2. Wartości własne i wektory własne macierzy
Transkrypt
2. Wartości własne i wektory własne macierzy
2. Wartości własne i wektory własne macierzy 2.1. Wprowadzenie Działania na modelach opisujących układy wielowymiarowe są zazwyczaj prowadzone z zastosowaniem pojęć dotyczących algebry liniowej, gdzie podstawowymi elementami są: wektor oraz macierz. Przez n-wymiarowy wektor rozumie się układ liczb (ogólnie zespolonych) ustawionych w kolumnę (wektor kolumnowy) lub wiersz (wektor wierszowy): ⎡ b1 ⎤ ⎢b ⎥ b = ⎢ 2 ⎥ - wektor kolumnowy, c = [c1 c2 L cn ] - wektor wierszowy. ⎢M⎥ ⎢ ⎥ ⎣bn ⎦ Macierzą m×n jest tablica prostokątna zawierająca mn elementów macierzy: ⎡ a11 a12 ⎢a a22 A = ⎢ 21 ⎢ M M ⎢ ⎣am1 am 2 ... a1n ⎤ ... a2 n ⎥⎥ . ... M ⎥ ⎥ ... amn ⎦ Wektory p, q o współczynnikach rzeczywistych są ortogonalne (prostopadłe) jeśli zachodzi równość: pTq = 0, a ponadto są unormowane, jeśli: pTp = 1. Kwadratowa macierz ortogonalna charakteryzuje się następującymi właściwościami: Q T Q = QQ T = I , Q −1 = Q T (2.1) skąd wynika, że macierz ortogonalna jest nieosobliwa. Macierz o elementach zespolonych (macierz zespolona) może być zapisana w następującej formie: A = Re( A ) + j Im(A) = U + jV (2.2) Dla macierzy A = {aij} definiowana jest macierz sprzężona o postaci: A* = { a *ji }, gdzie symbol * oznacza operację sprzężenia zespolonego1. Macierz A jest hermitowska jeśli zachodzi równość: A = A*. Odpowiednikiem zespolonym macierzy ortogonalnej jest macierz unitarna: * Q Q = QQ * = I . W niektórych publikacjach macierz sprzężoną oznacza się górnym indeksem Hermite). Charles Hermite (1822-1901), francuski matematyk. 1 H (od nazwiska Metody numeryczne w technice 6 Suma elementów stojących na przekątnej macierzy jest nazywana jej śladem: n tr (A ) = ∑ aii (2.3) i =1 Macierzą dołączoną Aad2 macierzy kwadratowej A jest macierz powstała przez zastąpienie każdego elementu aji macierzy transponowanej AT odpowiadającym mu dopełnieniem algebraicznym Dji [4]: D ji = (−1) j +i M ji (2.4) gdzie Mji jest minorem macierzy AT, który jest wyznacznikiem macierzy powstałej przez wykreślenie j-tego wiersza oraz i-tej kolumny z macierzy AT. Przykład 2.1. Określić macierz dołączoną macierzy A: ⎡10 − 7 0⎤ A = ⎢⎢ 0 − 1 6⎥⎥ . ⎢⎣ 1 0 5⎥⎦ Wykonujemy kolejne kroki zgodnie z podaną definicją. ⎡ 10 0 1⎤ −1 0 −7 0 − 7 −1 0 1 T A = ⎢⎢− 7 − 1 0⎥⎥ , D11 = , D12 = − , D13 = , D21 = − 6 5 0 5 0 6 6 5 ⎢⎣ 0 6 5⎥⎦ 10 1 10 0 0 1 10 1 10 0 D22 = , D23 = − , D31 = , D32 = − , D33 = . 0 5 0 6 −1 0 −7 0 − 7 −1 Zatem: ⎡ D11 A ad = ⎢⎢ D21 ⎢⎣ D31 D12 D22 D32 D13 ⎤ ⎡− 5 35 − 42⎤ D23 ⎥⎥ = ⎢⎢ 6 50 − 60⎥⎥ . D33 ⎥⎦ ⎢⎣ 1 − 7 − 10⎥⎦ Warto przypomnieć, że z macierzą dołączoną związana jest macierz odwrotna: A −1 = 1 A ad det A (2.5) dla detA≠0. W powyższym przykładzie detA = –92 oraz: ⎡− 5 35 − 42⎤ −1 −1 ⎢ 6 50 − 60⎥⎥ . A = A ad = ⎢ 92 92 ⎢⎣ 1 − 7 − 10⎥⎦ Łatwo sprawdzić, że: AA-1 = I. Jeśli A jest macierzą kwadratową, to operacja: −1 Av = w 2 Od angielskiego terminu „adjoint”. (2.6) 2. Wartości własne i wektory własne macierzy 7 może być traktowana jako przekształcenie wektora v