1. 这个命题在说什么把限定词一个一个抠出来实对称矩阵的特征值一定是实数——这句话在本科线性代数课上出现的频率高得离谱考研大题、期末压轴、面试追问哪都能碰上它。但真让它从头到尾写一遍证明能写出完整链条的人并不多。我改过不少作业也带过几轮考研复习最常见的场景是结论背得滚瓜烂熟一动笔就开始凭手感往里塞共轭、塞转置最后堆出一个看起来很像那么回事、逐行推敲却全是窟窿的证明。问题从来不在记性而在于没弄清这条命题的证明本质上只干了一件事——把特征值从复数域里逼回实数域。这篇文章我打算把这件事彻底讲透。它适合三类人正在学线性代数、需要交一份经得起批改的作业的同学准备考研 or 期末、想把这道经典证明变成自己稳定得分点的人以及已经工作、做过 PCA、二次型优化、结构动力学之类的事情想回头把底层依据补上的工程师。我会给出两条完整的证明路径、每一步的动机解释、数值验证代码、常见错误清单以及这个结论往外能延伸到哪些地方。看完之后你拿到任何一个实对称矩阵或特征值相关的题脑子里应该能立刻浮现出一条清晰的路线而不是一堆零散公式。1.1 命题的标准表述与符号约定先把话说死不许模糊设 $A$ 是 $n$ 阶实对称矩阵即 $A$ 的每一个元素都是实数并且满足 $A^{\mathsf{T}} A$。若 $\lambda \in \mathbb{C}$ 是 $A$ 的一个特征值则 $\lambda$ 必为实数。对应的特征关系是存在非零向量 $x \in \mathbb{C}^n$使得$$Ax \lambda x.$$这里有一个很多人下意识忽略的点特征向量 $x$ 在证明过程中必须允许它是复向量。这是整个证明的逻辑根基。如果你一上来就默认 $x$ 是实向量那等于你假设了特征值对应的特征向量落在实空间里可这件事本身就需要证明。这是一个典型的偷用结论很多人栽在这评卷老师一眼就能看出来。为了保证后面推导不出歧义我把符号统一一下。$x^{}$ 表示 $x$ 的共轭转置也就是先逐分量取共轭再转置$\bar{\lambda}$ 表示 $\lambda$ 的共轭复数。于是 $x^{}x$ 就是 $\sum_{i1}^{n} \overline{x_i} x_i \sum_{i1}^{n} |x_i|^2$这是一个非负实数而且只要 $x \neq 0$它就严格大于零。这个量在证明里是压轴的那块砖。1.2 为什么实和对称一个都不能少我先给两个反例你就能体会到这两个限定词各自扛了什么责任。第一个反例针对对称。取$$R \begin{pmatrix} 0 -1 \ 1 0 \end{pmatrix}.$$这是一个货真价实的实矩阵但 $R^{\mathsf{T}} \begin{pmatrix} 0 1 \ -1 0 \end{pmatrix} \neq R$它不对称而是反对称的。它的特征多项式是 $\lambda^2 1$特征值是 $\pm i$。所以光是实矩阵不足以保证特征值为实。第二个反例针对实。取复矩阵$$S \begin{pmatrix} 0 i \ i 0 \end{pmatrix}.$$它是对称的$S^{\mathsf{T}} S$。但特征多项式是 $\lambda^2 1$特征值依然是 $\pm i$。也就是说对称这个词在复矩阵上没有实对称矩阵那么强的约束力真正在复数域里对应实对称位置的是Hermite 矩阵也就是满足 $A^{*} A$ 的矩阵。这两个反例合起来告诉我们证明里一定会有某一步同时用到$A$ 的元素是实数和$A^{\mathsf{T}} A$。我们待会儿会看到这两件事恰好合并成了一个式子$A^{*} \overline{A}^{\mathsf{T}} A^{\mathsf{T}} A$。也就是说实对称矩阵自动是 Hermite 矩阵而 Hermite 矩阵正是整条证明真正依赖的结构。1.3 这个结论在知识体系里的位置从考试角度看这是一道标准的六到八行证明题看起来轻巧但它牵出的东西一点都不轻。它是谱定理的前置命题——先知道特征值是实的才能谈实对称矩阵可以正交对角化正交对角化又是二次型标准化、正定性判定、PCA 主成分分解的共同底座。你在机器学习课上用的协方差矩阵、在结构力学里见到的刚度矩阵和质量矩阵、图论里的拉普拉斯矩阵全都是以实对称矩阵的身份登场的它们的特征值必须是实数这件事直接决定了方差固有频率能量这些物理量是有意义的。所以别把这道题当成一个孤立的招式。它是一根桩打下去之后上面那栋楼才立得住。2. 两条证明路线的取舍与思路拆解同一个结论通常有两条主流证法。它们在逻辑上等价但工具不同、适用场景不同写卷子时的手感也完全不一样。我把两条都摊开讲你按自己的习惯挑一条主打、另一条当备用。2.1 路线一共轭转置一次到位路线一的思路可以概括成一句话把 $Ax \lambda x$ 和它的共轭转置版本对着看两边的同一个量一夹$\lambda$ 就被逼出实数域了。具体做法是对 $Ax \lambda x$ 两边同时左乘 $x^{}$得到 $x^{}Ax \lambda x^{}x$再对 $Ax \lambda x$ 两边取共轭转置利用 $A^{} A$ 得到 $x^{}A \bar{\lambda} x^{}$然后右乘 $x$得到 $x^{}Ax \bar{\lambda} x^{}x$。两式左边的 $x^{}Ax$ 是同一个东西于是 $(\lambda - \bar{\lambda})x^{}x 0$。因为 $x^{*}x 0$所以 $\lambda \bar{\lambda}$而一个复数等于自己的共轭当且仅当它是实数。这条路线的好处是短。熟练之后四五行就能收工卷面上干净利落。它的代价是需要你先接受共轭转置这套符号运算规则尤其是 $(AB)^{} B^{}A^{*}$ 这个反序规律写错顺序是高频事故点。2.2 路线二实部虚部分离只用实内积路线二不引入 $x^{*}$ 这套记法而是老老实实地把复数拆成实部和虚部设 $\lambda a bi$$a, b \in \mathbb{R}$$x u iv$$u, v \in \mathbb{R}^n$。把它们代回 $Ax \lambda x$用 $A$ 是实矩阵这一点实矩阵乘实向量还是实向量把实部和虚部摊成两个实向量方程$$Au au - bv, \qquad Av av bu.$$然后拿这两个式子分别跟 $v$ 和 $u$ 做实内积再用一次 $A$ 的对称性就能推出 $b(|u|^2 |v|^2) 0$由 $x \neq 0$ 得 $b 0$。路线二的好处是素——全程只用实向量的点积不需要任何复内积的准备知识特别适合刚学完点积、还没接触共轭转置的读者。代价是步骤稍长而且两边内积那一步容易被跳步写的时候必须把为什么 $(Au)\cdot v u\cdot(Av)$交代清楚。2.3 两条路线怎么选我的建议是这样考试答题优先写路线一因为篇幅短、不易失分课堂讲解或者写给自己看的学习笔记优先用路线二因为它能把对称性到底用在哪一步这件事暴露得非常清楚。如果你是第一次接触这个命题我甚至建议你先做路线二把直觉建立起来再回头看路线一你会发现那种两式相夹的写法其实是路线二的压缩版。两者还有一个微妙差别值得说一句路线一里出现的 $x^{}x$ 和 $x^{}Ax$ 是两个复数你要额外论证它们各自的性质路线二里出现的 $|u|^2$、$|v|^2$、$u \cdot v$ 全是实数天生就少一层心智负担。这就是为什么很多人看路线一的证明时会觉得好像哪一步跳过去了——跳的就是$x^{*}Ax$ 是实数这个隐含结论。3. 主线证明逐步拆解每一步在干什么下面把路线一完整写一遍但不止是写我要逐行解释每一步的动机。这才是能把证明真正学进脑子的方式。3.1 起点特征方程与特征向量的非零性由特征值的定义存在非零向量 $x \in \mathbb{C}^n$ 满足$$Ax \lambda x. \tag{1}$$这里有两个信息必须拎出来放在心里第一$x \neq 0$这不是废话它是后面除以 $x^{}x$或者由 $x^{}x 0$ 推出结论的唯一依据第二$x$ 所在的向量空间是 $\mathbb{C}^n$ 而不是 $\mathbb{R}^n$我们没有预先假设它是实的。很多同学在这里会犯一个隐蔽的错误在草稿纸边上写一句设 $x$ 是实向量。这一句写下去整道题的逻辑就塌了因为你相当于假定特征向量是实的进而假定了特征值是实的——循环论证。所以哪怕你最后证出来的结论没错这一步也是不可接受的。顺便说一个容易混淆的概念特征值在定义上可以是复数是因为我们要在复数域上讨论矩阵的特征多项式。实矩阵的特征多项式系数全是实数它的根未必是实数比如 $x^21$所以才需要专门证明对称情形下这些根全都掉回实数轴上。3.2 关键一步为什么 $x^{*}Ax$ 是实数对 (1) 式两边左乘 $x^{*}$得到$$x^{}Ax \lambda, x^{}x. \tag{2}$$现在看 (2) 式右边的 $x^{*}x$。按定义展开$$x^{*}x \sum_{i1}^{n} \overline{x_i} x_i \sum_{i1}^{n} |x_i|^2 0. \tag{3}$$这个量是正实数而且严格为正原因就是 $x \neq 0$至少有一个分量非零取模平方之后求和必然大于零。注意这里的共轭是必须的如果不取共轭直接用 $x^{\mathsf{T}}x \sum x_i^2$对于复向量来说完全可能是零例如 $x (1, i)^{\mathsf{T}}$ 时 $x^{\mathsf{T}}x 1 i^2 0$。这是复内积必须带共轭的根本原因也是很多初学者踩的第一个坑。接着看 $x^{*}Ax$ 这个量。它看上去是个复数实际上不是。理由是这样的它的共轭转置是$$(x^{}Ax)^{} x^{}A^{}(x^{})^{} x^{}A^{}x.$$这里用到了反序规则 $(PQ)^{} Q^{}P^{}$以及 $(x^{})^{*} x$。因为 $A$ 是实对称矩阵$$A^{*} \overline{A}^{\mathsf{T}} A^{\mathsf{T}} A,$$所以 $(x^{}Ax)^{} x^{}Ax$。一个数等于自己的共轭它就是实数。这一步是整条证明里技术含量最高、也最容易被跳过的地方。它同时也解释了为什么实对称这四个字要合在一起用拆开任何一半$A^{} A$ 都不成立。3.3 收尾从 $\lambda \bar{\lambda}$ 到 $\lambda \in \mathbb{R}$现在对 (1) 式两边取共轭转置。左边$$(Ax)^{} x^{}A^{} x^{}A,$$右边$$(\lambda x)^{} \bar{\lambda} x^{}.$$合起来就是$$x^{}A \bar{\lambda}, x^{}. \tag{4}$$在 (4) 式两边右乘 $x$$$x^{}Ax \bar{\lambda}, x^{}x. \tag{5}$$(2) 式和 (5) 式左边完全一样都是 $x^{*}Ax$于是右边也必须相等$$(\lambda - \bar{\lambda}), x^{*}x 0. \tag{6}$$由 (3) 知 $x^{*}x \neq 0$两边除掉它得 $\lambda \bar{\lambda}$。把 $\lambda$ 写成 $a bi$$a, b$ 为实数$\bar{\lambda} a - bi$代入得 $2bi 0$也就是 $b 0$所以 $\lambda a \in \mathbb{R}$。证毕。整条链子六行以内但每一行都咬得很紧缺一环就断。3.4 每个中间量都必须解释清楚我把上面出现过但经常被含糊带过的量再列一遍考试时最好心里有数$x^{*}x$正实数值为 $\sum |x_i|^2$非零性依赖 $x \neq 0$$x^{}Ax$实数值等于 $\sum_{i,j} \overline{x_i} a_{ij} x_j$实数性依赖 $A^{} A$$\lambda - \bar{\lambda}$纯虚数为 $2bi$只有当 $b 0$ 时为零$(\lambda x)^{} \bar{\lambda}x^{}$系数取共轭这是复数的基本性质别写成 $\lambda x^{*}$。注意这四个量里前两个是实数性的论据后两个是共轭等于自身的论据。如果你在卷面上只写显然 $x^{}Ax$ 是实数通常会被扣分因为它不显然它是靠 $A^{} A$ 推出来的。4. 第二条路线不引入复内积的实部分离法如果你手上还没有共轭转置这套工具或者你想给学生讲得更直观一点路线二是个非常好的选择。它的思路是既然特征是复数那就把它和它的向量一起拆成实部虚部让所有运算都在实数范围内完成。4.1 实部虚部拆开后的方程组设 $\lambda a bi$$x u iv$其中 $a, b \in \mathbb{R}$$u, v \in \mathbb{R}^n$。代入 $Ax \lambda x$$$A(u iv) (a bi)(u iv).$$左边展开是 $Au iAv$右边展开是 $(au - bv) i(av bu)$。因为两个复数相等当且仅当实部虚部分别相等而且 $A$ 是实矩阵所以 $Au$、$Av$ 都是实向量于是得到$$Au au - bv, \tag{7}$$ $$Av av bu. \tag{8}$$这两个方程是后面所有推导的出发点。它们的意义是实部 $u$ 和虚部 $v$ 被 $A$ 作用之后各自被对方交叉耦合了一次。而那个耦合系数正是 $b$也就是特征值的虚部。最终我们要证明的就是这个耦合项必须是零。这里有个细节值得强调$u$ 和 $v$ 不需要都非零但不能同时为零因为 $x \neq 0$。这一步保证的分母在后面会再次出场。4.2 对称性在两处内积中的使用现在把 (7) 式和 $v$ 做点积$$(Au)\cdot v a,(u \cdot v) - b,(v \cdot v). \tag{9}$$把 (8) 式和 $u$ 做点积$$(Av)\cdot u a,(v \cdot u) b,(u \cdot u). \tag{10}$$接下来是整条路线二的灵魂一步因为 $A$ 是实对称矩阵对任意实向量 $p, q$ 都有$$(Ap)\cdot q (Ap)^{\mathsf{T}}q p^{\mathsf{T}}A^{\mathsf{T}}q p^{\mathsf{T}}Aq p\cdot(Aq).$$取 $p u$$q v$就得到 $(Au)\cdot v u \cdot(Av)$又因为实内积对称$u \cdot (Av) (Av)\cdot u$。