Wartości własne i wektory własne: Wizualnie

Macierz nie obraca wektora

Macierz A działająca na wektor zazwyczaj zarówno obrotuje, jak i skaluje go. Wektor własny to jeden z wyjątkowych kierunków, w których A wykonuje tylko skalowanie – wektor wyjściowy wskazuje dokładnie w tym samym kierunku co wektor wejściowy, jedynie dłuższy, krótszy lub odwrócony. Składowa mnożąca jest wartością własną λ:

A v = λ v (v ≠ 0) live demo · unit circle warping into an ellipse under A, eigenvectors fixed● LIVE Z wizualnego punktu widzenia, zastosowanie A do każdego punktu na okręgu jednostkowym i obraz jest zazwyczaj elipsą. Wektory własne to dokładnie dwa kierunki, w których punkt na okręgu mapuje się na punkt na elipsie po tym samym linii z początku – wszędzie indziej na okręgu, punkt obrazowy oddala się od tej linii promieniowej. Wartości własne określają, o ile elipsa jest rozciągnięta wzdłuż tych dwóch specjalnych osi; długości jej wielkiej i małej osi to dosłownie |λ1| i |λ2|, gdy wektory własne są ortogonalne.

A v = λ v          (v ≠ 0)

demo na żywo · powiązana symulacja● LIVE

Znalezienie ich: równanie charakterystyczne

Przestawienie równania Av = λv daje (A − λI)v = 0. Aby niezerowe v rozwiązało to równanie, macierz (A − λI) musi być nieskonalna – czyli nieodwracalna – co zachodzi dokładnie wtedy, gdy jej wyznacznik jest równy zero. Ten wyznacznik, rozpisany, jest wielomianem w zmiennej λ, zwanym równaniem charakterystycznym, a jego pierwiastki to wartości własne:

Wyznacznik(A − λI) = 0 dla A = [[a,b],[c,d]]: λ² − (a+d)λ + (ad−bc) = 0 λ² − ślad(A)·λ + wyznacznik(A) = 0

Dla macierzy 2x2 jest to po prostu równanie kwadratowe, które można rozwiązać za pomocą wzoru na deltę. Jego dwa współczynniki to ślad (suma elementów na diagonali, równa sumie wartości własnych) i wyznacznik (równy iloczynowi wartości własnych) – przydatny sposób na sprawdzenie poprawności obliczeń wartości własnych ręcznie.

det(A − λI) = 0
for A = [[a,b],[c,d]]:
  λ² − (a+d)λ + (ad−bc) = 0
  λ² − trace(A)·λ + det(A) = 0

Rzeczywiste, powtarzające się lub złożone — i jak to wygląda

Wartość dyskryminantu tego kwadratu, ślad² − 4·wyznacznik, decyduje o charakterze wartości własnych. Pozytywna: dwie rozłączne wartości rzeczywiste, dwa autentyczne kierunki stałe, elipsa ma dwa różne promienie osi. Zerowa: wartość własna powtórzona w rzeczywistości — albo macierz skaluje wszystkie kierunki równomiernie (czysta skala, np. tożsamość pomnożona przez stałą) albo, częściej dla macierzy nieprzeciwnych, istnieje tylko jeden niezależny kierunek wektora własnego i transformacja obejmuje skośność obok skalowania. Ujemna: para złożonych konjugatów, co oznacza, że nie ma już żadnej rzeczywistej strony bez obrotu — geometrycznie transformacja jest dominowana przez obrót (wraz ze skalowaniem o wartości bezwzględną wartości własnych), a wielokrotne stosowanie A rysuje wektor spirali wokół pochodzenia zamiast zbliżać się wzdłuż jakiejkolwiek stałej linii.

Dlaczego to ma znaczenie daleko wykraczające poza geometrię

Wartości własne opisują zachowanie w czasie dowolnego systemu, który ewoluuje poprzez powtarzane stosowanie tej samej transformacji liniowej. W dyskretnym systemie dynamiki xₙ₊₁ = Axₙ, wartość własna o największej wielkości dominuje wraz ze wzrostem n – jeśli ta wielkość przekracza 1, system eksploduje wzdłuż tego wektora własnego, a jeśli jest poniżej 1, system ulega zanikowi w kierunku zera, a ten jeden fakt leży u podstaw analizy stabilności wszystkiego, od modeli populacji po układy sterowania, po zbieżność iteracyjnych algorytmów numerycznych. W statystyce, wektory własne macierzy kowariancji to główne składowe – kierunki o największym wariancie w zbiorze danych – a ich wartości własne odpowiadają dokładnie temu, jak dużą wariancję leży wzdłuż każdego z nich, co stanowi mechanizm działania redukcji wymiarowości PCA.

Zachodzenie: dlaczego wektory własne są "naturalnym" ukladem bazowym

Jeśli macierz posiada wystarczającą liczbę niezależnych wektorów własnych, aby utworzyć pełny układ bazowy, można ją zapisać jako A = PDP⁻¹, gdzie D jest macierzą diagonalną (wartości własne na diagonali) a kolumny P stanowią wektory własne. W tym układzie bazowym działanie macierzy A sprowadza się do niezależnych skalowań wzdłuż poszczególnych osi – cała geometryczna złożoność ogólnej macierzy redukuje się do listy liczb. Ponadto, obliczanie Aⁿ dla dużych n jest tanie, gdy dysponujemy rozkladem: Aⁿ = PDⁿP⁻¹, a podnoszenie macierzy diagonalnej do potęgi oznacza jedynie podniesienie każdej wartości własnej do tej potęgi, zamiast wykonywać n kosztownych mnożeń macierzy.

Frequently asked questions

Co oznacza intuicyjnie ujemny własny wartości?

Ujemna wartość własna oznacza, że odpowiadający wektor własny jest odwrócony w dokładnie przeciwnym kierunku, a jego długość jest skalowana przez bezwzględną wartość tej wartości własnej. Geometrycznie, ta linia wektora własnego mapuje się na siebie, ale z odwróconą strzałką — punkt przesuwa się przez początek do przeciwległego końca.

Dlaczego niektóre macierze mają złożone wartości własne, mimo że sama macierz ma tylko liczby rzeczywiste?

Wartości własne o charakterze zespolonym pojawiają się wtedy, gdy dyskryminanta wielomianu charakterystycznego jest ujemna, co zdarza się dla macierzy, których działanie jest zdominowane przez obrót, a nie czyste rozciąganie wzdłuż jakiejkolwiek rzeczywistej osi — na przykład macierz obrotowa czystego obrotu nie pozostawia żadnej rzeczywistej osi niezmienionej, więc jej wartości własne muszą być złożone, pojawiają się jako para sprzężona, ponieważ elementy macierzy są rzeczywiste.

Jaki jest praktyczny związek między wektorami własnymi a PCA w statystyce?

Analiza Składowych Głównych (PCA) oblicza wartości własne i wektory własne macierzy kowariancji zbioru danych. Wektory własne wskazują w kierunkach maksymalnego rozrzutu w danych, a odpowiadająca im wartość własna mówi dokładnie, ile wariancji leży wzdłuż tego kierunku, dlatego sortowanie wartości własnych według wielkości i utrzymywanie tylko kilku najwyżej wartości wektorów własnych daje skutecny sposób redukcji wymiarowości, który zachowuje wariancję.

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Eigenvalues & Eigenvectors Visualizer i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.

▶ Otwórz symulację Eigenvalues & Eigenvectors Visualizer

Wartości własne i Wektory własne: Kierunki, w których macierz nie obraca