实对称矩阵的性质定理-实对称矩阵性质定理｜系统性解析与深度拓展

定义再强调

设 $A = (a_{ij}) in mathbb{R}^{n times n}$，若对任意 $i,j$，均有 $a_{ij} = a_{ji}$，则称 $A$ 为实对称矩阵。

A = begin{pmatrix}& 1 & 0 \& 3 & -1 \& -1 & 4 end{pmatrix}, quad A^T = A

注意：非对角元对称分布是核心标志，而主对角元可为任意实数。

归纳法证明框架

步骤1（基础）：$n=1$ 时显然成立。

步骤2（归纳假设）：假设对所有 $(n-1)$ 阶实对称矩阵成立。

步骤3（构造）：对 $n$ 阶实对称矩阵 $A$，取其一特征值 $lambda_1$ 与单位特征向量 $q_1$。将 $q_1$ 扩展为 $mathbb{R}^n$ 的标准正交基 ${q_1, q_2, dots, q_n}$，构成正交矩阵 $Q_1 = [q_1 mid Q_2]$。

计算：

Q_1^T A Q_1 = begin{pmatrix} q_1^T \ Q_2^T end{pmatrix} A [q_1 mid Q_2] = begin{pmatrix} q_1^T A q_1 & q_1^T A Q_2 \ Q_2^T A q_1 & Q_2^T A Q_2 end{pmatrix}

因 $A q_1 = lambda_1 q_1$ 且 $A$ 对称，有 $q_1^T A = lambda_1 q_1^T$，故 $q_1^T A Q_2 = lambda_1 q_1^T Q_2 = 0$（正交性），同理下方块也为0。于是：

Q_1^T A Q_1 = begin{pmatrix} lambda_1 & 0 \ 0 & B end{pmatrix}

其中 $B = Q_2^T A Q_2$ 为 $(n-1)$ 阶实对称矩阵。由归纳假设，存在 $(n-1)$ 阶正交矩阵 $R$，使 $R^T B R = Lambda'$。令 $Q = Q_1 begin{pmatrix} 1 & 0 \ 0 & R end{pmatrix}$，则 $Q^T A Q = operatorname{diag}(lambda_1, Lambda')$，得证。

例1：三阶实对称矩阵的正交对角化

设 $A = begin{pmatrix} 0 & 1 & 1 \ 1 & 0 & 1 \ 1 & 1 & 0 end{pmatrix}$，求正交矩阵 $Q$ 与对角矩阵 $Lambda$，使 $A = Q Lambda Q^T$。

解：

1. 求特征值：$det(A - lambda I) = -lambda^3 + 3lambda + 2 = -(lambda-2)(lambda+1)^2 = 0$
2. 得 $lambda_1 = 2$（单根），$lambda_2 = lambda_3 = -1$（二重根）
3. 求特征向量：
   • $lambda=2$：解 $(A-2I)x=0$ → $v_1 = (1,1,1)^T$，单位化：$u_1 = frac{1}{sqrt{3}}(1,1,1)^T$
   • $lambda=-1$：解 $(A+I)x=0$ → $x_1 + x_2 + x_3 = 0$。取 $v_2=(1,-1,0)^T$，$v_3=(1,1,-2)^T$
4. 正交化与单位化（Gram-Schmidt）：
   • $u_2 = frac{1}{sqrt{2}}(1,-1,0)^T$
   • $u_3 = frac{1}{sqrt{6}}(1,1,-2)^T$（与 $u_2$ 正交）
5. 构造 $Q$：

   Q = begin{pmatrix} frac{1}{sqrt{3}} & frac{1}{sqrt{2}} & frac{1}{sqrt{6}} \ frac{1}{sqrt{3}} & -frac{1}{sqrt{2}} & frac{1}{sqrt{6}} \ frac{1}{sqrt{3}} & 0 & -frac{2}{sqrt{6}} end{pmatrix}, quad Lambda = operatorname{diag}(2, -1, -1)

验证：$Q^T Q = I$，且 $Q Lambda Q^T = A$ ✓

例2：PCA中的实对称矩阵应用

对中心化数据矩阵 $X = begin{pmatrix} 1 & 2 \ 2 & 3 \ 3 & 1 end{pmatrix}$，求主成分方向。

解：

1. 计算协方差矩阵 $S = frac{1}{n-1} X^T X = frac{1}{2} begin{pmatrix} 14 & 10 \ 10 & 14 end{pmatrix} = begin{pmatrix} 7 & 5 \ 5 & 7 end{pmatrix}$（实对称 ✓）
2. 特征值：$det(S - lambda I) = (7-lambda)^2 - 25 = 0 Rightarrow lambda = 12, 2$
3. 对应特征向量：$lambda_1=12$ → $v_1=(1,1)^T$；$lambda_2=2$ → $v_2=(1,-1)^T$
4. 第一主成分方向：$u_1 = frac{1}{sqrt{2}}(1,1)^T$，解释方差比例：$12/(12+2) approx 85.7%$

这说明数据主要沿 $y=x$ 方向分布，与直观散点图一致。

例3：Python/Numpy 实现

import numpy as np
# 定义实对称矩阵
A = np.array([[2, 1, 0],
              [1, 3, -1],
              [0, -1, 4]])
# 利用对称性加速计算（eigh专为对称/厄米特矩阵设计）
eigvals, eigvecs = np.linalg.eigh(A)
print("特征值:", eigvals)
print("特征向量（列向量）:n", eigvecs)
print("验证正交性 Q^T Q = I:", np.allclose(eigvecs.T @ eigvecs, np.eye(3)))
print("验证对角化 Q Λ Q^T = A:", np.allclose(eigvecs @ np.diag(eigvals) @ eigvecs.T, A))

输出：

特征值: [1.382, 2.000, 5.618] quad (text{近似值})

注意：`eigh` 函数自动利用对称性，比通用 `eig` 更快更稳定；特征值已按升序排列。

重统一视角

• 代数视角：$A^T = A$ → 特征值实、可正交对角化 → 谱分解 $A = sum lambda_i u_i u_i^T$
• 几何视角：正交变换保持内积 → $A$ 在标准正交基下仅伸缩 → 二次型化为标准形
• 应用视角：对称性对应守恒律（诺特定理）→ 物理模型天然对称 → 计算高效稳定