You are on page 1of 11

6 Svojstvene vrednosti matrice

6.1 LINEARNA TRANSFORMACIJA VEKTORA


Ako je x1, x2,..., xn neki skup promenljivih, a y1, y2,..., yn drugi skup promenljivih, koje su sa prvim vezane nekim relacijama:

yi = f i ( x1 , x2 ,..., xn ),
ili u vektorskoj formi: y = f(x)

i = 1,2,..., n

prelaz od x1, x2, ... ,xn na nove promenljive y1, y2, ... , yn nazivamo transformacijom (preslikavanje). Transformacija je linearna (LT), ako su funkcije f linearne i homogene:
yi = f i ( x1 , x2 ,..., xn ) = ai,1 x1 + ai , 2 x2 + ... + ai,n xn pa se LT u matrinoj formi moe prikazati kao: i = 1,2,..., n (6.1)

y = Ax

(6.2)

Jednaina (6.2) definie LT vektora x u vektor y, tj. vektorskog prostora u samog sebe ili u svoj potprostor. Matrica A se naziva matrica linearne transformacije.

Reavanje sistema on n linearnih jednaina sa n nepoznatih: Ax = b

(6.3)

se moe interpretirati kao nalaenje onog vektora x koji se pomou date matrice A linearno transformie u dati vektor b. Kao to znamo, jedinstveno reenje postoji ako i samo ako je matrica A nesingularna, i moe se prikazati u obliku:

x = A-1b

(6.4)

136

Poslednja jednaina definie LT vektora b u vektor x pa je inverzna (obratna) u odnosu na transformaciju x u b (Jedn. 6.3). Tako se matrica A-1 naziva matrica inverzne linearne transformacije. Ako je matrica linearne transfomacije (6.2) regularna ta transformacija -preslikavanje je bijektivna (obostrano jednoznana) i naziva se regularna. U suprotnom, transformacija je singularna.

Primer 1:
Matrica transformacije projektovanja dvodimenzionog vektora x1 x= x2

y = Ax x

na x osu je:

1 0 A= 0 0

To znai da koordinate vektora y : y1= x1, y2= 0 , kao horizontalne projekcije vektora x , dobijamo mnoenjem vektora x matricom A: y = Ax Ova transformacija je singularna jer je matrica A singularna (det(A)=0). Tako, ona preslikava 2- dimenzioni vektorski prostor u njegov potprostor dimenzije 1 (vektori na xosi). To znai da ne postoji jednoznana inverzna transformacija: datu projekciju na x osu ima beskonaan broj vektora u Oxy ravni.

6.2 SVOJSTVENI VEKTORI I SVOJSTVENE VREDNOSTI


Ako se nenulti vektor x, linearnom transformacijom sa matricom A transformie u sebi kolinearan vektor: Ax = x (6.5)

on predstavlja svojstveni, sopstveni ili karakteristini vektor matrice A. Skalar se naziva svojstvena, sopstvena ili karakteristina vrednost matrice A, koja odgovara svojstvenom vektoru x.

Primer 2:
Posmatrajmo matricu projektovanja iz Primera 1:

1 0 A= 0 0

137

Svi nenulti vektori x koji lee na x osi su njeni svojstveni vektori sa svojstvenom vrednocu = 1 jer se transformiu u sami sebe:
Ax = x

Svi nenulti vektori y na y osi se projektuju u nula vektore, pa su i oni svojstveni vektori posmatrane matrice i to sa svojstvenom vrednocu = 0:

Ay = 0y = 0
Primer 3:
Svojstveni vektori i odgovarajue svojstvene vrednosti matrice

3 1 A= 1 3

1 1 = 4, x (1) = ; 1 Provera:

su:

1 2 = 2, x ( 2) = 1 3 1 1 2 1 1 3 1 = 2 = 2 1

3 1 1 4 1 1 3 1 = 4 = 4 1

Karakteristina jednaina i karakteristini polinom matrice


Poto je definiciona jednaina (6.5) ekvivalentna jednaini:

(A E)x = 0
svojstveni vektori predstavljaju reenja homogenog SLJ (6.6) sa matricom sistema:

(6.6)

a12 a11 a a22 21 A E = an 2 an1

a1n a2 n ann

(6.7)

koja se naziva svojstvena ili karakteristina matrica. Da bi homogeni sistem (6.6) imao nenulta reenja potrebno je i dovoljno da matrica sistema bude singularna, tj.:

det(A E ) = 0

(6.8)

Jednaina (6.8) se naziva karakteristina jednaina, a kada se njena leva strana razvije dobije se polinom n tog stepena po , koji se naziva karakteristini polinom matrice A: det (A E ) = Pn ( ) = n p1n1 + p2 n2 + + (1) n1 pn1 + (1) n p n

138

Koeficijent p1 karakteristinog polinoma jednak je tragu matrice A:

p1 = tr(A ) = aii
n i =1

6.3 IZRAUNAVANJE SVOJSTVENIH VREDNOSTI


Razliiti koreni karakteristinog polinoma (koji kao to znamo ima ukupno n korena),

1, ... , m ( m n )
predstavljaju traene svojstvene vrednosti matrice A. Skup svih sopstvenih vrednosti se naziva spektar matrice A.

Primer 4:

Odrediemo svojstvene vrednosti matrice A iz prethodnog primera: 1 3 det ( A E) = det = (3 ) 2 1 = P2 ( ), 3 1

1, 2 = 3 1

Primer 5:

Karakteristina jednaina matrice

3 1 A= 2 1

je: 2- 4 +5 = 0 i njena reenja su kompleksna: 1= 2 + i, 2= 2 i

Svojstvene vrednosti imaju primenu u hemijskom inenjerstvu pri:

Numerike metode odredivanja svojstvenih vrednosti, dele se na 2 klase:

Analitikom reavanju sistema obinih homogenih diferencijalnih jednaina sa konstantnim koeficijentima. Analizi stabilnosti dinamikih sistema opisanih obinim linearnim dif. jednainama. Reavanju nekih optimizacionih problema metode generisanja karakteristinog polinoma i nalaenja njegovih korena iterativne metode bez prethodnog formiranja karakteristinog polinoma

6.5 ODREIVANJE SVOJSTVENIH VEKTORA


Za svaku od prethodno naenih svojstvenih vrednosti, j svojstveni vektor se dobija reavanjem homogenog SLJ (6.6). Kako je det(A-jE) = 0, rang matrice sistema r je manji od n i za svojstvenu vrednost j, 139

postoji beskonano mnogo reenja homogenog SLJ (6.6) sistema, tj. svojstvenih vektora, koji se dobijaju kao linearna kombinacija nekih k = n r odabranih, linearno nezavisnih vektora. Dakle, svi svojstveni vektori, koji odgovaraju svojstvenoj vrednosti j obrazuju k dimenzioni vektorski potprostor (ndimenzionog vektorskog prostora), a odabrani linearno nezavisni vektori, predstavljaju jednu bazu tog potprostora.
TEOREMA 1: Svojstveni vektori, koji odgovaraju razliitim svojstvenim vrednostima su meusobno linearni nezavisni Algoritam za dobijanje jednog od k baznih vektora vektorskog potprostora svojstvenih vektora, koji odgovaraju svojstvenoj vrednosti j je: 1. Odrediti r = rang(A - iE) 2. Odabrati vrednosti (ne smeju biti sve nule) nekih k = n r od ukupno n promenljivih x1, ... ,xn (slobodne promenljive) i uneti te vrednosti u podsistem od r linearno nezavisnih jednaina

Ponavljajui korake 2. i 3. za ukupno k razliitih kombinacija vrednosti odabranih slobodnih promenljivih, dobijaju se svi bazni vektori.

3. Reavanjem rezultujueg saglasnog nehomogenog sistema od r jednaina, odrediti vrednosti preostalih r promenljlivih

Primer 6:
Odrediemo svojstvene vektore matrice A iz Primera 3: a) Za 1= 4 : 1. Matrica homogenog SLJ (6.6) je: 1 1 1 1 1 3 4 ( A 4E ) = = 3 4 1 1 1 0 0 iji je rang r = 1, pa je od dve jednaine nezavisna samo jedna: 2. Biramo proizvoljno (izuzimajui 0) vrednost jedne od promenljivih, recimo 3. Iz gornje jednaine za drugu promenljivu dobijamo:

-x1+ x2 = 0 x2 = 1 x1 = 1

Tako se kao svojstveni vektor, koji odgovara datoj svojstvenoj vrednosti moe uzeti

1 x (1) = 1

i on predstavlja bazu 1-dimenzionog potprostora svih svojstvenih vektora matrice A sa svojstvenom vrednou 1= 4 (vektori na pravoj x1= x2 ). Tako svojstvene vektore matrice A, koji odgovaraju 1= 4, dobijamo proizvoljnim izborom ( 0 ) realnog broja u vektoru:

140

b) Za 2= 2,

1 x (1) = , 0 1

1. Matrica homogenog S.L.J.je :

iji je rang r = 1, pa je od dve jednaine nezavisna samo jedna:


x1+ x2=0
2. Biramo proizvoljno vrednost jedne od promenljivih, recimo x2 = -1 3. Iz gornje jednaine, x1=1. Svojstveni vektor:

1 1 1 1 1 3 2 ( A 2E ) = = 3 2 1 1 1 0 0

1 x ( 2) = . 1 1 x ( 2 ) = , 0 1

odnosno:

TEOREMA 2: Ako je j m tostruka svojstvena vrednost (m-tostruki koren karakteristinog polinoma), onda je rang karakteristine matrice vei ili jednak n m, odnosno dimenzija k odgovarajueg potprostora svojstvenih vektora je najvie jednaka m:
Drugim reima, broj linearno nezavisnih svojstvenih vektora, k koji odgovaraju viestrukoj svojstvenoj vrednosti, najvie je jednak njenoj viestrukosti, m. U specijalnom sluaju m = 1, dimenzija potprostora svojstvenih vektora je k = m = 1.

k m.

Primer 7:

2 1 1 A= 1 2 1 1 1 2

1 1 2 3 2 det( A E) = det 1 2 1 = 6 + 9 4 = 0 1 2 1

Svojstvene vrednosti: a) Za dvostruki koren 1,2 = 1:

1 = 2 = 1, 3 = 4

141

1 1 1 x1 0 ( A 1 E)x = 1 1 1 x2 = 0 , 1 1 1 x3 0 Imamo samo jednu nezavisnu jednainu:

r =1

a dimenzija vektorskog potprostora karakteristinih korena je 2: Bazne vektore dobijamo ponavljajui dva puta korake 2. i 3. u datom algoritmu. Tako, za vrednosti slobodnih promenljivih: raunamo iz gornje jednaine: x1 = -1 pa je prvi bazni vektor: 1 b1 = 1 0 x2 = 1, x3 = 0 k = n r = 2 ( = m)

x1 + x2 + x3 = 0 ,

Za vrednosti slobodnih promenljivih: raunamo iz gornje jednaine: x1 = -1 pa je drugi bazni vektor:


1 b2 = 0 1

x2 = 0 x3 = 1

Tako se svi svojstveni vektori za datu dvostruku svojstvenu vrednost dobijaju kao:
x
(1),( 2 )

Alternativno, bazu smo mogli dobiti na sledei nain. Neka su: Iz jednaine:
x2 = 1, x3 = 2 x1 = -x2 - x3= -1 - 2

1 1 = 1 1 + 2 0 0 1

Znai da je svojstveni vektor:

142

x (1),( 2)

1 1 = 1 1 + 2 0 0 1

Geometrijski, svi svojstveni vektori lee u ravni, odreenoj baznim vektorima:

x3 b2 1 x1 b1 1 x1 x2

b) Za jednostruki koren 3 = 4 1 x1 0 2 1 ( A 4E)x = 1 2 1 x2 = 0 1 2 1 x3 0

1 2 1 1 2 2 1 1 1 2 1 0 1.5 1.5 0 1.5 1 2 1. 5 1. 5 0 1 0 0

1 1.5 0

r = 2,
Neka je: Iz 2. jednaine, Iz 1. jednaine:
x3 = .

k = nr = m =1

-1.5x2 +1.5x3 = 0 x2= 2x1+ x2+ x3 = 0 x1=


1 = 1, 0 1

Tako su svojstveni vektori, koji odgovaraju 3 = 4:


x
( 3)

143

6.6 NEKE TEOREME


Naveemo jo neke stavove (teoreme) u vezi sa svojstvenim vrednostima i vektorima: 2. Regularna matrica A ima sve svojstvene vrednosti razliite od nule i obratno. 3. Svojstvene vrednosti inverzne matrice A-1 jednake su inverznim svojstvenim vrednostima matrice A: 1/1, ... , 1/n, a svojstveni vektori jednaki svojstvenim vektorima matrice A. 4. Simetrina matrica ima sve svojstvene vrednosti realne, a svojstveni vektori su medusobno ortogonalni. Dimenzija potprostora svojstvenih vektora jednaka je tano viestrukosti odgovarajue svojstvene vrednosti : k = m 1. Matrice A i AT imaju jednake svojstvene vrednosti.

5. Ako su svojstveni vektori matrice A, reda n linearno nezavisni, onda i samo onda se ona moe dijagonalizovati (prevesti u dijagonalnu formu) transformacijom slinosti:
1 P AP = 0
-1

0 n

gde je P kvadratna matrica, reda n, ije su kolone svojstveni vektori matrice A: 6. Ako su 1, 2, ... , n karakteristini koreni matrice A, onda: P = [x1, x2, ... , xn ]

tr(A ) = i ,
n i =1

det (A ) = i
n i =1

6.7 MATHCAD FUNKCIJE


U Mathcad-u su na raspolaganju sledee funkcije: eigenvals(M) - daje vektor svojstvenih vrednosti kvadratne matrice M eigenvec(M, z) - daje (jedinini) svojstveni vektor, koji odgovara svojstvenoj vrednosti z matrice M eigenvecs(M) - daje matricu svih (jedininih) svojstvenih vektora, matrice M, koji odgovaraju svojstvenim vrednostima, dobijenim funkcijom eigenvals U skladu sa teorijskim izvodima, funkcija eigenvecs(M), u sluaju da matrica M ima neku m - to struku (m > 1) svojstvenu vrednost, daje k linearno nezavisnih svojstvenih vektora (k m), za tu svojstvenu vrednost. U takvim sluajevima, funkcija eigenvec(M, z) nije pogodna za nalaenje svojstvenih vektora, jer daje samo jedan svojstveni vektor, za viestruku svojstvenu vrednost.

144

ZADACI
6.1 a) Uveriti se da matrica:
2 11 6 A= 1 7 4 2 1 0

linearno transformie (preslikava) vektore:


2 0 1 a1 = 3 , a 2 = 1 , a3 = 0 5 2 0

redom, u vektore:
1 1 2 b1 = 1, b 2 = 1 , b 3 = 1 1 1 2

b) Proveriti da li je transformacija regularna, i ako jeste nai matricu inverzne linearne transformacije. c) U koje vektore preslikava matrica dobijena u b), date vektore b1, b2 i b3 ? d) Koji vektor, preslikava data matrica A u vektor c:
4 c = 1 10

6.2 Data je matrica:

1 1 3 A= 2 3 1 4 1 2

a) Pomou funkcija eigenvals i eigenvecs pronai njene svojstvene vrednosti i odgovarajue svojstvene vektore. b) Proveriti rezultate u a) koristei definicionu jednainu (6.5) c) Da li su dobijeni svojstveni vektori, jedinstveni? Kako se mogu dobiti svi svojstveni vektori date matrice, koji odgovaraju jednoj svojstvenoj vrednosti i koliko ih ima? Proveriti zakljuak na primerima, koristei definicionu jednainu (6.5). d) Proveriti T1 u Pogl. 6.5. 6.3 a) Dokazati teoremu 2 polazei od teoreme 6 b) Koristei Mathcad alate i funkcije, na primeru matrice A iz prethodnog zadatka, proveriti sve teoreme (izuzev 4.), date u Pogl. 6.6

145

6.4 Data je matrica:

0 1 1 1 1 0 1 1 A= 1 1 0 1 1 1 1 0

a) Odrediti njene svojstvene vrednosti i uveriti se da ima trostruku svojstvenu vrednost. b) Proveriti da li je matrica simetrina i onda predvideti dimenziju vektorskog potprostora svojstvenih vektora, koji odgovaraju njenoj trostrukoj svojstvenoj vrednosti, na osnovu odgovarajue teoreme. c) Pomou funkcije eigenvecs odrediti njene svojstvene vektore, a onda, koristei funkcije submatrix i rank proveriti rezultat iz b) d) Uporediti jedini svojstveni vektor, koji se za trostruku svojstvenu vrednost matrice, moe dobiti funkcijom eigenvec, sa tri svojstvena vektora dobijena funkcijom eigenvecs. Uveriti se da je vektor dobijen funkcijom eigenvec, linearna kombinacija tri svojstvena vektora, dobijena funkcijom eigenvecs. e) Kako se mogu dobiti svi svojstveni vektori, koji odgovaraju trostrukoj svojstvenoj vrednosti? Proveriti zakljuak na nekom primeru, koristei definicionu jedn.(6.5) f) Proveriti ispravnost 4. stava u Pogl. 6.6. 6.5 Za matricu:
3 1 1 A= 1 5 1 1 1 3

nai ortogonalnu matricu P takvu da je matrica P-1 AP dijagonalna. Reenje: Mathcad: P := eigenvecs ( A ) 6.6 Za matricu: 1 1 0 A= 1 2 1 0 4 3

nai dve transformiue matrice, koje je transformacijom slinosti prevode u dijagonalnu formu. Reenje: Mathcad
P 1 := eigenvecs ( A )
1 2 3 P 2 := augment c P 1 , c P 1 , c P 1 1 2 3 ,

c1-c3 proizvoljne konstante razliite od 0

146