Численные методы нахождения собственных значений и собственных векторов матриц

Методы решения задач о собственных
значениях и векторах матриц
Содержание
  1. Постановка задачи
  2. Метод непосредственного развертывания
  3. Алгоритм метода непосредственного развертывания
  4. Метод итераций для нахождения собственных значений и векторов
  5. Алгоритм метода итераций
  6. Метод вращений для нахождения собственных значений
  7. Алгоритм метода вращений
  8. VMath
  9. Инструменты сайта
  10. Основное
  11. Навигация
  12. Информация
  13. Действия
  14. Содержание
  15. Характеристический полином, собственные числа, собственные векторы матрицы
  16. Характеристический полином
  17. Характеристический полином линейного оператора
  18. Характеристический полином линейного однородного разностного уравнения
  19. Свойства
  20. Теорема Гамильтона-Кэли
  21. Собственное число
  22. Локализация собственных чисел
  23. Теорема Перрона-Фробениуса
  24. Методы вычисления характеристического полинома
  25. Метод Леверье
  26. Метод Крылова
  27. Поиск всех собственных чисел
  28. QR-алгоритм
  29. Частичная проблема собственных чисел
  30. Задачи
  31. Источники
  32. Учебное пособие: Численное решение алгебраических проблем собственных значений

Видео:Собственные значения и собственные векторы матрицы (4)Скачать

Собственные значения и собственные векторы матрицы (4)

Постановка задачи

Пусть [math]A[/math] — действительная числовая квадратная матрица размера [math](ntimes n)[/math] . Ненулевой вектор [math]X= bigl(x_1,ldots,x_nbigr)^T[/math] размера [math](ntimes1)[/math] , удовлетворяющий условию

называется собственным вектором матрицы [math]A[/math] . Число [math]lambda[/math] в равенстве (2.1) называется собственным значением. Говорят, что собственный вектор [math]X[/math] соответствует (принадлежит) собственному значению [math]lambda[/math] .

Равенство (2.1) равносильно однородной относительно [math]X[/math] системе:

Система (2.2) имеет ненулевое решение для вектора [math]X[/math] (при известном [math]lambda[/math] ) при условии [math]|A-lambda E|=0[/math] . Это равенство есть характеристическое уравнение:

где [math]P_n(lambda)[/math] — характеристический многочлен n-й степени. Корни [math]lambda_1, lambda_2,ldots,lambda_n[/math] характеристического уравнения (2.3) являются собственными (характеристическими) значениями матрицы [math]A[/math] , а соответствующие каждому собственному значению [math]lambda_i,

i=1,ldots,n[/math] , ненулевые векторы [math]X^i[/math] , удовлетворяющие системе

являются собственными векторами.

Требуется найти собственные значения и собственные векторы заданной матрицы. Поставленная задача часто именуется второй задачей линейной алгебры.

Проблема собственных значений (частот) возникает при анализе поведения мостов, зданий, летательных аппаратов и других конструкций, характеризующихся малыми смещениями от положения равновесия, а также при анализе устойчивости численных схем. Характеристическое уравнение вместе с его собственными значениями и собственными векторами является основным в теории механических или электрических колебаний на макроскопическом или микроскопическом
уровнях.

Различают полную и частичную проблему собственных значений, когда необходимо найти весь спектр (все собственные значения) и собственные векторы либо часть спектра, например: [math]rho(A)= max_|lambda_i(A)|[/math] и [math]min_|lambda_i(A)|[/math] . Величина [math]rho(A)[/math] называется спектральным радиусом .

1. Если для собственного значения [math]lambda_i[/math] — найден собственный вектор [math]X^i[/math] , то вектор [math]mu X^i[/math] , где [math]mu[/math] — произвольное число, также является собственным вектором, соответствующим этому же собственному значению [math]lambda_i[/math] .

2. Попарно различным собственным значениям соответствуют линейно независимые собственные векторы; k-кратному корню характеристического уравнения соответствует не более [math]k[/math] линейно независимых собственных векторов.

3. Симметрическая матрица имеет полный спектр [math]lambda_i,

i=overline[/math] , действительных собственных значений; k-кратному корню характеристического уравнения симметрической матрицы соответствует ровно [math]k[/math] линейно независимых собственных векторов.

4. Положительно определенная симметрическая матрица имеет полный спектр действительных положительных собственных значений.

Видео:Собственные векторы и собственные числа линейного оператораСкачать

Собственные векторы и собственные числа линейного оператора

Метод непосредственного развертывания

Полную проблему собственных значений для матриц невысокого порядка [math](nleqslant10)[/math] можно решить методом непосредственного развертывания. В этом случае будем иметь

Уравнение [math]P_n(lambda)=0[/math] является нелинейным (методы его решения изложены в следующем разделе). Его решение дает [math]n[/math] , вообще говоря, комплексных собственных значений [math]lambda_1,lambda_2,ldots,lambda_n[/math] , при которых [math]P_n(lambda_i)=0

(i=overline)[/math] . Для каждого [math]lambda_i[/math] может быть найдено решение однородной системы [math](A-lambda_iE)X^i=0,

i=overline[/math] . Эти решения [math]X^i[/math] , определенные с точностью до произвольной константы, образуют систему [math]n[/math] , вообще говоря, различных векторов n-мерного пространства. В некоторых задачах несколько этих векторов (или все) могут совпадать.

Видео:Собственные векторы и собственные значения матрицыСкачать

Собственные векторы и собственные значения матрицы

Алгоритм метода непосредственного развертывания

1. Для заданной матрицы [math]A[/math] составить характеристическое уравнение (2.5): [math]|A-lambda E|=0[/math] . Для развертывания детерминанта [math]|A-lambda E|[/math] можно использовать различные методы, например метод Крылова, метод Данилевского или другие методы.

2. Решить характеристическое уравнение и найти собственные значения [math]lambda_1, lambda_2, ldots,lambda_n[/math] . Для этого можно применить методы, изложенные далее.

3. Для каждого собственного значения составить систему (2.4):

и найти собственные векторы [math]X^i[/math] .

Замечание. Каждому собственному значению соответствует один или несколько векторов. Поскольку определитель [math]|A-lambda_iE|[/math] системы равен нулю, то ранг матрицы системы меньше числа неизвестных: [math]operatorname(A-lambda_iE)=r и в системе имеется ровно [math]r[/math] независимых уравнений, а [math](n-r)[/math] уравнений являются зависимыми. Для нахождения решения системы следует выбрать [math]r[/math] уравнений с [math]r[/math] неизвестными так, чтобы определитель составленной системы был отличен от нуля. Остальные [math](n-r)[/math] неизвестных следует перенести в правую часть и считать параметрами. Придавая параметрам различные значения, можно получить различные решения системы. Для простоты, как правило, попеременно полагают значение одного параметра равным 1, а остальные равными 0.

Пример 2.1. Найти собственные значения и собственные векторы матрицы [math]Ain mathbb^[/math] , где [math]A=begin3&-2\-4&1end[/math] .

1. Запишем уравнение (2.5): [math]|A-lambda E|= begin3-lambda&-2\-4& 1-lambda end= lambda^2-4 lambda-5=0[/math] , отсюда получаем характеристическое уравнение [math]P_2(lambda)equiv lambda^2-4 lambda-5=0[/math] .

2. Находим его корни (собственные значения): [math]lambda_1=5,

3. Составим систему [math](A-lambda_iE)X^i=0,

i=1,2[/math] , для каждого собственного
значения и найдем собственные векторы:

Отсюда [math]x_1^1=-x_2^1[/math] . Если [math]x_2^1=mu[/math] , то [math]x_1^1=-mu[/math] . В результате получаем [math]X^1= bigl^T= bigl^T[/math] .

Для [math]lambda_2=-1[/math] имеем

Отсюда [math]x_2^2=2x_1^2[/math] . Если [math]x_1^2=mu[/math] , то [math]x_2^2=2mu[/math] . В результате получаем [math]X^2= bigl^T= bigl^T[/math] , где [math]mu[/math] — произвольное действительное число.

Пример 2.2. Найти собственные значения и собственные векторы матрицы [math]A= begin2&-1&1\-1&2&-1\0&0&1end[/math] .

1. Запишем характеристическое уравнение (2.5):

2. Корни характеристического уравнения: [math]lambda_=1[/math] (кратный корень), [math]lambda_3=3[/math] — собственные значения матрицы.

3. Найдем собственные векторы.

Для [math]lambda_=1[/math] запишем систему [math](A-lambda_E)cdot X^=0colon[/math]

Поскольку [math]operatorname(A-lambda_E)=1[/math] , в системе имеется одно независимое уравнение

x_3^=3[/math] , получаем [math]x_1^=1[/math] и собственный вектор [math]X^1= begin1&1&0end^T[/math] .

x_3^=1[/math] , получаем [math]x_1^=-1[/math] и другой собственный вектор [math]X^2= begin-1&0&1end^T[/math] . Заметим, что оба собственных вектора линейно независимы.

Для собственного значения [math]lambda_3=3[/math] запишем систему [math](A-lambda_3E)cdot X^3=0colon[/math]

Поскольку [math]operatorname(A-lambda_3E)=2[/math] , то выбираем два уравнения:

x_1^3=-x_2^3[/math] . Полагая [math]x_2^3=1[/math] , получаем [math]x_1^3=-1[/math] и собственный вектор [math]X^3=begin-1&1&0 end^T[/math] .

Видео:7 4 Собственные векторы и собственные значенияСкачать

7 4  Собственные векторы и собственные значения

Метод итераций для нахождения собственных значений и векторов

Для решения частичной проблемы собственных значений и собственных векторов в практических расчетах часто используется метод итераций (степенной метод). На его основе можно определить приближенно собственные значения матрицы [math]A[/math] и спектральный радиус [math]rho(A)= max_bigl|lambda_i(A)bigr|[/math] .

Пусть матрица [math]A[/math] имеет [math]n[/math] линейно независимых собственных векторов [math]X^i,

i=1,ldots,n[/math] , и собственные значения матрицы [math]A[/math] таковы, что

Видео:Собственные значения и собственные векторыСкачать

Собственные значения и собственные векторы

Алгоритм метода итераций

1. Выбрать произвольное начальное (нулевое) приближение собственного вектора [math]X^[/math] (второй индекс в скобках здесь и ниже указывает номер приближения, а первый индекс без скобок соответствует номеру собственного значения). Положить [math]k=0[/math] .

lambda_1^= frac<x_i^><x_i^>[/math] , где [math]i[/math] — любой номер [math]1leqslant ileqslant n[/math] , и положить [math]k=1[/math] .

4. Найти [math]lambda_1^= frac<x_i^><x_i^>[/math] , где [math]x_i^, x_i^[/math] — соответствующие координаты векторов [math]X^[/math] и [math]X^[/math] . При этом может быть использована любая координата с номером [math]i,

1leqslant ileqslant n[/math] .

5. Если [math]Delta= bigl|lambda_1^- lambda_1^bigr|leqslant varepsilon[/math] , процесс завершить и положить [math]lambda_1cong lambda_1^[/math] . Если varepsilon»>[math]Delta>varepsilon[/math] , положить [math]k=k+1[/math] и перейти к пункту 3.

1. Процесс последовательных приближений

сходится, т.е. при [math]xtoinfty[/math] вектор [math]X^[/math] стремится к собственному вектору [math]X^1[/math] . Действительно, разложим [math]X^[/math] по всем собственным векторам: [math]textstyle<X^= sumlimits_^ c_iX^i>[/math] . Так как, согласно (2.4), [math]AX^i= lambda_iX^i[/math] , то

При большом [math]k[/math] дроби [math]<left(fracright)!>^k, ldots, <left(fracright)!>^k[/math] малы и поэтому [math]A^kX^= c_1lambda_1^kX^1[/math] , то есть [math]X^to X^1[/math] при [math]ktoinfty[/math] . Одновременно [math]lambda_1= limlimits_ frac<x_^><x_^>[/math] .

2. Вместо применяемой в пункте 4 алгоритма формулы для [math]lambda_1^[/math] можно взять среднее арифметическое соответствующих отношений для разных координат.

3. Метод может использоваться и в случае, если наибольшее по модулю собственное значение матрицы [math]A[/math] является кратным, т.е.

4. При неудачном выборе начального приближения [math]X^[/math] предел отношения [math]frac<x_i^><x_i^>[/math] может не существовать. В этом случае следует задать другое начальное приближение.

5. Рассмотренный итерационный процесс для [math]lambda_1[/math] сходится линейно, с параметром [math]c=frac[/math] и может быть очень медленным. Для его ускорения используется алгоритм Эйткена.

6. Если [math]A=A^T[/math] (матрица [math]A[/math] симметрическая), то сходимость процесса при определении [math]rho(A)[/math] может быть ускорена.

7. Используя [math]lambda_1[/math] , можно определить следующее значение [math]lambda_2[/math] по формуле [math]lambda_2= frac<x_i^- lambda_1 x_i^><x_i^- lambda_1 x_i^>

(i=1,2,ldots,n)[/math] . Эта формула дает грубые значения для [math]lambda_2[/math] , так как значение [math]lambda_1[/math] является приближенным. Если модули всех собственных значений различны, то на основе последней формулы можно вычислять и остальные [math]lambda_j

8. После проведения нескольких итераций рекомендуется «гасить» растущие компоненты получающегося собственного вектора. Это осуществляется нормировкой вектора, например, по формуле [math]frac<X^><|X^|_1>[/math] .

Пример 2.3. Для матрицы [math]A=begin5&1&2\ 1&4&1\ 2&1&3 end[/math] найти спектральный радиус степенным методом с точностью [math]varepsilon=0,,1[/math] .

1. Выбирается начальное приближение собственного вектора [math]X^= begin 1&1&1 end^T[/math] . Положим [math]k=0[/math] .

5. Так как varepsilon»>[math]bigl|lambda_1^- lambda_1^bigr|= 0,!75> varepsilon[/math] , то процесс необходимо продолжить. Результаты вычислений удобно представить в виде табл. 10.10.

Точность по достигнута на четвертой итерации. Таким образом, в качестве приближенного значения [math]lambda_1[/math] берется 6,9559, а в качестве собственного вектора принимается [math]X^1= begin 2838& 1682& 1888end^T[/math] .

Так как собственный вектор определяется с точностью до постоянного множителя, то [math]X^1[/math] лучше пронормировать, т.е. поделить все его компоненты на величину нормы. Для рассматриваемого примера получим

Согласно замечаниям, в качестве собственного значения [math]lambda_1[/math] матрицы можно взять не только отношение

а также их среднее арифметическое [math]fracapprox 6,!8581[/math] .

Пример 2.4. Найти максимальное по модулю собственное значение матрицы [math]A=begin2&-1&1\ -1&2&-1\ 0&0&3 end[/math] и соответствующий собственный вектор.

1. Зададим начальное приближение [math]X^= begin1&-1&1 end^T[/math] и [math]varepsilon=0,!0001[/math] .

Выполним расчеты согласно методике (табл. 10.11).

В результате получено собственное значение [math]lambda_1cong 3,!00003[/math] и собственный вектор [math]X^1= begin 88573&-88573&1end^T[/math] или после нормировки

Видео:А.7.40 Метод Якоби поиска собственных векторов и значений симметричных матрицСкачать

А.7.40 Метод Якоби поиска собственных векторов и значений симметричных матриц

Метод вращений для нахождения собственных значений

Метод используется для решения полной проблемы собственных значений симметрической матрицы и основан на преобразовании подобия исходной матрицы [math]Ainmathbb^[/math] с помощью ортогональной матрицы [math]H[/math] .

Напомним, что две матрицы [math]A[/math] и [math]A^[/math] называются подобными ( [math]Asim A^[/math] или [math]A^sim A[/math] ), если [math]A^=H^AH[/math] или [math]A=HA^H^[/math] , где [math]H[/math] — невырожденная матрица.

В методе вращений в качестве [math]H[/math] берется ортогональная матрица, такая, что [math]HH^=H^H=E[/math] , т.е. [math]H^=H^[/math] . В силу свойства ортогонального преобразования евклидова норма исходной матрицы [math]A[/math] не меняется. Для преобразованной матрицы [math]A^[/math] сохраняется ее след и собственные значения [math]lambda_icolon[/math]

[math]operatorname

A= sum_^a_= sum_^ lambda_i(A)= operatorname

A^.[/math]

При реализации метода вращений преобразование подобия применяется к исходной матрице [math]A[/math] многократно:

Формула (2.6) определяет итерационный процесс, где начальное приближение [math]A^=A[/math] . На k-й итерации для некоторого выбираемого при решении задачи недиагонального элемента [math]a_^,

ine j[/math] , определяется ортогональная матрица [math]H^[/math] , приводящая этот элемент [math]a_^[/math] (а также и [math]a_^[/math] ) к нулю. При этом на каждой итерации в качестве [math]a_^[/math] выбирается наибольший по модулю. Матрица [math]H^[/math] называемая матрицей вращения Якоби, зависит от угла [math]varphi^[/math] и имеет вид

В данной ортогональной матрице элементы на главной диагонали единичные, кроме [math]h_^= cosvarphi^[/math] и [math]h_^=cosvarphi^[/math] , а остальные элементы нулевые, за исключением [math]h_^=-sinvarphi^[/math] , [math]h_^=sinvarphi^[/math] ( [math]h_[/math] -элементы матрицы [math]H[/math] ).

Угол поворота [math]varphi^[/math] определяется по формуле

где [math]|2varphi^|leqslant frac,

i ( [math]a_[/math] выбирается в верхней треугольной наддиагональной части матрицы [math]A[/math] ).

В процессе итераций сумма квадратов всех недиагональных элементов [math]sigms(A^)[/math] при возрастании [math]k[/math] уменьшается, так что [math]sigms(A^) . Однако элементы [math]a_^[/math] приведенные к нулю на k-й итерации, на последующей итерации немного возрастают. При [math]ktoinfty[/math] получается монотонно убывающая ограниченная снизу нулем последовательность sigma(A^)> ldots> sigma(A^)>ldots»>[math]sigma(A^)> sigma(A^)> ldots> sigma(A^)>ldots[/math] . Поэтому [math]sigma(A^)to0[/math] при [math]ktoinfty[/math] . Это и означает сходимость метода. При этом [math]A^to Lambda= operatorname(lambda_1,ldots,lambda_n)[/math] .

Замечание. В двумерном пространстве с введенной в нем системой координат [math]Oxy[/math] с ортонормированным базисом [math]<vec,vec>[/math] матрица вращения легко получается из рис. 2.1, где система координат [math]Ox’y'[/math] повернута на угол [math]varphicolon[/math]

Таким образом, для компонент [math]vec,’,, vec,'[/math] будем иметь [math]bigl(vec,’,vec,’bigr)= bigl(vec,vecbigr)cdot! begin cos varphi&-sin varphi\ sin varphi& cos varphiend[/math] . Отсюда следует, что в двумерном пространстве матрица вращения имеет вид [math]H= begin cos varphi&-sin varphi\ sin varphi& cos varphiend[/math] . Отметим, что при [math]n=2[/math] для решения задачи требуется одна итерация.

Видео:А.7.35 Собственные вектора и собственные значения матрицыСкачать

А.7.35 Собственные вектора и собственные значения матрицы

Алгоритм метода вращений

1. Положить [math]k=0,

A^=A[/math] и задать 0″>[math]varepsilon>0[/math] .

2. Выделить в верхней треугольной наддиагональной части матрицы [math]A^[/math] максимальный по модулю элемент [math]a_^,

Если [math]|a_^|leqslant varepsilon[/math] для всех [math]ine j[/math] , процесс завершить. Собственные значения определяются по формуле [math]lambda_i(A^)=a_^,

Собственные векторы [math]X^i[/math] находятся как i-e столбцы матрицы, получающейся в результате перемножения:

Если varepsilon»>[math]bigl|a_^bigr|>varepsilon[/math] , процесс продолжается.

3. Найти угол поворота по формуле [math]varphi^= frac operatorname frac<2a_^><a_^-a_^>[/math] .

4. Составить матрицу вращения [math]H^[/math] .

5. Вычислить очередное приближение [math]A^= bigl(H^bigr)^T A^ H^[/math] .Положить [math]k=k+1[/math] и перейти к пункту 2.

1. Используя обозначение [math]overline

_k= frac<2a_^><a_^-a_^>[/math] , можно в пункте 3 алгоритма вычислять элементы матрицы вращения по формулам

2. Контроль правильности выполнения действий по каждому повороту осуществляется путем проверки сохранения следа преобразуемой матрицы.

3. При [math]n=2[/math] для решения задачи требуется одна итерация.

Пример 2.5. Для матрицы [math]A=begin 2&1\1&3 end[/math] методом вращений найти собственные значения и собственные векторы.

1. Положим [math]k=0,

2°. Выше главной диагонали имеется только один элемент [math]a_=a_=1[/math] .

3°. Находим угол поворота матрицы по формуле (2.7), используя в расчетах 11 цифр после запятой в соответствии с заданной точностью:

4°. Сформируем матрицу вращения:

5°. Выполним первую итерацию:

Очевидно, след матрицы с заданной точностью сохраняется, т.е. [math]sum_^a_^= sum_^a_^=5[/math] . Положим [math]k=1[/math] и перейдем к пункту 2.

2. Максимальный по модулю наддиагональный элемент [math]|a_|= 4,!04620781325cdot10^ . Для решения задачи (подчеркнем, что [math]n=2[/math] ) с принятой точностью потребовалась одна итерация, полученную матрицу можно считать диагональной. Найдены следующие собственные значения и собственные векторы:

Пример 2.6. Найти собственные значения и собственные векторы матрицы [math]A=begin5&1&2\ 1&4&1\ 2&1&3 end[/math] .

1. Положим [math]k=0,

2°. Выделим максимальный по модулю элемент в наддиагональнои части: [math]a_^=2[/math] . Так как varepsilon=0,!001″>[math]a_=2> varepsilon=0,!001[/math] , то процесс продолжается.

3°. Находим угол поворота:

4°. Сформируем матрицу вращения: [math]H^= begin0,!85065&0&-0,!52573\ 0&1&0\ 0,!52573&0&0,!85065 end[/math] .

5°. Выполним первую итерацию: [math]A^= bigl(H^bigr)^T A^H^= begin 6,!236&1,!376&2,!33cdot10^\ 1,!376&4&0,!325\ 2,!33cdot10^&0,!325&1,!764 end[/math] . Положим [math]k=1[/math] и перейдем к пункту 2.

2(1). Максимальный по модулю наддиагональный элемент [math]a_^=1,!376[/math] . Так как varepsilon=0,!001″>[math]a_^> varepsilon=0,!001[/math] , процесс продолжается.

3(1). Найдем угол поворота:

4(1). Сформируем матрицу вращения: [math]H^= begin 0,!902937&-0,!429770&0\ 0,!429770&0,!902937&0\ 0&0&1 end[/math] .

5(1). Выполним вторую итерацию: [math]A^= bigl(H^bigr)^T A^H^= begin 6,!891& 2,!238cdot10^&0,!14\ 2,!238cdot10^& 3,!345&0,!293\ 0,!14&0,!293&1,!764 end[/math] . Положим [math]k=2[/math] и перейдем к пункту 2.

2(2). Максимальный по модулю наддиагональный элемент varepsilon=0,!001″>[math]a_^=0,!293> varepsilon=0,!001[/math] .

