Lineáris algebra mérnököknek

Átírás

1 B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Lineáris algebra mérnököknek BMETE93BG20 Sajátérték, sajátvektor, sajátaltér Kf Wettl Ferenc ALGEBRA TANSZÉK 1

2 Célok E lecke befejezése után a hallgató meg tudja határozni mátrix vagy lineáris leképezés sajátértékeit, sajátvektorait, sajátaltereit, sajátértékeinek algebrai és geometriai multiplicitását, jellemezni tudja speciális mátrixok sajátértékeit (szimmetrikus, ferdén szimmetrikus, ortogonális, nilpotens), diagonális alakra tudja hozni az egyszerűbb diagonalizálható mátrixokat, ill. fel tudja írni sajátfelbontásukat, R 2 2 és R 3 3 szimmetrikus mátrixaihoz olyan ortonormált bázist tud adni, melyben annak alakja diagonális. 2

3 Sajátérték, sajátvektor, sajátaltér

4 Jó bázis választása P Tükrözzük a 3-dimenziós tér vektorait a tér egy megadott síkjára! Válasszunk e lineáris leképezés leírásához egy megfelelő bázist, majd írjuk fel a tükrözés e bázisra vonatkozó mátrixát! M A sík egy bázisa {a, b}, a rá merőleges altér egy bázisa {c}. A T leképezés hatása e vektorokon: Ta = a, Tb = b és Tc = c. Az {a, b, c} bázisban T mátrixa E bázisban egy tetszőleges (x, y, z) vektor tükörképe (x, y, z). 3

5 Lineáris transzformációk sajátvektorai D L! V F vektortér, L : V V lineáris transzformáció. Amh az x V, x 0 vektor az L trafó sajátvektora, ha Lx x, azaz ha van olyan λ F szám, melyre Lx = λx. Az ilyen λ számot az L lineáris transzformáció sajátértékének nevezzük. m Ha x sajátvektor, akkor minden cx (c 0) is: L(cx) = clx = cλx = λ(cx), azaz L(cx) = λ(cx). Á A sajátvektorok alterei: Ha az L lin.trafónak λ egy sajátértéke, akkor a λ-hoz tartozó sajátvektorok a nullvektorral együtt alteret alkotnak, mely megegyezik a Ker(L λi) altérrel. B x 0 sv. Lx = λx Lx λx = 0 (L λi)x = 0 x Ker(L λi). 4

6 Sajátaltér D Az L lin.trafó λ sajátértékhez tartozó sajátvektorai és a 0 alkotta alteret a λ s.é.-hez tartozó sajátaltérnek nevezzük. P 1. L! V F vektortér, I az identikus leképezés. Ekkor a tetszőleges c F számra a ci leképezésnek a V tér minden nemnulla vektora a c számhoz tartozó sajátvektora. 2. L! V R a valósok halmazán akárhányszor diffható valós függvények tere és D : V V; f f. D sajátvektora e λx, ami épp a λ sajátértékhez tartozik, mert (e λx ) = λe λx. 3. A sík α kπ szöggel való elforgatásának nincs sajátvektora. F Sajátérték, sajátvektor, sajátaltér? 1. a sík vektorainak tükrözése egy egyenesre; 2. a sík vektorainak merőleges vetítése egy egyenesre; 3. a tér vektorainak forgatása egyenes körül α kπ szöggel; 4. a tér vektorainak merőleges vetítése egy síkra; 5. a tér vektorainak tükrözése egy síkra. 5

7 Mátrixleképezés sajátértéke, sajátvektora, sajátaltere D L! F test. Amh a λ F szám az A F n n mátrix sajátértéke, ha létezik olyan x 0 vektor, melyre Ax = λx. Az ilyen x vektorokat az A mátrix λ sajátértékhez tartozó sajátvektorainak, az általuk a 0 vektorral alkotott alteret az A sajátalterének, a (λ, x) párokat az A sajátpárjainak nevezzük. y 0 bal sajátvektor, ha y T A = λy T, azaz ha y az A T sajátvektora. P ( 1, (2, 1)) és (2, (1, 2)) egy-egy sajátpárja a [ ] mátrixnak, mert [ ] [ ] 2 = 1 [ ] 2, 1 [ ] [ ] = [ ] 2, 4 6

