Как найти собственные вектора матрицы wolfram mathematica

EMBED

To add the widget to iGoogle, click here. On the next page click the «Add» button. You will then see the widget on your iGoogle account.

To embed this widget in a post on your WordPress blog, copy and paste the shortcode below into the HTML source:

For self-hosted WordPress blogs

To embed this widget in a post, install the Wolfram|Alpha Widget Shortcode Plugin and copy and paste the shortcode above into the HTML source.

To embed a widget in your blog’s sidebar, install the Wolfram|Alpha Widget Sidebar Plugin, and copy and paste the Widget ID below into the «id» field:

To add a widget to a MediaWiki site, the wiki must have the Widgets Extension installed, as well as the code for the Wolfram|Alpha widget.

To include the widget in a wiki page, paste the code below into the page source.

Собственные значения (числа) и собственные векторы.
Примеры решений

Второй урок о линейных преобразованиях будет посвящён собственным числам и собственным значениям их матриц, и для более интересного чтения я рекомендую ознакомиться с первой статьёй. Однако если у вас совсем нет времени/сил/желания, то задачи этой страницы можно освоить и чисто формально. С небольшой художественной формальности я, собственно, и начну:

Рассмотрим произвольную квадратную матрицу, например, . И умножим данную матрицу справа на какой-нибудь подходящий столбец. Мне пришёл в голову вектор :

Вроде ничего примечательного – умножили матрицу на вектор-столбец и получили другой вектор-столбец . Обычная векторная жизнь. Но в обществе таких векторов существуют особые представители, которые обладают внутренним стержнем и не желают изменять себе в трудные минуты.

Умножим ту же матрицу на :

На последнем шаге вынесли константу. Что произошло? В результате умножения матрицы на вектор , данный вектор птицей Феникс возродился с числовым коэффициентом :

Определение: ненулевой вектор , который при умножении на некоторую квадратную матрицу превращается в самого же себя с числовым коэффициентом , называется собственным вектором матрицы . Число называют собственным значением или собственным числом данной матрицы.

Поскольку каждой квадратной матрице соответствует определенное линейное преобразование (в некотором базисе), то, исходя из содержательного смысла, часто говорят о собственных значениях и собственных векторах линейного преобразования.
В Википедии есть удачный геометрический пример (взгляните!), иллюстрирующий рассматриваемые понятия – на репродукции Джоконды синий вектор не меняется в результате перекоса плоскости, а значит, является собственным вектором данного линейного преобразования с коэффициентом . И из комментария к иллюстрации можно сразу узнать, что любой коллинеарный ему вектор – тоже будет собственным вектором данного линейного преобразования. Я скуп на внешние ссылки, но здесь не удержался, пожалуйста, сообщите, если эту картинку вдруг удалят.

Примеры ещё будут, примеры интересные, ну а пока что продолжаем:

В первых абзацах статьи собственный вектор был выставлен «главным действующим лицом», но на самом деле всё немного не так: говорят, что собственный вектор соответствует собственному значению . И в практических заданиях сначала разыскиваются собственные числа и только потом соответствующие им собственные векторы.

Как найти собственные значения и собственные векторы матрицы?

Проведём исследование и получим алгоритм, по которому нужно решать данную задачу. Люди, которые не очень хорошо разбираются в математике (да и которые хорошо) обычно в страхе или отвращении захлопывают учебник, когда речь заходит о каком-либо доказательстве или выводе какой-нибудь формулы. Но это не тот случай – всё будет понятно даже полному чайнику:

Найти собственные числа и собственные векторы матрицы

Перед вами та же матрица, у которой я уже выдал одно собственное значение и один собственный вектор. Давайте научимся добывать их самостоятельно!

Обозначим через неизвестный собственный вектор. Тогда матричное уравнение запишется следующим образом:

В левой части по обычному правилу проведём матричное умножение, в правой части – внесём «лямбду»:

Две матрицы равны, если равны их соответствующие элементы. Приравниваем соответствующие элементы векторов-столбцов и получаем однородную систему линейных уравнений:

Перенесём всё налево:

В первом уравнении за скобки вынесем «икс», во втором уравнении – «игрек»:

По определению, собственный вектор не может быть нулевым , поэтому нас не устраивает тривиальное решение системы. А если однородная система имеет ненулевое решение, то её уравнения линейно зависимы и определитель матрицы равен нулю:

Это так называемое характеристическое уравнение матрицы , корни которого являются собственными числами данной матрицы.

На практике, как правило, не нужно расписывать подробный вывод формулы – вполне достаточно руководствоваться формальным алгоритмом, и решение задачи можно начать примерно так:

Сначала найдём собственные значения

Составим характеристическое уравнение. Смотрим на исходную матрицу и записываем её определитель, вычитая при этом «лямбду» из чисел главной диагонали:

Раскроем определитель и решим квадратное уравнение:

Таким образом, собственные значения:

Желательно располагать их в порядке возрастания, хотя это не принципиально.

Теперь найдём собственные векторы

В данном примере получены различные собственные числа и каждому из них соответствует свои собственные векторы.

1) Рассмотрим собственное число и подставим значение в однородную систему уравнений :

Для записи системы целесообразно запомнить формальный приём: мысленно либо на черновике подставляем в определитель :
– это и есть коэффициенты системы.

Из обоих уравнений следует:

Если в ходе решения выяснилось, что линейной зависимости нет (т.е. получается только тривиальное решение, в данном примере ) – ищите ошибку! Этот признак касается всех задач рассматриваемого типа.

Итак, в нашем распоряжении есть выражение , и, придавая переменной «игрек» (либо «икс») произвольные значения, мы получаем бесконечно много собственных векторов . Все они будут коллинеарны друг другу, и поэтому нам достаточно указать один из них. Обычно стараются выбрать «красивый» вектор – чтобы его «иксовая» координата была положительной, целой и минимальной, а «игрек» не дробным.Этому эстетическому критерию соответствует значение , тогда:

Теперь обязательно проверяем, что частное решение удовлетворяет каждому уравнению системы:

Таким образом: – первый собственный вектор.

2) Найдём собственные векторы, соответствующие числу . Для этого мысленно либо на черновике подставим его в определитель и запишем вторую однородную систему:

Из обоих уравнений следует, что .

В результате: – второй собственный вектор.

Повторим важные моменты решения:

– полученная система непременно имеет общее решение (уравнения линейно зависимы);

– «игрек» подбираем таким образом, чтобы он был целым и первая «иксовая» координата – целой, положительной и как можно меньше.

– проверяем, что частное решение удовлетворяет каждому уравнению системы.

Ответ: собственные числа: , собственные векторы: .

Промежуточных «контрольных точек» было вполне достаточно, поэтому проверка равенств , в принципе, дело излишнее.

В различных источниках информации координаты собственных векторов довольно часто записывают не в столбцы, а в строки, например: (и, если честно, я сам привык записывать их строками). Такой вариант приемлем, но в свете темы линейных преобразований технически удобнее использовать векторы-столбцы.

Возможно, решение показалась вам очень длинным, но это только потому, что я очень подробно прокомментировал первый пример.

Найти собственные числа и собственные векторы матрицы

Тренируемся самостоятельно! Примерный образец чистового оформления задачи в конце урока.

Иногда требуется выполнить дополнительное задание, а именно:

записать каноническое разложение матрицы

Если собственные векторы матрицы образуют базис, то она представима в виде:

, где – матрица составленная из координат собственных векторов, – диагональная матрица с соответствующими собственными числами.

Такое разложение матрицы называют каноническим или спектральным.

Рассмотрим матрицу первого примера. Её собственные векторы линейно независимы (неколлинеарны) и образуют базис. Составим матрицу из их координат:

На главной диагонали матрицы в соответствующем порядке располагаются собственные числа, а остальные элементы равняются нулю:
– ещё раз подчёркиваю важность порядка: «двойка» соответствует 1-му вектору и посему располагается в 1-м столбце, «тройка» – 2-му вектору.

По обычному алгоритму нахождения обратной матрицы либо методом Гаусса-Жордана находим . Нет, это не опечатка! – перед вами редкое, как солнечное затмение событие, когда обратная совпала с исходной матрицей.

Осталось записать каноническое разложение матрицы :

Желающие могут перемножить три матрицы и удостовериться, что произведение равно .

Разрешив матричное уравнение относительно диагональной матрицы, можно получить другое соотношение:

Диагональную матрицу также называют матрицей линейного преобразования в базисе из собственных векторов. Если не очень понятно, то давайте вспомним заключительную часть урока о линейных преобразованиях. В ней мы выяснили, что одному и тому же линейному преобразованию в разных базисах в общем случае соответствуют разные матрицы (в частности, матрицы и в нашем примере). И наиболее удобным из них как раз и является базис из собственных векторов (в случае его существования).

Более того, все матрицы конкретного линейного преобразования в одном и том же векторном пространстве имеют один и то же характеристический многочлен, из-за чего характеристическое уравнение, вероятно, и получило своё название.

Так, легко убедиться, что характеристическое уравнение матрицы :

– совпадает с характеристическим уравнением матрицы , которое мы получили в 1-м примере.

Однако такой удобный базис существует далеко не всегда:

Найти каноническое разложение матрицы

Решение: найдем собственные значения. Составим и решим характеристическое уравнение:

– получены кратные собственные числа.

Мысленно либо на черновике подставим в определитель и запишем однородную систему линейных уравнений:

Очевидно, «игрек» равен нулю: (иначе в первом уравнении получится неверное равенство). За «икс» можно принять любое ненулевое значение, в хорошем стиле положим, что . Не ленимся и проверяем, что эта пара значений удовлетворяет каждому уравнению системы!

Таким образом, кратным собственным числам соответствует одно множество коллинеарных друг другу собственных векторов в «лице» вектора , и поэтому канонического разложения матрицы не существует.

Почему? Потому что невозможно записать матрицу , которая должна состоять из двух линейно независимых собственных векторов. Размерность вектора равна двум («икс» и «игрек»), но сам-то вектор – один-одинёшенек. Коллинеарный товарищ, например , в пару не годится (хотя бы по той причине, что и обратной матрицы попросту не существует).

У рассмотренного примера есть простое геометрическое объяснение: матрица определяет не что иное, как «перекос Джоконды», у которого существует лишь одно множество коллинеарных друг другу собственных векторов, которые это линейное преобразование переводит в коллинеарные исходным, причём равные векторы (коль скоро, )

Ответ: собственные векторы не образуют базиса, поэтому требуемое разложение неосуществимо.

Обратите внимание на корректность и точность ответа – нас никто не спрашивал о собственных значениях и собственных векторах. Кстати, об условии – его могут сформулировать и коварно: записать матрицу линейного преобразования в базисе из собственных векторов. Коварство состоит в том, что здесь можно найти собственные числа и машинально дать нелегальный ответ . Но базиса-то не существует!

И сейчас назрели важные вопросы:

Сколько у матрицы собственных чисел и собственных векторов?

Ну, во-первых (вроде не говорил), эти понятия определены только для квадратных матриц.

И с собственными числами всё просто:

у матрицы существует ровно собственных значений.

Могут ли они быть комплексными? Запросто. Простейший пример: – матрица поворота декартовой системы координат против часовой стрелки на угол , отличный от 180 и 360 градусов. Возьмём «школьный» угол в 30 градусов, запишем соответствующую матрицу поворота и составим характеристическое уравнение:

Оно имеет сопряжённые комплексные корни , и дальнейшее решение показывает, что у рассматриваемого преобразования нет действительных собственных векторов. И это очевидно – при повороте на 30 градусов любой ненулевой вектор отображается в неколлинеарный ему вектор.

Случай второй, самый распространённый. Собственные числа матрицы действительны и различны (как, например, в Примерах 1, 2). Такое линейное преобразование имеет ровно собственных линейно независимых векторов, и его недиагональную матрицу всегда можно записать в виде .

Случай третий, самый интересный. Среди собственных чисел есть кратные, или же только кратные, как в Примере 3. В этих случаях неколлинеарных собственных векторов может оказаться… сколько угодно! Меньше, чем собственных чисел (Пример 3). Может оказаться ровно штук, и тогда будет существовать разложение .

А может – вообще бесконечно много! Например, при повороте плоскости на 180 градусов. Ему соответствует матрица с характеристическим уравнением с кратными собственными числами ; и, продолжая стандартное решение, мы приходим к симпатичной системе , которой удовлетворяют координаты вообще любого вектора. Таким образом, любой ненулевой вектор этого преобразования является собственным! Оно и неудивительно – ведь при повороте на 180 градусов любой ненулевой вектор отображается в коллинеарный и противоположно направленный вектор, например:
, и, вынося собственное число из столбца: , мы окончательно убеждаемся, что – есть собственный вектор.