所以 (9) 式和 (10) 式的左边相等从而右边相等$$a(u\cdot v) - b(v \cdot v) a(v \cdot u) b(u \cdot u). \tag{11}$$4.3 为什么 $b(|u|^2 |v|^2) 0$ 就结束了把 (11) 整理一下。利用 $u \cdot v v \cdot u$两边的 $a(u \cdot v)$ 直接抵消剩下$$-b,(v\cdot v) b,(u \cdot u),$$即$$b\left(|u|^2 |v|^2\right) 0. \tag{12}$$现在看括号里那一项。$|u|^2 |v|^2$ 恰好就是 $x$ 的模长平方$$|x|^2 |u iv|^2 \sum_{k1}^{n} |u_k i v_k|^2 \sum_{k1}^{n}(u_k^2 v_k^2) |u|^2 |v|^2.$$因为 $x \neq 0$这个量严格大于零所以 (12) 式只能推出 $b 0$。于是 $\lambda a \in \mathbb{R}$。你会发现路线二其实比路线一更重——多了方程组、多了两次点积、多了抵消那一步。但它把一个抽象的事实变成了一个几乎看得见的过程虚部 $b$ 制造了 $u$ 和 $v$ 之间的不对称耦合而矩阵的对称性恰好禁止这种耦合存在于是 $b$ 只能为零。这是我个人更喜欢的讲法因为它把对称这两个字为什么关键解释得明明白白。4.4 两条路线在细节上的对照对比项路线一共轭转置路线二实部分离前置工具需掌握共轭转置与反序规则只需实内积与对称性证明长度约 5 到 6 行约 10 到 12 行关键论据$A^{} A$ 与 $x^{}x 0$$(Au)\cdot v u\cdot(Av)$ 与 $|x|^2 0$易错点共轭转置顺序、漏证 $x^{*}Ax$ 为实忘记说明 $u,v$ 不同时为零、跳步抵消推荐场景考试答题、快节奏推导课堂讲解、自学笔记、给新手打直觉两条路线的核心机制其实是同一个对称性让某个量在交换前后保持不变从而迫使虚部无法存在。认清这一点你就不会再觉得这道题是背下来的了。5. 数值验证与上手实操证明写完了但光看推导心里还是容易发虚。我的习惯是每学完一个结构性结论就用代码跑一遍看看它在数值上是不是真的成立。不为别的就为建立信心顺便给以后调试程序时留个参照。5.1 用随机实对称矩阵跑一遍特征值关键手法是先生成一个随机方阵再用 $ (M M^{\mathsf{T}})/2 $ 把它对称化。这一步在数学上保证结果严格对称。import numpy as np rng np.random.default_rng(20240501) n 6 M rng.normal(size(n, n)) A (M M.T) / 2 # 强制得到实对称矩阵 w, V np.linalg.eig(A) print(特征值:, np.round(w, 6)) print(虚部最大绝对值:, np.abs(w.imag).max()) # 理论上应为 0 # 对称矩阵建议直接用 eigh它默认按实特征值处理更快更稳 w2 np.linalg.eigh(A)[0] print(eigh 结果:, np.round(w2, 6))跑出来你会看到虚部最大绝对值是一个 1e-16 量级的小数这不是理论误差是浮点运算的舍入残留。判断是否为零永远不能用 0而要用np.allclose或者设定一个容差比如1e-10。这是数值计算里最基础也最容易翻车的一条纪律。顺带说一句工程上的事np.linalg.eig是通用算法对任意矩阵都能用而np.linalg.eigh是专门为实对称以及 Hermite矩阵写的它会只算实特征值速度通常是前者的两三倍数值稳定性也更好。背后的道理正是我们今天证的这条命题——既然数学上保证了特征值必然是实数算法就没有必要带着复数一起去迭代。LAPACK 里对应的例程叫syev对称和heevHermite听到这两个名字你就该知道它们属于同一家族。5.2 检查特征向量正交性实对称矩阵还有个漂亮的附加性质不同特征值对应的特征向量互相正交。这个我们下一节会给出证明这里先用代码看一眼现象。VtV V.T V print(V 是否正交:, np.allclose(VtV, np.eye(n), atol1e-10)) # 重新组装检查A V diag(w) V^T A_rebuilt V np.diag(w) V.T print(重建是否吻合:, np.allclose(A, A_rebuilt, atol1e-10))np.linalg.eig对实对称矩阵返回的特征向量矩阵会自动做正交归一化所以V.T V应该非常接近单位阵。而A V diag(w) V^T这一步就是正交对角化的直接体现也是谱定理的数值版本。看到这里你应该能感觉到今天这条证明不只是一个孤零零的结论它是支撑整个谱理论的入口。5.3 构造反例亲手感受对称的必要性光看正例还不够反例才能让人记住边界在哪。下面两个例子我建议你亲手跑一次import numpy as np # 例一实矩阵但不对称 —— 特征值是纯虚数 R np.array([[0, -1], [1, 0]], dtypefloat) print(R 的特征值:, np.linalg.eigvals(R)) # [0.1.j, 0.-1.j] # 例二复对称矩阵但不是 Hermite —— 特征值同样是纯虚数 S np.array([[0, 1j], [1j, 0]], dtypecomplex) print(S 的特征值:, np.linalg.eigvals(S)) # [0.1.j, 0.-1.j]第一个例子告诉你元素是实数远远不够对称性是不可替代的。第二个例子告诉你对称这个词本身在复数域里是会失效的真正对应它的是 $A^{*} A$。当你想把结论往复数域推广的时候推广的对象不是复对称矩阵而是Hermite 矩阵。5.4 一点实操心得我这几年的体会是数值验证最大的价值不在于验证结论而在于暴露你对条件的理解偏差。比如说很多人以为实矩阵的特征值一定成共轭对出现是个模糊的说法但当你真的用代码扫过几十个随机实矩阵看到虚部总是成对出现、只有落到实对称这个子集上才全部塌到实轴上时你对这条命题的边界感会瞬间清晰。这种手感是看再多证明也换不来的。另外提醒一句随机实验永远只是辅助不能替代证明。你在论文或者答卷里写我跑了十次都成立那不叫证明那叫抽样。证明是把所有情况一次锁死的手段这两者别混。6. 常见错误与排查清单这一节是我从批改和答疑里攒出来的几乎每一条都见过真实案例。你可以拿它当自查表用。6.1 最容易写错的七个地方第一假设特征向量是实的。这是最严重的逻辑漏洞。写设 $x \in \mathbb{R}^n$等于把待证结论当条件用了。正确做法是老实写 $x \in \mathbb{C}^n$然后让推导自己把 $x$ 逼回实的其实很多时候 $x$ 本身并不一定是实的但对应的 $\lambda$ 一定是实的。第二共轭转置顺序写反。$(Ax)^{} x^{}A^{}$ 是对的写成 $A^{}x^{}$ 就错了因为维度都对不上。记住反序规则 $(PQ)^{} Q^{}P^{}$。第三漏证 $x^{*}Ax$ 是实数。这一步不是显然的需要靠 $A^{*} A$ 推。