3(2). Найдем угол поворота:

4(2). Сформируем матрицу вращения [math]H^= begin1&0&0\ 0&0,!9842924& -0,!1765460\ 0& 0,!1765460& 0,!9842924end[/math] .

5(2). Выполним третью итерацию и положим [math]k=3[/math] и перейдем к пункту 2:

2(3). Максимальный по модулю наддиагональный элемент varepsilon»>[math]a_^= 0,!138>varepsilon[/math] .

3(3). Найдем угол поворота:

4(3). Сформируем матрицу вращения: [math]H^= begin 0,!999646&0&-0,!026611\ 0&1&0\ 0,!026611&0&0,!999646 end[/math] .

5(3). Выполним четвертую итерацию и положим [math]k=4[/math] и перейдем к пункту 2:

2(4). Так как varepsilon»>[math]a_^=0,!025>varepsilon[/math] , процесс повторяется

3(4). Найдем угол поворота

4(4). Сформируем матрицу вращения: [math]H^= begin 0,!9999744&-0,!0071483&0\ 0,!0071483&0,!9999744&0\ 0&0&1 end[/math] .

5(4). Выполним пятую итерацию и положим [math]k=5[/math] и перейдем к пункту 2:

2(5). Так как наибольший по модулю наддиагональный элемент удовлетворяет условию [math]bigl|-6,!649cdot10^bigr| , процесс завершается.

Собственные значения: [math]lambda_1cong a_^= 6,!895,,

lambda_3cong a_^=1,!707,,[/math] . Для нахождения собственных векторов вычислим

X^3=begin-0,!473\-0,!171\0,!864 end[/math] или после нормировки

Видео:Собственные векторы и собственные числа линейного оператораСкачать

Собственные векторы и собственные числа линейного оператора

VMath

Инструменты сайта

Основное

Информация

Действия

Содержание

Видео:Собственные значения и собственные векторы. ТемаСкачать

Собственные значения и собственные векторы. Тема

Характеристический полином, собственные числа, собственные векторы матрицы

В настоящем разделе $ n_ $ означает порядок квадратной матрицы $ A_ $.

Видео:Курс по численным методам: Нахождение собственных значений матриц | Занятие 7Скачать

Курс по численным методам: Нахождение собственных значений матриц | Занятие 7

Характеристический полином

определяется для произвольной квадратной матрицы $ A_ $ как 1) $ det (A_-lambda E) $, где $ E_ $ – единичная матрица одинакового с $ A_ $ порядка.

Пример. Для $ n=2_ $:

Теорема 1.

Пример. Характеристический полином матрицы Фробениуса

$$ mathfrak F= left( begin 0 & 1 & 0 & 0 & dots & 0 & 0 \ 0 & 0 & 1 & 0 & dots & 0 & 0 \ 0 & 0 & 0 & 1 & dots & 0 & 0 \ vdots& &&&ddots & & vdots \ 0 & 0 & 0 & 0 & dots & 0 & 1 \ a_n & a_ & a_ & & dots & a_2 & a_1 end right)_ $$ равен $ (-1)^n(lambda^n-a_1lambda^-dots-a_) $.

Видео:Собственные векторы и собственные значенияСкачать

Собственные векторы и собственные значения

Характеристический полином линейного оператора

определяется как характеристический полином матрицы этого оператора в произвольном базисе линейного пространства, в котором этот оператор задан. Подробнее ☞ ЗДЕСЬ.

Видео:А.7.39 Вычисление собственных значений и собственных векторовСкачать

А.7.39 Вычисление собственных значений и собственных векторов

Характеристический полином линейного однородного разностного уравнения

$ n_ $-го порядка $$ x_=a_1 x_+ dots+ a_n x_K, quad a_n ne 0, $$ определяется как $$ lambda^n — a_1 lambda^ — dots — a_n . $$ Подробнее ☞ ЗДЕСЬ.

Видео:Собственные значения и собственные векторы. ПримерСкачать

Собственные значения и собственные векторы. Пример

Свойства

Теорема 2. Характеристический полином матрицы не меняется

1. при ее транспонировании: $$ det (A-lambda E) = det (A^-lambda E_) , ;$$ 2. при переходе к подобной матрице: если $ B=C^AC^ $ при произвольной неособенной матрице $ C_ $, то $$ det (A-lambda E) equiv det (B-lambda E_) , . $$

Теорема 3. Пусть матрица $ A_ $ имеет порядок $ mtimes n_ $, а $ B_ $ — порядок $ ntimes m_ $. Тогда эти матрицы допускают умножение в любом порядке, т.е. определены $ AB_ $ и $ BA_ $ и оба произведения будут квадратными матрицами — порядков $ m_ $ и $ n_ $ соответственно. Тогда характеристические полиномы этих произведений различаются лишь на степень $ lambda_ $:

$$ lambda^n det (AB — lambda E_)equiv lambda^m det (BA — lambda E_) . $$

Если матрицы $ A_ $ и $ B_ $ — квадратные одинакового порядка, то характеристические полиномы матриц $ AB_ $ и $ BA_ $ тождественны.

Теорема 4. Если характеристический полином матрицы $ A_ $ равен

$$ f(lambda)=(-1)^n lambda^n+a_1lambda^+dots+a_lambda+a_n $$ и $ a_ ne 0 $, то характеристический полином матрицы $ A^_ $ равен $$ f^(lambda)=frac f(1/lambda) = frac left[ (-1)^n+a_1 lambda + dots+ a_lambda^+a_nlambda^ right] . $$

Теорема Гамильтона-Кэли

Теорема 5. Результатом подстановки в характеристический полином $ det (A_-lambda E) $ самой матрицы $ A_ $ будет нулевая матрица:

$$ det (A-lambda E)= (-1)^n lambda^n +a_1 lambda^+dots+a_lambda+ a_n Rightarrow $$ $$ Rightarrow (-1)^n A^n +a_1 A^+dots+a_A+ a_n E = _ . $$

матрица является корнем своего характеристического полинома.

Доказательство ☞ ЗДЕСЬ.

Пример. Для $ n_=2 $:

$$ left(begin a_ & a_ \ a_ & a_ end right)^2 — (a_+a_)left(begin a_ & a_ \ a_ & a_ end right) + (a_a_-a_a_) left(begin 1 & 0 \ 0 & 1 end right) = left(begin 0 & 0 \ 0 & 0 end right) . $$

Видео:Айгенвектора и айгензначения | Сущность Линейной Алгебры, глава 10Скачать

Айгенвектора и айгензначения | Сущность Линейной Алгебры, глава 10

Собственное число

определяется для квадратной матрицы $ A_ $ как произвольный корень ее характеристического полинома $ det (A_-lambda E) $. Набор всех собственных чисел матрицы $ A_ $ (с учетом их кратностей) называется спектром матрицы (таким образом спектр матрицы $ A_ $ порядка $ n_ $ всегда состоит из $ n_ $ чисел, часть из которых могут быть одинаковыми). Максимальный из модулей собственных чисел матрицы $ A_ $ называется ее спектральным радиусом, он иногда обозначается $ rho(A) $.

Пример. Найти спектр матрицы

$$ A= left(begin 0&1&2&3\ -1&0&4&7\ -2&-4&0&2\ -3&-7&-2&0 endright). $$ Решение. Характеристический полином $$ det (A-lambda E)=left|begin -lambda&1&2&3\ -1&-lambda&4&7\ -2&-4&-lambda&2\ -3&-7&-2&-lambda endright|=lambda^4+ 83lambda^2 $$ имеет корни $ lambda_1=0, lambda_2 = sqrt, lambda_3 = — sqrt $, причем $ lambda_ $ — второй кратности.

Ответ. Спектр матрицы $ A_ $: $ <0,0, sqrt,- sqrt > $. Спектральный радиус матрицы $ A_ $: $ rho(A)= sqrt $.

Теорема 6. Если $ <lambda_,lambda_,dots,lambda_ > $ — спектр матрицы $ A_ $, то

$$ lambda_1+lambda_+dots+lambda_n = operatorname(A)=a_+a_+dots+a_, $$ $$ lambda_1cdotlambda_times dots times lambda_n = (-1)^ndet (A) . $$

Доказательство следует из представления характеристического полинома через миноры матрицы и формул Виета. ♦

Для того, чтобы матрица $ A_ $ была неособенной необходимо и достаточно, чтобы среди ее собственных чисел не было нулевого.

Теорема 7. Пусть $ g(x)=b_x^m+dots+b_m in [x] $ — произвольный полином. Вычислим полином от матрицы $ A_ $: $ g(A)=b_A^m+dots+b_m E $. Тогда если $ <lambda_,dots,lambda_ > $ — спектр матрицы $ A_ $, то $ <g(lambda_),dots,g(lambda_n) > $ — спектр матрицы $ g(A_) $.

Результат теоремы обобщается и на более широкий класс функций $ g_(x) $ — фактически на любую функцию, которая может быть определена на спектре матрицы $ A_ $. В частности, если $ det A_ ne 0 $, то спектр матрицы $ A^_ $ совпадает с $ _^n $.

Имеет место следующее равенство, связывающее степени матрицы $ A_ $ с суммами Ньютона ее характеристического полинома:

$$ operatorname(A^k)=lambda_1^k+dots+lambda_n^k . $$ Здесь $ operatorname_ $ обозначает след матрицы (т.е. сумму ее диагональных элементов). Утверждение остается справедливым и для отрицательных показателей $ k_ $ при условии, что $ det A_ ne 0 $.

Имеет место следующее равенство:

$$ det g(A) = (-1)^ (f,g_) , $$ где $ (f,g_) $ означает результант полиномов $ f(x) =det (A-x_ E) $ и $ g_(x) $.

Теорема 8. Собственные числа вещественной симметричной матрицы $ A_ $ все вещественны.

Доказательство ☞ ЗДЕСЬ.

Теорема 9. Собственные числа вещественной кососимметричной матрицы $ A_ $ все мнимы, за исключением, возможно, $ lambda_ = 0 $.

Доказательство ☞ ЗДЕСЬ.

Теорема 10. Собственные числа вещественной ортогональной матрицы все равны $ 1_ $ по абсолютной величине (модулю). Характеристический полином ортогональной матрицы является возвратным если $ +1 $ не является его корнем или является корнем четной кратности. Хотя бы одно собственное число ортогональной матрицы нечетного порядка равно $ +1 $ или $ (-1) $.

Доказательство ☞ ЗДЕСЬ.

Теорема 11. Спектр циклической матрицы

$$ left(begin a_1 & a_2 & a_3 & dots & a_n \ a_n & a_1 & a_2 & dots & a_ \ a_ & a_n & a_1 & dots & a_ \ vdots & & & & vdots \ a_2 & a_3 & a_4 & dots & a_1 end right) . $$ совпадает с набором чисел $$ <f(1),f(varepsilon_1), dots, f(varepsilon_) > ,$$ при $$ f(x)=a_+a_2x+a_3x^2+dots+a_nx^ $$ и $$ varepsilon_k=cos frac + sin frac $$ — корне n-й степени из единицы.

Доказательство ☞ ЗДЕСЬ.

Видео:Примеры нахождения собственных векторов и собственных чисел. Бардаков Валерий ГеоргиевичСкачать

Примеры нахождения собственных векторов и собственных чисел. Бардаков Валерий Георгиевич

Локализация собственных чисел

Теорема 12. [1]. Собственные числа матрицы являются непрерывными функциями ее элементов. Иначе: пусть

$$A=left[a_ right]_^n quad , quad B=left[b_ right]_^n . $$ Обозначим $$M= max_<j,kin> left <|a_|, |b_ | right> quad , quad delta = fracsum_^n |a_ — b_ | . $$ Тогда любому собственному числу $ lambda_^ $ матрицы $ A_ $ можно поставить в соответствие такое собственное число $ mu_^ $ матрицы $ B_ $, что $$ |lambda_-mu_ | le (n+2) M sqrt[n] . $$

Собственно факт непрерывной зависимости собственных чисел от элементов матрицы следует из представления характеристического полинома из теоремы ☞ ПУНКТА — коэффициенты этого полинома полиномиально (и, следовательно, непрерывно) зависят от элементов матрицы. Далее используем теорему о непрерывной зависимости корней полинома от его коэффициентов.

