实对称矩阵特征值为实数的三种证明与代码验证

对称矩阵的特征值为实数，这条结论几乎每个学过线性代数的人都在课本上见过，但真正能在白纸上把它从头到尾推干净的人并不多。它不是一个孤立的习题，而是谱定理的第一步，是主成分分析、二次型标准化、结构力学模态分析、协方差矩阵分解这些实际工作的地基。我做过几年助教，也带过不少考研和转行做算法的朋友，发现大家卡住的地方高度一致：知道结论，会套公式，但一到证明就写不完整，尤其是那个"为什么非得引入复数"和"最后一步凭什么说它是实数"。这篇东西就是把这几个卡点掰开揉碎，把三条主流证明路线都走一遍，配上可复现的代码验证，适合正在学线性代数、准备考试，或者做机器学习想补数学底子的朋友。读完之后，你要能自己独立写出证明，并且明白每一步为什么这么走，而不只是背下来。

1. 这个结论为什么值得单独拎出来讲

1.1 对称矩阵在实际工程里的出场率高得离谱

很多人觉得对称矩阵是个被凑出来的特殊情形，真实问题里哪有那么多对称。恰恰相反，对称矩阵是工程里最不缺的东西。你随手算一个协方差矩阵，它就是对称的；你写一个二次型，它的系数矩阵总能整理成对称的；结构力学里的刚度矩阵、质量矩阵，电力系统里的节点导纳矩阵，图论里无向图的邻接矩阵，全都天然对称。甚至可以这么说，只要数据的来源是"两两之间的关系"，而且这个关系不分方向，那它落成矩阵就大概率对称。

这里的关键在于，特征值是有物理含义的。以主成分分析为例，协方差矩阵的特征值直接对应每个主成分方向上的方差大小，你按特征值从大到小排序，取前几个，就完成了降维。这个流程里有一个隐藏前提：特征值必须能比大小。如果特征值是复数，那"大小"这个词根本无从谈起，整个降维逻辑立刻塌掉。实对称矩阵的特征值为实数这条结论，正是给这一整套流程发了一张通行证。

再往下说，特征值为实数还会带来连锁好处。数值计算里，一旦确定特征值全在实轴上，你就可以用专门为对称矩阵优化的算法，比如先做 Cholesky 分解或者 LDL^T 分解，再对三角部分求特征值，速度比通用的 QR 迭代快得多，而且数值稳定性也更好。更不用说对称矩阵一定可以被正交对角化，特征向量之间互相正交，构成一组现成的标准正交基。这组基在处理信号去相关、图像压缩、白化变换时是白送的。所以我一直觉得，这条结论的价值不在证明本身，而在于它是后面一大串实用工具的准入门槛。

1.2 三条证明路线，各有各的适用场景

同一个结论，教材上通常会给出不止一种证法，这不是为了凑篇幅，而是因为它们指向不同的思维方式。我把常见的三条路线列出来，你可以根据自己的基础挑一条先啃透，再回头补另外两条。

第一条是复内积路线，也是大多数教材采用的主线。它把特征向量放在复数域里看，用共轭转置和内积的性质，三四行就能推完。优点是短、优雅、可推广，缺点是对共轭转置的运算规则不熟的人容易在符号上翻车。第二条是实虚部分解路线，把复特征向量拆成实部和虚部，全程只用实向量的点乘，计算量大一些，但完全不需要复内积的知识，属于"用初等工具硬推"的路子。第三条是 Rayleigh 商和极值原理路线，站在分析的角度理解特征值，适合想往数值算法方向走的人当延伸阅读。

我的建议是，第一次学的时候先把第一条吃透，因为它是标准武器，后面遇到 Hermitian 矩阵、正规矩阵都能直接迁移。等熟练了，再用第二条自查，看看自己有没有真正理解"对称性"到底在哪里被用掉了。第三条作为加分项，理解 Rayleigh 商能帮你在做幂法、反幂法的时候心里有数。

