特征值、特征向量与对角化

🔄 矩阵乘法的核心问题：哪些向量在变换后只是被拉伸，方向不变？答案就是特征向量。

核心问题

为什么研究特征值？ 矩阵变换通常会旋转+拉伸向量，但某些特殊方向只被拉伸，利用这些方向可以极大简化计算。

---

特征值与特征向量

定义

$A\mathbf{v} = \lambda \mathbf{v}$

其中 $\mathbf{v} \neq \mathbf{0}$ 是特征向量，$\lambda$ 是对应的特征值。

几何直觉

特征向量是变换后方向不变（或反向）的向量，$\lambda$ 描述拉伸倍数：

• $\lambda > 1$：放大
• $0 < \lambda < 1$：缩小
• $\lambda < 0$：反向并缩放
• $\lambda = 0$：映射到零向量（矩阵奇异）

---

求解方法

第一步：特征多项式

$(A - \lambda I)\mathbf{v} = \mathbf{0}$

有非零解 $\iff$ $\det(A - \lambda I) = 0$

第二步：求特征值

展开 $\det(A - \lambda I) = 0$，解出所有 $\lambda_i$。

第三步：求特征向量

对每个 $\lambda_i$，解线性方程组 $(A - \lambda_i I)\mathbf{v} = \mathbf{0}$，得到特征空间。

例题：$2 \times 2$ 矩阵

$A = \begin{pmatrix} 3 & 1 \\ 0 & 2 \end{pmatrix}$

$\det(A - \lambda I) = (3-\lambda)(2-\lambda) = 0 \Rightarrow \lambda_1 = 3,\ \lambda_2 = 2$

• $\lambda_1 = 3$：$(A-3I)\mathbf{v} = 0 \Rightarrow \mathbf{v}_1 = \begin{pmatrix}1\\0\end{pmatrix}$
• $\lambda_2 = 2$：$(A-2I)\mathbf{v} = 0 \Rightarrow \mathbf{v}_2 = \begin{pmatrix}-1\\1\end{pmatrix}$

---

对角化

条件

$n \times n$ 矩阵 $A$ 可对角化 $\iff$ 有 $n$ 个线性无关的特征向量。

对角化分解

$A = P D P^{-1}$

• $P$：列为特征向量（按顺序）
• $D$：对角线为对应特征值

对角化的好处

$A^n = P D^n P^{-1},\quad D^n = \begin{pmatrix}\lambda_1^n & & \\ & \ddots & \\ & & \lambda_k^n\end{pmatrix}$

矩阵幂运算从 $O(n^3)$ 次乘法降至 $O(n)$。

---

特殊类型矩阵

矩阵类型	特征值性质	特征向量性质
实对称矩阵	全为实数	不同特征值对应向量正交
正交矩阵	模为 1	—
正定矩阵	全为正数	—
幂等矩阵 $A^2=A$	只有 0 和 1	—

---

谱定理

实对称矩阵 $A$ 一定可以正交对角化：

$A = Q D Q^T,\quad Q^T Q = I$

这是 PCA（主成分分析）的数学基础。

---

应用场景

• PCA：协方差矩阵的特征向量 = 主成分方向
• Google PageRank：网页重要性 = 链接矩阵的主特征向量
• 振动分析：特征频率 = 刚度矩阵的特征值
• 马尔可夫链：稳态分布 = 转移矩阵特征值为 1 的特征向量

---

Manim 可视化思路

• 变换动画：展示矩阵作用于平面上所有向量，高亮特征方向
• 对角化过程：$A \to P^{-1}AP = D$ 的基变换动画
• PCA 示意：数据点云 + 主成分方向箭头