Выясним теперь на примере, насколько малым может быть возмущение элементов матрицы чтобы сохранились хотя бы количество вещественных корней ее характеристического полинома.

Пример [Уилкинсон] [2]. Найти собственные числа матрицы

$$ A= left( begin 20 & 20 & & & & \ & 19 & 20 & & & \ & & 18 & 20 & & \ & & & ddots & ddots & \ & & & & 2 & 20 \ <colorvarepsilon > & & & & & 1 \ end right)_ $$ при $ <colorvarepsilon >=10^ $ (все неуказанные элементы матрицы считаются равными нулю).

Решение. Характеристический полином $$ det(A-lambda E) = prod_^ (j-lambda) — 20^ <colorvarepsilon > = $$ $$ =lambda^-,lambda^+,lambda^-, lambda^ +, lambda^-, lambda^+ , lambda^-, lambda^+ $$ $$ +, lambda^ — , lambda^ +, lambda^-, lambda^9 + $$ $$ +, lambda^8 — , lambda^7+, lambda^6 -, lambda^5 +, lambda^4- $$ $$ -, lambda^3 +, lambda^2 -,lambda + $$ очень похож на полином из другого ☞ ПРИМЕРА Уилкинсона. Он имеет корни $$ lambda_1=0.995754, lambda_2=2.109241, lambda_3=2.574881, $$ $$ lambda_=3.965331pm 1.087735, mathbf i, lambda_=5.893977pm 1.948530 , mathbf i, $$ $$ lambda_=8.118073 pm 2.529182 , mathbf i, lambda_=10.5pm 2.733397 , mathbf i, $$ $$ lambda_=12.881926pm 2.529182 , mathbf i, lambda_=15.106022 pm 1.948530 , mathbf i, $$ $$ lambda_=17.034669pm 1.087735 , mathbf i, $$ $$ lambda_=18.425118, lambda_=18.890758, lambda_=20.004245 . $$ Итак, нановозмущение 2) в одном-единственном элементе матрицы приводит к существенному изменению спектра: из $ 20 $ вещественных собственных чисел «остаются в живых» только $ 6_ $; кроме того, у образовавшихся мнимых корней оказываются достаточно большими мнимые части. В данном примере допустимые возмущения для $ <colorvarepsilon > $, т.е. такие, при которых сохранится свойство вещественности всех корней характеристического полинома, находятся в пределах 3) $$ -8.636174times 10^ ♦

Теорема 13 [Гершгорин]. 4) Обозначим $ mathbb D_ $ круг на комплексной плоскости $ mathbb C_ $ с центром в точке $ a_^ $ и радиуса

$$ r_j=sum_^n left|a_right| .$$ Тогда спектр матрицы $ A_ $ лежит внутри объединения этих кругов: $$ subset bigcup_^n mathbb D_j . $$ Иными словами: любое собственное число матрицы должно удовлетворять хотя бы одному из неравенств $$ |z- a_ |

Если все главные миноры $ A_1,A_2,dots,A_ $ симметричной матрицы $ A_ $ отличны от нуля, то число положительных собственных чисел матрицы $ A_ $ равно числу знакопостоянств, а число отрицательных собственных чисел — числу знакоперемен в ряду $ 1,A_1,dots,A_n $:

$$ operatorname 0 > = (1,A_1,dots,A_n), $$ $$ operatorname < det (A-lambda E) =0 | lambda ненулевойстолбец $$ X_= left( begin x_^ \ vdots \ x_^ end right) in mathbb^n $$ такой, что $$ AX_=lambda_ X_ quad iff quad (A -lambda_E) X_ = mathbb O_ . $$ По определению собственного числа, $ det (A^ -lambda_E) = 0 $ и, следовательно, система однородных уравнений $ (A -lambda_E) X^ = mathbb O $ всегда имеет нетривиальное решение; более того, этих решений бесконечно много. Таким образом, одному и тому же собственному числу матрицы принадлежит бесконечное множество собственных векторов. Эту бесконечность можно описать с помощью фундаментальной системы решений (ФСР).

Пример. Найти собственные векторы матрицы

Решение. Спектр матрицы найден выше. $$(A-0 cdot E)X=mathbb O quad Longrightarrow mbox= left< _1=left(begin 4 \ -2 \ 1 \ 0 endright), _2=left(begin 7 \ -3 \ 0 \ 1 end right) right>.$$ Любой вектор вида $ alpha_ _1 + alpha_2 _2 $ будет собственным, принадлежащим $ lambda_=0 $. $$ begin (A- mathbf i, sqrt E)X=mathbb O \ \ Downarrow \ \ _3= left(begin 1- mathbf i , sqrt \ 8-2, mathbf i , sqrt \ 12 \ 17+mathbf i , sqrt endright) end qquad begin (A+mathbf i sqrt E)X=mathbb O \ \ Downarrow \ \ _4= left(begin 1+mathbf i , sqrt \ 8+2mathbf i , sqrt \ 12 \ 17- mathbf i ,sqrt endright) end . $$ ♦

Еще один способ нахождения собственного вектора основан на теореме Гамильтона-Кэли.

Теорема 15. Пусть $ lambda_^ $ — собственное число матрицы $ A_ $. Обозначим частное от деления характеристического полинома на линейный множитель $ lambda_ — lambda_ $ через $ f_(lambda)^ $:

$$ f_(lambda) equiv f(lambda) / (lambda-lambda_) . $$ Тогда любой ненулевой столбец матрицы $ f_(A)^ $ является собственным вектором, принадлежащим $ lambda_^ $.

Доказательство следует из равенства $$(A-lambda_ E)f_(A)=mathbb O_ . $$ На основании определения любой ненулевой столбец $ f_(A)^ $ должен быть собственным вектором матрицы $ A_ $. ♦

Пример. Найти собственные векторы матрицы

$$ A=left( begin 9 & 22 & -6 \ -1 &-4 & 1 \ 8 & 16 & -5 end right) . $$

Решение. $$ det (A-lambda E)=-lambda^3+ 7, lambda + 6 equiv -(lambda_-3) (lambda+2)(lambda+1) , .$$ Пренебрегая знаком – , имеем: $$ begin f_1(lambda)=lambda^2+3lambda+2 & u & f_1(A)= left( begin 40 & 80 & -20 \ 0 &0 & 0 \ 40 & 80 & -20 end right) , \ f_2(lambda)=lambda^2-2lambda-3 & u & f_2(A)= left( begin -10 & -30 & 10 \ 5 &15 & -5 \ 0 & 0 & 0 end right) , \ f_3(lambda)=lambda^2-lambda-6 & u & f_3(A)= left( begin -4 & -8 & 4 \ 4 & 8 & -4 \ 8 & 16 & -8 end right) . end $$

Если $ lambda_^ $ является простым корнем характеристического полинома 5) , то ненулевые столбцы $ f_(A)^ $ будут пропорциональными. Или, что то же, $ operatorname f_(A)^ = 1 $.

Тогда очевидно, что и строки матрицы $ f_(A)^ $ тоже должны быть пропорциональны!

Доказать, что любая ненулевая строка матрицы $ f_(A)^ $ является собственным вектором матрицы $ A^<^>_ $, принадлежащим $ lambda_^ $. Доказать, что собственный вектор матрицы $ A_ $ ортогонален собственному вектору матрицы $ A^_ $, если эти векторы принадлежат различным собственным числам 6) .

На практике вычисление полинома $ f_(lambda)^ $ может быть осуществлено с помощью схемы Хорнера.

Пример. Вычислить собственный вектор матрицы

$$ A=left( begin 23 & 75 & -92 \ 6 & 74 & 72 \ 37 & -23 & 87 end right) , $$ принадлежащий ее вещественному собственному числу.

Решение. Характеристический полином $$ f(lambda)= -lambda^3+184,lambda^2-14751,lambda+611404 $$ имеет единственное вещественное собственное число $ lambda_ approx 96.8817 $. Составляем схему Хорнера $$ begin & -1 & 184 & -14751 & 611404 \ hline 96.8817 & -1 & 87.1183 & -6310.8310 & -0.0352 end $$ За счет ошибок округления мы получили ненулевое значение для $ f(lambda_) $. В качестве частного от деления $ f(lambda) $ на $ lambda-lambda_ $ берем $$ f_(lambda)= -lambda^2 + 87.1183, lambda — 6310.8310 . $$ Подставляем в него матрицу $ A_ $ и вычисляем первый столбец матрицы $$ -A^2+87.1183,A -6310, E = left( begin -1882.1101 & * & * \ -2723.2902 & * & * \ -708.6229 & * & * end right) .$$ Проверяем: $$ left( begin 23 & 75 & -92 \ 6 & 74 & 72 \ 37 & -23 & 87 end right) left( begin -1882.1101 \ -2723.2902 \ -708.6229 end right) — 96.8817 left( begin -1882.1101 \ -2723.2902 \ -708.6229 end right)= left( begin 0.0356 \ 0 \ -0.0002 end right) . $$ ♦

Можно развить последний метод далее: найти универсальную формулу для собственного вектора как функции ее собственного числа. Действительно, найдем частное от деления характеристического полинома $$ f(lambda) =a_0lambda^n+a_0lambda^+dots+ a_n, quad a_0=(-1)^n $$ на линейный полином $ lambda- lambda_ $, где $ lambda_ $ — произвольное число из $ mathbb C $. С помощью той же схемы Хорнера, получаем $$ q(lambda)=a_0lambda^+(a_0lambda_+a_1)lambda^+(a_0lambda_^2+a_1lambda_+a_2)lambda^+dots+ (a_0lambda_^+a_1lambda_^+dots+a_) , . $$ Если $ lambda_ $ является собственным числом матрицы $ A_ $, то любой ненулевой столбец матрицы $$ q(A)= a_0A^+(a_0lambda_+a_1)A^+(a_0lambda_^2+a_1lambda_+a_2)A^+dots+ (a_0lambda_^+a_1lambda_^+dots+a_)E $$ будет собственным вектором, принадлежащим $ lambda_ $.

Пример. Найти представление всех собственных векторов матрицы

$$ A=left( begin 9 & 22 & -6 \ -1 &-4 & 1 \ 8 & 16 & -5 end right) $$ в виде функции ее собственных чисел.

Решение. Характеристический полином матрицы был вычислен выше: $ f(lambda)=-lambda^3+ 7, lambda + 6 $. Имеем, $$ q(lambda)=-lambda^2-lambda_lambda+(7-lambda_^2) $$ и $$ q(A)=-A^2-lambda_A+(7-lambda_^2)E= left(begin -lambda_^2-9lambda_-4 & -22lambda_-14 & 6lambda_+2 \ lambda_-3 & -lambda_^2+4lambda_-3 & -lambda_+3 \ -8lambda_-16 & -16lambda_-32 & -lambda_^2+5lambda_+14 end right) , . $$ Берем произвольный столбец этой матрицы, например, первый: $$ X_(lambda_)= left(begin -lambda_^2-9lambda_-4 \ lambda_-3 \ -8lambda_-16 end right) , . $$ Утверждается, что $ X_ (lambda_) $ — универсальное представление всех собственных векторов матрицы. Действительно, $$ X_(-1) = left(begin 4 \ -4 \ -8 end right), X_(-2) = left(begin 10 \ -5 \ 0 end right), X_(3) = left(begin -40 \ 0 \ -40 end right) , . $$ ♦

Теорема 16. Пусть $ g(x)=b_0x^m+dots+b_ in [x] $ – произвольный полином. Если $ X_in mathbb C^ $ — собственный вектор матрицы $ A_ $, соответствующий собственному числу $ lambda_^ $, то он же будет собственным и для матрицы $ g(A)^ $, принадлежащим собственному числу $ g(lambda_)^ $.

