肉眼判讀特徵向量

最新推荐文章于 2022-09-14 12:54:08 发布

zckevinzc

最新推荐文章于 2022-09-14 12:54:08 发布

阅读量743

点赞数

分类专栏： linear algebra

linear algebra 专栏收录该内容

6 篇文章 0 订阅

订阅专栏

美國數學家波利亞 (G. Polya) 說：「每一個問題的解答，都需要有某個『發現』才行。」這句話套用到下面的矩陣特徵值求解問題尤其貼切：

$A=\left[\!\!\begin{array}{rrrr} 1&-1&2&3\\ -1&1&3&2\\ 2&3&1&-1\\ 3&2&-1&1 \end{array}\!\!\right]$

矩陣 $A$ 的特別模式讓我們得以避免解四次方程式的繁瑣計算，事實上，只要運用心算即可求得 $A$ 有特徵值 $\{-5,1,3,5\}$ 。這究竟是如何辦到的？某個「發現」在此指的又是什麼？

令 $A$ 為一 $n\times n$ 階矩陣。多數線性代數教科書按照以下步驟計算特徵值和特徵向量：

(1) 設特徵方程 $A\mathbf{x}=\lambda\mathbf{x}$ ，其中 $\lambda$ 是特徵值， $\mathbf{x}\neq\mathbf{0}$ 是特徵向量。將特徵方程改寫為 $(A-\lambda I)\mathbf{x}=\mathbf{0}$ ，此式的意義是 $A-\lambda I$ 的零空間 $N(A-\lambda I)$ ，稱為特徵空間，包含不為零的向量，也就是說， $A-\lambda I$ 是不可逆的，以行列式表達的等價的條件式為 $\mathrm{det}(A-\lambda I)=0$ 。

(2) 將 $n$ 階行列式 $\mathrm{det}(A-tI)$ 展開，便得到一個 $n$ 次多項式 $p_A(t)$ ，稱為 $A$ 的特徵多項式。解出 $p_A(t)$ 的根，此即為特徵值 $\lambda$ 。

(3) 對於每一個特徵值 $\lambda$ ，解出特徵空間 $N(A-\lambda I)$ 的基底，也就是對應 $\lambda$ 的特徵向量。

根據代數基本定理， $n$ 次多項式恰有 $n$ 個根，因此 $A$ 共有 $n$ 個特徵值（包含重根）。對於小型矩陣，我們可以直接解出特徵多項式的根，很不幸，這個方法的效用有限，因為法國數學家 Évariste Galois 早在公元 1846 年就證明一般 $n>4$ 次方程式不存在公式解。所以，當面對高階矩陣時，除非矩陣具有某種特殊可化簡型態（參閱“分塊矩陣特徵值的計算方法”），否則我們只能仰賴數值方法來計算特徵值。

上面的分析過程給出了特徵值和特徵向量的「制式」計算方法：先解特徵值，後求特徵向量。但倘若我們已經知道 $A$ 的特徵向量 $\mathbf{x}$ ，將它代入特徵方程 $A\mathbf{x}=\lambda\mathbf{x}$ ，這樣也可以得到對應的特徵值 $\lambda$ 。不過，這個做法的障礙在於特徵向量的解法沒有固定的套路，而且僅適用於少數特殊矩陣模式，因為這兩個原因，今天只有極少數人曉得特徵向量的肉眼判讀術。下面我列舉一些特殊矩陣，不用蠻力計算，也不需要背誦法則，只要留意矩陣的相關特質即可迅速得到答案。

考慮上三角形方陣

$U=\begin{bmatrix} 3&4&5\\ 0&6&7\\ 0&0&8 \end{bmatrix}$

三角形矩陣的主對角元就是特徵值，所以 $U$ 有特徵值 $\{3,6,8\}$ 。明顯地，對應 $\lambda=3$ 的特徵向量為 $\mathbf{x}=\begin{bmatrix} 1\\ 0\\ 0 \end{bmatrix}$ ，但弔詭的是，要能一眼看出對應 $\lambda=6$ 和 $\lambda=8$ 的特徵向量卻不容易。讀者或許會懷疑：針對如此簡單的三角形矩陣，我們都無法立刻讀出特徵向量，遑論其他複雜的矩陣。暫時不必急著下定論，繼續往下探討其他的情況再說。

再看下面這例子，

$B=\left[\!\!\begin{array}{rrr} 1&1&2\\ 2&2&4\\ -3&-3&-6 \end{array}\!\!\right]$

觀察得知 $B$ 僅有一個線性獨立的行向量，亦即 $\mathrm{rank}B=1$ ，我們稱它為秩-1（Rank-One）矩陣。利用行向量之間的倍數關係，不難得到 $B$ 的兩個獨立特徵向量 $\left[\!\!\begin{array}{r} 1\\ 1\\ -1 \end{array}\!\!\right]$ ， $\left[\!\!\begin{array}{r} 1\\ -1\\ 0 \end{array}\!\!\right]$ 對應 $\lambda=0$ 。這表示 $\lambda=0$ 重複兩次，那麼還有一個特徵值為何？我們知道跡數等於特徵值之和，所以還有一個特徵值 $\lambda=1+2+(-6)=-3$ ，而對應的特徵向量正是行向量 $\left[\!\!\begin{array}{r} 1\\ 2\\ -3 \end{array}\!\!\right]$ ！這需要加以解釋。設 $B$ 為 $n\times n$ 階實矩陣，且 $\mathrm{rank}B=1$ ，則 $B$ 必定可以表示為 $B=\mathbf{x}\mathbf{y}^T$ ， $\mathbf{x},\mathbf{y}\in\mathbb{R}^n$ ，上例中，