Следует отметить, что этот поворот – частный случай преобразования подобия, и у подобия, к слову, тоже любой ненулевой вектор собственный. Коэффициент же подобия – есть не что иное, как соответствующее собственное значение, в частности, при все геометрические объекты сохраняют свои размеры неизменными

Однако не будем слишком увлекаться геометрией – ведь в термины вектор, базис и др. вкладывается, прежде всего, алгебраический смысл. Собственные векторы и собственные значения используются во многих математических задачах, моделях, но мы не будем увлекаться и ими 🙂 – сейчас важно освоить техническую сторону вопроса.

И задачи с матрицей «три на три» отличаются бОльшей технической сложностью:

Найти собственные векторы линейного преобразования, заданного матрицей

Решение: такая формулировка задачи смущать не должна – ведь это и есть «генеральная линия партии». Энтузиасты могут провести самостоятельные выкладки по аналогии с Примером № 1, я же ограничусь «рабочим» решением примера.

По условию требуется найти собственные векторы, но алгоритм таков, что в первую очередь всё равно нужно найти собственные числа.

Вычтем «лямбду» из всех чисел главной диагонали матрицы и составим её характеристическое уравнение:

Определитель раскроем по первому столбцу:

На этом месте немного притормозим и познакомимся с очень полезным техническим приёмом, который значительно упростит дальнейшую жизнь. Практически во всех методических пособиях вам будет предложено раскрыть все скобки, получить слева многочлен 3-й степени, затем подбором найти корень и стать жертвой долгих мытарств, описанных в Примере № 1 урока Сложные пределы. За годы практики я отработал рациональную схему, позволяющую избежать этих неприятностей:

Сначала представим в виде произведения «хвост» левой части:

Выполненное действие не привело к заметному результату.

Поэтому пробуем разложить на множители квадратный трёхчлен . Решив квадратное уравнение, получаем .

Вынесем за скобку и проведём дальнейшие упрощения:

Решаем ещё одно квадратное уравнение, в итоге:

Это была самая длинная ветка алгоритма, в большинстве случаев произведение получается значительно быстрее.

Собственные значения всегда стараемся расположить в порядке возрастания:

Найдем собственные векторы:

1) Мысленно либо на черновике подставим значение в определитель , с которого «снимем» коэффициенты однородной системы:

Систему можно решить с помощью элементарных преобразований и в следующих примерах мы прибегнем к данному методу. Но здесь гораздо быстрее срабатывает «школьный» способ. Из 3-го уравнения выразим: – подставим во второе уравнение:

Поскольку первая координата нулевая, то получаем систему , из каждого уравнения которой следует, что .

И снова обратите внимание на обязательное наличие линейной зависимости. Если получается только тривиальное решение , то либо неверно найдено собственное число, либо с ошибкой составлена / решена система.

Компактные координаты даёт значение

И ещё раз – проверяем, что найденное решение удовлетворяет каждому уравнению системы. В последующих пунктах и в последующих задачах рекомендую принять данное пожелание за обязательное правило.

2) Для собственного значения по такому же принципу получаем следующую систему:

Из 2-го уравнения системы выразим: – подставим в третье уравнение:

Поскольку «зетовая» координата равна нулю, то получаем систему , из каждого уравнения которой следует линейная зависимость .

Проверяем, что решение удовлетворяет каждому уравнению системы.

Таким образом, собственный вектор: .

3) И, наконец, собственному значению соответствует система:

Второе уравнение выглядит самым простым, поэтому из него выразим и подставим в 1-е и 3-е уравнение:

Всё хорошо – выявилась линейная зависимость , которую подставляем в выражение :

В результате «икс» и «игрек» оказались выражены через «зет»: . На практике не обязательно добиваться именно таких взаимосвязей, в некоторых случаях удобнее выразить и через либо и через . Или даже «паровозиком» – например, «икс» через «игрек», а «игрек» через «зет»

Проверяем, что найденное решение удовлетворяет каждому уравнению системы и записываем третий собственный вектор

Ответ: собственные векторы:

Геометрически эти векторы задают три различных пространственных направления («туда-обратно»), по которым линейное преобразование переводит ненулевые векторы (собственные векторы) в коллинеарные им векторы.

Если бы по условию требовалось найти каноническое разложение , то здесь это возможно, т. к. различным собственным числам соответствуют разные линейно независимые собственные векторы. Составляем матрицу из их координат, диагональную матрицу из соответствующих собственных значений и находим обратную матрицу .

Если же по условию нужно записать матрицу линейного преобразования в базисе из собственных векторов, то просто указываем матрицу . Внимательно читайте, что требует условие той или иной задачи!

Задача с более простыми вычислениями для самостоятельного решения:

Найти собственные векторы линейного преобразования, заданного матрицей

При нахождении собственных чисел постарайтесь не доводить дело до многочлена 3-й степени. Системы можно решать разными путями – здесь нет однозначности, а векторы, которые вы укажите, могут отличаться от векторов в образце с точностью до пропорциональности их соответствующих координат. Например, и . Эстетичнее представить ответ в виде , но ничего страшного, если остановитесь и на втором варианте. Однако всему есть разумные пределы, версия смотрится уже не очень хорошо.

Примерный чистовой образец оформления задания в конце урока.

Как решать задачу в случае кратных собственных чисел?

Общий алгоритм остаётся прежним, но здесь есть свои особенности, и некоторые участки решения целесообразно выдержать в более строгом академичном стиле:

Найти собственные числа и собственные векторы

Решение: составим и решим характеристическое уравнение:

Конечно же, оприходуем сказочный первый столбец:

И, после разложения квадратного трёхчлена на множители:

В результате получены собственные числа , два из которых кратны.

Найдем собственные векторы:

1) С одиноким солдатом разделаемся по «упрощённой» схеме:

Из последних двух уравнений четко просматривается равенство , которое, очевидно, следует подставить в 1-е уравнение системы:

Лучшей комбинации не найти:
Собственный вектор:

2-3) Теперь снимаем пару часовых. В данном случае может получиться либо два, либо один собственный вектор. Невзирая на кратность корней, подставим значение в определитель , который приносит нам следующую однородную систему линейных уравнений:

Собственные векторы – это в точности векторы
фундаментальной системы решений

Собственно, на протяжении всего урока мы только и занимались тем, что находили векторы фундаментальной системы. Просто до поры до времени данный термин особо не требовался. Кстати, те ловкие студенты, которые в маскхалатах проскочили тему однородных уравнений, будут вынуждены вкурить её сейчас.

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

Единственное действие состояло в удалении лишних строк. В результате получена матрица «один на три» с формальной «ступенькой» посередине.
– базисная переменная, – свободные переменные. Свободных переменных две, следовательно, векторов фундаментальной системы тоже два.

Выразим базисную переменную через свободные переменные: . Нулевой множитель перед «иксом» позволяет принимать ему совершенно любые значения (что хорошо видно и из системы уравнений).

В контексте данной задачи общее решение удобнее записать не в строку, а в столбец:

Паре соответствует собственный вектор:
Паре соответствует собственный вектор:

Примечание: искушенные читатели могут подобрать данные векторы и устно – просто анализируя систему , но тут нужны некоторые знания: переменных – три, ранг матрицы системы – единица, значит, фундаментальная система решений состоит из 3 – 1 = 2 векторов. Впрочем, найденные векторы отлично просматриваются и без этих знаний чисто на интуитивном уровне. При этом даже «красивее» запишется третий вектор: . Однако предостерегаю, в другом примере простого подбора может и не оказаться, именно поэтому оговорка предназначена для опытных людей. Кроме того, а почему бы не взять в качестве третьего вектора, скажем, ? Ведь его координаты тоже удовлетворяют каждому уравнение системы, и векторы линейно независимы. Такой вариант, в принципе, годен, но «кривоват», поскольку «другой» вектор представляет собой линейную комбинацию векторов фундаментальной системы.

Ответ: собственные числа: , собственные векторы:

Аналогичный пример для самостоятельного решения:

Найти собственные числа и собственные векторы

Примерный образец чистового оформления в конце урока.

Следует отметить, что и в 6-м и в 7-м примере получается тройка линейно независимых собственных векторов, и поэтому исходная матрица представима в каноническом разложении . Но такая малина бывает далеко не во всех случаях:

Найти собственные числа и собственные векторы матрицы

Решение: составим и решим характеристическое уравнение:

Определитель раскроем по первому столбцу:

Дальнейшие упрощения проводим согласно рассмотренной методике, избегая многочлена 3-й степени:

Найдем собственные векторы:

1) С корнем затруднений не возникает:

Не удивляйтесь, помимо комплекта в ходу также переменные – разницы тут никакой.

Из 3-го уравнения выразим – подставим в 1-е и 2-е уравнения:

Из обоих уравнений следует:

2-3) Для кратных значений получаем систему .

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

(1) Ко второй строке прибавили первую строку, умноженную на –2.

(2) Последние две строки одинаковы, одну из них удалили.

(3) Дальше пошла уместная доводка матрицы методом Гаусса-Жордана: к первой строке прибавили вторую строку.

(4) У первой строки сменили знак.

Переменные – базисные, переменная – свободная. Так как свободная переменная одна, то фундаментальная система решений состоит из одного вектора. И мы счастливые наблюдатели случая, когда кратным собственным числам соответствует единственный собственный вектор. Записываем в столбец общее решение системы: , и, задавая свободной переменной значение , получаем нашего героя:

Ответ: собственные числа: , собственные векторы: .

Здесь матрицу нельзя представить виде – по той простой причине, что «собственного» базиса не существует – хоть трёхмерные векторы-столбцы и линейно независимы, но самих-то их всего лишь два. Недобор.

Шестое чувство мне подсказывает, что многие воодушевились на задание повышенной сложности:

Найти собственные числа и собственные векторы матрицы

Можно ли записать каноническое разложение этой матрицы?

Не беда, если дело застопорилось, в психотерапевтических целях отложите тетрадь с решением на чёрный день. Когда заест скука – самое то =)

Решения и ответы:

Пример 2: Решение: Найдем собственные значения. Составим и решим характеристическое уравнение:

– собственные значения.
Найдем собственные векторы:
1)

Пусть
– собственный вектор.
2)

Пусть
– собственный вектор.
Ответ: собственные значения: , собственные векторы: .

Пример 5: Решение: сначала найдем собственные числа. Составим и решим характеристическое уравнение:

Определитель раскроем по первой строке:

– собственные значения.
Найдем собственные векторы:
1)

Пусть

2)

Пусть

3)

Пусть

Ответ: собственные векторы:

Пример 7: Решение: составим и решим характеристическое уравнение:

– собственные значения.
Найдем собственные векторы:
1-2)

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

Выразим базисную переменную через свободные переменные: и запишем общее решение: . Найдём векторы фундаментальной системы, которые и являются собственными векторами матрицы:
Паре соответствует собственный вектор:
Паре соответствует собственный вектор:
Примечание: в качестве решения системы линейных уравнений напрашивается тройка , но вектор линейно выражается через векторы фундаментальной системы. Использование такого и подобных ему решений в качестве одного из собственных векторов корректно, но нестандартно.
3)

Пусть

Ответ: собственные числа: , собственные векторы:

Пример 9: Решение: Составим и решим характеристическое уравнение:

Определитель вычислим понижением порядка. К третьей строке прибавим вторую строку, умноженную на –1. К четвёртой строке прибавим вторую строку, умноженную на :

Разложим определитель по 4-му столбцу:

К третьей строке прибавим первую строку:

Собственные значения:

Найдем собственные векторы:
1)

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

(1) Первую и третью строку поменяли местами.
(2) Ко 2-й и 3-й строкам прибавили первую строку, умноженную на –1 и –2 соответственно.
(3) Вторую строку разделили на 2.
(4) К 3-й и 4-й строкам прибавили вторую строку, умноженную на –1.
(5) Последние две строки пропорциональны, третью строку удалили. У первой строки сменили знак, вторую строку умножили на 2.
(6) К первой и второй строкам прибавили третью строку.
(7) У первой строки сменили знак, последние две строки разделили на 2.
Выразив базисные переменные через свободную, запишем общее решение: . Придаём свободной переменной значение и получаем собственный вектор
2-3)

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

(1) Первая и четвёртая строки одинаковы. Вторая и третья строки одинаковы. Первую и вторую строку удалили из матрицы.
Выразим базисные переменные через свободные переменные :

Таким образом, общее решение: .
Фундаментальная система состоит из двух векторов:
при получаем ;
при получаем .

