- •Глава 3 основы численных методов
- •§ 3.1. Основные понятия линейной алгебры
- •3.1.1. Линейное пространство. Евклидово пространство.
- •3.1.2. Арифметическое пространство. Векторы и операции над ними. Линейная зависимость векторов. Базис.
- •3.1.3. Матрицы и операции над ними. Некоторые виды матриц.
- •3.1.4. Скалярное произведение векторов.
- •3.1.5. Норма вектора. Некоторые свойства векторных норм. Абсолютная и относительная погрешности. Сходимость.
- •3.1.6. Норма матрицы. Некоторые свойства матричных норм.
- •3.1.7. Число обусловленности матрицы.
- •§ 3.2. Прямые методы решения систем линейных алгебраических уравнений
- •3.2.1. Общий вид системы линейных алгебраических уравнений (слау). Понятие о прямых методах решения слау.
- •3.2.2. Метод Гаусса.
- •3.2.3. Вычисление определителя матрицы коэффициентов системы. Некоторые свойства определителей.
- •3.2.4. Выбор главного элемента.
- •3.2.6. Итерационное уточнение.
- •3.2.7. Метод Гаусса для ленточной слау.
- •3.2.8. Слау с несколькими правыми частями.
- •3.2.9. Вычисление обратной матрицы .
- •§ 3.3. Итерационные методы решения систем линейных алгебраических уравнений
- •3.3.1. Понятие об итерационных методах решения слау.
- •3.3.2. Метод Зейделя и метод простой итерации.
- •3.3.3. Общий вид итерационного процесса.
- •§ 3.4. Методы вычисления собственных значений и собственных векторов матриц
- •3.4.1. Основные определения.
- •3.4.2. Характеристическое уравнение.
- •3.4.3. Понятие о методах решения проблемы собственных значений.
- •3.4.4. Определение максимального по модулю собственного числа степенным методом.
- •3.4.5. Собственные значения обратной матрицы.
- •3.4.6. Обобщенная проблема собственных значений.
- •3.4.7. Вычисление минимального собственного числа степенным методом.
- •§ 3.5. Методы численного интегрирования
- •3.5.1. Понятие о формулах численного интегрирования.
- •3.5.2. Формула прямоугольников (формула средних).
- •3.5.3. Формула трапеций.
- •3.5.4. Формула Симпсона.
- •3.5.5. Точность квадратурных формул.
- •3.5.6. Вычисление интеграла с заданной точностью.
- •3.5.7. О современных методах численного интегрирования.
- •§ 3.6. Методы решения нелинейных уравнений
- •3.6.1. Уравнения с одним неизвестным (скалярные).
- •3.6.2. Решение систем нелинейных уравнений.
- •§ 3.7. Метод наименьших квадратов
- •3.7.1. Понятие о методе наименьших квадратов (мнк).
- •3.7.2. Применение мнк для решения переопределенных систем линейных алгебраических уравнений.
§ 3.4. Методы вычисления собственных значений и собственных векторов матриц
3.4.1. Основные определения.
Пусть дана квадратная матрица n-го порядка
. (3.4.1)
Собственным вектором матрицы называется ненулевой вектор
, (3.4.2)
удовлетворяющий системе уравнений
, (3.4.3)
при некотором , называемом собственным числом (собственным значением).
Пример 3.4.1.
Для матрицы вектор – собственный, соответствующее собственное значение . Проверка:
■.
3.4.2. Характеристическое уравнение.
Из определения следует, что для нахождения собственного вектора необходимо решить систему
, (3.4.4)
подобрав предварительно число . Для существования ненулевого решения системы (3.4.4) необходимо и достаточно, чтобы система была вырожденной. В этом случае определитель матрицы равен нулю:
, (3.4.5)
или . (3.4.6)
Раскрывая определитель, получим уравнение степени относительно :
. (3.4.7)
Уравнение (3.4.7) называется характеристическим уравнением. Левая часть уравнения называется характеристическим многочленом матрицы . По основной теореме алгебры он имеет корней (с учетом кратностей).
Пример 3.4.2. Пусть требуется, используя характеристическое уравнение, определить собственные числа матрицы
.
Запишем характеристическое уравнение:
Решения характеристического уравнения: .
Можно проверить, что вектор
является собственным вектором.
Более того, можно показать, что никаких других собственных векторов, кроме указанного, у этой матрицы нет ■.
Пример 3.4.3. Пусть требуется, используя характеристическое уравнение, определить собственные числа матрицы
.
Запишем характеристическое уравнение:
Решения характеристического уравнения: ; ; .
Можно проверить, что соответственно вектора
; ;
являются собственными по отношению к указанным собственным числам ■.
Как видно, в частности, из приведенных примеров число собственных векторов матрицы порядка n не всегда превосходит n (меньше n (пример 3.4.2) или равно n (пример 3.4.3)). Матрицы, у которых число собственных векторов совпадает с порядком матрицы, называются диагонализируемыми. Диагонализируемыми, например, являются все симметричные матрицы. Матрицы, у которых число собственных вектором меньше, чем порядок матрицы, дефектными (это возникает в некоторых ситуациях при наличии кратных собственных чисел). Оба этих термина напрямую связаны с вопросом построения Жорданового разложения матрицы [10,16,25-29,40,64-65,69], который в настоящей Главе рассматриваться не будет.
Отметим, что если – собственный вектор, то – также является собственным вектором, т.к. . Иными словами, собственный вектор определен с точностью до множителя.
Рассмотрим произвольную диагонализируемую матрицу . Пусть – собственные числа матрицы , им соответствуют собственные вектора , т.е.
.
Поскольку собственный вектор определен с точностью до множи-
теля, то всегда можно умножить его на число , т.е. нормировать. Для нормированного вектора справедливо равенство:
. (3.4.8)
Кроме того, векторы образуют базис в , т.е. любой вектор может быть представлен в виде их линейной комбинации
. (3.4.9)
Заметим также, что
. (3.4.10)