Собственный вектор линейного оператора¶

Собственный вектор — это ненулевой вектор линейного пространства, который при действии заданного линейного оператора (или квадратной матрицы) переходит в вектор, коллинеарный исходному. Иными словами, направление такого вектора не меняется под действием преобразования — меняется лишь его длина (масштаб), что выражается равенством:

\[ A\mathbf{v} = \lambda \mathbf{v}, \]

где \(A\) — линейный оператор или матрица, \(\mathbf{v}\) — собственный вектор, а число \(\lambda\) называется собственным значением (собственным числом), соответствующим этому вектору. Понятие относится к разделам линейной алгебры и функционального анализа и является одним из центральных в теории матриц, дифференциальных уравнений, квантовой механики и вычислительной математики.

¶Определение и основные свойства

Пусть \(A\) — квадратная матрица порядка \(n\) над полем (чаще всего вещественных или комплексных чисел). Ненулевой вектор \(\mathbf{v} \in \mathbb{R}^n\) (или \(\mathbb{C}^n\)) называется собственным вектором матрицы \(A\), если существует такое число \(\lambda\), что выполняется \(A\mathbf{v} = \lambda\mathbf{v}\).

Из определения следуют ключевые свойства:

• Собственный вектор всегда ненулевой по определению; нулевой вектор формально удовлетворяет равенству, но собственным не считается.
• Каждому собственному вектору соответствует единственное собственное значение.
• Множество всех собственных векторов, отвечающих одному значению \(\lambda\), вместе с нулевым вектором образует подпространство — собственное подпространство.
• Если \(\mathbf{v}\) — собственный вектор, то любой ненулевой вектор \(c\mathbf{v}\) (пропорциональный ему) также является собственным с тем же значением.

¶Характеристическое уравнение

Собственные значения находятся из уравнения:

\[ (A - \lambda I)\mathbf{v} = 0, \]

где \(I\) — единичная матрица. Ненулевое решение существует тогда и только тогда, когда определитель матрицы \(A - \lambda I\) равен нулю:

\[ \det(A - \lambda I) = 0. \]

Это уравнение называется характеристическим. Его левая часть — многочлен степени \(n\) относительно \(\lambda\), называемый характеристическим многочленом. Корни этого многочлена и есть собственные значения. По основной теореме алгебры над полем комплексных чисел многочлен степени \(n\) имеет ровно \(n\) корней с учётом кратности, поэтому у матрицы порядка \(n\) всегда есть \(n\) собственных значений (возможно, комплексных и совпадающих).

После нахождения \(\lambda\) соответствующие собственные векторы определяются как решения однородной системы \((A - \lambda I)\mathbf{v} = 0\).

¶Пример

Для матрицы

\[ A = \begin{pmatrix} 2 & 0 \\ 0 & 3 \end{pmatrix} \]

характеристическое уравнение имеет вид \((2-\lambda)(3-\lambda)=0\), откуда \(\lambda_1 = 2\), \(\lambda_2 = 3\). Собственным вектором для \(\lambda_1 = 2\) служит любой вектор вида \((c, 0)\), а для \(\lambda_2 = 3\) — вида \((0, c)\), где \(c \neq 0\).

Для матрицы поворота на 90° на плоскости

\[ R = \begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix} \]

вещественных собственных векторов нет: характеристическое уравнение \(\lambda^2 + 1 = 0\) даёт комплексные значения \(\lambda = \pm i\). Это отражает геометрический факт: поворот меняет направление любого ненулевого вектора.

¶Классификация и особые случаи

• Диагонализируемые матрицы. Матрица называется диагонализируемой, если существует базис из её собственных векторов. В таком базисе оператор записывается диагональной матрицей, на диагонали которой стоят собственные значения.
• Симметричные (эрмитовы) матрицы. Для вещественных симметричных матриц все собственные значения вещественны, а собственные векторы, отвечающие разным значениям, ортогональны. Такие матрицы всегда диагонализируемы ортогональным преобразованием.
• Кратные собственные значения. Если собственное значение имеет кратность больше единицы, число линейно независимых собственных векторов может быть меньше кратности. Тогда матрица не диагонализируема и приводится к жордановой форме.
• Дефектные матрицы. Матрицы, у которых не хватает собственных векторов для образования базиса, называют дефектными.

¶Применение

Понятие собственного вектора широко используется в самых разных областях.

Математика и вычислительная техника. Метод главных компонент, сингулярное разложение, решение систем линейных дифференциальных уравнений опираются на спектральное разложение. Численные алгоритмы — степенной метод, QR-алгоритм, метод Якоби — служат для вычисления собственных значений и векторов больших матриц.

Физика. В квантовой механике состояния системы описываются векторами гильбертова пространства, а наблюдаемые величины — операторами. Измеряемые значения физической величины — это собственные значения оператора, а соответствующие состояния — собственные векторы. Уравнение Шрёдингера для стационарных состояний по сути является задачей на собственные значения.

Теория колебаний и устойчивость. Собственные частоты механических и электрических систем определяются через собственные значения матриц жёсткости и масс. Устойчивость решений динамических систем также исследуется через спектр матрицы.

Теория графов и анализ данных. Спектральная теория графов изучает свойства графов через собственные значения матрицы смежности. Алгоритмы ранжирования страниц (PageRank) и кластеризации данных используют собственные векторы.

Экономика и демография. Модели Леонтьева и матрицы межотраслевого баланса, а также модели динамики популяций (например, модель Лесли) применяют собственные значения для анализа долгосрочного поведения систем.

¶Вычислительные аспекты

Аналитическое нахождение собственных значений через характеристический многочлен применимо лишь для матриц малого порядка: уже для \(n \geq 5\) точные формулы в общем виде отсутствуют (теорема Абеля — Руффини). На практике используют итерационные методы:

• Степенной метод — находит наибольшее по модулю собственное значение и соответствующий вектор.
• QR-алгоритм — один из основных методов для полного спектра.
• Метод обратной итерации — уточняет собственный вектор для известного значения.

Устойчивость вычислений зависит от обусловленности задачи: близкие собственные значения и несимметричные матрицы могут приводить к значительным погрешностям.

¶Значение понятия

Собственные векторы и собственные значения позволяют описать линейное преобразование в наиболее простом, «естественном» виде — через направления, которые оператор не поворачивает, а лишь растягивает или сжимает. Эта идея лежит в основе спектральной теории операторов и связывает абстрактную алгебру с прикладными задачами физики, техники и анализа данных.

Источники: учебники по линейной алгебре (Г. Стренг, В. В. Воеводин, А. И. Кострикин), курсы по численным методам, справочные материалы по функциональному анализу и квантовой механике.