4)

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

(1) Первую и третью строку поменяли местами.
(2) Ко 2-й и 3-й строкам прибавили первую строку, умноженную на –1 и 2 соответственно.
(3) Вторую строку разделили на 2.
(4) К 3-й и 4-й строкам прибавили вторую строку.
(5) Последние две строки пропорциональны, третью строку удалили. Вторую строку умножили на –2.
(6) К первой и второй строкам прибавили третью строку.
(7) Последние две строки разделили на 2.
Общее решение: . Придаём свободной переменной значение и получаем собственный вектор .

Ответ: собственные значения: , собственные векторы:
. Перечисленные четыре четырехмерных вектора линейно независимы, и поэтому матрицу линейного преобразования можно записать в виде . Но не нужно =)

Автор: Емелин Александр

(Переход на главную страницу)

Zaochnik.com – профессиональная помощь студентам,

cкидкa 15% на первый зaкaз, при оформлении введите прoмoкoд: 5530-hihi5

Как найти собственные вектора матрицы wolfram mathematica

Matrices are represented in the Wolfram Language with lists. They can be entered directly with the < >notation, constructed from a formula, or imported from a data file. The Wolfram Language also has commands for creating diagonal matrices, constant matrices, and other special matrix types.

A matrix can be entered directly with < >notation:

You can show the result in matrix notation with MatrixForm :

expr//fun is another way of entering fun [ expr ] . It can be convenient to use it when fun is a formatting function.

This uses Table to create a grid of values in and :

Note that matrices in the Wolfram Language are not restricted to contain numbers; they can contain symbolic entries such as formulas:

When you create a matrix and save it with an assignment, take care not to combine this with formatting using MatrixForm . Use parentheses:

You can use mat in further calculations:

Suppose you do not use parentheses:

Then mat will print like a matrix but will not work in calculations like a matrix. For example, the following does not carry out matrix multiplication:

You can check the value of mat by using FullForm :

This shows that mat also includes the formatting wrapper MatrixForm , which stops it from working as a matrix.

There are functions to create a variety of special types of matrices.

This creates a 4 × 5 matrix of real values that fall between and :

This creates a matrix that only has nonzero entries on the diagonal:

This creates a matrix whose entries are all the same:

This creates a 4 × 4 Hilbert matrix; each entry is of the form :

Many linear algebra and other functions return matrices.

Here, the QR decomposition of a random 3 × 3 matrix is calculated:

This prints the Q matrix:

When Wolfram Language functions return matrices they often use an optimized storage format called packed arrays.

You can apply many common operations in the Wolfram Language to a list, and get back another list with the function mapped onto each element. This also works for matrices, which are lists of lists.

Here is a 2 × 2 matrix of squares:

This applies Sqrt to each element of the matrix:

This behavior of Sqrt is called listability, and it makes very readable and efficient code.

If a function that is not listable is used, it does not map onto each element:

You can make the function listable; now it will map onto each element:

Another important way to create a matrix is to import a data file. This can be done with tabular formats such as Table (.dat), CSV (.csv), and TSV (.tsv). A matrix can also be read from an Excel spreadsheet (.xls).

Here, ImportString is used to import a CSV formatted string into a matrix. Importing from a file is done with Import :

The Wolfram Language also supports a number of other formats including scientific and medical data formats such as HarwellBoeing, MAT, HDF, NASACDF, and FITS.

The way that you create a matrix can have an important impact on the efficiency of your programs. For the best efficiency, avoid appending to a matrix, avoid unnecessary creation operations, and use listable operations when you can.

This example repeatedly adds a new row to a matrix:

It is much faster to create the matrix in one computation. Whenever you see a For loop, try to replace it with some other construct, like Table :

The following example creates a matrix of zeros and then fills it in with a loop. The creation of a zero matrix here is completely unnecessary:

It is much faster to create data for each row of the matrix once, and then use a listable operation:

If your matrices are large and have many elements that are the same (for example, zero), then you should consider working with sparse matrices formed with SparseArray .

Найти собственные значения и собственные вектора
Найти собственные значения и собственные вектора. | -3 0 6 | | 8 2 9 | | 4 2 1 |

Как проверить, что ты верно нашел собственные числа и вектора матрицы?
Здравствуйте! Подскажите, пожалуйста, как можно проверить правильность найденных собственных чисел.

Как найти собственные значения и собственные векторы матрицы?
Дано матрица вида A=\begin

Найти собственные значения.

Как найти собственный вектор и собственное значение. Собственные числа и собственные векторы матрицы

Наиболее просто устроены матрицы диагонального вида . Возникает вопрос, нельзя ли найти базис, в котором матрица линейного оператора имела бы диагональный вид. Такой базис существует.
Пусть дано линейное пространство R n и действующий в нем линейный оператор A; в этом случае оператор A переводит R n в себя, то есть A:R n → R n .

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

Итак, если имеется n линейно независимых собственных векторов , соответствующих различным собственным числам λ 1 , λ 2 , …, λ n , то они линейно независимы, следовательно, их можно принять за базис пространства R n . Найдем вид матрицы линейного оператора A в базисе из его собственных векторов, для чего подействуем оператором A на базисные векторы: тогда .
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 (i = 1..n) имеет диагональный вид тогда и только тогда, когда все векторы базиса — собственные векторы оператора A.

Правило отыскания собственных чисел и собственных векторов

Уравнение (*) можно рассматривать как уравнение для отыскания , причем , то есть нас интересуют нетривиальные решения, поскольку собственный вектор не может быть нулевым. Известно, что нетривиальные решения однородной системы линейных уравнений существуют тогда и только тогда, когда det(A — λE) = 0. Таким образом, для того, чтобы λ было собственным числом оператора A необходимо и достаточно, чтобы det(A — λE) = 0.
Если уравнение (*) расписать подробно в координатной форме, то получим систему линейных однородных уравнений:

(1)
где — матрица линейного оператора.

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

Получили уравнение для нахождения собственных чисел.
Это уравнение называется характеристическим уравнением, а его левая часть — характеристическим многочленом матрицы (оператора) A. Если характеристический многочлен не имеет вещественных корней, то матрица A не имеет собственных векторов и ее нельзя привести к диагональному виду.
Пусть λ 1 , λ 2 , …, λ n — вещественные корни характеристического уравнения, причем среди них могут быть и кратные. Подставляя по очереди эти значения в систему (1), находим собственные векторы.

Пример 12. Линейный оператор A действует в R 3 по закону , где x 1 , x 2 , . x n — координаты вектора в базисе , , . Найти собственные числа и собственные векторы этого оператора.
Решение. Строим матрицу этого оператора:
.
Составляем систему для определения координат собственных векторов:

Составляем характеристическое уравнение и решаем его:

.
λ 1,2 = -1, λ 3 = 3.
Подставляя λ = -1 в систему, имеем:
или
Так как , то зависимых переменных два, а свободное одно.
Пусть x 1 — свободное неизвестное, тогда Решаем эту систему любым способом и находим общее решение этой системы: Фундаментальная система решений состоит из одного решения, так как n — r = 3 — 2 = 1.
Множество собственных векторов, отвечающих собственному числу λ = -1, имеет вид: , где x 1 — любое число, отличное от нуля. Выберем из этого множества один вектор, например, положив x 1 = 1: .
Рассуждая аналогично, находим собственный вектор, отвечающий собственному числу λ = 3: .
В пространстве R 3 базис состоит из трех линейно независимых векторов, мы же получили только два линейно независимых собственных вектора, из которых базис в R 3 составить нельзя. Следовательно, матрицу A линейного оператора привести к диагональному виду не можем.

Пример 13. Дана матрица .
1. Доказать, что вектор является собственным вектором матрицы A. Найти собственное число, соответствующее этому собственному вектору.
2. Найти базис, в котором матрица A имеет диагональный вид.
Решение.
1. Если , то — собственный вектор

.
Вектор (1, 8, -1) — собственный вектор. Собственное число λ = -1.
Диагональный вид матрица имеет в базисе, состоящем из собственных векторов. Один из них известен. Найдем остальные.
Собственные векторы ищем из системы:

Характеристическое уравнение: ;
(3 + λ)[-2(2-λ)(2+λ)+3] = 0; (3+λ)(λ 2 — 1) = 0
λ 1 = -3, λ 2 = 1, λ 3 = -1.
Найдем собственный вектор, отвечающий собственному числу λ = -3:

Ранг матрицы этой системы равен двум и равен числу неизвестных, поэтому эта система имеет только нулевое решение x 1 = x 3 = 0. x 2 здесь может быть любым, отличным от нуля, например, x 2 = 1. Таким образом, вектор (0,1,0) является собственным вектором, отвечающим λ = -3. Проверим:
.
Если λ = 1, то получаем систему
Ранг матрицы равен двум. Последнее уравнение вычеркиваем.
Пусть x 3 — свободное неизвестное. Тогда x 1 = -3x 3 , 4x 2 = 10x 1 — 6x 3 = -30x 3 — 6x 3 , x 2 = -9x 3 .
Полагая x 3 = 1, имеем (-3,-9,1) — собственный вектор, отвечающий собственному числу λ = 1. Проверка:

.
Так как собственные числа действительные и различны, то векторы, им отвечающие, линейно независимы, поэтому их можно принять за базис в R 3 . Таким образом, в базисе , , матрица A имеет вид:
.
Не всякую матрицу линейного оператора A:R n → R n можно привести к диагональному виду, поскольку для некоторых линейных операторов линейно независимых собственных векторов может быть меньше n. Однако, если матрица симметрическая, то корню характеристического уравнения кратности m соответствует ровно m линейно независимых векторов.

Определение. Симметрической матрицей называется квадратная матрица, в которой элементы, симметричные относительно главной диагонали, равны, то есть в которой .
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.

«. В первой части изложены положения, минимально необходимые для понимания хемометрики, а во второй части — факты, которые необходимо знать для более глубокого постижения методов многомерного анализа. Изложение иллюстрируется примерами, выполненными в рабочей книге Excel Matrix.xls , которая сопровождает этот документ.

Ссылки на примеры помещены в текст как объекты Excel. Эти примеры имеют абстрактный характер, они никак не привязаны к задачам аналитической химии. Реальные примеры использования матричной алгебры в хемометрике рассмотрены в других текстах, посвященных разнообразным хемометрическим приложениям.

Большинство измерений, проводимых в аналитической химии, являются не прямыми, а косвенными . Это означает, что в эксперименте вместо значения искомого аналита C (концентрации) получается другая величина x (сигнал), связанная, но не равная C, т.е. x (C) ≠ С. Как правило, вид зависимости x (C) не известен, однако, к счастью, в аналитической химии большинство измерений пропорциональны. Это означает, что при увеличении концентрации С в a раз, сигнал X увеличится на столько же., т.е. x (a C) = a x (C). Кроме того, сигналы еще и аддитивны, так что сигнал от пробы, в которой присутствуют два вещества с концентрациями C 1 и C 2 , будет равен сумме сигналов от каждого компонента, т.е. x (C 1 + C 2) = x (C 1)+ x (C 2). Пропорциональность и аддитивность вместе дают линейность . Можно привести много примеров, иллюстрирующих принцип линейности, но достаточно упомянуть два самых ярких примера — хроматографию и спектроскопию. Вторая особенность, присущая эксперименту в аналитической химии — это многоканальность . Современное аналитическое оборудование одновременно измеряет сигналы для многих каналов. Например, измеряется интенсивность пропускания света сразу для нескольких длин волн, т.е. спектр. Поэтому в эксперименте мы имеем дело со множеством сигналов x 1 , x 2 . x n , характеризующих набор концентраций C 1 ,C 2 , . C m веществ, присутствующих в изучаемой системе.

Итак, аналитический эксперимент характеризуется линейностью и многомерностью. Поэтому удобно рассматривать экспериментальные данные как векторы и матрицы и манипулировать с ними, используя аппарат матричной алгебры. Плодотворность такого подхода иллюстрирует пример, показанный на , где представлены три спектра, снятые для 200 длин волн от 4000 до 4796 cm −1 . Первый (x 1) и второй (x 2) спектры получены для стандартных образцов, в которых концентрация двух веществ A и B, известны: в первом образце [A] = 0.5, [B] = 0.1, а во втором образце [A] = 0.2, [B] = 0.6. Что можно сказать о новом, неизвестном образце, спектр которого обозначен x 3 ?

