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.