w wektor w, przy czym, oba wektory mają ten sam wymiar. Macierz A w tym związku pełni rolę operatora przekształcenia. W ogólnym przypadku, wektory w i v w (2.6) różnią się kierunkiem, zwrotem oraz długością. Ilustruje to następujący przykład. Przykład 2.2. Określić rezultat przekształcenia (2.6) dla następujących parametrów: ⎡ 1⎤ ⎡10 − 7⎤ A=⎢ , v = ⎢ ⎥. ⎥ 1⎦ ⎣ 0 ⎣2⎦ Łatwo sprawdzić, że w wyniku przekształcenia (2.6) otrzymamy: ⎡− 4⎤ w=⎢ ⎥. ⎣ 2⎦ Położenie obu wektorów względem początku układów jest pokazane na rys. 2.1a. Ich wzajemna relacja wynika z operatora przekształcenia (macierzy A). 〈L〉 Rys. 2.1. Graficzna ilustracja położenia rozpatrywanych wektorów Ważnym przypadkiem jest taki dobór wektora v, aby w rezultacie przekształcenia (2.6) otrzymać wektor proporcjonalny: w = λv , (2.7) gdzie współczynnik proporcjonalności λ jest nazywany wartością własną, a wektor v – wektorem własnym macierzy A, związanym z wartością własną λ [4]. W takim wypadku oba wektory w (2.6): w oraz v mają ten sam kierunek, natomiast mogą się różnić zwrotem i długością (w zależności od znaku i wartości współczynnika λ). Rozpatrywana macierz A ma dwa takie rozwiązania: ⎡7 / 9 ⎤ ⎡10⎤ v1 = ⎢ ⎥ dla λ1 = 10 oraz v 2 = ⎢ ⎥ dla λ2 = 1. ⎣ 0⎦ ⎣ 1⎦ Odpowiadają im wektory w spełniające równania (2.6) i (2.7): ⎡10⎤ ⎡7 / 9 ⎤ w1 = λ1 v1 = 10⎢ ⎥ oraz w 2 = λ2 v 2 = 1⎢ ⎥ (rys. 2.1b). ⎣ 0⎦ ⎣ 1⎦ Sposób wyznaczania wartości własnych i wektorów własnych danej macierzy kwadratowej A oraz analiza wypływających stąd właściwości operacji (2.6) jest głównym przedmiotem rozważań w dalszej części niniejszego rozdziału. 2.2. Wartości własne i wielomian charakterystyczny macierzy Przekształcenie (2.6), spełniające warunek (2.7) ma następującą formę: Metody numeryczne w technice 8 Av = λv (2.8) gdzie A jest macierzą kwadratową n×n, natomiast λ jest skalarem. Problem określenia wartości współczynnika λ oraz związanego z nim wektora v nosi nazwę zagadnienia wektora i wartości własnej macierzy A lub krócej: zagadnienia własnego. Przenosząc składniki równania (2.8) na jedną stronę otrzymamy następującą jednorodną3 postać tego równania: (A − λI )v = (λI − A )v = 0 (2.9) Równanie to ma oczywiste (trywialne) rozwiązanie: v = 0. Nie jest to jednak rozwiązanie ciekawe, gdyż na jego wynik nie mają wpływu pozostałe elementy równania. Okazuje się, że nietrywialne rozwiązanie (2.9) istnieje wówczas, gdy macierz : A – λI jest osobliwa [4], [8]: det (A − λI ) = 0 (2.10) Warunek (2.10) prowadzi do interesującego wniosku, że prawa strona (2.9) pozostaje równa zeru pomimo tego, że: v ≠ 0. Pierwiastki równania (2.10) są wartościami własnymi macierzy A, podczas gdy v jest wektorem własnym tej macierzy. Wektor v = 0 także spełnia równanie (2.8), jednak jest to właśnie rozwiązanie trywialne, a odpowiadający mu wektor nie jest wektorem własnym macierzy A. Łatwo sprawdzić, że zależność (2.10) przedstawia wielomian stopnia n względem zmiennej λ: det (A − λI ) = p(λ ) = d n λn + d n−1λn−1 + .. + d1λ + d 0 = 0 , (2.11) Jest to tzw. wielomian charakterystyczny macierzy A. Współczynniki