Matrike Lastne vrednosti

Podobnost matrik

Matrika A ∈ Rn×n je podobna matriki B ∈ Rn×n , če obstaja

obrnljiva matrika P, da je B = P −1 AP.
Matematika II (FKKT – Kemijsko inženirstvo) Vsaka matrika je podobna sama sebi.
Če je matrika A podobna matriki B, je tudi B podobna
matriki A.
Matjaž Željko Res: Iz B = P −1 AP sledi A = PBP −1.
FKKT – Kemijsko inženirstvo Če je matrika A podobna matriki B in matrika B podobna
matriki C, je tudi A podobna C.
14. teden Res: Če je B = P −1 AP in C = Q −1 BQ, je
(Zadnja sprememba: 23. maj 2013) C = Q −1 P −1 APQ = (QP)−1 A(QP).
Če je B = P −1 AP, za vsak m ∈ N velja

B m = P −1 AP · P −1 AP · · · P −1 AP = P −1 Am P.

1 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 2 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)

Matrike Lastne vrednosti Matrike Lastne vrednosti

Dana je matrika A ∈ Rn×n . Želimo hitro izračunati Am za velik

Diagonalizacija matrik
m ∈ N.
Matrika A je diagonalizabilna, če je podobna kakšni diagonalni
Če je A diagonalna matrika, je izračun enostaven: matriki.
 
λ1 0 . . . 0 Zgled
 0 λ2 . . . 0   
  −2 3
A =  . = diag(λ1 , λ2 , . . . , λn ), Matrika A = je diagonalizabilna.
 ..
.
.. .. 
.
 0 1
0 0 . . . λn
 m 
λ1 0 ... 0
 0 λm ... 0 
 2 
Am =  . ..  = diag(λ1 , λ2 , . . . , λn ).
m m m
..
 .. . . 
0 0 . . . λnm

3 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 4 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)
 Matrike Lastne vrednosti Matrike Lastne vrednosti

Če je A diagonalizabilna matrika, velja D = P −1 AP. Za vsako Zgled

naravno število m velja D m = P −1 Am P in od tod Am = PD m P −1 .  
0 1
Zgled Dokaži, da matrika A = ni diagonalizabilna.
0 0
 
−2 3
Izračunaj A7 za matriko A = .
0 1

Kot smo že prej videli,

 je matrika
 A diagonalizabilna,
  tj.
1 1 −2 0
P −1 AP = D za P = in D = . Sledi
0 1 0 1
   
7 7 −1 1 1 (−2)7 0 1 −1
A = PD P = =
0 1 0 17 0 1
   
1 1 −128 0 1 −1
= =
0 1 0 1 0 1
    
−128 1 1 −1 −128 129
= = .
0 1 0 1 0 1

5 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 6 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)

Matrike Lastne vrednosti Matrike Lastne vrednosti

Poglejmo si lastnost diagonalizabilnosti podrobneje. Naj torej

Lastne vrednosti in lastni vektorji
velja P −1 AP = D = diag(λ1 , . . . , λn ). Označimo z
ek = (0, . . . , 1, . . . , 0)T ∈ Rn×1 matriko–stolpec, ki ima v k-ti Število λ je lastna vrednost matrike A ∈ Rn×n , če obstaja
vrstici število 1, vsa ostala števila pa so enaka 0. Torej je kakšen neničeln vektor (stolpec) x ∈ Rn×1 , da je
   
  0 0 Ax = λ x.
λ1 0 . . . 0  ..   .. 
 0 λ2 . . . 0   .  
  . 

Vektor x imenujemo lastni vektor, ki pripada lastni vrednosti λ .
 
