مقدارویژه و بردارویژه

(تغییرمسیر از ویژه‌بردار)

در جبر خطی، یک بردارویژه (به انگلیسی: Eigenvector) (‎/ˈɡənˌvɛktər/‎) یا بردار مشخصه یک تبدیل خطی، یک بردار ناصفر است که وقتی آن تبدیل خطی رویش اعمال شود، حاصل برابر اسکالری ضرب در آن بردار خواهد بود (این کار باعث تغییر مقیاس، یا تغییر اندازه بردار می شود، ولی جهت آن را تغییر نمی دهد). مقدارویژه (به انگلیسی: Eigenvalue) متناظر با یک بردار ویژه که اغلب به صورت [۱] نشان داده می شود، همان اسکالری است که در توصیف بردار ویژه ضرب شد.

از نظر هندسی، یک بردارویژه متناظر با یک مقدارویژه حقیقی ناصفر، به سمتی اشاره می کند که توسط تبدیل خطی مورد نظر کشیده می شود، همچنین مقدارویژه متناظر با این بردار ویژه نیز فاکتوری است که توسط آن کشیدگی صورت گرفته. اگر مقدارویژه منفی باشد، جهت برعکس می شود.[۲] به بیان نادقیق، در فضای برداری چند بعدی، بردارویژه دوران نمی کند.

تعریف صوریویرایش

اگر   یک تبدیل خطی از فضای برداری   به خودش، روی میدانی چون   باشد، و   یک بردار ناصفر در   باشد، آنگاه   یک بردارویژه   است اگر   ضریب اسکالری از   باشد. بدین شکل:

 

که در آن   یک اسکالر در   است که به آن مقدارویژه، مقدار مشخصه یا ریشه مشخصه متناظر با   نیز می گویند.

برای یک پایه خاص، تناظر مستقیمی بین ماتریس های مربعی n-در-n و تبدیلات خطی از یک فضای برداری n-بعدی به خودش وجود دارد. ازین رو، در یک فضای برداری متناهی-بعدی، به طور معادل می توان مقادیر و بردار ویژه ها را با استفاده از زبان ماتریس ها یا زبان تبدیلات خطی توصیف نمود.[۳][۴]

اگر   یک فضای برداری متناهی-بعدی باشد، تعریف فوق معادل است با:[۵]

 

که در آن   نمایش ماتریسی   و   بردار مختصاتی   است.

بررسی کلیویرایش

مقدارویژه و بردارویژه اغلب در تحلیل تبدیلات خطی بروز پیدا می کنند. پیشوند انگلیسی -eigen در انگلیسی از کلمه eigen آلمانی گرفته شده (هم‌خانواده با کلمه انگلیسی own) که در آلمانی به معنای "مناسب"، "مشخصه"، "خود" می باشد.[۶][۷] در اصل، از این مفاهیم جهت مطالعه محورهای اصلی دوران اجسام صلب استفاه می شد، اما بعد کاربردهای گسترده تری چون این موارد پیدا کردند: تحلیل پایداری، تحلیل ارتعاش، اوربیتال های اتمی، تشخیص چهره و قطری سازی ماتریس.

اساساً بردار ویژه ای چون   از یک تبدیل خطی  ، برداری ناصفر است با این ویژگی که اگر   بر آن اعمال شود، تغییر جهت ندهد. اعمال   به بردارویژه مورد نظر، تنها مقیاس بردار ویژه را به نسبت   تغییر می دهد (یعنی طول آن را تغییر می دهد)، به   مقدارویژه ی بردارویژه   گویند. این شرط را می توان با معادله زیر بیان کرد:

 

که به آن معادله ویژه گویند. در کل،   ممکن است هر اسکالری باشد. به عنوان مثال،   ممکن است منفی باشد، در این صورت، بردارویژه جهت تحت تغییر مقیاس تغییر جهت می دهد، همچنین مقدار ویژه ممکن است صفر یا یک عدد مختلط باشد.

 
در این نگاشت برشی، بردا قرمز تغییر جهت داده اما بردار آبی بین دو تصویر بدون تغییر جهت است. بردار آبی رنگ بردارویژه این نگاشت برشی است چرا که تغییر جهت نداده. از آنجا که بردار آبی تغییر مقیاس هم نداده (یعنی طولش تغییر نیافته است)، پس مقدارویژه آن 1 خواهد بود.

تصویر مونا لیزا در اینجا، مثالی تصویری و شهودی ازین بحث است. تبدیل خطی در این مثال را نگاشت برشی می نامند. نقاط نیمه بالایی به سمت راست جابجا شده اند و نقاط نیمه پایینی به سمت چپ. میزان جابجایی نقاط متناسب با این است که به چه میزان از محور افقی فاصله دارند. بنابراین بردارهایی که به هر نقطه از تصویر اصلی اشاره کرده بودند، با این تبدیل (بسته به موقعیتشان) طولانی تر یا کوتاه تر می شوند. نقاطی که در طول محور افقی قرار دارند هیچ تغییر موقعیتی نمی دهند و جابجا نمی شوند. لذا، هر برداری که مستقیماً به راست یا چپ اشاره کنند و مؤلفه عمودیشان صفر باشد، بردار ویژه ای برای این تبدیل محسوب می شوند، چون تحت این تبدیل تغییر جهت نمی دهند. به علاوه، چنین نگاشتی باعث تغییر طول نیز نمی شود.

فضای برداری با بعد متناهیویرایش

در فضاهای برداری متناهی، می‌توانیم مسئله مقدارویژه ی را به شیوهٔ ضرب ماتریسی بنویسیم. ماتریس مربعی   نگاشت خطی است. بردار ناصفر   را بردارویژه   و عدد   را مقدارویژه آن می‌گوییم، چنانچه معادله ماتریسی زیر بین آن‌ها برقرار باشد:

 

در معادله ماتریسی حاضر دو مجهول وجود دارد: بردارویژه   و مقدارویژه  . پس حل یکتایی برای آن وجود ندارد.

برای نمونه:

ماتریس زیر را در نظر می‌گیریم:

 

معادله ماتریسی بالا خواهد شد:

 

ابتدا معادله را به صورت همگن درآورده و بردار

 

را که قرار است بردار ویژه ما باشد در فاکتور قرار می‌دهیم:

 

در واقع ما از ماتریس همانی (یکه) دوبعدی به‌خاطر حفظ طبیعت ماتریسی جمله‌ها استفاده کرده‌ایم. پس از ضرب   در ماتریس همانی و تفریق دو ماتریس داریم:

 

معادله ماتریسی حاصل حالتی خاص دارد. به منظور مقایسه و جهت وضوح در ادامه، معادله اسکالر بسیار ساده زیر را در نظر می‌گیریم:

 

که در اینجا   عددی ثابت است. متغیر مجهول  ، تنها و تنها، زمانی جواب غیر از صفر اختیار می‌کند که داشته باشیم:

 

که در این صورت، هر عددی جواب این معادله است.

برای معادله ماتریسی هم درست همین حالات را داریم. یعنی، برای وجود جواب‌های غیر صفر به بردار ویژه

 

لازم است که دترمینان ماتریس ضرایب صفر شود، و اقناع همین شرط است که به شکل‌یابی معادله مشخصه ماتریس   می‌انجامد. پس، داریم:

 

با حل این معادله درجه دوم دو جواب زیر برای دو مقدار ویژه ماتریس مفروض به‌دست می‌آیند:

 

نکات و اشاراتویرایش

تجزیه مقادیر ویژه را می‌توان تکنیکی بسیار مؤثر و قوی در تبدیل پیچیدگی به سادگی دانست. با نگاهی دقیق به این معادله می‌شود رمز این توانائی را تا حدودی دید:

ضرب ماتریس   در بردار   در سمت چپ (عملی سنگین) به ضرب تنها و تنها یک اسکالر ساده در همان بردار (عملی سبک و سریع) در سمت راست تقلیل یافته‌است.

اگر قرار باشد بردار A در ماتریس T به میزان n بار ضرب شود عمل به توان رساندن T از نظر محاسباتی بسیار پرهزینه و زمان‌بر است. اگر ماتریس T قطری باشد به توان رساندن ماتریس T برابر با، به توان‌رساندن قطر ماتریس است. در صورتی که T قطری نباشد برای کاهش حجم محاسبات و ساده‌سازی، باید از مقدار ویژه و بردار ویژه استفاده کرد.[۸]

فضاهای بی‌نهایت بعدیویرایش

توابع پیوسته ریاضی را می‌توان بردارهایی با تعداد بی‌نهایت مؤلفه در نظر گرفت، که در فضایی بی‌نهایت بعدی جای گرفته باشد. عمل‌گرهای قابل اعمال بر این‌گونه بردارها هم بی‌نهایت بعدی بوده و استفاده از مقدار ویژه‌های آن‌ها نقشی کارسازتر و پراهمیت‌تر به خود می‌گیرد.

عمل‌گر مشتق‌گیریویرایش

به عنوان یک مثال ساده و بسیار پر استفاده، عمل‌گر مشتق‌گیری از توابع مشتق‌پذیر ریاضی را در نظر می‌گیریم:

 

در این جا عمل‌گر   بر روی تابع مشتق‌پذیر   عمل نموده و تابع   را به دست داده است.

مقدارهای ویژه مرتبط با آن به همان صورتی که در مورد ماتریس‌ها دیدیم معرفی می‌شوند:

 

در این‌جا به سبب بی‌نهایت بودن بعد فضا، به جای بردار ویژه، عبارت تابع ویژه را داریم. در واقع در جستجوی توابعی هستیم که مشتق مرتبه اول آن‌ها مضربی از خودشان است. با اندکی توجه در می‌یابیم که عمومی‌ترین پاسخ در این‌جا عبارت است از:

 

چرا که داریم:

 

از همین نقطه است که مهم‌ترین و فراگیرترین تبدیل فیزیک ریاضی -تبدیل فوریه- تولد می‌یابد.

جستارهای وابستهویرایش

پانویسویرایش

  1. "Comprehensive List of Algebra Symbols". Math Vault. 2020-03-25. Retrieved 2020-08-19.
  2. Burden & Faires 1993, p. 401.
  3. Herstein 1964, pp. 228, 229.
  4. Nering 1970, p. 38.
  5. Weisstein, Eric W. "Eigenvalue". mathworld.wolfram.com. Retrieved 2020-08-19.
  6. Betteridge 1965.
  7. "Eigenvector and Eigenvalue". www.mathsisfun.com. Retrieved 2020-08-19.
  8. «Linear Algebra – Changing to the eigenbasis». دریافت‌شده در ۲۳ آوریل ۲۰۲۰.

منابعویرایش

برای مطالعه بیشترویرایش

پیوندهای بیرونیویرایش

نظریهویرایش

اپلت‌هاویرایش