Diagonalisering och symmetriska matriser

I den här lektionen får du lära dig hur man diagonaliserar matriser, varför symmetriska matriser har så unika egenskaper, samt hur Spektralsatsen förenklar komplexa matrisberäkningar.

Vad är diagonalisering och matrislikhet?

Att diagonalisera en matris A innebär att finna en inverterbar matris P och en diagonalmatris D så att:

A = P × D × P⁻¹

När detta är möjligt säger vi att A är diagonaliserbar, eller likformig (lik) med diagonalmatrisen D. Diagonalmatriser har nollor överallt utom på huvuddiagonalen, vilket gör dem oerhört enkla att räkna med.

Varför vill vi diagonalisera?

Betrakta matrispotensen Aᵏ (till exempel A¹⁰⁰). Att multiplicera en allmän 3×3-matris med sig själv 100 gånger kräver tusentals räkneoperationer. Men om A = P × D × P⁻¹ förenklas uttrycket kraftigt:

Aᵏ = (P × D × P⁻¹) × (P × D × P⁻¹) × ... × (P × D × P⁻¹) = P × Dᵏ × P⁻¹

Eftersom D är en diagonalmatris behöver vi bara höja varje enskilt element på D:s diagonal till potensen k. Detta minskar beräkningstiden från enorm till obetydlig.

När är en matris diagonaliserbar?

En n×n-matris A är diagonaliserbar om och endast om den har n linjärt oberoende egenvektorer. Matrisen P byggs upp av dessa egenvektorer som sina kolumner, och D innehåller motsvarande egenvärden längs sin diagonal. Om A har n olika (distinkta) egenvärden garanteras den alltid ha n linjärt oberoende egenvektorer och är därmed automatiskt diagonaliserbar.

Steg-för-steg-process för diagonalisering

Låt oss gå igenom hela beräkningsgången för att diagonalisera en matris A.

Exempel: Diagonalisera matrisen A = [[1, 2], [2, 1]].

Steg 1: Beräkna egenvärdena

Vi löser den karakteristiska ekvationen det(A - λI) = 0:

det([[1-λ, 2], [2, 1-λ]]) = (1-λ)² - 4 = λ² - 2λ - 3 = 0

Detta ger egenvärdena λ₁ = 3 och λ₂ = -1.

Steg 2: Bestäm egenvektorerna

För λ₁ = 3: Lös (A - 3I)v = 0:

[[-2, 2], [2, -2]] [v₁, v₂]ᵀ = [0, 0]ᵀ ⇒ -2v₁ + 2v₂ = 0 ⇒ v₁ = v₂.

En egenvektor är v₁ = [1, 1]ᵀ.

För λ₂ = -1: Lös (A - (-1)I)v = 0:

[[2, 2], [2, 2]] [v₁, v₂]ᵀ = [0, 0]ᵀ ⇒ 2v₁ + 2v₂ = 0 ⇒ v₁ = -v₂.

En egenvektor är v₂ = [-1, 1]ᵀ.

Steg 3: Bilda matriserna P och D

Vi ställer upp egenvektorerna som kolumner i P och motsvarande egenvärden på diagonalen i D:

P = [[1, -1], [1, 1]]

D = [[3, 0], [0, -1]]

Nu har vi uppnått faktoriseringen A = P × D × P⁻¹.

Symmetriska matriser och Spektralsatsen

En reell matris A kallas symmetrisk om den är sin egen transponat, det vill säga A = Aᵀ. Symmetriska matriser är extremt viktiga inom fysik, statistik, optimering och maskininlärning.

Spektralsatsen för reella symmetriska matriser:

Spektralsatsen är ett av de viktigaste resultaten inom hela den linjära algebran. Den slår fast följande tre fundamentala egenskaper för varje reell symmetrisk n×n-matris A:

1. Alla egenvärden till A är reella tal (inga komplexa egenvärden förekommer).

2. Egenvektorer hörande till OLIKA egenvärden är ortogonala (vinkelräta) mot varandra.

3. A är ortogonalt diagonaliserbar. Det innebär att det finns en ortogonal matris Q (där Q⁻¹ = Qᵀ) och en diagonalmatris D så att:

A = Q × D × Qᵀ

Varför är ortogonal diagonalisering så kraftfullt?

Att inversen till Q helt enkelt är dess transponat (Q⁻¹ = Qᵀ) innebär att vi slipper utföra tidskrävande matrisinvertering. Dessutom bildar kolumnerna i Q en ortonormerad bas (ON-bas) för ℝⁿ. Ett basbyte med en ortogonal matris bevarar både längder och vinklar i rummet.

Tillämpningar: Kvadratiska former och Huvudaxeltransformation

En viktig tillämpning av spektralsatsen och diagonalisering är studiet av kvadratiska former.

Vad är en kvadratisk form?

En kvadratisk form på ℝⁿ är ett uttryck på formen Q(x) = xᵀ A x, där A är en symmetrisk matris. Ett exempel i ℝ² är:

Q(x₁, x₂) = 5x₁² + 4x₁x₂ + 2x₂²

Termen 4x₁x₂ kallas en kors-term (eller blandad term). Kors-termer gör det svårt att analysera och rita upp geometriska figurer som ellipser och hyperboler.

Huvudaxeltransformation:

Genom att ortogonalt diagonalisera A = Q × D × Qᵀ och göra basbytet x = Q y kan vi eliminera alla kors-termer:

Q(x) = xᵀ A x = (Q y)ᵀ A (Q y) = yᵀ (Qᵀ A Q) y = yᵀ D y

Detta ger en ny form helt utan kors-termer:

Q(y) = λ₁ y₁² + λ₂ y₂² + ... + λₙ yₙ²

Geometriskt innebär detta att vi roterar koordinatsystemet så att de nya koordinataxlarna y₁, y₂ överensstämmer med ellipssens eller hyperbolens huvudaxlar (som ges av egenvektorerna i Q).