MatNoble

Day 4: 算子的灵魂 —— 特征值、几何重数与对角化

目录
图解：在混乱的旋转与拉伸中，特征向量是我们唯一能抓住的“定海神针” ◎ 图解：在混乱的旋转与拉伸中，特征向量是我们唯一能抓住的“定海神针”

引言：寻找变换中的不动点

我们在 Day 1 讲过，矩阵 $\mathbf{A}$ 是对空间的一种变换（旋转、拉伸、剪切）。 当一个矩阵作用于整个空间时，绝大多数向量的方向都会被踢飞。 比如一个旋转矩阵，把 $(1,0)$ 转到了 $(0,1)$，方向全变了。

但是，是否存在一些特殊的向量，它们在变换前后，方向保持不变，只是长度伸缩了？

这就是特征向量 (Eigenvector) 的几何定义： $$\mathbf{A}\boldsymbol{x} = \lambda \boldsymbol{x}$$

  • $\boldsymbol{x}$：特征向量（变换中的“轴”）。
  • $\lambda$：特征值（Eigenvalue，这个轴伸缩的倍数）。

直觉隐喻： 想象地球自转。赤道上的点动得飞快，方向时刻在变。但是地轴上的点（北极点），它依然留在原来的轴线上。地轴就是地球自转矩阵的特征向量！

核心推导：为什么是 $|\lambda \mathbf{I} - \mathbf{A}| = 0$？

很多同学会背求特征值的公式，但不知道为什么会有这个行列式。 让我们回到定义： $$\mathbf{A}\boldsymbol{x} = \lambda \boldsymbol{x} \implies \mathbf{A}\boldsymbol{x} - \lambda \mathbf{I} \boldsymbol{x} = \boldsymbol{0} \implies (\mathbf{A} - \lambda \mathbf{I})\boldsymbol{x} = \boldsymbol{0}$$

这里有一个关键逻辑：

  1. 我们在找特征向量 $\boldsymbol{x}$，根据定义，特征向量不能是零向量（零向量在哪都不动，没意义）。
  2. 我们在求解齐次方程组 $\mathbf{B}\boldsymbol{x} = \boldsymbol{0}$（其中 $\mathbf{B} = \mathbf{A} - \lambda \mathbf{I}$）。
  3. 如果要让 $\boldsymbol{x}$ 有非零解 (Non-trivial solution)，矩阵 $\mathbf{B}$ 必须是奇异的（不可逆的）。
  4. 矩阵奇异 $\iff$ 行列式为 0。

所以，特征方程的本质是：寻找让矩阵 $(\mathbf{A} - \lambda \mathbf{I})$ 发生“降维打击”的那个 $\lambda$。 $$f(\lambda) = |\lambda \mathbf{I} - \mathbf{A}| = 0$$

两个超级好用的性质（偷懒专用）

如果你解出了特征值，别急着交卷，先用这两个几何性质验算一下：

  1. 迹 (Trace) 守恒：$\sum \lambda_i = \text{tr}(\mathbf{A}) = \sum a_{ii}$。
  2. 体积 (Determinant) 守恒：$\prod \lambda_i = |\mathbf{A}|$。

【秒杀例题】 已知 $\mathbf{A} = \begin{pmatrix} 1 & a \\ 2 & 4 \end{pmatrix}$ 的一个特征值为 2。求 $a$ 和另一个特征值。 解：

  • 由迹守恒：$\lambda_1 + \lambda_2 = 1 + 4 = 5$。已知 $\lambda_1=2$，故 $\lambda_2 = 3$。
  • 由行列式守恒：$|\mathbf{A}| = \lambda_1 \lambda_2 = 2 \times 3 = 6$。 而 $|\mathbf{A}| = 1 \times 4 - 2a = 4 - 2a$。 故 $4 - 2a = 6 \implies a = -1$。 看，完全不需要解一元二次方程！

终极目标：对角化 (Diagonalization)

算出特征值不仅仅是为了做题，而是为了解耦 (Decoupling)。

如果我们能找到 $n$ 个线性无关的特征向量 $\boldsymbol{p}_1, \dots, \boldsymbol{p}_n$，把它们排成一个矩阵 $\mathbf{P}$，神奇的事情就发生了： $$\mathbf{P}^{-1}\mathbf{A}\mathbf{P} = \boldsymbol{\Lambda} = \begin{pmatrix} \lambda_1 & & \\ & \ddots & \\ & & \lambda_n \end{pmatrix}$$

几何意义：

  • $\mathbf{A}$：在普通坐标系下看，变换是纠缠的、复杂的。
  • $\boldsymbol{\Lambda}$：在特征向量构成的新坐标系下看，变换变成了纯粹的轴向伸缩。
  • $\mathbf{P}$：就是连接这两个世界的基变换矩阵。

