Как найти линейное преобразование онлайн

Линейные операторы (преобразования)

Определение линейных операторов (преобразований)

Линейным преобразованием (линейным оператором) линейного пространства называется линейное отображение пространства в себя.

Поскольку линейное преобразование является частным случаем линейного отображения, к нему применимы все понятия и свойства, рассмотренные для отображений: инъективность, сюръективность, биективность, обратимость, ядро, образ, дефект, ранг и т.д.

Матрицей линейного оператора (преобразования) в базисе пространства называется квадратная матрица , составленная из координатных столбцов образов базисных векторов , найденных относительно базиса .

Матрица биективного линейного оператора (преобразования) обратима, т.е. невырождена. Поэтому биективное (обратимое) преобразование называют также невырожденным.

---

Примеры линейных операторов (преобразований)

1. Обозначим — нулевое преобразование n-мерного пространства , которое ставит в соответствие любому вектору нулевой элемент пространства . Это преобразование не является инъективным, сюръективным, биективным, обратимым. Матрица нулевого преобразования (в любом базисе) нулевая, ядро преобразования , образ преобразования , дефект , ранг .

2. Обозначим — тождественное преобразование n-мерного пространства , которое ставит в соответствие каждому вектору этот же вектор . Это преобразование является инъективным, сюръективным, биективным, обратимым. Матрица тождественного преобразования (в любом базисе) единичная n-го порядка, ядро преобразования , образ преобразования , дефект , ранг .

3. Обозначим — центральную симметрию n-мерного пространства (относительно нулевого вектора ), т.е. преобразование, которое каждому вектору ставит в соответствие противоположный ему вектор: . Это преобразование линейное, инъективное, сюръективное, биективное, обратимое. Матрица преобразования противоположна единичной (в любом базисе): ; ядро преобразования , образ преобразования , дефект , ранг .

4. Обозначим — гомотетию n-мерного пространства (с коэффициентом ), т.е. преобразование, которое каждому вектору ставит в соответствие коллинеарный ему вектор: . Это преобразование линейное. При оно инъективное, сюръективное, биективное, обратимое. Матрица преобразования пропорциональна единичной (в любом базисе): , ядро преобразования , образ преобразования , дефект , ранг . При (см. пункт 1); при (см. пункт 2); при (см. пункт 3).

5. Рассмотрим линейное пространство радиус-векторов (с общим началом в точке ), принадлежащих одной плоскости (рис. 9.1). Обозначим — поворот вокруг точки (на угол в положительном направлении (против часовой стрелки)). Это преобразование линейное, инъективное, сюръективное, биективное, обратимое. Найдем матрицу поворота в стандартном ортонормированием базисе . Раскладывая образы базисных векторов по базису, получаем

Составляем матрицу (9.1) преобразования (оператора), записывая найденные координаты образов по столбцам:

Ядро оператора (преобразования) , образ преобразования , дефект , ранг . При (см. пункт 2); при (см. пункт 3).

6. Обозначим — оператор дифференцирования, который каждому многочлену степени не выше и ставит в соответствие его производную, рассматриваемую как многочлен степени не выше . Это преобразование линейное, неинъективное, несюръективное, небиективное, необратимое. Квадратная матрица ((n+l)-го порядка) преобразования в стандартном базисе имеет вид

Ядро преобразования — пространство многочленов нулевой степени, образ — пространство многочленов степени не выше , дефект , ранг .

Рассмотрим преобразование линейного пространства тригонометрических многочленов (частоты ) с действительными коэффициентами: , т.е. — множество функций вида , где . Заметим, что это множество является двумерным вещественным линейным пространством. Стандартный базис пространства образуют функции , поскольку они линейно независимы (тождественное равенство нулю возможно только в тривиальном случае ). При дифференцировании функции получаем функцию того же вида. Следовательно, преобразование определено. Это преобразование линейное, инъективное, сюръективное, биективное, обратимое. Найдем матрицу преобразования в стандартном базисе . Раскладывая образы базисных векторов, получаем

Составляем матрицу (9.1) преобразования, записывая найденные координаты образов по столбцам: . Ядро преобразования — нулевое подпространство, образ , дефект , ранг , .

Аналогичными свойствами обладает преобразование , где — множество функций вида с комплексными коэффициентами и . Множество является двумерным комплексным линейным пространством.

7. Пусть линейное пространство разлагается в прямую сумму подпространств . Обозначим — оператор проектирования на подпространство параллельно подпространству , который каждому вектору , где , ставит в соответствие его составляющую (проекцию) , т.е. (рис.9.2). Это преобразование линейное. При оно неинъективное, несюръективное, небиективное, необратимое. Ядро преобразования , образ преобразования , дефект , Ранг ,. При ; при .

8. Пусть линейное пространство разлагается в прямую сумму подпространств . Обозначим — оператор отражения в подпространстве параллельно подпространству (или преобразование симметрии относительно подпространства параллельно подпространству ), который каждому вектору , где , ставит в соответствие вектор , т.е. (рис. 9.3). Это преобразование линейное, инъективное, сюръективное, биективное, обратимое. Ядро преобразования , образ преобразования , дефект , ранг . При .

---

Матрицы линейного оператора (преобразования) в разных базисах

Найдем связь матриц одного и того же линейного оператора (преобразования) в разных базисах.

Пусть в базисе преобразование имеет матрицу , а в базисе — матрицу . Если — матрица перехода от базиса к базису , то

Докажем формулу (9.4). Пусть векторы и в базисах и имеют координатные столбцы и соответственно. Если , то по формуле (9.2) имеем

Подставляя в первое равенство связи координат векторов в разных базисах получаем или, учитывая обратимость матрицы . Сравнивая последнее равенство с , убеждаемся в справедливости (9.4).

Замечания 9.2

1. Матрицы линейного преобразования в разных базисах оказываются подобными. И наоборот, любые две подобные матрицы являются матрицами некоторого линейного преобразования, найденными относительно разных базисов.

2. Для матриц преобразований справедливы свойства, рассмотренные ранее. В частности, при фиксированном базисе матрица суммы преобразований равна сумме их матриц, матрица произведения преобразования на число равна произведению матрицы преобразования на это же число, матрица композиции преобразований равна произведению матриц преобразований, матрица обратного преобразования является обратной для матрицы обратимого преобразования.

---

Алгебра линейных операторов (преобразований)

Рассмотрим множество — линейных преобразований (операторов) n-мерного линейного пространства . Напомним, что два преобразования и называются равными, если .

На множестве определены две линейные операции: сложение преобразований и умножение преобразования на число, поскольку в результате этих операций получается линейное преобразование.

Нетрудно показать, что эти операции удовлетворяют условиям:

1. ;

2. ;

3. существует нулевое преобразование такое, что ;

4. для каждого преобразования существует противоположное преобразование такое, что ;

5. и любого числа ;

6. и любых чисел ;

7. и любых чисел ;

8. .

В условиях 5-7 говорится о числах из того же числового поля, над которым определено линейное пространство .

Условия 1-8 повторяют аксиомы линейного пространства. Поэтому множество с линейными операциями является линейным пространством. Если пространство вещественное (комплексное), то и пространство вещественное (комплексное).

Найдем размерность пространства . При фиксированном базисе имеется взаимно однозначное соответствие между линейными преобразованиями и их матрицами, причем это соответствие сохраняет линейные операции. Следовательно, пространство изоморфно пространству — квадратных матриц n-го порядка. Размерность пространства равна . По теореме 8.3:

то есть

Кроме линейных операций в множестве определена операция умножения элементов. Произведением преобразований и назовем их композицию, т.е. . В результате композиции линейных преобразований получается линейное преобразование. Операция умножения удовлетворяет следующим условиям:

1. ;

2. ;

3. ;

4. существует тождественное преобразование такое, что .

Первое условие выражает ассоциативность операции умножения, условия 2 и 3 — законы дистрибутивности, условие 4 — существование нейтрального элемента. Множество с операциями сложения и умножения элементов является кольцом с единицей (вообще говоря, некоммутативное, так как в общем случае ).

Операции умножения операторов (преобразований) и произведения операторов на число (из заданного числового поля) удовлетворяют условию:

5.

Линейное пространство, которое является кольцом, удовлетворяющим условию 5, называется алгеброй. Поэтому множество называют алгеброй линейных операторов (преобразований).

---

Многочлены от линейного оператора (преобразования)

В алгебре можно определить целую неотрицательную степень оператора , полагая по определению

Пусть — многочлен переменной . Многочленом от линейного преобразования называется преобразование .

Многочлен называется аннулирующим для линейного преобразования , если — нулевое преобразование. Заметим, что у каждого линейного преобразования n-мерного линейного пространства существует аннулирующий многочлен степени не выше . Действительно, система из элементов линейного пространства линейно зависима (так как ). Поэтому существуют такие числа , не все равные нулю одновременно, что . Следовательно, многочлен — аннулирующий для преобразования .

---

Замечания 9.3

1. При фиксированном базисе каждому преобразованию (оператору) можно сопоставить его матрицу. Свойства линейных операций 1-8, записанные для матриц преобразований, повторяют свойства линейных операций с матрицами, а свойствам 1-5 произведения операторов отвечают свойства операции умножения матриц.

2. При фиксированном базисе многочлен от линейного преобразования имеет матрицу , где — матрица преобразования в том же базисе. Поэтому свойства многочленов от матриц переносятся на многочлены от линейного преобразования. В частности, многочлены от одного преобразования перестановочны:

3. Функции от матриц определяются при помощи многочленов от матриц. Поэтому можно определить функции от линейных преобразований.

Математический форум (помощь с решением задач, обсуждение вопросов по математике).

Если заметили ошибку, опечатку или есть предложения, напишите в комментариях.

Примеры решений. Линейные операторы

В этом разделе вы найдете бесплатные решения задач, касающиеся линейных операторов (преобразований, отображений): нахождение матрицы оператора в разных базисах, проверка его свойств, нахождение собственных (характеристических) значений и векторов.

Решения задач: линейные операторы

Задача 1. Найти характеристические числа и собственные векторы линейного преобразования $A$, заданного уравнениями $x’=5x+4y, y’=8x+9y$.

Задача 2. Найти в ортонормированном базисе $(i,j,k)$ матрицу линейного оператора $f: E^3 rightarrow E^3$, переводящего любой вектор $x$ в вектор $y=f(x)$, $f(x)=(a,x)a$, если $a=i-j+2k$.

Задача 3. Даны два линейных преобразования. Средствами матричного исчисления найти преобразование, выражающее $x_1”, x_2”, x_3”$ через $x_1, x_2, x_3$.

Задача 4. Установить, являются ли заданные отображения $A: R^4 to R^4$ линейными. В случае линейности отображения записать матрицу оператора $A$ в каноническом базисе

$$ e_1=(1,0,0,0); e_2=(0,1,0,0); e_3=(0,0,1,0); e_4=(0,0,0,1). $$
$$ Ax=(x_1-2x_4; x_2+x_3; -x_1; x_1+3x_2);quad Ax=(x_1-2x_4; x_2cdot x_3; -x_1; x_1+3x_2). $$

Задача 5. Найти собственные значения и собственные вектора линейного оператора, заданного в некотором базисе матрицей $А$.

$$A=
begin{pmatrix}
-2 & -2 & -4\
-2 & 1 & -2\
5 & 2 & 7\
end{pmatrix}
$$

Задача 6. Линейный оператор $A: R^3 to R^3$ в базисе $e_1, e_2, e_3$ представлен данной матрицей. Найти матрицу этого линейного оператора в базисе $f_1, f_2, f_3$ .

$$A=
begin{pmatrix}
-2 & 1 & -1\
1 & 3 & -4\
-1 & 2 & 1\
end{pmatrix}, quad left{
begin{aligned}
f_1&=e_1-e_2+3e_3,\
f_2&=4e_1+e_2-e_3,\
f_3&=2e_1-3e_2.\
end{aligned}
right.
$$

Калькулятор симплекс-метода

Как пользоваться калькулятором

• Задайте количество переменных и ограничений
• Введите коэффициенты целевой функции
• Введите коэффициенты ограничений и выберите условия (≤, = или ≥)
• Выберите тип решения
• Нажмите кнопку “Решить”

Что умеет калькулятор симплекс-метода

• Решает основную задачу линейного программирования
• Позволяет получить решение с помощью основного симплекс-метода и метода искусственного базиса
• Работает с произвольным количеством переменных и ограничений

Что такое симплекс-метод

Задача линейного программирования — это задача поиска неотрицательных значений параметров, на которых заданная линейная функция достигает своего максимума или минимума при заданных линейных ограничениях.

Симплекс-метод — алгоритм решения оптимизационной задачи линейного программирования путём перебора вершин выпуклого многогранника в многомерном пространстве. Алгоритм является универсальным методом, которым можно решить любую задачу линейного программирования.

Если вам тоже ничего не понятно из этого определения, то вы на верном пути. Чаще всего статьи про симплекс-метод очень сильно углубляются в дебри теории задачи линейного программирования, из-за чего очень легко потерять суть и так ничего и не понять. Мы постараемся описать алгоритм симплекс-метода так, чтобы показать, что в нём нет ничего страшного и на самом деле он весьма простой. Но сначала нам всё-таки потребуется ввести несколько определений.

Целевая функция — функция, максимум (или минимум) которой нужно найти. Представляет собой сумму произведений коэффициентов на значения переменных: F = c₁·x₁ + c₂·x₂ + … + c_n·x_n

Ограничение — условие вида a₁·x₁ + a₂·x₂ + … + a_n·x_n v b, где вместо v ставится один из знаков: ≤, = или ≥

План — произвольный набор значений переменных x₁ … x_n.

Алгоритм решения основной задачи ЛП симплекс-методом

Пусть в задаче есть m ограничений, а целевая функция заивисит от n основных переменных. Первым делом необходимо привести все ограничения к каноническому виду — виду, в котором все условия задаются равенствами. Для этого предварительно все неравенства с ≥ умножаются на -1, для получения неравенств с ≤.

Чтобы привести ограничения с неравенствами к каноническому виду, для каждого ограничения вводят переменную, называемую дополнительной с коэффициентом 1. В ответе эти переменные учитываться не будут, однако сильно упростят начальные вычисления. При этом дополнительные переменные являются базисными, а потому могут быть использованы для формирования начального опорного решения.

Формирование начального базиса

После того как задача приведена к каноническому виду, необходимо найти начальный базис для формирования первого опорного решения. Если в процессе приведения были добавлены дополнительные переменные, то они становятся базисными.

Иначе необходимо выделить среди коэффициентов ограничений столбец, который участвует в формировании единичной матрицы в заданной строке (например, если требуется определить вторую базисную переменную, то необходимо искать столбец, в котором второе число равно 1, а остальные равны нулю). Если такой столбец найден, то переменная, соответствующая этому столбцу, становится базисной.

В противном случае можно поискать столбец, в котором все значения кроме числа в заданной строке равны нулю, и, если он будет найден, то разделить все значения строки на число, стоящее на пересечении этих строки и столбца, тем самым образовав столбец, участвующий в формировании единичной матрицы.

Если такой столбец отсутствует, то для формирования базиса необходимо применить исключение Гаусса для первого ненулевого столбца, который ещё не является базисным. Для этого вся строка делится на элемент в найденном столбце, а из остальных строк вычитается полученная строка, разделённая на значение, стоящее в этом же столбце. После этой операции все значения вне данной строки будут обнулены, и столбец можно будет считать базисным.

После того как базис сформирован, нужно построить начальную симплекс-таблицу. Она строится следующим образом:

• Для удобства в первой строке можно записать коэффициенты C_i целевой функции (для дополнительных переменных эти коэффициенты равны нулю)
• Вторая строка формирует шапку таблицы. В ней первый столбец называется базис, а остальные перечисляют основные переменные x₁..x_n и дополнительные x_n+1..x_n+k
• Затем построчно перечисляются базисные переменные и коэффициенты ограничений

Схематично начальная таблица будет выглядеть примерно так:

C	с1	c2	…	cn	0	0	…	0	0
базис	x1	x2	…	xn	xn+1	xn+2	…	xn+k	b
xe1	a11	a12	…	a1n	a1n+1	a1n+2	…	a1n+k	b1
xe2	a21	a22	…	a2n	a2n+1	a2n+2	…	a2n+k	b2
…	…	…	…	…	…	…	…	…	…
xem	am1	am2	…	amn	amn+1	amn+2	…	amn+k	bm

Избавляемся от отрицательных свободных коэффициентов

После приведения к каноническому виду или после алгебраических преобразований при формировании базиса некоторые из свободных коэффициентов (b_i) могли стать отрицательными, что не позволяет перейти к дальнейшим вычислениям. Чтобы избавиться от отрицательных значений b необходимо:

• Найти строку, в которой находится максимальное по модулю значение b. Пусть это будет строка i;
• Найти максимальный по модулю элемент в этой строке. Пусть он находится в столбце j;
• Строку i разделить на элемент, стоящий на пересечении i-ой строки и j-го столбца;
• Из каждой оставшейся строки k вычесть строку i, умноженную на элемент строки k и столбца j;
• Переменную, соответствующую найденному столбцу j, сделать базисной (добавить в базис вместо переменной, находящейся в строке i).

Этот шаг необходимо повторять до тех пор, пока все отрицательные b не станут положительными или в строке не останется отрицательных элементов. Если строка с максимальным по модулю b_i не содержит отрицательных элементов, то такая задача не имеет решений и на этом алгоритм заканчивает свою работу. В противном случае все b_i положительны и алгоритм переходит к следующему этапу — расчёту дельт.

Расчёт дельт

Дельты — это параметры, на основании которых проверяется оптимальность текущего решения и улучшается функция. Они рассчитываются для каждой из переменных ограничений и записываются последней строкой таблицы.

Для расчёта дельт используется следующая формула: Δ_i = c_e1·a_1i + c_e2·a_2i + … + c_em·a_mi – c_i. Проще говоря, чтобы вычислить дельту по заданной i-ой переменной, нужно перемножить коэффициенты условий в i-ом столбце на коэффициенты целевой функции при соответствующих базисных переменных, сложить эти произведения и вычесть из полученной суммы коэффициент целевой функции столбца i.

Проверка плана на оптимальность

После того как дельты рассчитаны, необходимо проверить оптимальность текущего плана. Критерий оптимальности формулируется следующим образом:
При максимизации функции: текущее решение считается оптимальным, если в таблице отсутствуют отрицательные дельты.
При минимизации функции: текущее решение считается оптимальным, если в таблице отсутствуют положительные дельты.

Если текущий план оптимален, то алгоритм завершает свою работу. Значениям переменных соответствуют значения столбца свободных коэффициентов b. Если свободной переменной нет в базисе, то её значение считается нулевым. Значение целевой функции, принимаемой на данном наборе, находится в строке с дельтами в том же столбце. Если какое-либо из значений столбца b отрицательно, то решения задачи не существует.

Переход к более оптимальному решению

Если текущий план оказался не оптимальным, то алгоритм ищет столбец с наименьшей (с наибольшей, если ищется минимум) дельтой. После чего вычисляются симплекс-отношения Q. Для этого значения свободных коэффициентов делятся на ненулевые коэффициенты из найденного столбца. Если результат деления получается отрицательным, то такие отношение игнорируются.

Среди найденных симплекс-отношений ищется строка, в которой находится симплекс-отношение с наименьшим значением. Если таких отношений нет, то алгоритм останавливает свою работу, так как целевая функция не ограничена и решения не существует.

В противном случае строка с наименьшим отношением считается разрешающей и, аналогично избавлению от отрицательных свободных коэффициентов, делится на разрешающий элемент, расположенный в найденных столбце и строке, и из остальных строк вычитается найденная строка, разделённая на значения, стоящие в этом же столбце соответствующей строки. Переменная, стоящая в разрешающем столбце заменяет базисную переменную, находящуюся в найденной строке.

После этого вычисляются новые дельты и проверяется новый план. Так продолжается до тех пор пока не будет выполнен критерий оптимальности плана или не будет установлено, что решение не существует.

Метод искусственного базиса

Очень часто при решении задачи линейной оптимизации бывает довольно сложно выполнять алгебраические преобразования над коэффициентами ограничений для поиска начального базиса. Для упрощения вычислений существует альтернативный метод решения, называемый методом искусственного базиса. Его суть заключается в том, что вместо того, чтобы искать базис среди имеющихся основных и дополнительных переменных, ввести так называемые искусственные переменные, которые сформируют начальный базис. Возможно, звучит сложно и непонятно, но сейчас мы всё объясним.

Подготовительный этап

Аналогично базовому симплекс-методу для всех ограничений с неравентством вводятся дополнительные переменные, причём для ограничений с ≥ они берутся с коэффициентом -1, а для ограничений с ≤ с коэффициентом 1. Ограничения с равенством остаются без изменений. Если свободный коэффициент какого-либо из ограничений меньше нуля, то такое ограничение умножается на -1 (знак неравенства при этом меняется на противоположный). После этого приступают к поиску базиса.

Онлайн калькулятор нахождение собственных чисел и собственных векторов – Собственный вектор — понятие в линейной алгебре, определяемое для квадратной матрицы или произвольного линейного преобразования как вектор, умножение матрицы на который или применение к которому преобразования даёт коллинеарный вектор — тот же вектор, умноженный на некоторое скалярное значение, называемое собственным числом матрицы или линейного преобразования.

Данный калькулятор поможет найти собственные числа и векторы, используя характеристическое уравнение.

Содержание:

1. Линейные преобразования. Собственные векторы и собственные числа линейного оператора
2. Собственные векторы и собственные числа линейного оператора: определение, свойства
3. Нахождение собственных чисел и собственных векторов
4. Базис пространства из собственных векторов линейного оператора
5. Линейная модель обмена (модель международной торговли)

Линейные преобразования. Собственные векторы и собственные числа линейного оператора

Линейные преобразования (линейные операторы). Матрица линейного преобразования

Пусть задано -мерный пространство . Если каждому вектору поставлено в соответствие единственный вектор

этого же пространства, говорится, что в векторном пространстве  задано преобразование , или оператор .

Вектор – результат линейного преобразования – называют образом вектора , а выходной вектор  – прообразом вектора .

Преобразование называется линейным преобразованием, или линейным оператором, если для произвольных векторов и произвольного действительного скаляра выполняются условия:

То есть линейный оператор преобразует пространство  в то самое пространство. Это записывается следующим образом:

Примерами простейших линейных преобразований являются:
тождественное преобразование: , когда каждый -мерный вектор пространства превращается в самого себя, то есть остается без изменения;

нулевой оператор , когда каждый -мерный вектор пространства превращается в ноль-вектор этого же пространства, то есть

Линейное преобразование , с помощью которого осуществляется восстановление вектора  по его образу , называется обратным к линейным преобразованием. В отличие от матрицы оператор записывают каллиграфическим шрифтом.

Рассмотрим задачу об отыскании координат образа вектора .

Пусть в пространстве  выбрано базис (не обязательно ортонормированный) и есть координатами вектора в этом базисе. Обозначим через координаты вектора в выбранном базисе. по условию , тогда согласно линейностью оператора  получим :

Но образы тоже являются векторами с , поэтому иx можно разложить по тому же базисом. Пусть

где  коэффициенты разложения вектора  по базису  

С учетом (5.5) соотношение (5.4) принимает вид:

Группируя члены правой части относительно векторов базиса, имеем:

С другой стороны, если  являются координатами вектора  в базисе  то его можно представить следующим образом:

Сопоставляем (5.8) из (5.7) и получаем координаты вектора :

Следовательно, при линейном преобразовании:

координаты образа вектора являются линейными комбинациями координат прообраза, коэффициенты при которых составляют матрицу -го порядка (обозначим ее через ):

Матрица , которая в произведении (слева) с вектором с  определяет координаты его образа при линейном преобразовании , Называется матрицей линейного преобразования  в базисе  и пишут:

Каждый – -й – столбец матрицы составляют коэффициенты разложения вектора  по базису каждая – -я – строка определяет коэффициенты разложения координат вектора по координатам вектора .

Обратите внимание, что – нераздельный символ (обозначение вектораобраза), а – произведение матрицы с вектором (прообразом).

Каждому линейном оператору -мерного пространства отвечает матрица -го порядка в данном базисе. И наоборот, каждой матрицы -го порядка отвечает линейный оператор -мерного пространства с определенным базисом.

Например, с помощью оператора линейных преобразований можно описать поворот произвольного вектора с пространства вокруг начала координат на угол  против часовой стрелки. Формулы поворота осей координат (формулы перехода от исходных координат и к новым  и , и наоборот ) определяют алгебраическую форму изображения линейного оператора поворота осей:

где  оператор перехода от исходных (новых) координат к новым (исходных);

 векторы, началом которых является точка , а концами –
точки и , соответственно.

По соотношению (5.12) матрица линейного преобразования} , Описывающий поворот произвольного вектора из пространства вокруг начала координат на угол против часовой стрелки, имеет вид:

а матрица обратного линейного преобразования , то есть такого, что описывает поворот произвольного вектора из пространства вокруг начала координат на угол  по часовой стрелке, имеет вид:

Теорема 5.1 (о связи между матрицами оператора в различных базисах).

Матрицы и  линейного оператора в разных базисах и связаны между собой соотношением:

где  матрица перехода от исходного к новому базису.

Доказательство. Пусть линейный оператор превращает вектор пространства  в вектор того самого пространства. Тогда в матричной форме связь между вектором и его образом в исходном базисе можно записать как , а в новом – как . Поскольку является матрицей перехода от исходного базиса к новому, то в соответствии с (4.18) имеем:

Умножим равенство (5.14) слева на матрицу и получим . Отсюда по определению линейного оператора имеем: . С учетом (5.15):

Сравнив соотношение  и , получаем 

Две квадратные матрицы и называются подобными, если существует такая невырожденная матрица , матрицы и связанные соотношениями:

Соответствующие линейные операторы называются преобразованиями сходства.

Подобные матрицы описывают то же линейное преобразование, но в разных базисах, а матрица является матрицей перехода от одного базиса к другому.

Подобные матрицы имеют те же ранги, суммы элементов главной диагонали и определители.

В базисе и задана матрица линейного оператора :

Определим матрицу , которая отвечает том же оператору в базисе векторов  и  есть матрица  подобна матрице .

Предоставим расписание векторов нового базиса по векторам исходного базиса: . Соответственно, матрица перехода от исходного к новому базису имеет вид:

Ее определитель , то есть матрица невырожденная и имеет обратную: 

По теореме 5.1 определяем матрицу оператора в новом базисе:

Обратите внимание, что в новом базисе матрица оператора оказалась диагональной.

Собственные векторы и собственные числа линейного оператора: определение, свойства

Рассмотрим -мерных линейный пространство  с определенным базисом и матрицу , некоторого линейного оператора пространства.

Ненулевой вектор называют собственным, или характеристическим вектором линейного оператора (или матрицы ), если существует такое действительное число , имеет место равенство:

Скаляр называется собственным, или характеристическим, числом матрицы , или ее собственным значением, соответствует собственному вектору :

Согласно определениями собственного числа и собственного вектора имеем:

1) Если , то каждый ненулевой вектор из  является собственным вектором матрицы , при этом , ведь по свойству единичной матрицы имеем ;
2) любой ненулевой -мерный вектор является собственным вектором нулевой матрицы , при этом , так как .

Поставим задачу нахождения собственных чисел и собственных векторов заданной матрицы 

Поставим задачу нахождения собственных чисел и собственных векторов заданной матрицы

Запишем матричное уравнение (5.17) в развернутом виде:

Таким образом, задача сводится к решению однородной системы линейных уравнений с  неизвестными. Нас интересуют (по определению собственного вектора) только ненулевые векторы, то есть нетривиальные решения системы, поэтому определитель системы (5.18) должен быть равен нулю:

Раскрытие определителя в соотношении (5.19) дает многочлен степени относительно , который называется характеристическим многочленом матрицы , а соотношение (5.19), которое можно представить в виде , определяет уравнение для нахождения собственных чисел, которое называют характеристическим уравнением матрицы .

По основной теореме алгебры уравнения любой матрицы  имеет корней, если каждый из них считать столько раз, какова его кратность. Характеристическое уравнение матрицы может иметь только действительные, но и комплексные корни, то есть числа вида где действительные числа, мнимая единица.

Множество всех собственных чисел матрицы называют спектром матрицы. Если в спектре матрицы то же собственное число повторяется раз, то говорят, что кратность этого собственного числа равна .

Теорема 5.2 (о единственности собственного чucлa, что соответствует собственному вектору). Если – собственный вектор матрицы , то существует единственный скаляр , который удовлетворяет условие .

Доказательство. Предположим, что кроме собственного числа существует еще один
скаляр , такой, что . Тогда должно выполняться равенство . Поскольку по определению собственный вектор является ненулевым, то есть , получим .

Согласно теореме 5.2 говорят, что собственный вектор  из матрицы принадлежит собственному числу . 

Теорема 5.3 (о множестве собственных векторов, принадлежащих собственному числу). Если матрица имеет собственный вектор, принадлежащий собственному числу , то таких векторов бесконечно много.

Доказательство базируется на определении собственного вектора и свойствах ассоциативности и коммутативности операции умножения матрицы на скаляр.

Действительно, пусть собственный вектор матрицы , тогда . Привлечем к рассмотрению вектор , коллинеарный вектору , то есть ,  где , и покажем, что в также является собственным вектором матрицы :

Поскольку равенство (5.19) выполняется для произвольного , то существует множество собственных векторов, принадлежащих данному собственному числу.

Теорема 5.4 (критерий существования собственного вектора , соответствующего собственному числу ). Вектор тогда и только тогда является собственным вектором матрицы , соответствующим собственному числу , когда его координаты образуют ненулевое решение однородной квадратной системы линейных алгебраических уравнений

 или 

Доказательство сводится к тождественных преобразований матричных уравнений.

Необходимость уже доказано переходом от соотношения , к однородной системе линейных уравнений , представленной в развернутом виде (5 18).

Достаточность. На основании свойств действий над матрицами с учетом условия , осуществит переход от однородной системы уравнений в матричной форме с соотношением :

Теорема 5.5 (пpo линейную независимость собственных векторов). Собственные векторы, принадлежащие различным собственным числам, является линейно независимыми.

Доказательство проведем методом от противного. Пусть два произвольные собственные векторы, принадлежащие соответственно собственным числам и . Необходимо показать, что линейная комбинация этих собственных векторов ноль-вектор только тогда, когда , то есть

Предположим обратное. Пусть (5.23) выполняется при условии, что одно из чисел не является нулем, например,

Умножим левую и правую части (5.23) на собственное число . Тогда

Левую и правую части равенства (5.23) умножим на матрицу слева, и, учитывая свойства операций над матрицами, получим:

Сравним (5.25) и (5.24). Получаем:

По условию теоремы . По определению вектор  является ненулевым, поэтому равенство (5.26) возможно только при , то есть предположение о линейной зависимости векторов и  ошибочно.

Если есть более двух собственных векторов, принадлежащих попарно различным собственным числам, доведение аналогичное (с использованием метода математической индукции).

Заметим, что собственные векторы, принадлежащих различным собственным числам, можно использовать как базисные векторы пространства .

Теорема 5.6 (пpo сумму и произведение собственных чисел). Если собственные числа матрицы , то:
1) сумма собственных чисел равна сумме элементов главной диагонали матрицы :

2) произведение собственных чисел равна определителю матрицы :

Доказательство основывается на формулах Виета, которые описывают соотношение между корнями и коэффициентами многочлена -гo степени в случае, когда его старший коэффициент равен единице.

Рассмотрим простейший случай . Запишем характеристическое уравнение в развернутом виде:

С (5.29) по теореме Виета (для квадратного уравнения) имеем:

Сумму всех диагональных элементов матрицы называют следом (от нем. spur – след) этой матрицы и обозначают .

Для квадратной матрицы произвольного порядка теорему 5.6 в символьном виде можно записать так:

при этом собственное число берем столько раз, какова его кратность как корня характеристического уравнения (5.29).

Нахождение собственных чисел и собственных векторов

Рассмотрим алгоритм нахождения собственных чисел матрицы и собственных векторов, которые им принадлежат.
Согласно соотношениями (5.18) и (5.19) имеем такой порядок отыскания собственных чисел и собственных векторов матрицы.
1. Составляем по исходной матрицей характеристическое уравнение (5.18) и решаем его, то есть находим спектр собственных чисел.
2. Подставляем поочередно каждое собственное число в систему (5.18) и находим все ее нетривиальные решения, что и дает множество собственных векторов, принадлежащих соответствующему собственному числу.

Замечания. Множество всех собственных векторов, принадлежащих определенному собственному числу, можно представить как линейную комбинацию фундаментальных решений однородной системы уравнений согласно (4.19), гл. 4.

Найдем собственные числа и собственные векторы матрицы

Характерным уравнением этой матрицы является квадратное уравнение:

Решив его, получим собственные числа  и 

Теперь описываем множества и всех собственных векторов, принадлежащих найденным собственным числам.

Для этого в матрицу вместо подставим поочередно значения собственных чисел, запишем соответствующую систему однородных линейных уравнений (5.18) и решим ее:

Предоставляя параметру произвольных значений, для данного собственного числа получим совокупность коллинеарных между собой собственных векторов.

Теорема 5.7 (про собственные числа и собственные векторы симметричной матрицы).

Симметричная матрица имеет только действительные собственные числа. Собственные векторы, принадлежащие разным собственным числам, ортогональны и линейно независимы.

Теорема приводим без доказательства.
Проиллюстрируем прав выводов данной теоремы на примере.

Пусть имеем симметричную матрицу

Найдем собственные числа и собственные векторы этой матрицы и докажем ортогональность собственных векторов, соответствующих различным собственным числам.

1. Составим характеристическое уравнение матрицы

2. Найдем корни полученного кубического уравнения относительно . С элементарной алгебры известно, если многочлен со старшим коэффициентом, равным единице, имеет целые корни, то их следует искать среди делителей свободного члена. Перебирая делители числа 36, убеждаемся, что является корнем уравнения (5.30).

Нахождение других двух корней сводится к решению квадратного уравнения:

3. Опишем множества и собственных векторов, принадлежащих найденным собственным числам.

Для этого в матрицу  вместо подставляем поочередно значения собственных чисел, записываем соответствующую систему однородных линейных уравнений (5.17) и решаем ее методом Жордана-Гаусса:

Аналогично находим собственные векторы  и 

Система векторов  и  является линейно независимой, поскольку 

Убеждаемся, что векторы  и  – попарно ортогональны.
Для этого определим их скалярные произведения:

Поскольку скалярные произведения векторов равны нулю, то векторы попарно ортогональны.
Если в выражениях (5.31-5.33) положить , то получим систему векторов:

которая использовалась как базис пространства в примере после теоремы   и . В таком базисе, то есть базисе из собственных векторов, матрица оператора оказалась диагональной, ее ненулевыми элементами являются собственные числа матрицы .

Теорема 5.8 (о преобразовании матрицы к диагональному виду). Матрица линейного оператора в базисе имеет диагональный вид тогда и только тогда, когда все векторы базиса являются собственными векторами матрицы .
Теорему наводим  без доказательств

Заметим, что при нахождении собственных чисел для заданной матрицы самой задачей является решение алгебраического уравнения -й степени, что во многих случаях сделать невозможно без использования приближенных методов. Изучение приближенных методов выходит за пределы программы. Поэтому предлагаем воспользоваться известными программами MatLab, MathCad, Maple и др.

Следующий пример был решен в пакете MatLab, в котором конечный результат вычислений предоставляется без промежуточных выкладок.
Найдем собственные числа и соответствующие им собственные векторы матрицы

Характерным уравнением для нахождения собственных чисел является уравнение

корнями которого будут числа  а соответствующие им собственные векторы имеют вид: 

Собственные числа и собственные векторы матриц имеют широкий спектр использования, в частности, в аналитической геометрии (Раздел 2), в задачах различных отраслей естественных наук и эконометрики.

Базис пространства из собственных векторов линейного оператора

По теореме 5.5 собственные векторы, принадлежащие разным собственным числам, являются линейно независимыми. Возникает вопрос, при каких условиях существует базис линейного пространства , построенный из собственных векторов матрицы.
Лема. Если является собственным числом матрицы , то множество собственных векторов матрицы содержит линейно независимых векторов, где – ранг матрицы .

Доказательство. Согласно теореме 5.4 множество собственных векторов совпадает с множеством всех решений однородной системы линейных уравнений: 

где – собственный вектор матрицы , что соответствует собственному числу . По теореме 4.4 такая система имеет фундаментальную систему решений, количество векторов которой равна , то есть содержит – линейно независимых векторов.

Теорема 5.9 (о существовании базиса из собственных векторов матрицы). Пусть числа образуют множество всех различных собственных чисел матрицы . Если сумма рангов матриц равна , то в пространстве существует базис из собственных векторов матрицы .

Доказательство. Согласно лемме каждое множество собственных векторов, соответствующих уравнению , содержит независимые векторы в количестве . По теореме 5.5 собственные векторы, принадлежащие разным собственным числам, являются линейно независимыми. Тогда для матрицы общее количество линейно независимых собственных векторов составляет:

Поскольку собственные векторы матрицы  в совокупности составляют систему линейно независимых векторов, то они образуют базис пространства .