Рассмотрим три экспериментальных спектра x 1 , x 2 и x 3 как три вектора размерности 200. Средствами линейной алгебры можно легко показать, что x 3 = 0.1 x 1 +0.3 x 2 , поэтому в третьем образце очевидно присутствуют только вещества A и B в концентрациях [A] = 0.5×0.1 + 0.2×0.3 = 0.11 и [B] = 0.1×0.1 + 0.6×0.3 = 0.19.

1. Базовые сведения

1.1 Матрицы

Матрицей называется прямоугольная таблица чисел, например

Матрицы обозначаются заглавными полужирными буквами (A ), а их элементы — соответствующими строчными буквами с индексами, т.е. a ij . Первый индекс нумерует строки, а второй — столбцы. В хемометрике принято обозначать максимальное значение индекса той же буквой, что и сам индекс, но заглавной. Поэтому матрицу A можно также записать как . Для приведенной в примере матрицы I = 4, J = 3 и a 23 = −7.5.

Пара чисел I и J называется размерностью матрицы и обознается как I ×J . Примером матрицы в хемометрике может служить набор спектров, полученный для I образцов на J длинах волн.

1.2. Простейшие операции с матрицами

Матрицы можно умножать на числа . При этом каждый элемент умножается на это число. Например —

Рис. 3 Умножение матрицы на число

Две матрицы одинаковой размерности можно поэлементно складывать и вычитать . Например,

Рис. 4 Сложение матриц

В результате умножения на число и сложения получается матрица той же размерности.

Нулевой матрицей называется матрица, состоящая из нулей. Она обозначается O . Очевидно, что A +O = A , A −A = O и 0A = O .

Матрицу можно транспонировать . При этой операции матрица переворачивается, т.е. строки и столбцы меняются местами. Транспонирование обозначается штрихом, A » или индексом A t . Таким образом, если A = , то A t = . Например

Рис. 5 Транспонирование матрицы

Очевидно, что (A t) t = A , (A +B ) t = A t +B t .

1.3. Умножение матриц

Матрицы можно перемножать , но только в том случае, когда они имеют соответствующие размерности. Почему это так, будет ясно из определения. Произведением матрицы A , размерностью I ×K , и матрицы B , размерностью K ×J , называется матрица C , размерностью I ×J , элементами которой являются числа

Таким образом для произведения AB необходимо, чтобы число столбцов в левой матрице A было равно числу строк в правой матрице B . Пример произведения матриц —

Рис.6 Произведение матриц

Правило перемножения матриц можно сформулировать так. Для того, чтобы найти элемент матрицы C , стоящий на пересечении i -ой строки и j -ого столбца (c ij ) надо поэлементно перемножить i -ую строку первой матрицы A на j -ый столбец второй матрицы B и сложить все результаты. Так в показанном примере, элемент из третьей строки и второго столбца, получается как сумма поэлементных произведений третьей строки A и второго столбца B

Рис.7 Элемент произведения матриц

Произведение матриц зависит от порядка, т.е. AB ≠ BA , хотя бы по соображениям размерности. Говорят, что оно некоммутативно. Однако произведение матриц ассоциативно. Это означает, что ABC = (AB )C = A (BC ). Кроме того, оно еще и дистрибутивно, т.е. A (B +C ) = AB +AC . Очевидно, что AO = O .

1.4. Квадратные матрицы

Если число столбцов матрицы равно числу ее строк (I = J = N ), то такая матрица называется квадратной. В этом разделе мы будем рассматривать только такие матрицы. Среди этих матриц можно выделить матрицы, обладающие особыми свойствами.

Единичной матрицей (обозначается I, а иногда E ) называется матрица, у которой все элементы равны нулю, за исключением диагональных, которые равны 1, т.е.

Очевидно AI = IA = A .

Матрица называется диагональной , если все ее элементы, кроме диагональных (a ii ) равны нулю. Например

Рис. 8 Диагональная матрица

Матрица A называется верхней треугольной , если все ее элементы, лежащие ниже диагонали, равны нулю, т.е. a ij = 0, при i >j . Например

Рис. 9 Верхняя треугольная матрица

Аналогично определяется и нижняя треугольная матрица.

Матрица A называется симметричной , если A t = A . Иными словами a ij = a ji . Например

Рис. 10 Симметричная матрица

Матрица A называется ортогональной , если

A t A = AA t = I .

Матрица называется нормальной если

1.5. След и определитель

Следом квадратной матрицы A (обозначается Tr(A ) или Sp(A )) называется сумма ее диагональных элементов,

Рис. 11 След матрицы

Sp(α A ) = α Sp(A ) и

Sp(A +B ) = Sp(A )+ Sp(B ).

Можно показать, что

Sp(A ) = Sp(A t), Sp(I ) = N ,

Sp(AB ) = Sp(BA ).

Другой важной характеристикой квадратной матрицы является ее определитель (обозначается det(A )). Определение определителя в общем случае довольно сложно, поэтому мы начнем с простейшего варианта — матрицы A размерностью (2×2). Тогда

Для матрицы (3×3) определитель будет равен

В случае матрицы (N ×N ) определитель вычисляется как сумма 1·2·3· . ·N = N ! слагаемых, каждый из которых равен

Индексы k 1 , k 2 . k N определяются как всевозможные упорядоченные перестановки r чисел в наборе (1, 2, . , N ). Вычисление определителя матрицы — это сложная процедура, которую на практике осуществляется с помощью специальных программ. Например,

Рис. 12 Определитель матрицы

Отметим только очевидные свойства:

det(I ) = 1, det(A ) = det(A t),

det(AB ) = det(A )det(B ).

1.6. Векторы

Если матрица состоит только из одного столбца (J = 1), то такой объект называется вектором . Точнее говоря, вектором-столбцом. Например

Можно рассматривать и матрицы, состоящие из одной строки, например

Этот объект также является вектором, но вектором-строкой . При анализе данных важно понимать, с какими векторами мы имеем дело — со столбцами или строками. Так спектр, снятый для одного образца можно рассматривать как вектор-строку. Тогда набор спектральных интенсивностей на какой-то длине волны для всех образцов нужно трактовать как вектор-столбец.

Размерностью вектора называется число его элементов.

Ясно, что всякий вектор-столбец можно превратить в вектор-строку транспонированием, т.е.

В тех случаях, когда форма вектора специально не оговаривается, а просто говорится вектор, то имеют в виду вектор-столбец. Мы тоже будем придерживаться этого правила. Вектор обозначается строчной прямой полужирной буквой. Нулевым вектором называется вектор, все элементы которого раны нулю. Он обозначается 0 .

1.7. Простейшие операции с векторами

Векторы можно складывать и умножать на числа так же, как это делается с матрицами. Например,

Рис. 13 Операции с векторами

Два вектора x и y называются колинеарными , если существует такое число α, что

1.8. Произведения векторов

Два вектора одинаковой размерности N можно перемножить. Пусть имеются два вектора x = (x 1 , x 2 . x N) t и y = (y 1 , y 2 . y N) t . Руководствуясь правилом перемножения «строка на столбец», мы можем составить из них два произведения: x t y и xy t . Первое произведение

называется скалярным или внутренним . Его результат — это число. Для него также используется обозначение (x ,y )= x t y . Например,

Рис. 14 Внутреннее (скалярное) произведение

называется внешним . Его результат — это матрица размерности (N ×N ). Например,

Рис. 15 Внешнее произведение

Векторы, скалярное произведение которых равно нулю, называются ортогональными .

1.9. Норма вектора

Скалярное произведение вектора самого на себя называется скалярным квадратом. Эта величина

определяет квадрат длины вектора x . Для обозначения длины (называемой также нормой вектора) используется обозначение

Рис. 16 Норма вектора

Вектор единичной длины (||x || = 1) называется нормированным. Ненулевой вектор (x ≠ 0 ) можно нормировать, разделив его на длину, т.е. x = ||x || (x/ ||x ||) = ||x || e . Здесь e = x/ ||x || — нормированный вектор.

Векторы называются ортонормированными, если все они нормированы и попарно ортогональны.

1.10. Угол между векторами

Скалярное произведение определяет и угол φ между двумя векторами x и y

Если вектора ортогональны, то cosφ = 0 и φ = π/2, а если они колинеарны, то cosφ = 1 и φ = 0.

1.11. Векторное представление матрицы

Каждую матрицу A размера I ×J можно представить как набор векторов

Здесь каждый вектор a j является j -ым столбцом, а вектор-строка b i является i -ой строкой матрицы A

1.12. Линейно зависимые векторы

Векторы одинаковой размерности (N ) можно складывать и умножать на число, также как матрицы. В результате получится вектор той же размерности. Пусть имеется несколько векторов одной размерности x 1 , x 2 . x K и столько же чисел α α 1 , α 2 . α K . Вектор

y = α 1 x 1 + α 2 x 2 +. + α K x K

называется линейной комбинацией векторов x k .

Если существуют такие ненулевые числа α k ≠ 0, k = 1. K , что y = 0 , то такой набор векторов x k называется линейно зависимым . В противном случае векторы называются линейно независимыми. Например, векторы x 1 = (2, 2) t и x 2 = (−1, −1) t линейно зависимы, т.к. x 1 +2x 2 = 0

1.13. Ранг матрицы

Рассмотрим набор из K векторов x 1 , x 2 . x K размерности N . Рангом этой системы векторов называется максимальное число линейно-независимых векторов. Например в наборе

имеются только два линейно независимых вектора, например x 1 и x 2 , поэтому ее ранг равен 2.

Очевидно, что если векторов в наборе больше, чем их размерность (K >N ), то они обязательно линейно зависимы.

Рангом матрицы (обозначается rank(A )) называется ранг системы векторов, из которых она состоит. Хотя любую матрицу можно представить двумя способами (векторы столбцы или строки), это не влияет на величину ранга, т.к.

1.14. Обратная матрица

Квадратная матрица A называется невырожденной, если она имеет единственную обратную матрицу A -1 , определяемую условиями

AA −1 = A −1 A = I .

Обратная матрица существует не для всех матриц. Необходимым и достаточным условием невырожденности является

det(A ) ≠ 0 или rank(A ) = N .

Обращение матрицы — это сложная процедура, для выполнения которой существуют специальные программы. Например,

Рис. 17 Обращение матрицы

Приведем формулы для простейшего случая — матрицы 2×2

Если матрицы A и B невырождены, то

(AB ) −1 = B −1 A −1 .

1.15. Псевдообратная матрица

Если матрица A вырождена и обратная матрица не существует, то в некоторых случаях можно использовать псевдообратную матрицу, которая определяется как такая матрица A + , что

AA + A = A .

Псевдобратная матрица — не единственная и ее вид зависит от способа построения. Например для прямоугольной матрицы можно использовать метод Мура-Пенроуза .

Если число столбцов меньше числа строк, то

A + =(A t A ) −1 A t

Рис. 17a Псевдообращение матрицы

Если же число столбцов больше числа строк, то

A + =A t (AA t) −1

1.16. Умножение вектора на матрицу

Вектор x можно умножать на матрицу A подходящей размерности. При этом вектор-столбец умножается справа Ax , а вектор строка — слева x t A . Если размерность вектора J , а размерность матрицы I ×J то в результате получится вектор размерности I . Например,

Рис. 18 Умножение вектора на матрицу

Если матрица A — квадратная (I ×I ), то вектор y = Ax имеет ту же размерность, что и x . Очевидно, что

A (α 1 x 1 + α 2 x 2) = α 1 Ax 1 + α 2 Ax 2 .

Поэтому матрицы можно рассматривать как линейные преобразования векторов. В частности Ix = x , Ox = 0 .

2. Дополнительная информация

2.1. Системы линейных уравнений

Пусть A — матрица размером I ×J , а b — вектор размерности J . Рассмотрим уравнение

Ax = b

относительно вектора x , размерности I . По сути — это система из I линейных уравнений с J неизвестными x 1 . x J . Решение существует в том, и только в том случае, когда

rank(A ) = rank(B ) = R ,

где B — это расширенная матрица размерности I ×(J+1 ), состоящая из матрицы A , дополненной столбцом b , B = (A b ). В противном случае уравнения несовместны.

Если R = I = J , то решение единственно

x = A −1 b .