8 Egy híres alkalmazás: a $-os sajátvektor *? Rangsoroljuk a dokumentumokat a hivatkozások gráfja alapján aszerint, hogy ha véletlenül bolyongunk a dokumentumok közt, akkor az legyen rangosabb, ahol többször járunk. 0 1 /3 1 /3 1 / /3 0 1 /3 1 / /2 1 / /2 1/2 1/4 1/4 A = /4 4 1/ / /4 1 /4 1 / /3 0 1 /3 1 /3 1/6 0 1 /6 1 /6 1 /6 1 /6 0 1 / /3 1 /3 1 /3 0 - Módosítás, hogy minden dokumentumból kiléphessünk: 1/k, ha megy i-ből j-be él és i ki-foka k, [A] ij = 1/n, ha i ki-foka 0 és n a csúcsok száma, 0 egyébként. 7

9 - Módosítás, hogy ne ragadjunk be dokumentumok egy csoportjába: M = (1 d)a + d 1 n J, ahol J a csupa 1-esből álló mátrix, n e négyzetes mátrixok rendje, és d (0, 1). Empírikus d (0.1, 0.2) a jó választás, pl. d = 0.15, így 1 d = Ekkor kerekített jegyekkel M =

10 - Ha x a bolyongás kiindulópontjának valószínűségeloszlását megadó vektor, akkor az első lépés után a gráf i pontjában [x T M] i valószínűséggel leszünk, az m-edik lépés után [x T M m ] i valószínűséggel. lim m xt M m = v T. - (A pozitív mátrixok elmélete, Markov-láncok) v T az ún. stacionárius eloszlás, melyre v T = v T M, és amely megadja, hogy egy-egy pontban aszimptotikusan mekkora valószínűséggel vagyunk a bolyongás során. - v = (0.151, 0.157, 0.137, 0.137, 0.106, 0.100, 0.112, 0.100). - Tehát a dokumentumok sorrendje: 1, 0, 2 & 3, 6, 4, 5 & 7 (két holtversennyel). 9

11 Sajátérték és sajátaltér meghatározása

12 Hogyan találjuk meg a sajátértékeket? Á λ pontosan akkor sajátértéke A-nak, ha det(a λi) = 0. B x 0 sv. Ax = λx Ax λx = 0 x megoldása (A λi)x = 0 egyenletnek x N (A λi) det(a λi) = 0. D L! A F n n. A χ(λ) = det(a λi) polinomot az A mátrixhoz tartozó karakterisztikus polinomnak, a χ(λ) = 0 egyenletet az A mátrix karakterisztikus egyenletének nevezzük. m Néhol a kar. pol. det(λi A), ami mindig 1-főegyütthatójú, de a konstans tag nem mindig a determináns. T Racionális gyökteszt: Ha az a n x n + a n 1 x n a 1 x + a 0 egészegyütthatós polinomnak van egyszerűsített alakjában p q alakú gyöke, akkor p a 0, q a n. Ha a n = 1, akkor minden racionális gyök egész! B a n ( p q )n a 0 = 0 a n p n + a n 1 p n 1 q a 0 q n = 0 10

13 Horner-módszer (Horner-séma) a gyök ellenőrzésére T B Horner-módszer: Tekintsük az F test fölötti p(x) = a n x n + a n 1 x n a 1 x + a 0 polinomot. Legyen b n 1 = a n, b k 1 = cb k + a k (k = 1, 2,..., n 1), r = cb 0 + a 0. a n a n 1... a 1 a 0 Táblázatban: c b n 1 b n 2... b 0 r (a) Ekkor p(x) = (x c)(b n 1 x n b 1 x + b 0 ) + r, azaz leolvasható a p(x)/(x c) osztás hányadosa és maradéka. (b) r = p(c) (c) r = p(c) = 0 x c p(x) A p(x) = (x c)(b n 1 x n b 1 x + b 0 ) + r, egyenlőséget a zárójel felbontása és a b i értékek behelyettesítése igazolja. Az x = c-t helyettesítésből p(c) = r. 11

14 P Számítsuk ki p(5) értékét, ha p(x) = x 5 3x 4 6x 3 90x + 3. M Ne feledkezzünk meg a 0 együtthatókról! Kezdő lépés: a második sor első oszlopába írjuk azt az értéket, amelyben ki akarjuk számítani p értékét, esetünkben ez 5. Majd bemásoljuk a p polinom főegyütthatóját a második sor második oszlop első helyére: Ezután minden lépésben egy szorzás és egy összeadás következik a tételbeli c b k + a k képlet szerint = = 4 12

15 = = = Tehát p(5) =

16 Karakterisztikus polinom felírása P Határozzuk meg az [ ] 1 a b a b c a b A =, B = c d 0 1 c, C = mátrixok karakterisztikus polinomját! M Minden 2 2-es mátrixra: a λ b det(a λi) = = (a λ)(d λ) bc c d λ = λ 2 (a + d)λ + (ad bc) = λ 2 trace(a)λ + det A. nyom, determináns! 14

17 Karakterisztikus polinom felírása (folyt) 1 λ a b det(b λi) = 0 1 λ c = (1 λ) λ a λ b c det(c λi) = 1 λ λ = (a λ)λ 2 + bλ + c = λ 3 + aλ 2 + bλ + c. 15

18 Háromszögmátrixok sajátértékei T B A háromszögmátrixok és így a diagonális mátrixok sajátértékei megegyeznek a főátló elemeivel. A háromszögmátrix A λi is det(a λi) = (a 11 λ)(a 22 λ)... (a nn λ) = 0, aminek a gyökei a ii (i = 1,..., n). Így ezek az A sajátértékei. 16

19 Determináns, nyom és a sajátértékek T Ha az n-edrendű A mátrix sajátértékei λ 1,, λ n, akkor det(a) = λ 1 λ 2... λ n trace(a) = λ 1 + λ λ n B A determináns a konstans tag, a nyom a ( λ) n 1 együtthatója a karakterisztikus polinomban. A karakterisztikus polinom gyöktényezős alakja: det(a λi) = (λ 1 λ)(λ 2 λ)... (λ n λ) λ = 0 behelyettesítése után kapjuk, hogy det(a) = λ 1 λ 2... λ n. - ( λ) n 1 szorzat a determináns kígyók determinánsainak összegére bontása alapján csak az (a 11 λ)(a 22 λ)... (a nn λ) szorzatból kapható, onnan pedig az épp i a ii = trace(a). 17

20 Sajátaltér meghatározása P Adjuk meg az A = mátrix 2-höz és a 10-hez tartozó sajátalterét. M a 2 sajátérték (A 2I)x = 0 egyenletrendszernek van nemtriviális megoldása A 2I = = s t 6 1 x = s = s 1 + t 0. t 0 1 A sajátaltér egy bázisa {( 6, 1, 0), ( 1, 0, 1)}. 18

21 Sajátaltér meghatározása (folyt) A 10 is sajátérték: A 10I = = 0 1 1, t 1 x = t = t 1. A sajátalteret az (1, 1, 1) vektor feszíti ki. t 1 ( 6, 0, 1) ( 1, 0, 1) (1, 1, 1) 19

22 2 2-es mátrixok sajátvektorainak szemléltetése P M Határozzuk meg a következő mátrixok sajátértékeit és sajátvektorait. [ ] [ ] [ ] [ A = , B = , C = , D = D λi = 4 λ λ = λ2 + 1 [ 3 4 i ] [ i ] λ 1 = i : λ 2 = i : i [ i i = ] = 0 0 [ i 0 0 ] [ 3 amiből x 1 = i ], 1 ] [ 3 amiből x 2 = i ]

23 [ ] [ ] χ A (λ) = λ λ + 1, λ 1 = 2, λ 2 = 1 2, x =, x 2 =. 1 1 [ ] [ ] χ B (λ) = λ λ 1, λ 1 = 2, λ 2 = 1 2, x =, x 2 =. 1 1 [ ] [ ] χ C (λ) = λ , λ 1 = 1, λ 2 = 1, x 1 =, x 2 =. 3 1 [ ] [ ] 3 χ D (λ) = λ 2 + 1, λ 1 = i, λ 2 = i, x 1 = i 3, x 2 = i. 1 1 λ = 2 λ = 2 λ = 1 λ = 1 λ = 0.5 λ =

24 Sajátértékek és sajátvektorok meghatározása m Tankönyvi módszer: 1. det(a λi) = 0 gyökeinek meghatározása (sajátértékek) 2. λ: N (A λi) bázisának meghatározása (a nulltér nemzérus vektorai a sajátvektorok) P M 1. felső háromszögmátrix: λ 1 = 0, λ 2 = λ 3 = 2 2. λ = 0: x 1 2 = 0 x = 0 t

25 λ 2 = λ 3 = 2: x 1 x 2 x 3 = (s + t)/2 1/2 1/2 s = s 1 + t 0. t 0 1 Tehát a két sajátaltér span((1, 0, 0)) és span((1/2, 1, 0), (1/2, 0, 1)). 23

26 Karakterisztikus polinom és a racionálisgyök-tétel P A = λ 2 2 M A λi = 2 1 λ 2 = (λ3 4λ 2 11λ 6) λ racionálisgyök-tétellel: λ 1 = λ 2 = 1 és λ 3 = 6. λ 1 = λ 2 = 1: A + I = x 1 + x 2 + x 3 = s t 1 1 s = s 1 + t 0, t

27 λ 3 = 6: A 6I = /3 x / x 3= 0 x x 3= 0. x 3 = 3t paraméterválasztással 2t 2 2t = t 2. 3t 3 25

28 A karakterisztikus egyenlet komplex gyökei P Határozzuk meg a sajátértékeit és sajátvektorait [ ] 1 A = C M A karakterisztikus egyenlet 1 2 λ 3 ( ) ( ) λ = 2 λ + = λ 2 λ+1 λ = ± 2 i i: ( 1 A 2 + [ ] x y = ) 3 2 i I = ] [ it t = t 1 2 [ 3 2 i ] i [ ] i. 1 [ ] 1 i 0 0 x iy = 0. 26

29 i: A ( ) i I = [ ] x = y [ 3 [ ] [ ] it i = t t 1 2 i ] i [ ] 1 i 0 0 x + iy = 0. 27

30 Többszörös gyökök: algebrai és a geometriai multiplicitás D Algebrai multiplicitás: a λ sajátérték multiplicitása a karakterisztikus polinomban. D Geometriai multiplicitás: a λ sajátértékhez tartozó sajátaltér dimenziója P A = M (4 λ) 3, a 4 algebrai multiplicitása x t 1 A 4I = y = 0 = t z 0 0 A λ = 4 sajátérték geometriai multiplicitása tehát 1. 28

31 Többszörös gyökök: algebrai és a geometriai multiplicitás P B = , (1 λ)2 (2 λ) 2, gyökei 1 és x s λ = 1: B λi = y z = t 0 = s t w geometriai multiplicitás = algebrai multiplicitás = x y 0 0 λ = 2: B λi = z = t = t w 0 geometriai multiplicitás = 1, algebrai multiplicitás =

32 Algebrai és geometriai multiplicitás kapcsolata T Egy mátrix minden λ sajátértékére: 1 λ geometriai multiplicitása λ algebrai multiplicitása 30

33 Speciális mátrixok

34 Mátrix hatványainak sajátértékei T A invertálható a 0 nem sajátértéke. B A invertálható det(a) 0 det(a 0I) 0 0 nem sajátértéke A-nak. T B Ha (λ, x) az A sajátpárja, n Z, akkor (λ n, x) az A n sajátpárja, amennyiben λ n és A n is értelmezve van. n = 0: λ 0 = 1 és A 0 = I minden vektor sv. n > 0: A 2 x = A(A) = A(λx) = λax = λ 2 x. és így tovább: A k x = A(A k 1 x) = A(λ k 1 x) = λ k 1 (Ax) = λ k 1 (λx) = λ k x. A invertálható: Ax = λx 1 λ x = A 1 x, azaz λ 1 x = A 1 x. n < 0: A k x = λ k x λ k x = A k x. 31

35 Mátrix hatványainak hatása T B Ha (λ i, x i ) (i = 1, 2,..., k) az A sajátpárjai, v = k i=1 c i x i, akkor A m v = k i=1 c i λ m i x i. trivi A m v = A m (c 1 x 1 + c 2 x c k x k ) = c 1 A m x 1 + c 2 A m x c k A m x k = c 1 λ m 1 x 1 + c 2 λ m 2 x c k λ m k x k. K Találunk-e mindig sajátvektorokból álló bázist? 32

36 Speciális valós mátrixok sajátértékei T Szimmetrikus, ferdén szimmetrikus, ortogonális, nilpotens A R n n, λ egy tetszőleges sajátértéke 1. A szimmetrikus λ valós, 2. A ferdén szimmetrikus λ imaginárius, 3. A ortogonális λ = 1, 4. A nilpotens minden λ = 0 (azaz χ A (x) = x n ). B 1., 2.: x H Ax = x H λx = λ x 2 mindkét oldal adjungáltját véve: x H A T x = λ x 2. L! λ = a + ib. A T = A λ = λ, azaz a + ib = a ib I(λ) = 0. A T = A a + ib = a + ib, azaz R(λ) = 0. 3.: A ortogonális x = Ax = λx = λ x λ = 1 33

37 Hasonlóság, diagonalizálhatóság

38 Hasonló mátrixok sajátértékei T Sajátérékhez kapcsolódó invariánsok Ha A B, akkor χ A = χ B, így sajátértékei, azok algebrai és geometriai multiplicitásai is megegyeznek. 1B A lineáris leképezés sajátértékének definíciójából világos. 2B A = C 1 BC: A λi = C 1 BC λc 1 IC = C 1 (BC λic) = C 1 (B λi)c A λi B λi det(a λi) = det(b λi) megegyeznek sajátértékeik, és azok (algebrai) multiplicitásai A λi B λi dim(n (A λi)) = dim(n (B λi)) a geometriai multiplicitások is megegyeznek. m Van értelme lineáris transzformáció karakterisztikus polinomjáról beszélni (véges dimenziós esetben). 34

39 Mátrixok diagonalizálhatósága D Amh az n n-es A mátrix diagonalizálható, ha hasonló egy diagonális mátrixhoz, azaz ha létezik egy olyan diagonális Λ és egy invertálható C mátrix, hogy D A Λ = C 1 AC átírható Λ = C 1 AC. (1) A = CΛC 1 alakba, amit az A mátrix sajátfelbontásának nevezünk. 35

40 Mátrixok diagonalizálhatósága T B Diagonalizálhatóság szükséges és elégséges feltétele Az n n-es A mátrix pontosan akkor diagonalizálható, ha A-nak van n lineárisan független sajátvektora. Ekkor Λ az A sajátértékeiből, C a sajátvektoraiból áll. Λ = C 1 AC CΛ = AC és C invertálható L! C = [x 1 x 2... x n ], Λ = diag(λ 1, λ 2,..., λ n ). λ λ [x 1 x 2... x n ]. = A[x x 2... x n ]. (2) λ n Ax i = λ i x i de C invertálható, így oszlopvektorai lineárisan függetlenek. 36

41 P Diagonalizálható-e a következő mátrix? A = M λ 1 = 0, λ 2 = λ 3 = 2, a sajátvektorok (1, 0, 0), (1/2, 1, 0) és (1/2, 0, 1), és ezek függetlenek A Λ, ahol Λ = 0 2 0, és C = Ellenőrzés: CΛ = AC = =

42 Bal sajátvektorok D Az y T A = λy T egyenlet y T 0 T feltételnek megfelelő sorvektorait az A mátrix bal sajátvektorainak nevezzük. m ezek a transzponált sajátvektorai: A T y = λy. m det(a λi) = det((a λi) T ) = det(a T λi) A és A T karakterisztikus polinomja azonos bal és jobb sajátértékek közt nincs különbség m Λ = C 1 AC ΛC 1 = C 1 A C 1 sorvektorai A bal sajátvektorai, ugyanis λ y T 1 y T 1 0 λ y T 2 y T 2. = A λ n tehát λ i y T i = y T i A (i = 1, 2,..., n). 38 y T n y T n

43 A sajátfelbontás diadikus alakja m D λ y T 1 A = CΛC 1 0 λ y T 2 = [x 1 x 2... x n ] λ n = λ 1 x 1 y T 1 + λ 2 x 2 y T λ n x n y T n (3) Ezt nevezzük a sajátfelbontás diadikus alakjának. y T n 39

44 A sajátfelbontás diadikus alakja P A = bal sajátvektorai, sajátfelbontása, diadikus alakja? M Bal sajátvektor: a transzponált sajátvektorainak transzponáltjai, vagy a C 1 sorvektorai. A sajátfelbontás: A = CΛC = [ ] A = [ ] 2 [ ] =

45 Különböző sajátértékek sajátalterei T K K K B Ha λ 1, λ 2, λ k különböző sajátértékei az A F n n mátrixnak, akkor a hozzájuk tartozó x 1, x 2, x k sajátvektorok lineárisan függetlenek. Ha különböző sajátértékekhez tartozó sajátalterek mindegyikéből lineárisan független vektorokat választunk, akkor még ezek egyesítése is lineárisan független lesz. Különböző sajátértékekhez tartozó sajátalterek mindegyikéből egy bázist választva, azok egyesítése is lineárisan független vektorrendszert ad. Ha az n-edrendű A mátrixnak n darab különböző sajátértéke van, akkor diagonalizálható. n különböző sajátértékhez n független sajátvektor tartozik diagonalizálható. 41

46 Diagonalizálhatóság és a geometriai multiplicitás T B T Egy n-edrendű négyzetes mátrix pontosan akkor diagonalizálható, ha a sajátértékeihez tartozó geometriai multiplicitások összege n. ( ) Ha a mátrix diagonalizálható, akkor a sajátvektoraiból álló bázis elemszáma épp a geometriai multiplicitások összege, hisz egyetlen sajátvektor sem lehet két sajátaltérben. ( ) Ha a geometriai multiplicitások összege n, akkor minden sajátaltérből kiválasztva egy bázist, és véve ezek egyesítését, egy n sajátvektorból álló független vektorrendszert kapunk. Ha az A F n n minden sajátértéke F-beli (pl. mert F algebrailag zárt test), akkor A pontosan akkor diagonalizálható, ha minden sajátértékének algebrai és geometriai multiplicitása megegyezik. 42

47 Alterek direkt összege D L! V F véges dimenziós vt., V 1, V 2,..., V k V. Amh a V tér a V 1, V 2,, V k alterek direkt összege, jelölése k V = V 1... V k = V i, ha V minden vektora egyértelműen T i=1 felbomlik egy V 1 -, egy V 2 - és egy V k -beli vektor összegére. L! V 1,..., V k V, dim V = n. Ekkor ekvivalensek: 1. V = V 1 V 2... V k 2. V = V 1 (V 2 (V 3... V k )) 3. Mindegyik altér metszete a többi összegével csak a nullvektorból áll, és az alterek összege az egész tér, azaz ( ki=1 V i = V és V i j i j) V = {0}, és 4. V 1,, V k egy-egy bázisának egyesítése a V bázisát adja. 43

48 m 3.-ban nem elég kikötni, hogy V i V j = {0} bármely i j-re! L! a, b R 2 fggtln, V 1 = span(a), V 2 = span(b), V 3 = span(a + b) V i V j = {0}, de R 2 V 1 V 2 V 3, ( (a + b) = a + b + 0). 44

49 Sajátalterek direkt összege T K L! V F vektortér és λ 1,..., λ k az L : V V lin. leképezés különböző sajátértékei. Jelölje V λi a λ i -hez tartozó sajátalteret. Ekkor V λ V λk = V λ1... V λk. Ha V véges dimenziós, akkor az L : V V lineáris leképezésekre a következők ekvivalensek: 1. L diagonalizálható 2. V = i V λ i 3. dim V = i dim V λ i 45

50 Ortogonális diagonalizálhatóság D T B Ortogonális diagonalizálhatóság Azt mondjuk, hogy a négyzetes, valós A mátrix ortogonálisan diagonalizálható, ha van olyan diagonális Λ és ortogonális Q mátrix, hogy A = QΛQ T (azaz A = QΛQ 1, mivel Q ortogonális). Valós főtengelytétel Az A R n n mátrix pontosan akkor diagonalizálható ortogonálisan, ha szimmetrikus. ( ) ha A ortogonálisan diagonalizálható, akkor A = QΛQ T, Λ diagonális tehát Λ = Λ T, így A T = QΛ T Q T = QΛQ T = A. ( ) ha A szimmetrikus és (λ, x), (µ, y) két sajátpár, ahol λ µ, akkor λx y = (λx) T y = (Ax) T y = x T A T y = x T Ay = x T µy = µx y, azaz (λ µ)x y = 0, így λ µ miatt x y = 0, azaz x y. Így a sajátvektorokból kiválasztható egy ortonormált bázis! 46

51 Ortogonális diagonalizálhatóság P Adjunk meg a következő mátrixhoz egy olyan ortonormált bázist, melyben diagonális alakú M A mátrix szimmetrikus, így ortogonálisan diagonalizálható. Karakterisztikus polinomja és sajátértékei: 2 λ 2 1 χ(λ) = 2 1 λ 2 = λ 3 3λ 2 9λ λ Ha e polinomnak van racionális gyöke, akkor a racionális gyökteszt miatt az csak ±1, ±3, ±9 vagy ±27 lehet. 47

52 - A Horner-módszerrel számolva Tehát λ 3 3λ 2 9λ + 27 = (λ 3) 2 (λ + 3), azaz a sajátértékek λ 1,2 = 3, λ 3 = 3. - A sajátvektorok: ] λ = 3: [ t s 2 1 ahonnan x = t = 1 t + 0 s, tehát a λ = 3-hoz s 0 1 tartozó sajátalteret a (2, 1, 0) és a ( 1, 0, 1) vektorok feszítik ki. 48

53 5 2 1 [ ] λ = 3: t 1 ahonnan x = 2t = 2 t, tehát a λ = 3-hoz tartozó t 1 sajátalteret az (1, 2, 1) vektor feszítik ki. E vektor merőleges az előző két sajátvektorra, azok azonban egymásra nem. - A (1, 2, 1) sv. mellé válasszuk a ( 1, 0, 1) vektort, így a harmadik lehet az (1, 2, 1) ( 1, 0, 1) = ( 2, 2, 2). - Osztva a vektorokat a hosszukkal kapjuk a következő ortonormált rendszert: , 1 2 0,

54 A diagonalizálás alkalmazásai

55 Diagonalizálható mátrixok polinomjai D Mátrix polinomja p(x) = c n x n + c n 1 x n c 1 x + c 0 polinomra és négyzetes A mátrixra értelmezhető p-nek A-ban fölvett értéke: p(a) = c n A n + c n 1 A n c 1 A + c 0 I. m A = CΛC 1 A 2 = CΛC 1 CΛC 1 = CΛ 2 C 1, általában tetszőleges nemnegatív k egészre A k = CΛ k C 1. bármely p(x) polinomra p(a) = Cp(Λ)C 1, ahol p (diag(λ 1, λ 2,..., λ n )) = diag (p(λ 1 ), p(λ 2 ),..., p(λ n )). Á Diagonalizálható mátrix polinomja Legyen A = CΛC 1, ahol Λ = diag(λ 1, λ 2,..., λ n ), és p(x) egy tetszőleges polinom. Ekkor p(λ 1 ) p(λ 2 )... 0 p(a) = C C p(λ n ) 50

