一步一步建立直观
先预测,再点“演示本步”核对右图。每一步都重设到指定情形,随后可以自由修改参数。
01一般输入会同时改变长度与方向
把绿色向量拖到普通方向,红色输出通常不与它共线。若反复作用,方向也会不断调整。寻找特征向量的动机,就是找出能把这种二维混合简化为一维倍率变化的特殊方向。
02保持的是直线,不一定是箭头朝向
当输入落在虚线上,输出与它共线,满足 。正倍率保留朝向,负倍率反转朝向,零倍率把非零向量压成零;三者都符合特征方程。定义要求 非零,否则任意数都会满足方程。
03用另一方向补全分解
右图的实对称例子有两条互相垂直的特征方向,可把任意输入分成这两份。反复作用时,两份坐标分别乘倍率的幂。这个例子的完整分解不能自动推广为“每个实矩阵都有两条实特征方向”,旋转矩阵就是需要注意的情形。
1.14.1 寻找没有偏离原直线的方向¶
一般向量经过矩阵后方向与长度都变,但某些方向只伸缩,仍在原直线上。找到这些方向,就可能把复杂动作拆成几种互不干扰的伸缩。特征向量是这些方向上的非零向量;倍率可以为负,表示反向,也可以为零,表示该方向被压掉。
对 , 变为 , 不动。任意输入都可用这两方向拼成,每作用一次只需把第一份系数乘以 。多次作用后的主要增长方向因此一眼可见。
1.14.2 特征方程为什么出现¶
要求 且 ,等价于要求 有非零核。也就是从原动作中减去统一伸缩之后,能否压掉某个方向。对方阵,这要求行列式为零,所以保留方向的问题转成关于倍率的多项式方程。
求出根后仍需找向量。四分之一圈的实平面旋转没有实的保留直线,所以没有实特征向量;非平凡剪切可能只有一条保留直线,不足以组成基。能对角化要求足够多独立特征向量,不能只检查特征值存在。
在矩阵实验中选择对称示例,转动输入方向,预测哪两条线被保留。再把任意输入拆成这两个方向,预测四次作用的结果。计算应来自系数的幂,而非逐次展开四个矩阵;这是几何理解带来的实际收益。
定义 1.14.1 特征向量与特征值
若非零向量 满足 ,称 为 的特征向量, 为对应特征值。允许 ;禁止把零向量当作特征向量。
命题 1.14.1 一例对称矩阵的两个特征方向
矩阵 沿 的倍率为三,沿 的倍率为一。
证明 · 展开纸笔推导
直接计算 ,以及 。两个输入都非零,故满足定义。
它们线性无关,任何平面向量都可分解为这两个方向的组合。在线性作用下,分别把两个分量乘以三和一再相加即可得到输出。这是此矩阵可对角化的具体解释,不代表所有矩阵都具有完整特征基。
□
数学表述 1.14.1¶
某些方向经过线性变换后只被缩放而不偏离原直线。这些方向常使反复作用变得容易理解。
特征向量满足 且 。特征值由 决定。若有足够多独立特征向量,可写 ,进而 。
例 1.14.1 把概念用于具体计算
在 上倍率为 ,在 上倍率为 。
练习 1.14.1¶
上例 ?
展开解答与检查
答案 ,无需展开矩阵乘法。
Lean 对照 1.14.1 命题、证明与适用边界
证明特征方程在向量缩放后仍成立。若要称缩放结果为特征向量,还须另加原向量及缩放系数非零的条件。
LinearAlgebra.eigenvector_scaling
theorem eigenvector_scaling (T : (ℝ × ℝ) →ₗ[ℝ] (ℝ × ℝ))
(v : ℝ × ℝ) (μ a : ℝ) (hv : T v = μ • v) :
T (a • v) = μ • (a • v) := by
simp [hv, smul_smul, mul_comm]