Аналогично определяются отрицательно (x t Ax и или же сразу после тега . По первому варианту MathJax подгружается быстрее и меньше тормозит страницу. Зато второй вариант автоматически отслеживает и подгружает свежие версии MathJax. Если вставить первый код, то его нужно будет периодически обновлять. Если вставить второй код, то страницы будут загружаться медленнее, зато вам не нужно будет постоянно следить за обновлениями MathJax.

Подключить MathJax проще всего в Blogger или WordPress: в панели управления сайтом добавьте виджет, предназначенный для вставки стороннего кода JavaScript, скопируйте в него первый или второй вариант кода загрузки, представленного выше, и разместите виджет поближе к началу шаблона (кстати, это вовсе не обязательно, поскольку скрипт MathJax загружается асинхронно). Вот и все. Теперь изучите синтаксис разметки MathML, LaTeX и ASCIIMathML, и вы готовы вставлять математические формулы на веб-страницы своего сайта.

Любой фрактал строится по определенному правилу, которое последовательно применяется неограниченное количество раз. Каждый такой раз называется итерацией.

Итеративный алгоритм построения губки Менгера достаточно простой: исходный куб со стороной 1 делится плоскостями, параллельными его граням, на 27 равных кубов. Из него удаляются один центральный куб и 6 прилежащих к нему по граням кубов. Получается множество, состоящее из 20 оставшихся меньших кубов. Поступая так же с каждым из этих кубов, получим множество, состоящее уже из 400 меньших кубов. Продолжая этот процесс бесконечно, получим губку Менгера.

Собственные значения (числа) и собственные векторы.
Примеры решений

Из обоих уравнений следует, что .

В результате: – второй собственный вектор.

Повторим важные моменты решения:

– полученная система непременно имеет общее решение (уравнения линейно зависимы);

– «игрек» подбираем таким образом, чтобы он был целым и первая «иксовая» координата – целой, положительной и как можно меньше.

– проверяем, что частное решение удовлетворяет каждому уравнению системы.

Промежуточных «контрольных точек» было вполне достаточно, поэтому проверка равенств , в принципе, дело излишнее.

В различных источниках информации координаты собственных векторов довольно часто записывают не в столбцы, а в строки, например: (и, если честно, я сам привык записывать их строками) . Такой вариант приемлем, но в свете темы линейных преобразований технически удобнее использовать векторы-столбцы .

Возможно, решение показалась вам очень длинным, но это только потому, что я очень подробно прокомментировал первый пример.

Тренируемся самостоятельно! Примерный образец чистового оформления задачи в конце урока.

Иногда требуется выполнить дополнительное задание, а именно:

записать каноническое разложение матрицы

Если собственные векторы матрицы образуют базис , то она представима в виде:

Где – матрица составленная из координат собственных векторов, – диагональная матрица с соответствующими собственными числами.

Такое разложение матрицы называют каноническим или диагональным .

Рассмотрим матрицу первого примера. Её собственные векторы линейно независимы (неколлинеарны)и образуют базис. Составим матрицу из их координат:

На главной диагонали матрицы в соответствующем порядке располагаются собственные числа, а остальные элементы равняются нулю:
– ещё раз подчёркиваю важность порядка: «двойка» соответствует 1-му вектору и посему располагается в 1-м столбце, «тройка» – 2-му вектору.

По обычному алгоритму нахождения обратной матрицы либо методом Гаусса-Жордана находим . Нет, это не опечатка! – перед вами редкое, как солнечное затмение событие, когда обратная совпала с исходной матрицей.

Осталось записать каноническое разложение матрицы :

Систему можно решить с помощью элементарных преобразований и в следующих примерах мы прибегнем к данному методу. Но здесь гораздо быстрее срабатывает «школьный» способ. Из 3-го уравнения выразим: – подставим во второе уравнение:

Поскольку первая координата нулевая, то получаем систему , из каждого уравнения которой следует, что .

И снова обратите внимание на обязательное наличие линейной зависимости . Если получается только тривиальное решение , то либо неверно найдено собственное число, либо с ошибкой составлена / решена система.

Компактные координаты даёт значение

И ещё раз – проверяем, что найденное решение удовлетворяет каждому уравнению системы . В последующих пунктах и в последующих задачах рекомендую принять данное пожелание за обязательное правило.

2) Для собственного значения по такому же принципу получаем следующую систему:

Из 2-го уравнения системы выразим: – подставим в третье уравнение:

Поскольку «зетовая» координата равна нулю, то получаем систему , из каждого уравнения которой следует линейная зависимость .

Проверяем, что решение удовлетворяет каждому уравнению системы.

Таким образом, собственный вектор: .

3) И, наконец, собственному значению соответствует система:

Второе уравнение выглядит самым простым, поэтому из него выразим и подставим в 1-е и 3-е уравнение:

Всё хорошо – выявилась линейная зависимость , которую подставляем в выражение :

В результате «икс» и «игрек» оказались выражены через «зет»: . На практике не обязательно добиваться именно таких взаимосвязей, в некоторых случаях удобнее выразить и через либо и через . Или даже «паровозиком» – например, «икс» через «игрек», а «игрек» через «зет»

Проверяем, что найденное решение удовлетворяет каждому уравнению системы и записываем третий собственный вектор

Ответ : собственные векторы:

Геометрически эти векторы задают три различных пространственных направления («туда-обратно») , по которым линейное преобразование переводит ненулевые векторы (собственные векторы) в коллинеарные им векторы.

Если бы по условию требовалось найти каноническое разложение , то здесь это возможно, т.к. различным собственным числам соответствуют разные линейно независимые собственные векторы. Составляем матрицу из их координат, диагональную матрицу из соответствующих собственных значений и находим обратную матрицу .

Если же по условию нужно записать матрицу линейного преобразования в базисе из собственных векторов , то ответ даём в виде . Разница есть, и разница существенная! Ибо оная матрица – есть матрица «дэ».

Задача с более простыми вычислениями для самостоятельного решения:

Найти собственные векторы линейного преобразования, заданного матрицей

При нахождении собственных чисел постарайтесь не доводить дело до многочлена 3-й степени. Кроме того, ваши решения систем могут отличаться от моих решений – здесь нет однозначности; и векторы, которые вы найдёте, могут отличаться от векторов образца с точностью до пропорциональности их соответствующих координат. Например, и . Эстетичнее представить ответ в виде , но ничего страшного, если остановитесь и на втором варианте. Однако всему есть разумные пределы, версия смотрится уже не очень хорошо.

Примерный чистовой образец оформления задания в конце урока.

Как решать задачу в случае кратных собственных чисел?

Общий алгоритм остаётся прежним, но здесь есть свои особенности, и некоторые участки решения целесообразно выдержать в более строгом академичном стиле:

Найти собственные числа и собственные векторы

Конечно же, оприходуем сказочный первый столбец:

И, после разложения квадратного трёхчлена на множители:

В результате получены собственные числа , два из которых кратны.

Найдем собственные векторы:

1) С одиноким солдатом разделаемся по «упрощённой» схеме:

Из последних двух уравнений четко просматривается равенство , которое, очевидно, следует подставить в 1-е уравнение системы:

Лучшей комбинации не найти:
Собственный вектор:

2-3) Теперь снимаем пару часовых. В данном случае может получиться либо два, либо один собственный вектор. Невзирая на кратность корней, подставим значение в определитель , который приносит нам следующую однородную систему линейных уравнений :

Собственные векторы – это в точности векторы
фундаментальной системы решений

Собственно, на протяжении всего урока мы только и занимались тем, что находили векторы фундаментальной системы. Просто до поры до времени данный термин особо не требовался. Кстати, те ловкие студенты, которые в маскхалатах проскочили тему однородных уравнений , будут вынуждены вкурить её сейчас.

Единственное действие состояло в удалении лишних строк. В результате получена матрица «один на три» с формальной «ступенькой» посередине.
– базисная переменная, – свободные переменные. Свободных переменных две, следовательно, векторов фундаментальной системы тоже два .

Выразим базисную переменную через свободные переменные: . Нулевой множитель перед «иксом» позволяет принимать ему совершенно любые значения (что хорошо видно и из системы уравнений).

В контексте данной задачи общее решение удобнее записать не в строку, а в столбец:

Паре соответствует собственный вектор:
Паре соответствует собственный вектор:

Примечание : искушенные читатели могут подобрать данные векторы и устно – просто анализируя систему , но тут нужны некоторые знания: переменных – три, ранг матрицы системы – единица, значит, фундаментальная система решений состоит из 3 – 1 = 2 векторов. Впрочем, найдённые векторы отлично просматриваются и без этих знаний чисто на интуитивном уровне. При этом даже «красивее» запишется третий вектор: . Однако предостерегаю, в другом примере простого подбора может и не оказаться, именно поэтому оговорка предназначена для опытных людей. Кроме того, а почему бы не взять в качестве третьего вектора, скажем, ? Ведь его координаты тоже удовлетворяют каждому уравнение системы, и векторы линейно независимы. Такой вариант, в принципе, годен, но «кривоват», поскольку «другой» вектор представляет собой линейную комбинацию векторов фундаментальной системы.

Ответ : собственные числа: , собственные векторы:

Аналогичный пример для самостоятельного решения:

Найти собственные числа и собственные векторы

Примерный образец чистового оформления в конце урока.

Следует отметить, что и в 6-м и в 7-м примере получается тройка линейно независимых собственных векторов, и поэтому исходная матрица представима в каноническом разложении . Но такая малина бывает далеко не во всех случаях:

Решение : составим и решим характеристическое уравнение:

Определитель раскроем по первому столбцу:

Дальнейшие упрощения проводим согласно рассмотренной методике, избегая многочлена 3-й степени:

Найдем собственные векторы:

1) С корнем затруднений не возникает:

Не удивляйтесь, помимо комплекта в ходу также переменные – разницы тут никакой.

Из 3-го уравнения выразим – подставим в 1-е и 2-е уравнения:

Из обоих уравнений следует:

2-3) Для кратных значений получаем систему .

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

Как найти собственный вектор. Собственные числа и собственные векторы матрицы

Собственный вектор квадратной матрицы — это такой вектор, который при умножении на заданную матрицу дает в результате коллинеарный вектор. Простыми словами, при умножении матрицы на собственный вектор последний остается тем же самым, но умноженным на некоторое число.

Определение

Собственный вектор — это ненулевой вектор V, который при умножении на квадратную матрицу Mпревращается в самого себя, увеличенного на некоторое число λ. В алгебраической записи это выглядит как:

где λ — собственное число матрицы M.

Рассмотрим числовой пример. Для удобства записи числа в матрице будет отделять точкой с запятой. Пусть у нас есть матрица:

Умножим ее на вектор-столбец:

При умножении матрицы на вектор-столбец мы получаем также вектор-столбец. Строгим математическим языком формула умножения матрицы 2 × 2 на вектор-столбец будет выглядеть так:

• M × V = M11 × V11 + M12 × V21;
• M21 × V11 + M22 × V21.

М11 означает элемент матрицы M, стоящий в первой строке и первом столбце, а M22 — элемент, расположенные во второй строке и втором столбце. Для нашей матрицы эти элементы равны M11 = 0, М12 = 4, М21 = 6, М22 10. Для вектора-столбца эти значения равны V11 = –2, V21 = 1. Согласно этой формуле мы получим следующий результат произведения квадратной матрицы на вектор:

• M × V = 0 × (-2) + (4) × (1) = 4;
• 6 × (-2) + 10 × (1) = -2.

Для удобства запишем вектор столбец в строку. Итак, мы умножили квадратную матрицу на вектор (-2; 1), в результате чего получили вектор (4; -2). Очевидно, что это тот же вектор, умноженный на λ = -2. Лямбда в данном случае обозначает собственное число матрицы.

Собственный вектор матрицы — это коллинеарный вектор, то есть объект, который не изменяет своего положения в пространстве при умножении его на матрицу. Понятие коллинеарности в векторной алгебре сходно с термином параллельности в геометрии. В геометрической интерпретации коллинеарные вектора — это параллельные направленные отрезки разной длины. Еще со времен Евклида мы знаем, что у одной прямой существует бесконечное количество параллельных ей прямых, поэтому логично предположить, что каждая матрица обладает бесконечным количеством собственных векторов.

Из предыдущего примера видно, что собственными векторами могут быть и (-8; 4), и (16; -8), и (32, -16). Все это коллинеарные вектора, соответствующие собственному числу λ = -2. При умножении исходной матрицы на эти вектора мы все так же будет получать в результате вектор, который отличается от исходного в 2 раза. Именно поэтому при решении задач на поиск собственного вектора требуется найти только линейно независимые векторные объекты. Чаще всего для матрицы размером n × n существует n-ное количество собственных векторов. Наш калькулятор заточен под анализ квадратных матриц второго порядка, поэтому практически всегда в результате будут найдены два собственных вектора, за исключением случаев, когда они совпадают.

В примере выше мы заранее знали собственный вектор исходной матрицы и наглядно определили число лямбда. Однако на практике все происходит наоборот: в начале находится собственные числа и только затем собственные вектора.

Алгоритм решения

Давайте вновь рассмотрим исходную матрицу M и попробуем найти оба ее собственных вектора. Итак, матрица выглядит как:

Для начала нам необходимо определить собственное число λ, для чего требуется вычислить детерминант следующей матрицы:

• (0 − λ); 4;
• 6; (10 − λ).

Данная матрица получена путем вычитания неизвестной λ из элементов на главной диагонали. Детерминант определяется по стандартной формуле:

• detA = M11 × M21 − M12 × M22
• detA = (0 − λ) × (10 − λ) − 24

Так как наш вектор должен быть не нулевым, полученное уравнение принимаем как линейно зависимое и приравниваем наш детерминант detA к нулю.

(0 − λ) × (10 − λ) − 24 = 0

Раскроем скобки и получим характеристическое уравнение матрицы:

λ 2 − 10λ ­− 24 = 0

Это стандартное квадратное уравнение, которое требуется решить через дискриминант.

D = b 2 − 4ac = (-10) × 2 − 4 × (-1) × 24 = 100 + 96 = 196

Корень из дискриминанта равен sqrt(D) = 14, следовательно, λ1 = -2, λ2 = 12. Теперь для каждого значения лямбда требуется найти собственный вектор. Выразим коэффициенты системы для λ = -2.

• М − λ × E = 2; 4;
• 6; 12.

В данной формуле E — это единичная матрица. На основании полученной матрицы составим систему линейных уравнений:

2x + 4y = 6x + 12y,

где x и y — элементы собственного вектора.

Соберем все иксы слева, а все игреки справа. Очевидно, что — 4x = 8y. Разделим выражение на — 4 и получим x = –2y. Теперь мы можем определить первый собственный вектор матрицы, приняв любые значения неизвестных (вспоминаем про бесконечность линейно зависимых собственных векторов). Примем y = 1, тогда x = –2. Следовательно, первый собственный вектор выглядит как V1 = (–2; 1). Вернитесь в начало статьи. Именно на этот векторный объект мы умножали матрицу для демонстрации понятия собственного вектора.

Теперь отыщем собственный вектор для λ = 12.

• М — λ × E = -12; 4
• 6; -2.

Составим такую же систему линейных уравнений;

• -12x + 4y = 6x − 2y
• -18x = -6y
• 3x = y.

Теперь примем x = 1, следовательно, y = 3. Таким образом, второй собственный вектор выглядит как V2 = (1; 3). При умножении исходной матрицы на данный вектор, в результате всегда будет такой же вектор, умноженный на 12. На этом алгоритм решения заканчивается. Теперь вы знаете, как вручную определить собственный вектор матрицы.

• определитель;
• след, то есть сумму элементов на главной диагонали;
• ранг, то есть максимальное количество линейно независимых строк/столбцов.

Программа действует по выше приведенному алгоритму, максимально сокращая процесс решения. Важно указать, что в программе лямбда обозначена литерой «c». Давайте рассмотрим численный пример.

Пример работы программы

Попробуем определить собственные вектора для следующей матрицы:

Введем эти значения в ячейки калькулятора и получим ответ в следующем виде:

• Ранг матрицы: 2;
• Детерминант матрицы: 18;
• След матрицы: 19;
• Расчет собственного вектора: c 2 − 19,00c + 18,00 (характеристическое уравнение);
• Расчет собственного вектора: 18 (первое значение лямбда);
• Расчет собственного вектора: 1 (второе значение лямбда);
• Система уравнений вектора 1: -13×1 + 13y1 = 4×1 − 4y1;
• Система уравнений вектора 2: 4×1 + 13y1 = 4×1 + 13y1;
• Собственный вектор 1: (1; 1);
• Собственный вектор 2: (-3,25; 1).

Таким образом, мы получили два линейно независимых собственных вектора.

Заключение

Линейная алгебра и аналитическая геометрия — стандартные предметы для любого первокурсника технической специальности. Большое количество векторов и матриц приводит в ужас, а в столь громоздких вычислениях легко сделать ошибку. Наша программа позволит студентам проверить свои выкладки или автоматически решит задачу на поиск собственного вектора. В нашем каталоге есть и другие калькуляторы по линейной алгебре, используйте их в своей учебе или работе.

www.сайт позволяет найти . Сайт производит вычисление . За неколько секунд сервер выдаст правильное решение. Характеристическим уравнение для матрицы будет являться алгебраическое выражение, найденное по правилу вычисления определителя матрицы матрицы , при этом по главной диагонали будут стоять разницы значений диагональных элементов и переменной. При вычислении характеристического уравнения для матрицы онлайн , каждый элемент матрицы будет перемножаться с соответствующими другими элементами матрицы . Найти в режиме онлайн можно только для квадратной матрицы . Операция нахождения характеристического уравнения для матрицы онлайн сводится к вычислению алгебраической суммы произведения элементов матрицы как результат от нахождения определителя матрицы , только с целью определения характеристического уравнения для матрицы онлайн . Данная операция занимает особое место в теории матриц , позволяет найти собственные числа и векторы, используя корни . Задача по нахождению характеристического уравнения для матрицы онлайн заключается в перемножении элементов матрицы с последующим суммированием этих произведений по определенному правилу. www.сайт находит характеристическое уравнение для матрицы заданной размерности в режиме онлайн . Вычисление характеристического уравнения для матрицы онлайн при заданной её размерности — это нахождение многочлена с числовыми или символьными коэффициентами, найденного по правилу вычисления определителя матрицы — как сумма произведений соответствующих элементов матрицы , только с целью определения характеристического уравнения для матрицы онлайн . Нахождение полинома относительно переменной для квадратной матрицы , как определение характеристического уравнения для матрицы , распространено в теории матриц . Значение корней многочлена характеристического уравнения для матрицы онлайн используется для определения собственных векторов и собственных чисел для матрицы . При этом, если определитель матрицы будет равен нулю, то характеристическое уравнение матрицы все равно будет существовать, в отличии от обратной матрицы . Для того, чтобы вычислить характеристическое уравнение для матрицы или найти сразу для нескольких матриц характеристические уравнения , необходимо затратить не мало времени и усилий, в то время как наш сервер в считанные секунды найдет характеристическое уравнение для матрицы онлайн . При этом ответ по нахождению характеристического уравнения для матрицы онлайн будет правильным и с достаточной точностью, даже если числа при нахождении характеристического уравнения для матрицы онлайн будут иррациональными. На сайте www.сайт допускаются символьные записи в элементах матриц , то есть характеристическое уравнение для матрицы онлайн может быть представлено в общем символьном виде при вычислении характеристического уравнения матрицы онлайн . Полезно проверить ответ, полученный при решении задачи по нахождению характеристического уравнения для матрицы онлайн , используя сайт www.сайт . При совершении операции вычисления полинома — характеристического уравнения матрицы , необходимо быть внимательным и предельно сосредоточенным при решении данной задачи. В свою очередь наш сайт поможет Вам проверить своё решение на тему характеристическое уравнение матрицы онлайн . Если у Вас нет времени на долгие проверки решенных задач, то www.сайт безусловно будет являться удобным инструментом для проверки при нахождении и вычислении характеристического уравнения для матрицы онлайн .

Как вставить математические формулы на сайт?

Если нужно когда-никогда добавлять одну-две математические формулы на веб-страницу, то проще всего сделать это, как описано в статье : математические формулы легко вставляются на сайт в виде картинок, которые автоматически генерирует Вольфрам Альфа. Кроме простоты, этот универсальный способ поможет улучшить видимость сайта в поисковых системах. Он работает давно (и, думаю, будет работать вечно), но морально уже устарел.

Если же вы постоянно используете математические формулы на своем сайте, то я рекомендую вам использовать MathJax — специальную библиотеку JavaScript, которая отображает математические обозначения в веб-браузерах с использованием разметки MathML, LaTeX или ASCIIMathML.

Есть два способа, как начать использовать MathJax: (1) при помощи простого кода можно быстро подключить к вашему сайту скрипт MathJax, который будет в нужный момент автоматически подгружаться с удаленного сервера (список серверов ); (2) закачать скрипт MathJax с удаленного сервера на свой сервер и подключить ко всем страницам своего сайта. Второй способ — более более сложный и долгий — позволит ускорить загрузку страниц вашего сайта, и если родительский сервер MathJax по каким-то причинам станет временно недоступен, это никак не повлияет на ваш собственный сайт. Несмотря на эти преимущества, я выбрал первый способ, как более простой, быстрый и не требующий технических навыков. Следуйте моему примеру, и уже через 5 минут вы сможете использовать все возможности MathJax на своем сайте.

Подключить скрипт библиотеки MathJax с удаленного сервера можно при помощи двух вариантов кода, взятого на главном сайте MathJax или же на странице документации :

Один из этих вариантов кода нужно скопировать и вставить в код вашей веб-станицы, желательно между тегами и или же сразу после тега . По первому варианту MathJax подгружается быстрее и меньше тормозит страницу. Зато второй вариант автоматически отслеживает и подгружает свежие версии MathJax. Если вставить первый код, то его нужно будет периодически обновлять. Если вставить второй код, то страницы будут загружаться медленнее, зато вам не нужно будет постоянно следить за обновлениями MathJax.

Подключить MathJax проще всего в Blogger или WordPress: в панели управления сайтом добавьте виджет, предназначенный для вставки стороннего кода JavaScript, скопируйте в него первый или второй вариант кода загрузки, представленного выше, и разместите виджет поближе к началу шаблона (кстати, это вовсе не обязательно, поскольку скрипт MathJax загружается асинхронно). Вот и все. Теперь изучите синтаксис разметки MathML, LaTeX и ASCIIMathML, и вы готовы вставлять математические формулы на веб-страницы своего сайта.

Любой фрактал строится по определенному правилу, которое последовательно применяется неограниченное количество раз. Каждый такой раз называется итерацией.

Итеративный алгоритм построения губки Менгера достаточно простой: исходный куб со стороной 1 делится плоскостями, параллельными его граням, на 27 равных кубов. Из него удаляются один центральный куб и 6 прилежащих к нему по граням кубов. Получается множество, состоящее из 20 оставшихся меньших кубов. Поступая так же с каждым из этих кубов, получим множество, состоящее уже из 400 меньших кубов. Продолжая этот процесс бесконечно, получим губку Менгера.

Собственные значения (числа) и собственные векторы.
Примеры решений

Из обоих уравнений следует, что .

В результате: – второй собственный вектор.

– полученная система непременно имеет общее решение (уравнения линейно зависимы);

– «игрек» подбираем таким образом, чтобы он был целым и первая «иксовая» координата – целой, положительной и как можно меньше.

– проверяем, что частное решение удовлетворяет каждому уравнению системы.

Промежуточных «контрольных точек» было вполне достаточно, поэтому проверка равенств , в принципе, дело излишнее.

В различных источниках информации координаты собственных векторов довольно часто записывают не в столбцы, а в строки, например: (и, если честно, я сам привык записывать их строками) . Такой вариант приемлем, но в свете темы линейных преобразований технически удобнее использовать векторы-столбцы .

Возможно, решение показалась вам очень длинным, но это только потому, что я очень подробно прокомментировал первый пример.

Тренируемся самостоятельно! Примерный образец чистового оформления задачи в конце урока.

Иногда требуется выполнить дополнительное задание, а именно:

записать каноническое разложение матрицы

Если собственные векторы матрицы образуют базис , то она представима в виде:

Где – матрица составленная из координат собственных векторов, – диагональная матрица с соответствующими собственными числами.

Такое разложение матрицы называют каноническим или диагональным .

Рассмотрим матрицу первого примера. Её собственные векторы линейно независимы (неколлинеарны)и образуют базис. Составим матрицу из их координат:

На главной диагонали матрицы в соответствующем порядке располагаются собственные числа, а остальные элементы равняются нулю:
– ещё раз подчёркиваю важность порядка: «двойка» соответствует 1-му вектору и посему располагается в 1-м столбце, «тройка» – 2-му вектору.