如果想省事也可以改走路线二那边天然全是实数运算没这个负担。第四直接写 $x^{*}x 1$。如果你先对特征向量做了归一化写 1 是合法的但必须提前说明不妨设 $x$ 已归一化。更省事的做法是直接写 $x^{*}x 0$反正后面只需要它非零。第五把 $\lambda \bar{\lambda}$ 当成结论写完就停。严谨一点应该补一句设 $\lambda a bi$则 $a bi a - bi$得 $b 0$故 $\lambda a$ 为实数。有些评分标准就卡这一句。第六把结论推广到复对称矩阵。这是概念性错误$A^{\mathsf{T}} A$ 和 $A^{*} A$ 在复数量级上完全不是一回事。第七把对称性用在没验证过的地方。路线二里 $(Au)\cdot v u\cdot(Av)$ 这一步前提是 $A$ 对称得明确写出来。跳过这行说明整条链子就悬空了。6.2 条件与步骤核对速查表检查项正确做法常见错误前提声明明确写出 $A$ 实、$A^{\mathsf{T}} A$只说对称不强调实特征向量取值域$x \in \mathbb{C}^n$$x \neq 0$默认 $x \in \mathbb{R}^n$关键等式$A^{*} \overline{A}^{\mathsf{T}} A^{\mathsf{T}} A$直接写 $A^{*} A$ 而不解释$x^{*}x$ 的性质正实数$\sum \lvert x_i \rvert^2$用 $x^{\mathsf{T}}x$ 代替$x^{*}Ax$ 的实数性由 $(x^{}Ax)^{} x^{}A^{}x$ 推出一句显然带过结论收尾$\lambda \bar{\lambda} \Rightarrow \lambda \in \mathbb{R}$直接跳到结论推广判断复域对应 Hermite 矩阵说成复对称矩阵也成立6.3 我自己的几个答题习惯写这类证明我有三个一直保留的习惯分享给你。第一每一步都在旁边标一句这里用到了什么比如在左乘 $x^{}$ 那一行旁边写为了凑出 $x^{}x$在取共轭转置那一行旁边写用到 $A^{} A$。这样即使中间某步被质疑理由也摆在明面上。第二先把要用的引理列出来再动笔比如实对称矩阵是 Hermite 矩阵$x^{}x 0$ 当且仅当 $x \neq 0$这两个先写出来正文就顺了。第三写完回头看一遍有没有循环论证重点查有没有在结论出现之前就用到了结论。还有一个心得如果你在考场上一时想不起路线一别慌立刻切到路线二。实部分离法虽然长一点但它的每一步都非常机械只要记住 $(Au)\cdot v u \cdot(Av)$ 这个关键等式基本能顺着走完。反过来如果你只记得路线一而忘了 $x^{*}Ax$ 为什么是实数那才是真的卡死。7. 顺着这条结论往下走还能推出什么证明本身结束了但这个结论是个起点不是终点。下面三件事都是从它直接长出来的而且都是实际工作中会反复用到的东西。7.1 不同特征值对应的特征向量互相正交这个结论只有四行而且它依赖特征值是实的这件事。设 $\lambda_1 \neq \lambda_2$ 是实对称矩阵 $A$ 的两个特征值$x_1, x_2$ 是相应的实特征向量。一方面$$(Ax_1)\cdot x_2 \lambda_1 (x_1 \cdot x_2),$$另一方面利用对称性 $(Ax_1)\cdot x_2 x_1 \cdot (Ax_2) \lambda_2 (x_1\cdot x_2)$。两式相减$$(\lambda_1 - \lambda_2)(x_1\cdot x_2) 0.$$因为 $\lambda_1 \neq \lambda_2$只能有 $x_1 \cdot x_2 0$。注意这里有个隐含前提我们在比较两个实数。如果特征值可能是复数这个减法就没有非零即可除这么干净的性质了实际上复数也能做只是叙述麻烦。所以特征值为实这条结论是这里的地基。正交性的实际意义很大。它意味着实对称矩阵的不同特征方向之间没有串扰——这在信号处理里就是不同模态互不干扰在数据分析里就是不同主成分互相独立。5.2 节的代码验证的就是这件事。7.2 谱定理与正交对角化把 7.1 的结论推到头就是谱定理$n$ 阶实对称矩阵一定可以正交对角化即存在正交矩阵 $Q$$Q^{\mathsf{T}}Q I$和对角矩阵 $\Lambda$使得$$A Q\Lambda Q^{\mathsf{T}},$$其中 $\Lambda$ 的对角元就是 $A$ 的全部特征值$Q$ 的列向量是相应的单位正交特征向量。这条定理的意义在于它把一个耦合得乱七八糟的矩阵运算变成了一组互不干扰的独立缩放。换个坐标系看$A$ 做的事情就是在 $n$ 个互相垂直的方向上各自拉伸或压缩拉伸倍数就是特征值。这件事之所以成立全靠特征值是实数加上特征向量正交这两条。我在做数据分析的时候PCA 的核心就是这条定理协方差矩阵是实对称的所以它的特征值全为实数可以按大小排序方差非负这件事在数学上就是特征值非负也就是协方差矩阵半正定。如果特征值可能是复数那方差这个概念就崩了——你没法说第一主成分解释了 63.5% 的方差还带 2i 的虚部。听起来荒谬但这就是为什么必须先证这条命题。7.3 往 Hermite 矩阵和二次型推广最后说说推广。前面提过$A^{} A$ 的矩阵叫 Hermite 矩阵它是实对称矩阵在复数域里的自然对应物而上面整条路线一的证明一个字都不用改就能证明 Hermite 矩阵的特征值也是实数。这不是巧合因为路线一用的唯一条件就是 $A^{} A$。再往外一点实对称矩阵和二次型是一一对应的。给定实对称矩阵 $A$可以构造二次型 $f(x) x^{\mathsf{T}}Ax$。判断 $f$ 是否正定标准做法就是看 $A$ 的特征值是否全为正——而这套判据能成立的前提正是特征值是实数可以谈正负。如果特征值散落在复平面上正定这个词根本无从谈起。惯性定理里说的正惯性指数本质上就是正特征值的个数。还有几个常见的落地场景列在这里方便你对号入座结构动力学刚度矩阵和质量矩阵通常都是实对称的求出实特征值对应系统的固有频率虚部出现意味着系统在发散那才是出事了。图论与谱聚类无向图的拉普拉斯矩阵是实对称半正定的特征值实数且非负第二个最小特征值Fiedler 值直接反映图的连通性。数值线性代数正因为特征值保证为实才能设计出只针对实轴的迭代算法Lanczos、Jacobi 旋转、对称 QR把计算量砍掉一半以上。我个人在实际使用中最大的体会是这条命题的价值不在于它的证明有多难而在于它给一整套后续理论发了通行证。每次我在代码里调用eigh而不是eig每次我在做 PCA 时坦然地把特征值从大到小排序背后站着的都是这几行推导。这也是为什么我总觉得把这道题真正写明白一次比刷十道相关选择题都值——它把为什么可以这么做这个问题一次性回答清楚了。最后分享一个小技巧如果你要给同学或者学弟学妹讲这道题别一上来就写公式。先用一句话定性对称性不允许虚部存在然后拿路线二的实部分离法演示为什么虚部会跟对称性打架。等他们脑子里有了这个画面再把路线一那五行共轭转置甩出来他们就会觉得这证明特别顺而不是一串从天上掉下来的符号。讲数学最怕的不是难是让听的人觉得这一步你是从哪想出来的。而这道题恰恰有办法让人看见那一步是怎么想出来的。 实对称矩阵特征值为何必为实数：共轭转置证明与数值验证
