对称矩阵

对称矩阵 (Symmetric Matrix)

对称矩阵 (Symmetric Matrix) 是线性代数中一类极为重要的方阵 (Square Matrix)。一个方阵 $A$ 如果等于其自身的转置 (Transpose)，则称其为对称矩阵。

具体而言，如果一个 $n \times n$ 的方阵 $A = (a_{ij})$ 满足：

或者从元素层面来看，对于所有的 $i$ 和 $j$（其中 $1 \le i, j \le n$），都有：

那么 $A$ 就是一个对称矩阵。这意味着矩阵的元素关于其主对角线 (Main Diagonal)（从左上到右下的对角线）是镜像对称的。

示例

一个 $2 \times 2$ 的对称矩阵及其转置：

一个 $3 \times 3$ 的对称矩阵及其转置：

基本代数性质

对称矩阵具有以下优良的代数性质：

线性组合

任意两个 $n \times n$ 对称矩阵的和仍然是对称矩阵。若 $A$ 和 $B$ 是对称矩阵，则 $(A+B)^T = A^T + B^T = A+B$。一个对称矩阵的标量乘法结果仍然是对称矩阵：若 $A$ 对称，$c$ 为标量，则 $(cA)^T = cA^T = cA$。因此，所有 $n \times n$ 实对称矩阵构成所有 $n \times n$ 实矩阵所组成的向量空间的一个子空间，其维数为 $\frac{n(n+1)}{2}$。

矩阵乘积

两个对称矩阵 $A$ 和 $B$ 的乘积 $AB$ 不一定是对称矩阵。$AB$ 为对称矩阵的充分必要条件是 $A$ 和 $B$ 可交换 (Commute)，即 $AB = BA$。

证明

$(AB)^T = B^T A^T$。因 $A$ 和 $B$ 对称，故 $B^T = B$，$A^T = A$，因此 $(AB)^T = BA$。若要使 $AB$ 对称，则需 $(AB)^T = AB$，这等价于 $BA = AB$。

对于任意一个 $m \times n$ 矩阵 $A$（不一定是方阵），$A^T A$ 和 $A A^T$ 都是对称矩阵。

证明

$(A^T A)^T = A^T (A^T)^T = A^T A$，同理 $(A A^T)^T = (A^T)^T A^T = A A^T$。

这一性质在统计学中极为重要，因为协方差矩阵正是以此种形式构造的。

逆矩阵

如果一个对称矩阵 $A$ 是可逆矩阵，那么它的逆矩阵 $A^{-1}$ 也一定是对称矩阵。

证明

已知 $(A^{-1})^T = (A^T)^{-1}$。因 $A$ 对称，有 $A^T = A$，因此 $(A^{-1})^T = A^{-1}$。

谱定理 (Spectral Theorem)

对称矩阵最重要的特性体现在其特征值 (Eigenvalues) 和特征向量 (Eigenvectors) 上，这由谱定理 (Spectral Theorem) 深刻揭示。谱定理是线性代数的核心结果之一。

对于一个 $n \times n$ 的实对称矩阵 $A$，谱定理包含以下三个核心结论：

1. 所有特征值均为实数：对称矩阵的特征值不可能是非实的复数。 \begin{proof} 设 $\lambda$ 为特征值，$\mathbf{v}$ 为对应特征向量，满足 $A\mathbf{v} = \lambda\mathbf{v}$。考察 $\mathbf{v}^* A \mathbf{v}$（其中 $\mathbf{v}^*$ 为 $\mathbf{v}$ 的共轭转置），可证明 $\lambda$ 必须等于其自身共轭，因此 $\lambda$ 为实数。 \end{proof}
2. 不同特征值对应的特征向量相互正交：若 $\lambda_1 \neq \lambda_2$，其对应特征向量 $\mathbf{v}_1$ 和 $\mathbf{v}_2$ 必定正交，即 $\mathbf{v}_1^T \mathbf{v}_2 = 0$。 \begin{proof} 考虑标量 $\mathbf{v}_1^T A \mathbf{v}_2$。一方面它等于 $\lambda_2(\mathbf{v}_1^T \mathbf{v}_2)$，另一方面利用 $A = A^T$，它也等于 $\lambda_1(\mathbf{v}_1^T \mathbf{v}_2)$。因此 $(\lambda_1 - \lambda_2)(\mathbf{v}_1^T \mathbf{v}_2) = 0$。因 $\lambda_1 \neq \lambda_2$，故 $\mathbf{v}_1^T \mathbf{v}_2 = 0$。 \end{proof}
3. 正交可对角化：存在一个正交矩阵 $P$ 和一个对角矩阵 $D$，使得： \[ A = PDP^T = PDP^{-1} \] 其中 $P$ 的列为 $A$ 的 $n$ 个相互正交且单位化的特征向量，构成标准正交基；$D$ 的对角元为与 $P$ 中列向量一一对应的特征值。

该分解称为谱分解 (Spectral Decomposition) 或特征分解 (Eigen-decomposition)，可展开为：

其中 $\lambda_i$ 为特征值，$\mathbf{u}_i$ 为对应的单位特征向量。这一形式揭示了对称矩阵可被视为一系列由特征向量定义的、沿特定方向拉伸或压缩的线性组合。

主要应用

二次型与优化

任何一个二次型 $q(\mathbf{x}) = \mathbf{x}^T A \mathbf{x}$ 都可由对称矩阵 $A$ 定义。二次型的正负性质完全由 $A$ 的特征值决定。若所有特征值为正，则 $A$ 为正定矩阵，此时 $q(\mathbf{x}) > 0$ 对所有非零 $\mathbf{x}$ 成立；若所有特征值非负，则 $A$ 为半正定矩阵。这在多变量微积分和优化理论中至关重要——例如，函数的Hesse矩阵为对称矩阵，其正定性是判断临界点是否为局部极小值的关键。

统计学与数据科学

协方差矩阵和相关系数矩阵都是对称且半正定的，描述了多个随机变量之间的线性关系。在主成分分析 (PCA)中，通过对协方差矩阵进行谱分解，找到数据方差最大的方向（即特征值最大的特征向量），从而实现数据降维。

物理与工程学

在经典力学中，刚体的惯性张量是对称矩阵。在连续介质力学中，应力和应变张量也是对称的。在量子力学中，可观测物理量由厄米特算子表示，其有限维矩阵表示即为厄米特矩阵——这是对称矩阵在复数域的自然推广。

图论

无向图的邻接矩阵是对称矩阵（元素 $a_{ij}=1$ 表示顶点 $i$ 和 $j$ 之间有边相连）。该矩阵的谱（特征值集合）揭示了图的许多重要结构特性，如连通性和社群结构。

复数域的推广：厄米特矩阵

对称矩阵的概念可推广到复数域。一个复数方阵 $A$ 若等于其自身的共轭转置 $A^*$（也记作 $A^H$），则称其为厄米特矩阵 (Hermitian Matrix)：

厄米特矩阵同样拥有实数特征值，并可由酉矩阵对角化，这是正交矩阵在复数域的对应概念。厄米特矩阵在量子力学中尤为关键，因为所有可观测物理量的算符都是厄米特算子，其有限维表示为厄米特矩阵，这保证了测量值（即特征值）必为实数。