[線性代數] 線性算子 與 特徵值/特徵向量(0)

======================
Definition: Linear Operator
令 $V$ 為 $n$ 維 向量空間 且 $L: V \to V$ 為線性轉換 (Linear transformation)：亦即給定任意兩向量 ${\bf u,v} \in V$ 與 $c \in \mathbb{R}$ (or $c \in \mathbb{C}$)滿足
$$\begin{array}{l} L\left( {{\bf{u}} + {\bf{v}}} \right) = L\left( {\bf{u}} \right) + L\left( {\bf{v}} \right)\\ L\left( {c{\bf{u}}} \right) = cL\left( {\bf{u}} \right) \end{array}$$ 則我們稱該 $L:V \to V$ 為定義在 $V$ 上的線性算子 (Linear Operator)
======================

那麼我們現在想問一個基本問題：是否可以找到 一組非零向量 ${\bf v} \neq {\bf 0}$ 與 純量 $\lambda \in \mathbb{R}$ (or $\in \mathbb{C}$) 使得
$$L({\bf v}) = \lambda{\bf v}$$
此問題在工程領域有諸多應用，一般而言上述問題又稱為特徵值問題。

Comments:
1. 上述討論中所提及的 Linear Operator 僅僅表示 domain 與 codomain 都為同一個向量空間 $V$，其餘皆與線性轉換定義相同。也就是說若我們將 domain $V$ 與 codomain $W$ 設為不同的向量空間，且若 $L: V \to W$ 滿足
$$\begin{array}{l} L\left( {{\bf{u}} + {\bf{v}}} \right) = L\left( {\bf{u}} \right) + L\left( {\bf{v}} \right)\\ L\left( {c{\bf{u}}} \right) = cL\left( {\bf{u}} \right) \end{array}$$ 則我們稱 $L$ 為線性轉換 (Linear Transformation)。

2. 若 ${\bf v} = {\bf 0}$ 則 $L({\bf v}) = \lambda{\bf v}$ 自動滿足故我們只需關心 ${\bf v} \neq {\bf 0}$ 的情況
3. 注意到若 $V:= \mathbb{R}^n$ 或者複數向量空間 $V= \mathbb{C}^n$ 則我們可從幾何觀點來看上述特徵值問題，則此問題變成決定是否 $L({\bf v})$ 與 ${\bf v}$ 平行。
4. 給定任意線性算子 $L: V \to V$ ，其(實數)特徵值與其對應的特徵向量不一定存在，比如說考慮 旋轉轉換 $L: \mathbb{R}^2 \to \mathbb{R}^2$ 滿足
$$L\left( {\left[ \begin{array}{l} {x_1}\\ {x_2} \end{array} \right]} \right) = \left[ {\begin{array}{*{20}{c}} {\cos \theta }&{ - \sin \theta }\\ {\sin \theta }&{\cos \theta } \end{array}} \right]\left[ \begin{array}{l} {x_1}\\ {x_2} \end{array} \right]$$ 其中 $0 < \theta < \pi$ 則此算子為線性算子但不存在(實數)特徵值與特徵向量。但存在 (複數)特徵值與複數特徵向量

Example 1:
令 Linear operator $L : \mathbb{R}^2 \to \mathbb{R}^2$ 滿足
$$L\left( {\bf{v}} \right) = L\left( {\left[ \begin{array}{l} {v_1}\\ {v_2} \end{array} \right]} \right): = \left[ \begin{array}{l} {v_1}\\  - {v_2} \end{array} \right]$$ 試求 ${\bf v} \neq {\bf 0}$ 與 $\lambda$ 使得 $L({\bf v}) = \lambda {\bf v}$?

Solution
觀察
$$L\left( {\bf{v}} \right) = L\left( {\left[ \begin{array}{l} {v_1}\\ {v_2} \end{array} \right]} \right): = \left[ \begin{array}{l} {v_1}\\  - {v_2} \end{array} \right]$$ 因為我們要求 $L({\bf v}) = \lambda {\bf v}$ 故
$$\begin{array}{*{20}{l}} {\left[ {\begin{array}{*{20}{l}} {{v_1}}\\ { - {v_2}} \end{array}} \right] = \lambda \left[ {\begin{array}{*{20}{l}} {{v_1}}\\ {{v_2}} \end{array}} \right]}\\ { \Rightarrow \lambda \left[ {\begin{array}{*{20}{l}} {{v_1}}\\ {{v_2}} \end{array}} \right] - \left[ {\begin{array}{*{20}{l}} {{v_1}}\\ { - {v_2}} \end{array}} \right] = {\bf{0}}}\\ { \Rightarrow \left[ {\begin{array}{*{20}{c}} {\lambda  - 1}&0\\ 0&{\lambda  + 1} \end{array}} \right]\left[ {\begin{array}{*{20}{l}} {{v_1}}\\ {{v_2}} \end{array}} \right] = \left[ {\begin{array}{*{20}{l}} 0\\ 0 \end{array}} \right]} \end{array}$$ 由上式可知我們在決定 $\lambda$ 使得並求解 Null Space of ${\left[ {\begin{array}{*{20}{c}} {\lambda  - 1}&0\\ 0&{  \left( {\lambda  + 1} \right)} \end{array}} \right]}$ 故若我們選 $\lambda := \lambda_1 = 1$ 則對應的 ${\bf v}_1 = [s\;\;0]^T$ 其中 $s \in \mathbb{R}^1$。

