当前位置:主页 > 查看内容

实对称矩阵不同特征值对应的特征向量都正交

发布时间:2021-04-26 00:00| 位朋友查看

简介:谈谈特征向量的正交性 小唠嗑 一、定理实对称矩阵不同特征值对应的特征向量都正交 二、证明思路总结 结尾小独白 小唠嗑 很多时候自己学一些新知识的时候总是会用到之前学过的知识点但是由于有些点比较零散不太能串成一条线。所以目前的我就准备遇到一个知识……


小唠嗑

很多时候自己学一些新知识的时候,总是会用到之前学过的知识点,但是由于有些点比较零散,不太能串成一条线。所以目前的我就准备遇到一个知识点便写出来回顾一下,积累多了再找个时间再汇个总,梳理一下给它串起来。话不多说!
今天就谈谈特征向量的正交性吧!
Let 's begin!

一、定理:实对称矩阵不同特征值对应的特征向量都正交

证明:设 λ 1 \lambda_1 λ1?, λ 2 \lambda_2 λ2? A A A的两个不同的特征值, α 1 \alpha_1 α1?, α 2 \alpha_2 α2?分别是其对应的特征向量
即有: A α 1 = λ 1 α 1 A α 2 = λ 2 α 2 A\alpha_1=\lambda_1\alpha_1\quad\quad\quad A\alpha_2=\lambda_2\alpha_2 Aα1?=λ1?α1?Aα2?=λ2?α2?

两边取转置: α 1 T A = λ 1 α 1 T α 2 T A = λ 2 α 2 T \alpha_1^TA=\lambda_1\alpha_1^T\quad \quad\quad \alpha_2^TA=\lambda_2\alpha_2^T α1T?A=λ1?α1T?α2T?A=λ2?α2T?
两式分别右乘 α 2 \alpha_2 α2? α 1 \alpha_1 α1?,则有:
α 1 T A α 2 = λ 1 α 1 T α 2 ( 1 ) \alpha_1^TA\alpha_2=\lambda_1\alpha_1^T\alpha_2\quad\quad\quad\quad\quad\quad(1) α1T?Aα2?=λ1?α1T?α2?(1)
α 2 T A α 1 = λ 2 α 2 T α 1 ( 2 ) \alpha_2^TA\alpha_1=\lambda_2\alpha_2^T\alpha_1\quad\quad\quad\quad\quad\quad(2) α2T?Aα1?=λ2?α2T?α1?(2)
再对 ( 2 ) (2) (2)式两端取转置有: α 1 T A α 2 = λ 2 α 1 T α 2 ( 3 ) \alpha_1^TA\alpha_2=\lambda_2\alpha_1^T\alpha_2\quad\quad\quad\quad\quad(3) α1T?Aα2?=λ2?α1T?α2?(3)
( 1 ) ? ( 3 ) (1)-(3) (1)?3式得: 0 = ( λ 1 ? λ 2 ) α 1 T α 2 0=(\lambda_1-\lambda_2)\alpha_1^T\alpha_2 0=(λ1??λ2?)α1T?α2?
∵ λ 1 ≠ λ 2 \because\quad\lambda_1\neq\lambda_2 λ1??=λ2?
∴ α 1 T α 2 = 0 \therefore\quad \alpha_1^T\alpha_2=0 α1T?α2?=0
α 1 \alpha_1 α1? α 2 \alpha_2 α2?正交得证。

二、证明思路总结

其证明的核心思想是取转置,两式左边构造成一致,做差后利用特征值不相同得出特征向量正交。

结尾小独白

Amazing !这已经是第四篇博客了哈哈哈哈哈,我也没想到我还能继续写下去,为了写一篇优化算法的博客出来就会牵涉到好多小的知识点,所以我得先把这些小的知识写出来铺垫一下。接下来还有好几个碎片化知识点和一个优化算法的博客需要发出来,干就完事!(latax写公式确实还挺🆒)
如果解决了你的小困惑,希望一键三连支持一下!yeah!yeah!yeah!

;原文链接:https://blog.csdn.net/weixin_41996745/article/details/115421309
本站部分内容转载于网络,版权归原作者所有,转载之目的在于传播更多优秀技术内容,如有侵权请联系QQ/微信:153890879删除,谢谢!
上一篇:2021年字节跳动大数据研发岗面试复盘 下一篇:没有了

推荐图文


随机推荐