🌟 特徵向量與對角化

當你把矩陣 $A$ 作用在一個隨便挑的向量 $v$ 上，大多數情況 $Av$ 跟 $v$ 既不平行也不垂直，方向被轉歪。但對於某些特殊的方向，作用完之後新向量還是沿原方向，只是被拉長或縮短了：

滿足這個等式的 $v$ 叫做特徵向量（eigenvector），對應的拉伸倍率 $\lambda$ 叫做特徵值（eigenvalue）。它們是矩陣 $A$ 的「骨架」 — 一旦知道這組 $(v_i,{\lambda }_i)$，整個 $A$ 的行為就完全清楚了。

🥚 球變橢球的故事

把單位球（每個方向長度都是 1 的「球」）丟給 $A$，得到一個橢球。橢球的主軸方向就是特徵向量，主軸長度就是特徵值。可以從畫面上的橢球看出 $A$ 在做什麼。試試：

• 點 沿軸拉伸 → 橢球的三個主軸正好是 X/Y/Z，因為矩陣是對角的。
• 點 傾斜拉伸 → 同樣的拉伸倍率，但主軸轉了 30°。特徵值不變，特徵向量轉了。
• 點 有正有負 → 有一個負特徵值 — 那個方向翻過去了。
• 點 退化 (det = 0) → 橢球壓扁成一個圓盤。某個方向的特徵值 = 0，那個方向被完全壓掉。

💎 對稱矩陣的雙重禮物

本頁限定對稱矩陣（$A=A^{\top }$）。為什麼？因為對稱矩陣有兩個漂亮性質：

• 特徵值都是實數（不會跑出複數）— 旋轉矩陣不對稱，特徵值是複數，視覺化會很亂。
• 特徵向量互相正交（90 度）— 可以把它們當「新的座標軸」，自然形成正交基底。

一般矩陣可能有複數特徵值或重根導致無法對角化（要用 Jordan form 補完）。對稱矩陣永遠可以對角化。

🔧 對角化：找對基底，事情就變簡單

有了三個特徵向量 $v_1,v_2,v_3$，把它們當欄向量組合成基底矩陣 $V=[v_1|v_2|v_3]$。然後在這個新基底下看 $A$（呼叫一下 換基底 的公式）：

對對稱矩陣，$V$ 是正交矩陣，所以 $V^{-1}=V^{\top }$。整個式子化成：

意思是：「$A$ 等於先換到特徵向量基底（$V^{\top }$）、再沿著新軸拉伸（$\Lambda$）、再換回標準基底（$V$）」。對角化讓很多事變簡單，例如 $A^n=V{\Lambda }^n{V}^{\top }$ — 大矩陣的 n 次方變成「對 n 個數字取 n 次方」。

💎 行列式與跡的捷徑

• $\det (A)={\lambda }_1{\lambda }_2{\lambda }_3$ — 行列式 = 特徵值連乘。任何一個 λ = 0 就 det = 0（不可逆）。
• $\mathrm{trace}(A)={\lambda }_1+{\lambda }_2+{\lambda }_3=A_{00}+A_{11}+A_{22}$ — 跡 = 特徵值連加 = 對角線連加。這兩個不用算特徵值都能直接看出來。

🚀 CS 上有什麼用

• PCA (主成分分析)：把資料的 covariance 矩陣（對稱！）做特徵分解 — 最大特徵值對應的方向就是「資料散布最廣的方向」（第一主成分）。試試 類 covariance 那個 preset。
• PageRank：網頁連結矩陣的最大特徵向量 = 每個網頁的 PageRank 值。雖然這個矩陣不對稱（連結有方向），但思路一樣。
• Spectral Clustering：用圖的 Laplacian 矩陣（對稱、正半定）的小特徵向量做分群。
• 量子物理 / 量子計算：可觀測量是對稱矩陣 (Hermitian)，測量結果就是特徵值，測量後的狀態就是對應的特徵向量。
• 振動 / 共振分析：建築與機械系統的振動模式 = 質量-剛度矩陣的特徵向量，頻率 = 特徵值。