Как найти собственный вектор

6

Собственные значения (числа) и собственные векторы.
Примеры решений

Второй урок о линейных преобразованиях будет посвящён собственным числам и собственным значениям их матриц, и для более интересного чтения я рекомендую ознакомиться с первой статьёй. Однако если у вас совсем нет времени/сил/желания, то задачи этой страницы можно освоить и чисто формально. С небольшой художественной формальности я, собственно, и начну:

Рассмотрим произвольную квадратную матрицу, например, . И умножим данную матрицу справа на какой-нибудь подходящий столбец. Мне пришёл в голову вектор :

Вроде ничего примечательного – умножили матрицу на вектор-столбец и получили другой вектор-столбец . Обычная векторная жизнь. Но в обществе таких векторов существуют особые представители, которые обладают внутренним стержнем и не желают изменять себе в трудные минуты.

Умножим ту же матрицу на :

На последнем шаге вынесли константу. Что произошло? В результате умножения матрицы на вектор , данный вектор птицей Феникс возродился с числовым коэффициентом :

Определение: ненулевой вектор , который при умножении на некоторую квадратную матрицу превращается в самого же себя с числовым коэффициентом , называется собственным вектором матрицы . Число называют собственным значением или собственным числом данной матрицы.

Поскольку каждой квадратной матрице соответствует определенное линейное преобразование (в некотором базисе), то, исходя из содержательного смысла, часто говорят о собственных значениях и собственных векторах линейного преобразования.
В Википедии есть удачный геометрический пример (взгляните!), иллюстрирующий рассматриваемые понятия – на репродукции Джоконды синий вектор не меняется в результате перекоса плоскости, а значит, является собственным вектором данного линейного преобразования с коэффициентом . И из комментария к иллюстрации можно сразу узнать, что любой коллинеарный ему вектор – тоже будет собственным вектором данного линейного преобразования. Я скуп на внешние ссылки, но здесь не удержался, пожалуйста, сообщите, если эту картинку вдруг удалят.

Примеры ещё будут, примеры интересные, ну а пока что продолжаем:

В первых абзацах статьи собственный вектор был выставлен «главным действующим лицом», но на самом деле всё немного не так: говорят, что собственный вектор соответствует собственному значению . И в практических заданиях сначала разыскиваются собственные числа и только потом соответствующие им собственные векторы.

Как найти собственные значения и собственные векторы матрицы?

Проведём исследование и получим алгоритм, по которому нужно решать данную задачу. Люди, которые не очень хорошо разбираются в математике (да и которые хорошо) обычно в страхе или отвращении захлопывают учебник, когда речь заходит о каком-либо доказательстве или выводе какой-нибудь формулы. Но это не тот случай – всё будет понятно даже полному чайнику:

Найти собственные числа и собственные векторы матрицы

Перед вами та же матрица, у которой я уже выдал одно собственное значение и один собственный вектор. Давайте научимся добывать их самостоятельно!

Обозначим через неизвестный собственный вектор. Тогда матричное уравнение запишется следующим образом:

В левой части по обычному правилу проведём матричное умножение, в правой части – внесём «лямбду»:

Две матрицы равны, если равны их соответствующие элементы. Приравниваем соответствующие элементы векторов-столбцов и получаем однородную систему линейных уравнений:

Перенесём всё налево:

В первом уравнении за скобки вынесем «икс», во втором уравнении – «игрек»:

По определению, собственный вектор не может быть нулевым , поэтому нас не устраивает тривиальное решение системы. А если однородная система имеет ненулевое решение, то её уравнения линейно зависимы и определитель матрицы равен нулю:

Это так называемое характеристическое уравнение матрицы , корни которого являются собственными числами данной матрицы.

На практике, как правило, не нужно расписывать подробный вывод формулы – вполне достаточно руководствоваться формальным алгоритмом, и решение задачи можно начать примерно так:

Сначала найдём собственные значения

Составим характеристическое уравнение. Смотрим на исходную матрицу и записываем её определитель, вычитая при этом «лямбду» из чисел главной диагонали:

Раскроем определитель и решим квадратное уравнение:

Таким образом, собственные значения:

Желательно располагать их в порядке возрастания, хотя это не принципиально.

Теперь найдём собственные векторы

В данном примере получены различные собственные числа и каждому из них соответствует свои собственные векторы.

1) Рассмотрим собственное число и подставим значение в однородную систему уравнений :

Для записи системы целесообразно запомнить формальный приём: мысленно либо на черновике подставляем в определитель :
– это и есть коэффициенты системы.

Из обоих уравнений следует:

Если в ходе решения выяснилось, что линейной зависимости нет (т.е. получается только тривиальное решение, в данном примере ) – ищите ошибку! Этот признак касается всех задач рассматриваемого типа.

Итак, в нашем распоряжении есть выражение , и, придавая переменной «игрек» (либо «икс») произвольные значения, мы получаем бесконечно много собственных векторов . Все они будут коллинеарны друг другу, и поэтому нам достаточно указать один из них. Обычно стараются выбрать «красивый» вектор – чтобы его «иксовая» координата была положительной, целой и минимальной, а «игрек» не дробным.Этому эстетическому критерию соответствует значение , тогда:

Теперь обязательно проверяем, что частное решение удовлетворяет каждому уравнению системы:

Таким образом: – первый собственный вектор.

