Olverae Assets

1 对称矩阵:沿对角线照镜子,左右一样

如果一个方阵沿主对角线翻折后和自己一模一样(A = Aᵀ,即 aᵢⱼ = aⱼᵢ),它就是对称矩阵。这种矩阵在现实里到处都是:两地之间的距离表、变量之间的相关系数表、协方差矩阵——"A 到 B"和"B 到 A"天然相等。

对称矩阵:A = Aᵀ。2×2 长这样 [[a, b], [b, c]]——非对角的两个位置必须是同一个数 b。

对称矩阵是线性代数里"脾气最好"的一类:它的特征值一定是实数,而且不同特征值的特征向量必定互相垂直。这让它格外好分析,也格外有用。

2 谱定理:最"乖"的矩阵,可以正交对角化

普通矩阵的特征值可能是复数、特征向量可能歪七扭八。对称矩阵则完美:特征值全是实数,特征向量可以选成两两正交、长度为 1。于是它能写成 A = Q D Qᵀ,Q 是正交矩阵(列为单位正交特征向量)。

谱定理:实对称矩阵 A 必可正交对角化 A = QDQᵀ,D 是实特征值对角阵,Q 满足 QᵀQ = I(即 Q⁻¹ = Qᵀ)。

用正交矩阵换基特别舒服:逆等于转置,不用费劲求逆。几何上,A 的作用 = 转到特征向量这套正交坐标系 → 沿各轴独立缩放 → 转回来。下一节就把这件事"画"出来。

3 二次型与椭圆:亲眼看见特征向量

二次型是形如 xᵀAx = ax² + 2bxy + cy² 的表达式(A 对称)。它的等高线 xᵀAx = 1 是一条椭圆(或双曲线),而椭圆的主轴方向恰好就是特征向量,轴的长短由特征值决定。拖滑块改 a、b、c,看椭圆怎么转、怎么伸缩。

二次型 xᵀAx = 1 的等高线

a (x² 系数)1.6

b (xy 交叉)0.6

c (y² 系数)1.0

特征值 λ₁,λ₂ = —类型 = —

4 正定性:碗、鞍,还是倒扣的锅

看二次型在原点附近是"往哪弯",取决于特征值的正负。这是优化、统计里判断"极小/极大/鞍点"的核心工具:

正定(λ 全 > 0)

xᵀAx 对任何非零 x 都 > 0,图像是个向上开口的碗,等高线是椭圆。协方差矩阵、AᵀA、最优化里的极小点都属此类。

负定(λ 全 < 0)

恒小于 0,图像是倒扣的锅(向下开口),对应极大点。把正定的结论整体反号即可。

不定(λ 有正有负)

有的方向往上、有的往下,图像是马鞍面,等高线变成双曲线,对应优化里的鞍点(既非最大也非最小)。

怎么快速判断?算特征值看正负最稳;2×2 还可用:a>0 且 det=ac−b²>0 ⟺ 正定。这正是多元函数用 Hessian 矩阵判极值的判据来源。

5 试三道(先想,再点)

三道题,点选项即时判;答题进度显示在右侧目录。

一句话带走:

对称矩阵 A=Aᵀ(沿对角线对称)是最"乖"的矩阵:谱定理保证它特征值全实、特征向量两两正交,可正交对角化 A=QDQᵀ(Q⁻¹=Qᵀ)。二次型 xᵀAx 的等高线是椭圆/双曲线,主轴=特征向量。特征值正负决定正定(碗)/负定(锅)/不定(鞍)——这是判极值与协方差结构的钥匙。

对称矩阵与二次型