线性代数导论：特征值方程的几何意义

特征值方程 $Ax = \lambda x$ 揭示了一种罕见的几何情形：矩阵变换仅对向量进行缩放，而非旋转。缩放而不会使其旋转。这些“特殊”的向量 $x$ 定义了线性变换的主要轴线。

例外性的几何特征

对于大多数向量而言，$Ax$ 的方向与 $x$ 不同。特征向量是特殊的，因为它们始终位于通过原点的同一方向（直线）上。特征值 $\lambda$ 告诉我们这种拉伸的幅度：

奇异性约束

方程 $Ax = \lambda x$ 可改写为 $(A - \lambda I)x = 0$。为使非零解 $x$ 存在，矩阵 $(A - \lambda I)$ 必须奇异（不可逆），即其行列式必须为零：$\det(A - \lambda I) = 0$。

单位矩阵与平移

若将矩阵平移一个单位矩阵，特征向量保持不变，但特征值增加 1：

$Ax = \lambda x \implies (A+I)x = Ax + Ix = \lambda x + x = (\lambda + 1)x$

理解投影 $P$ 的几何特性后，我们可以通过线性算子 $R = 2P - I$ 推导出反射 $R$。

若 $x$ 是 $P$ 的特征向量且对应特征值为 $\lambda$，则：

$Rx = (2P - I)x = 2(Px) - Ix = 2(\lambda x) - x = (2\lambda - 1)x$

这解释了为何投影（特征值为 1 和 0）会转化为反射（特征值为 1 和 -1）。

🎯 核心公式

特征值和特征向量可通过 $\det(A - \lambda I) = 0$ 求得。若 $A$ 为 2×2 的奇异矩阵，则其行向量是 $(a, b)$ 的倍数，其特征向量为 $(b, -a)$。

$Ax = \lambda x \quad | \quad R = 2P - I$

问题 1

如果矩阵 $A$ 将向量投影到一条直线上，而矩阵 $B$ 将向量关于同一条直线反射，那么 $A$ 和 $B$ 分别属于哪一类矩阵？

A：投影矩阵，B：马尔可夫矩阵

A：投影矩阵，B：正交矩阵

A：置换矩阵，B：可对角化矩阵

A：可逆矩阵，B：投影矩阵

问题 2

求解微分系统 $du/dt = Au$，其中 $A = [0, 1; 1, 0]$，初始条件 $u(0) = [4, 2]$。

$u(t) = 3e^t[1, 1] + e^{-t}[1, -1]$

$u(t) = 4e^t[1, 0] + 2e^{-t}[0, 1]$

$u(t) = e^{2t}[3, 1] + e^{-2t}[1, 1]$

$u(t) = 2e^t[1, 1] + 2e^{-t}[1, -1]$

问题 3

给定矩阵变化 $\Delta A$，其引起的特征值变化 $\Delta \lambda_1, \dots, \Delta \lambda_n$ 的公式是什么？

$diag(S \Delta A S^{-1})$

$diag(S^{-1} \Delta A S)$

$diag(\Delta A S)$

$S^{-1} diag(\Delta A) S$

问题 4

若 $J = [\lambda, 1; 0, \lambda]$，则对任意整数 $k$，$J^k$ 的形式是什么？

$[\lambda^k, k; 0, \lambda^k]$

$[\lambda^k, k\lambda^{k-1}; 0, \lambda^k]$

$[\lambda^k, 1; 0, \lambda^k]$

$[k\lambda, 1; 0, k\lambda]$

问题 5

求矩阵 $A = [1, 4; 2, 3]$ 与 $A + I = [2, 4; 2, 4]$ 的特征值。哪个陈述是正确的？

$A+I$ 与 $A$ 的特征向量不同。

$A+I$ 的特征值相对于 $A$ 平移了 1。

$A+I$ 的行列式与 $A$ 相同。

$A+I$ 是非奇异的，因为 $A$ 是奇异的。