2) Найдём собственные векторы, соответствующие числу . Для этого мысленно либо на черновике подставим его в определитель и запишем вторую однородную систему:

Из обоих уравнений следует, что .

В результате: – второй собственный вектор.

Повторим важные моменты решения:

– полученная система непременно имеет общее решение (уравнения линейно зависимы);

– «игрек» подбираем таким образом, чтобы он был целым и первая «иксовая» координата – целой, положительной и как можно меньше.

– проверяем, что частное решение удовлетворяет каждому уравнению системы.

Ответ: собственные числа: , собственные векторы: .

Промежуточных «контрольных точек» было вполне достаточно, поэтому проверка равенств , в принципе, дело излишнее.

В различных источниках информации координаты собственных векторов довольно часто записывают не в столбцы, а в строки, например: (и, если честно, я сам привык записывать их строками). Такой вариант приемлем, но в свете темы линейных преобразований технически удобнее использовать векторы-столбцы.

Возможно, решение показалась вам очень длинным, но это только потому, что я очень подробно прокомментировал первый пример.

Найти собственные числа и собственные векторы матрицы

Тренируемся самостоятельно! Примерный образец чистового оформления задачи в конце урока.

Иногда требуется выполнить дополнительное задание, а именно:

записать каноническое разложение матрицы

Если собственные векторы матрицы образуют базис, то она представима в виде:

, где – матрица составленная из координат собственных векторов, – диагональная матрица с соответствующими собственными числами.

Такое разложение матрицы называют каноническим или диагональным.

Рассмотрим матрицу первого примера. Её собственные векторы линейно независимы (неколлинеарны) и образуют базис. Составим матрицу из их координат:

На главной диагонали матрицы в соответствующем порядке располагаются собственные числа, а остальные элементы равняются нулю:
– ещё раз подчёркиваю важность порядка: «двойка» соответствует 1-му вектору и посему располагается в 1-м столбце, «тройка» – 2-му вектору.

По обычному алгоритму нахождения обратной матрицы либо методом Гаусса-Жордана находим . Нет, это не опечатка! – перед вами редкое, как солнечное затмение событие, когда обратная совпала с исходной матрицей.

Осталось записать каноническое разложение матрицы :

Желающие могут перемножить три матрицы и удостовериться, что произведение равно .

Разрешив матричное уравнение относительно диагональной матрицы, можно получить другое соотношение:

Диагональную матрицу также называют матрицей линейного преобразования в базисе из собственных векторов. Если не очень понятно, то давайте вспомним заключительную часть урока о линейных преобразованиях. В ней мы выяснили, что одному и тому же линейному преобразованию в разных базисах в общем случае соответствуют разные матрицы (в частности, матрицы и в нашем примере). И наиболее удобным из них как раз и является базис из собственных векторов (в случае его существования).

Более того, все матрицы конкретного линейного преобразования в одном и том же векторном пространстве имеют один и то же характеристический многочлен, из-за чего характеристическое уравнение, вероятно, и получило своё название.

Так, легко убедиться, что характеристическое уравнение матрицы :

– совпадает с характеристическим уравнением матрицы , которое мы получили в 1-м примере.

Однако такой удобный базис существует далеко не всегда:

Найти каноническое разложение матрицы

Решение: найдем собственные значения. Составим и решим характеристическое уравнение:

– получены кратные собственные числа.

Мысленно либо на черновике подставим в определитель и запишем однородную систему линейных уравнений:

Вторая координата принудительно равна нулю: (иначе в первом уравнении получится неверное равенство). За «икс» можно принять любое ненулевое значение, в хорошем стиле положим, что . Не ленимся, и проверяем, что эта пара значений удовлетворяет каждому уравнению системы!

Таким образом, кратным собственным числам соответствует одно множество коллинеарных друг другу собственных векторов в «лице» вектора , и поэтому канонического разложения матрицы не существует.

Почему? Потому что невозможно записать матрицу , которая должна состоять из двух линейно независимых собственных векторов. Размерность вектора равна двум («икс» и «игрек»), но сам-то вектор – один-одинёшенек. Коллинеарный товарищ, например , в пару не годится (хотя бы по той причине, что и обратной матрицы попросту не существует).

У рассмотренного примера есть простое геометрическое объяснение: матрица определяет не что иное, как «перекос Джоконды», у которого существует лишь одно множество коллинеарных друг другу собственных векторов, которые это линейное преобразование переводит в коллинеарные исходным, причём равные векторы (коль скоро, )

Ответ: собственные векторы не образуют базиса, поэтому требуемое разложение неосуществимо.

Обратите внимание на корректность и точность ответа – нас никто не спрашивал о собственных значениях и собственных векторах. Кстати, об условии – его могут сформулировать и коварно: записать матрицу линейного преобразования в базисе из собственных векторов. Коварство состоит в том, что здесь можно найти собственные числа и машинально дать нелегальный ответ . Но базиса-то не существует!

И сейчас назрели важные вопросы:

Сколько у матрицы собственных чисел и собственных векторов?

Ну, во-первых (вроде не говорил), эти понятия определены только для квадратных матриц.

И с собственными числами всё просто:

у матрицы существует ровно собственных значений.

