Algebra liniowa

Wartości własne i wektory własne — diagonalizacja i potęga macierzy

Wartości i wektory własne macierzy: wielomian charakterystyczny, ślad i wyznacznik, diagonalizacja A = PDP⁻¹, potęga macierzy, łańcuch Markowa i 9 przykładów.

Wartości własne i wektory własne macierzy mówią, w jakich kierunkach przekształcenie liniowe działa najprościej: tylko rozciąga, ściska albo odwraca wektor, nie zmieniając prostej, na której on leży. Po tej lekcji będziesz umieć zapisać wielomian charakterystyczny, obliczyć wartości własne i wektory własne macierzy 2×2 i 3×3, sprawdzić wynik śladem i wyznacznikiem, odróżnić krotność algebraiczną od geometrycznej, przeprowadzić diagonalizację macierzy \(A = PDP^{-1}\) (albo uzasadnić, że się nie da), a potem użyć jej do szybkiego obliczania potęgi macierzy, wzoru ogólnego ciągu rekurencyjnego i stanu stacjonarnego łańcucha Markowa. To materiał z pierwszego semestru algebry liniowej na studiach technicznych, ekonomicznych i przyrodniczych, ale wystarczy do niego sprawne mnożenie macierzy i liczenie wyznaczników — jeśli chcesz je odświeżyć, zacznij od lekcji o mnożeniu macierzy, wyznaczniku i macierzy odwrotnej. Na końcu czeka dziewięć przykładów rozwiązanych krok po kroku, lista typowych błędów, ściąga i zadania do samodzielnego rozwiązania.

Wartości własne i wektory własne — intuicja geometryczna

Macierz \(2 \times 2\) to przepis na przekształcenie płaszczyzny: wektor \(v\) przechodzi na \(Av\). Większość wektorów zmienia przy tym i długość, i kierunek. Istnieją jednak wyjątkowe kierunki, w których macierz działa jak zwykłe mnożenie przez liczbę — wektor zostaje na swojej prostej przechodzącej przez początek układu, zmienia się tylko jego długość (i ewentualnie zwrot). Takie kierunki wyznaczają wektory własne, a współczynniki rozciągnięcia to wartości własne.

Najlepiej widać to na okręgu jednostkowym. Macierz \(S = \begin{pmatrix} 3 & 1 \\ 1 & 3 \end{pmatrix}\) przenosi punkt \((\cos t, \sin t)\) w punkt \((3\cos t + \sin t,\ \cos t + 3\sin t)\), więc okrąg zamienia się w elipsę. Wektor \([1, 1]\) przechodzi na \([4, 4]\): jest czterokrotnie dłuższy, ale kierunek się nie zmienia. Wektor \([1, -1]\) przechodzi na \([2, -2]\), czyli zostaje dwukrotnie rozciągnięty. Natomiast \([1, 0]\) przechodzi na \([3, 1]\) i wyraźnie skręca. Półosie elipsy leżą dokładnie na prostych \(y = x\) i \(y = -x\), a ich długości \(4\) i \(2\) to wartości własne macierzy \(S\).

Okrąg jednostkowy i jego obraz przez macierz S o wierszach (3, 1) i (1, 3): elipsa o półosiach 4 i 2 leżących na prostych y = x i y = −x, czyli na kierunkach własnychxy−3−2−11234−3−2−1123λ = 4λ = 2S(1, 0) = (3, 1)y = xy = −x
Macierz \(S = \begin{pmatrix} 3 & 1 \\ 1 & 3 \end{pmatrix}\) zamienia okrąg jednostkowy w elipsę. Wektory na prostej \(y = x\) są rozciągane czterokrotnie, a na prostej \(y = -x\) dwukrotnie — to kierunki własne i półosie elipsy. Wektor \([1, 0]\) przechodzi na \([3, 1]\) i zmienia kierunek

Kierunki własne są „osiami” przekształcenia. Kto je zna, zna całe przekształcenie: dowolny wektor rozkłada się na składowe wzdłuż tych osi, każdą składową mnoży się przez jej wartość własną i składa wynik z powrotem. Na tym jednym pomyśle opiera się cała reszta lekcji — diagonalizacja, potęgowanie macierzy, wzory na ciągi rekurencyjne i stany stacjonarne.

Definicja wartości własnej i wektora własnego

Kilka uwag, które warto mieć z tyłu głowy:

  • warunek \(v \neq 0\) jest konieczny — wektor zerowy spełnia \(A \cdot 0 = \lambda \cdot 0\) dla każdego \(\lambda\), więc niczego by nie wyróżniał;
  • wartość własna może być równa zeru: \(Av = 0\) dla niezerowego \(v\) oznacza, że \(A\) zgniata pewien kierunek do punktu, a to zdarza się dokładnie wtedy, gdy \(\det A = 0\);
  • jeśli \(v\) jest wektorem własnym, to \(2v\), \(-v\) i każde \(cv\) z \(c \neq 0\) również — wektor własny wyznacza kierunek, a nie jedną konkretną strzałkę;
  • wszystkie wektory własne dla danego \(\lambda\) razem z wektorem zerowym tworzą podprzestrzeń własną \(V_\lambda\): prostą, płaszczyznę albo podprzestrzeń większego wymiaru.

Wektory własne widoczne bez rachunków

Dla niektórych przekształceń kierunki własne wynikają wprost z geometrii:

  • rzut na oś \(OX\), macierz \(\begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix}\): wektory na osi \(OX\) się nie zmieniają (\(\lambda = 1\)), a wektory na osi \(OY\) przechodzą na zero (\(\lambda = 0\));
  • symetria względem prostej \(y = x\), macierz \(\begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}\): wektor \([1, 1]\) leży na osi symetrii (\(\lambda = 1\)), a prostopadły do niej \([1, -1]\) zmienia zwrot (\(\lambda = -1\));
  • jednokładność o skali \(k\), macierz \(kI\): każdy niezerowy wektor jest własny, z \(\lambda = k\);
  • obrót o \(90^\circ\), macierz \(\begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}\): żaden niezerowy wektor nie zostaje na swojej prostej, więc rzeczywistych wartości własnych nie ma.

Kolejny rysunek pokazuje macierz, której kierunków własnych nie widać na pierwszy rzut oka: \(A = \begin{pmatrix} 4 & -1 \\ 2 & 1 \end{pmatrix}\). Wektor \([1, 1]\) przechodzi na \([3, 3]\), wektor \([1, 2]\) na \([2, 4]\), a wektor \([0, 1]\) na \([-1, 1]\). Pierwsze dwa zostają na swoich prostych, trzeci skręca o \(45^\circ\), więc nie jest wektorem własnym. Za chwilę zobaczysz, jak takie kierunki znaleźć rachunkiem, zamiast je zgadywać.

Macierz A o wierszach (4, −1) i (2, 1): wektor (1, 1) przechodzi na (3, 3), wektor (1, 2) na (2, 4), oba zostają na swoich prostych; wektor (0, 1) przechodzi na (−1, 1) i zmienia kierunekxy−11231234v₁Av₁ = 3v₁v₂Av₂ = 2v₂uAu = (−1, 1)y = xy = 2x
Dla \(A = \begin{pmatrix} 4 & -1 \\ 2 & 1 \end{pmatrix}\) wektory \(v_1 = [1, 1]\) i \(v_2 = [1, 2]\) zostają na swoich prostych (\(Av_1 = 3v_1\), \(Av_2 = 2v_2\)), a wektor \(u = [0, 1]\) przechodzi na \([-1, 1]\), więc nie jest wektorem własnym

Wielomian charakterystyczny — jak obliczyć wartości własne

Równanie \(Av = \lambda v\) przepisujemy jako \(Av - \lambda I v = 0\), czyli

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

To jednorodny układ równań liniowych. Ma on niezerowe rozwiązanie dokładnie wtedy, gdy macierz \(A - \lambda I\) nie jest odwracalna, a to oznacza zerowy wyznacznik. Stąd najważniejszy wzór całej lekcji.

Wartości własne i wektory własne krok po kroku

  1. Odejmij \(\lambda\) od każdego elementu przekątnej i oblicz \(p(\lambda) = \det(A - \lambda I)\).
  2. Rozwiąż równanie \(p(\lambda) = 0\) — jego pierwiastki to wartości własne.
  3. Dla każdej wartości własnej rozwiąż układ \((A - \lambda I)v = 0\). Jego równania są zależne (wyznacznik wynosi zero), więc zawsze zostaje co najmniej jedna niewiadoma wolna.
  4. Sprawdź wynik mnożeniem: \(Av\) musi być równe \(\lambda v\).

Dla macierzy \(A = \begin{pmatrix} 4 & -1 \\ 2 & 1 \end{pmatrix}\) z rysunku:

\[ \det(A - \lambda I) = \begin{vmatrix} 4 - \lambda & -1 \\ 2 & 1 - \lambda \end{vmatrix} = (4 - \lambda)(1 - \lambda) + 2 = \lambda^2 - 5\lambda + 6 = (\lambda - 2)(\lambda - 3) \]

Wartości własne to \(\lambda_1 = 3\) i \(\lambda_2 = 2\). Dla \(\lambda_1 = 3\) układ ma macierz \(A - 3I = \begin{pmatrix} 1 & -1 \\ 2 & -2 \end{pmatrix}\): oba wiersze dają \(x - y = 0\), więc \(v_1 = [1, 1]\). Dla \(\lambda_2 = 2\) macierz \(A - 2I = \begin{pmatrix} 2 & -1 \\ 2 & -1 \end{pmatrix}\) daje \(2x - y = 0\), czyli \(v_2 = [1, 2]\). Sprawdzenie: \(Av_1 = [3, 3] = 3v_1\) i \(Av_2 = [2, 4] = 2v_2\).

Ślad i wyznacznik — szybka kontrola wyniku

Dla macierzy \(2 \times 2\) wielomian charakterystyczny ma zawsze postać

\[ \det(A - \lambda I) = \lambda^2 - (\operatorname{tr} A)\,\lambda + \det A \]

gdzie ślad \(\operatorname{tr} A\) to suma elementów przekątnej. Ze wzorów Viète’a wynika od razu, że suma wartości własnych to ślad, a ich iloczyn to wyznacznik. Dla naszej macierzy: \(3 + 2 = 5 = 4 + 1\) oraz \(3 \cdot 2 = 6 = 4 \cdot 1 - (-1) \cdot 2\).

Skąd to się bierze: \(p(\lambda) = (\lambda_1 - \lambda)(\lambda_2 - \lambda)\cdots(\lambda_n - \lambda)\). Po podstawieniu \(\lambda = 0\) dostajemy \(\det A = \lambda_1 \lambda_2 \cdots \lambda_n\). Współczynnik przy \(\lambda^{n-1}\) to po prawej stronie \((-1)^{n-1}(\lambda_1 + \ldots + \lambda_n)\), a po lewej \((-1)^{n-1}\operatorname{tr} A\), bo tak wysoką potęgę \(\lambda\) zawiera tylko iloczyn wyrazów przekątnej. Wnioski, które często skracają zadania:

  • \(0\) jest wartością własną \(\iff \det A = 0\);
  • macierz trójkątna (w szczególności diagonalna) ma wartości własne równe elementom przekątnej;
  • jeśli \(Av = \lambda v\), to \(A^k v = \lambda^k v\), \((A + cI)v = (\lambda + c)v\), a dla odwracalnej \(A\) także \(A^{-1}v = \frac{1}{\lambda}v\) — te same wektory własne, przekształcone wartości własne.

Zespolone wartości własne

Wielomian charakterystyczny macierzy rzeczywistej nie musi mieć pierwiastków rzeczywistych. Dla \(B = \begin{pmatrix} 1 & -1 \\ 1 & 1 \end{pmatrix}\) mamy \(p(\lambda) = \lambda^2 - 2\lambda + 2\), \(\Delta = -4\), więc \(\lambda = 1 \pm i\). Jeśli znasz postać trygonometryczną liczb zespolonych, odczytasz z tego geometrię: \(1 + i = \sqrt{2}\left(\cos 45^\circ + i \sin 45^\circ\right)\), a \(B\) to obrót o \(45^\circ\) połączony z jednokładnością o skali \(\sqrt{2}\). Osiem takich kroków daje pełny obrót i skalę \((\sqrt{2})^8 = 16\), więc \(B^8 = 16I\). Zespolone wartości własne macierzy rzeczywistej zawsze występują w parach sprzężonych.

Diagonalizacja macierzy — kiedy A = PDP⁻¹

Krotność algebraiczna i geometryczna

Każda wartość własna ma dwie krotności:

  • krotność algebraiczna — ile razy \(\lambda\) jest pierwiastkiem wielomianu charakterystycznego;
  • krotność geometryczna — wymiar podprzestrzeni własnej \(V_\lambda\), czyli największa liczba liniowo niezależnych wektorów własnych dla \(\lambda\); oblicza się ją jako \(n - \operatorname{rz}(A - \lambda I)\).

Zawsze \(1 \le\) krotność geometryczna \(\le\) krotność algebraiczna. Dla pierwiastka jednokrotnego obie wynoszą \(1\), więc różnice mogą się pojawić tylko przy pierwiastkach wielokrotnych.

Diagonalizacja — wzór i jego sens

Ułóżmy wektory własne \(v_1, \ldots, v_n\) jako kolumny macierzy \(P\), a odpowiadające im wartości własne na przekątnej macierzy \(D\). Równości \(Av_k = \lambda_k v_k\) dla wszystkich \(k\) naraz to jedna równość macierzowa \(AP = PD\). Jeśli wektory własne są liniowo niezależne, macierz \(P\) jest odwracalna i można ją przenieść na drugą stronę.

Geometrycznie: \(P^{-1}\) przelicza współrzędne wektora na „osie własne”, \(D\) rozciąga wzdłuż każdej osi osobno, a \(P\) wraca do zwykłych współrzędnych. W bazie wektorów własnych przekształcenie jest po prostu skalowaniem osi.

Najważniejszy warunek wystarczający: macierz \(n \times n\) o \(n\) różnych wartościach własnych jest diagonalizowalna, bo wektory własne dla różnych wartości własnych są zawsze liniowo niezależne. Dla naszej macierzy \(A = \begin{pmatrix} 4 & -1 \\ 2 & 1 \end{pmatrix}\):

\[ P = \begin{pmatrix} 1 & 1 \\ 1 & 2 \end{pmatrix}, \quad D = \begin{pmatrix} 3 & 0 \\ 0 & 2 \end{pmatrix}, \quad P^{-1} = \begin{pmatrix} 2 & -1 \\ -1 & 1 \end{pmatrix}, \quad PDP^{-1} = \begin{pmatrix} 4 & -1 \\ 2 & 1 \end{pmatrix} \]

Kiedy diagonalizacja zawodzi — klatka Jordana

Najprostsza macierz, której nie da się zdiagonalizować, to

\[ J = \begin{pmatrix} 3 & 1 \\ 0 & 3 \end{pmatrix} \]

Jest trójkątna, więc ma jedną wartość własną \(\lambda = 3\) o krotności algebraicznej \(2\). Ale \(J - 3I = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}\) ma rząd \(1\): układ \((J - 3I)v = 0\) daje tylko warunek \(y = 0\), czyli jeden kierunek własny \([1, 0]\). Krotność geometryczna wynosi \(1\) i brakuje drugiego wektora do macierzy \(P\). Jest też krótki argument nie wprost: gdyby \(J = PDP^{-1}\), to na przekątnej \(D\) stałyby same trójki, czyli \(D = 3I\), a wtedy \(J = P(3I)P^{-1} = 3I\) — sprzeczność. Geometrycznie \(J\) to jednokładność o skali \(3\) złożona ze ścinaniem, a ścinanie przekrzywia każdy kierunek oprócz poziomego.

Taką macierz nazywa się klatką Jordana. Każdą macierz kwadratową da się (nad liczbami zespolonymi) sprowadzić do postaci złożonej z takich klatek; macierze diagonalizowalne to te, których wszystkie klatki mają rozmiar \(1\). Potęgi klatki łatwo policzyć: \(J^n = \begin{pmatrix} 3^n & n \cdot 3^{n-1} \\ 0 & 3^n \end{pmatrix}\). Pojawia się czynnik \(n\), którego żadna macierz diagonalna by nie dała.

Potęga macierzy i ciągi rekurencyjne

Potęgowanie przez diagonalizację

Bezpośrednie liczenie \(A^{100}\) to \(99\) mnożeń macierzy. Diagonalizacja zamienia je na potęgowanie liczb, bo w iloczynie \(PDP^{-1} \cdot PDP^{-1} \cdots PDP^{-1}\) wewnętrzne pary \(P^{-1}P\) się skracają:

\[ A^n = P D^n P^{-1}, \qquad D^n = \operatorname{diag}(\lambda_1^n, \ldots, \lambda_n^n) \]

Dla \(A = \begin{pmatrix} 4 & -1 \\ 2 & 1 \end{pmatrix}\) daje to wzór na dowolną potęgę (wyprowadzony w przykładzie 6):

\[ A^n = \begin{pmatrix} 2 \cdot 3^n - 2^n & 2^n - 3^n \\ 2 \cdot 3^n - 2^{n+1} & 2^{n+1} - 3^n \end{pmatrix} \]

Ze wzoru widać, co dzieje się dla dużych \(n\): wyrazy z \(3^n\) zaczynają dominować nad wyrazami z \(2^n\), więc wektor \(A^n u\) ustawia się coraz bliżej kierunku własnego \([1, 1]\), który odpowiada największej wartości własnej. Dla \(u = [1, 0]\) kolejne wektory to \([1, 0]\), \([4, 2]\), \([14, 10]\), \([46, 38]\), \([146, 130]\), \([454, 422]\). Na tym zjawisku opiera się metoda potęgowa — tak oblicza się dominującą wartość własną ogromnych macierzy, np. w algorytmie PageRank.

Kierunki wektorów A do potęgi n razy (1, 0) dla n od 0 do 5, sprowadzone do długości 1: zbliżają się do kierunku własnego (1, 1), odpowiadającego największej wartości własnej 3xy11(1, 1), λ = 3(1, 2), λ = 2n = 0n = 1n = 2n = 3n = 4, 5
Metoda potęgowa: wektory \(A^n [1, 0]\) dla \(n = 0, 1, \ldots, 5\) (sprowadzone do długości \(1\)) obracają się w stronę kierunku własnego \([1, 1]\) z największą wartością własną \(3\). Kąt z osią \(OX\) rośnie od \(0^\circ\) przez \(26{,}6^\circ\), \(35{,}5^\circ\), \(39{,}6^\circ\) i \(41{,}7^\circ\) do \(42{,}9^\circ\), dążąc do \(45^\circ\)

Wzór ogólny ciągu rekurencyjnego z macierzy

Rekurencję \(a_{n+2} = p\,a_{n+1} + q\,a_n\) zapisujemy jako jeden krok macierzowy na parze kolejnych wyrazów:

\[ \begin{pmatrix} a_{n+2} \\ a_{n+1} \end{pmatrix} = \begin{pmatrix} p & q \\ 1 & 0 \end{pmatrix} \begin{pmatrix} a_{n+1} \\ a_n \end{pmatrix} \]

Wielomian charakterystyczny tej macierzy to \(\lambda^2 - p\lambda - q\), czyli dokładnie „równanie charakterystyczne” rekurencji. Teraz widać, skąd ono pochodzi: jego pierwiastki to wartości własne macierzy kroku, a wzór ogólny \(a_n = \alpha \lambda_1^n + \beta \lambda_2^n\) jest skutkiem równości \(A^n = PD^nP^{-1}\). Dla ciągu Fibonacciego macierz \(\begin{pmatrix} 1 & 1 \\ 1 & 0 \end{pmatrix}\) ma wartości własne \(\frac{1 \pm \sqrt{5}}{2}\), co prowadzi do wzoru Bineta, a przy okazji daje elegancką tożsamość:

\[ \begin{pmatrix} 1 & 1 \\ 1 & 0 \end{pmatrix}^n = \begin{pmatrix} F_{n+1} & F_n \\ F_n & F_{n-1} \end{pmatrix} \]

Dopasowanie stałych, złoty podział i dowody własności omawia lekcja o ciągu Fibonacciego i wzorze Bineta; tu w przykładzie 7 policzymy inną rekurencję. Gdy równanie charakterystyczne ma pierwiastek podwójny, macierz kroku nie jest diagonalizowalna (to klatka Jordana w przebraniu) — stąd we wzorze ogólnym czynnik \(n\): \(a_n = (\alpha + \beta n)\lambda^n\).

Łańcuch Markowa i stan stacjonarny

Łańcuch Markowa opisuje układ, który w każdym kroku przechodzi losowo między kilkoma stanami, przy czym prawdopodobieństwa przejść zależą tylko od stanu bieżącego. Przykład: po dniu słonecznym następny dzień jest słoneczny z prawdopodobieństwem \(0{,}8\), a deszczowy z prawdopodobieństwem \(0{,}2\); po dniu deszczowym słońce wraca z prawdopodobieństwem \(0{,}3\), a deszcz trwa dalej z prawdopodobieństwem \(0{,}7\). Wektor \(x_n = [s_n, d_n]\) (szanse słońca i deszczu w dniu \(n\)) zmienia się według wzoru \(x_{n+1} = Mx_n\), gdzie

\[ M = \begin{pmatrix} 0{,}8 & 0{,}3 \\ 0{,}2 & 0{,}7 \end{pmatrix} \]

Kolumny \(M\) sumują się do \(1\), bo z każdego stanu trzeba gdzieś przejść. Taka macierz stochastyczna zawsze ma wartość własną \(1\): kolumny \(M - I\) sumują się do zera, więc suma wierszy \(M - I\) to wiersz zerowy i \(\det(M - I) = 0\). Wektor własny dla \(\lambda = 1\), unormowany tak, by jego współrzędne sumowały się do \(1\), to rozkład stacjonarny — rozkład, który w kolejnych krokach się nie zmienia.

Rachunek: \(\operatorname{tr} M = 1{,}5\) i \(\det M = 0{,}56 - 0{,}06 = 0{,}5\), więc wartości własne to \(1\) i \(0{,}5\). Dla \(\lambda = 1\) równanie \(-0{,}2s + 0{,}3d = 0\) daje kierunek \([3, 2]\), czyli rozkład \([0{,}6;\ 0{,}4]\). Dla \(\lambda = 0{,}5\) wektor własny to \([1, -1]\). Startując od dnia słonecznego, rozkładamy \(x_0 = [1, 0] = [0{,}6;\ 0{,}4] + 0{,}4 \cdot [1, -1]\), więc

\[ x_n = \begin{pmatrix} 0{,}6 \\ 0{,}4 \end{pmatrix} + 0{,}4 \cdot 0{,}5^n \begin{pmatrix} 1 \\ -1 \end{pmatrix} \]

Składnik z \(0{,}5^n\) szybko wygasa: po tygodniu szansa słońca wynosi \(0{,}6 + 0{,}4 \cdot 0{,}5^7 \approx 0{,}603\), choć zaczynaliśmy od pewnego słońca. Startując od deszczu, dostajemy \(s_n = 0{,}6 - 0{,}6 \cdot 0{,}5^n\). Rysunek pokazuje, jak obie historie zbiegają do \(0{,}6\). Tempo zbieżności wyznacza druga co do modułu wartość własna: im bliżej zera, tym szybciej układ zapomina swój stan początkowy.

Łańcuch Markowa pogody: prawdopodobieństwo słońca w kolejnych dniach przy starcie od dnia słonecznego (1; 0,8; 0,7; 0,65; …) i od deszczowego (0; 0,3; 0,45; …) — oba ciągi zbiegają do 0,6nsₙ123456780,20,40,60,81start: słońce, sₙ = 0,6 + 0,4·0,5ⁿstart: deszcz, sₙ = 0,6 − 0,6·0,5ⁿrozkład stacjonarny 0,6
Łańcuch Markowa pogody: szansa słońca \(s_n\) w kolejnych dniach. Niezależnie od startu (dzień słoneczny lub deszczowy) ciąg zbiega do \(0{,}6\), a odległość od granicy maleje dwukrotnie z każdym dniem — tak działa druga wartość własna \(0{,}5\)

Macierze symetryczne — rzeczywiste wartości własne i prostopadłe wektory własne

Macierz jest symetryczna, gdy \(A^T = A\), czyli \(a_{ij} = a_{ji}\). Takie macierze mają wyjątkowo porządne wartości i wektory własne.

Prostopadłość ma jednolinijkowy dowód. Jeśli \(Av = \lambda v\), \(Aw = \mu w\) i \(\lambda \neq \mu\), to z symetrii \((Av) \cdot w = v \cdot (Aw)\), czyli \(\lambda\,(v \cdot w) = \mu\,(v \cdot w)\), skąd \(v \cdot w = 0\). Rzeczywistość wartości własnych dowodzi się podobnie: mnożymy \(Av = \lambda v\) z lewej przez wiersz sprzężony \(\overline{v}^T\) i zauważamy, że liczba \(\overline{v}^T A v\) jest równa swojemu sprzężeniu, a \(\overline{v}^T v > 0\), więc \(\lambda = \overline{\lambda}\).

Wróćmy do pierwszego rysunku. Dla \(S = \begin{pmatrix} 3 & 1 \\ 1 & 3 \end{pmatrix}\) wartości własne \(4\) i \(2\) mają prostopadłe wektory własne \([1, 1]\) i \([1, -1]\). Po unormowaniu dostajemy macierz \(Q = \frac{1}{\sqrt{2}}\begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}\) i rozkład \(S = Q \operatorname{diag}(4, 2)\, Q^T\): obróć, rozciągnij wzdłuż osi, obróć z powrotem. Dlatego obraz okręgu to elipsa o półosiach równych wartościom własnym, skierowanych wzdłuż wektorów własnych. Tym samym rachunkiem sprowadza się równania krzywych \(ax^2 + 2bxy + cy^2 = 1\) do postaci kanonicznej: wartości własne macierzy \(\begin{pmatrix} a & b \\ b & c \end{pmatrix}\) mówią, czy krzywa jest elipsą, czy hiperbolą, i jakie ma półosie.

Wartości własne w mechanice kwantowej

Twierdzenie spektralne to matematyczny fundament mechaniki kwantowej. Stan układu opisuje wektor o współrzędnych zespolonych i długości \(1\), a każdą wielkość mierzalną — obserwablę, np. energię albo spin — macierz hermitowska, czyli zespolony odpowiednik macierzy symetrycznej (\(A^\dagger = A\), gdzie \(\dagger\) oznacza transpozycję połączoną ze sprzężeniem). Reguły gry są takie:

  • możliwe wyniki pomiaru to wartości własne obserwabli — dlatego muszą być rzeczywiste;
  • po pomiarze z wynikiem \(\lambda\) układ jest w stanie własnym odpowiadającym \(\lambda\); różne wyniki mają prostopadłe stany własne, więc są doskonale rozróżnialne;
  • prawdopodobieństwo wyniku \(\lambda\) w stanie \(\psi\) to \(|\langle u, \psi \rangle|^2\), kwadrat modułu iloczynu skalarnego \(\psi\) z unormowanym wektorem własnym \(u\), a wartość oczekiwana (średni wynik wielu pomiarów) to \(\langle \psi, A\psi \rangle\).

Jak ten rachunek wygląda dla kubitu i bramek kwantowych, pokazuje lekcja kubit i bramki kwantowe, a liczbowy przykład pomiaru znajdziesz niżej (przykład 9). Zadania tego typu — wartości własne macierzy hermitowskich, rozkład spektralny, pomiary obserwabli — zebrano w zbiorze Olimpiada Kwantowa.

Wartości i wektory własne — przykłady rozwiązane krok po kroku

Przykład 1 — wartości i wektory własne macierzy 2×2

Wyznacz wartości własne i wektory własne macierzy \(M = \begin{pmatrix} 1 & 4 \\ 2 & -1 \end{pmatrix}\).

Ślad wynosi \(0\), a wyznacznik \(-1 - 8 = -9\), więc \(p(\lambda) = \lambda^2 - 9\) i \(\lambda = \pm 3\). Dla \(\lambda = 3\): \(M - 3I = \begin{pmatrix} -2 & 4 \\ 2 & -4 \end{pmatrix}\), równanie \(-2x + 4y = 0\), czyli \(x = 2y\) i \(v_1 = [2, 1]\). Dla \(\lambda = -3\): \(M + 3I = \begin{pmatrix} 4 & 4 \\ 2 & 2 \end{pmatrix}\), równanie \(x + y = 0\) i \(v_2 = [1, -1]\). Sprawdzenie: \(Mv_1 = [6, 3] = 3v_1\) oraz \(Mv_2 = [-3, 3] = -3v_2\). Wektor \(v_2\) zmienia zwrot — ujemna wartość własna oznacza odbicie wzdłuż tego kierunku połączone z rozciągnięciem.

Przykład 2 — ślad, wyznacznik i wartości własne potęg

Macierz \(A\) o wymiarach \(2 \times 2\) ma ślad \(1\) i wyznacznik \(-6\). Wyznacz wartości własne macierzy \(A\), \(A^{-1}\) i \(A^2 + 2I\) oraz oblicz \(\operatorname{tr}(A^5)\).

Wartości własne spełniają \(\lambda^2 - \lambda - 6 = 0\), więc \(\lambda_1 = 3\) i \(\lambda_2 = -2\). Macierze \(A^{-1}\) i \(A^2 + 2I\) mają te same wektory własne, a wartości własne przekształcone: \(\frac13\) i \(-\frac12\) dla \(A^{-1}\) oraz \(3^2 + 2 = 11\) i \((-2)^2 + 2 = 6\) dla \(A^2 + 2I\). Ślad piątej potęgi to suma piątych potęg wartości własnych: \(\operatorname{tr}(A^5) = 3^5 + (-2)^5 = 243 - 32 = 211\). Samej macierzy nie trzeba znać — wystarczą ślad i wyznacznik. Kontrola: \(\det(A^{-1}) = \frac13 \cdot \left(-\frac12\right) = -\frac16 = \frac{1}{\det A}\).

Przykład 3 — macierz 3×3 o trzech różnych wartościach własnych

Wyznacz wartości i wektory własne macierzy \(A = \begin{pmatrix} 4 & 0 & 1 \\ -2 & 1 & 0 \\ -2 & 0 & 1 \end{pmatrix}\).

Druga kolumna macierzy \(A - \lambda I\) ma tylko jeden niezerowy element \(1 - \lambda\), więc rozwijamy wyznacznik względem niej:

\[ \det(A - \lambda I) = (1 - \lambda) \begin{vmatrix} 4 - \lambda & 1 \\ -2 & 1 - \lambda \end{vmatrix} = (1 - \lambda)(\lambda^2 - 5\lambda + 6) = (1 - \lambda)(\lambda - 2)(\lambda - 3) \]

Wartości własne to \(1\), \(2\) i \(3\). Kontrola: suma \(6 = 4 + 1 + 1 = \operatorname{tr} A\), iloczyn \(6 = \det A\). Wektory własne:

  • \(\lambda = 1\): macierz \(A - I = \begin{pmatrix} 3 & 0 & 1 \\ -2 & 0 & 0 \\ -2 & 0 & 0 \end{pmatrix}\) daje \(x = 0\) i \(z = 0\), a \(y\) jest dowolne: \(v_1 = [0, 1, 0]\);
  • \(\lambda = 2\): z równań \(2x + z = 0\) i \(-2x - y = 0\) mamy \(z = -2x\) i \(y = -2x\): \(v_2 = [1, -2, -2]\);
  • \(\lambda = 3\): z równań \(x + z = 0\) i \(-2x - 2y = 0\) mamy \(z = -x\) i \(y = -x\): \(v_3 = [1, -1, -1]\).

Sprawdzenie dla \(v_2\): \(Av_2 = [4 - 2,\ -2 - 2,\ -2 - 2] = [2, -4, -4] = 2v_2\). Trzy różne wartości własne gwarantują diagonalizowalność: \(P = [v_1\ v_2\ v_3]\) i \(D = \operatorname{diag}(1, 2, 3)\).

Przykład 4 — wartość własna podwójna, a jednak diagonalizacja

Zbadaj, czy macierz \(C = \begin{pmatrix} 2 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 2 \end{pmatrix}\) jest diagonalizowalna.

Zauważ, że \(C = I + E\), gdzie \(E\) to macierz z samych jedynek. Macierz \(E\) ma rząd \(1\), więc \(0\) jest jej wartością własną o krotności geometrycznej \(2\), a trzecia wartość własna to \(\operatorname{tr} E = 3\) z wektorem \([1, 1, 1]\). Dodanie \(I\) przesuwa wartości własne o \(1\): macierz \(C\) ma wartość własną \(4\) (pojedynczą) i \(1\) (podwójną), co potwierdza wielomian charakterystyczny \(p(\lambda) = -(\lambda - 4)(\lambda - 1)^2\). Dla \(\lambda = 1\) macierz \(C - I = E\) ma trzy jednakowe wiersze \([1, 1, 1]\), więc podprzestrzeń własna to cała płaszczyzna \(x + y + z = 0\), rozpięta np. przez \([1, -1, 0]\) i \([1, 0, -1]\). Krotność geometryczna \(2\) równa się algebraicznej, więc \(C\) jest diagonalizowalna:

\[ P = \begin{pmatrix} 1 & 1 & 1 \\ 1 & -1 & 0 \\ 1 & 0 & -1 \end{pmatrix}, \qquad D = \operatorname{diag}(4, 1, 1) \]

Wektory z płaszczyzny są prostopadłe do \([1, 1, 1]\), zgodnie z twierdzeniem spektralnym (macierz \(C\) jest symetryczna). Kontrola: \(4 + 1 + 1 = 6 = \operatorname{tr} C\) i \(4 \cdot 1 \cdot 1 = 4 = \det C\).

Przykład 5 — macierz, której nie da się zdiagonalizować

Zbadaj diagonalizowalność macierzy \(K = \begin{pmatrix} 5 & -1 \\ 4 & 1 \end{pmatrix}\) i oblicz \(K^n\).

Ślad wynosi \(6\), wyznacznik \(5 + 4 = 9\), więc \(p(\lambda) = \lambda^2 - 6\lambda + 9 = (\lambda - 3)^2\): wartość własna \(3\) jest podwójna. Macierz \(N = K - 3I = \begin{pmatrix} 2 & -1 \\ 4 & -2 \end{pmatrix}\) ma rząd \(1\) (drugi wiersz to podwojony pierwszy), więc istnieje tylko jeden kierunek własny, \([1, 2]\). Krotność geometryczna \(1\) jest mniejsza od algebraicznej \(2\), zatem \(K\) nie jest diagonalizowalna. Potęgę liczymy inaczej: \(N^2 = 0\) (sprawdź mnożeniem), a macierze \(3I\) i \(N\) są przemienne, więc z dwumianu Newtona zostają tylko dwa wyrazy:

\[ K^n = (3I + N)^n = 3^n I + n \cdot 3^{n-1} N = 3^{n-1} \begin{pmatrix} 3 + 2n & -n \\ 4n & 3 - 2n \end{pmatrix} \]

Dla \(n = 2\) wzór daje \(3 \cdot \begin{pmatrix} 7 & -2 \\ 8 & -1 \end{pmatrix} = \begin{pmatrix} 21 & -6 \\ 24 & -3 \end{pmatrix}\), co zgadza się z bezpośrednim mnożeniem \(K \cdot K\).

Przykład 6 — diagonalizacja i potęga macierzy

Oblicz \(A^n\) oraz \(A^5\) dla \(A = \begin{pmatrix} 4 & -1 \\ 2 & 1 \end{pmatrix}\).

Z poprzednich sekcji: \(P = \begin{pmatrix} 1 & 1 \\ 1 & 2 \end{pmatrix}\), \(D = \operatorname{diag}(3, 2)\), \(\det P = 1\) i \(P^{-1} = \begin{pmatrix} 2 & -1 \\ -1 & 1 \end{pmatrix}\). Mnożymy od lewej:

\[ PD^n = \begin{pmatrix} 3^n & 2^n \\ 3^n & 2 \cdot 2^n \end{pmatrix}, \qquad A^n = PD^nP^{-1} = \begin{pmatrix} 2 \cdot 3^n - 2^n & 2^n - 3^n \\ 2 \cdot 3^n - 2^{n+1} & 2^{n+1} - 3^n \end{pmatrix} \]

Kontrola dla \(n = 1\): \(\begin{pmatrix} 6 - 2 & 2 - 3 \\ 6 - 4 & 4 - 3 \end{pmatrix} = A\). Dla \(n = 5\) mamy \(3^5 = 243\) i \(2^5 = 32\):

\[ A^5 = \begin{pmatrix} 454 & -211 \\ 422 & -179 \end{pmatrix} \]

Ostatnia kontrola: \(\det A^5 = 454 \cdot (-179) + 211 \cdot 422 = 7776 = 6^5 = (\det A)^5\).

Przykład 7 — wzór ogólny ciągu rekurencyjnego

Ciąg spełnia warunki \(a_0 = 1\), \(a_1 = 1\) i \(a_{n+2} = a_{n+1} + 6a_n\). Wyznacz wzór ogólny i oblicz \(a_{10}\).

Macierz kroku \(\begin{pmatrix} 1 & 6 \\ 1 & 0 \end{pmatrix}\) ma wielomian charakterystyczny \(\lambda^2 - \lambda - 6 = (\lambda - 3)(\lambda + 2)\). Wartości własne \(3\) i \(-2\) są różne, więc macierz jest diagonalizowalna i \(a_n = \alpha \cdot 3^n + \beta \cdot (-2)^n\). Z warunków początkowych \(\alpha + \beta = 1\) i \(3\alpha - 2\beta = 1\), skąd \(\alpha = \frac35\) i \(\beta = \frac25\):

\[ a_n = \frac{3^{n+1} + 2 \cdot (-2)^n}{5} \]

Kontrola: \(a_2 = a_1 + 6a_0 = 7\), a ze wzoru \(\frac{27 + 8}{5} = 7\). Stąd \(a_{10} = \frac{3^{11} + 2 \cdot 2^{10}}{5} = \frac{177147 + 2048}{5} = 35839\). Dla dużych \(n\) dominuje \(3^n\), więc \(\frac{a_{n+1}}{a_n} \to 3\) — podobnie jak iloraz kolejnych liczb Fibonacciego dąży do złotej liczby.

Przykład 8 — stan stacjonarny łańcucha Markowa 3×3

Miejska wypożyczalnia ma \(1000\) rowerów na trzech stacjach \(A\), \(B\), \(C\). Każdego dnia rower ze stacji \(A\) zostaje na niej z prawdopodobieństwem \(0{,}7\), trafia na \(B\) z prawdopodobieństwem \(0{,}2\), a na \(C\) z prawdopodobieństwem \(0{,}1\). Dla roweru z \(B\) te liczby wynoszą \(0{,}1\), \(0{,}8\), \(0{,}1\), a dla roweru z \(C\): \(0{,}2\), \(0{,}2\), \(0{,}6\). Ile rowerów będzie na każdej stacji po długim czasie?

Kolumny macierzy przejścia opisują, dokąd trafiają rowery z kolejnych stacji:

\[ M = \begin{pmatrix} 0{,}7 & 0{,}1 & 0{,}2 \\ 0{,}2 & 0{,}8 & 0{,}2 \\ 0{,}1 & 0{,}1 & 0{,}6 \end{pmatrix} \]

Szukamy wektora własnego dla \(\lambda = 1\), czyli rozwiązania \((M - I)x = 0\). Po pomnożeniu równań przez \(10\):

\[ -3x + y + 2z = 0, \qquad 2x - 2y + 2z = 0, \qquad x + y - 4z = 0 \]

Z drugiego równania \(y = x + z\); po podstawieniu do pierwszego \(-2x + 3z = 0\), czyli \(x = \frac32 z\) i \(y = \frac52 z\). Trzecie równanie jest spełnione automatycznie (\(\frac32 + \frac52 - 4 = 0\)) — tak musi być, bo wiersze \(M - I\) są zależne. Kierunek własny to \([3, 5, 2]\), a po unormowaniu do sumy \(1\) dostajemy \([0{,}3;\ 0{,}5;\ 0{,}2]\). Po długim czasie na stacjach będzie około \(300\), \(500\) i \(200\) rowerów, niezależnie od początkowego rozmieszczenia. Pozostałe wartości własne \(M\) to \(0{,}6\) i \(0{,}5\), więc odchylenie od stanu stacjonarnego maleje jak \(0{,}6^n\); po dwóch tygodniach czynnik \(0{,}6^{14} \approx 0{,}0008\) praktycznie je wygasza.

Przykład 9 — macierz symetryczna jako obserwabla

Obserwabla układu dwustanowego ma macierz \(H = \begin{pmatrix} 1 & 2 \\ 2 & -2 \end{pmatrix}\), a układ jest w stanie \(\psi = [1, 0]\). Jakie wyniki może dać pomiar, z jakimi prawdopodobieństwami i jaka jest wartość oczekiwana?

Ślad \(\operatorname{tr} H = -1\), wyznacznik \(\det H = -2 - 4 = -6\), więc \(\lambda^2 + \lambda - 6 = 0\), czyli \(\lambda_1 = 2\) i \(\lambda_2 = -3\). Wektory własne: dla \(2\) z równania \(-x + 2y = 0\) mamy \([2, 1]\), dla \(-3\) z równania \(4x + 2y = 0\) mamy \([1, -2]\). Są prostopadłe: \(2 \cdot 1 + 1 \cdot (-2) = 0\). Po unormowaniu \(u_1 = \frac{1}{\sqrt5}[2, 1]\) i \(u_2 = \frac{1}{\sqrt5}[1, -2]\). Prawdopodobieństwa wyników:

\[ P(2) = (u_1 \cdot \psi)^2 = \left(\tfrac{2}{\sqrt5}\right)^2 = \tfrac45, \qquad P(-3) = (u_2 \cdot \psi)^2 = \left(\tfrac{1}{\sqrt5}\right)^2 = \tfrac15 \]

Suma wynosi \(1\), jak być powinno. Wartość oczekiwana: \(2 \cdot \frac45 + (-3) \cdot \frac15 = 1\) — i rzeczywiście \(\psi \cdot H\psi = [1, 0] \cdot [1, 2] = 1\), czyli element \(h_{11}\). Wynik \(1\) nigdy nie pada w pojedynczym pomiarze; to średnia z wielu powtórzeń.

Typowe błędy i ściąga — wartości własne w pigułce

Najczęstsze pomyłki

  • Wektor zerowy jako wektor własny. Z definicji \(v \neq 0\). Jeśli układ \((A - \lambda I)v = 0\) ma tylko rozwiązanie zerowe, to \(\lambda\) nie jest wartością własną albo w rachunkach jest błąd.
  • Odejmowanie \(\lambda\) od wszystkich elementów. W macierzy \(A - \lambda I\) zmienia się tylko przekątna.
  • Pomieszana kolejność w \(P\) i \(D\). \(k\)-ta kolumna \(P\) musi być wektorem własnym dla \(k\)-tej liczby na przekątnej \(D\).
  • \(A = P^{-1}DP\) zamiast \(A = PDP^{-1}\). Gdy kolumny \(P\) to wektory własne, zachodzi \(AP = PD\). W razie wątpliwości sprawdź jedną kolumnę.
  • „Wartość podwójna, więc diagonalizacja jest niemożliwa”. Rozstrzyga krotność geometryczna: macierz \(C\) z przykładu 4 ma podwójną wartość własną i jest diagonalizowalna, a \(K\) z przykładu 5 nie jest.
  • Wartości własne sumy i iloczynu. Wartości własne \(A + B\) i \(AB\) na ogół nie są sumami ani iloczynami wartości własnych \(A\) i \(B\). Bezpiecznie przekształcają się tylko \(A^k\), \(A^{-1}\), \(A + cI\) i ich kombinacje.
  • Wartości własne odczytane z przekątnej dowolnej macierzy. To działa tylko dla macierzy trójkątnych i diagonalnych.
  • Operacje na wierszach samej macierzy \(A\). Zmieniają one wartości własne. Upraszczać wolno dopiero macierz \(A - \lambda I\) — przy liczeniu jej wyznacznika albo przy rozwiązywaniu układu dla konkretnego \(\lambda\).
  • Wiersze zamiast kolumn w łańcuchu Markowa. Przy zapisie \(x_{n+1} = Mx_n\) do \(1\) sumują się kolumny macierzy przejścia.

Ściąga — najważniejsze wzory

Strategia na zadanie z wartości własnych: zanim zaczniesz rozwijać wyznacznik, poszukaj wiersza lub kolumny z zerami, macierzy trójkątnej albo rozkładu typu \(I + E\); po znalezieniu wartości własnych od razu sprawdź ślad i wyznacznik; każdy wektor własny sprawdź jednym mnożeniem \(Av\). Gdy pytanie dotyczy wysokiej potęgi, granicy albo długiego czasu, prawie zawsze chodzi o diagonalizację i o to, która wartość własna dominuje.

Sprawdź się

Zadania z wartości i wektorów własnych, ułożone mniej więcej od najłatwiejszych:

Więcej zadań z macierzy, wyznaczników i przekształceń liniowych znajdziesz w dziale algebra liniowa, a zadania o obserwablach, kubitach i pomiarach — w zbiorze Olimpiada Kwantowa.

Nowe zadania z pełnymi rozwiązaniami, które ćwiczą rachunki z tej lekcji:

Dzisiejszy zestaw zadań → Trening liczenia w pamięci · 2 min