Доказательство. Домножим равенство $ A_=lambda_^_ $ слева на матрицу $ A_ $: $$ A^2_=lambda_A_=lambda_^2_ .$$ По индукции доказывается и общее равенство: $$ A^k_=lambda_^k_ .$$ Домножим его на $ b_^ $ и просуммируем по $ k_ $ от $ 0_ $ до $ m_ $: $$ g(A)_=g(lambda_)_ ,$$ что и доказывает утверждение теоремы. ♦

Если матрица $ A $ невырождена, то теорема остается справедливой и для произвольного полинома от $ A^ $. В частности, собственные векторы $ A^ $ совпадают с собственными векторами матрицы $ A $.

Теорема 17. Собственные векторы, принадлежащие различным собственным числам матрицы $ A_ $, линейно независимы.

Теорема 18. Собственные векторы, принадлежащие различным собственным числам вещественной симметричной матрицы $ A_ $, ортогональны, т.е. если $ mathfrak X_1 $ принадлежит собственному числу $ lambda_ $, а $ mathfrak X_2 $ принадлежит собственному числу $ lambda_ $ и $ lambda_1 ne lambda_2 $, то

$$ langle mathfrak X_1, mathfrak X_2 rangle =0 , $$ где $ langle , rangle $ означает скалярное произведение, определяемое стандартным образом: $ langle X,Y rangle =x_1y_1+dots+x_ny_n $.

Доказательство ☞ ЗДЕСЬ.

Видео:Собственные значения матрицыСкачать

Собственные значения матрицы

Теорема Перрона-Фробениуса

Теорема 19 [Перрон, Фробениус]. Для положительной матрицы $ A_ $ существует положительное собственное число $ lambda_ $ такое, что все остальные собственные числа этой матрицы меньше $ lambda_ $ по абсолютной величине (модулю). Соответствующий этому собственному числу собственный вектор может быть выбран положительным:

$$ exists mathfrak X_ > mathbb O: quad A mathfrak X_ = lambda_ mathfrak X_ . $$

Число $ lambda_ $ из теоремы называется собственным числом Перрона или собственным числом Перрона-Фробениуса матрицы $ A_ $, а соответствующий ему произвольный положительный собственный вектор — собственным вектором Перрона-Фробениуса матрицы $ A_ $.

Спектральный радиус положительной матрицы $ A_ $ совпадает с ее собственным числом Перрона-Фробениуса:

Пример. Найти собственное число и вектор Перрона-Фробениуса для матрицы

$$ A= left(begin 2 & 7 & 18 & 28 \ 1 & 8 & 2 & 8 \ 3 & 1 & 4 & 1 \ 5 & 9 & 26 & 5 end right) , . $$

Решение. Характеристический полином матрицы $ A_ $ $$ det(A-lambda E)=lambda^4-19, lambda^3-175, lambda^2-285, lambda+10390 $$ имеет корнями $$ lambda_ approx -6.260463 pm 5.452465 mathbf i, lambda_3 approx 5.878976, lambda_4 approx 25.641950 . $$ Числом Перрона-Фробениуса является $ lambda_4 $, а соответствующий ему собственный вектор Перрона-Фробениуса можно взять равным $$ left( begin 1 \ 0.365240 \ 0.184802 \ 0.634244 end right) quad mbox quad left( begin 2.737922 \ 1 \ 0.505974 \ 1.736510 end right) quad mbox left( begin 5.411185 \ 1.976383 \ 1 \ 3.432010 end right) quad mbox quad left( begin 1.576681 \ 0.575868 \ 0.291374 \ 1 end right) quad mbox quad left( begin 0.798133 \ 0.291510 \ 0.147496\ 0.506210 end right) quad mbox dots $$ (напоминаю: собственный вектор определяется с точностью до ненулевого сомножителя!). Последний вектор имеет длину равную $ 1_ $. ♦

1. Собственное число Перрона-Фробениуса всегда простое для характеристического полинома матрицы $ A_ $. Отсюда следует, что собственный вектор Перрона-Фробениуса определяется единственным образом — с точностью до домножения на положительный скаляр.

2. Любой собственный вектор положительной матрицы $ A_ $, не соответствующий собственному числу Перрона-Фробениуса, не может состоять исключительно только из положительных элементов. Иными словами, хотя бы одна компонента такого вектора должна быть либо отрицательной либо мнимой.

3. Для собственного числа Перрона-Фробениуса справедливо неравенство $$ min_<jin> sum_^n a_ le lambda_ le max_<jin> sum_^n a_ . $$

4. Собственное число Перрона-Фробениуса матрицы $ A_ $ совпадает с собственным числом Перрона-Фробениуса матрицы $ A^ $.

Какие из перечисленных свойств можно распространить на случай неотрицательных матриц ? Каждую такую матрицу можно рассматривать как предел последовательности (строго) положительных матриц. Воспользовавшись теоремой о непрерывной зависимости собственных чисел матрицы от ее элементов, можем сделать вывод, о том, что для неотрицательной матрицы $ A_ $ всегда найдется вещественное неотрицательное собственное число, которое будет являться максимальным по модулю среди всех собственных чисел матрицы. Другое дело, что в данном случае — в отличие от случая положительных матриц — такое мажорирующее собственное число может оказаться не единственным.

Пример. Спектр неотрицательной матрицы

$$ A=left( begin 0 & 1 \ 1 & 0 end right) $$ состоит из чисел $ lambda_1=+1 $ и $ lambda_1=-1 $ одинакового модуля. ♦

Однако, по-прежнему, хотя бы одно неотрицательное вещественное число $ lambda_ $ со свойством $ rho(A) = lambda_ $ существовать будет; более того, ему будет соответствовать неотрицательный собственный вектор $ mathfrak X ge mathbb O $. Это число (вектор) по-прежнему называются числом (вектором) Перрона-Фробениуса 7) матрицы $ A_ $.

Частным случаем неотрицательных матриц являются стохастические матрицы, т.е. неотрицательные матрицы, в которых сумма элементов каждой строки равна $ 1_ $: $$ P=left[p_right]_^n, <p_ge 0 >_^n, sum_^n p_ = 1 npu quad j in . $$

Теорема 20. Собственное число Перрона-Фробениуса стохастической матрицы равно $ 1_ $. Этому собственному числу соответствует собственный вектор $ X=[1,1,dots,1]^ $.

Доказательство существования собственного числа равного $ 1_ $ и соответствующего ему собственного вектора $ X=[1,1,dots,1]^ $ следует из равенства $$ P left( begin 1 \ 1 \ vdots \ 1 end right) = left( begin 1 \ 1 \ vdots \ 1 endright) . $$ Далее, из теоремы Гершгорина следует, что любое собственное число $ lambda_in mathbb C $ стохастической матрицы должно удовлетворять неравенству $$|lambda — p_|le sum_ |p_|=1-p_ $$ хотя бы при одном $ j_ $. Воспользовавшись следствием к неравенству треугольника получаем: $$|lambda| — |p_|le |lambda — p_| le 1-p_ Rightarrow |lambda| le 1 . $$ ♦

Видео:Овчинников А. В. - Линейная алгебра - Собственные значения и собственные векторы линейного оператораСкачать

Овчинников А. В. - Линейная алгебра - Собственные значения и собственные векторы линейного оператора

Методы вычисления характеристического полинома

Вычисление коэффициентов характеристического полинома матрицы $ A_ $ непосредственным разложением определителя $ det (A-lambda_ E) $ на $ n!_ $ слагаемых — крайне неэффективно. Элементами этого разложения являются выражения, полиномиально зависящие от параметра $ lambda_ $. На каждом этапе вычислений мы получаем проблему символьных вычислений: хранения таких полиномов и действий над ними.

Основной метод вычисления числовых определителей — метод Гаусса — также неэффективен в приложении к вычислению определителя, элементы которого зависят от параметра. Источником вычислительных проблем является неудобное расположение переменной $ lambda_ $ — на главной диагонали матрицы. Первый же шаг метода Гаусса приводит к делению на элемент $ a_ — lambda $, и, в дальнейшем, элементы преобразованной матрицы будут уже не полиномами, а рациональными функциями относительно $ lambda_ $. Следующие шаги метода приводят к возрастанию степеней знаменателей. Необходимость в организации хранения рациональных функций и программировании действий с ними кажется тем более неоправданной, если вспомнить, что окончательный ответ — выражение для $ det (A-lambda_ E) $ — должно быть полиномом по $ lambda_ $; т.е. знаменатели дробей в конечном ответе сократятся.

А в качестве усугубляющего положение обстоятельства «на заднем плане» маячит проблема точности вычислений коэффициентов характеристического полинома — чувствительность его корней к возмущению его коэффициентов бывает весьма высокой.

Какой выход предлагается? — Предварительно преобразовать определитель $ det (A-lambda_ E) $ к виду, когда переменная $ lambda_ $ оказывается «выметенной» с диагонали на крайний ряд (в столбец или в строку). При этом допускается увеличение размеров (порядка) определителя. Такое представление дает возможность разложения определителя по этому исключительному ряду, и, тем самым, позволяет свести задачу к вычислению числовых определителей — а уж для этой задачи применение метода Гаусса вполне эффективно.

Видео:Квантовая механика 8 - Операторы. Собственные векторы и собственные значения.Скачать

Квантовая механика 8 - Операторы. Собственные векторы и собственные значения.

Метод Леверье

Метод основан на формуле (см. следствие к теореме $ 7 $ ☞ ЗДЕСЬ ): $$ operatorname (A^k)=lambda_1^k+dots+lambda_n^k=s_k , $$ т.е. след $ k_ $-й степени матрицы $ A_ $ равен $ k_ $-й сумме Ньютона ее характеристического полинома $ f(lambda)=det (A-lambda E ) $. Вычисляем последовательные степени матрицы $ A_ $: $$s_1=operatorname (A), s_2=operatorname (A^2), dots, s_n=operatorname (A^n) .$$ Неизвестные коэффициенты $ f(lambda)=(-1)^n(lambda^n+a_1lambda^+ dots+a_n) $ находим по рекурсивным формулам Ньютона: $$ a_1=-s_1, a_2=-(s_2+a_1s_1)/2, $$ $$ a_k=-(s_+a_1s_+a_2s_+dots+a_s_1)/k npu k le n. $$ Очевидно, что не имеет смысла вычислять все элементы матрицы $ A^ $ — достаточно обойтись лишь элементами ее главной диагонали.

Пример [Леверье]. Найти характеристический полином матрицы

$$ A=left(begin -5.509882&1.870086&0.422908&0.008814 \ 0.287865&-11.811654&5.711900&0.058717 \ 0.049099&4.308033&-12.970687&0.229326 \ 0.006235&0.269851&1.397369&-17.596207 end right) . $$

Решение. $$ A^2=left(begin 30.91795128&-30.56848188&2.878480155&0.0031325713\ -4.705449283&164.6764010&-141.3504639&-0.4143169528\ 0.3341843103&-106.6094396&193.1869924& -6.756396001\ 0.0022236138&-1.904168948&-41.16923134& 309.9628536 end right), $$ $$ A^3=left(begin -179.0125092&431.2849919&-198.8601505& -0.9173897610\ 66.38829278&-2562.954533& 2771.458834& -15.49709921\ -23.08728044&2090.291485&-3124.010318& 156.9329019\ -0.649145142&-71.21907809&956.2502143& -5463.723497 end right), $$ $$ A^4=left(begin 1100.720103& ast& ast& ast \ ast& 42332.23816& ast& ast \ ast& ast& 52669.62534& ast \ ast& ast& ast& 96355.91518 end right) . $$ Вычисляем следы матриц: $$s_1=-47.888430, s_2=698.7441983, s_3=-11329.70086, s_4= 192458.4988 ,$$ и по формулам Ньютона получаем: $$a_1= 47.888430, a_2 = 797.278764_ , a_3 = 5349.45551_, a_4 = 12296.550_ . $$ ♦

После нахождения коэффициентов характеристического полинома можно найти его корни каким-либо 8) методом. Если $ lambda_^ $ — одно из собственных чисел, то для нахождения соответствующего собственного вектора воспользуемся алгоритмом из ☞ ПУНКТА. Предположив дополнительно, что это собственное число простое 9) , обозначим $$ f_(lambda)= f(lambda)/(lambda-lambda_)=(-1)^n(lambda^ +p_1lambda^+dots+p_lambda+p_) $$ т.е. частное от деления $ f(lambda_) $ на $ lambda-lambda_ $. Тогда любой ненулевой столбец матрицы $ f_(A)^ $ будет собственным вектором, принадлежащим $ lambda_^ $. Как правило, собственным вектором можно взять комбинацию

Численные методы нахождения собственных значений и собственных векторов матриц

Степени матрицы $ A_ $ уже нами посчитаны при вычислении коэффициентов характеристического полинома.

Пример. Для приведенного выше примера находим собственные числа:

$$ lambda_1=-17.86326, lambda_2=-17.15242, lambda_3=-7.57404, lambda_4= -5.29869 . $$ Коэффициенты $ f_1(lambda) $ можно определить по схеме Хорнера: $$ begin &1 & 47.888430 & 797.2787648 & 5349.455513 & 12296.55068 \ hline -17.86326 & 1 & underbrace_<p_>& underbrace_<p_> &underbrace_<p_>& approx 0 \ end $$ Собственным вектором, принадлежащим $ lambda_ $, будет $$left[ -0.0256_, 0.21938_, -0.24187_, 1.044526 right]^<^> .$$ ♦

Теорема 21. Характеристический полином явно выражается через суммы Ньютона с помощью следующего представления:

$$ f(lambda)=fracleft| begin s_1 &1 & & & &\ s_2&s_1& 2 & &mathbb O & \ s_3&s_2&s_1&3& & \ vdots& & & ddots &ddots & \ s_n&s_& s_ & dots &s_1&n \ lambda^n&lambda^&lambda^& dots &lambda&1 end right|_ . $$

Биографические заметки о Леверье ☞ ЗДЕСЬ.

Видео:Математика без Ху!ни. Метод Гаусса. Совместность системы. Ранг матрицы.Скачать

Математика без Ху!ни. Метод Гаусса. Совместность системы. Ранг матрицы.

Метод Крылова

Рассмотрим произвольный ненулевой столбец $ Y_0=left[ y_^,dots,y_^ right]^<^> in mathbb C^n $. Cоставим итерационную векторную последовательность $$ Y_1=Acdot Y_0, Y_2=Acdot Y_1, dots, Y_=Acdot Y_ . $$

Теорема 22. Определитель

$$ det left[begin Y_0&Y_&dots&Y_&Y_\ 1& lambda&dots&lambda^&lambda^n end right]_ $$ совпадает — с точностью до постоянного множителя — с характеристическим полиномом матрицы $ A_ $. Здесь $ |_ $ означает конкатенацию.

Доказательство. Легко видеть, что $$ Y_K=A^KY_0 quad npu quad K in . $$ Если $$ f(lambda)=det(A-lambda E) =(-1)^n lambda^n+a_1 lambda^+a_2 lambda^+dots+a_n , $$ то по теореме Гамильтона-Кэли: $$ (-1)^n A^n+a_1A^+dots+a_nE=mathbb O_ . $$ Это равенство останется справедливым и после умножения его на произвольный вектор, в том числе на $ Y_ $: $$ (-1)^n A^ncdot Y_0+a_1A^ cdot Y_0 +dots+a_ncdot Y_0=mathbb O_ iff $$ $$ iff quad (-1)^n Y_n+a_1Y_ +dots+a_nY_0=mathbb O . $$ Последнее равенство представляет линейную систему относительно неизвестных коэффициентов характеристического полинома. Можно решать ее по формулам Крамера, но мы пойдем другим путем. Дополним эту систему тождеством $ f(lambda)=(-1)^n lambda^n+a_1 lambda^+a_2 lambda^+dots+a_n $. Рассмотрим получившуюся систему как линейную однородную относительно столбца $ left[ a_n,a_,dots,a_1,1right]^ $. Поскольку эта система имеет нетривиальное решение, то ее определитель должен равняться нулю: $$ 0=det left[begin Y_0&Y_&dots&Y_&(-1)^nY_\ 1& lambda&dots&lambda^&(-1)^nlambda^n-f(lambda) end right]= $$ (представляем последний столбец в виде суммы двух столбцов и используем свойство 5 определителя) $$ =det left[begin Y_0&Y_&dots&Y_&(-1)^nY_\ 1& lambda&dots&lambda^&(-1)^nlambda^n end right]-f(lambda) det left[begin Y_0&Y_&dots&Y_ end right] . $$ Таким образом, $$ f(lambda)=(-1)^n frac<det left[begin Y_0&Y_&dots&Y_&Y_\ 1& lambda&dots&lambda^&lambda^n end right]><det left[begin Y_0&Y_&dots&Y_ end right]> , $$ если только знаменатель в этой дроби не обратится в нуль. ♦

Пример. Найти характеристический полином матрицы примера Леверье

$$ A=left(begin -5.509882&1.870086&0.422908&0.008814 \ 0.287865&-11.811654&5.711900&0.058717 \ 0.049099&4.308033&-12.970687&0.229326 \ 0.006235&0.269851&1.397369&-17.596207 end right) . $$

Решение. Возьмем $ Y_0=left[ 1,0,0,0 right]^ $. Имеем $$ begin Y_1=A Y_0= & Y_2=AY_1= & Y_3=AY_2= & Y_4=AY_3= \ left(begin -5.509882\ 0.287865 \ 0.049099 \ 0.006235 end right), & left(begin 30.917951\ -4.705449 \ 0.334184 \ 0.002223 end right), & left(begin -179.012509\ 66.388293 \ -23.087280\ -0.649145 end right), & left(begin 1100.720101\ -967.597333\ 576.522644\ -4.040153 end right) . end $$ $$ det left[begin Y_0&Y_&Y_2& Y_& Y_\ 1& lambda&lambda^2 &lambda^&lambda^4 end right]= left| begin 1 & -5.509882 & 30.917951 & -179.012509 & 1100.720101 \ 0 & 0.287865 & -4.705449 & 66.388293 & -967.597333\ 0 & 0.049099 & 0.334184 & -23.087280 & 576.522644\ 0 & 0.006235 & 0.002223 & -0.649145 & -4.040153 \ 1 & lambda & lambda^2 & lambda^3 & lambda^4 end right|= $$ $$ =0.348621 lambda^4+16.694915lambda^3+277.948166lambda^2+1864.932835lambda+4286.836454 = $$ $$ =0.348621 left(lambda^4+47.888430lambda^3+797.27876_lambda^2+5349.4555_lambda+12296.550_ right) . $$ ♦

После нахождения характеристического полинома можно найти его корни каким-либо 10) методом. Пусть $ lambda_^ $ — одно из собственных чисел, и оно — простое; тогда для нахождения соответствующего собственного вектора можно воспользоваться тем же приемом, что был задействован в предыдущем ПУНКТЕ. Вычислим 11) частное от деления $ f(lambda_) $ на $ lambda-lambda_ $ $$ f_(lambda)= f(lambda)/(lambda-lambda_)=(-1)^n(lambda^ +p_1lambda^+dots+p_lambda+p_) . $$ Тогда любой ненулевой столбец матрицы $ f_(A)^ $ будет собственным вектором, принадлежащим $ lambda_^ $. Но тогда и произвольная комбинация столбцов этой матрицы тоже будет собственным вектором (если только не обратится в нулевой вектор). В частности, это относится и к комбинации, записываемой в матричном виде $$ (-1)^n f_(A) Y_0 = A^Y_0 +p_1A^Y_0+dots+p_Y_0=Y_+p_1Y_+dots+p_Y_0 . $$ А комбинируемые векторы уже посчитаны.

Теперь обсудим исключительные случаи. При неудачном выборе $ Y_ $ определитель $$ det left[begin Y_0&Y_&dots&Y_ end right] $$ может обратиться в нуль. Эта неприятность обязательно произойдет если, например, наш выбор пал на вектор $ Y_0 $, совпадающий с собственным вектором матрицы $ A_ $. Вероятность такого события — нулевая. В общем же случае, трудно ожидать, чтобы $ n_ $ почти произвольных столбцов $ Y_0,Y_,dots,Y_ $ оказались линейно зависимыми — если только сама матрица $ A_ $ не обладает «скрытым дефектом» — типа рассмотренного в следующем примере.

Пример. Найти характеристический полином матрицы

Решение. При любом выборе $ Y_0 $ векторы $ $ оказываются линейно зависимыми: $$ Y_0= left(begin 1\ 0\ 0 end right), Y_1= left(begin 2\ 1\ 1 end right), Y_2= left(begin 6\ 5\ 5 end right),dots ; Y_0= left(begin 1\ 1\ 1 end right), Y_1= left(begin 4\ 4\ 4 end right),dots $$ Объяснение этого феномена состоит в том, что для матрицы $ A_ $ ее аннулирующий полином имеет степень меньшую ее порядка: $$ A^2-5 A+4 E = mathbb O . $$ Домножение этого равенства на произвольный столбец $ Y_0 $ и доказывает линейную зависимость системы $ $. ♦

Такая ситуация возможна только в случае, когда характеристический полином матрицы $ A_ $ имеет кратные корни (в рассмотренном выше примере $ lambda_=1 $ являлся двойным корнем $ det (A-lambda_ E) $); она исключительно редко встречается на практике.

Поиск всех собственных чисел

Существуют методы нахождения спектра матрицы, не требующие предварительного построения характеристического полинома.

QR-алгоритм

Этот алгоритм основан на QR-разложении матрицы $ A $.

Теорема 23. Спектр матрицы $ A $ совпадает со спектром матрицы $ P^ A P $ при произвольной ортогональной матрице $ P $.

Доказательство. $$ det (P^ A P-lambda E)=det (P^ A P- lambda P^ E P)=det P^ (A -lambda E ) P = det (A -lambda E ) P P^ = det (A -lambda E ) , . $$ ♦

Пусть QR-разложение матрицы $ A $ имеет вид $$ A=Q_1R_1 , , $$ где $ Q_1 $ — ортогональная, а $ R_1 $ — верхнетреугольная матрицы. Тогда матрица $$ A_2=R_1Q_1 $$ имеет тот же спектр, что и матрица $ A $. Действительно, поскольку $$ A_2=Q_1^ A Q_1 , $$ то сработает предыдущая теорема. Вычислим QR-разложение матрицы $ A_2 $ $$ A_2=Q_2R_2 $$ и переставим местами матрицы этого произведения: $$ A_3=R_2Q_2 , . $$ Матрица $$ A_3= Q_2^ A_2 Q_2=Q_2^ Q_1^ A Q_1 Q_2 $$ продолжаем иметь те же собственные числа, что и матрица $ A $. Утверждается, что бесконечная последовательность матриц $$ <A_j=R_Q_>_^ $$ как правило, сходится к матрице $ A_ $, которая будет верхнетреугольной.