Теорема 5.10 (о существовании базиса из собственных векторов симметричной матрицы). Если матрица линейного оператора симметрична, то в пространстве существует базис, образованный из собственных векторов матрицы .

Теорему принимаем без доказательств.
Построим ортонормированный базис пространства , состоящий из собственных векторов матрицы

линейного преобразования , и найдем матрицу заданного преобразования в этом базисе.

Согласно теореме 5.9 такой базис существует, поскольку матрица является симметричной матрицей. Составим характеристическое уравнение матрицы :

и решим его: (собственное значение кратности ) и

Для каждого из двух различных собственных чисел матрицы определим фундаментальную систему решений однородной системы уравнений: . При в результате элементарных преобразований основной матрицы системы получаем:

По последним шагом элементарных преобразований матрицы записываем общее решение системы:

Определяем фундаментальную систему решений однородной системы уравнений 

Собственные векторы и являются ортогональными, поскольку их скалярное произведение равно нулю: 

При в результате элементарных преобразований основной матрицы системы получаем:

По последнем шагом элементарных преобразований матрицы записываем общее решение системы:

Возлагаем и получаем фундаментальный решение однородной системы уравнений 

Поскольку и , то все три вектора попарно ортогональны. Объединив полученные фундаментальные системы решений, иметь систему собственных векторов матрицы  . Они образуют ортогональный базис пространства . После нормирования векторы приобретают вид:

Это и есть ортогональный базис пространства , состоящий из собственных векторов матрицы .

По соотношению (5.13) определим матрицу , что соответствует оператору в базисе из собственных векторов. Согласно теореме 5.8 эта матрица будет иметь диагональный вид, а элементами ее главной диагонали будут собственные числа этой матрицы. Заключим с собственными векторами , и матрицу перехода к новому базису и найдем обратную к ней матрицу :

По матричным уравнением (5.13) находим матрицу , что соответствует оператору в базисе из собственных векторов:

Следовательно, мы получили диагональную матрицу третьего порядка, элементами главной диагонали которой есть собственные числа матрицы .

Далее приведен пример применения собственных векторов и собственных чисел в одной из многих задач экономики.

Линейная модель обмена (модель международной торговли)

Практически все страны кроме внутреннего товарообмена осуществляют внешний товарообмен, то есть занимаются внешней торговлей. Торговля считается сбалансированной, или бездефицитной, если для каждой страны прибыль от торговли не меньше объем средств, которые она вкладывает в товарооборот (внутренний и внешний).

Постановка задачи. Несколько стран осуществляют взаимный товарообмен. Известную долю бюджетных средств, тратит каждая страна на закупку товаров у другой страны, учитывая и внутренний товарооборот. Определить, каким должно быть соотношение бюджетов партнеров для того, чтобы обеспечить бездефицитность торговли.  

Построение математической модели. Введем обозначения количественных характеристик, описывающих торговлю между странами, и определим связь между этими характеристиками. Пусть – страны, участвующие в международной торговле. Доли средств, которые тратит страна на закупку товаров в стране , учитывая и внутренний товарооборот , обозначим через . Понятно, что

Матрицу , элементами которой являются числа , называют структурной матрицей торговли:

Эта матрица описывает взаимодействие стран в процессе международной торговли. Соотношение (5.34) означает, что сумма элементов каждого столбца матрицы равна
1. Если объем средств, которые тратит каждая страна на торговлю, обозначить через , соответственно, то прибыль страны от внутренней и внешней торговли составит

Чтобы торговля каждой страны была сбалансированной, по определению должно выполняться условие , и , то есть прибыль от торговли не должна быть меньше расходов. Однако соблюдение этого требования в виде неравенства невозможно для всех стран в совокупности. Действительно, добавим левые и правые части указанных неровностей, изменяя от единицы до :

Группируя в левой части слагаемые, содержащие каждое из , получим:

Учитывая соотношение (5.20), получим:

Отсюда следует, что сбалансированная торговля возможна только в случае знака равенства. Это, полагаем, понятно не только на основании аналитических выкладок, но и с экономической точки зрения (и даже просто с точки зрения здравого смысла): все страны в совокупности не могут получить прибыль. Более того, для одной из стран не может выполняться знак строгого неравенства .

Итак, условием сбалансированной торговли является равенства , и , из которых получим:

Введем в рассмотрение вектор (бюджетных) средств и подадим систему (5.39) в матричной форме:

С (5.40) следует, что при условии сбалансированности торговли между странами вектор средств должен быть собственным вектором структурной матрицы торговли , который принадлежит собственному числу . Таким образом, решение задачи сводится к нахождению этого собственного вектора , компоненты которого устанавливают соотношение между бюджетами стран, участвующих в товарообмене.

Рассмотрим товарообмен между тремя странами. Пусть структурная матрица торговли стран , имеет вид:

Найдем вектор средств, компонентами которого являются доли от общего объема торговли, должна вкладывать каждая из стран во внешней товарооборот для того, чтобы торговля была сбалансированной.

Искомый вектор средств является собственным вектором структурной матрицы, принадлежащий собственному значению . Его компоненты образуют ненулевое решение однородной СЛАУ:

Поскольку система является однородной, то расширенная матрица эквивалентна основной матрицы системы. Осуществим элементарные преобразования основной матрицы этой системы уравнений:

Находим общее решение системы, в котором – базисные переменные, – свободная переменная: 

Отсюда следует, что для сбалансированности торговли необходимо, чтобы средства, которые вкладывает в внешний товарооборот каждая страна, соотносились как