Найти ортонормированный базис собственных векторов и матрицу в этом базисе

104. Построение ортонормированного базиса из собственных векторов самосопряженного оператора

1) Составить характеристическое уравнение линейного оператора |A — l.E| = 0.

2) Найдем все корни характеристического уравнения.

3) Вычислим собственные векторы линейного оператора A, решая матричное уравнение (A — l.E)X=0.

4) Ортонормируем, полученный базис.

Пример. Линейный оператор A, действующий в евклидовом пространстве Е3, имеет в ортонормированном базисе E1, E2, E3 матрицу

Найти ортонормированный базис собственных векторов и матрицу в этом базисе.

Найти в Е3 ортонормированный базис из собственных векторов оператора A и составить матрицу оператора A в этом базисе.

Решение. 1) Составить характеристическое уравнение линейного оператора |A — l.E| = 0.

Найти ортонормированный базис собственных векторов и матрицу в этом базисе

2) Найдем все корни характеристического уравнения: l1=-1, l2 = l3 = 1. Тогда матрица линейного оператора в ортонормированном базисе, составленном из собственных векторов имеет вид

Найти ортонормированный базис собственных векторов и матрицу в этом базисе.

3) Вычислим собственные векторы линейного оператора A, решая матричное уравнение (A — l.E)X=0.

Пусть l1=-1. Матричное уравнение (A — l1E)X=0 принимает вид:

Найти ортонормированный базис собственных векторов и матрицу в этом базисе

Пусть l2 = l3 = 1. Матричное уравнение (A — l1E)X=0 принимает вид:

Найти ортонормированный базис собственных векторов и матрицу в этом базисе

4) Ортонормируем, полученный базис.

B1 = (1,-2,1), B2 = (2,1,0), B3 = A3 + k b2, Найти ортонормированный базис собственных векторов и матрицу в этом базисе, b3 =(-1/5, 2/5, 1/5).

Найти ортонормированный базис собственных векторов и матрицу в этом базисе.

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

Собственные значения и собственные векторы матрицы (4)

Собственные числа и собственные векторы линейного оператора

Определение . Ненулевой вектор x называется собственным вектором оператора A , если оператор A переводит x в коллинеарный ему вектор, то есть A· x = λ· x . Число λ называется собственным значением или собственным числом оператора A, соответствующим собственному вектору x .
Отметим некоторые свойства собственных чисел и собственных векторов.
1. Любая линейная комбинация собственных векторов x 1, x 2, . x m оператора A , отвечающих одному и тому же собственному числу λ, является собственным вектором с тем же собственным числом.
2. Собственные векторы x 1, x 2, . x m оператора A с попарно различными собственными числами λ1, λ2, …, λm линейно независимы.
3. Если собственные числа λ12= λm= λ, то собственному числу λ соответствует не более m линейно независимых собственных векторов.

Итак, если имеется n линейно независимых собственных векторов x 1, x 2, . x n, соответствующих различным собственным числам λ1, λ2, …, λn, то они линейно независимы, следовательно, их можно принять за базис пространства Rn. Найдем вид матрицы линейного оператора A в базисе из его собственных векторов, для чего подействуем оператором A на базисные векторы: Найти ортонормированный базис собственных векторов и матрицу в этом базисетогда Найти ортонормированный базис собственных векторов и матрицу в этом базисе.
Таким образом, матрица линейного оператора A в базисе из его собственных векторов имеет диагональный вид, причем по диагонали стоят собственные числа оператора A.
Существует ли другой базис, в котором матрица имеет диагональный вид? Ответ на поставленный вопрос дает следующая теорема.

Теорема. Матрица линейного оператора A в базисе < ε i> (i = 1..n) имеет диагональный вид тогда и только тогда, когда все векторы базиса — собственные векторы оператора A.

Видео:Доказать, что векторы a, b, c образуют базис и найти координаты вектора d в этом базисеСкачать

Доказать, что векторы a, b, c образуют базис и найти координаты вектора d в этом базисе

Правило отыскания собственных чисел и собственных векторов

Система (1) имеет ненулевое решение, если ее определитель D равен нулю

Найти ортонормированный базис собственных векторов и матрицу в этом базисе

Пример №1 . Линейный оператор A действует в R3 по закону A· x =(x1-3x2+4x3, 4x1-7x2+8x3, 6x1-7x2+7x3), где x1, x2, . xn — координаты вектора x в базисе e 1=(1,0,0), e 2=(0,1,0), e 3=(0,0,1). Найти собственные числа и собственные векторы этого оператора.
Решение. Строим матрицу этого оператора:
A· e 1=(1,4,6)
A· e 2=(-3,-7,-7)
A· e 3=(4,8,7)
Найти ортонормированный базис собственных векторов и матрицу в этом базисе.
Составляем систему для определения координат собственных векторов:
(1-λ)x1-3x2+4x3=0
x1-(7+λ)x2+8x3=0
x1-7x2+(7-λ)x3=0
Составляем характеристическое уравнение и решаем его:

Найти ортонормированный базис собственных векторов и матрицу в этом базисе

Пример №2 . Дана матрица Найти ортонормированный базис собственных векторов и матрицу в этом базисе.
1. Доказать, что вектор x =(1,8,-1) является собственным вектором матрицы A. Найти собственное число, соответствующее этому собственному вектору.
2. Найти базис, в котором матрица A имеет диагональный вид.

Решение находим с помощью калькулятора.
1. Если A· x =λ· x , то x — собственный вектор

Найти ортонормированный базис собственных векторов и матрицу в этом базисе

Найти ортонормированный базис собственных векторов и матрицу в этом базисе

Найти ортонормированный базис собственных векторов и матрицу в этом базисе

Определение . Симметрической матрицей называется квадратная матрица, в которой элементы, симметричные относительно главной диагонали, равны, то есть в которой ai k =ak i .

Замечания .

  1. Все собственные числа симметрической матрицы вещественны.
  2. Собственные векторы симметрической матрицы, соответствующие попарно различным собственным числам, ортогональны.

В качестве одного из многочисленных приложений изученного аппарата, рассмотрим задачу об определении вида кривой второго порядка.

Видео:Собственные векторы и собственные значения матрицыСкачать

Собственные векторы и собственные значения матрицы

Ортогональный и ортонормированный базисы евклидова пространства

Так как евклидово пространство является линейным, на него переносятся все понятия и свойства, относящиеся к линейному пространству, в частности, понятия базиса и размерности.

Базис [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] евклидова пространства называется ортогональным , если все образующие его векторы попарно ортогональны, т.е.

Базис [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] евклидова пространства называется ортонормированным , если его векторы попарно ортогональны и длина каждого из них равна единице:

Теорема 8.5. В конечномерном евклидовом пространстве любую систему ортогональных (ортонормированных) векторов можно дополнить до ортогонального (ортонормированного) базиса.

В самом деле, по теореме 8.2 любую систему линейно независимых векторов, в частности, ортогональную (ортонормированную), можно дополнить до базиса. Применяя к этому базису процесс ортогонализации, получаем ортогональный базис. Нормируя векторы этого базиса (см. пункт 4 замечаний 8.11), получаем ортонормированный базис.

Видео:Собственные значения и собственные векторыСкачать

Собственные значения и собственные векторы

Выражение скалярного произведения через координаты сомножителей

Пусть [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] — базис евклидова пространства, в котором векторы [math]mathbf[/math] и [math]mathbf[/math] имеют координаты [math]x_1,x_2,ldots,x_n[/math] и [math]y_1,y_2,ldots,y_n[/math] соответственно, т.е.

Выразим скалярное произведение, используя следствие 3 из аксиом скалярного произведения:

Преобразуем это выражение, используя операции с матрицами:

y=begin y_1&cdots& y_n end^T[/math] — координатные столбцы векторов [math]mathbf[/math] и [math]mathbf[/math] , a [math]G(mathbf_1,mathbf_2,ldots, mathbf_n)[/math] — квадратная симметрическая матрица, составленная из скалярных произведений

которая называется матрицей Грама системы векторов [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] .

Видео:Базис и матрица перехода. Координаты вектора в разных базисах.Скачать

Базис и матрица перехода. Координаты вектора в разных базисах.

Преимущества ортонормированного базиса

Для ортонормированного базиса [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] формула (8.32) упрощается, так как из условия (8.31) следует, что матрица Грама [math]G(mathbf_1, mathbf_2,ldots,mathbf_n)[/math] ортонормированной системы [math]mathbf_1, mathbf_2,ldots, mathbf_n[/math] равна единичной матрице: [math]G(mathbf_1, mathbf_2,ldots,mathbf_n)=E[/math] .

1. В ортонормированном базисе [math]mathbf_1,mathbf_2,ldots, mathbf_n[/math] скалярное произведение векторов [math]mathbf[/math] и [math]mathbf[/math] находится по формуле: [math]langle mathbf,mathbfrangle= x_1y_1+x_2y_2+ldots+x_ny_n[/math] , где [math]x_1,ldots,x_n[/math] — координаты вектора [math]mathbf[/math] , а [math]y_1,ldots,y_n[/math] — координаты вектора [math]mathbf[/math] .

2. В ортонормированном базисе [math]mathbf_1,mathbf_2,ldots, mathbf_n[/math] длина вектора [math]mathbf[/math] вычисляется по формуле [math]|mathbf|= sqrt[/math] , где [math]x_1,ldots,x_n[/math] — координаты вектора [math]mathbf[/math] .

3. Координаты [math]x_1,ldots,x_n[/math] вектора [math]mathbf[/math] относительно ортонормированного базиса [math]mathbf_1,mathbf_2,ldots,mathbf_n[/math] находятся при помощи скалярного произведения по формулам: [math]x_1=langle mathbf,mathbf_1rangle,ldots, x_n=langle mathbf,mathbf_nrangle[/math] .

В самом деле, умножая обе части равенства [math]mathbf= x_1 mathbf_1+ldots+x_n mathbf_n[/math] на [math]mathbf_1[/math] , получаем

Аналогично доказываются остальные формулы.

Видео:Как разложить вектор по базису - bezbotvyСкачать

Как разложить вектор по базису - bezbotvy

Изменение матрицы Грама при переходе от одного базиса к другому

Пусть [math](mathbf)=(mathbf_1,ldots,mathbf_n)[/math] и [math](mathbf)= (mathbf_1,ldots,mathbf_n)[/math] — два базиса евклидова пространства [math]mathbb[/math] , a [math]S[/math] — матрица перехода от базиса [math](mathbf)[/math] к базису [math](mathbf)colon, (mathbf)=(mathbf)S[/math] . Требуется найти связь матриц Грама систем векторов [math](mathbf)[/math] и [math](mathbf)[/math]

По формуле (8.32) вычислим скалярное произведение векторов [math]mathbf[/math] и [math]mathbf[/math] в разных базисах:

где [math]mathoplimits_<(mathbf)>,, mathoplimits_<(mathbf)>[/math] и [math]mathoplimits_<(mathbf)>,, mathoplimits_<(mathbf)>[/math] — координатные столбцы векторов [math]mathbf[/math] и [math]mathbf[/math] в соответствующих базисах. Подставляя в последнее равенство связи [math]mathoplimits_<(mathbf)>= S mathoplimits_<(mathbf)>,[/math] [math]mathoplimits_<(mathbf)>= S mathoplimits_<(mathbf)>[/math] , получаем тождество

Отсюда следует формула изменения матрицы Грама при переходе от одного базиса к другому :

Записав это равенство для ортонормированных базисов [math](mathbf)[/math] и [math](mathbf)[/math] , получаем [math]E=S^TES[/math] , так как матрицы Грама ортонормированных базисов единичные: [math]G(mathbf_1,ldots,mathbf_n)= G(mathbf_1,ldots,mathbf_n)=E[/math] . Поэтому матрица [math]S[/math] перехода от одного ортонормированного базиса к другому является ортогональной: [math]S^=S^T[/math] .

Видео:§48 Ортонормированный базис евклидова пространстваСкачать

§48 Ортонормированный базис евклидова пространства

Свойства определителя Грама

Определитель матрицы (8.33) называется определителем Грама. Рассмотрим свойства этого определителя.

1. Критерий Грама линейной зависимости векторов: система векторов [math]mathbf_1,mathbf_2, ldots, mathbf_k[/math] линейно зависима тогда и только тогда, когда определитель Грама этой системы равен нулю.

Действительно, если система [math]mathbf_1, mathbf_2, ldots,mathbf_k[/math] линейно зависима, то существуют такие числа [math]x_1,x_2,ldots,x_k[/math] , не равные нулю одновременно, что

Умножая это равенство скалярно на [math]mathbf_1[/math] , затем на [math]mathbf_2[/math] и т.д. на [math]mathbf_k[/math] , получаем однородную систему уравнений [math]G(mathbf_1,mathbf_2,ldots,mathbf_k)x=o[/math] , которая имеет нетривиальное решение [math]x=beginx_1&cdots&x_k end^T[/math] . Следовательно, ее определитель равен нулю. Необходимость доказана. Достаточность доказывается, проводя рассуждения в обратном порядке.

Следствие. Если какой-либо главный минор матрицы Грама равен нулю, то и определитель Грама равен нулю.

Главный минор матрицы Грама системы [math]mathbf_1, mathbf_2,ldots,mathbf_k[/math] представляет собой определитель Грама подсистемы векторов. Если подсистема линейно зависима, то и вся система линейно зависима.

2. Определитель Грама [math]det<G (mathbf_1,mathbf_2, ldots, mathbf_k)>[/math] не изменяется в процессе ортогонализации системы векторов [math]mathbf_1,mathbf_2,ldots,mathbf_k[/math] . Другими словами, если в процессе ортогонализации векторов [math]mathbf_1,mathbf_2,ldots,mathbf_k[/math] получены векторы [math]mathbf_1,mathbf_2,ldots,mathbf_k[/math] , то

Действительно, в процессе ортогонализации по векторам [math]mathbf_1,mathbf_2, ldots,mathbf_k[/math] последовательно строятся векторы

После первого шага определитель Грама не изменяется

Выполним с определителем [math]det G(mathbf_1, mathbf_2, ldots,mathbf_k)[/math] следующие преобразования. Прибавим ко второй строке первую, умноженную на число [math](-alpha_)[/math] , а затем ко второму столбцу прибавим первый, умноженный на [math](-alpha_)[/math] . Получим определитель

Так как при этих преобразованиях определитель не изменяется, то

Значит, после второго шага в процессе ортогонализации определитель не изменяется. Продолжая аналогично, получаем после [math]k[/math] шагов:

Вычислим правую часть этого равенства. Матрица [math]G(mathbf_1,mathbf_2,ldots, mathbf_k)[/math] Грама ортогональной системы [math]mathbf_1,mathbf_2, ldots,mathbf_k[/math] векторов является диагональной, так как [math]langle mathbf_i,mathbf_jrangle=0[/math] при [math]ine j[/math] . Поэтому ее определитель равен произведению элементов, стоящих на главной диагонали:

3. Определитель Грама любой системы [math]mathbf_1,mathbf_2,ldots, mathbf_k[/math] векторов удовлетворяет двойному неравенству

Докажем неотрицательность определителя Грама. Если система [math]mathbf_1,mathbf_2, ldots, mathbf_k[/math] линейно зависима, то определитель равен нулю (по свойству 1). Если же система [math]mathbf_1,mathbf_2,ldots, mathbf_k[/math] линейно независима, то, выполнив процесс ортогонализации, получим ненулевые векторы [math]mathbf_1,mathbf_2, ldots, mathbf_k[/math] , для которых по свойству 2:

Оценим теперь скалярный квадрат [math]langle mathbf_j,mathbf_jrangle[/math] . Выполняя процесс ортого-1нализации, имеем [math]mathbf_j= mathbf_j+ alpha_mathbf_1+ ldots+ alpha_mathbf_[/math] . Отсюда

Следовательно, по свойству 2 имеем

1. Матрица Грама любой системы векторов является неотрицательно определенной, так как все ее главные миноры также являются определителями Грама соответствующих подсистем векторов и неотрицательны в силу свойства 3.

2. Матрица Грама любой линейно независимой системы векторов является положительно определенной, так как все ее угловые миноры положительны (в силу свойств 1,3), поскольку являются определителями Грама линейно независимых подсистем векторов.

3. Определитель квадратной матрицы [math]A[/math] (n-го порядка) удовлетворяет неравенству Адамара :

Действительно, обозначив [math]a_1,a_2,ldots,a_n[/math] столбцы матрицы [math]A[/math] , элементы матрицы [math]A^TA[/math] можно представить как скалярные произведения (8.27): [math]langle a_i,a_jrangle= (a_i)^Ta_j[/math] . Тогда [math]A^TA=G(a_1,a_2,ldots,a_n)[/math] — матрица Грама системы [math]a_1,a_2,ldots,a_n[/math] векторов пространства [math]mathbb^n[/math] . По свойству 3, теореме 2.2 и свойству 1 определителя получаем доказываемое неравенство:

4. Если [math]A[/math] — невырожденная квадратная матрица, то любой главный минор матрицы [math]A^TA[/math] положителен. Это следует из пункта 2, учитывая представление произведения [math]A^TA=G(a_1,ldots,a_n)[/math] как матрицы Грама системы линейно независимых векторов [math]a_1,ldots,a_n[/math] — столбцов матрицы [math]A[/math] (см. пункт 3).

Видео:Собственные векторы и собственные числа линейного оператораСкачать

Собственные векторы и собственные числа линейного оператора

Изоморфизм евклидовых пространств

Два евклидовых пространства [math]mathbb[/math] и [math]mathbb'[/math] называются изоморфными [math](mathbbleftrightarrow mathbb’)[/math] , если они изоморфны как линейные пространства и скалярные произведения соответствующих векторов равны:

где [math](cdot,cdot)[/math] и [math](cdot,cdot)'[/math] — скалярные произведения в пространствах [math]mathbb[/math] и [math]mathbb'[/math] соответственно.

Напомним, что для изоморфизма конечномерных линейных пространств необходимо и достаточно, чтобы их размерности совпадали (см. теорему 8.3). Покажем, что это условие достаточно для изоморфизма евклидовых пространств (необходимость следует из определения). Как и при доказательстве теоремы 8.3, установим изоморфизм n-мерного евклидова пространства [math]mathbb[/math] с вещественным арифметическим пространством [math]mathbb^n[/math] со скалярным произведением (8.27). В самом деле, взяв в пространстве [math]mathbb[/math] какой-нибудь ортонормированный базис [math](mathbf)=(mathbf_1,ldots,mathbf_n)[/math] , поставим в соответствие каждому вектору [math]mathbfin mathbb[/math] его координатный столбец [math]xin mathbb^n

(mathbfleftrightarrow x)[/math] . Это взаимно однозначное соответствие устанавливает изоморфизм линейных пространств: [math]mathbbleftrightarrow mathbb^n[/math] . В ортонормированном базисе скалярное произведение векторов [math]mathbf[/math] и [math]mathbf[/math] пространства [math]mathbb[/math] находится по формуле

(см. пункт 1 преимуществ ортонормированного базиса). Такое же выражение дает скалярное произведение (8.27) координатных столбцов [math]x[/math] и [math]y[/math] , т.е. скалярные произведения соответствующих элементов равны

Следовательно, евклидовы пространства [math]mathbb[/math] и [math]mathbb^n[/math] изоморфны.

Таким образом, изучение конечномерных евклидовых пространств может быть сведено к исследованию вещественного арифметического пространства [math]mathbb^n[/math] со стандартным скалярным произведением (8.27).

🔥 Видео

7 4 Собственные векторы и собственные значенияСкачать

7 4  Собственные векторы и собственные значения

Образуют ли данные векторы базисСкачать

Образуют ли данные векторы базис

Матрица линейного оператора в новом базисе. ТемаСкачать

Матрица линейного оператора в новом базисе. Тема

Найдите разложение вектора по векторам (базису)Скачать

Найдите разложение вектора по векторам (базису)

Собственные векторы и собственные значенияСкачать

Собственные векторы и собственные значения

Базис линейного пространства (01)Скачать

Базис линейного пространства (01)

Матрица перехода от одного базиса к другомуСкачать

Матрица перехода от одного базиса к другому

Жорданов базис матрицыСкачать

Жорданов базис матрицы

Координаты в новом базисеСкачать

Координаты в новом базисе

Базис линейного пространства. Матрица переходаСкачать

Базис линейного пространства. Матрица перехода

Матрица переходаСкачать

Матрица перехода

Диагональный вид матрицы. Приведение матрицы к диагональному виду. Собственные векторыСкачать

Диагональный вид матрицы.  Приведение матрицы к диагональному виду.  Собственные векторы
Поделиться или сохранить к себе: