正性带来谱的结论
考虑实矩阵
我们直接证明它有一个正特征向量,对应的实特征值的绝对值严格大于另一特征值。证明只针对二维,不假设高维 Perron 定理。
定义 7.1.1
(主特征值与谱隙)
若 矩阵的实特征值 满足另一特征值 的 ,便称 为主特征值。比值 是每乘一次矩阵,非主分量相对主分量缩小的倍数。
两个特征值
定理 7.1.2
(正矩阵的主特征值)
设 。则 有两个不同的实特征值 ,满足 ,而且 有一个分量严格为正的右特征向量。
证明
(二次公式,然后是正特征向量)
特征方程的根为
由 ,平方根严格大于 。故两根不同且为实数,并有
又 ,所以 。合并得 ,包括 为负或零的情形。
的一个右特征向量是
两个分量均严格为正。第一行直接验证特征值方程:。第二行 就是特征方程 。一个正的左特征向量(写成列向量)是 ,满足 。
证明透视
为何负特征值须额外检查
证明中的相异性来自 :没有它,平方根可以为零,例如对角元相等的对角矩阵。特征向量的正性在第一个分量上毫无代价,因为 ;第二个分量 为正,是因为 ,这同样是 的结果。
是带符号的比较;单靠它不能排除绝对值更大的负特征值。正的迹 给出 ,补上绝对值比较所需的另一半。在这里,以及在 的正性中,证明用到对角元为正,而不只是 、 为正。
反复相乘后归一化
由分量严格为正、总和为 1 的 开始,定义
定理 7.1.3
(归一化迭代的收敛)
设 如上, 的分量严格为正且总和为 1。则 ,并且
证明
(把 按特征基展开,再除以 )
因 和 的分量皆正,每个分母皆正。归纳可得 。两个特征值不同,特征向量构成基;写 。系数 为正:、,而 ,因为对 以两种方式计算 得 。故 。
分子和分母同除以 ,含 的项有 。分母趋向正数 ,所以 。
比值控制衰减分量;若 为负,该分量可正负交替。结论使用了矩阵严格为正及所述的正初值。
详解例子
例题 7.1.4
(特征值为 5 和 2 的矩阵)
取 。其特征值为 5 和 2,对应特征向量为 、;公式给出 。从 开始,
继续计算,,所以 。归一化迭代趋于 ;每次未归一化的乘幂中,非主特征分量相对主分量乘上 。这里 ,而 ,除以 后与 相符。
例题 7.1.5
(第二个特征值为负)
取 。特征多项式为 ,所以 、,且 。此处 ,极限为 。取 。则 ,。再有 ,故 。误差 每一步都变号,因为沿 的分量带有因子 ,但它的大小在缩小。
例题 7.1.6
(较小的特征值为零)
取 ,所有元素皆正。特征值为 ,所以 , 仍然成立,且 。对任何分量为正且总和为 的初值,,所以 一步便等于极限:衰减分量一步消失。
反例模式
非负比严格正弱
命题:结论对每个元素非负的矩阵都成立。单位矩阵的元素非负,但特征值 1 重复,没有严格谱隙。其归一化迭代使每个初值保持不变:由 出发停在 ,由 出发停在 ,所以并非所有初值都趋于同一方向。置换矩阵 是第二个例子:特征值为 与 ,故 ;由 出发,迭代在 与 之间交替,不收敛。修正:要求每个元素严格为正;若矩阵允许有零元素,必须重新检查结论。
练习与解答
快速检查
(在第一个例子中验证 。)
解答 · 答案
。
快速检查
(证明中为什么 为正?)
解答 · 答案
它大于 ,而两个对角元均为正。
快速检查
(每个归一化迭代向量的分量和是多少?)
解答 · 答案
是 1,由定义中的分母 可知: 的分量和为 。
快速检查
(若 为负,证明是否要求它为正?)
解答 · 答案
不要求。证明确立的是 ,所以不论 的符号如何,比值的幂 都趋于零。
快速检查
(当 时,求 以及 的一个正右特征向量。)
解答 · 答案
。特征向量为 ;确实 。