Dek =  . .. ..     
 1  =  λk  = λk e k .
 .. . .  .   . 
 ..   ..  Lastni vektor ni enolično določen. Če je x lastni vektor, ki
0 0 . . . λn
0 0 pripada lastni vrednosti λ , je tudi kx lastni vektor k isti lastni
vrednosti za poljuben k ∈ R \ {0}.
Iz AP = PD sledi APek = PDek = P λk ek = λk Pek . Če označimo Res: A(kx) = kAx = k λ x = λ (kx).
k-ti stolpec matrike P s pk , velja pk = Pek in
Kot bomo kasneje videli, je možno, da k neki lastni vrednosti
Apk = λk pk . obstaja več linearno neodvisnih lastnih vektorjev.
Ker je matrika P obrnljiva, so stolpci p1 , . . . , pn linearno
neodvisni.
7 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 8 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)
 Matrike Lastne vrednosti Matrike Lastne vrednosti

Matrično enačbo Ax = λ x lahko zapišemo v obliki Ax = λ Ix oz. Karatkeristični polinom matrike A ∈ Rn×n je polinom stopnje n z
v obliki homogenega sistema linearnih enačb realnimi koeficienti, njegove ničle pa so lastne vrednosti matrike
A.
(A − λ I)x = 0. Polinom det(A − λ I) ima n ničel, ki pa niso nujno realna števila.

Gornji homogen sistem ima netrivialno rešitev, če je Zgled

determinanta tega sistema enaka 0, tj. det(A − λ I) = 0.  
cos ϕ − sin ϕ
Določi vse lastne vrednosti matrike A = .
sin ϕ cos ϕ
Matrika
 
a11 − λ a12 ... a1n
 a21 a22 − λ ... a2n 
 
A−λI =  .. .. .. 
 . . . 
an1 an2 . . . ann − λ

se imenuje karakteristična matrika matrike A, njena

determinanta det(A − λ I) pa karakteristični polinom matrike A.

9 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 10 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)

Matrike Lastne vrednosti Matrike Lastne vrednosti

Zgled Za λ = λ1 = −2 imamo homogeni sistem

Določi
 vse lastne
 vrednosti in lastne vektorje matrike (A − λ1 I)x = 0,
−2 3
A= .
0 1 kjer je x = (x1 , x2 )T neznani vektor. Ta sistem lahko v
popolnosti popišemo z razširjeno matriko
Karakteristični polinom matrike A je    
  −2 − (−2) 3 0 0 3 0
 −2 − λ 3  [A − λ1 I|0] = = ∼
det(A − λ I) =   = (−2 − λ )(1 − λ ) 0 1 − (−2) 0 0 3 0
0 1−λ   
0 1 0
∼ .
in ima ničli λ1 = −2, λ2 = 1. 0 0 0
Lastne vektorje k lastnima vrednostima λ1 in λ2 določimo tako, Od tod sledi, da je x2 = 0. Ker je x1 poljuben, so vsi lastni
da poiščemo vse rešitve homogenega sistema vektorji, ki pripadajo lastni vrednosti λ1 , oblike
x = (x1 , 0)T = x1 (1, 0)T , kjer je x1 ∈ R. Ker nas pri lastnih
(A − λ I)x = 0, vektorjih običajno zanimajo le linearno neodvisni lastni vektorji,
izmed vseh vektojev izberemo le tistega, ki ga najenostavneje
za λ = λ1 in λ = λ2 .
zapišemo. V našem primeru je to vektor (1, 0)T .
11 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 12 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)
 Matrike Lastne vrednosti Matrike Lastne vrednosti

Poglejmo si metodo še enkrat. Za λ2 = 1 naredimo podobno. Ker gre ponovno za homogeni
Ker je sistem (A − λ1 I)x = 0 homogen, desnih strani ni potrebno sistem, desnih strani ne pišemo. Skratka
pisati. Gornji račun za λ1 = −2 zato na kratko zapišemo kot      
−2 − 1 3 −3 3 1 −1
      A − λ2 I = = ∼ .
−2 − (−2) 3 0 3 0 1 0 1−1 0 0 0 0
A − λ1 I = = ∼ .
0 1 − (−2) 0 3 0 0
Tudi ta sistem ima rang 1, izrazljiva neznanka pa je v prvem
Ta matrični sistem ima rang 1, izrazljiva neznanka pa je v stolpcu. Sledi x1 = x2 .
drugem stolpcu. Sledi x2 = 0, x1 pa je (prost) parameter.
Rešitev je torej oblike x = (x2 , x2 )T , kjer je x2 ∈ R poljuben. Vsi
Torej x = (x1 , 0)T , kjer je x1 ∈ R poljuben. Vsi lastni vektorji k lastni vektorji k λ2 = 1 so torej oblike x2 (1, 1)T .
λ1 = −2 so torej oblike x1 (1, 0)T .

13 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 14 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)

Matrike Lastne vrednosti Matrike Lastne vrednosti

Izrek Zgled
 
Matrika A ∈ Rn×n je diagonalizabilna natanko tedaj, ko ima n −2 3
Diagonaliziraj matriko A = .
linearno neodvisnih lastnih vektorjev. 0 1

Če je matrika A diagonalizabilna, velja D = P −1 AP. Obrnljiva Videli smo že, da ima matrika lastni vrednosti λ1 = −2 in λ2 = 1
matrika P je sestavljena iz linearno neodvisnih vektorjev ter pripadajoča (linearno neodvisna) lastna vektorja p1 = (1, 0)T
pk = Pek , ki imajo lastnost Apk = λk pk . Torej so pk lastni in p2 = (1, 1)T . Če zapišemo
vektorji k lastnim vrednostim λk .  
1 1
P = [p1 p2 ] = ,
Za dokaz v drugo smer pa vzemimo, da so p1 , . . . , pn linearno 0 1
neodvisni lastni vekorji. Matrika, sestavljena iz stolpcev p1 , . . . , bo diagonalizirana matrika enaka
pn , je obrnljiva. Iz zveze Apk = λk pk izpeljemo APek = DPek za    
D = diag(λ1 , . . . , λn ). Ker APek = DPek velja za vsak k (tj. k-ta −1 λ1 0 −2 0
D = P AP = = .
0 λ2 0 1
stolpca se ujemata), je AP = DP oz.
Opozorilo. Lastne vrednosti lahko naštejemo tudi v drugem
P −1 AP = D. vrstnem redu. Pomembno je le, da v matriko D in matriko P
zložimo lastne vrednosti in pripadajoče lastne vektorje v
enakem vrstnem redu.
15 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 16 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)
 Matrike Lastne vrednosti Matrike Lastne vrednosti

Zgled Karakteristični polinom

 
2 −2 1 det(A − λ I) = (1 − λ )λ (1 + λ )
Diagonaliziraj matriko A =  −1 1 −1 .
−4 4 −3 ima torej ničle λ1 = 1, λ2 = 0 in λ3 = −1.
Pri λ1 = 1 imamo
Najprej moramo izračunati karakteristični polinom det(A − λ I).    
2−λ −2 1 2−1 −2 1 1 −2 1
det(A − λ I) = −1 1−λ −1 = det(A − λ1I) =  −1 1 − 1 −1  =  −1 0 −1  ∼
−4 4 −3 − λ −4 4 −3 − 1 −4 4 −4
   
2 − λ −2 1 2 − λ −2 1 −2 1 1 0 1
= −1 1 − λ −1 −1 1 − λ = ∼  0 −2 0  ∼  0 1 0  .
−4 4 −3 − λ −4 4 0 −4 0 0 0 0
= (2 − λ )(1 − λ )(−3 − λ ) − 8 − 4 − Rešitev tega sistema je x2 = 0 in x1 = −x3 , torej vsi vektorji
−(−4)(1 − λ ) − (−4)(2 − λ ) − 2(−3 − λ ) = oblike (−x3 , 0, x3 ) = −x3 (1, 0, −1). Pripadajoči lastni vektor k
= (2 − λ )(1 − λ )(−3 − λ ) + 6 − 6λ = λ1 = 1 je npr. p1 = (1, 0, −1).
Izrazljivi neznanki pripadata prvemu in drugemu stolpcu.
= (1 − λ ) ((2 − λ )(−3 − λ ) + 6) = (1 − λ )(λ + λ 2 ).
17 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 18 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)

Matrike Lastne vrednosti Matrike Lastne vrednosti

Pri λ2 = 0 imamo Pri λ3 = −1 imamo

   
2−0 −2 1 2 − (−1) −2 1
det(A − λ2 I) =  −1 1 − 0 −1  = A − λ3 I =  −1 1 − (−1) −1  =
−4 4 −3 − 0 −4 4 −3 − (−1)
       
2 −2 1 1 −1 1 3 −2 1 1 −2 1
=  −1 1 −1  ∼  2 −2 1 ∼ =  −1 2 −1  ∼  3 −2 1 ∼
−4 4 −3 −4 4 −3 −4 4 −2 −4 4 −2
       
1 −1 1 1 −1 0 1 −2 1 1 0 0
∼  0 0 −1  ∼  0 0 1 . ∼  0 4 −2  ∼  0 1 − 12  .
0 0 1 0 0 0 0 −4 2 0 0 0

Rešitev tega sistema je x3 = 0 in x1 = x2 , torej vsi vektorji oblike Rešitev tega sistema je x1 = 0 in x2 = 12 x3 , torej vsi vektorji
(x2 , x2 , 0) = x2 (1, 1, 0). Pripadajoči lastni vektor k λ2 = 0 je npr. oblike (0, 21 x3 , x3 ) = 21 x3 (0, 1, 2). Pripadajoči lastni vektor k
p2 = (1, 1, 0). λ3 = −1 je npr. p3 = (0, 1, 2).
Izrazljivi neznanki pripadata prvemu in tretjemu stolpcu. Izrazljivi neznanki pripadata prvemu in drugemu stolpcu.

19 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 20 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)
 Matrike Lastne vrednosti Matrike Lastne vrednosti

Videli smo, da ima matrika lastne vrednosti λ1 = 1, λ2 = 0 in Zgled

λ3 = −1 ter pripadajoče (linearno neodvisne) lastne vektorje  
p1 = (1, 0, −1)T , p2 = (1, 1, 0)T in p3 = (0, 1, 2)T . Če zapišemo −1 1 1
Diagonaliziraj matriko A =  −2 −2 −3 .
 
1 1 0 2 1 2
P = [p1 p2 p3 ] =  0 1 1  ,
−1 0 2 Najprej moramo izračunati karakteristični polinom det(A − λ I).

bo diagonalizirana matrika enaka −1 − λ 1 1 −1 − λ 1

    det(A − λ I) = −2 −2 − λ −3 −2 −2 − λ =
λ1 0 0 1 0 0 2 1 2−λ 2 1
D = P −1 AP =  0 λ2 0  =  0 0 0 . = (−1 − λ )(−2 − λ )(2 − λ ) − 6 − 2 −
0 0 λ3 0 0 −1
−2(−2 − λ ) − (−3)(−1 − λ ) − (−2)(2 − λ ) =
= (−1 − λ )(−2 − λ )(2 − λ ) − 3 − 3λ =
= (−1 − λ ) ((−2 − λ )(2 − λ ) + 3) =
= (−1 − λ )(−1 + λ 2) = −(λ + 1)2 (λ − 1).

21 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 22 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)

Matrike Lastne vrednosti Matrike Lastne vrednosti

Karakteristični polinom ima lastne vrednosti λ1,2 = −1 in λ3 = 1. Za λ3 = 1 je matrika homogenega sistema enaka
Oglejemo si A − λ1,2 I. Matrika homogenega sistema je  
−1 − 1 1 1
 
−1 − (−1) 1 1 A − λ3 I =  −2 −2 − 1 −3  =
A − λ1,2 I =  −2 −2 − (−1) −3  = 2 1 2−1
2 1 2 − (−1)      
−2 1 1 1 − 21 − 21 1 0 0
     
0 1 1 2 1 3 1 0 1 =  −2 −3 −3  ∼  0 −2 −2  ∼  0 1 1  .
=  −2 −1 −3 ∼ 0  1 1  ∼  0 1 1 . 2 1 1 0 2 2 0 0 0
2 1 3 0 0 0 0 0 0
Rešitev tega sistema je x1 = 0 in x2 = −x3 , torej vsi vektorji
Rešitev tega sistema je x1 = −x3 in x2 = −x3 , torej vsi vektorji oblike (0, −x3 , x3 ) = −x3 (0, 1, −1).
oblike (−x3 , −x3 , x3 ) = −x3 (1, 1, −1). Opazimo, da imamo le
enoparametrično družino rešitev, čeprav je bila λ = −1 dvojna Sedaj lahko tudi na drug način utemeljimo, da matrika ni
ničla polinoma. Kot bomo kasneje videli, je že to zadostna diagonalizabilna. Kot je račun pokazal, smo dobili le dva
ovira, da matrika ni diagonalizabilna. linearno neodvisna lastna vektorja, in sicer (1, 1, −1) in
(0, 1, −1), za diagonalizabilnost pa bi potrebovali 3.
Za vajo določimo še lastne vektorje, ki pripadajo lastni
vrednosti λ3 = 1.
23 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 24 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)
 Matrike Lastne vrednosti Matrike Lastne vrednosti

Izrek Če pa enakost (1) pomnožimo z λk , dobimo

Različnim lastnim vrednostim pripadajo linearno neodvisni λk xk = µ1 λk x1 + µ2 λk x2 + . . . + µk −1 λk xk −1 . (3)
lastni vektorji.
Iz (2) in (3) sledi protislovna enakost
Naj bodo λ1 , . . . , λm različne lastne vrednosti in x1 , . . . , xm
pripadajoči lastni vektorji matrike A. Z indukcijo bomo pokazali, µ1 (λ1 − λk )x1 + µ2 (λ2 − λk )x2 + . . . + µk −1 (λk −1 − λk )xk −1 = 0.
da je za vsak k vektor xk linearno neodvisen od x1 , . . . , xk −1 .
Če je k = 1, ni kaj dokazovati. Vektor x1 je neničeln in je Slednje pa ne drži, saj je µi 6= 0 za neki i < k in λi 6= λk , vektorji
linearno neodvisen. x1 , . . . , xk −1 pa so pravzaprav linearno neodvisni.
V dokazu indukcijskega koraka pa za hip privzemimo, da je
xk = µ1 x1 + µ2 x2 + . . . + µk −1 xk −1 . (1)
Če to enakost (matrično) pomnožimo z A, dobimo
Axk = µ1 Ax1 + µ2 Ax2 + . . . + µk −1 Axk −1
oziroma
λk xk = µ1 λ1 x1 + µ2 λ2 x2 + . . . + µk −1 λk −1 xk −1 . (2)
25 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo) 26 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)

Matrike Lastne vrednosti

Posledica
Matrika, ki ima same različne lastne vrednosti, je
diagonalizabilna.

Če je λ ničla reda r karakterističnega polinoma det(A − λ I),

pravimo, da ima lastna vrednost λ algebraično večkratnost r .
Če lahko k lastni vrednosti λ poiščemo m linearno neodvisnih
lastnih vektorjev, pravimo, da ima λ geometrično večkratnost m.
Vedno je 1 ≤ m ≤ r in matrika je diagonalizabilna natanko tedaj,
ko je algebarična večkratnost vsake lastne vrednosti enaka
njeni geometrični večkratnosti.

27 Matjaž Željko Matematika II (FKKT – Kemijsko inženirstvo)