Как найти характеристическое уравнение из матрицы

Характеристический многочлен онлайн

Характеристический полином матрицы A , вычисляется следующим образом:

| A &#x2212 &#x03BB E |

где E — единичная матрица, размеры которой совпадают с размерами исходной матрицы A .

Разберем подробнее приведенную выше формулу. Если матрица A задана в виде:

тогда выражение A &#x2212 &#x03BB E имеет вид:

Наконец, нам нужно найти определитель:

Раскрыв этот определитель, мы получим полином n -ой степени ( n — порядок исходной матрицы), зависящий от &#x03BB :

P &#x2006 ( &#x03BB ) = c _n &#x03BB &#x2006 n + c _{n &#x2212 1} &#x03BB &#x2006 n &#x2212 1 + . + c _i &#x03BB &#x2006 i + . + c ₁ &#x03BB &#x2006 + c ₀

Поскольку для вычисления характеристического полинома, требуется нахождение определителя матрицы, то характеристический полином может быть найден только для квадратной матрицы.

Наш онлайн калькулятор находит характеристический полином матрицы, причем в качестве элементов матрицы, можно вводить не только числа и дроби, но и параметры.

Характеристический многочлен матрицы

Напомним, что характеристическим многочленом квадратной матрицы (n-го порядка) называется многочлен . Степень характеристического многочлена совпадает с порядком матрицы . Рассмотрим другие свойства характеристического многочлена.

1. Характеристический многочлен квадратной матрицы n-го по рядка может быть представлен в виде

где — корни характеристического многочлена (собственные значения матрицы ) кратности соответственно, причем и .

Действительно, указанное разложение (7.24) имеет любой многочлен степени (см. следствие основной теоремы алгебры). Старший коэффициент характеристического многочлена вычисляется, разлагая определитель .

2. Характеристический многочлен квадратной матрицы n-го по рядка может быть представлен в виде произведения инвариантных множителей характеристической матрицы

В самом деле, характеристическая матрица имеет нормальный диагональный вид (7.9): , так как . Наибольший общий делитель (старший коэффициент которого равен единице) единственного минора n-го порядка матрицы отличается от определителя только множителем , т.е. характеристический многочлен . Подставляя , получаем (7.25).

3. Характеристические многочлены подобных матриц совпадают.

В самом деле, пусть матрицы и подобны, т.е. существует такая матрица , что . Преобразуем характеристический многочлен матрицы по теореме 2.2 (об определителе произведения матриц) с учетом свойства 4 обратной матрицы:

что и требовалось показать.

4. Характеристический многочлен матрицы n-го порядка имеет вид

Минор k-го порядка , составленный из элементов матрицы, стоящих на пересечении одноименных строк и столбцов, называется главным минором. В формуле (7.26) коэффициент при равен сумме главных миноров k-го порядка, в частности, след матрицы — это сумма главных миноров 1-го порядка, определитель матрицы — это главный минор n-го порядка.

Поясним формулу (7.26). Пусть — i-й столбец матрицы , — i-й столбец единичной матрицы . В этих обозначениях запишем характеристический многочлен матрицы

Представим этот определитель в виде суммы определителей, используя его линейность по каждому столбцу. Получим

Разлагая определители, стоящие в фигурных скобках, по столбцам единичной матрицы, получаем главные миноры матрицы , например:

Таким образом, коэффициент при равен сумме главных миноров к -го порядка матрицы .

5. Подобные матрицы имеют: равные определители, равные следы, равные суммы главных миноров одного и того же порядка, совпадающие спектры.

В самом деле, подобные матрицы имеют равные характеристические многочлены (по свойству 3). У равных многочленов — одинаковые корни (т.е. спектры подобных матриц совпадают), а также равные соответствующие коэффициенты в (7.26), которые по свойству 4 выражаются через главные миноры матриц.

6. Определитель матрицы равен произведению ее собственных значений (с учетом их кратности).

Действительно, характеристический многочлен можно разложить на множители (см. следствие основной теоремы алгебры):

где — корни многочлена (быть может, совпадающие). Отсюда . С другой стороны, по определению получаем

Решение матричных уравнений

Финальная глава саги.

Линейная алгебра и, в частности, матрицы — это основа математики нейросетей. Когда говорят «машинное обучение», на самом деле говорят «перемножение матриц», «решение матричных уравнений» и «поиск коэффициентов в матричных уравнениях».

Понятно, что между простой матрицей в линейной алгебре и нейросетью, которая генерирует котов, много слоёв усложнений, дополнительной логики, обучения и т. д. Но здесь мы говорим именно о фундаменте. Цель — чтобы стало понятно, из чего оно сделано.

Краткое содержание прошлых частей:

• Линейная алгебра изучает векторы, матрицы и другие понятия, которые относятся к упорядоченным наборам данных. Линейной алгебре интересно, как можно трансформировать эти упорядоченные данные, складывать и умножать, всячески обсчитывать и находить в них закономерности.
• Вектор — это набор упорядоченных данных в одном измерении. Можно упрощённо сказать, что это последовательность чисел.
• Матрица — это тоже набор упорядоченных данных, только уже не в одном измерении, а в двух (или даже больше).
• Матрицу можно представить как упорядоченную сумку с данными. И с этой сумкой как с единым целым можно совершать какие-то действия. Например, делить, умножать, менять знаки.
• Матрицы можно складывать и умножать на другие матрицы. Это как взять две сумки с данными и получить третью сумку, тоже с данными, только теперь какими-то новыми.
• Матрицы перемножаются по довольно замороченному алгоритму. Арифметика простая, а порядок перемножения довольно запутанный.

