Власні значення та власні вектори: Напрямки, в яких матриця не обертає

Вектори матриці не обертаються

Матриця A, що діє на вектор, зазвичай одночасно і обертає, і масштабує його. Вектор влаштування – це особлива спрямованість, де A діє лише як масштабування — вектор виходу йде вздовж точно тієї ж лінії, що й вхідний, просто довше, коротше або інвертований. Фактор масштабування є власним значенням λ:

A v = λ v (v ≠ 0) live demo · unit circle warping into an ellipse under A, eigenvectors fixed● LIVE Visually, apply A to every point on the unit circle and the image is generally an ellipse. The eigenvectors are exactly the two directions where a point on the circle maps to a point on the ellipse along the same line from the origin — everywhere else on the circle, the image point has rotated off that radial line. The eigenvalues are how much the ellipse stretches along those two special axes; the major and minor axis lengths of the image ellipse are literally |λ1| and |λ2| when the eigenvectors are orthogonal.

A v = λ v          (v ≠ 0)

Визначення їх: характеристичне рівняння

Переставляючи Av = λv, отримуємо (A − λI)v = 0. Для ненульового v, щоб воно розв’язувало це рівняння, матриця (A − λI) має бути невизначеною — неозначеною — тобто її визначник повинен дорівнювати нулю. Цей визначник, розгорнутий, є поліноміалом від λ, який називається характеристичним многочlenом, а його корені – власні значення:

det(A − λI) = 0 для A = [[a,b],[c,d]]: λ² − (a+d)λ + (ad−bc) = 0 λ² − trace(A)·λ + det(A) = 0 Для матриці 2×2 це просто квадратне рівняння, яке розв’язується за допомогою квадратичної формули, і його два коефіцієнти – це слід (сума діагональних елементів, що дорівнює сумі власних значень) та визначник (що дорівнює добутку власних значень) — корисна перевірка при ручному обчисленні власних значень.

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

Реальні, комплексні або складені — і як вони виглядають

Визначник того квадрата, слід² − 4·визначення, вирішує характер власних значень. Позитивний: два окремих дійсних власні значення, дві справжніх фіксовані напрямки, еліпс має дві різні осі довжини. Нульовий: повторне дійсне власне значення — або матриця масштабує кожен напрямок однаково (чисте масштабування, наприклад, ідентичність помножена на константу) або, більш поширено для недіагональної матриці, існує лише один незалежний напрямок власного вектора та перетворення включає зсув поряд із масштабуванням. Негативний: пара комплексних власних значень, що означає, що немає жодного дійсного напрямку, який не був повернутий — геометрично, перетворення домінує в обертанні (змішане з масштабуванням за величиною власних значень) і повторне застосування A простежує вектор, що спірається навколо початкової точки замість того, щоб збігатися вздовж будь-якої фіксованої лінії.

Чому це має значення далеко за межами геометрії

Власті значать опис довгострокової поведінки будь-якої системи, що розвивається шляхом повторного застосування однієї й тієї ж лінійного перетворення. У дискретній динамічній системі xₙ₊₁ = Axₙ, власне значення з найбільшою величиною домінує, коли n зростає — якщо ця величина перевищує 1, система розгортається вздовж заданого власним вектором, якщо вона нижча за 1, система зменшується до початку вздовж цього власним вектора, і цей єдиний факт лежить в основі аналізу стійкості для всього від моделей популяцій до систем управління та збіжності ітеративних чисельних алгоритмів. У статистиці власні вектори коваріаційної матриці є головними компонентами — напрямки найбільшої дисперсії у наборі даних, а їхні власні значення точно показують, скільки дисперсії лежить вздовж кожного з них, що є механізмом PCA зменшення розмірності.

Діагоналізація: чому вектори власні є ‘природною’ основою

Якщо матриця має достатньо незалежних векторів власного значення, щоб утворити повну основу, то можна записати A = PDP⁻¹, де D – це діагональна матриця (власні значення на діагоналі), а стовпці P є векторами власного значення. У цій системі векторів власного значення діяння A з вектором просто є незалежним масштабуванням вздовж кожної осі — вся геометрична складність загальної матриці зводиться до списку чисел. Це також пояснює, чому обчислення Aⁿ для великих n вигідні, якщо у вас вже є розкладання: Aⁿ = PDⁿP⁻¹, а піднесення діагональної матриці до степеня просто означає піднесення кожного власного значення до цього степеня, замість n дорогих множень матриць.

Frequently asked questions

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Eigenvalues & Eigenvectors Visualizer і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.