Диагонализация матриц: от теории к практике

Собственные числа и собственные векторы: фундамент диагонализации

Линейная алгебра часто воспринимается как наука о решении систем уравнений, но её истинная красота раскрывается при изучении линейных операторов. Матрица — это не просто таблица чисел, это инструмент трансформации пространства. Она может вращать, растягивать, сжимать или отражать векторы.

Среди бесконечного множества векторов, на которые действует матрица, существуют особенные, «избранные» векторы. Они не меняют своего направления под действием матрицы, а лишь растягиваются или сжимаются. Именно эти векторы и связанные с ними числа лежат в основе процесса диагонализации, позволяя упростить сложные матричные вычисления до элементарной арифметики.

Геометрическая интуиция

Представьте, что матрица — это инструкция по деформации резинового листа. Если мы нарисуем на этом листе произвольный вектор, то после применения трансформации (умножения матрицы на вектор) он, скорее всего, повернётся и изменит свою длину.

Однако существуют такие направления, которые остаются неизменными. Вектор, лежащий на такой прямой, после трансформации останется на ней же. Он может стать длиннее, короче или поменять направление на противоположное, но он не «уйдёт» с прямой.

!Слева — исходные векторы. Справа — результат действия матрицы: вектор v изменил направление, а вектор u (собственный вектор) только масштабировался.

Такие векторы называются собственными векторами, а коэффициент, на который они масштабируются — собственными числами.

Формальное определение

Пусть — квадратная матрица размера . Ненулевой вектор называется собственным вектором матрицы , если выполняется равенство:

Где:

— квадратная матрица (оператор трансформации).

— собственный вектор (обязательно ненулевой, ).

(лямбда) — собственное число (скаляр), соответствующее вектору .

Это уравнение говорит нам: действие матрицы на вектор эквивалентно простому умножению этого вектора на число . Матричное умножение превращается в скалярное.

Если , вектор растягивается. Если , вектор сжимается. Если , вектор меняет направление на противоположное (и также масштабируется).

Характеристическое уравнение

Как найти и , если нам дана только матрица ? Перепишем исходное уравнение:

Где:

— исходная матрица.

— вектор.

— скаляр.

— нулевой вектор.

Мы не можем просто вычесть число из матрицы . Нам нужно умножить на единичную матрицу , чтобы размерности совпали. Единичная матрица играет роль единицы в матричном мире (умножение на неё ничего не меняет: ).

Где:

— единичная матрица того же размера, что и (на главной диагонали единицы, остальные нули).

— новая матрица, полученная вычитанием из диагональных элементов .

Мы ищем ненулевой вектор . В линейной алгебре однородная система уравнений имеет ненулевое решение тогда и только тогда, когда матрица вырождена, то есть её определитель равен нулю. В нашем случае роль играет матрица .

Следовательно, чтобы найти собственные числа, мы должны решить уравнение:

Где:

— определитель матрицы.

— характеристическая матрица.

Это уравнение называется характеристическим уравнением. Раскрыв определитель, мы получим полином относительно , корни которого и будут собственными числами.

Алгоритм поиска собственных чисел и векторов

Процесс всегда состоит из двух этапов:

Решить характеристическое уравнение и найти все .

Для каждого найденного подставить его обратно в систему и найти вектор .

Практический пример

Рассмотрим матрицу :

Где:

— элементы матрицы .

#### Шаг 1: Поиск собственных чисел

Составим матрицу :

Где:

вычитается только из элементов главной диагонали.

Теперь найдем определитель этой матрицы и приравняем его к нулю:

Где:

— произведение элементов главной диагонали.

— произведение элементов побочной диагонали.

Раскроем скобки:

Мы получили квадратное уравнение. Найдем его корни (например, через дискриминант или теорему Виета):

Где:

— найденные собственные числа матрицы .

#### Шаг 2: Поиск собственных векторов

Теперь найдем векторы для каждого .

Случай 1:

Подставим в матрицу :

Теперь решаем систему . Пусть вектор .

Это дает нам систему линейных уравнений:

Оба уравнения говорят об одном и том же: . Второе уравнение — это просто первое, умноженное на . Это нормально, так и должно быть (строки линейно зависимы, так как определитель равен нулю).

Мы можем выбрать любое ненулевое значение для . Пусть , тогда .

Собственный вектор для :

Случай 2:

Подставим в матрицу :

Система уравнений:

Это сводится к уравнению , откуда . Если мы выберем , то .