tego wielomianu są związane z charakterystykami macierzy A: wyraz wolny jest równy wyznacznikowi macierzy (d0 = det(A)), natomiast współczynnik stojący przy λn-1 jest równy śladowi macierzy (dn-1 = tr(A)). Łatwo także sprawdzić, że współczynnik stojący przy najwyższej potędze λ jest równy 1 dla parzystego rozmiaru macierzy, oraz –1 dla rozmiaru nieparzystego: dn = (–1)n. W ogólnym przypadku pierwiastki wielomianu charakterystycznego mogą być wielokrotne, co wynika z iloczynowej formy reprezentacji (2.11): p (λ ) = (− 1) (λ − λ1 ) n m1 (λ − λ2 )m 2 L(λ − λk ) mk = 0, (2.12) przy czym: n = m1 + m2 + L + mk , mi – krotność i-tego pierwiastka. W dalszej analizie ograniczamy rozważania do przypadków, gdy macierz kwadratowa ma pojedyncze wartości własne. Wnioski stąd płynące dają się rozszerzyć także na przypadek wielokrotnych pierwiastków wielomianu charakterystycznego (2.11), jednak algorytmy obliczeniowe są bardziej złożone [6], [18]. Na podstawie (2.11) widać, że pierwiastki wielomianu charakterystycznego macierzy są wartościami własnymi tej macierzy. Ponadto, wyznacznik macierzy A jest równy iloczynowy jej wszystkich wartości własnych: 3 W równaniu jednorodnym po jednej stronie znaku równości występuje zero. 2. Wartości własne i wektory własne macierzy 9 n det (A ) = ∏ λi , (2.13) i =1 natomiast suma wartości własnych macierzy jest równa śladowi tej macierzy: n tr (A ) = ∑ λi (2.14) i =1 Właściwość (2.13) staje się oczywista, gdy rozpiszemy zależność (2.10): a11 − λ det (A − λI ) = Przykład 2.3. a21 M an1 ... a1n a22 − λ ... a2 n a12 M an 2 M ... ... ann − λ =0 (2.15) Określić wartości własne macierzy A: ⎡10 − 7 0⎤ A = ⎢⎢ 0 − 1 6⎥⎥ . ⎢⎣ 1 0 5⎥⎦ 10 − λ Stosując (2.15) otrzymamy: −7 0 0 −1− λ 6 = − λ3 + 14λ2 − 35λ − 92 = 0 . 1 0 5−λ Pierwiastki otrzymanego wielomianu (a więc także wartości własne macierzy A) są następujące: λ1 = 8,9199 , λ2 = 6.6347 , λ3 = −1.5546 . Można sprawdzić, że: det(A) = λ1λ2 λ3 = -92, tr(A) = λ1 + λ2 + λ3 = 14, co jest także równe sumie elementów leżących na przekątnej oryginalnej macierzy A. Wracając do opisu właściwości zagadnienia własnego warto zaznaczyć, że zbiór wartości własnych danej macierzy A jest nazywany spektrum tej macierzy. Każda macierz A, n×n ma n wartości własnych, liczonych zgodnie z ich krotnością - (2.12). Jeśli (2.8) jest spełnione dla wartości własnej λi: Av = λi v , (2.16) to wektor v jest wektorem własnym macierzy A przynależnym do wartości własnej λi, co tworzy parę: λi, vi. A zatem, wektor własny vi przynależny do wartości własnej λi. spełnia równanie (2.9): (A − λi I )v i = (λi I − A )v i = 0 , przy czym, odrzucamy rozwiązanie trywialne: vi = 0. Przykład 2.4. Znaleźć wartości własne i wektory własne macierzy: 3⎤ ⎡ 5 A=⎢ ⎥. ⎣ − 6 − 4⎦ (2.17) Metody numeryczne w technice 10 Wartości własne obliczamy z równania: 3⎤ ⎡5 − λ det( A − λI ) = ⎢ ⎥ = −(5 − λ )(4 + λ ) + 18 = 0 . ⎣ − 6 − 4 − λ⎦ Wielomian charakterystyczny ma następującą postać: (λ − 2)(λ + 1) = 0 , λ1.=2, λ2. = –1. Dla pierwszej wartości własnej (λ1.