每日一式 · No.013
✦ 第三季 · 本季皇冠
A·v = λ·v
特徵值與特徵向量 · Eigenvectors & Eigenvalues
變換來了,有沒有哪個方向不肯轉向 —— 只被拉長 λ 倍?找到它,就讀懂了矩陣的性格。
📜 公式的身世
價值 250 億美元的特徵向量
1998 年,史丹佛兩個博士生佩吉與布林把整個網際網路寫成一個巨大矩陣,問了一題特徵向量:「一個永遠點下去的隨機使用者,最常停在哪些網頁?」那條特徵向量就是 PageRank —— Google 的第一塊基石;後來一篇著名論文乾脆把它稱作「價值 250 億美元的特徵向量」(那只是 Google 上市當天的估值)。順帶一提:Google 這名字,是 googol(10 的 100 次方)的拼字錯誤 —— 連公司名都是數學梗,而且還打錯字。
🌍 它今天在哪裡上工
🎧
Spotify 懂你的品味 —— 把「聽眾 × 歌曲」矩陣拆出隱藏的品味軸,你的每週新發現,就是特徵向量挑的。
🌉
倫敦千禧橋關橋事件 —— 2000 年開幕日,行人步伐與橋的固有模態同步,橋身側晃到緊急封閉 —— 工程師沒算好的,正是一條特徵向量。
🏢
大樓的搖晃指紋 —— 每棟建築都有自己的特徵頻率;耐震設計第一步,就是算出它、避開地震的主頻。
012 說矩陣是動詞:整個平面被攪動、旋轉、拉扯。今天問一個安靜的問題:在這一片兵荒馬亂裡,有沒有哪個方向,穩如泰山?—— 被 A 施工之後,方向紋絲不動,只是長度變成 λ 倍。這樣的方向叫特徵向量,那個倍率叫特徵值。
🧭特徵向量 = 變換的「性格軸線」。沿著它,複雜的變換退化成最簡單的一件事:純粹的伸縮。找到全部軸線,矩陣就被你看穿了。
四章:先進獵場親手獵一次(第三顆晶片是陷阱,003 的老朋友埋伏在裡面);再看「反覆施工」為什麼萬箭歸一 —— 黃金比例 φ 會在這裡現出真身;然後回收 012 的行列式,看教科書那條 det(A−λI)=0 從哪來;最後戴上對角化眼鏡 —— 傅立葉,第三次相遇。
Part 1 · 拉了就懂（白話）
I
第一章 · 特徵獵場：獵那個不肯轉向的方向
轉動白箭頭 v，盯著青箭頭 Av —— 兩支重合的瞬間，就是獵物現身。
🎯規則很簡單:你操縱一支白箭頭 v 掃過所有方向;矩陣即時回你一支青箭頭 Av(施工後的去向)。大部分方向,Av 都歪掉了 —— 被轉了個角度。但總有那麼一兩個方向,Av 與 v 完全重合:施工前後,方向分毫未動,只剩長度變了 λ 倍。那一瞬間,對齊儀變綠 —— 你獵到特徵向量了。
互動 · 白 = v，青 = Av；淡青橢圓 = 所有方向的去處
v 的方向 θ20.0°
Av 偏離 v 的角度（對齊儀）—
獵到時的 λ = |Av|/|v|—
玩玩看，注意這些
- 第一顆矩陣:慢慢掃 —— 45° 附近對齊儀歸零、變綠,λ = 3(拉長三倍);繼續掃到 135°,又綠一次,λ = 1(紋絲不動)。一顆 2×2,通常有兩條性格軸線。
- 第二顆(上三角):兩條軸線不再互相垂直(0° 與 26.6°)—— 垂直是對稱矩陣的福利,不是通例。
- 第三顆是陷阱:旋轉 30° —— 掃遍 180°,對齊儀永遠不歸零。整個平面都在轉,沒有任何方向倖免。牠的特徵值躲去哪了?躲進複數:λ = e^{±i30°} —— 001、003 的老朋友,原來一直住在旋轉矩陣的靈魂裡。
一句話帶走:特徵向量 = 施工後方向不變的方向,Av = λv。對稱矩陣的軸線互相垂直;而純旋轉沒有實數軸線 —— 它的特徵值,是複數 e^{±iθ}。
II
第二章 · 萬箭歸一：反覆施工，性格最強的方向勝出
這是 Google 排名的心臟 —— 而黃金比例 φ，會在費氏矩陣裡現出真身。
🌀把一圈箭頭(各種方向)全部丟給 A,施工一次、再一次、再一次…… 每一輪,λ 最大的那條軸線都把箭頭多拉自己那邊一點。幾輪之後:萬箭歸一 —— 全部貼到「主特徵向量」上,長度每輪穩定變 λ₁ 倍。反覆做同一件事,個性最強的方向勝出 —— 這招叫冪迭代,是 Google 用來排序整個網路的那一招。
互動 · 一圈箭頭 · 每按一次「施工」全體 ×A 一次
施工次數 n0
離主軸線最遠的箭頭—
長度倍率（→ λ₁）—
玩玩看，注意這些
- 連按「施工」:一整圈箭頭迅速塌向金色虛線(主特徵方向),長度倍率讀數穩穩貼上 λ₁ = 3。換不同起點重來 —— 殊途同歸。
- 切到費氏矩陣 [1 1 / 1 0]:它每施工一次,就把 (Fₙ₊₁, Fₙ) 推進成 (Fₙ₊₂, Fₙ₊₁) —— 費氏數列就是這顆矩陣的反覆施工。看長度倍率收斂到…… 1.6180 = φ,黃金比例!
- 所以「相鄰費氏數的比 1, 2, 1.5, 1.67, 1.6, 1.625… → φ」這個著名現象,今天有了正身:那是冪迭代在收斂 —— φ 是費氏矩陣的最大特徵值。
🔍 PageRank 的一句話版:把整個網際網路寫成一顆「連結投票」矩陣,反覆施工到萬箭歸一 —— 主特徵向量的每個分量,就是每個網頁的排名。你每天用的搜尋引擎,心臟是 Av = λv。
一句話帶走:反覆套用 A,一切方向塌向最大特徵值的軸線、長度每輪 ×λ₁ —— 冪迭代。PageRank 靠它排序網路,費氏數列靠它長出 φ。
Part 2 · 帶入深度
III
第三章 · det(A−λI) = 0：教科書那條式子，是壓扁偵測器
Av = λv 改寫成 (A−λI)v = 0 —— 有非零向量被送去 0，空間必被壓扁：det = 0。
🧾教科書劈頭就叫你解 det(A−λI)=0,像一句咒語。今天把它翻譯成白話:Av = λv 移項就是 (A−λI)v = 0 —— 存在一個非零向量,被矩陣 A−λI 送去原點。可是 012 第四章教過:能把「活的向量」壓死,只有一種情況 —— 整個平面被壓扁成一條線,det = 0。所以「解特徵值」= 拉著 λ 這顆旋鈕,掃描哪些 λ 會讓 A−λI 壓扁空間。det(A−λI) 不是咒語,是壓扁偵測器。
互動 · 上：A−λI 施工中的方格 · 下：det 隨 λ 的軌跡
λ0.00
det(A−λI) = (2−λ)² − 1—
狀態—
怎麼看這張圖
- 按「掃描」:上圖的方格隨 λ 變形;下圖的拋物線就是 det(A−λI) 的即時值 —— 那正是教科書叫「特徵多項式」的東西,親眼看它長出來。
- λ 掃到 1:拋物線觸零、上圖轟然壓扁成一條線 —— 第一個特徵值到手;繼續掃到 3,再壓扁一次。二次多項式、兩個根、兩條軸線,帳目全對。
- 壓扁瞬間看那條玫瑰色的「壓死方向」:λ=3 時是 45°、λ=1 時是 135° —— 被 (A−λI) 壓死的方向,正是 A 的特徵向量(它被送去 0,等於說 Av 恰好 = λv)。偵測器不只找到 λ,連 v 一起交出來。