Теорема 24 [4]. Если все собственные числа матрицы $ A $ различны по модулю, то матрица $ A_ $ является верхнетреугольной и на ее главной диагонали стоят собственные числа матрицы $ A $.

Пример. Найти все собственные числа матрицы $$ A=left(begin 2 & 3 &-1\ 7 & 3 & 3 \ -1 & -2 & 4 end right) , . $$

Решение. $$ A_1=Aapprox underbrace<left(begin 0.272165 & 0.759752 & 0.590511 \ 0.952579 & -0.299517 & -0.053683 \ -0.136083& -0.577119 & 0.805242 end right)>_ underbrace<left(begin 7.348469 & 3.946400 & 2.041241\ 0 & 2.534941 & -3.966781 \ 0 & 0 & 2.469409 end right)>_ $$ Теперь переставляем матрицы произведения местами и строим QR-разложение получившейся матрицы: $$ quad Rightarrow quad A_2 = R_1Q_1approx left(begin 5.481481 & 3.222957 & 5.771191 \ 2.954542 & 1.530046 & -3.3303021 \ -0.336044 & -1.425143 & 1.988472 end right)approx $$ $$ approxunderbrace<left(begin -0.878992 & 0.022595 & 0.476300\ 0.473781 & -0.154267 & -0.867026 \ 0.053886 & -0.987771 & 0.146304 end right)>_ underbrace<left(begin -6.236096& -3.634658 & -3.387848\ 0 & 1.244502 & -1.319999\ 0 & 0 & 5.927198 end right)>_ $$ Продолжим процесс: $$ quad Rightarrow quad A_3 = R_2Q_2approx left(begin 7.020952& 3.766220 & -0.314568\ -0.660752 & 1.111870 & -1.272137\ 0.319398 & -5.854713 & 0.867177 end right) approx $$ $$ approx underbrace<left(begin -0.994581 & -0.065879 & 0.080426 \ 0.093601 & -0.230749 & 0.968501 \ -0.045246 & 0.970780 & 0.235665 end right)>_ underbrace<left(begin -7.059205 & -3.376839 & 0.154554 \ 0 & -6.188319 & 1.156106 \ 0 & 0 & -1.053002 end right)>_ $$ Замечаем тенденцию убывания элементов матриц $ $, стоящих под главной диагональю. $$ Rightarrow dots Rightarrow A_ approx left(begin mathbf_ & 2.758769 & -2.160057\ -0.0467437 & mathbf_ & -5.341014\ 0.000018 &-0.005924 & mathbf_ end right) approx $$ $$ underbrace<left(begin -0.999972 & -0.007483 & 0.000007 \ 0.007483 & -0.999971 & 0.001339 \ -0.000003 & 0.001339 & 0.999999 end right)>_<Q_> underbrace<left(begin -6.246197 & -2.725694 & 2.120031\ 0 & -4.429817 & 5.354807 \ 0 & 0 & -1.662479 end right)>_<R_> , . $$ Матрица $ Q_j $ уже близка к диагональной (с элементами $ pm 1 $), верхнетреугольность матрицы $ A_j $ также заметна, но точность приближения еще не достаточна. $$ Rightarrow dots Rightarrow A_ approx left(begin mathbf_ & 2.805821 & -2.020513 \ -0.001776 & mathbf_ & -5.388407\ 0 & 0 & -mathbf end right) approx $$ Точность приближения минимильного собственного числа существенно выше точностей приближения остальных чисел. $$ Rightarrow dots Rightarrow A_ approx left(begin mathbf_ & 2.807524 & -2.015076\ -0.000073 & mathbf_ & -5.390442\ 0 & 0 & -mathbf end right) , . $$ ♦

К сожалению условие теоремы достаточно ограничительно: собственные числа вещественной матрицы $ A $ могут оказаться и мнимыми, но тогда они одинаковы по модулю.

Как это обстоятельство сказывается на структуре матрицы $ A_ $ и дальнейшее развитие метода ☞ ЗДЕСЬ

Частичная проблема собственных чисел

Задача. Найти максимальное по модулю собственное число матрицы $ A_ $.

Предположение . Будем считать сначала, что максимальное по модулю собственное число матрицы единственно.

Излагаемый ниже метод поиска этого собственного числа называется методом степенны́х итераций 12) .

Рассмотрим произвольный ненулевой столбец $ Y_0=left[ y_^,dots,y_^ right]^<^> in mathbb C^n $. Cоставим такую же итерационную векторную последовательность, как и в методе Крылова $$ Y_1=Acdot Y_0, Y_2=Acdot Y_1, dots, Y_=Acdot Y_,dots , $$ (только теперь, в отличие от метода Крылова, считаем ее неограниченно продолжающейся) и выделим последовательность первых элементов этих векторов: $$y_^,y_^,dots,y_^,dots $$

Теорема 25. Как правило, предел

$$ lim_frac<y_^><y_^> $$ существует и он равен максимальному по модулю собственному числу матрицы $ A_ $.

Доказательство. Перенумеруем собственные числа $ lambda_,dots,lambda_n $ матрицы $ A_ $ так, чтобы $ lambda_ $ обозначило максимальное по модулю: $$|lambda_1|= max_<jin > |lambda_j| , quad |lambda_1|>|lambda_j| quad npu quad jin . $$ Очевидно, $$ Y_=A^Kcdot Y_0 ; $$ отсюда следует, что любой элемент столбца $ Y_ $ может быть линейно выражен через $ lambda_^K,dots,lambda_n^K $. В частности, это справедливо и для первого элемента: $$ y_^=C_1lambda_1^K+C_2lambda_2^K+dots+C_nlambda_n^K . $$ В этом представлении $ _^n $ — будут константами из $ mathbb C_ $ в случае если все собственные числа являются простыми, и полиномами из $ mathbb C[K] $ в случае, если имеются кратные собственные числа. Действительно, в первом случае существует базис пространства $ mathbb C^n $, состоящий из собственных векторов матрицы $ A_ $: $$ A_j=lambda_j_j quad npu quad jin . $$ Вектор $ Y_0 $ можно разложить по этому базису: $$Y_0=alpha_1_1+dots+alpha_n_n .$$ Тогда последовательным домножением на матрицу $ A_ $ получаем : $$begin Y_1=AY_0&=& alpha_1 lambda_1_1+dots+alpha_nlambda_n_n, \ dots & & dots \ Y_K=A^KY_0&=& alpha_1 lambda_1^K_1+dots+alpha_nlambda_n^K_n end $$ откуда и следует доказываемое равенство.

Во втором случае — когда имеются кратные собственные числа матрицы $ A_ $ — придется применять «тяжелую артиллерию» в виде жордановой нормальной формы; см. теорему $ 5 $ ☞ ЗДЕСЬ. Для простоты рассуждений, будем в оставшейся части доказательства считать все собственные числа матрицы различными. Имеем тогда $$ lim_ frac<y_^><y_^>= lim_ frac <lambda_1^left[C_1+ C_2(lambda_2/lambda_1)^+dots+ C_n(lambda_n/lambda_1)^ right]> <lambda_1^left[C_1+C_2(lambda_2/lambda_1)^+dots+ C_n(lambda_n/lambda_1)^ right]> =lambda_1 $$ поскольку $$ lim_ left| frac right|^K = 0 quad npu quad jin . $$ Исключительным случаем является ситуация $ C_1=0 $, в этом случае утверждение теоремы может оказаться несправедливым 13) . ♦

Как правило, вектор

$$ left[1, lim_frac<y_^><y_^>,dots, lim_frac<y_^><y_^>right]^<^> $$ будет собственным, принадлежащим максимальному по модулю собственному числу матрицы $ A_ $.

Пример. Для матрицы

$$ A=left(begin 2 & 3 &-1\ 7 & 3 & 3 \ -1 & -2 & -4 end right) $$ найти максимальное по модулю собственное число и принадлежащий ему собственный вектор.

Решение. Возьмем в качестве стартового столбца $ Y_0=[1,0,0]^<^> $. Имеем: $$ Y_1=AY_0=left( begin 2 \ 7 \ -1 end right), Y_2=AY_1=left( begin 26 \ 32 \ -12 end right), Y_3=AY_2=left( begin 160 \ 242 \ -42 end right),dots, $$ $$ Y_=left( begin \ \ end right), Y_=AY_=left( begin \ \ end right) $$ Смотрим на отношения первых элементов векторов: $$ begin K & 1 & 2 & 3 & 4 & 5 & dots & 15 & dots & 19 \ hline y_^/y_^ & 2 & 13 & 6.153846 & 6.8 & 7.180147 & dots & 6.900726 & dots & mathbf_ end $$ Далее, в соответствии со следствием, собственный вектор, принадлежащий найденному числу $$ approx left[1, frac<y_^><y_^>,frac<y_^><y_^>right]^<^> approx left[1, 1.51070_, -0.368902 right]^<^> $$ ♦

Теперь обсудим исключительные случаи алгоритма.

1. Нарушение сходимости итерационного процесса за счет неудачного выбора стартового вектора. Если в качестве $ Y_ $ оказался случайно взят собственный вектор $ mathfrak X_ $ матрицы $ A_ $, принадлежащий произвольному ее собственному числу $ lambda_ $, то предел последовательности из теоремы будет равен именно этому числу; если при этом $ |lambda_ | ne max_ | lambda_j | $, то мы выйдем за пределы смысла выражения «как правило». Понятно, что вероятность настолько плохого выбора нулевая, но и выбор $ Y_0 $ вблизи $ mathfrak X_ $ также может существенно замедлить скорость сходимости. Поэтому если возникает ситуация медленной «стабилизации» значащих цифр в десятичном приближении собственного числа, попробуйте сменить начальный вектор.

2. Нарушение условия предположения , выдвинутого в начале пункта: максимальное по модулю собственное число неединственно.

Пример. Найти максимальное по модулю собственное число матрицы примера Леверье

$$ A=left(begin -5.509882&1.870086&0.422908&0.008814 \ 0.287865&-11.811654&5.711900&0.058717 \ 0.049099&4.308033&-12.970687&0.229326 \ 0.006235&0.269851&1.397369&-17.596207 end right) . $$

Решение. Для столбца $ Y_0=[1,0,0,0]^<^> $ имеем $$y_^/y_^=-17.8_ ,$$ т.е. на $ 100 $-й итерации получаем лишь $ 3_ $ истинные десятичные цифры в представлении собственного числа. При этом компонентами векторов $ Y_ $ являются числа порядка $ 10^ $. Если мы посмотрим на ответ примера Леверье, то увидим, что имеются два собственных числа матрицы, близких по модулю. ♦

К сожалению, вероятность того факта, что у случайно выбранной матрицы два ее собственных числа будут иметь одинаковый модуль становится ненулевой если эта матрица выбирается из множества вещественных матриц. Дело в том, что в этом случае ее характеристический полином будет иметь вещественные коэффициенты, а мнимые корни такого полинома всегда пáрные — для любого невещественного корня $ lambda_^ $ полинома, комплексно сопряженное к нему число $ overline<lambda_> $ также будет корнем. При этом $ |lambda_|= |overline<lambda_> | $.

