跳到主要內容

[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:
\[\begin{array}{l}
f' = \lambda f\\
 \Rightarrow \frac{{df\left( t \right)}}{{dt}} = \lambda f\left( t \right)\\
 \Rightarrow \frac{{df\left( t \right)}}{{f\left( t \right)}} = \lambda dt\\
 \Rightarrow \int {\frac{1}{{f\left( t \right)}}df\left( t \right)}  = \int {\lambda dt} \\
 \Rightarrow \log f\left( t \right) + C = \lambda t + D\\
 \Rightarrow f\left( t \right) = {e^{\lambda t}}{e^{D-C}}: = K{e^{\lambda t}}
\end{array}\]

留言

  1. https://userdisk.webry.biglobe.ne.jp/020/691/47/N000/000/007/155428072189143651179.gif

    回覆刪除

張貼留言

這個網誌中的熱門文章

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念:

Norm:一般翻譯成範數
(在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣),

也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。

事實上想法是這樣的:
比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "!

但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說
\[x:=[1, -2, 0.1, 0 ]^T
\]上式的大小該是多少? 是 $1$? $-2$? $0.1$???
再者如果更過分一點,我們考慮一個矩陣
\[A = \left[ {\begin{array}{*{20}{c}}
1&2\\
3&4
\end{array}} \right]
\],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。

也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。

故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來)

==================
Definition: Norm
考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質:

(a) $||v|| \geq 0$, $||v||=…

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if
 (此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。)

中文翻譯叫做 若且唯若 (or 當且僅當),記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。

在數學上如果看到 if and only if  這類的句子,其實是表示一種雙條件句,通常可以直接將其視為"定義(Definition)"待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他

假設我們現在有 兩個邏輯陳述句 A 與  B.
注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。

現在,考慮新的陳述:  "A if and only if B"
好了,現在主角登場,我們可以怎麼看待這個句子呢?
事實上我們可以很直覺的把這句子拆成兩部分看待,也就是
"( A if B ) and ( A only if B )"

那麼先針對第一個部分 A if B 來看,
其實這句就是說 if B then A,
更直白一點就是 "if B is true, then A is also true". 
在數學上等價可以寫為 "B implies A". 
或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A" 

現在針對第二個部分 A only if B
此句意指 "If B is not true, then A is also not true".
所以如果已知 A is true, 那麼按照上句不難推得 B is also true
也就是說 A only if B 等價為 "If A is true then B is also true".
同樣,也可以寫作"A implies B"
或者用箭頭表示 "A $\Rightarrow$  B".

所以現在總結如下,下列七個 if and only if 陳述完全等價:

"A if and only if B" "A iff…