Могут ли они быть комплексными? Запросто. Простейший пример: – матрица поворота декартовой системы координат против часовой стрелки на угол , отличный от 180 и 360 градусов. Возьмём «школьный» угол в 30 градусов, запишем соответствующую матрицу поворота и составим характеристическое уравнение:

Оно имеет сопряжённые комплексные корни , и дальнейшее решение показывает, что у рассматриваемого преобразования нет действительных собственных векторов. И это очевидно – при повороте на 30 градусов любой ненулевой вектор отображается в неколлинеарный ему вектор.

Случай второй, самый распространённый. Собственные числа матрицы действительны и различны (как, например, в Примерах 1, 2). Такое линейное преобразование имеет ровно собственных линейно независимых векторов, и его недиагональную матрицу всегда можно записать в виде .

Случай третий, самый интересный. Среди собственных чисел есть кратные, или же только кратные, как в Примере 3. В этих случаях неколлинеарных собственных векторов может оказаться… сколько угодно! Меньше, чем собственных чисел (Пример 3). Может оказаться ровно штук, и тогда будет существовать разложение .

А может – вообще бесконечно много! Например, при повороте плоскости на 180 градусов. Ему соответствует матрица с характеристическим уравнением с кратными собственными числами ; и, продолжая стандартное решение, мы приходим к симпатичной системе , которой удовлетворяют координаты вообще любого вектора. Таким образом, любой ненулевой вектор этого преобразования является собственным! Оно и неудивительно – ведь при повороте на 180 градусов любой ненулевой вектор отображается в коллинеарный и противоположно направленный вектор, например:
, и, вынося собственное число из столбца: , мы окончательно убеждаемся, что – есть собственный вектор.

Следует отметить, что этот поворот – частный случай преобразования подобия, и у подобия, к слову, тоже любой ненулевой вектор собственный. Коэффициент же подобия – есть не что иное, как соответствующее собственное значение, в частности, при все геометрические объекты сохраняют свои размеры неизменными

Однако не будем слишком увлекаться геометрией – ведь в термины вектор, базис и др. вкладывается, прежде всего, алгебраический смысл. Собственные векторы и собственные значения используются во многих математических задачах, моделях, но мы не будем увлекаться и ими 🙂 – сейчас важно освоить техническую сторону вопроса.

И задачи с матрицей «три на три» отличаются бОльшей технической сложностью:

Найти собственные векторы линейного преобразования, заданного матрицей

Решение: такая формулировка задачи смущать не должна – ведь это и есть «генеральная линия партии». Энтузиасты могут провести самостоятельные выкладки по аналогии с Примером № 1, я же ограничусь «рабочим» решением примера.

По условию требуется найти собственные векторы, но алгоритм таков, что в первую очередь всё равно нужно найти собственные числа.

Вычтем «лямбду» из всех чисел главной диагонали матрицы и составим её характеристическое уравнение:

Определитель раскроем по первому столбцу:

На этом месте немного притормозим и познакомимся с очень полезным техническим приёмом, который значительно упростит дальнейшую жизнь. Практически во всех методических пособиях вам будет предложено раскрыть все скобки, получить слева многочлен 3-й степени, затем подбором найти корень и стать жертвой долгих мытарств, описанных в Примере № 1 урока Сложные пределы. За годы практики я отработал рациональную схему, позволяющую избежать этих неприятностей:

Сначала представим в виде произведения «хвост» левой части:

Выполненное действие не привело к заметному результату.

Поэтому пробуем разложить на множители квадратный трёхчлен . Решив квадратное уравнение, получаем .

Вынесем за скобку и проведём дальнейшие упрощения:

Решаем ещё одно квадратное уравнение, в итоге:

Это была самая длинная ветка алгоритма, в большинстве случаев произведение получается значительно быстрее.

Собственные значения всегда стараемся расположить в порядке возрастания:

Найдем собственные векторы:

1) Мысленно либо на черновике подставим значение в определитель , с которого «снимем» коэффициенты однородной системы:

Систему можно решить с помощью элементарных преобразований и в следующих примерах мы прибегнем к данному методу. Но здесь гораздо быстрее срабатывает «школьный» способ. Из 3-го уравнения выразим: – подставим во второе уравнение:

Поскольку первая координата нулевая, то получаем систему , из каждого уравнения которой следует, что .

И снова обратите внимание на обязательное наличие линейной зависимости. Если получается только тривиальное решение , то либо неверно найдено собственное число, либо с ошибкой составлена / решена система.

Компактные координаты даёт значение

И ещё раз – проверяем, что найденное решение удовлетворяет каждому уравнению системы. В последующих пунктах и в последующих задачах рекомендую принять данное пожелание за обязательное правило.

2) Для собственного значения по такому же принципу получаем следующую систему:

Из 2-го уравнения системы выразим: – подставим в третье уравнение:

Поскольку «зетовая» координата равна нулю, то получаем систему , из каждого уравнения которой следует линейная зависимость .

Проверяем, что решение удовлетворяет каждому уравнению системы.

Таким образом, собственный вектор: .

3) И, наконец, собственному значению соответствует система:

Второе уравнение выглядит самым простым, поэтому из него выразим и подставим в 1-е и 3-е уравнение:

Всё хорошо – выявилась линейная зависимость , которую подставляем в выражение :

В результате «икс» и «игрек» оказались выражены через «зет»: . На практике не обязательно добиваться именно таких взаимосвязей, в некоторых случаях удобнее выразить и через либо и через . Или даже «паровозиком» – например, «икс» через «игрек», а «игрек» через «зет»

Проверяем, что найденное решение удовлетворяет каждому уравнению системы и записываем третий собственный вектор

Ответ: собственные векторы:

Геометрически эти векторы задают три различных пространственных направления («туда-обратно»), по которым линейное преобразование переводит ненулевые векторы (собственные векторы) в коллинеарные им векторы.