1. 这个命题在说什么把限定词一个一个抠出来实对称矩阵的特征值一定是实数——这句话在本科线性代数课上出现的频率高得离谱考研大题、期末压轴、面试追问哪都能碰上它。但真让它从头到尾写一遍证明能写出完整链条的人并不多。我改过不少作业也带过几轮考研复习最常见的场景是结论背得滚瓜烂熟一动笔就开始凭手感往里塞共轭、塞转置最后堆出一个看起来很像那么回事、逐行推敲却全是窟窿的证明。问题从来不在记性而在于没弄清这条命题的证明本质上只干了一件事——把特征值从复数域里逼回实数域。这篇文章我打算把这件事彻底讲透。它适合三类人正在学线性代数、需要交一份经得起批改的作业的同学准备考研 or 期末、想把这道经典证明变成自己稳定得分点的人以及已经工作、做过 PCA、二次型优化、结构动力学之类的事情想回头把底层依据补上的工程师。我会给出两条完整的证明路径、每一步的动机解释、数值验证代码、常见错误清单以及这个结论往外能延伸到哪些地方。看完之后你拿到任何一个实对称矩阵或特征值相关的题脑子里应该能立刻浮现出一条清晰的路线而不是一堆零散公式。1.1 命题的标准表述与符号约定先把话说死不许模糊设 $A$ 是 $n$ 阶实对称矩阵即 $A$ 的每一个元素都是实数并且满足 $A^{\mathsf{T}} A$。若 $\lambda \in \mathbb{C}$ 是 $A$ 的一个特征值则 $\lambda$ 必为实数。对应的特征关系是存在非零向量 $x \in \mathbb{C}^n$使得$$Ax \lambda x.$$这里有一个很多人下意识忽略的点特征向量 $x$ 在证明过程中必须允许它是复向量。这是整个证明的逻辑根基。如果你一上来就默认 $x$ 是实向量那等于你假设了特征值对应的特征向量落在实空间里可这件事本身就需要证明。这是一个典型的偷用结论很多人栽在这评卷老师一眼就能看出来。为了保证后面推导不出歧义我把符号统一一下。$x^{}$ 表示 $x$ 的共轭转置也就是先逐分量取共轭再转置$\bar{\lambda}$ 表示 $\lambda$ 的共轭复数。于是 $x^{}x$ 就是 $\sum_{i1}^{n} \overline{x_i} x_i \sum_{i1}^{n} |x_i|^2$这是一个非负实数而且只要 $x \neq 0$它就严格大于零。这个量在证明里是压轴的那块砖。1.2 为什么实和对称一个都不能少我先给两个反例你就能体会到这两个限定词各自扛了什么责任。第一个反例针对对称。取$$R \begin{pmatrix} 0 -1 \ 1 0 \end{pmatrix}.$$这是一个货真价实的实矩阵但 $R^{\mathsf{T}} \begin{pmatrix} 0 1 \ -1 0 \end{pmatrix} \neq R$它不对称而是反对称的。它的特征多项式是 $\lambda^2 1$特征值是 $\pm i$。所以光是实矩阵不足以保证特征值为实。第二个反例针对实。取复矩阵$$S \begin{pmatrix} 0 i \ i 0 \end{pmatrix}.$$它是对称的$S^{\mathsf{T}} S$。但特征多项式是 $\lambda^2 1$特征值依然是 $\pm i$。也就是说对称这个词在复矩阵上没有实对称矩阵那么强的约束力真正在复数域里对应实对称位置的是Hermite 矩阵也就是满足 $A^{*} A$ 的矩阵。这两个反例合起来告诉我们证明里一定会有某一步同时用到$A$ 的元素是实数和$A^{\mathsf{T}} A$。我们待会儿会看到这两件事恰好合并成了一个式子$A^{*} \overline{A}^{\mathsf{T}} A^{\mathsf{T}} A$。也就是说实对称矩阵自动是 Hermite 矩阵而 Hermite 矩阵正是整条证明真正依赖的结构。1.3 这个结论在知识体系里的位置从考试角度看这是一道标准的六到八行证明题看起来轻巧但它牵出的东西一点都不轻。它是谱定理的前置命题——先知道特征值是实的才能谈实对称矩阵可以正交对角化正交对角化又是二次型标准化、正定性判定、PCA 主成分分解的共同底座。你在机器学习课上用的协方差矩阵、在结构力学里见到的刚度矩阵和质量矩阵、图论里的拉普拉斯矩阵全都是以实对称矩阵的身份登场的它们的特征值必须是实数这件事直接决定了方差固有频率能量这些物理量是有意义的。所以别把这道题当成一个孤立的招式。它是一根桩打下去之后上面那栋楼才立得住。2. 两条证明路线的取舍与思路拆解同一个结论通常有两条主流证法。它们在逻辑上等价但工具不同、适用场景不同写卷子时的手感也完全不一样。我把两条都摊开讲你按自己的习惯挑一条主打、另一条当备用。2.1 路线一共轭转置一次到位路线一的思路可以概括成一句话把 $Ax \lambda x$ 和它的共轭转置版本对着看两边的同一个量一夹$\lambda$ 就被逼出实数域了。具体做法是对 $Ax \lambda x$ 两边同时左乘 $x^{}$得到 $x^{}Ax \lambda x^{}x$再对 $Ax \lambda x$ 两边取共轭转置利用 $A^{} A$ 得到 $x^{}A \bar{\lambda} x^{}$然后右乘 $x$得到 $x^{}Ax \bar{\lambda} x^{}x$。两式左边的 $x^{}Ax$ 是同一个东西于是 $(\lambda - \bar{\lambda})x^{}x 0$。因为 $x^{*}x 0$所以 $\lambda \bar{\lambda}$而一个复数等于自己的共轭当且仅当它是实数。这条路线的好处是短。熟练之后四五行就能收工卷面上干净利落。它的代价是需要你先接受共轭转置这套符号运算规则尤其是 $(AB)^{} B^{}A^{*}$ 这个反序规律写错顺序是高频事故点。2.2 路线二实部虚部分离只用实内积路线二不引入 $x^{*}$ 这套记法而是老老实实地把复数拆成实部和虚部设 $\lambda a bi$$a, b \in \mathbb{R}$$x u iv$$u, v \in \mathbb{R}^n$。把它们代回 $Ax \lambda x$用 $A$ 是实矩阵这一点实矩阵乘实向量还是实向量把实部和虚部摊成两个实向量方程$$Au au - bv, \qquad Av av bu.$$然后拿这两个式子分别跟 $v$ 和 $u$ 做实内积再用一次 $A$ 的对称性就能推出 $b(|u|^2 |v|^2) 0$由 $x \neq 0$ 得 $b 0$。路线二的好处是素——全程只用实向量的点积不需要任何复内积的准备知识特别适合刚学完点积、还没接触共轭转置的读者。代价是步骤稍长而且两边内积那一步容易被跳步写的时候必须把为什么 $(Au)\cdot v u\cdot(Av)$交代清楚。2.3 两条路线怎么选我的建议是这样考试答题优先写路线一因为篇幅短、不易失分课堂讲解或者写给自己看的学习笔记优先用路线二因为它能把对称性到底用在哪一步这件事暴露得非常清楚。如果你是第一次接触这个命题我甚至建议你先做路线二把直觉建立起来再回头看路线一你会发现那种两式相夹的写法其实是路线二的压缩版。两者还有一个微妙差别值得说一句路线一里出现的 $x^{}x$ 和 $x^{}Ax$ 是两个复数你要额外论证它们各自的性质路线二里出现的 $|u|^2$、$|v|^2$、$u \cdot v$ 全是实数天生就少一层心智负担。这就是为什么很多人看路线一的证明时会觉得好像哪一步跳过去了——跳的就是$x^{*}Ax$ 是实数这个隐含结论。3. 主线证明逐步拆解每一步在干什么下面把路线一完整写一遍但不止是写我要逐行解释每一步的动机。这才是能把证明真正学进脑子的方式。3.1 起点特征方程与特征向量的非零性由特征值的定义存在非零向量 $x \in \mathbb{C}^n$ 满足$$Ax \lambda x. \tag{1}$$这里有两个信息必须拎出来放在心里第一$x \neq 0$这不是废话它是后面除以 $x^{}x$或者由 $x^{}x 0$ 推出结论的唯一依据第二$x$ 所在的向量空间是 $\mathbb{C}^n$ 而不是 $\mathbb{R}^n$我们没有预先假设它是实的。很多同学在这里会犯一个隐蔽的错误在草稿纸边上写一句设 $x$ 是实向量。这一句写下去整道题的逻辑就塌了因为你相当于假定特征向量是实的进而假定了特征值是实的——循环论证。所以哪怕你最后证出来的结论没错这一步也是不可接受的。顺便说一个容易混淆的概念特征值在定义上可以是复数是因为我们要在复数域上讨论矩阵的特征多项式。实矩阵的特征多项式系数全是实数它的根未必是实数比如 $x^21$所以才需要专门证明对称情形下这些根全都掉回实数轴上。3.2 关键一步为什么 $x^{*}Ax$ 是实数对 (1) 式两边左乘 $x^{*}$得到$$x^{}Ax \lambda, x^{}x. \tag{2}$$现在看 (2) 式右边的 $x^{*}x$。按定义展开$$x^{*}x \sum_{i1}^{n} \overline{x_i} x_i \sum_{i1}^{n} |x_i|^2 0. \tag{3}$$这个量是正实数而且严格为正原因就是 $x \neq 0$至少有一个分量非零取模平方之后求和必然大于零。注意这里的共轭是必须的如果不取共轭直接用 $x^{\mathsf{T}}x \sum x_i^2$对于复向量来说完全可能是零例如 $x (1, i)^{\mathsf{T}}$ 时 $x^{\mathsf{T}}x 1 i^2 0$。这是复内积必须带共轭的根本原因也是很多初学者踩的第一个坑。接着看 $x^{*}Ax$ 这个量。它看上去是个复数实际上不是。理由是这样的它的共轭转置是$$(x^{}Ax)^{} x^{}A^{}(x^{})^{} x^{}A^{}x.$$这里用到了反序规则 $(PQ)^{} Q^{}P^{}$以及 $(x^{})^{*} x$。因为 $A$ 是实对称矩阵$$A^{*} \overline{A}^{\mathsf{T}} A^{\mathsf{T}} A,$$所以 $(x^{}Ax)^{} x^{}Ax$。一个数等于自己的共轭它就是实数。这一步是整条证明里技术含量最高、也最容易被跳过的地方。它同时也解释了为什么实对称这四个字要合在一起用拆开任何一半$A^{} A$ 都不成立。3.3 收尾从 $\lambda \bar{\lambda}$ 到 $\lambda \in \mathbb{R}$现在对 (1) 式两边取共轭转置。左边$$(Ax)^{} x^{}A^{} x^{}A,$$右边$$(\lambda x)^{} \bar{\lambda} x^{}.$$合起来就是$$x^{}A \bar{\lambda}, x^{}. \tag{4}$$在 (4) 式两边右乘 $x$$$x^{}Ax \bar{\lambda}, x^{}x. \tag{5}$$(2) 式和 (5) 式左边完全一样都是 $x^{*}Ax$于是右边也必须相等$$(\lambda - \bar{\lambda}), x^{*}x 0. \tag{6}$$由 (3) 知 $x^{*}x \neq 0$两边除掉它得 $\lambda \bar{\lambda}$。把 $\lambda$ 写成 $a bi$$a, b$ 为实数$\bar{\lambda} a - bi$代入得 $2bi 0$也就是 $b 0$所以 $\lambda a \in \mathbb{R}$。证毕。整条链子六行以内但每一行都咬得很紧缺一环就断。3.4 每个中间量都必须解释清楚我把上面出现过但经常被含糊带过的量再列一遍考试时最好心里有数$x^{*}x$正实数值为 $\sum |x_i|^2$非零性依赖 $x \neq 0$$x^{}Ax$实数值等于 $\sum_{i,j} \overline{x_i} a_{ij} x_j$实数性依赖 $A^{} A$$\lambda - \bar{\lambda}$纯虚数为 $2bi$只有当 $b 0$ 时为零$(\lambda x)^{} \bar{\lambda}x^{}$系数取共轭这是复数的基本性质别写成 $\lambda x^{*}$。注意这四个量里前两个是实数性的论据后两个是共轭等于自身的论据。如果你在卷面上只写显然 $x^{}Ax$ 是实数通常会被扣分因为它不显然它是靠 $A^{} A$ 推出来的。4. 第二条路线不引入复内积的实部分离法如果你手上还没有共轭转置这套工具或者你想给学生讲得更直观一点路线二是个非常好的选择。它的思路是既然特征是复数那就把它和它的向量一起拆成实部虚部让所有运算都在实数范围内完成。4.1 实部虚部拆开后的方程组设 $\lambda a bi$$x u iv$其中 $a, b \in \mathbb{R}$$u, v \in \mathbb{R}^n$。代入 $Ax \lambda x$$$A(u iv) (a bi)(u iv).$$左边展开是 $Au iAv$右边展开是 $(au - bv) i(av bu)$。因为两个复数相等当且仅当实部虚部分别相等而且 $A$ 是实矩阵所以 $Au$、$Av$ 都是实向量于是得到$$Au au - bv, \tag{7}$$ $$Av av bu. \tag{8}$$这两个方程是后面所有推导的出发点。它们的意义是实部 $u$ 和虚部 $v$ 被 $A$ 作用之后各自被对方交叉耦合了一次。而那个耦合系数正是 $b$也就是特征值的虚部。最终我们要证明的就是这个耦合项必须是零。这里有个细节值得强调$u$ 和 $v$ 不需要都非零但不能同时为零因为 $x \neq 0$。这一步保证的分母在后面会再次出场。4.2 对称性在两处内积中的使用现在把 (7) 式和 $v$ 做点积$$(Au)\cdot v a,(u \cdot v) - b,(v \cdot v). \tag{9}$$把 (8) 式和 $u$ 做点积$$(Av)\cdot u a,(v \cdot u) b,(u \cdot u). \tag{10}$$接下来是整条路线二的灵魂一步因为 $A$ 是实对称矩阵对任意实向量 $p, q$ 都有$$(Ap)\cdot q (Ap)^{\mathsf{T}}q p^{\mathsf{T}}A^{\mathsf{T}}q p^{\mathsf{T}}Aq p\cdot(Aq).$$取 $p u$$q v$就得到 $(Au)\cdot v u \cdot(Av)$又因为实内积对称$u \cdot (Av) (Av)\cdot u$。