另外若選 $\lambda := \lambda_2 = -1$ 則對應的 ${\bf v}_2 = [0\;\;t]$ 其中 $t \in \mathbb{R}^1$。 $\square$


由上述討論所求出的 $\lambda$ 與 ${\bf v}$ 即為所謂特徵值與特徵向量，現在我們引入 eigenvalue 與 eigenvector 定義


======================
Definition:  Eigenvalue and Eigenvector
令 $V$ 為 $n$ 維度向量空間且 $L: V \to V$ 為定義在 $V$ 上的 線性算子。我們稱 $\lambda$ 為 $L$ 的特徵值( eigenvalue of $L$) 若存在一組非零向量 ${\bf x} \in V$ 使得
$$L({\bf x}) = \lambda {\bf x}$$ 且 任意非零向量 ${\bf x}$ 滿足上式稱為 $L$ 對應於特徵值 $\lambda$ 的特徵向量 (eigenvector of $L$ associated with the eigenvalue $\lambda$)
======================

Remark: 
1. 上述定義中的純量 $\lambda$ 與向量 ${\bf x}$皆可為 實數或者複數。有興趣的讀者請看 Example 2
2. 若我們允許 ${\bf x} = {\bf 0}$ 則 任意 $\lambda$ 都可為 eigenvalue 因為
$$L({\bf x}) = \lambda {\bf x} \Rightarrow L({\bf 0}) = \lambda {\bf 0}$$ 則任何 $\lambda$ 都滿足上式。
3. 事實上特徵值與特徵向量在無窮維向量空間 亦可被定義，有興趣讀者請看 Example 3


===================
Fact: 令 $L:V\to V$ 為線性算子，若 ${\bf x}$ 為 eigenvector of $L$ associated with the eigenvalue ${\lambda}$ 則 對任意實數 $c \in \mathbb{R}^1$ 我們有
$$L(c {\bf x}) = \lambda (c {\bf x})$$ ===================

Proof:
由於 ${\bf x}$ 為 eigenvector of $L$ associated with the eigenvalue ${\lambda}$ 我們有 對任意非零向量 ${\bf x} \neq {\bf 0}$
$$L({\bf x}) = \lambda ({\bf x})$$ 現在觀察
$$\begin{array}{l} L(c{\bf{x}}) = cL({\bf{x}})\\ \begin{array}{*{20}{c}} {}&{} \end{array} = c\left( {\lambda {\bf{x}}} \right)\\ \begin{array}{*{20}{c}} {}&{} \end{array} = \lambda \left( {c{\bf{x}}} \right) \end{array}$$ 讀者應注意到上述第一條等式應用 $L$ 為線性算子的性質。$\square$


以下我們用一個例子來說明何時會發生複數的 eigenvalue $\lambda$ 與 負數特徵向量 ${\bf x}$

Example 2:
考慮線性算子 $L: \mathbb{R}^2 \to \mathbb{R}^2$ 滿足
$$L\left( {\left[ \begin{array}{l} {x_1}\\ {x_2} \end{array} \right]} \right) = \left[ \begin{array}{l}  - {x_2}\\ {x_1} \end{array} \right]$$ 試求 eigenvalue of $L$ 與對應的 eigenvector

