Собственные значения и собственные векторы на примерах

Определяющее уравнение

Большинство векторов меняют направление при умножении на матрицу. Некоторые особые векторы — нет: матрица лишь растягивает, сжимает или отражает их вдоль той же прямой. Это собственные векторы, а множитель, на который умножается каждый из них, — его собственное значение. В символах ненулевой вектор $\mathbf{v}$ является собственным вектором квадратной матрицы $A$ с собственным значением $\lambda$, если:

Нулевой вектор исключён, потому что он удовлетворял бы уравнению при любом $\lambda$. А вот собственные значения могут быть нулевыми, отрицательными и даже комплексными. Собственное значение 2 означает, что векторы этого направления удваивают длину, $-1$ — что они обращаются, а 0 — что они сжимаются в нулевой вектор, что происходит тогда и только тогда, когда матрица вырождена.

Нахождение собственных значений через характеристическое уравнение

Запишите уравнение в виде $(A - \lambda I)\mathbf{v} = \mathbf{0}$. Чтобы существовало ненулевое решение, матрица $A - \lambda I$ должна быть вырожденной, то есть её определитель должен равняться нулю. Так получается характеристическое уравнение:

Для матрицы $n \times n$ это полиномиальное уравнение степени $n$ относительно $\lambda$: значит, собственных значений $n$, если считать с кратностью и допускать комплексные. Для матрицы $2 \times 2$ многочлен квадратный, и его можно решить методами из статьи как решать квадратные уравнения.

Полный пример 2 на 2

Любое ненулевое кратное собственного вектора тоже является собственным вектором: $(3, 3)$ или $(-2, 4)$ были бы столь же верными ответами. Важно направление, а не длина. Заметьте также, что в обоих случаях строки $A - \lambda I$ были пропорциональны. Это гарантировано, если $\lambda$ действительно собственное значение, и служит отличной проверкой вычислений.

Два сокращения: след и определитель

Собственные значения любой квадратной матрицы связаны с двумя легко находимыми числами. Их сумма равна следу, то есть сумме диагональных элементов, а их произведение равно определителю:

В примере 1 след равен $4 + 3 = 7 = 5 + 2$, а определитель $12 - 2 = 10 = 5 \cdot 2$. Для матрицы $2 \times 2$ это означает, что характеристическое уравнение всегда имеет вид $\lambda^2 - \operatorname{tr}(A)\lambda + \det(A) = 0$, так что определитель не нужно раскрывать вручную. С треугольными матрицами ещё проще: их собственные значения — это просто диагональные элементы.

Комплексные и кратные собственные значения

Матрица поворота $\begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}$ поворачивает каждый вектор на 90 градусов: ни одно действительное направление не остаётся на своей прямой. Её характеристическое уравнение $\lambda^2 + 1 = 0$ даёт комплексные собственные значения $\lambda = \pm i$. Комплексные собственные значения действительной матрицы всегда появляются сопряжёнными парами и указывают на поворот.

Собственные значения могут быть и кратными. Матрица $\begin{pmatrix} 2 & 1 \\ 0 & 2 \end{pmatrix}$ имеет двукратное собственное значение 2, но $A - 2I = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}$ вынуждает $y = 0$: единственные собственные векторы — кратные $(1, 0)$. Такая матрица, у которой линейно независимых собственных векторов меньше, чем её размер, не диагонализуема. Единичная матрица, напротив, тоже имеет кратное собственное значение 1, но любой ненулевой вектор является её собственным вектором.

Симметричные матрицы избегают обоих осложнений. Их собственные значения всегда действительны, а собственные векторы, отвечающие разным собственным значениям, ортогональны. Для $\begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}$ собственные значения равны 3 и 1, с собственными векторами $(1, 1)$ и $(1, -1)$, скалярное произведение которых равно нулю.

Диагонализация и степени матрицы

Если у матрицы $n \times n$ есть $n$ линейно независимых собственных векторов, она диагонализуема. Запишите собственные векторы в столбцы $P$, а собственные значения — на диагональ $D$; тогда:

Диагональную матрицу возводят в степень, возводя в степень каждый диагональный элемент: так вычисление $A^{100}$ становится простым. Собственные значения предсказывают и долгосрочное поведение: если одно собственное значение по модулю строго больше всех остальных, то многократное умножение на $A$ поворачивает почти любой начальный вектор к направлению соответствующего собственного вектора.

Где важны собственные значения

• Поисковые системы: исходный алгоритм ранжирования страниц Google упорядочивает веб-страницы по доминирующему собственному вектору матрицы ссылок.
• Техника: собственные частоты мостов и зданий определяются собственными значениями, и инженеры держат их подальше от ожидаемых частот возбуждения.
• Анализ данных: метод главных компонент использует собственные векторы ковариационной матрицы, чтобы найти направления наибольшего разброса.
• Дифференциальные уравнения: знаки собственных значений решают, устойчиво равновесие или неустойчиво.
• Квантовая механика: измеряемые величины, например уровни энергии, — это собственные значения операторов.

Калькулятор собственных значений находит собственные значения и собственные векторы, включая комплексные, и пошагово показывает характеристический многочлен. Калькулятор определителей помогает проверить $\det(A - \lambda I)$ для значения-кандидата.

Пример 3 на 3

Большие матрицы обрабатываются тем же способом, и нули помогают так же, как в определителях. Возьмём матрицу со строками $(2, 0, 0)$, $(0, 3, 4)$ и $(0, 4, 9)$. Разложение $\det(A - \lambda I)$ по первой строке даёт $(2 - \lambda)$, умноженное на характеристический многочлен блока со строками $(3, 4)$ и $(4, 9)$. У этого блока след 12 и определитель $27 - 16 = 11$, поэтому его многочлен равен $\lambda^2 - 12\lambda + 11 = (\lambda - 1)(\lambda - 11)$.

Следовательно, собственные значения равны 2, 1 и 11. Проверка: их сумма 14 — след всей матрицы, а произведение 22 — её определитель. Собственные векторы: $(1, 0, 0)$ для собственного значения 2, $(0, -2, 1)$ для 1 и $(0, 1, 2)$ для 11. Матрица симметрична, и, как и обещано, эти три вектора попарно ортогональны.

Типичные ошибки

• Вычитать $\lambda$ из всех элементов, а не только из диагональных.
• После решения $(A - \lambda I)\mathbf{v} = \mathbf{0}$ принять нулевой вектор за собственный.
• Считать, что у кратного собственного значения всегда два линейно независимых собственных вектора.
• Забыть проверить результат, вычислив $A\mathbf{v}$ и сравнив с $\lambda\mathbf{v}$.

Заключительная проверка — самая ценная привычка из всех. Она требует лишь одного произведения матрицы на вектор, и если $A\mathbf{v}$ не кратно $\mathbf{v}$, то неверно либо собственное значение, либо собственный вектор.

Геометрическая картина

Представьте, что вы применяете матрицу из примера 1 к каждой точке листа в клетку. Большинство стрелок, выходящих из начала координат, одновременно удлиняются и поворачиваются. Но стрелки на прямой через $(1, 1)$ просто становятся в пять раз длиннее, а стрелки на прямой через $(1, -2)$ удваивают длину, не покидая своей прямой. Собственные векторы — это каркас отображения: зная, что происходит вдоль этих двух прямых, вы знаете, что происходит везде, ведь любой вектор раскладывается на составляющие вдоль этих прямых.

Частые вопросы