Если бы по условию требовалось найти каноническое разложение , то здесь это возможно, т.к. различным собственным числам соответствуют разные линейно независимые собственные векторы. Составляем матрицу из их координат, диагональную матрицу из соответствующих собственных значений и находим обратную матрицу .

Если же по условию нужно записать матрицу линейного преобразования в базисе из собственных векторов, то ответ даём в виде . Разница есть, и разница существенная! Ибо оная матрица – есть матрица «дэ».

Задача с более простыми вычислениями для самостоятельного решения:

Найти собственные векторы линейного преобразования, заданного матрицей

При нахождении собственных чисел постарайтесь не доводить дело до многочлена 3-й степени. Кроме того, ваши решения систем могут отличаться от моих решений – здесь нет однозначности; и векторы, которые вы найдёте, могут отличаться от векторов образца с точностью до пропорциональности их соответствующих координат. Например, и . Эстетичнее представить ответ в виде , но ничего страшного, если остановитесь и на втором варианте. Однако всему есть разумные пределы, версия смотрится уже не очень хорошо.

Примерный чистовой образец оформления задания в конце урока.

Как решать задачу в случае кратных собственных чисел?

Общий алгоритм остаётся прежним, но здесь есть свои особенности, и некоторые участки решения целесообразно выдержать в более строгом академичном стиле:

Найти собственные числа и собственные векторы

Решение: составим и решим характеристическое уравнение:

Конечно же, оприходуем сказочный первый столбец:

И, после разложения квадратного трёхчлена на множители:

В результате получены собственные числа , два из которых кратны.

Найдем собственные векторы:

1) С одиноким солдатом разделаемся по «упрощённой» схеме:

Из последних двух уравнений четко просматривается равенство , которое, очевидно, следует подставить в 1-е уравнение системы:

Лучшей комбинации не найти:
Собственный вектор:

2-3) Теперь снимаем пару часовых. В данном случае может получиться либо два, либо один собственный вектор. Невзирая на кратность корней, подставим значение в определитель , который приносит нам следующую однородную систему линейных уравнений:

Собственные векторы – это в точности векторы
фундаментальной системы решений

Собственно, на протяжении всего урока мы только и занимались тем, что находили векторы фундаментальной системы. Просто до поры до времени данный термин особо не требовался. Кстати, те ловкие студенты, которые в маскхалатах проскочили тему однородных уравнений, будут вынуждены вкурить её сейчас.

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

Единственное действие состояло в удалении лишних строк. В результате получена матрица «один на три» с формальной «ступенькой» посередине.
– базисная переменная, – свободные переменные. Свободных переменных две, следовательно, векторов фундаментальной системы тоже два.

Выразим базисную переменную через свободные переменные: . Нулевой множитель перед «иксом» позволяет принимать ему совершенно любые значения (что хорошо видно и из системы уравнений).

В контексте данной задачи общее решение удобнее записать не в строку, а в столбец:

Паре соответствует собственный вектор:
Паре соответствует собственный вектор:

Примечание: искушенные читатели могут подобрать данные векторы и устно – просто анализируя систему , но тут нужны некоторые знания: переменных – три, ранг матрицы системы – единица, значит, фундаментальная система решений состоит из 3 – 1 = 2 векторов. Впрочем, найдённые векторы отлично просматриваются и без этих знаний чисто на интуитивном уровне. При этом даже «красивее» запишется третий вектор: . Однако предостерегаю, в другом примере простого подбора может и не оказаться, именно поэтому оговорка предназначена для опытных людей. Кроме того, а почему бы не взять в качестве третьего вектора, скажем, ? Ведь его координаты тоже удовлетворяют каждому уравнение системы, и векторы линейно независимы. Такой вариант, в принципе, годен, но «кривоват», поскольку «другой» вектор представляет собой линейную комбинацию векторов фундаментальной системы.

Ответ: собственные числа: , собственные векторы:

Аналогичный пример для самостоятельного решения:

Найти собственные числа и собственные векторы

Примерный образец чистового оформления в конце урока.

Следует отметить, что и в 6-м и в 7-м примере получается тройка линейно независимых собственных векторов, и поэтому исходная матрица представима в каноническом разложении . Но такая малина бывает далеко не во всех случаях:

Найти собственные числа и собственные векторы матрицы

Решение: составим и решим характеристическое уравнение:

Определитель раскроем по первому столбцу:

Дальнейшие упрощения проводим согласно рассмотренной методике, избегая многочлена 3-й степени:

Найдем собственные векторы:

1) С корнем затруднений не возникает:

Не удивляйтесь, помимо комплекта в ходу также переменные – разницы тут никакой.

Из 3-го уравнения выразим – подставим в 1-е и 2-е уравнения:

Из обоих уравнений следует:

2-3) Для кратных значений получаем систему .

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

(1) Ко второй строке прибавили первую строку, умноженную на –2.

(2) Последние две строки одинаковы, одну из них удалили.

