प्रस्तावना
रैखिक बीजगणित (Linear Algebra) सीखते समय, सबसे बड़ी बाधा विकर्णीकरण (Diagonalization) और जॉर्डन सामान्य रूप (Jordan Normal Form) होती है। मैट्रिक्स ज्यामितीय परिवर्तनों को दर्शाते हैं, लेकिन उनके मूल रूप में उन्हें समझना कठिन होता है। यह लेख इन अवधारणाओं को गहराई से समझाता है।
मैट्रिक्स क्या है: एक परिवर्तन के रूप में
एक मैट्रिक्स को सही “आधार” (Basis) में बदलने से इसकी गणना बेहद सरल हो जाती है।
graph TD
A["मूल आधार में मैट्रिक्स $A$"] -->|"आधार परिवर्तन मैट्रिक्स $P$"| B["नए आधार में मैट्रिक्स $B = P^{-1}AP$"]
B -->|"गणना निष्पादन"| C["नए आधार में परिणाम"]
C -->|"उलटा परिवर्तन $P$"| D["मूल आधार में परिणाम"]
विकर्णीकरण की अवधारणा
गणितीय परिभाषा
एक मैट्रिक्स $A$ विकर्णीय है यदि एक व्युत्क्रमणीय मैट्रिक्स $P$ मौजूद है जिससे:
$$ P^{-1} A P = D $$जहाँ $D$ के विकर्ण तत्व आइगेनवैल्यू (Eigenvalues) $\lambda_i$ हैं, और $P$ के स्तंभ आइगेनवेक्टर (Eigenvectors) $\mathbf{v}_i$ हैं।
गणना का उदाहरण
3x3 मैट्रिक्स का उदाहरण
$$ A = \begin{pmatrix} 4 & -1 & 6 \\ 2 & 1 & 6 \\ 2 & -1 & 8 \end{pmatrix} $$चरण 1: आइगेनवैल्यू की गणना $\det(A - \lambda I) = 0$ को हल करने पर $\lambda = 2$ और $\lambda = 9$ मिलता है।
$$ \mathbf{v}_1 = \begin{pmatrix} 1 \\ 2 \\ 0 \end{pmatrix}, \quad \mathbf{v}_2 = \begin{pmatrix} -3 \\ 0 \\ 1 \end{pmatrix} $$$$ \mathbf{v}_3 = \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix} $$$$ P^{-1} A P = \begin{pmatrix} 2 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 9 \end{pmatrix} $$कुछ मैट्रिक्स विकर्णीय क्यों नहीं होते?
$$ 1 \leq \text{ज्यामितीय बहुलता} \leq \text{बीजगणितीय बहुलता} $$यदि ज्यामितीय बहुलता कम है, तो पर्याप्त आइगेनवेक्टर नहीं होते हैं।
जॉर्डन सामान्य रूप का सिद्धांत
ऐसे मामलों में हम जॉर्डन सामान्य रूप का उपयोग करते हैं।
जॉर्डन ब्लॉक
$$ J_k(\lambda) = \begin{pmatrix} \lambda & 1 & 0 & \cdots & 0 \\ 0 & \lambda & 1 & \cdots & 0 \\ \vdots & \vdots & \ddots & \ddots & 1 \\ 0 & 0 & \cdots & 0 & \lambda \end{pmatrix} $$सामान्यीकृत आइगेनवेक्टर
$$ (A - \lambda I)^k \mathbf{v} = \mathbf{0} \quad \text{और} \quad (A - \lambda I)^{k-1} \mathbf{v} \neq \mathbf{0} $$अनुप्रयोग: विभेदक समीकरण
$$ e^{At} = P e^{Dt} P^{-1} $$SVD और विकर्णीकरण में अंतर
graph LR
A["यादृच्छिक मैट्रिक्स $A$"] -->|"SVD"| B["$U \Sigma V^*$"]
B -->|"डेटा संपीड़न के लिए"| C["ऑर्थोगोनल मैट्रिक्स"]
D["वर्ग मैट्रिक्स $A$"] -->|"विकर्णीकरण"| E["$P D P^{-1}$"]
E -->|"पुनरावृत्ति गणना के लिए"| F["गतिशील प्रणाली"]
प्रोग्रामिंग उदाहरण
Python में:
| |
निष्कर्ष
विकर्णीकरण मैट्रिक्स को सरल बनाने की सर्वोत्तम तकनीक है, और क्वांटम यांत्रिकी से लेकर नियंत्रण सिद्धांत तक इसके कई उपयोग हैं।