Python 具有随机高斯元素的5x5对称矩阵特征值的收敛性

我的问题涉及到将一个5x1向量反复应用于一个具有高斯随机元素的5x5对称矩阵。我想证明我对特征值的估计是收敛的（逐渐趋于零）

我使用了一个与这里找到的代码类似的代码：并试图修改它以适应我的问题

在运行下面的代码后，我发现了以下结果-[2.460508363078007，1.9278897530810486，1.5179404650567603，1.2006967066279755，0.9530814844968405]-这表明了我认为特征值的收敛性

对于我的问题，这个代码可以接受吗

import numpy as np
import numpy.linalg as la

eps = 1e-8 # Precision of eigenvalue

def trans(v): # translates vector (v^T)
    v_1 = np.copy(v)
    return v_1.reshape((5, 5))

def power(A):
    eig = []
    Ac = np.copy(A)
    lamb = 0
    for i in range(5):
        x = np.random.uniform(0.0,1.0)
        while True:
            x_1 = Ac.dot(x) # y_n = A*x_(n-1)
            x_norm = la.norm(x_1) 
            x_1 = x_1/x_norm # x_n = y_n/||y_n||
            if(abs(lamb - x_norm) <= eps): # If precision is reached, it returns eigenvalue
                break
            else:
                lamb = x_norm
                x = x_1
        eig.append(lamb)

        # Matrix Deflaction: A - Lambda * norm[V]*norm[V]^T
        v = x_1/la.norm(x_1)
        R = v * trans(v)
        R = eig[i]*R
        Ac = Ac - R

    return eig

def main():
    A = np.array(np.random.uniform(0.0,1.0,25)).reshape((5, 5))
    print(power(A))



if __name__ == '__main__':
    main()

将numpy导入为np
将numpy.linalg作为la导入
eps=1e-8#特征值精度
def trans（v）：#转换向量（v^T）
v_1=np.拷贝（v）
返回v_1.重塑（（5，5））
def电源（A）：
eig=[]
Ac=np.副本（A）
兰姆=0
对于范围（5）中的i：
x=np.随机均匀（0.0,1.0）
尽管如此：
x_1=Ac.dot（x）#y_n=A*x_（n-1）
x_范数=la.范数（x_1）
x_1=x_1/x_范数#x_n=y_n/| y|n||
if（绝对值（兰姆-x_标准）