Введение
При изучении линейной алгебры одним из главных препятствий для многих становится диагонализация и жорданова нормальная форма. Матрицы — это мощный инструмент для описания пространственных деформаций (линейных преобразований), но зачастую трудно определить их свойства напрямую из их исходного вида. В этой статье подробно объясняется диагонализация как мощный метод максимального упрощения матриц, а также жорданова нормальная форма для матриц, которые невозможно диагонализовать.
Что такое матрица: взгляд с точки зрения преобразования
Матрица $n \times n$ представляет собой линейное преобразование. Однако это представление зависит от выбранного «базиса». Выбрав новый базис, матричное представление того же самого преобразования может стать значительно проще.
graph TD
A["Матрица $A$ в исходном базисе"] -->|"Матрица перехода $P$"| B["Матрица $B = P^{-1}AP$ в новом базисе"]
B -->|"Выполнение вычислений"| C["Результат в новом базисе"]
C -->|"Обратное преобразование $P$"| D["Результат в исходном базисе"]
Основные понятия диагонализации
Интуитивное понимание
Диагонализуемость матрицы $A$ означает, что при подходящем базисе преобразование сводится к «простому растяжению и сжатию вдоль каждой из осей координат».
Математическое определение
Матрица $A$ размера $n \times n$ диагонализуема, если существует обратимая матрица $P$, такая что:
$$ P^{-1} A P = D $$где $D$ — диагональная матрица. Диагональные элементы $D$ — это собственные значения $\lambda_i$, а столбцы $P$ — это собственные векторы $\mathbf{v}_i$.
Пример вычисления диагонализации
Пример матрицы 3x3
$$ A = \begin{pmatrix} 4 & -1 & 6 \\ 2 & 1 & 6 \\ 2 & -1 & 8 \end{pmatrix} $$Шаг 1: Вычисление собственных значений Из уравнения $\det(A - \lambda I) = 0$ получаем $\lambda = 2$ и $\lambda = 9$.
$$ \mathbf{v}_1 = \begin{pmatrix} 1 \\ 2 \\ 0 \end{pmatrix}, \quad \mathbf{v}_2 = \begin{pmatrix} -3 \\ 0 \\ 1 \end{pmatrix} $$$$ \mathbf{v}_3 = \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix} $$$$ P^{-1} A P = \begin{pmatrix} 2 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 9 \end{pmatrix} $$Почему существуют недиагонализуемые матрицы?
$$ 1 \leq \text{Геометрическая кратность} \leq \text{Алгебраическая кратность} $$Если геометрическая кратность строго меньше алгебраической, матрица называется дефектной и не может быть диагонализована.
Теория жордановой нормальной формы
Жорданова нормальная форма спасает ситуацию для недиагонализуемых матриц.
Жордановы клетки
$$ J_k(\lambda) = \begin{pmatrix} \lambda & 1 & 0 & \cdots & 0 \\ 0 & \lambda & 1 & \cdots & 0 \\ \vdots & \vdots & \ddots & \ddots & 1 \\ 0 & 0 & \cdots & 0 & \lambda \end{pmatrix} $$Присоединённые векторы (Обобщенные собственные векторы)
$$ (A - \lambda I)^k \mathbf{v} = \mathbf{0} \quad \text{и} \quad (A - \lambda I)^{k-1} \mathbf{v} \neq \mathbf{0} $$Применение: Дифференциальные уравнения
$$ e^{At} = P e^{Dt} P^{-1} $$$$ e^{J_k(\lambda)t} = e^{\lambda t} \begin{pmatrix} 1 & t & \cdots & \frac{t^{k-1}}{(k-1)!} \\ 0 & 1 & \cdots & \frac{t^{k-2}}{(k-2)!} \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & 1 \end{pmatrix} $$Это объясняет появление секулярных членов $te^{\lambda t}$ при резонансе.
Теорема Кэли-Гамильтона и минимальный многочлен
Любая матрица удовлетворяет своему характеристическому уравнению $p(A) = 0$. Минимальный многочлен $m(\lambda)$ — многочлен наименьшей степени, аннулирующий матрицу. Матрица диагонализуема тогда и только тогда, когда $m(\lambda)$ не имеет кратных корней.
Отличие от сингулярного разложения (SVD)
SVD $A = U \Sigma V^*$ применимо к любым матрицам $m \times n$. Диагонализация применяется только к квадратным и нужна для возведения в степень.
graph LR
A["Любая матрица $A$"] -->|"SVD"| B["$U \Sigma V^*$"]
B -->|"Разложение на ортогональные матрицы"| C["Сжатие данных"]
D["Квадратная матрица $A$"] -->|"Диагонализация"| E["$P D P^{-1}$"]
E -->|"Идеально для итераций"| F["Динамические системы"]
Квантовая механика и теория управления
В квантовой механике диагонализация гамильтониана дает собственные состояния энергии. В теории управления она позволяет разделить систему на моды для оценки управляемости и наблюдаемости.
Численные методы в программировании
Пример на Python:
| |
Заключение
Диагонализация и жорданова нормальная форма — это ключ к пониманию сложных систем в математике, физике и инженерии.