Пример. Для матрицы

Предположение 2 . Пусть два максимальных по модулю собственных числа матрицы разнесены по величине, например $$ |lambda_1| > | lambda_2 | > | lambda_ j | quad npu j in . $$

Обобщение степенного метода основывается на использовании последовательностей из каких-то двух компонент векторов $ Y_=AY_K $, например, наряду с уже использованной выше последовательностью первых компонент $$y_^,y_^,dots,y_^,dots $$ возьмем еще и аналогичную для вторых: $$y_^,y_^,dots,y_^,dots $$

Теорема 26 [Эйткен]. При практически любом выборе стартового вектора $ Y_0 ne mathbb O $ для последовательности

Доказательство. Построим квадратное уравнение $$ p_0x^2+p_1x+p_2 = 0 $$ имеющее корнями $ lambda_1 $ и $ lambda_2 $. Если существует базис рпостранства $ mathbb C^n $ $$Y_0=alpha_1_1+alpha_2_2+dots+alpha_n_n .$$ Тогда последовательным домножением на матрицу $ A_ $ получаем : $$begin Y_K=& alpha_1 lambda_1^K_1 &+alpha_2 lambda_2^K_2+dots &+alpha_nlambda_n^K_n, \ Y_=& alpha_1 lambda_1^_1 &+alpha_2 lambda_2^_2+dots &+alpha_nlambda_n^_n,\ Y_=& alpha_1 lambda_1^_1 & +alpha_2 lambda_2^_2+dots &+alpha_nlambda_n^_n. end $$ Отбрасываем из правых частей равенств слагаемые порядков возрастания ниже, чем $ lambda_2^K, lambda_2^, lambda_2^ $ соответственно, домножаем получившиеся приближенные равенства $$begin Y_K & approx alpha_1 lambda_1^K_1 &+alpha_2 lambda_2^K_2, & color times p_2 \ Y_& approx alpha_1 lambda_1^_1 &+alpha_2 lambda_2^_2, & color times p_1\ Y_ & approx alpha_1 lambda_1^_1 & +alpha_2 lambda_2^_2, & color times p_0 end $$ и складываем: $$ p_2 Y_K + p_1Y_ + p_0 Y_ approx mathbb O , . $$ В получившемся векторном равенстве выбираем первые две компоненты: $$ left< begin p_2 y_1^ + p_1 y_1^ + p_0 y_1^ approx 0 , , \ p_2 y_2^ + p_1 y_2^ + p_0 y_2^ approx 0 , , end right. $$ которые и позволят определить приближенное значение набора $ p_0,p_1,p_2 $. С точностью до числового сомножителя, искомый полином можно представить в виде определителя $$ p_0x^2+p_1x+p_2 approx left|begin y_1^ & y_1^ & y_1^ \ y_2^ & y_2^ & y_2^ \ 1 & x & x^2 end right| , . $$ Формулы Виета завершат доказательство. ♦

При выполнении условия предположения 2 имеет место равенство

Пример. Для матрицы

$$ A=left(begin 2 & 3 &-1\ 7 & 3 & 3 \ -1 & -2 & 4 end right) $$ найти первые два по порядку убывания модулей собственных числа.

Задачи

Источники

[2]. Уилкинсон Дж.Х. Алгебраическая проблема собственных значений. М.Наука. 1970, с.93-94

[3]. Фаддеев Д.К., Фаддеева В.Н. Вычислительные методы линейной алгебры. М.ГИФМЛ. 1960

[4]. Хорн Р., Джонсон Ч. Матричный анализ. М.Мир.1989

Учебное пособие: Численное решение алгебраических проблем собственных значений

Численное решение алгебраических проблем собственных значений: степенной метод.

Выбор наиболее эффективного метода определения собственных значений и собственных векторов для конкретной инженерной задачи зависит от ряда факторов, таких, как тип уравнений, число искомых собственных значений и их характер. Различают полную (алгебраическую) проблему собственных значений, предполагающую нахождение всех собственных пар матрицы А, и частичную проблему собственных значений, состоящую как правило, в нахождении одного или нескольких собственных чисел λ и, соответствующих им собственных векторов v. Достаточно часто возникают задачи поиска наибольшего и наименьшего по модулю собственных значений квадратной матрицы – знание таких характеристик матрицы позволяют, например, делать заключения о сходимости итерационных процессов, оптимизировать параметры итерационных методов, учитывать влияние на результаты решения алгебраических задач погрешностей исходных данных. Другой пример: имеется матрица размера 5000*5000, в каждой строке которой содержится порядка десяти отличных от нуля элементов (разреженная матрица), и требуется найти только несколько, может быть, четыре или пять, собственных значений. Нахождение всех собственных пар разреженной матрицы представляет собой достаточно сложную вычислительную проблему.

Итерационные методы позволяют находить собственные значения и векторы, минуя процедуру построения характеристического полинома. Отличительной чертой этих методов является то, что собственные значения находятся лишь после определения собственных векторов. Рассмотрим метод, который позволяет найти наибольшее по модулю собственное значение матрицы и соответствующий собственный вектор — степенной метод.

Классическим методом, который иногда оказывается полезным для больших разреженных систем, хотя и страдает серьезными недостатками, является степенной метод. Предположим, что собственные значения Численные методы нахождения собственных значений и собственных векторов матрицматрицы Численные методы нахождения собственных значений и собственных векторов матрицвещественны и удовлетворяют условию

Численные методы нахождения собственных значений и собственных векторов матриц(1)

При заданном векторе Численные методы нахождения собственных значений и собственных векторов матрицрассмотрим последовательность

Численные методы нахождения собственных значений и собственных векторов матриц(2)

Предположим, что матрица Численные методы нахождения собственных значений и собственных векторов матрицимеет n линейно независимых собственных векторов Численные методы нахождения собственных значений и собственных векторов матрицсоответствующих собственным значениям Численные методы нахождения собственных значений и собственных векторов матриц(это имеет место, например, в случае симметричной матрицы А). Разложим Численные методы нахождения собственных значений и собственных векторов матрицпо собственным векторам:

Численные методы нахождения собственных значений и собственных векторов матриц

Пусть Численные методы нахождения собственных значений и собственных векторов матриц, тогда, учитывая (2):

Численные методы нахождения собственных значений и собственных векторов матриц

Разделим обе части равенства на λ1 k ≠ 0.

Численные методы нахождения собственных значений и собственных векторов матриц

В силу (1) все множители Численные методы нахождения собственных значений и собственных векторов матрицстремятся к нулю при k→ ∞ и вектор Численные методы нахождения собственных значений и собственных векторов матрицпо направлению приближается к собственному вектору Численные методы нахождения собственных значений и собственных векторов матриц:

Численные методы нахождения собственных значений и собственных векторов матрицпри k→ ∞, (4)

Если Численные методы нахождения собственных значений и собственных векторов матриц, то норма вектора Численные методы нахождения собственных значений и собственных векторов матрицбудет при этом стремиться к нулю, либо неограниченно возрастать, если Численные методы нахождения собственных значений и собственных векторов матриц. На практике вычисляемые векторы нормируют на каждой итерации, а в качестве критерия окончания процесса используют условие:

Численные методы нахождения собственных значений и собственных векторов матриц.

Формульно-словесное описание метода:

1. Выбираем Численные методы нахождения собственных значений и собственных векторов матриц: Численные методы нахождения собственных значений и собственных векторов матриц, k=0, ε – точность вычисления компонент собственного вектора

3. Вычисляем Численные методы нахождения собственных значений и собственных векторов матриц

4. Ищем координату Численные методы нахождения собственных значений и собственных векторов матриц: Численные методы нахождения собственных значений и собственных векторов матриц

5. Образуем вектор Численные методы нахождения собственных значений и собственных векторов матриц

6. Если Численные методы нахождения собственных значений и собственных векторов матриц, то собственным значением является Численные методы нахождения собственных значений и собственных векторов матриц;

Численные методы нахождения собственных значений и собственных векторов матриц= Численные методы нахождения собственных значений и собственных векторов матриц; в противном случае перейти к п. 2.

Существует модификация степенного метода, которая отличается от предыдущего алгоритма критерием остановки итерационного процесса.

Формульно-словесное описание метода:

1. Выбираем Численные методы нахождения собственных значений и собственных векторов матриц: Численные методы нахождения собственных значений и собственных векторов матриц, k=0, ε – точность вычисления максимального по модулю собственного значения, Численные методы нахождения собственных значений и собственных векторов матриц— некоторый допуск (близость к нулю компонент вектора Численные методы нахождения собственных значений и собственных векторов матриц);

3. Вычисляем Численные методы нахождения собственных значений и собственных векторов матриц;

4. Ищем координату Численные методы нахождения собственных значений и собственных векторов матриц: Численные методы нахождения собственных значений и собственных векторов матриц;

5. Образуем вектор Численные методы нахождения собственных значений и собственных векторов матриц;

6. Вычисляем Численные методы нахождения собственных значений и собственных векторов матрицдля таких i, что Численные методы нахождения собственных значений и собственных векторов матриц, где Численные методы нахождения собственных значений и собственных векторов матриц— допуск;

7. Если Численные методы нахождения собственных значений и собственных векторов матриц, то собственным значением является Численные методы нахождения собственных значений и собственных векторов матриц, где j – число индексов, для которых выполняется условие Численные методы нахождения собственных значений и собственных векторов матриц; в противном случае перейти к п. 2.

Основным достоинством степенного метода является то, что векторы Численные методы нахождения собственных значений и собственных векторов матрицполучаются только с помощью умножения матрицы на вектор (плюс некоторая работа по вычислению нормирующих множителей); никаких преобразований самой матрицы Численные методы нахождения собственных значений и собственных векторов матрицпри этом не требуется. Главный недостаток этого метода заключается в том, что он может сходиться очень медленно. Скорость сходимости в первую очередь определяется отношением Численные методы нахождения собственных значений и собственных векторов матриц. Если это отношение по модулю близко к 1, что характерно для многих практических задач, то сходимость будет медленной.

Степенной метод имеет и другие недостатки. Если имеется несколько собственных значений с максимальным модулем, например Численные методы нахождения собственных значений и собственных векторов матриц(а так всегда бывает в случае вещественной матрицы с доминирующей парой комплексно-сопряженных собственных значений), то итерационная последовательность (2) вообще не сходится.

Задание на лабораторную работу

Цель работы: изучение степенных методов расчета максимального по модулю собственного значения и соответствующего собственного вектора квадратной матрицы.

1. Ознакомиться со степенным методом вычисления максимального по модулю собственного значения матрицы A и его модификациями.

2. Составить и отладить программы, рассчитывающие максимальное по модулю собственное значение и соответствующий ему собственный вектор матрицы А произвольной.

3. Элементы матрицы А должны считываться из файла, точность расчета ε вводится с клавиатуры.

4. При проверке работоспособности программ для n=2 и n=3 выполнить ручной расчет собственных значений и собственных векторов матрицы А.

5. Нахождение собственных векторов и собственных значений следует провести, используя самостоятельно составленные и предложенные ниже тестовые примеры:

Численные методы нахождения собственных значений и собственных векторов матриц, Численные методы нахождения собственных значений и собственных векторов матриц,Численные методы нахождения собственных значений и собственных векторов матриц.

6. При заданной точности расчета ε фиксировать выполненное число итераций k.

7. Составить отчет, который должен содержать следующие разделы:

— описание степенного метода и его модификаций

— описание исходных данных

— результаты расчетов тестовых примеров с использованием разработанных программ;

— анализ полученных результатов, выводы по работе;

1. Вержбицкий В.М. Основы численных методов: Учебник для вузов. – М.: Высш. шк., 2002. – 840с.

2. Волков Е.А. Численные методы: Учебное пособие. – 3-е изд., испр. – СПб: Лань, 2004. – 248с.

3. Кетков Ю.Л. MATLAB 6: программирование численных методов. – СПб.: БВХ-Петербург, 2004. – 672с.

4. Турчак Л.И. Основы численных методов: Учебное пособие. – М.: Наука. Гл. ред. физ.-мат. лит., 1987. – 320с.

Поделиться или сохранить к себе:
Название: Численное решение алгебраических проблем собственных значений
Раздел: Рефераты по математике
Тип: учебное пособие Добавлен 10:50:53 26 февраля 2010 Похожие работы
Просмотров: 1161 Комментариев: 18 Оценило: 2 человек Средний балл: 5 Оценка: неизвестно Скачать