Собственные векторы матрицы

Онлайн калькулятор для нахождения собственных чисел и собственных векторов матрицы. Собственный вектор — это вектор в линейной алгебре, который при умножении на квадратную матрицу или применении линейного преобразования даёт коллинеарный вектор, умноженный на скалярное значение, называемое собственным числом (собственным значением) матрицы.

Как использовать калькулятор: Выберите размер квадратной матрицы с помощью селекторов, введите значения элементов матрицы в соответствующие поля и нажмите кнопку "Вычислить". Калькулятор автоматически найдёт все собственные значения и собственные векторы матрицы, используя характеристическое уравнение, и покажет результат с подробным пошаговым решением.

Основные понятия:
• Собственное значение (λ) — скаляр, для которого существует ненулевой собственный вектор
• Собственный вектор — ненулевой вектор, который при умножении на матрицу даёт вектор, коллинеарный исходному
• Характеристическое уравнение — уравнение det(A - λE) = 0, где E — единичная матрица
• Диагонализация — представление матрицы в виде A = T × L × T⁻¹, где L — диагональная матрица собственных значений, T — матрица собственных векторов

Методы нахождения собственных значений и векторов:

Характеристическое уравнение: Для квадратной матрицы A собственные значения находятся из уравнения det(A - λE) = 0, где E — единичная матрица, λ — собственное значение. Решая это уравнение, получаем все собственные значения матрицы.

Собственные векторы: Для каждого найденного собственного значения λ_i решается система линейных уравнений (A - λ_iE)v = 0, где v — искомый собственный вектор. Ненулевые решения этой системы и являются собственными векторами.

Диагонализация: Если матрица имеет полный набор линейно независимых собственных векторов, её можно представить в виде A = T × L × T⁻¹, где L — диагональная матрица собственных значений, T — матрица собственных векторов (столбцы которой являются собственными векторами).

Применение собственных значений и векторов: Собственные значения и векторы широко используются в различных областях: в физике для анализа колебательных систем и квантовой механики, в инженерии для анализа устойчивости систем, в машинном обучении для анализа данных и снижения размерности (PCA), в компьютерной графике для обработки изображений, а также в экономике для анализа динамических моделей.