Собственный вектор для :

[VISUALIZATION: График с двумя векторами, исходящими из начала координат (0,0). Вектор v1 направлен в точку (1, 1), вектор v2 направлен в точку (1, -2). Подпись: Собственные направления матрицы A.]

Свойства собственных чисел

Существует два полезных свойства, которые позволяют быстро проверить правильность вычислений для матрицы :

Сумма собственных чисел равна следу матрицы (Trace).

След матрицы — это сумма элементов на главной диагонали. Где: - — сумма всех собственных чисел. - — след матрицы .

Проверка для нашего примера: . След матрицы . Совпало.

Произведение собственных чисел равно определителю матрицы.

Где: - — произведение всех собственных чисел. - — определитель матрицы .

Проверка для нашего примера: . Определитель . Совпало.

Зачем это нужно для диагонализации?

Диагонализация матрицы — это процесс приведения матрицы к диагональному виду, где ненулевые элементы стоят только на главной диагонали. Диагональные матрицы обладают замечательными свойствами: их очень легко возводить в степень, искать обратные матрицы и экспоненты.

Связь здесь прямая: диагональные элементы диагонализированной матрицы — это и есть собственные числа исходной матрицы. А базис, в котором матрица становится диагональной, состоит из её собственных векторов.

Если мы составим матрицу из собственных векторов (записав их по столбцам), то при выполнении определенных условий мы получим равенство:

Где:

— исходная матрица.

— матрица перехода, составленная из собственных векторов.

— диагональная матрица с собственными числами на диагонали.

— обратная матрица к .

Это уравнение является «Святым Граалем» многих вычислительных задач, и именно к нему мы будем стремиться в следующих статьях курса.

Итоги

* Собственный вектор — это вектор, который не меняет своего направления под действием матрицы, а лишь масштабируется. * Собственное число () — это коэффициент масштабирования собственного вектора. * Для поиска необходимо решить характеристическое уравнение: . * Для поиска собственного вектора нужно подставить найденное в систему и найти нетривиальное решение. * Собственные числа и векторы являются строительными блоками для разложения матрицы и её диагонализации.

Определение диагонализируемости и построение матрицы перехода

В предыдущей статье мы познакомились с главными героями нашей истории — собственными числами и собственными векторами. Мы узнали, что они показывают «скрытую структуру» матрицы, выделяя направления, вдоль которых действие оператора сводится к простому растяжению или сжатию.

Теперь пришло время собрать эти знания воедино и ответить на главный вопрос курса: как превратить сложную, запутанную матрицу в простую и понятную диагональную форму? Этот процесс называется диагонализацией.

Что значит «диагонализировать матрицу»?

Говоря простым языком, диагонализировать матрицу — значит найти такую систему координат (базис), в которой действие этой матрицы описывается диагональной матрицей .

Формально матрица называется диагонализируемой, если она подобна диагональной матрице. Это записывается следующим фундаментальным уравнением:

Где:

— исходная квадратная матрица размера .

— обратимая матрица перехода (составленная из собственных векторов).

— диагональная матрица (на главной диагонали стоят собственные числа).

— обратная матрица к матрице .

Если мы умножим это уравнение на слева и на справа, мы получим эквивалентную запись, которая часто удобнее для понимания:

Где:

— результат диагонализации, матрица, у которой все элементы вне главной диагонали равны нулю.

— операция подобия, переводящая матрицу в матрицу .

Зачем нам это нужно? Диагональная матрица — это мечта математика. Чтобы возвести её в степень 100, нужно просто возвести в эту степень числа на диагонали. Чтобы найти её определитель, нужно просто перемножить числа на диагонали. Диагонализация позволяет перенести эти свойства на исходную матрицу .

!Визуализация изменения базиса: переход от сложного оператора к простому растяжению осей.

Главное условие диагонализируемости

Не любую матрицу можно привести к диагональному виду. Чтобы матрица была диагонализируемой, она должна обладать «достаточным количеством» собственных векторов.

Критерий диагонализируемости: Матрица размера диагонализируема тогда и только тогда, когда она имеет линейно независимых собственных векторов.

Что такое линейно независимые векторы? Это векторы, которые «смотрят» в принципиально разные стороны. Ни один из них нельзя получить, складывая или растягивая остальные. Если у нас есть таких векторов, они образуют собственный базис пространства.

Проблема кратности

Сложности возникают, когда у матрицы есть повторяющиеся собственные числа (кратные корни характеристического уравнения).

Здесь нам нужно различать два понятия:

Алгебраическая кратность — сколько раз число встречается как корень уравнения .

Геометрическая кратность — сколько линейно независимых собственных векторов соответствует этому числу .

Правило: Геометрическая кратность всегда меньше или равна алгебраической.

Матрица диагонализируема, если для каждого собственного числа его геометрическая кратность в точности равна алгебраической. Если же векторов «не хватает» (геометрическая кратность меньше алгебраической), матрицу диагонализировать нельзя. Такие матрицы называют дефектными.

Алгоритм построения матрицы перехода

Если матрица диагонализируема, то построение матриц и выполняется по четкому алгоритму. Разберем его по шагам.

Шаг 1: Найти собственные числа

Решаем характеристическое уравнение, как мы делали в предыдущей статье:

Где:

— определитель матрицы.

— исходная матрица.

— неизвестное собственное число.

— единичная матрица.

Шаг 2: Найти собственные векторы

Для каждого найденного решаем систему уравнений:

Где:

— конкретное собственное число.

— искомый собственный вектор.

— нулевой вектор.

На этом этапе мы должны найти столько линейно независимых векторов, какова размерность матрицы. Если их меньше — останавливаемся, матрица не диагонализируема.

Шаг 3: Построить матрицу

Матрица — это диагональная матрица, где на главной диагонали стоят найденные собственные числа .

Где:

— собственные числа.

Остальные элементы равны нулю.

Шаг 4: Построить матрицу перехода

Матрица составляется из собственных векторов , записанных по столбцам.

Важно: Порядок столбцов в матрице должен соответствовать порядку чисел в матрице . Если в первом столбце стоит , то первый столбец должен быть вектором , соответствующим именно этому .

Где:

— собственные векторы (столбцы).

Практический пример: Полный цикл

Рассмотрим матрицу :

Где:

— элементы симметричной матрицы .

1. Ищем собственные числа:

Где:

— диагональные элементы с вычтенной лямбдой.

— произведение побочной диагонали.

Отсюда получаем два корня:

Собственные числа: . Они различны, значит, матрица точно диагонализируема.

2. Ищем собственные векторы:

Для :

Система сводится к уравнению , или . Пусть , тогда .

Вектор .

Для :

Система сводится к , или . Пусть , тогда .

Вектор .

3. Составляем матрицы и :

Матрица (собственные числа на диагонали):

Матрица (собственные векторы по столбцам в том же порядке):

Где:

Первый столбец соответствует .

Второй столбец соответствует .

4. Проверка:

Проверим равенство . Это часто проще, чем искать и умножать три матрицы.

Левая часть ():

Правая часть ():

Результаты совпали! Мы успешно построили матрицу перехода и диагонализировали исходную матрицу.

Пример недефекта и дефекта (когда это не работает)

Важно понимать, что не всегда все так гладко.

Рассмотрим матрицу сдвига:

Её характеристическое уравнение: . Корень имеет алгебраическую кратность 2 (он встречается дважды).

Попробуем найти собственные векторы для :

Система: , откуда . может быть любым. Мы получаем только один независимый вектор .

У нас геометрическая кратность равна 1, а алгебраическая — 2. Векторов не хватает, чтобы создать матрицу размера . Следовательно, матрица не диагонализируема.

!Сравнение диагонализируемой матрицы (слева) и дефектной матрицы (справа).

Физический смысл матрицы

Матрица перехода — это своего рода «словарь» или «переводчик».

Когда мы пишем , мы переводим вектор из стандартной системы координат в систему координат, построенную на собственных векторах. В этом новом мире матрица перестает быть сложной комбинацией поворотов и растяжений. Она становится просто набором коэффициентов растяжения вдоль осей (которые и есть собственные числа).

После того как мы выполнили простые операции в этом удобном мире (например, возвели матрицу в степень), мы используем , чтобы «перевести» результат обратно в наш обычный язык стандартных координат.

Итоги

Диагонализация — это представление матрицы в виде , где — диагональная матрица с собственными числами.

Матрица (матрица перехода) состоит из собственных векторов, записанных по столбцам.

Матрица диагонализируема только тогда, когда у неё достаточно линейно независимых собственных векторов (геометрическая кратность равна алгебраической для всех ).

Порядок столбцов в должен строго соответствовать порядку чисел на диагонали .

Существуют дефектные матрицы, которые нельзя привести к диагональному виду (например, матрицы сдвига).