从直觉到证明3Blue1Brown 中文导学教材
1.14 特征向量与特征值

1.14 特征向量与特征值

先预测哪些方向会保持在原直线上,再检查这些方向能否组成一组基。

例题练习Lean 对照原课

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 Av=λvAv=\lambda v。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 vv 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 A=[2112]A=\left[\begin{smallmatrix}2&1\\1&2\end{smallmatrix}\right],(1,1)(1,1) 变为 (3,3)(3,3),(1,−1)(1,-1) 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 33。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 Av=λvAv=\lambda v 且 v≠0v\ne0,等价于要求 A−λIA-\lambda I 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 vv 满足 Av=λvAv=\lambda v,称 vv 为 AA 的特征向量,λ\lambda 为对应特征值。允许 λ=0\lambda=0;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 A=(2112)A=\begin{pmatrix}2&1\\1&2\end{pmatrix} 沿 (1,1)(1,1) 的倍率为三,沿 (1,−1)(1,-1) 的倍率为一。

证明 · 展开纸笔推导

直接计算 A(1,1)=(3,3)=3(1,1)A(1,1)=(3,3)=3(1,1),以及 A(1,−1)=(1,−1)A(1,-1)=(1,-1)。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 Av=λvAv=\lambda v 且 v≠0v\ne0。特征值由 det(A−λI)=0\det(A-\lambda I)=0 决定。若有足够多独立特征向量,可写 A=PDP−1A=PDP^{-1},进而 An=PDnP−1A^n=PD^nP^{-1}。

例 1.14.1 把概念用于具体计算

A=[2112]A=\left[\begin{smallmatrix}2&1\\1&2\end{smallmatrix}\right] 在 (1,1)(1,1) 上倍率为 33,在 (1,−1)(1,-1) 上倍率为 11。

练习 1.14.1

上例 A4(1,1)A^4(1,1)?

展开解答与检查

答案 (81,81)(81,81),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]

查看完整定义与上下文 ↗ · 全书证明范围

原课对照 观课问题、视频与图示

先预测哪些方向会保持在原直线上,再检查这些方向能否组成一组基。

官方课程与图示 ↗ · 原视频 ↗

点击后连接 YouTube;播放器不可用时可通过上方原链接观看。