=2) równanie (2.10) jest następujące: 5−2 3⎤ ⎡ v1 ⎤ ⎡ 3 3⎤ ⎡ v1 ⎤ (A − λ1I )v = ⎡⎢ =⎢ ⎥ ⎢ ⎥ ⎢ ⎥ = 0 , skąd: ⎥ ⎣ − 6 − 4 − 2⎦ ⎣v 2 ⎦ ⎣ − 6 − 6 ⎦ ⎣v 2 ⎦ 3v1 + 3v2 = 0; –6v1 –6v2 = 0; T Widać, że powyższe równania są spełnione dla każdego wektora v = [t − t ] , t ≠ 0. Wybór wektora własnego nie jest więc jednoznaczny. Podobnie, dla λ2. = –1 otrzymamy: 5 +1 3⎤ ⎡ v1 ⎤ (A − λ2 I )v = ⎡⎢ ⎥ ⎢ ⎥ = 0 , skąd: ⎣ − 6 − 4 + 1⎦ ⎣v2 ⎦ 6v1 + 3v2 = 0; –6v1 + –3v2 = 0; T co daje: v = [− t 2t ] , t ≠ 0. Widać, że wektory własne można określić z dokładnością do stałego czynnika. Zazwyczaj jednak podaje się unormowaną wartość wektora, zakładając, że: x ∞ = 1 lub x 2 = 1 , (2.18) gdzie: x ∞ = max ( xi ) 1≤ i ≤ n 1/ 2 ⎛ n 2⎞ - norma maksimum, x 2 = ⎜⎜ ∑ xi ⎟⎟ ⎝ i =1 ⎠ = xT x - norma kwadratowa (euklidesowa). Operacja normalizacji według normy euklidesowej przebiega zgodnie z zależnością: v j := vj (2.19) v Tj v j Wektory własne można także określić na podstawie macierzy dołączonej (A–λiI)ad macierzy A–λiI (2.15): kolumny macierzy [A–λI]ad|λ = λi są wektorami własnymi macierzy A związanymi z wartością własną λi [4]. Procedurę tę ilustruje kolejny przykład. Przykład 2.5. Określić wartości własne i wektory własne macierzy: 0⎤ ⎡1 0 ⎢ A = ⎢0 2 − 3⎥⎥ . ⎢⎣ 1 3 2⎥⎦ Równanie charakterystyczne: det(A–λI) = (1–λ)((2–λ)2 + 9) = 0 ma następujące pierwiastki: λ1 = 1, λ2 = 2 + j3, λ3 = 2 – j3. Wektory własne określimy przez obliczenie macierzy dołączonych: 2. Wartości własne i wektory własne macierzy 11 0 0⎤ ⎡1 − 1 ⎡ 10 0 0⎤ ⎢ ⎥ (A − λI )ad λ =λ = ⎢ 0 2 − 1 − 3⎥ = ⎢⎢− 3 0 0⎥⎥ = [v1 (λ1 ) v 2 (λ1 ) v 3 (λ1 )] . ⎢⎣ 1 3 2 − 1⎥⎦ ad ⎢⎣ − 1 0 0⎥⎦ Spośród tych trzech wektorów tylko v1(λ1) nie jest zerowy, więc v1(1) = [10 –3 –1]T. Dla drugiej wartości własnej otrzymamy: 0 0⎤ 0 0⎤ ⎡ 0 ⎡1 − 2 − j3 ⎢ ⎢ ⎥ (A − λI )ad λ =λ = ⎢ 0 2 − 2 − j3 − 3⎥ = ⎢− 3 − 9 + j3 − 3 − j9⎥⎥ = [v1 (λ2 ) v 2 (λ2 ) v 3 (λ2 )] ⎢⎣ 3 + j9 − 9 + j3⎥⎦ 1 3 2 − 2 − j3⎥⎦ ad ⎢⎣ j3 1 2 W tym przypadku każdy z wektorów może być wybrany jako wektor własny skojarzony z wartością własną λ2. Dla trzeciej wartości własnej mamy: 0 0⎤ 0 0⎤ ⎡1 − 2 + j3 ⎡ 0 ⎢ ⎥ ⎢ (A − λI )ad λ =λ = ⎢ 0 2 − 2 + j3 − 3⎥ = ⎢ − 3 − 9 − j3 − 3 + j9⎥⎥ = [v1 (λ3 ) v 2 (λ3 ) v 3 (λ3 )] ⎢⎣ 1 3 2 − 2 + j3⎥⎦ ad ⎢⎣− j3 3 − j9 − 9 − j3⎥⎦ 3 Także w tym przypadku w charakterze wektora własnego można wybrać dowolny wektor spośród v1(λ3), v2(λ3), v3(λ3). Można zauważyć, że poszczególne wektory własne skojarzone z tą samą wartością własną są takie same z dokładnością do stałej. Na przykład: v 2 (λ3 ) = av1 (λ3 ) , gdzie a = 3 – j1; v 3 (λ3 ) = bv1 (λ3 ) , gdzie b = 1 + j3. Powyższe przykłady pokazują sposób rozwiązania zagadnienia własnego macierzy A. Można go ująć w następujący algorytm: - Określić wielomian charakterystyczny p(λ) macierzy A (2.11). - Wyznaczyć pierwiastki wielomianu charakterystycznego: p(λ) = 0. - Dla każdej wartości własnej wyznaczyć odpowiadający jej wektor własny, będący nietrywialnym rozwiązaniem równania niejednorodnego (2.17). Algorytm ten można stosować jedynie do zadań o małych rozmiarach macierzy A. Znanych jest wiele efektywnych algorytmów rozwiązywania zagadnienia własnego, które można z powodzeniem stosować do rozwiązywania zadań o dużych rozmiarach. Szczegółowy ich opis można znaleźć w literaturze przedmiotu [1], [5], [6]. Odpowiadające im programy wchodzą w skład znanych pakietów obliczeniowych [8], [10], [13]. 