2. 证之前的工具准备：复数域上的内积与共轭

2.1 为什么特征值会跑到实数域外面去

在动手之前，必须先破除一个直觉误区：一个矩阵的元素全是实数，不代表它的特征值也是实数。这个反例一定要记住，旋转矩阵

A = [0 -1] [1 0]

它的元素全是实数，但特征方程是 λ² + 1 = 0，解出来 λ = ±i。这个矩阵的几何意义是把平面绕原点转 90 度，你找不到任何一个实方向在旋转后还保持原方向，所以它没有实特征向量，特征值只好跑到复平面上。

这个反例说明，"A 是实矩阵"这个条件本身完全不够用，推不出特征值是实数。真正起作用的，是"对称"这个额外条件。对称性到底提供了什么，正是接下来证明要回答的核心问题。从几何上先给一个粗糙的直觉：对称矩阵对应的变换没有"旋转扭曲"的成分，它在每个方向上的拉伸都是实打实的伸缩，所以不会出现旋转 90 度那种把实方向转出实数域的情况。这个直觉不严谨，但方向是对的，后面两条证明本质上都是在把这个直觉翻译成代数语言。

注意：很多人写证明时，第一步就默认"A 是实矩阵所以特征值是实数"，这是最致命的错误。请一定把这个旋转矩阵的反例刻在脑子里，用它时刻提醒自己，对称性才是关键。

2.2 共轭转置与复内积的记号约定

要走第一条路线，先得把记号统一。对于复向量 x，定义它的共轭转置为 x^H = （x 的每个元素取共轭）之后再转置。对于复矩阵 A，同理 A^H = （A 逐元素取共轭）之后再转置。这里有几个必须背熟的性质：

• (AB)^H = B^H A^H，注意顺序要反过来，和转置的规则一样。
• (A^H)^H = A。
• 对于实矩阵，A^H 就等于 A^T，因为取共轭不影响实数。
• 模长的平方可以写成 x^H x，它等于所有分量模长的平方和，即 Σ|xᵢ|²。

最后这一条是整条证明的落脚点。x^H x 一定是一个非负实数，而且只要 x 不是零向量，它就严格大于零。这一点非常关键，因为它是一个"正实数"，可以用来做分母，也可以用来判断某个乘积的虚实。很多人证到最后一步不知道怎么收尾，就是因为没意识到 x^H x 是一个正实数。

另外还有一个初学者常混的点：x^H A x 到底是一个数还是一个矩阵。在线性代数的约定里，一个行向量乘矩阵再乘列向量，结果是一个 1×1 的矩阵，我们通常就把它当作一个标量来对待。把它当成标量之后，一个极其重要的性质就能用了：一个标量等于它自己的共轭转置。这条性质是后面"证明 x^H A x 是实数"的钥匙，务必记牢。

3. 主线证明：从 Ax = λx 到 λ 为实数

3.1 共轭一代入，等式就自动对称了

现在正式开工。设 A 是 n 阶实对称矩阵，也就是说 A 的每个元素都是实数，并且满足 Aᵀ = A，等价地 A^H = A。设 λ 是 A 的一个特征值，x 是对应的非零特征向量，这里的 x 允许是复向量。按定义有

Ax = λx， x ≠ 0

对两边同时取共轭。因为 A 是实矩阵，取共轭后 A 不变，于是得到

A x̄ = λ̄ x̄

这一步就是对称性之外，"A 是实矩阵"这个条件唯一被用到的地方，不要小看它。现在拿原式，两边左乘 x^H：

x^H A x = λ x^H x

到这一步，等式的左边是一个标量，记作 s = x^H A x。接下来就是全证明最精妙的一跳。因为 s 是标量，所以 s 一定等于它自己的共轭转置：

s = s^H = (x^H A x)^H = x^H A^H x = x^H A x = s

这一串等式看着像废话，但它其实传递了一个信息：s^H = s。一个标量等于它自己的共轭，意味着 s 的虚部为零，也就是 s 必须是实数。到这里，我们已经证明了 s = x^H A x 是实数。再回看等式 s = λ x^H x，右端两个因子相乘等于一个实数。而我们又知道 x^H x 是一个正实数，那么 λ 只能是实数，否则一个虚部不为零的复数乘以一个正实数，结果不可能落在实轴上。

把最后这一步写得更细一点：设 λ = a + bi，其中 a、b 为实数，x^H x = c 是正实数。那么

λ x^H x = (a + bi) c = ac + bci

这个结果要等于实数 s，就必须有 bc = 0。因为 c > 0，所以 b = 0，即 λ = a 是实数。证明完毕。整条路线干净利落，用到的东西只有三个：A 是实矩阵、A 是对称矩阵、x^H x 是正实数。

3.2 Rayleigh 商收尾，顺便打通数值计算的思路

上面最后得到的表达式 λ = x^H A x 除以 x^H x，这个比值在数值线性代数里有个正式的名字，叫 Rayleigh 商。它的分子分母都是实数，所以整体自然是实数，这可以作为对结论的另一种解释角度。

Rayleigh 商很值得多聊两句，因为它是连接纯理论和数值算法的桥梁。它有一个漂亮的极值性质：当 x 在单位球面上变动时，Rayleigh 商的最大值恰好等于 A 的最大特征值，最小值恰好等于最小特征值，取到极值时的 x 就是对应的特征向量。这条性质是幂法估计主特征值的理论基础。幂法的思想很朴素，就是反复用 A 去乘一个初始向量，向量会越来越靠近主特征向量，然后每步用 Rayleigh 商估计一下当前特征值。

你可能会问，既然特征值是实数，直接用 Rayleigh 商估计不就行了，为什么还要用更复杂的算法。原因是实务里的矩阵动辄几万维，直接算 Rayleigh 商每一步都要做一次矩阵向量乘，成本不低，而且收敛速度取决于最大特征值和次大特征值之间的比值，比值接近 1 的时候收敛会很慢。这些细节不在这篇的讨论范围，但你要知道，从这条证明延伸出去，前面就是一片数值计算的天地，而不是死路一条。

实操心得：我批改作业时，最常见的失分点不是推不出来，而是最后一步写"所以 λ = s / x^H x，是两个实数相除，故为实数"。这句话其实跳了一步，因为 s 是实数的结论需要单独论证，而 λ x^H x = s 是实数并不能直接推出 λ 是实数，必须补上 x^H x 是正实数、可以用除法这一步。把细节写全，才是真懂。

4. 换条路走：实虚部分解的初等证明

4.1 把特征向量拆成实部和虚部

第一条路线的缺点是依赖复内积和共轭转置，如果你对这些记号还不熟，理解起来会打折扣。第二条路线完全不碰复内积，只用实向量的点乘，思路是把复数拆成实部虚部，逐个消化。我把它称为"硬推流"，虽然啰嗦，但每一步都看得见摸得着。

设 λ 是特征值，写成 λ = α + iβ，其中 α、β 都是实数。设对应的特征向量 x = u + iv，其中 u 和 v 都是实向量。注意 x 非零，意味着 u 和 v 不能同时为零向量，这一点后面要用。代入 Ax = λx，注意 A 是实矩阵，作用在复向量上时对实部和虚部分别作用：

A(u + iv) = (α + iβ)(u + iv)

左边展开是 Au + iAv，右边展开是 (αu − βv) + i(βu + αv)。两个复数相等，当且仅当实部和虚部分别相等，于是得到两个实向量等式：

Au = αu − βv （实部等式） Av = βu + αv （虚部等式）

到这里，复数的问题就彻底变成实数的问题了，接下来要做的是想办法把 β 逼成零。单独看这两个等式看不出名堂，需要对它们做点乘消元，这也是本证明最巧妙的一步。

4.2 两个等式做点乘，β 就藏不住了

我们的目标是让 β 暴露出来，所以要把两个等式安排到一起。具体做法是：把实部等式两边同时对 v 做点乘，把虚部等式两边同时对 u 做点乘，然后相减。先算左边：

(Au)·v − (Av)·u = uᵀAᵀv − vᵀAᵀu = uᵀAv − vᵀAu = uᵀAv − uᵀAv = 0

这里连用了三步：第一步把点乘写成转置乘法，(Au)·v = uᵀAᵀv；第二步用对称性 Aᵀ = A；第三步把标量 vᵀAu 转置一下，因为标量转置等于自身，所以 vᵀAu = uᵀAᵀv = uᵀAv。三下五除二，左边就化成了零。这一步是整条证明的灵魂，对称性在这里被用到刀刃上。

再算右边：

(αu − βv)·v − (βu + αv)·u = αu·v − βv·v − βu·u − αv·u

注意到 u·v = v·u，所以含 α 的两项 αu·v 和 αv·u 正好抵消，只剩下 −β(v·v) − β(u·u)，也就是 −β(|u|² + |v|²)。把左右两边放在一起：

0 = −β(|u|² + |v|²)

因为 x 非零，所以 |u|² + |v|² 就是 |x|² 的平方和，一定大于零。于是唯一的可能是 β = 0，从而 λ = α 是实数。证完。这条路线的好处是，你完全不需要知道共轭转置和内积是什么，只要会实向量的点乘和转置运算法则就行，特别适合刚入门的人拿来练手。

常见问题：这一步里 α 的抵消不是巧合，它恰恰反映了对称矩阵没有"旋转成分"。如果 A 是一般的非对称实矩阵，这一步消不掉，β 就可能不为零，特征值就会是复数。所以这个证明同样在告诉你，对称性消灭的是旋转扭曲。

5. 代码验证与数值实验

5.1 用 NumPy 快速验证一遍

理论推导完了，最好动手跑一遍，把抽象的结论落到具体数字上。Python 的 NumPy 库里有现成的特征值求解函数，我们可以直接拿它来验证。下面这段代码构造一个随机的实对称矩阵，然后求它的特征值，看虚部是不是零。

import numpy as np rng = np.random.default_rng(42) n = 6 B = rng.standard_normal((n, n)) A = B + B.T # 构造实对称矩阵 assert np.allclose(A, A.T) # 确认它确实对称 vals, vecs = np.linalg.eig(A) print("特征值：", vals) print("虚部绝对值最大值：", np.max(np.abs(vals.imag)))

跑出来你会看到特征值全是实数，虚部在 1e-15 这个量级，属于浮点误差，不是真的复特征值。这里要特别注意，浮点运算的结果永远带着微小误差，判断虚部是否为零不能直接用 == 0，而要用一个阈值来判断。这一步是很多数值实验的必备习惯。

接下来还可以验证特征对的残差，看看 Ax 是不是真的等于 λx：

for i in range(n): lam = vals[i] v = vecs[:, i] residual = np.linalg.norm(A @ v - lam * v) print(f"第{i}个特征对的残差：{residual:.2e}")

残差应该都很小，说明求解结果和理论一致。如果你想再进一步，对称矩阵还有一条更漂亮的性质：特征向量互相正交。可以算出特征向量矩阵的转置乘自身，看看是不是接近单位阵：

gram = vecs.T @ vecs print("正交性偏差：", np.max(np.abs(gram - np.eye(n))))

这个偏差也会在浮点误差量级，说明特征向量确实构成了一组标准正交基。这一步是谱定理的直接体现，也是主成分分析里把数据投影到主成分方向上不会互相干扰的原因。

5.2 随机大规模矩阵的实验观察

小矩阵验证完，最好再在更大规模上跑一跑，观察结论的稳健性。下面这段代码重复构造一千次对称矩阵，每次都记录特征值虚部的最大值，最后看整体分布。

import numpy as np rng = np.random.default_rng(0) max_imag = [] for _ in range(1000): n = 20 B = rng.standard_normal((n, n)) A = B + B.T vals = np.linalg.eigvalsh(A) # 专为对称矩阵优化 max_imag.append(np.max(np.abs(vals.imag))) max_imag = np.array(max_imag) print("虚部最大值的全局最大值：", max_imag.max()) print("虚部最大值的平均水平：", max_imag.mean())

这里我特意换成了np.linalg.eigvalsh，它是专门针对对称矩阵优化的函数，背后用的算法能利用对称性把计算量和误差都压下来。这个函数本身就是"对称矩阵特征值必为实数"这条结论在工程里的直接产物，因为它返回的数组默认就是实数类型，连虚部都不给你留。你可以做个对照实验，把 A 换成一个不对称的随机矩阵，再看虚部，就会发现复数特征值开始冒头了。这个对照能帮你更直观地理解对称性的作用。

提示：np.linalg.eig是不分矩阵类型的通用求解器，返回复数；np.linalg.eigvalsh只接受对称或 Hermitian 矩阵，返回实数。写代码时用哪个函数，取决于你能不能先确认矩阵的对称性，这也提醒我们，理论上的对称性判断在工程中是有价值的信息。

6. 常见踩坑与追问

6.1 证明里几个高频符号错误

第一条路线里最常出错的符号点，我整理成了一张表，方便你对照自查。这些错误单独看都很小，但在正式考试或论文写作里，任何一个都可能被扣分，因为它们暴露的是对概念的理解有漏洞，而不是笔误。

其中最隐蔽的是第一条，λ 的共轭经常被顺手漏掉。很多人推的时候心里想的是"反正最后要证 λ 是实数，取不取共轭无所谓"，但这是用结论当前提，逻辑上不成立。证明过程中所有的共轭都必须严格带上，最后才能干净地推出 β = 0 或者虚部为零。

还有一条关于 x^H A x 是实数这一步，很多人写得太简，直接一句"显然它是实数"。其实这里要用到"标量等于其共轭转置"这条性质，展开写成 x^H A x = (x^H A x)^H = x^H A^H x = x^H A x，才能说清楚。虽然看着绕，但这正是对称性发挥作用的地方，省掉它等于把证明的核心跳过去了。

6.2 几个容易混淆的近邻结论辨析

学到这里，很容易把一串相关结论搅在一起，我把它们放在一张表里对比，帮你理清边界。这些结论在考试里特别容易考，因为它们看起来像，但成立方向不同，有的可逆有的不可逆。

这张表里最值得琢磨的是第一行和第二行的对比。命题"对称推出实数"成立，但反过来"实数推不出对称"，说明实数特征值只是对称矩阵的一个必要不充分结果。很多人在做题时会把这里的方向搞反，看到特征值是实数就断言矩阵对称，这是典型的逻辑倒置。

第三行和第四行则是在提示推广的方向。把实数域换成复数域，对称换成 Hermitian，整个证明几乎一字不改就能搬过去。这正是我推荐你先吃透第一条路线的原因，它给你的不是一道题的答案，而是一个可以迁移的框架。等你以后遇到正规矩阵、酉矩阵、奇异值分解，会发现底层的手法都是同一套：利用某个对称性，把某个复数量逼成实数量，再做进一步判断。

实操心得：我在给学生做答疑时，喜欢用一句话总结整篇证明的精髓，那就是"对称性把旋转成分消灭掉了，剩下的只有实伸缩"。第一条路线里 x^H A x 是实数，第二条路线里含 α 的项自动抵消，表达的都是同一件事。理解了这句话，复杂的符号运算就不再是一盘散沙，而是有主线的推理链条。

我个人在反复写这条证明的过程中最大的体会是，真正难的不是某个技巧，而是每一步都要清楚"我为什么要这么做"。为什么要取共轭，是为了让 λ 也出现在等式里；为什么要左乘 x^H，是为了凑出可以判断虚实的 x^H A x；为什么要用 A 是实矩阵，是因为不这样 Ā 就消不掉。这套"先明确目标，再倒推工具"的思路，其实不只是证这一道题有用，处理任何稍微复杂的推导都是一样的。