По обычному алгоритму нахождения обратной матрицы либо методом Гаусса-Жордана находим . Нет, это не опечатка! – перед вами редкое, как солнечное затмение событие, когда обратная совпала с исходной матрицей.

Осталось записать каноническое разложение матрицы :

Систему можно решить с помощью элементарных преобразований и в следующих примерах мы прибегнем к данному методу. Но здесь гораздо быстрее срабатывает «школьный» способ. Из 3-го уравнения выразим: – подставим во второе уравнение:

Поскольку первая координата нулевая, то получаем систему , из каждого уравнения которой следует, что .

И снова обратите внимание на обязательное наличие линейной зависимости . Если получается только тривиальное решение , то либо неверно найдено собственное число, либо с ошибкой составлена / решена система.

Компактные координаты даёт значение

И ещё раз – проверяем, что найденное решение удовлетворяет каждому уравнению системы . В последующих пунктах и в последующих задачах рекомендую принять данное пожелание за обязательное правило.

2) Для собственного значения по такому же принципу получаем следующую систему:

Из 2-го уравнения системы выразим: – подставим в третье уравнение:

Поскольку «зетовая» координата равна нулю, то получаем систему , из каждого уравнения которой следует линейная зависимость .

Проверяем, что решение удовлетворяет каждому уравнению системы.

Таким образом, собственный вектор: .

3) И, наконец, собственному значению соответствует система:

Второе уравнение выглядит самым простым, поэтому из него выразим и подставим в 1-е и 3-е уравнение:

Всё хорошо – выявилась линейная зависимость , которую подставляем в выражение :

В результате «икс» и «игрек» оказались выражены через «зет»: . На практике не обязательно добиваться именно таких взаимосвязей, в некоторых случаях удобнее выразить и через либо и через . Или даже «паровозиком» – например, «икс» через «игрек», а «игрек» через «зет»

Проверяем, что найденное решение удовлетворяет каждому уравнению системы и записываем третий собственный вектор

Ответ : собственные векторы:

Геометрически эти векторы задают три различных пространственных направления («туда-обратно») , по которым линейное преобразование переводит ненулевые векторы (собственные векторы) в коллинеарные им векторы.

Если бы по условию требовалось найти каноническое разложение , то здесь это возможно, т.к. различным собственным числам соответствуют разные линейно независимые собственные векторы. Составляем матрицу из их координат, диагональную матрицу из соответствующих собственных значений и находим обратную матрицу .

Если же по условию нужно записать матрицу линейного преобразования в базисе из собственных векторов , то ответ даём в виде . Разница есть, и разница существенная! Ибо оная матрица – есть матрица «дэ».

Задача с более простыми вычислениями для самостоятельного решения:

Найти собственные векторы линейного преобразования, заданного матрицей

При нахождении собственных чисел постарайтесь не доводить дело до многочлена 3-й степени. Кроме того, ваши решения систем могут отличаться от моих решений – здесь нет однозначности; и векторы, которые вы найдёте, могут отличаться от векторов образца с точностью до пропорциональности их соответствующих координат. Например, и . Эстетичнее представить ответ в виде , но ничего страшного, если остановитесь и на втором варианте. Однако всему есть разумные пределы, версия смотрится уже не очень хорошо.

Примерный чистовой образец оформления задания в конце урока.

Как решать задачу в случае кратных собственных чисел?

Общий алгоритм остаётся прежним, но здесь есть свои особенности, и некоторые участки решения целесообразно выдержать в более строгом академичном стиле:

Найти собственные числа и собственные векторы

Конечно же, оприходуем сказочный первый столбец:

И, после разложения квадратного трёхчлена на множители:

В результате получены собственные числа , два из которых кратны.

Найдем собственные векторы:

1) С одиноким солдатом разделаемся по «упрощённой» схеме:

Из последних двух уравнений четко просматривается равенство , которое, очевидно, следует подставить в 1-е уравнение системы:

Лучшей комбинации не найти:
Собственный вектор:

2-3) Теперь снимаем пару часовых. В данном случае может получиться либо два, либо один собственный вектор. Невзирая на кратность корней, подставим значение в определитель , который приносит нам следующую однородную систему линейных уравнений :

Собственные векторы – это в точности векторы
фундаментальной системы решений

Собственно, на протяжении всего урока мы только и занимались тем, что находили векторы фундаментальной системы. Просто до поры до времени данный термин особо не требовался. Кстати, те ловкие студенты, которые в маскхалатах проскочили тему однородных уравнений , будут вынуждены вкурить её сейчас.

Единственное действие состояло в удалении лишних строк. В результате получена матрица «один на три» с формальной «ступенькой» посередине.
– базисная переменная, – свободные переменные. Свободных переменных две, следовательно, векторов фундаментальной системы тоже два .

Выразим базисную переменную через свободные переменные: . Нулевой множитель перед «иксом» позволяет принимать ему совершенно любые значения (что хорошо видно и из системы уравнений).

В контексте данной задачи общее решение удобнее записать не в строку, а в столбец:

Паре соответствует собственный вектор:
Паре соответствует собственный вектор:

Примечание : искушенные читатели могут подобрать данные векторы и устно – просто анализируя систему , но тут нужны некоторые знания: переменных – три, ранг матрицы системы – единица, значит, фундаментальная система решений состоит из 3 – 1 = 2 векторов. Впрочем, найдённые векторы отлично просматриваются и без этих знаний чисто на интуитивном уровне. При этом даже «красивее» запишется третий вектор: . Однако предостерегаю, в другом примере простого подбора может и не оказаться, именно поэтому оговорка предназначена для опытных людей. Кроме того, а почему бы не взять в качестве третьего вектора, скажем, ? Ведь его координаты тоже удовлетворяют каждому уравнение системы, и векторы линейно независимы. Такой вариант, в принципе, годен, но «кривоват», поскольку «другой» вектор представляет собой линейную комбинацию векторов фундаментальной системы.

Ответ : собственные числа: , собственные векторы:

Аналогичный пример для самостоятельного решения:

Найти собственные числа и собственные векторы

Примерный образец чистового оформления в конце урока.

Следует отметить, что и в 6-м и в 7-м примере получается тройка линейно независимых собственных векторов, и поэтому исходная матрица представима в каноническом разложении . Но такая малина бывает далеко не во всех случаях:

Решение : составим и решим характеристическое уравнение:

Определитель раскроем по первому столбцу:

Дальнейшие упрощения проводим согласно рассмотренной методике, избегая многочлена 3-й степени:

Найдем собственные векторы:

1) С корнем затруднений не возникает:

Не удивляйтесь, помимо комплекта в ходу также переменные – разницы тут никакой.

Из 3-го уравнения выразим – подставим в 1-е и 2-е уравнения:

Из обоих уравнений следует:

2-3) Для кратных значений получаем систему .

Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:

Наиболее просто устроены матрицы диагонального вида . Возникает вопрос, нельзя ли найти базис, в котором матрица линейного оператора имела бы диагональный вид. Такой базис существует.
Пусть дано линейное пространство R n и действующий в нем линейный оператор A; в этом случае оператор A переводит R n в себя, то есть A:R n → R n .

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

Итак, если имеется n линейно независимых собственных векторов , соответствующих различным собственным числам λ 1 , λ 2 , …, λ n , то они линейно независимы, следовательно, их можно принять за базис пространства R n . Найдем вид матрицы линейного оператора A в базисе из его собственных векторов, для чего подействуем оператором A на базисные векторы: тогда .
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 (i = 1..n) имеет диагональный вид тогда и только тогда, когда все векторы базиса — собственные векторы оператора A.

Правило отыскания собственных чисел и собственных векторов

Уравнение (*) можно рассматривать как уравнение для отыскания , причем , то есть нас интересуют нетривиальные решения, поскольку собственный вектор не может быть нулевым. Известно, что нетривиальные решения однородной системы линейных уравнений существуют тогда и только тогда, когда det(A — λE) = 0. Таким образом, для того, чтобы λ было собственным числом оператора A необходимо и достаточно, чтобы det(A — λE) = 0.
Если уравнение (*) расписать подробно в координатной форме, то получим систему линейных однородных уравнений:

(1)
где — матрица линейного оператора.

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

Получили уравнение для нахождения собственных чисел.
Это уравнение называется характеристическим уравнением, а его левая часть — характеристическим многочленом матрицы (оператора) A. Если характеристический многочлен не имеет вещественных корней, то матрица A не имеет собственных векторов и ее нельзя привести к диагональному виду.
Пусть λ 1 , λ 2 , …, λ n — вещественные корни характеристического уравнения, причем среди них могут быть и кратные. Подставляя по очереди эти значения в систему (1), находим собственные векторы.

Пример 12. Линейный оператор A действует в R 3 по закону , где x 1 , x 2 , . x n — координаты вектора в базисе , , . Найти собственные числа и собственные векторы этого оператора.
Решение. Строим матрицу этого оператора:
.
Составляем систему для определения координат собственных векторов:

Составляем характеристическое уравнение и решаем его:

.
λ 1,2 = -1, λ 3 = 3.
Подставляя λ = -1 в систему, имеем:
или
Так как , то зависимых переменных два, а свободное одно.
Пусть x 1 — свободное неизвестное, тогда Решаем эту систему любым способом и находим общее решение этой системы: Фундаментальная система решений состоит из одного решения, так как n — r = 3 — 2 = 1.
Множество собственных векторов, отвечающих собственному числу λ = -1, имеет вид: , где x 1 — любое число, отличное от нуля. Выберем из этого множества один вектор, например, положив x 1 = 1: .
Рассуждая аналогично, находим собственный вектор, отвечающий собственному числу λ = 3: .
В пространстве R 3 базис состоит из трех линейно независимых векторов, мы же получили только два линейно независимых собственных вектора, из которых базис в R 3 составить нельзя. Следовательно, матрицу A линейного оператора привести к диагональному виду не можем.

Пример 13. Дана матрица .
1. Доказать, что вектор является собственным вектором матрицы A. Найти собственное число, соответствующее этому собственному вектору.
2. Найти базис, в котором матрица A имеет диагональный вид.
Решение.
1. Если , то — собственный вектор

.
Вектор (1, 8, -1) — собственный вектор. Собственное число λ = -1.
Диагональный вид матрица имеет в базисе, состоящем из собственных векторов. Один из них известен. Найдем остальные.
Собственные векторы ищем из системы:

Характеристическое уравнение: ;
(3 + λ)[-2(2-λ)(2+λ)+3] = 0; (3+λ)(λ 2 — 1) = 0
λ 1 = -3, λ 2 = 1, λ 3 = -1.
Найдем собственный вектор, отвечающий собственному числу λ = -3:

Ранг матрицы этой системы равен двум и равен числу неизвестных, поэтому эта система имеет только нулевое решение x 1 = x 3 = 0. x 2 здесь может быть любым, отличным от нуля, например, x 2 = 1. Таким образом, вектор (0,1,0) является собственным вектором, отвечающим λ = -3. Проверим:
.
Если λ = 1, то получаем систему
Ранг матрицы равен двум. Последнее уравнение вычеркиваем.
Пусть x 3 — свободное неизвестное. Тогда x 1 = -3x 3 , 4x 2 = 10x 1 — 6x 3 = -30x 3 — 6x 3 , x 2 = -9x 3 .
Полагая x 3 = 1, имеем (-3,-9,1) — собственный вектор, отвечающий собственному числу λ = 1. Проверка:

.
Так как собственные числа действительные и различны, то векторы, им отвечающие, линейно независимы, поэтому их можно принять за базис в R 3 . Таким образом, в базисе , , матрица A имеет вид:
.
Не всякую матрицу линейного оператора A:R n → R n можно привести к диагональному виду, поскольку для некоторых линейных операторов линейно независимых собственных векторов может быть меньше n. Однако, если матрица симметрическая, то корню характеристического уравнения кратности m соответствует ровно m линейно независимых векторов.

Определение. Симметрической матрицей называется квадратная матрица, в которой элементы, симметричные относительно главной диагонали, равны, то есть в которой .
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.

Похожие публикации:

1. Где зарегистрирован telegram
2. Где находятся файлы telegram
3. Для чего предназначена функция root в mathcad
4. Как в archicad поменять язык на русский

Вольфрам альфа собственные векторы

Чтобы получить решение уравнения вида достаточно записать в строке Wolfram|Alpha: f[x]=0, при этом Вы получите некоторую дополнительную информацию, которая генерируется автоматически. Если же Вам необходимо только решение, то необходимо ввести: Solve[f[x]=0, x].