(3) Дальше пошла уместная доводка матрицы методом Гаусса-Жордана: к первой строке прибавили вторую строку.

(4) У первой строки сменили знак.

Переменные – базисные, переменная – свободная. Так как свободная переменная одна, то фундаментальная система решений состоит из одного вектора. И мы счастливые наблюдатели случая, когда кратным собственным числам соответствует единственный собственный вектор. Записываем в столбец общее решение системы: , и, задавая свободной переменной значение , получаем нашего героя:

Ответ: собственные числа: , собственные векторы: .

Здесь матрицу нельзя представить виде – по той простой причине, что «собственного» базиса не существует – хоть трёхмерные векторы-столбцы и линейно независимы, но самих-то их всего лишь два. Недобор.

Шестое чувство мне подсказывает, что многие воодушевились на задание повышенной сложности:

Найти собственные числа и собственные векторы матрицы

Можно ли записать каноническое разложение этой матрицы?

Не беда, если дело застопорилось, в психотерапевтических целях отложите тетрадь с решением на чёрный день. Когда заест скука – самое то =)

Решения и ответы:

Пример 2: Решение: Найдем собственные значения. Составим и решим характеристическое уравнение:

– собственные значения.
Найдем собственные векторы:
1)

Пусть
– собственный вектор.
2)

Пусть
– собственный вектор.
Ответ: собственные значения: , собственные векторы: .

Пример 5: Решение: сначала найдем собственные числа. Составим и решим характеристическое уравнение:

Определитель раскроем по первой строке:

– собственные значения.
Найдем собственные векторы:
1)

Пусть

2)

Пусть

3)

Пусть

Ответ: собственные векторы:

Пример 7: Решение: составим и решим характеристическое уравнение:

– собственные значения.
Найдем собственные векторы:
1-2)

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

Выразим базисную переменную через свободные переменные: и запишем общее решение: . Найдём векторы фундаментальной системы, которые в данной задаче являются собственными векторами матрицы:
Паре соответствует собственный вектор:
Паре соответствует собственный вектор:
Примечание: в качестве решения системы линейных уравнений данного пункта напрашивается тройка , но столбец линейно выражается через векторы фундаментальной системы. Использование такого и подобных ему решений в качестве одного из собственных векторов корректно, но нестандартно.
3)

Пусть

Ответ: собственные числа: , собственные векторы:

Пример 9: Решение: Составим и решим характеристическое уравнение:

Определитель вычислим понижением порядка. К третьей строке прибавим вторую строку, умноженную на –1. К четвёртой строке прибавим вторую строку, умноженную на :

Разложим определитель по 4-му столбцу:

К третьей строке прибавим первую строку:

Собственные значения:

Найдем собственные векторы:
1)

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

(1) Первую и третью строку поменяли местами.
(2) Ко 2-й и 3-й строкам прибавили первую строку, умноженную на –1 и –2 соответственно.
(3) Вторую строку разделили на 2.
(4) К 3-й и 4-й строкам прибавили вторую строку, умноженную на –1.
(5) Последние две строки пропорциональны, третью строку удалили. У первой строки сменили знак, вторую строку умножили на 2.
(6) К первой и второй строкам прибавили третью строку.
(7) У первой строки сменили знак, последние две строки разделили на 2.
Выразив базисные переменные через свободную, запишем общее решение: . Придаём свободной переменной значение и получаем собственный вектор
2-3)

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

(1) Первая и четвёртая строки одинаковы. Вторая и третья строки одинаковы. Первую и вторую строку удалили из матрицы.
Выразим базисные переменные через свободные переменные :

Таким образом, общее решение: .
Фундаментальная система состоит из двух векторов:
при получаем ;
при получаем .

4)

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

(1) Первую и третью строку поменяли местами.
(2) Ко 2-й и 3-й строкам прибавили первую строку, умноженную на –1 и 2 соответственно.
(3) Вторую строку разделили на 2.
(4) К 3-й и 4-й строкам прибавили вторую строку.
(5) Последние две строки пропорциональны, третью строку удалили. Вторую строку умножили на –2.
(6) К первой и второй строкам прибавили третью строку.
(7) Последние две строки разделили на 2.
Общее решение: . Придаём свободной переменной значение и получаем собственный вектор .

Ответ: собственные значения: , собственные векторы:
. Перечисленные четыре четырехмерных вектора линейно независимы, и поэтому матрицу линейного преобразования можно записать в виде . Но не нужно =)

Автор: Емелин Александр

(Переход на главную страницу)

Contented.ru – онлайн школа дизайна

Собственные числа и собственные векторы матрицы.

Определение 9.3. Вектор х называется собственным вектором матрицы А, если найдется такое число λ, что выполняется равенство: Ах = λх, то есть результатом применения к х линейного преобразования, задаваемого матрицей А, является умножение этого вектора на число λ. Само число λ называется собственным числом матрицы А.

Подставив в формулы (9.3) x`_j = λx_j, получим систему уравнений для определения координат собственного вектора:

.

. (9.5)

Эта линейная однородная система будет иметь нетривиальное решение только в случае, если ее главный определитель равен 0 (правило Крамера). Записав это условие в виде:

получим уравнение для определения собственных чисел λ, называемое характеристическим уравнением. Кратко его можно представить так:

| A — λE | = 0, (9.6)

поскольку в его левой части стоит определитель матрицы А-λЕ. Многочлен относительно λ | A — λE| называется характеристическим многочленом матрицы А.

Свойства характеристического многочлена:

Характеристический многочлен линейного преобразования не зависит от выбора базиса. Доказательство. (см. (9.4)), но следовательно, . Таким образом, не зависит от выбора базиса. Значит, и |A-λE| не изменяется при переходе к новому базису.

Если матрица А линейного преобразования является симметрической (т.е. а_ij=a_ji), то все корни характеристического уравнения (9.6) – действительные числа.

Свойства собственных чисел и собственных векторов:

Если выбрать базис из собственных векторов х₁, х₂, х₃, соответствующих собственным значениям λ₁, λ₂, λ₃ матрицы А, то в этом базисе линейное преобразование А имеет матрицу диагонального вида:

(9.7) Доказательство этого свойства следует из определения собственных векторов.

Если собственные значения преобразования А различны, то соответствующие им собственные векторы линейно независимы.

Если характеристический многочлен матрицы А имеет три различных корня, то в некотором базисе матрица А имеет диагональный вид.

Найдем собственные числа и собственные векторы матрицы Составим характеристическое уравнение: (1- λ)(5 — λ)(1 — λ) + 6 — 9(5 — λ) — (1 — λ) — (1 — λ) = 0, λ³ — 7λ² + 36 = 0, λ₁ = -2, λ₂ = 3, λ₃ = 6.

Найдем координаты собственных векторов, соответствующих каждому найденному значению λ. Из (9.5) следует, что если х₍₁₎=<x₁,x₂,x₃> – собственный вектор, соответствующий λ₁=-2, то

— совместная, но неопределенная система. Ее решение можно записать в виде х₍₁₎=<a,0,-a>, где а – любое число. В частности, если потребовать, чтобы |x₍₁₎|=1, х₍₁₎=

Подставив в систему (9.5) λ₂=3, получим систему для определения координат второго собственного вектора — x₍₂₎=<y₁,y₂,y₃>:

, откуда х₍₂₎=<b,-b,b> или, при условии |x₍₂₎|=1, x₍₂₎=

Для λ₃ = 6 найдем собственный вектор x₍₃₎=<z₁, z₂, z₃>:

, x₍₃₎=<c,2c,c> или в нормированном варианте

х₍₃₎ = Можно заметить, что х₍₁₎х₍₂₎ = ab – ab = 0, x₍₁₎x₍₃₎ = ac – ac = 0, x₍₂₎x₍₃₎ = bc — 2bc + bc = 0. Таким образом, собственные векторы этой матрицы попарно ортогональны.

Лекция 10.

Квадратичные формы и их связь с симметричными матрицами. Свойства собственных векторов и собственных чисел симметричной матрицы. Приведение квадратичной формы к каноническому виду.

Определение 10.1. Квадратичной формой действительных переменных х₁, х₂,…,х_n называется многочлен второй степени относительно этих переменных, не содержащий свободного члена и членов первой степени.

Примеры квадратичных форм:

(n = 2),

(n = 3). (10.1)

Напомним данное в прошлой лекции определение симметрической матрицы:

Определение 10.2. Квадратная матрица называется симметрической, если , то есть если равны элементы матрицы, симметричные относительно главной диагонали.

Свойства собственных чисел и собственных векторов симметрической матрицы:

Все собственные числа симметрической матрицы действительные.

Доказательство (для n = 2).

Пусть матрица А имеет вид: . Составим характеристическое уравнение:

(10.2) Найдем дискриминант:

следовательно, уравнение имеет только действительные корни.

Собственные векторы симметрической матрицы ортогональны.

Доказательство (для n = 2).

Координаты собственных векторов и должны удовлетворять уравнениям:

Следовательно, их можно задать так:

. Скалярное произведение этих векторов имеет вид:

По теореме Виета из уравнения (10.2) получим, что Подставим эти соотношения в предыдущее равенство: Значит, .

Замечание. В примере, рассмотренном в лекции 9, были найдены собственные векторы симметрической матрицы и обращено внимание на то, что они оказались попарно ортогональными.

Определение 10.3. Матрицей квадратичной формы (10.1) называется симметрическая матрица . (10.3)

Таким образом, все собственные числа матрицы квадратичной формы действительны, а все собственные векторы ортогональны. Если все собственные числа различны, то из трех нормированных собственных векторов матрицы (10.3) можно построить базис в трехмерном пространстве. В этом базисе квадратичная форма будет иметь особый вид, не содержащий произведений переменных.

Собственные значения матрицы

Собственные числа и собственные векторы матрицы

Определение. Вектор называется собственным вектором матрицы A, если найдется такое число λ, что
(2.36)
где число λ называется собственным значением матрицы A, которое соответствует вектору .
Запишем равенство (2.36) в матричной форме:
AX = λX, (2.37)
где X — матрица-столбец из координат вектора .
Уравнение (2.37) распишем в координатной форме
(2.38)
Перепишем уравнение системы (2.38) так, чтобы в правых частях были нули:
(2.39)
Чтобы перейти к рассмотрению системы (2.39) докажем такую ​​теорему.

ТЕОРЕМА. Однородная система (n уравнений с n неизвестными)
(2.40)
имеет ненулевое решение тогда и только тогда, когда , т. е. когда матрица A является вырожденной.