所以 (9) 式和 (10) 式的左边相等从而右边相等$$a(u\cdot v) - b(v \cdot v) a(v \cdot u) b(u \cdot u). \tag{11}$$4.3 为什么 $b(|u|^2 |v|^2) 0$ 就结束了把 (11) 整理一下。利用 $u \cdot v v \cdot u$两边的 $a(u \cdot v)$ 直接抵消剩下$$-b,(v\cdot v) b,(u \cdot u),$$即$$b\left(|u|^2 |v|^2\right) 0. \tag{12}$$现在看括号里那一项。$|u|^2 |v|^2$ 恰好就是 $x$ 的模长平方$$|x|^2 |u iv|^2 \sum_{k1}^{n} |u_k i v_k|^2 \sum_{k1}^{n}(u_k^2 v_k^2) |u|^2 |v|^2.$$因为 $x \neq 0$这个量严格大于零所以 (12) 式只能推出 $b 0$。于是 $\lambda a \in \mathbb{R}$。你会发现路线二其实比路线一更重——多了方程组、多了两次点积、多了抵消那一步。但它把一个抽象的事实变成了一个几乎看得见的过程虚部 $b$ 制造了 $u$ 和 $v$ 之间的不对称耦合而矩阵的对称性恰好禁止这种耦合存在于是 $b$ 只能为零。这是我个人更喜欢的讲法因为它把对称这两个字为什么关键解释得明明白白。4.4 两条路线在细节上的对照对比项路线一共轭转置路线二实部分离前置工具需掌握共轭转置与反序规则只需实内积与对称性证明长度约 5 到 6 行约 10 到 12 行关键论据$A^{} A$ 与 $x^{}x 0$$(Au)\cdot v u\cdot(Av)$ 与 $|x|^2 0$易错点共轭转置顺序、漏证 $x^{*}Ax$ 为实忘记说明 $u,v$ 不同时为零、跳步抵消推荐场景考试答题、快节奏推导课堂讲解、自学笔记、给新手打直觉两条路线的核心机制其实是同一个对称性让某个量在交换前后保持不变从而迫使虚部无法存在。认清这一点你就不会再觉得这道题是背下来的了。5. 数值验证与上手实操证明写完了但光看推导心里还是容易发虚。我的习惯是每学完一个结构性结论就用代码跑一遍看看它在数值上是不是真的成立。不为别的就为建立信心顺便给以后调试程序时留个参照。5.1 用随机实对称矩阵跑一遍特征值关键手法是先生成一个随机方阵再用 $ (M M^{\mathsf{T}})/2 $ 把它对称化。这一步在数学上保证结果严格对称。import numpy as np rng np.random.default_rng(20240501) n 6 M rng.normal(size(n, n)) A (M M.T) / 2 # 强制得到实对称矩阵 w, V np.linalg.eig(A) print(特征值:, np.round(w, 6)) print(虚部最大绝对值:, np.abs(w.imag).max()) # 理论上应为 0 # 对称矩阵建议直接用 eigh它默认按实特征值处理更快更稳 w2 np.linalg.eigh(A)[0] print(eigh 结果:, np.round(w2, 6))跑出来你会看到虚部最大绝对值是一个 1e-16 量级的小数这不是理论误差是浮点运算的舍入残留。判断是否为零永远不能用 0而要用np.allclose或者设定一个容差比如1e-10。这是数值计算里最基础也最容易翻车的一条纪律。顺带说一句工程上的事np.linalg.eig是通用算法对任意矩阵都能用而np.linalg.eigh是专门为实对称以及 Hermite矩阵写的它会只算实特征值速度通常是前者的两三倍数值稳定性也更好。背后的道理正是我们今天证的这条命题——既然数学上保证了特征值必然是实数算法就没有必要带着复数一起去迭代。LAPACK 里对应的例程叫syev对称和heevHermite听到这两个名字你就该知道它们属于同一家族。5.2 检查特征向量正交性实对称矩阵还有个漂亮的附加性质不同特征值对应的特征向量互相正交。这个我们下一节会给出证明这里先用代码看一眼现象。VtV V.T V print(V 是否正交:, np.allclose(VtV, np.eye(n), atol1e-10)) # 重新组装检查A V diag(w) V^T A_rebuilt V np.diag(w) V.T print(重建是否吻合:, np.allclose(A, A_rebuilt, atol1e-10))np.linalg.eig对实对称矩阵返回的特征向量矩阵会自动做正交归一化所以V.T V应该非常接近单位阵。而A V diag(w) V^T这一步就是正交对角化的直接体现也是谱定理的数值版本。看到这里你应该能感觉到今天这条证明不只是一个孤零零的结论它是支撑整个谱理论的入口。5.3 构造反例亲手感受对称的必要性光看正例还不够反例才能让人记住边界在哪。下面两个例子我建议你亲手跑一次import numpy as np # 例一实矩阵但不对称 —— 特征值是纯虚数 R np.array([[0, -1], [1, 0]], dtypefloat) print(R 的特征值:, np.linalg.eigvals(R)) # [0.1.j, 0.-1.j] # 例二复对称矩阵但不是 Hermite —— 特征值同样是纯虚数 S np.array([[0, 1j], [1j, 0]], dtypecomplex) print(S 的特征值:, np.linalg.eigvals(S)) # [0.1.j, 0.-1.j]第一个例子告诉你元素是实数远远不够对称性是不可替代的。第二个例子告诉你对称这个词本身在复数域里是会失效的真正对应它的是 $A^{*} A$。当你想把结论往复数域推广的时候推广的对象不是复对称矩阵而是Hermite 矩阵。5.4 一点实操心得我这几年的体会是数值验证最大的价值不在于验证结论而在于暴露你对条件的理解偏差。比如说很多人以为实矩阵的特征值一定成共轭对出现是个模糊的说法但当你真的用代码扫过几十个随机实矩阵看到虚部总是成对出现、只有落到实对称这个子集上才全部塌到实轴上时你对这条命题的边界感会瞬间清晰。这种手感是看再多证明也换不来的。另外提醒一句随机实验永远只是辅助不能替代证明。你在论文或者答卷里写我跑了十次都成立那不叫证明那叫抽样。证明是把所有情况一次锁死的手段这两者别混。6. 常见错误与排查清单这一节是我从批改和答疑里攒出来的几乎每一条都见过真实案例。你可以拿它当自查表用。6.1 最容易写错的七个地方第一假设特征向量是实的。这是最严重的逻辑漏洞。写设 $x \in \mathbb{R}^n$等于把待证结论当条件用了。正确做法是老实写 $x \in \mathbb{C}^n$然后让推导自己把 $x$ 逼回实的其实很多时候 $x$ 本身并不一定是实的但对应的 $\lambda$ 一定是实的。第二共轭转置顺序写反。$(Ax)^{} x^{}A^{}$ 是对的写成 $A^{}x^{}$ 就错了因为维度都对不上。记住反序规则 $(PQ)^{} Q^{}P^{}$。第三漏证 $x^{*}Ax$ 是实数。这一步不是显然的需要靠 $A^{*} A$ 推。