对称矩阵特征向量正交的推导

最新推荐文章于 2024-01-24 13:49:08 发布

fannqin

最新推荐文章于 2024-01-24 13:49:08 发布

阅读量9.8k

点赞数 7

分类专栏：线性代数

原文链接：https://blog.csdn.net/btchengzi0/article/details/57075361###

版权

线性代数专栏收录该内容

1 篇文章

订阅专栏

对于对称方阵A，如有特征解 $\lambda _{1}$ 对应特征向量 $x_{1}$ ，特征解 $\lambda _{2}$ 对应特征向量 $x_{2}$ ，根据特征向量的定义，有：

$A * x_{1} =\lambda _{1} * x_{1} \, \, \, \, \, \, ( 1 )$

$A * x_{2} =\lambda _{2} * x_{2} \, \, \, \, \, \, ( 2 )$

如 $x_{1}$ 和 $x_{2}$ 正交，则必有 $x_{1}^{T}x_{2}=0$ 。

欲证明此式，可构造非零表达式常数K，使得 $K*(x_{1}^{T}x_{2})=0$ ，而因 $\lambda _{1}$ 和 $\lambda _{2}$ 是不同的特征解，即 $\lambda _{1}\neq \lambda _{2}$ ，故K式可为 $\lambda _{2}-\lambda _{1}$ ，下面来构造此式：

① 左乘 $x_{2}^{^{T}}$ ，得：

$x_{2}^{T}*A * x_{1} =\lambda _{1} * x_{2}^{T}*x_{1} \, \, \, \, \, \, ( 3 )$

②左乘 $x_{1}^{^{T}}$ ,得：

$x_{1}^{T}*A * x_{2} =\lambda _{2} * x_{1}^{T}*x_{2} \, \, \, \, \, \, ( 4 )$

$x_{2}^{T}x_{1}$ 由于 $x_{1}$ 和 $x_{2}$ 都是列向量，故结果为1X1矩阵，亦即 $x_{2}^{T}x_{1}=x_{1}^{T}x_{2}$ , （3）式等价于：

$x_{2}^{T}*A * x_{1} =\lambda _{1} * x_{1}^{T}*x_{2} \, \, \, \, \, \, ( 5 )$

（4） - （5）式，得

$x_{1}^{T}*A * x_{2}-x_{2}^{T}*A * x_{1} =(\lambda _{2}-\lambda _{1}) * x_{1}^{T}*x_{2} \, \, \, \, \, \, ( 6 )$

（6）式等号左边为：

$\sum x_{1i}*A_{ij}*x_{2j}-\sum x_{2i}*A_{ij}*x_{1j}\: \; \; (7)$ ，

又因A是对称矩阵，故有 $A_{ij}=A_{ji}$ ，故（7）可化为：

$\sum x_{1i}*A_{ij}*x_{2j}-\sum x_{2i}*A_{ij}*x_{1j} ={\color{Blue} \sum x_{1i}*A_{ij}*x_{2j}-\sum x_{2i}*A_{ji}*x_{1j}} =\sum x_{1i}*A_{ij}*x_{2j}-\sum x_{1i}*A_{ij}*x_{2j}=0$

故（6）等式右边

${\color{Blue} (\lambda _{2}-\lambda _{1}) * x_{1}^{T}*x_{2} =0}$ ，

因 $\lambda _{1}\neq \lambda _{2}$ ，故 $x_{1}^{T}x_{2}$ 必为0，亦即 $x_{1}$ 和 $x_{2}$ 正交，证毕。

但如果 ${\color{Blue} \lambda _{1}= \lambda _{2}}$ ，那么不一定正交，但可以选出正交的向量。

因此对称矩阵可以写成： $\bg_white A=Q\Lambda Q^{T}$ （其中Q为标准正交矩阵orthonormal matrix， $\Lambda$ 为由A的特征值组成的diagonal matrix）

注：从https://blog.csdn.net/btchengzi0/article/details/57075361###整理