Доказательство. Пусть система (2.40) имеет ненулевое решение. Покажем, что . Действительно, если бы это было не так, то есть , то решая систему по правилу Крамера, мы бы получили единственное нулевое решение x = 0, а это противоречит условию.

Пусть , покажем, что существует ненулевое решение системы. Для удобства рассмотрим систему двух уравнений.
(2.41)

Потому что , то и , то есть матрица
есть вырожденной. Значит строки матрицы A являются линейно зависимыми, а это
означает, что и столбцы матрицы A T являются линейно зависимы. Указанные столбцы обозначим через и . При этом существуют такие числа k₁ и k₂, не равные одновременно нулю, что выполняется равенство , или в координатной форме:

Итак, это значит, что система (2.41) имеет ненулевое решение. Теорема доказана.

Теперь вернемся к системе (2.39). На основании выше приведенной теоремы, система (2.39) имеет ненулевое решение тогда и только тогда, когда определитель системы равен нулю, то есть
(2.42)
Определитель (2.42) является многочленом n-й степени относительно λ. Этот многочлен называется характеристическим многочленом матрицы А, а уравнение (2.42) называется характеристическим уравнением матрицы А .

Пример 1. Найти собственные числа и собственные векторы матрицы

Решение. Запишем систему типа (2.39) для нахождения собственных чисел и собственных векторов, а именно
(2.43)
Как нам уже известно, для того, чтобы эта система имела ненулевые решения, нужно, чтобы определитель этой системы был равен нулю, то есть или

λ 2 – 5λ + 6 = 0. Корни этого квадратного уравнения — λ₁ = 2, λ₂ = 3. Таким образом мы нашли собственные (характеристические) числа.

Теперь найдем собственные векторы, соответствующие найденным собственным числам.

Чтобы найти координаты собственного вектора, соответствующего собственному числу λ₁ = 2, подставляем λ₁ = 2 в систему (2.43).
Получим отсюда x₁ = 2t , x₂ = t при произвольном t ≠ 0, является решением этой системы. Итак, вектор , t ≠ 0 является собственным вектором-столбцом матрицы A.

Для нахождения координат собственного вектора матрицы A, соответствующего собственному числу λ₂ = 3, поступаем аналогично. Число λ₂ = 3 подставляем в систему (2.43) и получим:
отсюда x₁ = x₂.

Значит, x₁ = t, x₂ = t, t ≠ 0, а вектор-столбец является собственным вектором, соответствующим собственному числу λ₂ = 3.

Линейная модель торговли

Одним из примеров экономических процессов, которые приводят к понятию собственного числа и собственного вектора матрицы, является процесс взаимных закупок товаров. Мы будем рассматривать линейную модель обмена, или как ее называют другими словами, модель международной торговли.

Пусть имеется n государств, S₁ , S₂ , . S_n национальный доход которых равен соответственно x₁, x₂, . x_n. Долю национального дохода, которую государство S_j тратит на покупку товаров в государстве S_i , обозначим коэффициентами a_ij . Будем считать, что весь национальный доход тратится на закупку товаров или внутри государства, или на импорт из других государств, то есть:

Рассмотрим матрицу коэффициентов a_ij :

Матрица А со свойством, что сумма элементов ее произвольного столбца равна 1, называется структурной матрицей торговли.
Для любого государства S_i (i = 1, 2, . n) общая выручка от внешней и внутренней торговли составляет

Для сбалансированности торговли необходима бездефицитность торговли каждого государства, то есть выручка от торговли каждой государства не должна быть меньше ее национального дохода, то есть p_i ≥ x_i (i = 1, 2, . n) или .В этом условии не может быть знака неравенства. Действительно, сложив все эти неравенства, когда i меняется от 1 до n , и сгруппировав, получим:

Поскольку в скобках есть суммы элементов матрицы A по столбцам, которые равны 1, мы получили противоречивое неравенство. Следовательно, возможен только знак равенства.

Введем вектор национальных доходов государств, получим матричное уравнение AX = X или (A – E) X = 0, где X — матрица-столбец из координат вектора .
Значит, задача свелась к нахождению собственного вектора матрицы A, отвечающего собственному значению λ = 1.

Пример 1. Структурная матрица торговли трех стран S₁ , S₂ , S₃ имеет вид
A = .
Найти соотношение между национальными доходами стран, при котором будет торговля сбалансирована.

Решение. Находим собственный вектор , который отвечает собственному значению λ = 1, решив уравнение (A – E) X = 0 или систему уравнений

Обозначим национальные доходы соответственно x₁, x₂, x₃. Тогда будем искать собственный вектор , отвечающий собственному значению λ = 1, решив уравнение (A – E) X = 0.
Поскольку ранг данной системы равен 2, то одна из переменных, например x₃ = C является свободным неизвестным. Остальные неизвестные выразим через него. Решая данную систему, находим, что
то есть
Полученный результат означает, что сбалансированность торговли трех стран достигается при векторе национального дохода то есть при соотношении доходов: или 4: 9: 10.

Собственные векторы и собственные значения матрицы

Пусть —заданная квадратная матрица. Как мы увидим позже, иногда приходится рассматривать уравнение , (8.27) где — неизвестный числовой вектор, высота которого равна порядку , а — неизвестное число. При любом уравнение (8.27) обладает, в частности, тривиальным решением , однако нас будут интересовать только такие , при которых эта система имеет нетривиальные решения.