56 Példa P Számítsuk ki az A 10 mátrixot! A = [ [ ] [ ] [ ] M Sajátfelbontása A = [ ] [ ] 10 [ ] Így A = = [ 2 ( 1) ( 1) ] [ ] ( 1) ( 1) = ] 51

57 Fibonacci-sorozat explicit alakja * T B A Fibonacci-sorozatra (F 0 = 0, F 1 = 1, F n+1 = F n + F n 1, első néhány tagja: 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, 987, ) igaz a következő: [ ] n F n = ,2 = 1 (( ) n ( ) n ) 1 5 Az első egyenlőség teljes indukcióval bizonyítható. Jelölés: [ ] 0 1 F =. 1 1 n = 1-re trivi, n n + 1: [ ] [ ] [ ] [ ] F n+1 Fn 1 F n 0 1 Fn F n 1 + F n Fn F n+1 = = =. F n F n F n+1 F n + F n+1 F n+1 F n

58 Fibonacci-sorozat (1. bizonyítás) * B χ F (λ) = λ 2 λ 1, F sajátértékei λ 1,2 = 1 2 (1 ± 5), a hozzájuk tartozó sajátvektorok x 1,2 = (1, 1 2 (1 ± 5)). F n sajátfelbontásával: F n = ahonnan [ [ ] [ ] 1 = 1 [ F n = 1 (( ) n ] n [ ] ( ) n ) ] 1 53

59 Fibonacci-sorozat (2. bizonyítás) * B Vegyük észre [ Fn F n+1 ] = F n [ 0 1 Az x 1 és x 2 sajátvektorok bázist alkotnak R 2 -ben, így a [ 0 1 ] előáll azok lineáris kombinációjaként: [ 0 1 ] = c 1x 1 + c 2 x 2 = 1/ 5x 1 1/ 5x 2. F n [ 0 1 ] = c 1λ n 1 x 1 + c 2 λ n 2 x 2, behelyettesítés után ezt kapjuk: F n [ 0 1 ] = 1 ( ) n [ ] ( ) n [ ] Itt csak az első koordinátát kiszámolva, a tételbeli állítást igazoltuk. ]. 54

60 A sajátérték kiszámítása

61 Hatványmódszer * D Egy sajátérték szigorúan domináns, ha egyszeres multiplicitású, és abszolút értékben nagyobb az összes többinél. (szigorúan domináns sajátvektor, sajátaltér, sajátpár) M A R n n, λ 1 szigorúan domináns sajátérték, (λ i, v i ) sajátpár, λ 1 > λ 2 λ m, (λ 1 valós, egyébként λ 1 is sé. lenne). L! x = c 1 v 1 + c 2 v c m v m, k > 0 egész: A k x = c 1 A k v 1 + c 2 A k v c m A k v m = c 1 λ k 1 v 1 + c 2 λ k 2v c m λ k mv m. Ekkor λ k 1 -val való osztás után k esetén ( ) 1 k ( ) k A k λ2 λm x = c 1 v 1 + c 2 v c m v m c 1 v 1, λ 1 λ 1 λ k 1 Ha c 1 0, akkor A k x iránya tart a domináns sajátvektor irányához. 55

62 T Hatványmódszer: Ha λ 1 az A R n n mátrix szigorúan domináns sajátértéke, akkor létezik olyan x 0 vektor, hogy az x k = A k x 0 vektorok által kifeszített alterek sorozata a domináns sajátaltérhez konvergál, míg xt k Ax k x T k x k hányadosok). [ ] P Legyen A = λ (ún. Rayleigh k [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] A k x x 0 x 2 4 x x 3 x 1 56