埃爾米特矩陣

埃爾米特矩陣（英語：Hermitian matrix，又譯作厄米特矩陣，厄米矩陣），也稱自伴隨矩陣，是共軛對稱的方陣。埃爾米特矩陣中每一個第i行第j列的元素都與第j行第i列的元素的複共軛。例如${\displaystyle {\begin{bmatrix}3&2+i\\2-i&1\end{bmatrix}}}$就是一個埃爾米特矩陣。

線性代數
${\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}$
向量 · 向量空間 · 基底  · 行列式  · 矩陣
向量 純量 · 向量 · 向量空間 · 向量投影 · 外積（叉積 · 七維叉積） · 內積（點積） · 二重向量 矩陣與行列式 矩陣 · 行列式 · 線性方程組 · 秩 · 核 · 跡 · 單位矩陣 · 初等矩陣 · 方塊矩陣 · 分塊矩陣 · 三角矩陣 · 非奇異方陣 · 轉置矩陣 · 逆矩陣 · 對角矩陣 · 可對角化矩陣 · 對稱矩陣 · 反對稱矩陣 · 正交矩陣 · 么正矩陣 · 埃爾米特矩陣 · 反埃爾米特矩陣 · 正規矩陣 · 伴隨矩陣 · 餘因子矩陣 · 共軛轉置 · 正定矩陣 · 冪零矩陣 · 矩陣分解 （LU分解 · 奇異值分解 · QR分解 · 極分解 · 特徵分解） · 子式和餘子式 · 拉普拉斯展開 · 克羅內克積 線性空間與線性轉換 線性空間 · 線性轉換 · 線性子空間 · 線性生成空間 · 基 · 線性映射 · 線性投影 · 線性獨立 · 線性組合 · 線性泛函 · 行空間與列空間 · 對偶空間 · 正交 · 特徵向量 · 最小平方法 · 格拉姆-施密特正交化
閱 論 編

顯然，埃爾米特矩陣主對角線上的元素都是實數，其特徵值也是實數。對於實矩陣，如果它是對稱矩陣，則它也滿足埃爾米特矩陣的定義，即，實對稱矩陣是埃爾米特矩陣的特例。

定義

對於矩陣${\displaystyle A\in C^{n\times n}}$，若對A中任意元素${\displaystyle a_{i,j}}$和${\displaystyle a_{j,i}}$有：

${\displaystyle a_{i,j}={\overline {a_{j,i}}}}$

其中${\displaystyle {\overline {(\cdot )}}}$為共軛算子，則記作${\displaystyle A=A^{H}}$，其中${\displaystyle {(\cdot )}^{H}}$為共軛轉置，稱A為埃爾米特矩陣。

性質

• 若A和B是埃爾米特矩陣，那麼它們的和A+B也是埃爾米特矩陣；而只有在A和B滿足交換性（即AB = BA）時，它們的積才是埃爾米特矩陣。
• 可逆的埃爾米特矩陣A的逆矩陣A^-1仍然是埃爾米特矩陣。
• 如果A是埃爾米特矩陣，對於正整數n，Aⁿ是埃爾米特矩陣。
• 方陣C與其共軛轉置的和${\displaystyle C+(C^{*})}$是埃爾米特矩陣，
• 方陣C與其共軛轉置的差${\displaystyle C-C^{*}}$是斜埃爾米特矩陣。
• 任意方陣C都可以用一個埃爾米特矩陣A與一個斜埃爾米特矩陣B的和表示：

${\displaystyle C=A+B\quad {\mbox{with}}\quad A={\frac {1}{2}}(C+C^{*})\quad {\mbox{and}}\quad B={\frac {1}{2}}(C-C^{*})}$。

• 埃爾米特矩陣是正規矩陣，因此埃爾米特矩陣可被酉對角化，而且得到的對角陣的元素都是實數。這意味著埃爾米特矩陣的特徵值都是實的，而且不同的特徵值所對應的特徵向量相互正交，因此可以在這些特徵向量中找出一組Cⁿ的正交基。
• n-階埃爾米特矩陣的元素構成維數為n²的實向量空間，因為主對角線上的元素有一個自由度，而主對角線之上的元素有兩個自由度。
• 如果埃爾米特矩陣的特徵值都是正數，那麼這個矩陣是正定矩陣，若它們是非負的，則這個矩陣是半正定矩陣。

埃爾米特序列

埃爾米特序列（亦或埃爾米特向量）指滿足下列條件的序列a_k（其中k = 0, 1,..., n）：

${\displaystyle \Im (a_{0})=0\quad {\mbox{and}}\quad a_{k}={\overline {a_{n-k}}}\quad {\mbox{for }}k=1,2,\dots ,n}$。

若n是偶數，則a_n/2是實數。

實數序列的離散傅立葉轉換是埃爾米特序列。反之，一個埃爾米特序列的逆離散傅立葉轉換是實序列。

參見

• 共軛轉置
• 正規矩陣
• 辛矩陣
• 么正群
• 酉算子
• 矩陣分解

參考資料