И вот наконец мы здесь: если мы можем перемножать матрицы, то мы можем и решить матричное уравнение.

❌ Никакого практического применения следующего материала в народном хозяйстве вы не увидите. Это чистая алгебра в несколько упрощённом виде. Отсюда до практики далёкий путь, поэтому, если нужно что-то практическое, — посмотрите, как мы генерим Чехова на цепях Маркова.

Что такое матричное уравнение

Матричное уравнение — это когда мы умножаем известную матрицу на матрицу Х и получаем новую матрицу. Наша задача — найти неизвестную матрицу Х.

Шаг 1. Упрощаем уравнение

Вместо известных числовых матриц вводим в уравнение буквы: первую матрицу обозначаем буквой A, вторую — буквой B. Неизвестную матрицу X оставляем. Это упрощение поможет составить формулу и выразить X через известную матрицу.

Приводим матричное уравнение к упрощённому виду

Шаг 2. Вводим единичную матрицу

В линейной алгебре есть два вспомогательных понятия: обратная матрица и единичная матрица. Единичная матрица состоит из нулей, а по диагонали у неё единицы. Обратная матрица — это такая, которая при умножении на исходную даёт единичную матрицу.

Можно представить, что есть число 100 — это «сто в первой степени», 100 1

И есть число 0,01 — это «сто в минус первой степени», 100 -1

При перемножении этих двух чисел получится единица:
100 1 × 100 -1 = 100 × 0,01 = 1.

Вот такое, только в мире матриц.

Зная свойства единичных и обратных матриц, делаем алгебраическое колдунство. Умножаем обе известные матрицы на обратную матрицу А -1 . Неизвестную матрицу Х оставляем без изменений и переписываем уравнение:

А -1 × А × Х = А -1 × В

Добавляем единичную матрицу и упрощаем запись:

А -1 × А = E — единичная матрица

E × Х = А -1 × В — единичная матрица, умноженная на исходную матрицу, даёт исходную матрицу. Единичную матрицу убираем

Х = А -1 × В — новая запись уравнения

После введения единичной матрицы мы нашли способ выражения неизвестной матрицы X через известные матрицы A и B.

💡 Смотрите, что произошло: раньше нам нужно было найти неизвестную матрицу. А теперь мы точно знаем, как её найти: нужно рассчитать обратную матрицу A -1 и умножить её на известную матрицу B. И то и другое — замороченные процедуры, но с точки зрения арифметики — просто.

Шаг 3. Находим обратную матрицу

Вспоминаем формулу и порядок расчёта обратной матрицы:

1. Делим единицу на определитель матрицы A.
2. Считаем транспонированную матрицу алгебраических дополнений.
3. Перемножаем значения и получаем нужную матрицу.

Собираем формулу и получаем обратную матрицу. Для удобства умышленно оставляем перед матрицей дробное число, чтобы было проще считать.

Третье действие: получаем обратную матрицу

Шаг 4. Вычисляем неизвестную матрицу

Нам остаётся посчитать матрицу X: умножаем обратную матрицу А -1 на матрицу B. Дробь держим за скобками и вносим в матрицу только при условии, что элементы новой матрицы будут кратны десяти — их можно умножить на дробь и получить целое число. Если кратных элементов не будет — дробь оставим за скобками.

Решаем матричное уравнение и находим неизвестную матрицу X. Мы получили кратные числа и внесли дробь в матрицу

Шаг 5. Проверяем уравнение

Мы решили матричное уравнение и получили красивый ответ с целыми числами. Выглядит правильно, но в случае с матрицами этого недостаточно. Чтобы проверить ответ, нам нужно вернуться к условию и умножить исходную матрицу A на матрицу X. В результате должна появиться матрица B. Если расчёты совпадут — мы всё сделали правильно. Если будут отличия — придётся решать заново.

👉 Часто начинающие математики пренебрегают финальной проверкой и считают её лишней тратой времени. Сегодня мы разобрали простое уравнение с двумя квадратными матрицами с четырьмя элементами в каждой. Когда элементов будет больше, в них легко запутаться и допустить ошибку.

Проверяем ответ и получаем матрицу B — наши расчёты верны

Ну и что

Алгоритм решения матричных уравнений несложный, если знать отдельные его компоненты. Дальше на основе этих компонентов математики переходят в более сложные пространства: работают с многомерными матрицами, решают более сложные уравнения, постепенно выходят на всё более и более абстрактные уровни. И дальше, в конце пути, появляется датасет из миллионов котиков. Этот датасет раскладывается на пиксели, каждый пиксель оцифровывается, цифры подставляются в матрицы, и уже огромный алгоритм в автоматическом режиме генерирует изображение нейрокотика: