Algebra > Lineáris algebra > Mátrixok > Mátrix Sajátértékek >
Algebra > Lineáris algebra > Mátrixok > Mátrixok > Mátrix. Dekompozíció >

KÉPZELJE EZT A TÉMÁT A MathWorld Tanteremben

Az eigenvektorok egy lineáris egyenletrendszerhez tartozó vektorok egy speciális halmaza (i.e., egy mátrixegyenlethez), amelyeket néha karakterisztikus vektoroknak, sajátvektoroknak vagy látens vektoroknak is neveznek (Marcus és Minc 1988, 144. o.).

Egy rendszer sajátvektorainak és sajátértékeinek meghatározása rendkívül fontos a fizikában és a mérnöki tudományokban, ahol ez egyenértékű a mátrixdiagonalizálással, és olyan gyakori alkalmazásokban merül fel, mint a stabilitáselemzés, a forgó testek fizikája és a rezgő rendszerek kis rezgései, hogy csak néhányat említsünk. Minden egyes sajátvektorhoz egy megfelelő, úgynevezett sajátérték párosul. Matematikailag kétféle sajátvektort kell megkülönböztetni: a bal oldali sajátvektorokat és a jobb oldali sajátvektorokat. A fizika és a mérnöki tudományok számos problémájához azonban elegendő csak a jobb sajátvektorokat figyelembe venni. Az ilyen alkalmazásokban minősítés nélkül használt “sajátvektor” kifejezés ezért a jobb sajátvektorra értendő.

A négyzetes A mátrix sajátértékekre és sajátvektorokra való felbontását ebben a munkában saját dekompozíciónak nevezzük, és azt a tényt, hogy ez a felbontás mindig lehetséges, amíg a A sajátvektoraiból álló mátrix négyzetes, saját dekompozíció-tételként ismerjük.

Definiáljuk a jobb sajátvektort olyan X_R oszlopvektornak, amely kielégíti

 AX_R=lambda_RX_R,
(1)

ahol A egy mátrix, tehát

 (A-lambda_RI)X_R=0,
(2)

amely azt jelenti, hogy a jobb oldali sajátértékeknek nulla determinánssal kell rendelkezniük, i.e.,

 det(A-lambda_RI)=0.
(3)

Hasonlóképpen definiáljuk a bal oldali sajátvektort olyan sorvektornak X_L, amely kielégíti

 X_LA=lambda_LX_L.
(4)

Az egyes oldalak transzponálása adja

 (X_LA)^(T)=lambda_LX_L^(T),
(5)

ami átírható

 A^(T)X_L^(T)=lambda_LX_L^(T).
(6)

Újra átrendezve megkapjuk

 (A^(T)-lambda_LI)X_L^(T)=0,
(7)

ami azt jelenti

 det(A^(T)-lambda_LI)=0.
(8)

Újraírva ad

0=det(A^(T)-lambda_LI) = det(A^(T)-lambda_LI^(T))
(9)
= det(A-lambda_LI)^(T)
(10)
= det(A-lambda_LI),
(11)

ahol az utolsó lépés az azonosságból

 det(A)=det(A^(T)) következik.
(12)

A (◇) és (11) egyenletek egyenlővé tételéhez, amelyek tetszőleges A és X esetén egyaránt 0-val egyenlőek, tehát szükséges, hogy lambda_R=lambda_L=lambda, azaz, a bal és jobb sajátértékek ekvivalensek, ami a sajátvektorokra nem igaz.

Legyen X_R a jobb sajátvektorok oszlopaiból képzett mátrix és X_L a bal sajátvektorok soraiból képzett mátrix. Legyen

 D=.
(13)

akkor

.

AX_R = X_RD
(14)
X_LA = DX_L
(15)

és

X_LAX_R = X_LX_RD
(16)
X_LAX_R = DX_LX_R,
(17)

so

 X_LX_RD=DX_LX_R.
(18)

De ez az egyenlet

formájú.

 CD=DC
(19)

ahol D egy diagonális mátrix, tehát igaznak kell lennie, hogy C=X_LX_R szintén diagonális. Különösen, ha A szimmetrikus mátrix, akkor a bal és jobb sajátvektorok egyszerűen egymás transzponáltjai, és ha A önadjungált mátrix (azaz hermitikus), akkor a bal és jobb sajátvektorok adjungált mátrixok.

A sajátvektorok nem lehetnek egyenlők a nullvektorral. Egy sajátvektor nem nulla skaláris többszöröse egyenértékű az eredeti sajátvektorral. Ezért az általánosság elvesztése nélkül a sajátvektorokat gyakran egységnyi hosszúságra normalizálják.

Míg egy n×n mátrixnak mindig n sajátértéke van, amelyek közül néhány vagy mindegyik lehet degenerált, egy ilyen mátrixnak 0 és n között lehet lineárisan független sajátvektora. Például a mátrixnak csak egyetlen (1,0) sajátvektora van.

A Wolfram Nyelvben a sajátvektorok segítségével számíthatók ki a sajátvektorok. Ez a parancs mindig egy n hosszúságú listát ad vissza, így minden olyan sajátvektort, amely nem lineárisan független, nulla vektorként ad vissza. A sajátvektorok és a sajátértékek együttesen is visszaadhatók az Eigensystem paranccsal.

Adott egy 3×3 mátrix A sajátvektorokkal x_1, x_2 és x_3, valamint a megfelelő sajátértékekkel lambda_1, lambda_2, és lambda_3, akkor egy tetszőleges vektor y felírható

 y=b_1x_1+b_2x_2+b_3x_3.
(20)

A mátrix A alkalmazása,

Ay = b_1Ax_1+b_2Ax_2+b_3Ax_3
(21)
= lambda_1(b_1x_1+(lambda_2)/(lambda_1)b_2x_2+(lambda_3)/(lambda_1)b_3x_3),
(22)

so

 A^ny=lambda_1^n.
(23)

Ha lambda_1lambda_2,lambda_3, és b_1!=0, ebből következik, hogy

 lim_(n-infty)A^ny=lambda_1^nb_1x_1,
(24)

így a mátrix ismételt alkalmazása egy tetszőleges vektorra elképesztő módon a legnagyobb sajátértékkel rendelkező sajátvektorral arányos vektort eredményez.