$B=\left[\!\!\begin{array}{rrr} 1&1&2\\ 2&2&4\\ -3&-3&-6 \end{array}\!\!\right]=\left[\!\!\begin{array}{r} 1\\ 2\\ -3 \end{array}\!\!\right]\begin{bmatrix} 1&1&2 \end{bmatrix}=\mathbf{x}\mathbf{y}^T$

利用矩陣乘法結合律，可得

$\begin{aligned} B\mathbf{x}&=(\mathbf{x}\mathbf{y}^T)\mathbf{x}=\mathbf{x}(\mathbf{y}^T\mathbf{x})=(\mathbf{x}^T\mathbf{y})\mathbf{x}\end{aligned}$

得知 $B$ 有一特徵值 $\lambda=\mathbf{x}^T\mathbf{y}=\mathrm{trace}B$ ，因為特徵向量 $\mathbf{x}$ 可以表示成 $B$ 的行向量的線性組合， $\mathbf{x}$ 是行空間 $C(B)$ 的唯一基底向量。由秩—零度定理可知 $\mathrm{dim}N(B)=n-\mathrm{rank}B=n-1$ ，令零空間 $N(B)$ 的 $n-1$ 個基底向量為 $\mathbf{u}_i$ ， $i=1,\ldots,n-1$ ，就有 $B\mathbf{u}_i=\mathbf{0}$ ， $B$ 有 $n-1$ 個重複特徵值 $\lambda=0$ ，證得秩-1矩陣的特徵值為 $\{\mathbf{x}^T\mathbf{y},0,\ldots,0\}$ 。上述基底向量 $\mathbf{u}_i$ ， $i=1,\ldots,n-1$ ，通常憑肉眼即可判讀出來。

類似的特徵向量解讀術還可以應用於下列形式矩陣：

$A=cI+d\mathbf{x}\mathbf{y}^T$

其中 $c,d\in\mathbb{R}$ 。Householder 矩陣即為一例， $H=I-2\mathbf{v}\mathbf{v}^T$ ， $\Vert\mathbf{v}\Vert=1$ （見“特殊矩陣(四)：Householder 矩陣”）。Householder 矩陣未必容易看出，但下面這個矩陣則有清楚的模式：

$\begin{aligned} C&=\begin{bmatrix} a&b&b&b\\ b&a&b&b\\ b&b&a&b\\ b&b&b&a \end{bmatrix}=(a-b)I+b\mathbf{e}\mathbf{e}^T\end{aligned}$

上式中 $\mathbf{e}$ 的各元全是 $1$ 。不難發現 $C$ 有特徵向量 $\mathbf{e}=\begin{bmatrix} 1\\ 1\\ 1\\ 1 \end{bmatrix}$ 對應 $\lambda=a+3b$ ，還有三個獨立的特徵向量對應 $\lambda=a-b$ ： $\left[\!\!\begin{array}{r} 1\\ -1\\ 0\\ 0 \end{array}\!\!\right], \left[\!\!\begin{array}{r} 0\\ 1\\ -1\\ 0 \end{array}\!\!\right], \left[\!\!\begin{array}{r} 0\\ 0\\ 1\\ -1 \end{array}\!\!\right]$ 。

回到本文一開始給出的問題，我們將它以符號表示如下：

$A=\begin{bmatrix} a&b&c&d\\ b&a&d&c\\ c&d&a&b\\ d&c&b&a \end{bmatrix}$

其中 $a,b,c,d\in\mathbb{R}$ 。觀察發現 $A$ 是實對稱矩陣，而且 $A$ 的每一列所有元總和都等於 $a+b+c+d$ 。顯然， $A$ 有特徵向量 $\begin{bmatrix} 1\\ 1\\ 1\\ 1 \end{bmatrix}$ 對應 $\lambda=a+b+c+d$ 。回想實對稱矩陣的特徵值必定是實數，而且存在彼此正交的特徵向量集。這個結果縮小了搜索範圍，其他三個特徵向量各元之和必等於零（因為與上述向量正交）。利用對稱原理就得到特徵向量 $\left[\!\!\begin{array}{r} 1\\ 1\\ -1\\ -1 \end{array}\!\!\right]$ 對應 $\lambda=a+b-c-d$ ，特徵向量 $\left[\!\!\begin{array}{r} 1\\ -1\\ 1\\ -1 \end{array}\!\!\right]$ 對應 $\lambda=a-b+c-d$ ，特徵向量 $\left[\!\!\begin{array}{r} 1\\ -1\\ -1\\ 1 \end{array}\!\!\right]$ 對應 $\lambda=a-b-c+d$ 。請讀者自行確認 $A$ 的特徵向量構成一組正交向量集。

最後我們整理特徵向量肉眼判讀術的兩項關鍵技巧：(一) 先求得最明顯的特徵向量，然後算出對應的特徵值。(二) 運用矩陣的特別模式或屬性立下特徵值或特徵向量的條件及限制。在實際應用時，不應墨守成規，也不必拘泥小節，譬如先求特徵值抑或先找特徵向量。總之，基本道理不難，但要達到「運用之妙，存乎一心」的境界，惟有勤加練習一途。

zckevinzc

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
肉眼判讀特徵向量

美國數學家波利亞 (G. Polya) 說：「每一個問題的解答，都需要有某個『發現』才行。」這句話套用到下面的矩陣特徵值求解問題尤其貼切：矩陣的特別模式讓我們得以避免解四次方程式的繁瑣計算，事實上，只要運用心算即可求得有特徵值。這究竟是如何辦到的？某個「發現」在此指的又是什麼？令為一階矩陣。多數線性代數教科書按照以下步驟計算特徵值和特徵向量：
复制链接

扫一扫