如果想省事也可以改走路线二那边天然全是实数运算没这个负担。第四直接写 $x^{*}x 1$。如果你先对特征向量做了归一化写 1 是合法的但必须提前说明不妨设 $x$ 已归一化。更省事的做法是直接写 $x^{*}x 0$反正后面只需要它非零。第五把 $\lambda \bar{\lambda}$ 当成结论写完就停。严谨一点应该补一句设 $\lambda a bi$则 $a bi a - bi$得 $b 0$故 $\lambda a$ 为实数。有些评分标准就卡这一句。第六把结论推广到复对称矩阵。这是概念性错误$A^{\mathsf{T}} A$ 和 $A^{*} A$ 在复数量级上完全不是一回事。第七把对称性用在没验证过的地方。路线二里 $(Au)\cdot v u\cdot(Av)$ 这一步前提是 $A$ 对称得明确写出来。跳过这行说明整条链子就悬空了。6.2 条件与步骤核对速查表检查项正确做法常见错误前提声明明确写出 $A$ 实、$A^{\mathsf{T}} A$只说对称不强调实特征向量取值域$x \in \mathbb{C}^n$$x \neq 0$默认 $x \in \mathbb{R}^n$关键等式$A^{*} \overline{A}^{\mathsf{T}} A^{\mathsf{T}} A$直接写 $A^{*} A$ 而不解释$x^{*}x$ 的性质正实数$\sum \lvert x_i \rvert^2$用 $x^{\mathsf{T}}x$ 代替$x^{*}Ax$ 的实数性由 $(x^{}Ax)^{} x^{}A^{}x$ 推出一句显然带过结论收尾$\lambda \bar{\lambda} \Rightarrow \lambda \in \mathbb{R}$直接跳到结论推广判断复域对应 Hermite 矩阵说成复对称矩阵也成立6.3 我自己的几个答题习惯写这类证明我有三个一直保留的习惯分享给你。第一每一步都在旁边标一句这里用到了什么比如在左乘 $x^{}$ 那一行旁边写为了凑出 $x^{}x$在取共轭转置那一行旁边写用到 $A^{} A$。这样即使中间某步被质疑理由也摆在明面上。第二先把要用的引理列出来再动笔比如实对称矩阵是 Hermite 矩阵$x^{}x 0$ 当且仅当 $x \neq 0$这两个先写出来正文就顺了。第三写完回头看一遍有没有循环论证重点查有没有在结论出现之前就用到了结论。还有一个心得如果你在考场上一时想不起路线一别慌立刻切到路线二。实部分离法虽然长一点但它的每一步都非常机械只要记住 $(Au)\cdot v u \cdot(Av)$ 这个关键等式基本能顺着走完。反过来如果你只记得路线一而忘了 $x^{*}Ax$ 为什么是实数那才是真的卡死。7. 顺着这条结论往下走还能推出什么证明本身结束了但这个结论是个起点不是终点。下面三件事都是从它直接长出来的而且都是实际工作中会反复用到的东西。7.1 不同特征值对应的特征向量互相正交这个结论只有四行而且它依赖特征值是实的这件事。设 $\lambda_1 \neq \lambda_2$ 是实对称矩阵 $A$ 的两个特征值$x_1, x_2$ 是相应的实特征向量。一方面$$(Ax_1)\cdot x_2 \lambda_1 (x_1 \cdot x_2),$$另一方面利用对称性 $(Ax_1)\cdot x_2 x_1 \cdot (Ax_2) \lambda_2 (x_1\cdot x_2)$。两式相减$$(\lambda_1 - \lambda_2)(x_1\cdot x_2) 0.$$因为 $\lambda_1 \neq \lambda_2$只能有 $x_1 \cdot x_2 0$。注意这里有个隐含前提我们在比较两个实数。如果特征值可能是复数这个减法就没有非零即可除这么干净的性质了实际上复数也能做只是叙述麻烦。所以特征值为实这条结论是这里的地基。正交性的实际意义很大。它意味着实对称矩阵的不同特征方向之间没有串扰——这在信号处理里就是不同模态互不干扰在数据分析里就是不同主成分互相独立。5.2 节的代码验证的就是这件事。7.2 谱定理与正交对角化把 7.1 的结论推到头就是谱定理$n$ 阶实对称矩阵一定可以正交对角化即存在正交矩阵 $Q$$Q^{\mathsf{T}}Q I$和对角矩阵 $\Lambda$使得$$A Q\Lambda Q^{\mathsf{T}},$$其中 $\Lambda$ 的对角元就是 $A$ 的全部特征值$Q$ 的列向量是相应的单位正交特征向量。这条定理的意义在于它把一个耦合得乱七八糟的矩阵运算变成了一组互不干扰的独立缩放。换个坐标系看$A$ 做的事情就是在 $n$ 个互相垂直的方向上各自拉伸或压缩拉伸倍数就是特征值。这件事之所以成立全靠特征值是实数加上特征向量正交这两条。我在做数据分析的时候PCA 的核心就是这条定理协方差矩阵是实对称的所以它的特征值全为实数可以按大小排序方差非负这件事在数学上就是特征值非负也就是协方差矩阵半正定。如果特征值可能是复数那方差这个概念就崩了——你没法说第一主成分解释了 63.5% 的方差还带 2i 的虚部。听起来荒谬但这就是为什么必须先证这条命题。7.3 往 Hermite 矩阵和二次型推广最后说说推广。前面提过$A^{} A$ 的矩阵叫 Hermite 矩阵它是实对称矩阵在复数域里的自然对应物而上面整条路线一的证明一个字都不用改就能证明 Hermite 矩阵的特征值也是实数。这不是巧合因为路线一用的唯一条件就是 $A^{} A$。再往外一点实对称矩阵和二次型是一一对应的。给定实对称矩阵 $A$可以构造二次型 $f(x) x^{\mathsf{T}}Ax$。判断 $f$ 是否正定标准做法就是看 $A$ 的特征值是否全为正——而这套判据能成立的前提正是特征值是实数可以谈正负。如果特征值散落在复平面上正定这个词根本无从谈起。惯性定理里说的正惯性指数本质上就是正特征值的个数。还有几个常见的落地场景列在这里方便你对号入座结构动力学刚度矩阵和质量矩阵通常都是实对称的求出实特征值对应系统的固有频率虚部出现意味着系统在发散那才是出事了。图论与谱聚类无向图的拉普拉斯矩阵是实对称半正定的特征值实数且非负第二个最小特征值Fiedler 值直接反映图的连通性。数值线性代数正因为特征值保证为实才能设计出只针对实轴的迭代算法Lanczos、Jacobi 旋转、对称 QR把计算量砍掉一半以上。我个人在实际使用中最大的体会是这条命题的价值不在于它的证明有多难而在于它给一整套后续理论发了通行证。每次我在代码里调用eigh而不是eig每次我在做 PCA 时坦然地把特征值从大到小排序背后站着的都是这几行推导。这也是为什么我总觉得把这道题真正写明白一次比刷十道相关选择题都值——它把为什么可以这么做这个问题一次性回答清楚了。最后分享一个小技巧如果你要给同学或者学弟学妹讲这道题别一上来就写公式。先用一句话定性对称性不允许虚部存在然后拿路线二的实部分离法演示为什么虚部会跟对称性打架。等他们脑子里有了这个画面再把路线一那五行共轭转置甩出来他们就会觉得这证明特别顺而不是一串从天上掉下来的符号。讲数学最怕的不是难是让听的人觉得这一步你是从哪想出来的。而这道题恰恰有办法让人看见那一步是怎么想出来的。