\(A\)为方阵, \(x_1, x_2\)分别为\(\lambda_1, \lambda_2\)对应的特征向量, \(\lambda_1 \neq \lambda_2\).

不同特征值对应的特征向量线性不相关, 即\(x_1, x_2\)线性不相关

假设\(x_1, x_2\)线性相关, 则存在非0值\(k\)使得\(x_1 = k x_2\)成立. 可得:
\[A x_1 = k A x_2 \]
\[\lambda_1 x_1 =k \lambda_1 x_2 = k \lambda_2 x_2\]
\[\lambda_1 = \lambda_2\]
矛盾.

对称阵不同特征值对应的特征向量不仅不线性相关, 还相互垂直, 即当\(A = A^T\)时, \(x_1 ^ Tx_2 = 0\)

\[ x_1^T x_2 = \frac {x_1 ^ T \lambda_2 x_2}{\lambda_2} \\= \frac {x_1 ^ T A x_2}{\lambda_2} \\= \frac {x_1 ^ T A^T x_2}{\lambda_2} \\= \frac {x_2^T A x_1 }{\lambda_2} \\= \frac {x_2^T \lambda_1 x_1 }{\lambda_2} \\= x_2^Tx_1 \frac {\lambda_1 }{\lambda_2} \]
要么\(\frac {\lambda_1 }{\lambda_2} = 1\), 要么\(x_1 ^ Tx_2 = 0\), 而\(\lambda_1 \neq \lambda_2\), 所以只能是\(x_1 ^ Tx_2 = 0\).

转载于:https://www.cnblogs.com/dengdan890730/p/6152812.html

不同特征值对应的特征向量相关推荐

证明Ax=0的最小二乘解是ATA的最小特征值对应的特征向量(||x||＝1)
证明: 当 ||x||＝1时,Ax=0的最小二乘解是ATAA^TAATA的最小特征值对应的特征向量证:上式等同于证明如下命题:ATAA^TAATA的最小特征值所对应的特征向量可使||Ax||最小. ...
证明：矩阵不同特征值对应的特征向量之间线性无关
前言学习矩阵对角化(diagonalization)时需要了解一个定理:不同特征值对应的特征向量线性无关.我们知道,一个 n 维矩阵是否可以对角化取决于其是否具有 n 个线性无关的特征向量.所以,在 ...
证明：不同特征值对应的特征向量线性无关
证明设 λ 1 , . . . , λ k \lambda_1, ..., \lambda_k λ1,...,λk 为方针 A n × n A^{n\times n} An×n的 k k k 个 ...
matlab——求矩阵最大特征值对应的特征向量
A=[1,1,2,3,4;1,1,1,2,3;1/2,1,1,1,2;1/3,1/2,1,1,1;1/4,1/3,1/2,1,1];%待求矩阵[x,y]=eig(A);%求矩阵的特征值和特征向量,x为 ...
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
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- ...
【深度学习】特征值分解与特征向量
[深度学习] 特征值分解与特征向量特征值分解可以得到特征值与特征向量,特征值表示的是这个特征到底有多重要,而特征向量表示这个特征是什么. 如果说一个向量 v是方阵A 的特征向量,将一定可以表示成下 ...
机器学习基础：特征值分解与特征向量
机器学习基础:特征值分解与特征向量特征值分解可以得到特征值与特征向量,特征值表示的是这个特征到底有多重要,而特征向量表示这个特征是什么. 如果说一个向量v是一个方阵A的特征向量,将一可以表示成下面形 ...
matlab向量归一化_已知近似的特征值，求特征向量
对于矩阵A, 已知它的一个近似的特征值, . 一般特征值问题在已知特征值后,可确定齐次线性方程 , 是一个齐次线性方程组,且有非零解,即可用null解得其解空间.然而, 在数值上行列式不严格为零,则无 ...
怎么用matlab求特征向量,MATLAB用eig()函数求【特征值】【特征向量】【归一化
在MATLAB中,计算矩阵A的特征值和特征向量的函数是eig(A),常用的调用格式有 5种: (1) E=eig(A):求矩阵A的全部特征值,构成向量E. 想求最大特征值用:max(eig(A))就好 ...
python求特征值以及特征向量，并且输出最小特征值对应的特征向量
我们输入一个对角阵 import numpy as np A=np.diag((1,2,3)) #求矩阵特征值以及特征向量 eig_value,eig_vector=np.linalg.eig(rel ...

不同特征值对应的特征向量

不同特征值对应的特征向量线性不相关, 即\(x_1, x_2\)线性不相关

对称阵不同特征值对应的特征向量不仅不线性相关, 还相互垂直, 即当\(A = A^T\)时, \(x_1 ^ Tx_2 = 0\)

不同特征值对应的特征向量相关推荐

最新文章

热门文章