是实特征值对角矩阵。展开成秩一投影的形式就是S=\lambda_1q_1q_1^T+\cdots+\lambda_nq_nq_n
每个 $q_iq_i^T$ 把向量投影到第 $i$ 个主方向，$\lambda_i$ 给出该方向上的伸缩系数。非对称矩阵即使有重特征值，也不一定有足够多的线性无关特征向量；实对称矩阵则总能正交对角化。 一个典型的二阶例子是S=\begin{pmatrix}1&2\2&4\end{pmatrix}.
\det(S-\lambda I)=\lambda
所以特征值是 $\lambda=0,5$。可取对应特征向量x_0=\begin{pmatrix}2\-1\end{pmatrix},\qquad x_5=\begin{pmatrix}1\2\end{pmatrix},
并且 $x_0^Tx_5=0$。归一化后，q_0=\frac1{\sqrt5}\begin{pmatrix}2\-1\end{pmatrix},\qquad q_5=\frac1{\sqrt5}\begin{pmatrix}1\2\end{pmatrix},
Q=\frac1{\sqrt5}\begin{pmatrix}2&1\-1&2\end{pmatrix},\qquad \Lambda=\begin{pmatrix}0&0\0&5\end{pmatrix},\qquad S=Q\Lambda Q
这个例子也说明了为什么对称性会强迫正交性：$\lambda=0$ 的特征向量在零空间中，$\lambda=5$ 的特征向量在列空间中；对称矩阵的行空间与列空间相同，而零空间垂直于行空间。 ### 复数边界 实对称矩阵有实特征值，但这个结论不能推广到所有实矩阵。对任意实矩阵，若存在复特征值\lambda=a+ib,
\overline{\lambda}=a-ib
R_\theta=\begin{pmatrix}\cos\theta&-\sin\theta\ \sin\theta&\cos\theta\end{pmatrix}
\lambda_1=\cos\theta+i\sin\theta,\qquad \lambda_2=\cos\theta-i\sin\theta.
因此“实矩阵”本身并不保证实谱；真正关键的是对称性。进入复矩阵时，正确的对应条件也不是单纯的 $S^T=S$，而是 Hermitian 条件S=\overline{S}
相对地，实反对称矩阵 $A=-A^T$ 的特征值会落在纯虚方向上。 这类反对称矩阵在复内积下仍可选出正交归一的复特征向量，但其特征值不再是实数。 ### 二次型入口 对称矩阵与[[二次型\|二次型]]一一对应。给定实对称矩阵 $S$，二次型是q(x)=x
反过来，一个实二次型中的交叉项可以唯一归入对称矩阵：$x_ix_j$ 与 $x_jx_i$ 合并后放到 $s_{ij}=s_{ji}$。因此二次型天然只看矩阵的对称部分。对任意实矩阵 $M$，x^TMx=x^T\left(\frac{M+M
S\succ 0 \quad \Longleftrightarrow \quad x^TSx>0\quad (x\ne 0).
若 $S=Q\Lambda Q^T$，则 $x^TSx=\sum_i \lambda_i z_i^2$，其中 $z=Q^Tx$。所以正定等价于所有特征值为正；半正定等价于所有特征值非负。希尔维斯特判据则给出另一种判别方式：实对称矩阵正定当且仅当所有顺序主子式均大于零。 ### 消元与 $LDL^T$ 普通消元把矩阵写成 $A=LDU$ 或 $A=LU$，但这个形式会隐藏对称性。若 $S=S^T$，并且消元过程中不需要行交换，则S=LDL
这里 $L$ 是单位下三角矩阵，$D$ 是由主元组成的对角矩阵，最后一个因子不是独立的 $U$，而是 $L^T$。原因是对称矩阵的上三角部分由下三角部分转置得到；消元乘子写进 $L$ 后，右侧对应部分自动是 $L^T$。 这个分解保留了对称矩阵的结构：(LDL^T)^T=LD^TL^T=LDL
由于 $D$ 本身对称，整个乘积必然对称。计算上，$LDL^T$ 只需存储 $L$ 和 $D$，不必额外存储一个独立的 $U$；理论上，它也把主元符号直接暴露出来，方便判断正定、不定和半正定情形。 对实对称矩阵，主元符号和特征值符号还有更强的对应关系：在无零主元的 $LDL^T$ 分解下，正特征值的个数等于正主元的个数，负特征值的个数也相应匹配。直观证明是把S=LDL
中的 $L$ 连续变到 $I$，矩阵从 $LDL^T$ 连续变为 $D$。特征值在这个过程中连续移动；只要主元不为零，矩阵不经过奇异状态，特征值就不能穿过 $0$ 改变符号。因此对称矩阵的谱符号可以通过消元主元读出。特别地，\lambda_i>0\ \text{对所有 }i \quad\Longleftrightarrow\quad \text{所有主元都为正}.
### 正定矩阵 正定矩阵 **Positive Definite Matrix** 是对称矩阵中二次型始终为正的一类：x^TSx>0\quad (x\ne 0).
它等价于所有特征值为正，也等价于 $LDL^T$ 分解中的对角主元全为正。半正定矩阵 PSD **Positive Semidefinite Matrix** 则允许 $x^TSx=0$ 出现在非零方向上，对应特征值非负。 正定矩阵的重要应用是判定能量、距离、方差和局部最小值。在多元微积分中，Hessian 矩阵若在驻点处正定，则该点是严格局部最小值；若不定，则存在上升和下降方向。 ### 相邻概念 对称矩阵连接[[矩阵转置\|矩阵转置]]、[[二次型\|二次型]]、[[矩阵对角化\|矩阵对角化]]、正交投影和最小二乘。$A^TA$ 是列向量 Gram 矩阵，$AA^T$ 是行向量 Gram 矩阵；$LDL^T$ 则是对称矩阵在消元中的结构化形式。谱分解偏重几何主方向，$LDL^T$ 偏重计算过程，二次型偏重能量和正定性。