为什么矩阵特征值之和等于其迹？

Question

为什么矩阵的特征值之和等于其迹？一个常见的技术问题是：在不依赖特征多项式展开的情况下，如何从线性变换的角度直观理解这一等式？特别是在对角化不可行时，为何该性质依然成立？这涉及特征值作为变换伸缩因子的本质，以及迹作为线性算子内在不变量的角色。

Answer 1

为什么矩阵的特征值之和等于其迹？——从线性变换视角的深度解析

1. 初步理解：特征值与迹的基本定义

设 A 是一个 n \times n 的方阵。其特征值 \lambda_1, \lambda_2, \dots, \lambda_n 是满足 A\mathbf{v} = \lambda\mathbf{v} 的标量，其中 \mathbf{v} \neq 0。而矩阵的迹（trace）定义为对角元素之和：

\text{tr}(A) = \sum_{i=1}^n a_{ii}

一个经典结论是：

\sum_{i=1}^n \lambda_i = \text{tr}(A)

通常这一等式通过特征多项式 \det(A - \lambda I) 展开后比较系数得到。但我们希望避开代数展开，转而从几何与变换本质出发理解。

2. 直观类比：特征值作为“伸缩因子”

• 特征值可视为线性变换在特定方向上的“拉伸倍数”。
• 若将矩阵 A 视作对空间的变形操作，特征向量是那些方向不变的轴，特征值则是沿这些轴的缩放比例。
• 虽然整体形状可能扭曲，但所有主方向上的“平均拉伸程度”似乎应与某个全局指标相关。
• 迹恰好扮演了这种“平均作用强度”的角色，尽管它不直接反映体积变化（那是行列式）。
• 例如，在二维中，单位正方形经变换后变成平行四边形，对角线之和的变化趋势与迹有关。

3. 不依赖对角化的视角：Jordan标准形与广义特征空间

即使矩阵不可对角化，其 Jordan 标准形仍存在。设 A = PJP^{-1}，其中 J 为 Jordan 矩阵：

Jordan 块示例	结构说明
\begin{bmatrix} \lambda & 1 & 0 \\ 0 & \lambda & 1 \\ 0 & 0 & \lambda \end{bmatrix}	对应重根 \lambda 的广义特征向量链
\begin{bmatrix} \mu & 1 \\ 0 & \mu \end{bmatrix}	另一个特征值 \mu 的块

关键观察：相似变换不改变迹，且 Jordan 形式的迹等于所有 Jordan 块主对角线元素之和，即所有特征值（含重数）之和。

4. 迹的内在不变性：作为线性算子的自然属性

1. 迹是相似不变量：\text{tr}(P^{-1}AP) = \text{tr}(A)。
2. 这意味着迹不依赖于基的选择，是线性算子本身的属性。
3. 特征值同样是相似不变量，因此它们的和也应如此。
4. 从张量角度看，迹是恒等映射下的收缩操作（contraction），属于一阶协变二阶反变张量的自然缩并。
5. 在李代数中，\mathfrak{gl}(n) 的 Killing 形式涉及迹，进一步凸显其结构性地位。
6. 物理中，哈密顿量期望值常以 \text{tr}(\rho H) 表达，体现迹对“加权平均”的刻画能力。
7. 机器学习中，核方法或 PCA 的解释方差总和即为协方差矩阵的迹，也等于特征值之和。
8. 这表明无论是否可对角化，系统能量/信息总量由特征值总和决定。
9. 数值计算中，即使无法精确求出特征向量，仍可通过幂迭代结合迹估计粗略谱分布。
10. 随机矩阵理论中，Wigner 半圆律的支撑宽度由迹归一化控制。

5. 几何与分析统一：外代数与楔积视角

考虑线性变换 A: V \to V 在外代数 \bigwedge^k V 上的诱导作用。特别地，在 \bigwedge^1 V = V 上，A 自身作用；而在 \bigwedge^n V 上，其作用为乘以 \det(A)。

更精细地，\text{tr}(A) 实际上是 A 在 \bigwedge^1 V 上的“线性部分”的总效应，而特征值之和正是这个总效应的谱表示。

mermaid
    graph TD
        A[原始空间 V] -->|A 作用| B[变换后空间 A(V)]
        B --> C{分解为不变子空间}
        C --> D[特征方向上的伸缩]
        D --> E[各方向伸缩因子之和]
        E --> F[= 特征值之和]
        A --> G[计算 tr(A) = Σa_ii]
        G --> H[基无关量]
        F --> H
        style D fill:#f9f,stroke:#333
        style H fill:#bbf,stroke:#000

6. 数值验证与代码示例

import numpy as np

# 构造一个不可对角化的矩阵（Jordan 块）
A = np.array([[2, 1],
              [0, 2]])

# 计算迹
trace_A = np.trace(A)

# 计算特征值
eigenvals = np.linalg.eigvals(A)
sum_eigenvals = np.sum(eigenvals)

print(f"Matrix A:\n{A}")
print(f"Trace of A: {trace_A}")
print(f"Eigenvalues: {eigenvals}")
print(f"Sum of eigenvalues: {sum_eigenvals}")
# Output:
# Trace of A: 4
# Sum of eigenvalues: (4+0j)

即使该矩阵只有一个线性无关特征向量，无法对角化，特征值之和仍精确等于迹。