前言
不同特征值对应的特征向量相互正交,是实对称矩阵的一个重要属性,而且从这个属性出发可以证明实对称矩阵的另一个属性:实对称矩阵必可相似对角化。对于一个 n 维矩阵,其可相似对角化的充分且必要条件是——具有 n 个线性无关的特征向量。如果一个 n 维矩阵的不同特征值对应的特征向量相互正交,那么这个矩阵不同特征值对应的特征向量之间线性无关,又因为实对称矩阵 A 的 k 重特征值所对应的线性无关的特征向量恰有 k 个,则 n 维实对称矩阵必然具有 n 个线性无关的特征向量,所以,实对称矩阵必可相似对角化。
本文的中心是证明——对于实对称矩阵,不同特征值对应的特征向量相互正交。
证明
给定一个 n 维实对称矩阵 S S S ,用 λ , α \lambda, \alpha λ,α 表示它的两个不等的特征值,用 x , y x, y x,y 分别表示 S S S 对应于 λ , α \lambda, \alpha λ,α 的特征向量,即: S T = S , S x = λ x , S y = α y ( α ≠ λ ) S^T=S,\ Sx=\lambda x ,\ Sy=\alpha y \ (\alpha \neq \lambda) ST=S, Sx=λx, Sy=αy (α=λ).
对
S
x
=
λ
x
Sx=\lambda x
Sx=λx 两边转置,得
x
T
S
T
=
λ
x
T
x^TS^T=\lambda x^T
xTST=λxT,再往两端右乘一个
y
y
y,并利用
S
T
=
S
S^T=S
ST=S,得:
x
T
S
y
=
λ
x
T
y
(1)
x^TSy = \lambda x^Ty \tag{1}
xTSy=λxTy(1)
对
S
y
=
α
y
Sy=\alpha y
Sy=αy 两端左乘一个
x
T
x^T
xT,得:
x
T
S
y
=
α
x
T
y
(2)
x^TSy=\alpha x^Ty \tag{2}
xTSy=αxTy(2)
再用 式
(
1
)
(1)
(1) 减去 式
(
2
)
(2)
(2):
0
=
(
λ
−
α
)
x
T
y
(3)
0 = (\lambda - \alpha)x^Ty \tag{3}
0=(λ−α)xTy(3)
已知
λ
≠
α
\lambda \neq \alpha
λ=α,所以只能是
x
T
y
=
0
x^Ty=0
xTy=0,即特征向量
x
x
x 与特征向量
y
y
y 相互正交,故得证:对于实对称矩阵,不同特征值对应的特征向量相互正交。
参考源
- Lecture 4: Eigenvalues and Eigenvectors(Matrix Methods in Data Analysis, Signal Processing, and Machine Learning)by Prof. Gilbert Strang.