Solution
回憶前述定義，線性算子 $L$ 的特徵值 $\lambda$ 必須滿足 $L\left( {\bf{x}} \right) = \lambda {\bf{x}}$ 故現在觀察
$$\begin{array}{l} L\left( {\bf{x}} \right) = \lambda {\bf{x}}\\  \Rightarrow L\left( {\left[ \begin{array}{l} {x_1}\\ {x_2} \end{array} \right]} \right) = \left[ \begin{array}{l}  - {x_2}\\ {x_1} \end{array} \right] = \lambda \left[ \begin{array}{l} {x_1}\\ {x_2} \end{array} \right]\\  \Rightarrow \lambda \left[ \begin{array}{l} {x_1}\\ {x_2} \end{array} \right] - \left[ \begin{array}{l}  - {x_2}\\ {x_1} \end{array} \right] = \left[ \begin{array}{l} 0\\ 0 \end{array} \right]\\  \Rightarrow \left[ {\begin{array}{*{20}{c}} \lambda &1\\ { - 1}&\lambda \end{array}} \right]\left[ \begin{array}{l} {x_1}\\ {x_2} \end{array} \right] = \left[ \begin{array}{l} 0\\ 0 \end{array} \right] \end{array}$$ 觀察上述線性系統方程，求解 Null Space of $\left[ {\begin{array}{*{20}{c}} \lambda &1\\ { - 1}&\lambda \end{array}} \right]$ 可得到以下結果：

若 $\lambda = \lambda_1 = i$ 則對應的特徵向量可透過將 $\lambda = \lambda_1$ 帶回上述線性系統方程並求解 ${\bf x}_1$ 如下 $${\bf x}_1 = s[i \;\; 1]^T,\;\; \forall s \in \mathbb{R}^1$$
若 $\lambda = \lambda_i =-i$ 則對應的特徵向量可透過將 $\lambda = \lambda_2$ 帶回上述線性系統方程並求解 ${\bf x}_2$ 如下
$${\bf x}_2 = t[-i \;\; 1]^T,\;\; \forall t \in \mathbb{R}^1$$
注意到上述結果之中，$L$ 的 特徵值皆為複數：亦即 $\lambda_{i} \in \mathbb{C}$ 對任意 $i=1,2$ 且對應的特徵向量亦為 $\mathbb{C}^2$ 複數向量。且這表示原本題目之中要求 $L: \mathbb{R}^2 \to \mathbb{R}^2$ 並無法找到對應的複數向量除非我們更改 domain 與 codomain 使其變成 $\mathbb{C}^2$


Example 3: Eigenvalue Problem in Function Space
考慮 $V:=C^\infty (\mathbb{R})$ 亦即 $V$ 為所有 單變數實數函數所成的向量空間 且我們假設其上的函數任意階導數存在。現在令 $L: V \to V$ 為線性算子滿足
$$L(f) := f'$$
則我們想問是否可找到 常數 $\lambda$ 與 函數 $f \neq 0$ 且 $f \in V$ 使得 $L(f) = \lambda f$ 成立？

 Solution
令 $f \in V$ 為單變數函數，注意到 $L(f) = f'$ 為線性算子(why?)，現在觀察 $L(f) = f' = \lambda f$ 亦即 我們要找出 $\lambda$ 與對應的 $f \neq 0, f \in V$ 滿足
$$f' = \lambda f$$ 由於我們要找的 $f$ 必須無窮維導數存在 且一次導數必須滿足 $f' = \lambda f$，故我們猜 $f(t) = e^{\lambda t}$ 則
$$\frac{d}{{dt}}\left( {{e^{\lambda t}}} \right) = \lambda {e^{\lambda t}} = \lambda f\left( t \right)$$ 故現在我們找到一組 $f$ 滿足該方程，但是否有其他人選？答案是肯定的，比如說我們改令
$$f(t) = K e^{\lambda t}$$ 仍為該方程 $f' = \lambda f$ 的解 （讀者可自行驗證），因此我們有以下結果，對任意 特徵值 $\lambda \in \mathbb{R}^1$，其特徵向量 $f(t) = K e^{\lambda t}$ 其中 $K$ 為任意非零常數。$\square$

Comment:
1. 上述例子中顯示微分方程 $f' = \lambda f$ 的解 $f(t) = exp(\lambda t)$ 剛好為該 $L(f) = f'$ 的對應於特徵值 $\lambda$ 的特徵向量。

2. 若我們只關心 $f>0$ 上述微分方程可直接求解不必猜測，解法如下：
$$\begin{array}{l} f' = \lambda f\\  \Rightarrow \frac{{df\left( t \right)}}{{dt}} = \lambda f\left( t \right)\\  \Rightarrow \frac{{df\left( t \right)}}{{f\left( t \right)}} = \lambda dt\\  \Rightarrow \int {\frac{1}{{f\left( t \right)}}df\left( t \right)}  = \int {\lambda dt} \\  \Rightarrow \log f\left( t \right) + C = \lambda t + D\\  \Rightarrow f\left( t \right) = {e^{\lambda t}}{e^{D-C}}: = K{e^{\lambda t}} \end{array}$$