【证明】对称矩阵的特征值为实数

这篇具有很好参考价值的文章主要介绍了【证明】对称矩阵的特征值为实数。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

性质 1 对称矩阵的特征值为实数。

证明 设复数矩阵 X = ( x i j ) \boldsymbol{X} = (x_{ij}) X=(xij) x ‾ i j \overline{x}_{ij} xij x i j x_{ij} xij 的共轭复数,记 X ‾ = ( x ‾ i j ) \overline{\boldsymbol{X}} = (\overline{x}_{ij}) X=(xij),即 X ‾ \overline{\boldsymbol{X}} X 是由 X \boldsymbol{X} X 的对应元素的共轭复数构成的矩阵。

设复数 λ \lambda λ 为对称矩阵 A \boldsymbol{A} A 的特征值,复向量 x \boldsymbol{x} x 为对应的特征向量,即 A x = λ x \boldsymbol{A} \boldsymbol{x} = \lambda \boldsymbol{x} Ax=λx x ≠ 0 \boldsymbol{x} \ne \boldsymbol{0} x=0

λ ‾ \overline{\lambda} λ 表示 λ \lambda λ 的共轭复数,而 A \boldsymbol{A} A 为实矩阵,有 A = A ‾ \boldsymbol{A} = \overline{\boldsymbol{A}} A=A,故
A x ‾ = A ‾ x ‾ = A x ‾ = λ x ‾ = λ ‾ x ‾ (1) \boldsymbol{A} \overline{\boldsymbol{x}} = \overline{\boldsymbol{A}} \overline{\boldsymbol{x}} = \overline{\boldsymbol{A} \boldsymbol{x}} = \overline{\lambda \boldsymbol{x}} = \overline{\lambda} \overline{\boldsymbol{x}} \tag{1} Ax=Ax=Ax=λx=λx(1)
于是有
x ‾ T A x = x ‾ T ( A x ) = x ‾ T λ x = λ x ‾ T x (2) \overline{\boldsymbol{x}}^T \boldsymbol{A} \boldsymbol{x} = \overline{\boldsymbol{x}}^T (\boldsymbol{A} \boldsymbol{x}) = \overline{\boldsymbol{x}}^T \lambda \boldsymbol{x} = \lambda \overline{\boldsymbol{x}}^T \boldsymbol{x} \tag{2} xTAx=xT(Ax)=xTλx=λxTx(2)
及根据 ( 1 ) (1) (1) 式有
x ‾ T A x = x ‾ T A T x = ( A x ‾ ) T x = ( λ ‾ x ‾ ) T x = λ ‾ x ‾ T x (3) \overline{\boldsymbol{x}}^T \boldsymbol{A} \boldsymbol{x} = \overline{\boldsymbol{x}}^T \boldsymbol{A}^T \boldsymbol{x} = (\boldsymbol{A} \overline{\boldsymbol{x}})^T \boldsymbol{x} = (\overline{\lambda} \overline{\boldsymbol{x}})^T \boldsymbol{x} = \overline{\lambda} \overline{\boldsymbol{x}}^T \boldsymbol{x} \tag{3} xTAx=xTATx=(Ax)Tx=(λx)Tx=λxTx(3)
( 2 ) (2) (2) 式减 ( 3 ) (3) (3) 式,得
( λ − λ ‾ ) x ‾ T x = 0 (\lambda - \overline{\lambda}) \overline{\boldsymbol{x}}^T \boldsymbol{x} = 0 (λλ)xTx=0
因为 x ≠ 0 \boldsymbol{x} \ne 0 x=0,所以
x ‾ T x = ∑ i = 1 n x ‾ i x i = ∑ i = 1 n ∣ x i ∣ 2 ≠ 0 \overline{\boldsymbol{x}}^T \boldsymbol{x} = \sum_{i=1}^n \overline{x}_i x_i = \sum_{i=1}^n |x_i|^2 \ne 0 xTx=i=1nxixi=i=1nxi2=0
λ − λ ‾ = 0 \lambda - \overline{\lambda} = 0 λλ=0,即 λ = λ ‾ \lambda = \overline{\lambda} λ=λ,这就说明 λ \lambda λ 是实数。得证。文章来源地址https://www.toymoban.com/news/detail-443145.html

到了这里,关于【证明】对称矩阵的特征值为实数的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 实对称矩阵的奇异值等于特征值

    首先,来看一下什么叫作矩阵的奇异值,根据课本上的定义 1 定理1: 实对称矩阵的奇异值等于其特征值. 证明: 对于实对称矩阵 A A A , 其特征值为 λ 1 , λ 2 , . . . , λ n lambda_1,lambda_2,...,lambda_n λ 1 ​ , λ 2 ​ , . . . , λ n ​ . 由某个定理可知(自己查找一下), A 2 A^2 A 2 的特

    2024年02月06日
    浏览(46)
  • 线性代数|证明:矩阵不同特征值对应的特征向量线性无关

    定理 1 设 λ 1 , λ 2 , ⋯   , λ m lambda_1,lambda_2,cdots,lambda_m λ 1 ​ , λ 2 ​ , ⋯ , λ m ​ 是方阵 A boldsymbol{A} A 的 m m m 个特征值, p 1 , p 2 , ⋯   , p m boldsymbol{p}_1,boldsymbol{p}_2,cdots,boldsymbol{p}_m p 1 ​ , p 2 ​ , ⋯ , p m ​ 依次是与之对应的特征向量,如果 λ 1 , λ 2 , ⋯   , λ

    2024年02月07日
    浏览(58)
  • 雅可比旋转(Jacobi法)求对称矩阵的特征值和特征向量

    该方法是求解 对称矩阵 全部特征值和特征向量的一种方法,它基于以下结论: ① 任何实对称矩阵A可以通过正交相似变换成对角型 ,即存在正交矩阵Q,使得 Q T A Q = d i a g ( λ 1 , λ 2 , … , λ n ) Q^TAQ=diag(λ1,λ2,…,λn) Q T A Q = d ia g ( λ 1 , λ 2 , … , λn ) 其中λi(i=1,2,…,n)是A的特征

    2024年01月23日
    浏览(47)
  • 证明矩阵特征值之积等于矩阵行列式的值

    设n阶矩阵 A A A 的特征值为 λ 1 , λ 2 , . . , λ n lambda_1, lambda_2,..,lambda_n λ 1 ​ , λ 2 ​ , .. , λ n ​ ,则 λ 1 λ 2 ⋯ λ n = ∣ A ∣ 。 lambda_1lambda_2cdotslambda_n = |A|。 λ 1 ​ λ 2 ​ ⋯ λ n ​ = ∣ A ∣ 。 证明: 矩阵 A A A 的特征多项式为: f ( λ ) = ∣ λ E − A ∣ = ∣ λ − a 11 −

    2024年02月16日
    浏览(42)
  • 【证明】矩阵特征值之和等于主对角线元素之和

    性质 1 设 n n n 阶矩阵 A = ( a i j ) boldsymbol{A} = (a_{ij}) A = ( a ij ​ ) 的特征值为 λ 1 , λ 2 , ⋯   , λ n lambda_1,lambda_2,cdots,lambda_n λ 1 ​ , λ 2 ​ , ⋯ , λ n ​ ,则 λ 1 + λ 2 + ⋯ + λ n = a 11 + a 22 + ⋯ + a n n lambda_1 + lambda_2 + cdots + lambda_n = a_{11} + a_{22} + cdots + a_{nn} λ 1 ​ + λ 2 ​

    2024年02月04日
    浏览(50)
  • 线性代数|证明:矩阵特征值之积等于矩阵行列式的值

    性质 1 设 n n n 阶矩阵 A = ( a i j ) boldsymbol{A} = (a_{ij}) A = ( a ij ​ ) 的特征值为 λ 1 , λ 2 , ⋯   , λ n lambda_1,lambda_2,cdots,lambda_n λ 1 ​ , λ 2 ​ , ⋯ , λ n ​ ,则 λ 1 λ 2 ⋯ λ n = ∣ A ∣ lambda_1 lambda_2 cdots lambda_n = |boldsymbol{A}| λ 1 ​ λ 2 ​ ⋯ λ n ​ = ∣ A ∣ 。 证明 不妨设

    2024年02月08日
    浏览(49)
  • 线性代数|证明:矩阵特征值之和等于主对角线元素之和

    性质 1 设 n n n 阶矩阵 A = ( a i j ) boldsymbol{A} = (a_{ij}) A = ( a ij ​ ) 的特征值为 λ 1 , λ 2 , ⋯   , λ n lambda_1,lambda_2,cdots,lambda_n λ 1 ​ , λ 2 ​ , ⋯ , λ n ​ ,则 λ 1 + λ 2 + ⋯ + λ n = a 11 + a 22 + ⋯ + a n n lambda_1 + lambda_2 + cdots + lambda_n = a_{11} + a_{22} + cdots + a_{nn} λ 1 ​ + λ 2 ​

    2024年02月08日
    浏览(46)
  • 标准化拉普拉斯矩阵特征值范围为什么小于等于2?(证明)

    谱图使用标准化拉普拉斯矩阵 L n o r m L^{norm} L n or m 的一个重要原因就是, L n o r m L^{norm} L n or m 比拉普拉斯矩阵 L L L 稳定。很多资料只是简单地介绍了 L n o r m L^{norm} L n or m ,在kipfGCN中也只是简单地提到 L n o r m L^{norm} L n or m 的特征值不大于2。本文搜集了相关lecture,并推导

    2024年02月11日
    浏览(61)
  • 【OpenCV4】计算对称矩阵特征值和特征向量 cv::eigen() 用法详解和代码示例(c++)

    解析: src:输入矩阵,只能是 CV_32FC1 或 CV_64FC1 类型的方阵(即矩阵转置后还是自己) eigenvalues:输出的特征值组成的向量,数据类型同输入矩阵,排列从大到小 eigenvectors:输出的特征向量组成的矩阵,数据类型同输入矩阵,每一行是一个特征向量,对应相应位置的特征值

    2024年02月13日
    浏览(46)
  • (done) Positive Semidefinite Matrices 什么是半正定矩阵?如何证明一个矩阵是半正定矩阵? 可以使用特征值

    参考视频:https://www.bilibili.com/video/BV1Vg41197ew/?vd_source=7a1a0bc74158c6993c7355c5490fc600 参考资料(半正定矩阵的定义):https://baike.baidu.com/item/%E5%8D%8A%E6%AD%A3%E5%AE%9A%E7%9F%A9%E9%98%B5/2152711?fr=ge_ala 看看半正定矩阵的定义: 正定矩阵是 0,半正定矩阵是 = 0 根据定义来看,半正定矩阵也有 “实

    2024年02月22日
    浏览(53)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包