2.3. Diagonalizacja macierzy Z zagadnieniem wartości własnych łączy się problem podobieństwa macierzy. Jeśli w (2.8) wektor v zostanie zastąpiony przez wektor y =V-1v, gdzie V jest macierzą nieosobliwą, to otrzymamy: By = λy , B = V −1AV , (2.20) przy czym wartości własne obu macierzy podobnych są jednakowe [5]. Jednocześnie, jeśli v jest wektorem własnym przynależnym do wartości własnej λ, to wektor y = V -1v jest wektorem własnym macierzy B przynależnym do tej samej wartości własnej λ. Metody numeryczne w technice 12 Przekształcenie (2.20) jest nazywane przekształceniem podobieństwa, w którym macierze A i B są podobne. Jeśli macierz V jest macierzą ortogonalną (unitarną) (2.1), to podobieństwo (2.20) nazywamy podobieństwem ortogonalnym. Każda macierz symetryczna może być przekształcona za pomocą podobieństwa ortogonalnego do postaci diagonalnej (przekątnościowej), w której przekątna jest utworzona z wartości własnych macierzy: V −1AV = Λ = diag(λ1 , λ2 ,.., λn ) , (2.21) gdzie macierz przekształcenia V (zwana także macierzą modalną) jest utworzona z wektorów własnych macierzy A: V = [v1 v 2 L v n ] (2.22) Wyłączając w (2.21) macierz A otrzymamy: A = V Λ V −1 = [v1 v2 ⎡λ1 ⎢ λ2 L v n ]⎢ ⎢M M ⎢ ⎣ ⎤ ⎥ L ⎥[v 1 O M⎥ ⎥ L λn ⎦ L v2 L vn ] , −1 (2.23) co jest nazywane rozkładem macierzy A względem jej wartości własnych, przy czym vj jest wektorem własnym macierzy A związanym z jej wartością własną λj. Warunkiem istnienia przekształcenia (2.21) jest nieosobliwość macierzy V. Jest to spełnione, jeśli wektory własne macierzy A są niezależne: det(V ) = det ([v1 v 2 L v n ]) ≠ 0 (2.24) Zależność (2.24) jest spełniona, jeśli wektory własne vj, j = 1, 2, ..., n macierzy A przynależą do n różnych wartości własnych. Na podstawie powyższej analizy widać, że rozkład macierzy A według jej wartości własnych może być stosowany do określenia operatora przekształcenia tej macierzy do postaci diagonalnej. Przykład 2.6. Określić operator T, który przekształca macierz A z Przykładu 2.5: 0⎤ ⎡1 0 ⎢ A = ⎢0 2 − 3⎥⎥ do postaci diagonalnej. ⎢⎣ 1 3 2⎥⎦ W Przykładzie 2.5 określone zostały wektory własne macierzy A. Wybierzmy następujący komplet tych wektorów: v1(λ1) = [10 –3 –1]T, v1(λ2) = [0 –3 j3]T, v1(λ3) = [0 –3 –j3]T. Macierz T należy utworzyć z wymienionych wektorów własnych odpowiadających różnym wartościom własnym. Ponieważ te wektory są określone z dokładnością do stałej, więc można je znormalizować, co daje następującą macierz transformacji ortogonalnej: 1 0 0⎤ 1 0 0⎤ ⎡ ⎡ 1 1 ⎡1 ⎤ ⎢ ⎥ ⎢ −1 T = ⎢ v1 (λ1 ) v 1 (λ2 ) v1 (λ3 )⎥ = ⎢− 0,3 − 1 − 1⎥ , T = ⎢ − 0,15 − j0,05 − 0,5 − j0,5⎥⎥ . 3 3 ⎣10 ⎦ ⎢⎣ − 0,1 ⎢⎣− 0,15 + j0,05 − 0,5 j0,5⎥⎦ j − j⎥⎦ Można sprawdzić, że: 2. Wartości własne i wektory własne macierzy 13 0 0⎤ ⎡λ1 0 0⎤ ⎡ 1 ⎢ ⎥ ⎢ T AT = Λ = ⎢ 0 λ2 0⎥ = ⎢0 2 + j3 0⎥⎥ . ⎢⎣ 0 0 λ3 ⎥⎦ ⎢⎣0 0 2 − j3⎥⎦ Powyższe obliczenia można łatwo przeprowadzić posługując się programem MATLAB: −1 [T,D]=eig(A); gdzie T ↔ T, D ↔ Λ (wcześniej należy zadeklarować macierz A). W rezultacie otrzymamy następujące macierze: 0 0⎤ 0 0 0,9535⎤ ⎡2 + j3 ⎡ ⎥ ⎢ ⎢ Λ=⎢ 0 2 − j3 0⎥ , T = ⎢ j0,7071 − j0,7071 − 0,2860⎥⎥ . ⎢⎣ ⎢⎣ 0,7071 0 0 1⎥⎦ 0,7071 − 0,0953⎥⎦ Widać, że wartości własne są podane w innej kolejności, zaczynając od wartości największych co do modułu. To spowodowało odpowiednią zmianę kolejności wektorów w macierzy T. W stosowanej tu procedurze wektory własne są unormowane według normy kwadratowej, co objawia się także w innych wartościach poszczególnych elementach macierzy T (suma kwadratów współczynników poszczególnych wektorów własnych jest równa 1). Jak widać, podstawowe relacje pozostają jednak zachowane. Analizując wyniki Przykładu 2.6 można zauważyć, że diagonalizacja rozpatrywanej macierzy rzeczywistej wymaga stosowania operatora w postaci macierzy zespolonej. Wynika to stąd, że wartości własne są w tym przypadku zespolone. Pod tym względem znacznie korzystniejsze właściwości mają symetryczne macierze rzeczywiste. Dowodzi się, że wartości własne rzeczywistych macierzy symetrycznych są zawsze rzeczywiste – a zatem, rozkład takich macierzy według wartości własnych jest także rzeczywisty [4], [5]. Ponadto, wektory własne odpowiadające różnym wartościom własnym są wzajemnie ortogonalne. W takim wypadku można zatem stosować zależności (2.21) i (2.24). Jeśli macierz V jest macierzą ortogonalną (unitarną) (2.1), to podobieństwo (2.20) nazywamy podobieństwem ortogonalnym. Każda macierz symetryczna może być przekształcona za pomocą podobieństwa ortogonalnego do postaci diagonalnej (przekątnościowej) według (2.21), w której przekątna jest utworzona z wartości własnych macierzy, przy czym: V T = V −1 , (2.25) co jest równoważne zależności: V T V = I . Wektory własne tworzące macierz V są w tym przypadku ortonormalne: v Tj v j = I oraz v Ti v j = 0 . Wyłączając w (2.21) macierz A otrzymamy: A = V Λ V −1 = [v1 v 2 ⎡ λ1 v1T ⎤ ⎢ T⎥ n λv L v n ]⎢ 2 2 ⎥ = ∑ v j λ j v Tj ⎢ M ⎥ j =1 ⎢ T⎥ ⎣⎢λn v n ⎦⎥ (2.26) Widać, że rozkład symetrycznej rzeczywistej macierzy A względem jej wartości własnych nie wymaga odwracania macierzy przekształceń, a procedura obliczania Metody numeryczne w technice 14 par: λj, vj jest zazwyczaj znacznie prostsza niż w przypadku macierzy niesymetrycznych [2], [5]. Przykład 2.7. Określić operator V, który przekształca następującą macierz A: ⎡1 A = ⎢⎢0 ⎢⎣ 1 0 2 2 1⎤ 2 ⎥⎥ do postaci diagonalnej. 2⎥⎦ Zauważmy, że A jest macierzą charakterystyczne: det(A–λI) = λ3 – 5λ2 +5λ = 0 rzeczywistą symetryczną. Określamy równanie 5+ 5 5− 5 ≈ 3,6180 , λ3 = ≈ 1,3820 . 