✦ 把整條邏輯排成一行:Av = λv ⟺ (A−λI)v = 0（v≠0）⟺ A−λI 壓扁空間 ⟺ det(A−λI) = 0。n×n 矩陣的特徵多項式是 n 次,恰有 n 個根(計重數、含複數)—— 第一章那顆旋轉矩陣的根 e^{±iθ},就藏在判別式小於零的地方。
一句話帶走:det(A−λI)=0 不是咒語 —— 它在掃描「哪些 λ 讓 A−λI 壓扁空間」;壓扁的瞬間,被壓死的方向就是特徵向量。
IV
第四章 · 對角化眼鏡：換對座標，攪和變直行
同一個變換 —— 標準眼鏡下互相攪和，特徵眼鏡下各走各的。然後，傅立葉第三次相遇。
👓同一顆 A = [2 1 / 1 2],戴兩副眼鏡看。標準眼鏡(x、y 座標):兩個方向互相攪和,x 的變化牽動 y、y 又牽動 x,一團亂。特徵眼鏡(把座標軸換成兩條性格軸線):同一個變換,突然變成兩句話 —— 「沿軸一 ×3,沿軸二 ×1」,完。互不干涉、各走各的 —— 矩陣在這副眼鏡下是對角的:[3 0 / 0 1]。變換沒變,是你的座標選對了。
互動 · 同一個變換 · 兩副眼鏡
怎麼看這張圖
- 標準眼鏡:方格網被剪歪 —— î 和 ĵ 都被帶偏,座標互相糾纏。
- 切到特徵眼鏡再播一次:網格沿著 45°/135° 鋪 —— 變形時每條格線只沿自己方向滑動,金軸拉三倍、青軸不動,零攪和。矩陣讀數變成對角 [3 0 / 0 1]。
- 對角化的暴力紅利:A¹⁰⁰ 在特徵眼鏡下 = [3¹⁰⁰ 0 / 0 1],一秒算完 —— 費氏數列的通項公式(比內公式)就是這樣得到的:對角化費氏矩陣,φⁿ 直接現身。
✦ 傅立葉,第三次相遇(這次是真身):把「微分 d/dt」看成一個變換,問它的特徵向量 —— d/dt e^{iωt} = iω · e^{iωt} —— 這就是 Av = λv 的連續版:e^{iωt} 是微分的特徵向量,特徵值 iω!所以傅立葉變換 = 換到微分的特徵座標;一戴上這副巨大的眼鏡,微分方程裡的 d/dt 全部退化成「乘 iω」—— 傅立葉加課那句「微分變乘法」,深層原因今日結案。對角化,是傅立葉的靈魂。
🌉共振與振動模態
橋樑、吉他弦、高樓的「固有頻率」= 振動方程的特徵值;共振 = 外力剛好打在特徵值上。
🧠PCA 主成分分析
資料雲的共變異矩陣,其特徵向量 = 資料伸展最開的方向 —— 降維與臉部辨識的第一步。
🔍PageRank
整個網路的排名 = 連結矩陣的主特徵向量(第二章的冪迭代,工業級版本)。
⚛️量子力學
可觀測量是矩陣(算符),測量得到的值只能是它的特徵值 —— 能階的「階」,就是 λ。
一句話帶走:對角化 = 換到特徵座標,攪和變直行、A¹⁰⁰ 變秒算;而 e^{iωt} 是微分的特徵向量 —— 傅立葉,就是一副巨大的對角化眼鏡。
本季皇冠,收成一句話 ——
Av = λv:在兵荒馬亂的變換裡,找那條不肯轉向的軸線。
獵它 —— 對齊儀歸零的方向;
用它 —— 反覆施工,萬箭歸一(PageRank、費氏的 φ);
算它 —— 壓扁偵測器 det(A−λI)=0;
戴它 —— 對角化眼鏡,攪和變直行。
而微分的特徵向量是 e^{iωt} —— 傅立葉,原來一直是這一課。