关键门槛： 不是所有矩阵都能对角化。如果特征方程有重根（比如 $(\lambda-2)^2=0$），我们就需要检查几何重数（特征子空间的维数）。

  • 如果 几何重数 = 代数重数，完美，可对角化。
  • 如果 几何重数 < 代数重数，完了，特征向量不够用，矩阵是亏损的（Day 5 我们会专门讲这个问题）。

所谓“宿命”：哈密顿-凯莱定理

最后，介绍一个听起来很玄乎，但极其强大的定理：Hamilton-Cayley Theorem。

定理内容只有一句话：

每个矩阵都是它自己特征方程的根。 即若 $f(\lambda) = |\lambda \mathbf{I} - \mathbf{A}|$，则 $f(\mathbf{A}) = \mathbf{O}$。

通俗解释： 矩阵 $\mathbf{A}$ 居然满足它自己的“宿命方程”。

有什么用？ 它能把高次幂瞬间化简！ 假设 $\mathbf{A}$ 是 $2 \times 2$ 矩阵，特征方程是 $\lambda^2 - 3\lambda + 2 = 0$。 根据定理，有 $\mathbf{A}^2 - 3\mathbf{A} + 2\mathbf{I} = \mathbf{O}$。 所以 $\mathbf{A}^2 = 3\mathbf{A} - 2\mathbf{I}$。 那 $\mathbf{A}^3$ 呢？ $\mathbf{A}^3 = \mathbf{A}(3\mathbf{A} - 2\mathbf{I}) = 3\mathbf{A}^2 - 2\mathbf{A} = 3(3\mathbf{A}-2\mathbf{I}) - 2\mathbf{A} = \dots$ 你看，无论多少次幂，最后都能降阶表示为 $\mathbf{A}$ 和 $\mathbf{I}$ 的线性组合。这也是计算矩阵多项式的核心技巧。

✍️ 课后实战

习题 1：谱映射定理 (Spectral Mapping Theorem) 已知 $3$ 阶矩阵 $\mathbf{A}$ 的特征值为 $1, 2, 3$。求矩阵 $\mathbf{B} = \mathbf{A}^3 - 5\mathbf{A}^2 + \mathbf{I}$ 的特征值。

🔐 点击查看解析 / Click to Reveal

【思路】 千万别傻乎乎地去把 $\mathbf{B}$ 算出来。 如果 $\mathbf{A}\boldsymbol{x} = \lambda \boldsymbol{x}$，那么 $\mathbf{A}^2 \boldsymbol{x} = \lambda^2 \boldsymbol{x}$。 推而广之，若 $\mathbf{B} = g(\mathbf{A})$，则 $\mathbf{B}$ 的特征值就是 $g(\lambda)$。

【解】 $\mathbf{B}$ 的特征值 $\mu_i = \lambda_i^3 - 5\lambda_i^2 + 1$。

  • $\lambda=1 \implies \mu = 1 - 5 + 1 = -3$
  • $\lambda=2 \implies \mu = 8 - 20 + 1 = -11$
  • $\lambda=3 \implies \mu = 27 - 45 + 1 = -17$

习题 2：逆向工程（对角化判定） 设 $\mathbf{A} = \begin{pmatrix} 2 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & a \end{pmatrix}$。

  1. 求 $\mathbf{A}$ 的所有特征值。
  2. 若 $\mathbf{A}$ 可对角化，求 $a$ 的值。
🔐 点击查看解析 / Click to Reveal

【解】

  1. 特征值：因为 $\mathbf{A}$ 是上三角矩阵，特征值就是对角线元素。 $\lambda_1 = 2, \lambda_2 = 2, \lambda_3 = a$。

  2. 可对角化条件： 矩阵可对角化 $\iff$ 每个特征值的几何重数等于代数重数。

    • 情况 1：$a \neq 2$ 此时 $\lambda=2$ 是二重根（代数重数 2）。我们需要它的几何重数也是 2。 即要求 $n - r(\mathbf{A} - 2\mathbf{I}) = 3 - r(\mathbf{A} - 2\mathbf{I}) = 2 \implies r = 1$。 计算 $\mathbf{A} - 2\mathbf{I} = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & a-2 \end{pmatrix}$。 由于 $a \neq 2$，第三行非零，第一行也非零。 秩 $r=2$。几何重数 $= 3-2 = 1 \neq 2$。 结论：$a \neq 2$ 时不可对角化。

    • 情况 2：$a = 2$ 此时 $\lambda=2$ 是三重根。我们需要几何重数为 3，即 $\mathbf{A}-2\mathbf{I}$ 的秩为 0。 $\mathbf{A} - 2\mathbf{I} = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}$。 秩 $r=1$。几何重数 $= 3-1 = 2 \neq 3$。 结论：$a = 2$ 时也不可对角化。

    最终答案：无论 $a$ 取何值，$\mathbf{A}$ 都不可对角化。（因为右上角那个 $1$ 锁死了几何结构，这正是 Day 5 要讲的 Jordan 块！）

线性代数重构计划 (The Plan)

相关文章：

加载评论