GAZDASÁGMATEMATIKA
KÖZÉPHALADÓ SZINTEN
ELTE TáTK Közgazdaságtudományi Tanszék
Gazdaságmatematika középhaladó szinten
7. hét
SAJÁTÉRTÉKEK, SAJÁTVEKTOROK Készítette: Lovics Gábor
Szakmai felel®s: Lovics Gábor
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Vázlat
1 Motiváció
2 Sajátértékek és sajátvektorok megkeresése
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Emlékeztet®
Legyen q,b∈Rvalós számok. Ekkor egy egyváltozós els®rend¶
dierenciaegyenlet felírható a következ® alakban:
at =qat−1+b.
Ez a feladat még könnyen megoldható, ha adott a0 kezd®pont.
Ekkor a megoldás:
at =qt
a0− b 1−q
+ b
1−q.
Nem nehéz végiggondolni azt sem, hogy a feladat stacionárius pontja x∗= 1−bq, és azt sem, hogy ha a |q|<1, akkor a sorozat a stacionárius pontjához konvergál. Ilyenkor magát a sorozatot is (aszimptotikusan) stacionáriusnak nevezzük.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Magasabbrend¶ dierenciaegyenletek
Egy magasabbend¶ dierneciaegyenlet a következ® alakban írható fel:
at =q1at−1+q2at−2+· · ·+qkat−k+b.
Kérdés, hogy ennek a feladatnak a megoldása mikor stacionárius.
El®ször azt mutatjuk meg, hogy egy magasabbrend¶
dierenciaegyenlet visszavezethet® minden esetben egy többváltozós els®rend¶ dierenciaegyenletté. Vizsgáljunk els®
lépésben egy másodrend¶ egyenletet:
at =q1at−1+q2at−2+b.
Vezzesük be azαt =at−1jelölést. Ekkor a feladat a következ®
formára írható át:
at =q1at−1+q2αt−1+b αt =at−1.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Magasabbrend¶ dierenciaegyenletek (folyt.)
Ez az összefüggés mátrixos alakba átírva at
αt
=
q1 q2
1 0 at−1
αt−1
+ b
0
.
Az eredeti feladat tehát a következ® alakban írható át:
a(t0) a(t1) ...
a(tk−1)
=
q1 q2 . . . qk−1 qk
1 0 . . . 0 0
... ... ... ...
0 0 . . . 1 0
a(t0−)1 a(t1−)1 ...
a(t−1k−1)
+
b0 0...
.
Ezért általánosságban nem magasabbrend¶, hanem többváltozós els®rend¶ diernciaegyenletr®l szoktunk beszélni.
Legyen A∈Rn×n, b∈Rn. Ekkor a dierenciaegyenlet a következ®
alakban írható fel:
xt =Axt−1+b.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Egy speciális eset
A célunk, hogy egy többváltozós els®rend¶ dierenciaegyenletr®l eldöntsük, hogy stacionárus-e vagy sem. Egy speciális esetben ez meglehet®sen egyszer¶. Vizsgáljuk meg például a következ®
egyenlet stacionaritását:
xt yt
=
−1 0
0 −5 xt−1
yt−1
+
0,2 0,1
.
Ebben a példában a kétváltozós dierenciaegyenlet két egyváltozós dierenciaegyenletté esik szét. A két egyváltozós
dierenciaegyenletr®l pedig már tudjuk, hogy mikor stacionáriusak.
Mivel| −1|=1 és| −5|>1, ezért a példában szerepl®
dierenciaegyenlet nem stacionárius. Most vizsgáljuk meg, hogy stacionárius-e a következ® dierenciaegyenlet:
xt yt
=
2 −7
3 −8 xt−1
yt−1
+
0,2 0,1
.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Áttérés másik bázisra
Ahhoz, hogy megállapítsuk, hogy stacionárius-e a sorozat, elegend® a
2 −7 3 −8
mátrixot vizsgálnunk. Korábban láttuk, hogy a mátrix
értelmezhet® mint egy lineáris leképzés,R2→R2. Azt is láttuk, hogy a mátrix oszlopai nem mások, mint a bázis, vagyis az
1 0
és a 0
1
vektorok képei. Azt is megbeszéltük, hogy ha áttérünk egy másik bázisra, akkor a leképezés mátrixa is
megváltozik. Kérdés, hogy a bázis változtatásával el lehet-e érni, hogy leolvasható legyen a stacionaritás.
Térjünk át például a 7
3 1
1
bázisra, és vizsgáljuk meg, hogy hogyan hat ez a mátrixunkra! Ehhez megvizsgáljuk, hogy mik leszenk az új bázis képei, majd a képeket felírjuk az új bázisban.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Áttérés másik bázisra (folyt.)
Az új bázis els® elemének a képe:
2 −7
3 −8 7
3
= −7
−3
.
Az új bázis els® elemének a képe felírva az új bázisban:
−7
−3
=−1 7
3
+0 1
1
.
Az új bázis második elemének a képe:
2 −7
3 −8 1
1
= −5
−5
.
Az új bázis második elemének a képe felírva az új bázisban:
−5
−5
=0 7 3
−5 1 1
.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Áttérés másik bázisra (folyt.)
Vagyis az új bázisban felírva az eredeti lineáris leképzés mátrixát a következ®t kapjuk:
−1 0 0 −5
,
amir®l már korábban megmutattuk, hogy egy nem stacionárius sorozatot deniál. Már csak az a kérdés, hogy hogyan találjuk meg a végtelen sok lehetséges új bázis közül éppen, azt amelyikre áttérve leolvashatóvá válik a stacionaritás.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
A sajátérték, sajátvektor probléma
Gondoljuk végig, hogy milyen tulajdonságokkal rendelkeztek az új bázis vektorai, ami miatt alkalmasak voltak a diagonalizációra. A diagonális mátrixunk els® oszlopának csak az els® eleme
különbözhet 0-tól, az összes többi 0 kell legyen. Ez azt jelenti, hogy az új bázisban az els® vektor képe úgy kell el®álljon, mint valahányszor az els® vektor (és 0-szor az összes többi). Ugyanez a gondolatmenet nyilván az összes többi oszloppal is végigjátszható.
Tehát az új bázis vektorai úgy fognak el®állni, mint az Ax=λx
egyenlet egy megoldása, ahol A∈Rn×n adott mátrixλ∈R, és x∈Rn a feladat változói. Ezt a feladatot szokás sajátérték, sajátvektor problémának nevezni. A feladat triviális megoldása x=0, ami viszont nyílván nem lehet eleme egyetlen bázisnak sem, ezért igazából arra vagyunk kiváncsiak, hogy a sajátérték,
sajátvektor problémának létezik-e a 0-tól különböz® megoldása.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Sajátérték és sajátvektor
Deníció
Legyen A∈Rn×n adott mátrix. Akkor a mátrixhoz tartozó sajátérték, sajátvektor probléma:
Ax=λx alakú.
A feladatot megoldóλ-kat a mátrix sajátértékeinek és a hozzájuk tartozó x6=0 vektorokat a mátrix sajátvektorainak nevezzük.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
A feladat megoldásai
Alakítsuk át a sajátérték, sajátvektor problémát a következ®
módon:
Ax=λx Ax−λx=0 (A−λI)x=0.
Így a feladat adottλesetén egy homogén lineáris egyenletté egyszer¶södik, melynek x=0 továbbra is triviális megoldása.
Kérdés, hogy mikor van ezen kívül más megoldása is. Emlékezzünk vissza, hogy egy n×n-es feladatnak akkor nem egyértelm¶ a megoldása, ha a bal oldalon álló mátrix determinánsa 0.
Nézzük meg a korábbi példákban, hogy ez mit jelent:
2 −7 3 −8
−
λ 0
0 λ
=
2−λ −7 3 −8−λ
=
=(2−λ)(−8−λ) +21=λ2+6λ+5.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
A karakterisztikus polinom
Deníció
Legyen A∈Rn×n mátrix. Ekkor a mátrix karakterisztikus polinomján az
|A−λI| determinánst értjük.
Egy mátrix sajátértékeinek megkeresése tehát nem más, mint a mátrix karakterisztikus polinomja gyökeinek a megkeresése. A példánk alapján tehát a sajátértékek a következ®k:
λ1,2= −6±√ 36−20
2 =
(−1
−5.
Ezzel meghatároztuk a mátrix sajátértékeit. Ezután már csak az a dolgunk, hogy a sajátértékhez megtaláljuk a sajátvektorokat. Ezt pedig már egy egyszer¶ lineáris egyenletrendszer megoldásával találhatjuk meg.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
A karakterisztikus polinom (folyt.)
El®ször λ=−1 helyettesítéssel kapjuk, hogy 3x1−7x2=0 3x1−7x2=0. Ennek a feladatnak a megoldása például a
7 3
vektor.
Másodszor nézzük meg a λ=−5 helyettesítést. Ekkor a következ® egyenletrendszerhez jutunk:
7x1−7x2=0 3x1−3x2=0, aminek megoldása az 1
1
vektor.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Szemléltetés a sajátvektorokról
Ahhoz, hogy a sajátértékek jelentését jobban megértsük, nézzünk meg néhány olyanR2→R2lineáris függvényt, amely
geometriailag jól szemléltethet®. Lineáris leképzés például, ha egy origón átmen® egyenesre tükrözzük a vektorokat. Ekkor az egyenesen lév® vektorok az 1-hez mint sajátértékhez tartozó sajátvektorok, az origón átmen®, az erdeti egyenesre mer®leges vektorok pedig a−1-hez tartozó sajátvektorok.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Szemléltetés a sajátvektorokról (folyt.)
Most vizsgáljuk meg, mi történik akkor, amikor az x tengelyre mer®legesen levetítjük a sík vektorait. Ekkor az x tengelyen lév®
vektorok az 1-hez mint sajátértékhez tartozó sajátvektorok. Az y tengelyen lév® vektorok pedig a 0-hoz tartozó sajátvektorok. Az ábrán az is látszik, hogy a 0 sajátértékhez tartozó sajátvektorok éppen a leképzés magterét alkotják.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Szemléltetés a sajátvektorokról (folyt.)
Most nézzük meg, hogy mit mondhatunk akkor, amikor a sík vektorait egy adott szöggel elforgatjuk az origó körül. Ez egy olyan lineáris leképzés, melynek nincsenek sajátvektorai, ezért valós sajátértékei sincsenek. A valós sajátértékek nem létezéséb®l azonban nem következtethetünk arra, hogy a leképzés nem invertálható, hiszen a forgatás inverz leképzése az ellenkez®
irányba való forgatás.
7. hét Lovics
Motiváció Sajátértékek és sajátvektorok megkeresése
Megoldhatóság
Már csak az a kérdés, hogy mi a feltétele annak, hogy
diagonalizálható legyen egy mátrix. A karakterisztikus polinom mindig n-ed fokú. Ha ennek n db gyöke van, akkor végig tudjuk csinálni a fenti eljárást. Ezt a valós számok halmazán nem, de a komplex számok halmazán mindig meg tudjuk tenni. Tehát amennyiben vizsgálódásainkat kiterjesztjük a komplex számok halmazára, akkor mindig találunk n db sajátértéket, és így mindig diagonalizálható a mátrix.