2 2 Wektory własne można określić przez rozwiązanie równań (2.17) dla oddzielnych wartości własnych, przy czym, poszukiwanymi wielkościami są wektory własne związane z tymi wartościami. a. λ1 = 0. Równanie (2.17) ma następującą postać: 0 1⎤ ⎡ v1 ⎤ ⎡1 ⎢ ( A − λ1I ) v1 = ⎢0 2 2 ⎥⎥ ⎢⎢v2 ⎥⎥ = 0 , skąd otrzymujemy: ⎢⎣ 1 2 2⎥⎦ ⎢⎣v3 ⎥⎦ Wartości własne są następujące: λ1 = 0, λ2 = v1 + v3 = 0, 2v2 + 2v3 = 0, v1 + 2v2 + 2v3 = 0. Wydzielając z pierwszego równania v1, po wstawieniu do trzeciego, otrzymamy następujący układ równań: 2v2 + 2v3 = 0, 2 v 2 + v 3 = 0. które są sobie równoważne. Jedną z występujących tam zmiennych należy zatem wybrać dowolnie. Zakładając v3 = 2 , otrzymamy: v2 = -1 oraz v1 = - 2 . W ten sposób [ otrzymaliśmy wektor własny dla λ1: v1 = − 2 − 1 ] T 2 . 5+ 5 . 2 Postępujemy podobnie, jak w poprzednim punkcie: ⎤ ⎡ 5+ 5 0 1⎥ ⎢1 − 2 ⎥ ⎡ v1 ⎤ ⎢ 5+ 5 ⎢ 0 2− 2 ⎥ ⎢⎢v2 ⎥⎥ = 0 , skąd otrzymujemy: ( A − λ2 I ) v 2 = ⎥ ⎢ 2 ⎢ 5 + 5 ⎥ ⎢⎣v3 ⎥⎦ ⎥ ⎢ 1 2 2− 2 ⎥⎦ ⎢⎣ b. λ2 = 3− 5 v1 + v3 = 0, 2 1− 5 − v2 + 2v3 = 0, 2 − 2. Wartości własne i wektory własne macierzy v1 + 2v2 − 15 1− 5 v3 = 0. 2 Znów, zakładając v3 = ( ) 2 , otrzymamy: v2 = – 1 + 5 oraz v1 = ( ) 3+ 5 . W ten sposób 2 T ⎡3 + 5 ⎤ − 1+ 5 2⎥ . otrzymaliśmy wektor własny dla λ2: v 2 = ⎢ ⎣ 2 ⎦ 5− 5 . c. λ3 = 2 Działania podobne jak w poprzednich dwóch punktach prowadzą do następującej wartości ( ) T ⎡3 − 5 ⎤ wektora własnego dla λ3: v 3 = ⎢ − 1− 5 2⎥ . ⎣ 2 ⎦ W ten sposób określona została macierz transformacji V, przedstawiająca rozkład macierzy A według wartości własnych: 3,7025 0,5402⎤ ⎡− 1,4142 ⎢ − 1 − 3,2361 1.2361⎥⎥ . V = [v1 v 2 v 3 ] ≈ ⎢ ⎢⎣ 1,4142 1,4142 1,4142⎥⎦ Poszczególne wektory własne w powyższych obliczeniach nie są unormowane. Normalizacja polega na wykonaniu skalowania zgodnie z (2.19) wszystkich wektorów własnych. Unormowana macierz transformacji jest następująca: 0,7236 0,2764⎤ ⎡ − 0,6325 ⎢ V = [v1 v 2 v 3 ] ≈ ⎢− 0,4472 − 0,6325 0,6325⎥⎥ . ⎢⎣ 0,6325 0,2764 0,7236⎥⎦ Można zauważyć, że zamiana dwóch pierwszych kolumn prowadzi do symetrycznej postaci tej macierzy, która jest z pewnością korzystniejsza. Ostatecznie otrzymujemy: ⎡ 0,7236 − 0,6325 0,2764⎤ V = [v1 v 2 v 3 ] ≈ ⎢⎢− 0,6325 − 0,4472 0,6325⎥⎥ . ⎢⎣ 0,2764 0,6325 0,7236⎥⎦ Można sprawdzić, że: V T V = I , a ponadto: 0 0⎤ ⎡0 ⎢ T V AV = Λ = ⎢0 1,3820 0⎥⎥ , ⎢⎣0 0 3,6180⎥⎦ gdzie na przekątnej występują wartości własne macierzy A. Poniżej rozpatrywany jest podobny przykład, gdy A jest macierzą hermitowską. Przykład 2.8. Określić operator V, który przekształca następującą macierz A: 0 ⎡1 ⎢ A = ⎢0 2 1+ ⎢⎣ 1 1 − j1 1⎤ j1⎥⎥ do postaci diagonalnej. 2⎥⎦ Zauważmy, że A jest macierzą charakterystyczne: det(A–λI) = λ3 – 5λ2 +5λ = 0, zespoloną hermitowską. Określamy równanie Metody numeryczne w technice 16 które jest identyczne, jak dla macierzy z Przykładu 2.7 – prowadzi więc do tych samych wartości własnych. Skorzystajmy w tym przypadku z pomocy programu MATLAB: A=[1 0 1;0 2 1+1i;1 1-1i 2]; [V,D]=eig(A); Po wykonaniu tego programu otrzymamy macierz przekształceń utworzoną z wektorów własnych: 0,6325 0,7236 -0,1954 + j0,1954⎤ ⎡ ⎢ -0,6325⎥⎥ . V = [v1 v 2 v 3 ] ≈ ⎢0,3162 + j0,3162 − 0,4472 − j0,4472 ⎢⎣ 0,2764 -0,5117 + j0,5117 ⎥⎦ -0,6325 Jest to macierz unitarna, więc można sprawdzić, że zachodzą następujące związki: V * V = I oraz V −1 = V * , a ponadto: v1* v1 = v *2 v 2 = v *3 v 3 = I . 0 0⎤ ⎡0 ⎢ V AV = D = ⎢0 1,3820 0⎥⎥ , co odpowiada diagonalnej macierzy D z wartościami ⎢⎣0 0 3,6180⎥⎦ własnymi na przekątnej, otrzymanej po wykonaniu powyższego programu. T W różnych zastosowaniach praktycznych macierz przekształceń V w (2.21) lub (2.26), która prowadzi do macierzy diagonalnej, jest nazywana macierzą modalną. Jest to związane z tym, że system n wzajemnie sprzężonych równań algebraicznych lub różniczkowych, po diagonalizacji macierzy parametrów, staje się systemem przedstawiającym n niezależnych układów, w których nie występują wzajemne sprzężenia. Te niezależne współrzędne nazywane są modami. Typowym przykładem w elektrotechnice jest modalna macierz przekształcenia układu trójfazowego we współrzędnych fazowych do składowych symetrycznych, co prowadzi do uproszczenia modelu. Takie podejście jest powszechnie stosowane w technice. Zadania Poniższe zadania wykonać posługując się jedynie podstawowymi operacjami dostępnymi w kalkulatorze lub w pakiecie kalkulacyjnym komputera. 2.1. Obliczyć wyznacznik: 3−λ 0 1 det(A ) = 2 1− λ 1 −4 . 0 −1− λ Określić wartości współczynnika λ, dla których równanie Ax=0 ma nietrywialnie rozwiązania. 2.2. Dla podanych macierzy określić: - wielomian charakterystyczny p (λ ); - wartości własne; - wektory własne dla każdej wartości własnej. 2. Wartości własne i wektory własne macierzy ⎡1 2⎤ a) A = ⎢ ⎥ ⎣3 2⎦ ⎡ 1 2 1⎤ d) A = ⎢⎢ 0 1 2⎥⎥ ⎢⎣− 1 3 2⎥⎦ ⎡1 0 j ⎤ f) A = ⎢⎢0 1 3⎥⎥ ⎢⎣ j 3 2⎥⎦ ⎡1 b) A = ⎢ ⎣9 ⎡1 ⎢0 e) A = ⎢ ⎢0 ⎢ ⎣0 6⎤ 2⎥⎦ 1 1 1⎤ 2 2 2⎥⎥ 0 3 2⎥ ⎥ 0 0 4⎦ ⎡− 2 3 ⎤ g) A = ⎢ ⎥ ⎣ 3 − 2 j⎦ 17 ⎡− 2 1 ⎤ c) A = ⎢ ⎥ ⎣ 3 − 2⎦ ⎡− 149 − 50 − 154⎤ e) A = ⎢⎢ 537 180 546 ⎥⎥ ⎢⎣ − 27 − 9 − 25 ⎥⎦ 2− ⎡ 1 h) A = ⎢ 2 ⎣2 − j j⎤ ⎥ ⎦ ⎡ 4 2⎤ i) A = ⎢ ⎥ ⎣1 4 ⎦ ⎡0 1 1/4 ⎤ ⎡0 0 − 2 ⎤ ⎡0 − 2 1 ⎤ ⎢ ⎥ ⎢ ⎥ j) A = ⎢0 0 − 1 / 4⎥ k) A = ⎢1 0 1 ⎥ l) A = ⎢⎢1 3 − 1⎥⎥ ⎢⎣1 0 ⎢⎣0 1 2 ⎥⎦ ⎢⎣0 0 1 ⎥⎦ 1 ⎥⎦ 2.3. Dla podanych macierzy symetrycznych/hermitowskich określić wartości własne, wektory własne i macierz modalną. Przeprowadzić normalizację wektorów własnych w celu uzyskania wektorów ortonormalnych. Sprawdzić, czy są spełnione warunki ortogonalności/unitarności macierzy modalnej. ⎡ 0 1 − j⎤ j) A = ⎢ ⎥ ⎣− j 2 ⎦ ⎡1 3⎤ A=⎢ ⎥ ⎣3 2⎦ ⎡1 0 1 ⎤ ⎢ ⎥ d) A = 0 1 2 ⎢ ⎥ ⎢⎣1 2 2⎥⎦ ⎡1 ⎣6 ⎡1 ⎢1 e) A = ⎢ ⎢1 ⎢ ⎣1 b) A = ⎢ 6⎤ 2⎥⎦ 1 1 2 2 2 3 0 0 ⎡ 1 0 1 − j⎤ ⎢ ⎥ g) A = ⎡ − 2 f) A = 0 1 3 ⎢1 + 3 ⎢ ⎥ ⎣ ⎢⎣1 + j 3 2 ⎥⎦ ⎡0 2 ⎡ 0 1 − j⎤ ⎢ j) A = ⎢ j) A = 2 0 ⎥ ⎢ ⎣1 + j 2 ⎦ ⎢⎣1 − 1 ⎡ − 2 1 + j⎤ ⎥ ⎣1 − j − 2 ⎦ c) A = ⎢ 1⎤ 0⎥⎥ 0⎥ ⎥ 4⎦ ⎡1 0 − j⎤ ⎢ ⎥ e) A = 0 1 2 ⎢ ⎥ ⎢⎣ j 2 2 ⎥⎦ 1 − j3⎤ 2 + j⎤ ⎡ 1 h) A = ⎢ ⎥ 2 ⎥⎦ −2 ⎦ ⎣2 − j ⎡4 1 ⎤ ⎥ ⎣1 4 ⎦ i) A = ⎢ 1⎤ j − 2⎤ ⎡0 ⎡ 0 −2 j ⎤ ⎥ ⎢ ⎥ − 1⎥ k) A = ⎢ − j 0 1 ⎥ l) A = ⎢⎢− 2 3 − j⎥⎥ ⎢⎣− 2 1 2 ⎥⎦ ⎢⎣ − j j 1 ⎥⎦ 1 ⎥⎦ Uwaga: w przypadku, gdy wielomian charakterystyczny ma stopień większy niż dwa, to można posłużyć się funkcją programu MATLAB do znalezienia jego pierwiastków: roots(d), gdzie d jest wektorem współczynników wielomianu. Na przykład, w przypadku wielomianu: p (λ ) = −λ3 + 5λ2 − 5λ + 1 = 0 pierwiastki oblicza się następująco: d=[-1 5 -5 1]; q=roots(d), gdzie q jest wektorem zawierającym pierwiastki: 3,7321, 1,0, 0,2679.