Эти значения называются собственными значениями матрицы , а нетривиальные решения уравнения (8.27) при таких — ее собственными векторами. Нетрудно проверить, что каждый собственный вектор матрицы отвечает ее единственному собственному значению.

Собственные значения и собственные векторы находятся следующим образом. Так как , то уравнение (8.27) можно переписать в виде . (8.28)

Сравнивая с формулой (8.25), видим, что получилась система из алгебраических однородных уравнений с неизвестными, где — порядок матрицы . Согласно п. 8.6 для наличия нетривиального решения необходимо и достаточно, чтобы определитель системы равнялся нулю, т. е. . (8.29) Это уравнение называется характеристическим уравнением матрицы , оно служит для разыскания собственных значений . Так, для матрицы (8.23) оно имеет вид . Раскрыв определитель, мы видим, что получается алгебраическое уравнение, степень которого равна порядку матрицы . В силу п. 6.8 заключаем, что матрица порядка имеет (вообще говоря, комплексных) собственных значений, среди которых, правда, могут быть совпадающие.

По этой ссылке вы найдёте полный курс лекций по высшей математике:

Найдя какое-либо собственное значение, мы можем соответствующие собственные векторы найти из векторного уравнения (8.28) (переписанного в виде системы скалярных уравнений), как указано в п. 8.6.

Из уравнения (8.28) вытекает, что при зафиксированном сумма решений есть решение и произведение решения на число также является решением того же уравнения. Значит, совокупность всех собственных векторов, отвечающих заданному собственному значению (дополненная тривиальным решением ), образует линейное подпространство (п. 7.18) пространства всех числовых векторов заданной высоты .

При этом имеются в виду комплексные собственные векторы, так как вещественное характеристическое уравнение (8.29) может иметь как вещественные, так и мнимые корни. Указанная одномерность вытекает из того, что ненулевые собственные векторы, отвечающие различным собственным значениям, обязательно линейно независимы, а в alt=»Собственные значения матрицы» />-мерном пространстве числовых векторов не может быть более alt=»Собственные значения матрицы» />линейно независимых векторов.

А эта линейная независимость проверяется так: если, например, собственные векторы отвечают различным собственным значениям , причем линейно независимы, а , то, помножив это равенство справа на , получаем , откуда, умножив первое равенство на и вычитая, выводим , чему противоречит линейная независимость и .

Если имеются совпадающие собственные значения, то можно проверить, что для каждого собственного значения кратности подпространство собственных векторов имеет размерность .

Если все , то, выбрав базис в каждом из этих подпространств, мы получаем базис в комплексном евклидовом пространстве , состоящий из собственных векторов матрицы , имеющей порядок (если все вещественные, получаем базис в ). Если хотя бы одно , то базиса из собственных векторов матрицы указать нельзя.

Рассмотрим квадратные матрицы порядка . При умножении матрицы порядка на -мерный вектор в произведении получается -мерный вектор: .

Возможно вам будут полезны данные страницы:

Однако для любой матрицы существует набор особых векторов таких, что произведение матрицы на вектор из такого набора равносильно умножению этого вектора на определенное число.

Определение:

Число называется собственным значением матрицы порядка , если существует такой ненулевой вектор , что выполняется равенство: . (1.2) При этом вектор называется собственным вектором матрицы .

Уравнение (1.2) представлено в матричной форме. Группируя все слагаемые этого уравнения в левой части, его можно переписать в более удобном виде: , где и — соответственно единичная матрица и нулевой вектор. Если , и — элементы матрицы , то характеристическая матрица , согласно определениям умножения матрицы на число и суммы матриц, имеет вид:

.

Определение 8.39.

Число называется собственным значением квадратной матрицы , если найдется вектор такой, что . Вектор называется собственным вектором матрицы , соответствующим данному собственному значению. Теорема 8.19. Собственные значения матрицы являются решениями уравнения . Это уравнение называется характеристическим уравнением матрицы .

Теорема 8.20.

Число различных собственных значений квадратной матрицы не превосходит ее порядка. Собственные векторы, отвечающие различным собственным значениям, линейно независимы.

Пример с решением

Пример 8.19.

Пусть дана матрица . Составим и решим характеристическое уравнение.

, где — любое число.

Вектор будет являться собственным вектором, соответствующим собственному значению 2.

Вектор будет являться собственным вектором, соответствующим собственному значению 3. Векторы и линейно независимы. Так как они двухмерные, то они образуют базис пространства .

Присылайте задания в любое время дня и ночи в ➔

Официальный сайт Брильёновой Натальи Валерьевны преподавателя кафедры информатики и электроники Екатеринбургского государственного института.

Все авторские права на размещённые материалы сохранены за правообладателями этих материалов. Любое коммерческое и/или иное использование кроме предварительного ознакомления материалов сайта natalibrilenova.ru запрещено. Публикация и распространение размещённых материалов не преследует за собой коммерческой и/или любой другой выгоды.

Сайт предназначен для облегчения образовательного путешествия студентам очникам и заочникам по вопросам обучения . Наталья Брильёнова не предлагает и не оказывает товары и услуги.

Собственные векторы, значения и пространства

Определение собственного числа и собственного вектора квадратной матрицы

Собственным вектором квадратной вектор