• Solve[Cos[x]+Cos[2x]+Sin[4x]=0,x] или Cos[x]+Cos[2x]+Sin[4x]=0;
• Solve[x^5+x^4+x+1=0,x] или x^5+x^4+x+1=0;
• Solve[Log[3,x^2+x+1]-Log[9,x^2]=0,x] или \Log[3,x^2+x+1]-Log[9,x^2]=0.

Если Ваше уравнение содержит несколько переменных, то запись: f[x, y,…,z]=0 даст весьма разнообразный набор сведений, таких как решение в целых числах, частные производные функции и т. д. Чтобы получить решение уравнения вида по какой-либо одной из переменных, нужно написать в строке: Solve[f[x, y, …, z]=0, j], где — интересующая Вас переменная.

• Cos[x+y]=0 или Solve[Cos[x+y]=0,x] или Solve[Cos[x+y]=0,y];
• x^2+y^2-5=0 или Solve[x^2+y^2-5=0,x] или Solve[x^2+y^2-5=0,y];
• x+y+z+t+p+q=9.

Решение неравенств

Решение в Wolfram Alpha неравенств типа 0″ src=»http://upload.wikimedia.org/math/3/d/9/3d97eb56e02c2889dd20a89529548180.png» />, полностью аналогично решению уравнения . Нужно написать в строке WolframAlpha: f[x]>0 или f[x]>=0 или Solve[f[x]>0, x] или Solve[f[x]>=0,x].

• Cos[10x]-1/2>0 или Solve[Cos[10x]-1/2>0,x];
• x^2+5x+10>=0 или Solve[x^2+5x+10>=0,x].

Если Ваше неравенство содержит несколько переменных, то запись: f[x, y,…,z]>0 или f[x, y,…,z]>=0 даст весьма разнообразный набор сведений, как и в случае соответствующих уравнений. Чтобы получить решение такого неравенства по какой-либо одной из переменных нужно написать в строке: Solve[f[x, y,…,z]>0,j] или Solve[f[x, y,…,z]>=0,j], где — интересующая Вас переменная.

• Cos[x+y]>0 или Solve[Cos[x+y]>0,x] или Solve[Cos[x+y]>0,y];
• x^2+y^3-5 =9.

Решение различных систем уравнений, неравенств и уравнений

Решение систем различного вида в Wolfram Alpha крайне просто. Достаточно набрать уравнения и неравенства Вашей системы, точно так, как это описано выше в пунктах 7. и 8., соединяя их союзом «И», который в Wolfram Alpha имеет вид &&.

Сервис Wolfram Alpha поддерживает возможность построения графиков функций как вида , так и вида . Для того, чтобы построить график функции на отрезке нужно написать в строке Wolfram Alpha: Plot[f[x], ]. Если Вы хотите, чтобы диапазон изменения ординаты был конкретным, например , нужно ввести: Plot[f[x], , ].

Если Вам требуется построить сразу несколько графиков на одном рисунке, то перечислите их, используя союз «И»:Plot[f[x]&&g[x]&&h[x]&&…&&t[x], ].

Для того, чтобы построить график функции на прямоугольнике , нужно написать в строке Wolfram Alpha: Plot[f[x, y], , ]. К сожалению, диапазон изменения аппликаты пока что нельзя сделать конкретным. Тем не менее, интересно отметить, что при построении графика функции Вы получите не только поверхность, которую она определяет, но и «контурную карту» поверхности (линии уровня).

Математический анализ

Wolfram Alpha способен находить пределы функций, последовательностей, различные производные, определенные и неопределенные интегралы, решать дифференциальные уравнения и их системы и многое многое другое.

Пределы

Для того, чтобы найти предел последовательности нужно написать в строке Wolfram Alpha: Limit[x_n, n -> Infinity].

• Limit[n^3/(n^4 + 2*n), n -> Infinity];
• Limit[(1+1/n)^n, n -> Infinity].

Найти предел функции при можно совершенно аналогично: Limit[f[x], x -> a].

Производные

Для того, чтобы найти производную функции нужно написать в строке WolframAlpha: D[f[x], x]. Если Вам требуется найти производную n-го порядка, то следует написать: D[f[x], ]. В том случае, если Вам требуется найти частную производную функции напишите в окне гаджета: D[f[x, y, z,…,t], j], где — интересующая Вас переменная. Если нужно найти частную производную по некоторой переменной порядка n, то следует ввести: D[f[x, y, z,…,t], ], где означает тоже, что и Выше.

Важно подчеркнуть, что Wolfram Alpha выдает пошаговое нахождение производной при нажатии на «Show Steps» в правом верхнем углу выдаваемого ей ответа.

Интегралы

Для того, чтобы найти неопределенный интеграл от функции нужно написать в строке WolframAlpha: Integrate f[x], x. Найти определенный интеграл так же просто: Integrate[f[x], ] либо Integrate f(x), x=a..b.

Важно подчеркнуть, что Wolfram Alpha выдает пошаговое нахождение интеграла при нажатии на «Show Steps» в правом верхнем углу выдаваемого ей ответа.

Дифференциальные уравнения и их системы

Чтобы найти общее решение дифференциального уравнения нужно написать в строке WolframAlpha: F[x, y, y’,y»,…] (при k-й производной y ставится k штрихов).

Если Вам требуется решить задачу Коши, то впишите: F[x, y, y’,y»,…], y[s]==A,y'[s]==B, …. Если нужно получить решение краевой задачи, что краевые условия, так же перечисляются через запятую, причем они должны иметь вид y[s]==S.

Решение систем дифференциальных уравнений также просто, достаточно вписать: , где f_1, f_2, …, f_n — дифференциальные уравнения, входящие в систему. К сожалению, решение задач Коши и краевых задач для систем дифференциальных уравнений пока-что не поддерживается.

Ошибки при работе с системой

Система может допускать некоторые ошибки при решении сложных задач. К примеру, если попытаться решить неравенство , для чего ввести запрос solve (3x^2-18x+24)/(2x-2)-(3x-12)/(2x^2-6x+4) x 2 /3 — 3x + 12

factor x^2/3 — 3x + 12

и нажимаем равно (=).

Например, разложить на слагаемые

Partial fraction expansion(1-x^2)/(x^3+x)

используются формулы разложения функций в ряд Тейлора (Taylor series) и ряд Маклорена (Maclaurin series) или

Series expansion at x=0

Разложить в ряд Лорана:

Laurent expansion z*cos(1/z) at z =0

Найти вычет функции в точке:

residue of (e^(1/(1-z^2 ))/((1-e^z )* sin⁡(z^2 ) )) at point z = 0

Чтобы упростить выражение f[x], наберите команду Simplify[f[x]]

Комплексно сопряженное z*

Альфа вольфрама doesn’ t дают правильные собственные значения?

Я использовал WolframAlpha вычислить собственные векторы матрицы

$$ A= \begin 1-a & 0 & (1-a)b & 0\\ a & 0 & ab & 0\\ 0 & 1-a & (1-a)(1-b) & (1-a)b\\ 0 & a & a(1-b) & 1-(1-a)b \end $$

за $a=0.35, b=0.5$ с командой

Это дает то, что я думаю, правильный результат в разделе результата: $ (0.513344, 0.276416, 0.552832, 0.595357) $ (вектор которого мне интересно), но в разделе собственного значения есть $\\lambda_1 =-1.3033$ и не $ за 1$, как я ожидал. Кроме того, в разделе собственных векторов там разве вектор не дан в результате (или его кратное число), что произошло с этим?

Other software give the eigenvalue $1$ and the same eigenvector. Here’s the matrix for input there if somebody wants to check

0.350 0.000 0.175 0.000

0.000 0.650 0.325 0.325

Я проверил и перепроверил и все еще получаю эту странную продукцию от Уолфрэм Альфы.

PS, Если я изменяю команду на собственные значения, тогда она дает $ за 1. $ и также другие собственные значения правильно (до точности). Таким образом, ясно это — ошибка в WA.

Как найти собственные вектора матрицы wolfram mathematica

Посчитать собственные вектора и собственные числа положительно определенной матрицы в NetLink.

Собственные числа и вектора матрицы (где ошибка?)
с коефициентом λ=-1 какая-то ересь выходит а вот с остальными все нормально. где ошибка. там.

Найти собственные значения и собственные вектора
Найти собственные значения и собственные вектора. | -3 0 6 | | 8 2 9 | | 4 2 1 |

Как проверить, что ты верно нашел собственные числа и вектора матрицы?
Здравствуйте! Подскажите, пожалуйста, как можно проверить правильность найденных собственных чисел.

Как найти собственные значения и собственные векторы матрицы?
Дано матрица вида A=\begin

Найти собственные значения.

Проблема с вычислением собственных значений с помощью математики

В основном я пытаюсь найти собственные значения для матрицы, и это занимает около 12 часов. Когда он заканчивает, он говорит, что не может найти все собственные векторы (на самом деле их почти нет), и я скептически отношусь к тем, которые он нашел. Все, что я действительно могу сделать, это опубликовать свой код, и я надеюсь, что кто-нибудь сможет сделать мне несколько предложений. Я не очень разбираюсь в математике, и, возможно, медленное время выполнения и плохие результаты как-то связаны со мной, а не со способностями математика. Спасибо всем, кто отвечает, я очень признателен.

Моего кода немного больше, но сейчас он действительно замедляется. Что я должен обязательно упомянуть, так это то, что если я установлю m1 и m2 равными нулю, у меня действительно не будет никаких проблем, но установка m1 на константу заставит все пойти к черту.

2 ответа

Ваша проблема в том, что константа mS остается символической. Это означает, что Mathematica пытается найти собственные значения аналитически, а не численно. Если ваша проблема позволяет вам выбрать числовое значение для mS , сделайте это.

Другая, не связанная с этим проблема заключается в том, что вы используете рекурсивную формулу и хотите использовать, например, мемоизацию в следующей строке

Дополнительный v[n, m] = хранит значение для заданных n и m , поэтому вам не нужно повторять весь путь до v[0,0] каждый раз, когда вызывается h[n, m] в Table[] .

Когда эти две вещи позаботились о моем старом дуэте Core 2, на выполнение собственных значений уходит меньше минуты.

Это продолжение ответа Тимо. Я хочу показать цифру, поэтому помещаю ее в качестве ответа, а не комментария.

Учитывая, что вы хотите найти собственные значения матрицы, содержащей 501 x 501 символических элементов. [Кстати, вы называете их константами, но это неправильное название. Константы — это просто определенные фиксированные значения с именем. То, что вы описываете в своем комментарии к ответу Тимо, является символической переменной.]

Приятно видеть, что делает полностью символьная матрица для вычислений собственных значений. Это для матрицы 2 x 2:

Занимает Array[f, ] // Eigenvalues//ByteCount = 3384 байта. Это довольно быстро взрывается: решение 7×7 уже занимает 70 МБ (на то, чтобы найти это, нужно несколько минут). На самом деле между размером матрицы и количеством байтов можно найти хорошую связь:

Подгоняемая функция: количество байтов = E ^ (2,2403067075863197 + 2,2617380321848457 x размер матрицы).

Как видите, собственные значения символьной матрицы 501 x 501 не будут найдены до конца вселенной.

WolframAlpha по-русски

Математика с WolframAlpha ® . Объяснения с примерами.

Собственные векторы и собственные числа матрицы в Вольфрам Альфа

Диагональная матрица — это наиболее «удобный» вид матриц, действия с такими матрицами выполняются наиболее просто.

Квадратная невырожденная матрица А порядка n приводится к диагональному виду по формуле

где S — квадратная невырожденная матрица, столбцы которой являются собственными векторами матрицы А, а

— диагональная матрица, по диагонали которой располагаются собственные числа (значения) матрицы А.

Чтобы найти собственные векторы и собственные числа данной квадратной невырожденной матрицы система Вольфрам Альфа предлагает несколько запросов, а также встроенный калькулятор собственных векторов и собственных значений матрицы.

Собственные числа (значения) матрицы

Прежде всего, для отыскания собственных чисел (собственных значений) матрицы можно использовать такой запрос:

Собственные векторы матрицы

Для отыскания собственных векторов исходной матрицы служит такой запрос

Таким образом, получим:

В Вольфрам Альфа можно использовать еще один запрос на отыскание собственных векторов и собственных чисел матрицы, который может оказаться более удобным, поскольку результаты выводятся в наиболее компактном формате:

Калькулятор собственных числе и собственных векторов

Наконец, для отыскания собственных векторов и собственных значений матрицы в Вольфрам Альфа имеется специальный калькулятор: