MathLabs

Đại số

Trị riêng và chéo hóa

Các vô hướng và vectơ đặc biệt bộc lộ dạng đơn giản nhất của một phép biến đổi tuyến tính.

Trực giácVectơ riêng thực chất là gì

Phần lớn các vectơ bị đẩy sang một hướng hoàn toàn mới khi phép biến đổi tuyến tính AA tác động lên chúng, thường vừa bị quay vừa bị kéo giãn. Nhưng với một vài hướng đặc biệt, phép biến đổi chỉ kéo giãn hoặc co lại vectơ dọc theo đúng đường thẳng nó đã nằm trên — không hề quay nó. Những hướng đặc biệt đó là các vectơ riêng của AA, và hệ số kéo giãn dọc theo mỗi hướng là trị riêng tương ứng: Av=λvA\mathbf{v} = \lambda \mathbf{v}. Hãy hình dung một tấm cao su bị kéo căng: hầu hết các điểm đánh dấu trượt sang ngang, nhưng vài đường trên tấm chỉ dài ra hoặc ngắn lại, vẫn nằm nguyên trên cùng một trục. Những trục đó chính là các vectơ riêng.

Bề mặt hình lòng chảo 3D sinh bởi một dạng toàn phương, có thể xoay để lộ ra các trục chính.
Với ma trận đối xứng (a12=a21a_{12}=a_{21}), hai trục phương riêng nét đứt màu xanh lá vuông góc với nhau: các vectơ nằm trên hai trục đó chỉ co giãn theo λ1,λ2\lambda_1, \lambda_2 mà không bị xoay.

Phổ thôngTừ hình ảnh hình học đến định nghĩa chính xác

Định nghĩa: Trị riêng và vectơ riêng

Cho AA là ma trận n×nn \times n. Một vectơ khác không v\mathbf{v} được gọi là vectơ riêng của AA nếu tồn tại vô hướng λ\lambda sao cho Av=λvA\mathbf{v} = \lambda \mathbf{v}; vô hướng λ\lambda là trị riêng gắn với v\mathbf{v}. Về mặt hình học, AA ánh xạ toàn bộ đường thẳng qua v\mathbf{v} vào chính nó, chỉ co giãn theo hệ số λ\lambda.

Av=λvA\mathbf{v} = \lambda \mathbf{v}

Viết lại phương trình định nghĩa thành (A−λI)v=0(A - \lambda I)\mathbf{v} = \mathbf{0} cho thấy v≠0\mathbf{v} \neq \mathbf{0} chỉ tồn tại khi A−λIA - \lambda I suy biến, tức khi định thức của nó bằng không: det⁡(A−λI)=0\det(A - \lambda I) = 0. Khai triển định thức này cho một đa thức bậc nn theo λ\lambda, gọi là đa thức đặc trưng; nghiệm của nó chính là các trị riêng của AA.

det⁡(A−λI)=0\det(A - \lambda I) = 0
Các dạng trị riêng và ý nghĩa hình học
Trường hợpÝ nghĩa hình học
nn trị riêng thực phân biệtnn trục co giãn độc lập; AA luôn chéo hóa được
Trị riêng lặp, không gian riêng đầy đủVẫn chéo hóa được: cả một mặt phẳng (hoặc chiều cao hơn) bị co giãn cùng hệ số
Trị riêng lặp, không gian riêng khiếm khuyếtKhông chéo hóa được: một số hướng bị trượt (shear), không chỉ co giãn
Cặp trị riêng phức liên hợpKhông có đường bất biến thực; phép biến đổi vừa quay vừa co giãn, giống một đường xoắn ốc

Đại họcChéo hóa và định lý phổ

Nếu λ1,…,λk\lambda_1, \dots, \lambda_k là các trị riêng phân biệt từng đôi một của AA với vectơ riêng v1,…,vk\mathbf{v}_1, \dots, \mathbf{v}_k, thì tập {v1,…,vk}\{\mathbf{v}_1, \dots, \mathbf{v}_k\} độc lập tuyến tính.

Vì sao đúng?

Mỗi vectơ riêng đánh dấu một hướng bất biến riêng với một hệ số co giãn riêng; nếu một hướng như vậy có thể dựng từ các hướng khác, việc áp dụng AA sẽ phải co giãn nó theo tất cả các hệ số khác nhau đó cùng lúc, điều không thể xảy ra trừ khi vectơ bằng không.

Chứng minh

Ta chứng minh bằng quy nạp theo kk. Với k=1k = 1, khẳng định hiển nhiên đúng: một vectơ khác không luôn độc lập tuyến tính.

Giả sử kết quả đúng với k−1k - 1 trị riêng phân biệt, và giả sử phản chứng rằng v1,…,vk\mathbf{v}_1, \dots, \mathbf{v}_k phụ thuộc tuyến tính. Khi đó tồn tại hệ thức c1v1+⋯+ckvk=0c_1 \mathbf{v}_1 + \cdots + c_k \mathbf{v}_k = \mathbf{0} với không phải mọi cic_i đều bằng không.

Áp dụng AA vào hai vế: vì Avi=λiviA\mathbf{v}_i = \lambda_i \mathbf{v}_i, ta được c1λ1v1+⋯+ckλkvk=0c_1 \lambda_1 \mathbf{v}_1 + \cdots + c_k \lambda_k \mathbf{v}_k = \mathbf{0}. Nhân hệ thức ban đầu với λk\lambda_k rồi trừ đi phương trình mới này; các số hạng chứa vk\mathbf{v}_k triệt tiêu chính xác, còn lại c1(λ1−λk)v1+⋯+ck−1(λk−1−λk)vk−1=0c_1(\lambda_1 - \lambda_k)\mathbf{v}_1 + \cdots + c_{k-1}(\lambda_{k-1} - \lambda_k)\mathbf{v}_{k-1} = \mathbf{0}.

Theo giả thiết quy nạp, v1,…,vk−1\mathbf{v}_1, \dots, \mathbf{v}_{k-1} độc lập tuyến tính, nên mọi hệ số trong hệ thức cuối phải triệt tiêu: ci(λi−λk)=0c_i(\lambda_i - \lambda_k) = 0 với mọi i<ki < k. Vì các trị riêng phân biệt từng đôi, λi−λk≠0\lambda_i - \lambda_k \neq 0, buộc ci=0c_i = 0 với mọi i<ki < k.

Thay ngược lại hệ thức ban đầu chỉ còn ckvk=0c_k \mathbf{v}_k = \mathbf{0}; vì vk≠0\mathbf{v}_k \neq \mathbf{0} theo định nghĩa vectơ riêng, nên ck=0c_k = 0. Mọi hệ số đều bằng không, mâu thuẫn với giả thiết không phải mọi cic_i triệt tiêu. Vậy không tồn tại hệ thức phụ thuộc như vậy, và các vectơ riêng độc lập tuyến tính.

Nếu AA là ma trận đối xứng thực n×nn \times n, A⊤=AA^\top = A, thì tồn tại ma trận trực giao QQ (nghĩa là Q⊤Q=IQ^\top Q = I) và ma trận đường chéo thực Λ\Lambda sao cho A=QΛQ⊤A = Q \Lambda Q^\top. Tương đương, AA có nn trị riêng thực và một cơ sở trực chuẩn gồm các vectơ riêng.

Vì sao đúng?

Ma trận đối xứng xuất hiện khắp nơi — ma trận hiệp phương sai, mô-men quán tính, ma trận Hesse của hàm trơn — và định lý này đảm bảo ta luôn có thể xoay sang một hệ tọa độ mà ma trận chỉ co giãn độc lập dọc theo các trục vuông góc, không hề trượt và không có hành vi phức tạp nào.

Chứng minh

Trước hết ta ghi nhận một bổ đề: mọi trị riêng của ma trận đối xứng thực đều là số thực. Nếu Av=λvA\mathbf{v} = \lambda \mathbf{v} với v≠0\mathbf{v} \neq \mathbf{0} có thể phức, xét v∗Av\mathbf{v}^{*}A\mathbf{v} với v∗\mathbf{v}^{*} là chuyển vị liên hợp. Vì AA thực và đối xứng, v∗Av=(v∗Av)∗\mathbf{v}^{*}A\mathbf{v} = (\mathbf{v}^{*}A\mathbf{v})^{*}, nên đại lượng này là số thực; nhưng nó cũng bằng λ v∗v\lambda \, \mathbf{v}^{*}\mathbf{v}, và v∗v>0\mathbf{v}^{*}\mathbf{v} > 0 là số thực dương, buộc λ\lambda phải là số thực.

Ta chứng minh định lý bằng quy nạp theo nn. Trường hợp n=1n = 1 hiển nhiên: mọi ma trận 1×11 \times 1 đã là ma trận đường chéo, với Q=(1)Q = (1).

Ở bước quy nạp, giả sử định lý đúng với mọi ma trận đối xứng thực cỡ n−1n - 1. Vì AA là ma trận đối xứng thực n×nn \times n, theo bổ đề đa thức đặc trưng của nó có nghiệm thực λ1\lambda_1; chọn một vectơ riêng tương ứng và chuẩn hóa thành vectơ đơn vị v1\mathbf{v}_1.

Gọi WW là phần bù trực giao của đường thẳng sinh bởi v1\mathbf{v}_1, một không gian con (n−1)(n-1) chiều. Ta khẳng định WW bất biến dưới AA: với mọi w∈W\mathbf{w} \in W (tức w⊤v1=0\mathbf{w}^\top \mathbf{v}_1 = 0), ta tính (Aw)⊤v1=w⊤A⊤v1=w⊤Av1=λ1w⊤v1=0(A\mathbf{w})^\top \mathbf{v}_1 = \mathbf{w}^\top A^\top \mathbf{v}_1 = \mathbf{w}^\top A \mathbf{v}_1 = \lambda_1 \mathbf{w}^\top \mathbf{v}_1 = 0, dùng tính đối xứng của AA ở bước giữa. Vậy AwA\mathbf{w} lại vuông góc với v1\mathbf{v}_1, tức Aw∈WA\mathbf{w} \in W.

Chọn một cơ sở trực chuẩn của WW; trong cơ sở này, hạn chế của AA lên WW được biểu diễn bởi ma trận (n−1)×(n−1)(n-1) \times (n-1) ký hiệu A′A', và A′A' đối xứng vì AA đối xứng (hạn chế một dạng song tuyến tính đối xứng lên không gian con, trong cơ sở trực chuẩn, vẫn giữ tính đối xứng). Theo giả thiết quy nạp, A′A' có cơ sở trực chuẩn gồm các vectơ riêng v2,…,vn\mathbf{v}_2, \dots, \mathbf{v}_n nằm trong WW, với các trị riêng thực λ2,…,λn\lambda_2, \dots, \lambda_n; vì WW bất biến dưới AA, đây cũng chính là các vectơ riêng thực sự của AA.

Gộp v1,v2,…,vn\mathbf{v}_1, \mathbf{v}_2, \dots, \mathbf{v}_n lại cho một cơ sở trực chuẩn của Rn\mathbb{R}^n gồm toàn vectơ riêng của AA. Xếp chúng làm các cột của ma trận QQ khiến QQ trực giao, và AQ=QΛAQ = Q\Lambda với Λ=diag(λ1,…,λn)\Lambda = \mathrm{diag}(\lambda_1, \dots, \lambda_n); vì Q−1=Q⊤Q^{-1} = Q^\top đối với ma trận trực giao, điều này sắp xếp lại đúng thành A=QΛQ⊤A = Q \Lambda Q^\top, hoàn tất phép quy nạp.

Đại họcỨng dụng thực tiễn và Ví dụ minh họa

Trị riêng và vectơ riêng là các biến số ẩn đằng sau tần số dao động của cầu và tòa nhà, thuật toán xếp hạng đằng sau tìm kiếm web, và các hướng chính dùng để nén dữ liệu.

Ví dụ: Tần số riêng của hệ hai khối lượng nối lò xo

Hai khối lượng bằng nhau mm trượt trên một đường không ma sát; mỗi khối nối với tường bằng một lò xo độ cứng kk, và hai khối cũng nối với nhau bằng lò xo thứ ba độ cứng kk. Tìm các tần số dao động riêng và mô tả các dạng dao động tương ứng.

Lời giải

Định luật II Newton cho các độ dịch chuyển x1,x2x_1, x_2 cho mx¨1=−2kx1+kx2m\ddot{x}_1 = -2kx_1 + kx_2 và mx¨2=kx1−2kx2m\ddot{x}_2 = kx_1 - 2kx_2, tức mx¨=−Kxm\ddot{\mathbf{x}} = -K\mathbf{x} với ma trận K=(2k−k−k2k)K = \begin{pmatrix} 2k & -k \\ -k & 2k \end{pmatrix}.

Tìm nghiệm dao động dạng x(t)=vcos⁡(ωt)\mathbf{x}(t) = \mathbf{v}\cos(\omega t) biến hệ thành bài toán trị riêng Kv=mω2vK\mathbf{v} = m\omega^2 \mathbf{v}, nên mω2m\omega^2 phải là trị riêng của KK. Phương trình đặc trưng det⁡(K−μI)=(2k−μ)2−k2=0\det(K - \mu I) = (2k-\mu)^2 - k^2 = 0 cho μ=3k\mu = 3k hoặc μ=k\mu = k.

Với μ=3k\mu = 3k: (K−3kI)v=0(K - 3kI)\mathbf{v} = 0 cho −kv1−kv2=0-k v_1 - k v_2 = 0, tức v=(1,−1)\mathbf{v} = (1,-1) — hai khối dao động ngược pha, và ω1=3k/m\omega_1 = \sqrt{3k/m}. Với μ=k\mu = k: (K−kI)v=0(K - kI)\mathbf{v}=0 cho kv1−kv2=0k v_1 - k v_2 = 0, tức v=(1,1)\mathbf{v} = (1,1) — hai khối dao động cùng pha, với ω2=k/m\omega_2 = \sqrt{k/m}.

Vậy hai vectơ riêng của KK chính là hai mode dao động chuẩn, và trị riêng của chúng xác định hai tần số riêng — đây chính là lý do bài toán này về bản chất là một bài toán trị riêng.

Ví dụ: PageRank như một vectơ riêng trội

Một mạng lưới nhỏ gồm ba trang A,B,CA, B, C liên kết như sau: AA liên kết đều đến BB và CC; BB chỉ liên kết đến CC; CC chỉ liên kết đến AA. Mô hình hóa người lướt web ngẫu nhiên bằng ma trận chuyển cột ngẫu nhiên và tìm tỉ lệ thời gian dài hạn dành cho mỗi trang.

Lời giải

Ma trận chuyển cột ngẫu nhiên (mỗi cột cho xác suất liên kết ra từ mỗi trang) là P=(0010.5000.510)P = \begin{pmatrix} 0 & 0 & 1 \\ 0.5 & 0 & 0 \\ 0.5 & 1 & 0 \end{pmatrix} (thứ tự hàng/cột A,B,CA,B,C). Xếp hạng ổn định π\boldsymbol{\pi} là vectơ riêng của PP ứng với trị riêng 11, thỏa Pπ=πP\boldsymbol{\pi} = \boldsymbol{\pi} và πA+πB+πC=1\pi_A + \pi_B + \pi_C = 1.

Viết Pπ=πP\boldsymbol{\pi} = \boldsymbol{\pi}: πC=πA\pi_C = \pi_A, 0.5πA=πB0.5\pi_A = \pi_B, và 0.5πA+πB=πC0.5\pi_A + \pi_B = \pi_C. Hai phương trình đầu đã cho πC=πA\pi_C = \pi_A và πB=0.5πA\pi_B = 0.5\pi_A; thay vào phương trình thứ ba xác nhận 0.5πA+0.5πA=πA=πC0.5\pi_A + 0.5\pi_A = \pi_A = \pi_C, nhất quán.

Đặt πA=x\pi_A = x cho πB=0.5x\pi_B = 0.5x, πC=x\pi_C = x, nên chuẩn hóa x+0.5x+x=2.5x=1x + 0.5x + x = 2.5x = 1 cho x=0.4x = 0.4. Xếp hạng ổn định là (πA,πB,πC)=(0.4,0.2,0.4)(\pi_A, \pi_B, \pi_C) = (0.4, 0.2, 0.4): hai trang AA và CC quan trọng ngang nhau và nhất, đúng như mong đợi vì chúng liên kết trực tiếp với nhau trong một chu trình chặt, trong khi BB chỉ nhận lưu lượng từ AA.

Đây chính xác là ý tưởng đằng sau PageRank: tầm quan trọng không được đếm bằng cách đếm liên kết, mà bằng cách tìm vectơ riêng trội (trị riêng 11) của ma trận chuyển liên kết, trong thực tế tìm được bằng cách nhân lặp lại với PP (phương pháp lũy thừa), luôn hội tụ về cùng một vectơ riêng chính bất kể ước lượng ban đầu.

Các trị riêng của A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix} là gì?

Tính chất hình học then chốt phân biệt vectơ riêng với vectơ thông thường dưới phép biến đổi tuyến tính AA là gì?

Trong mô hình PageRank, tại sao xếp hạng tầm quan trọng ổn định của các trang web tương ứng với một vectơ riêng?

Tại sao ma trận (1101)\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} không chéo hóa được, dù có trị riêng lặp λ=1\lambda = 1?

Tài liệu tham khảo

  1. Gilbert Strang (2016). Introduction to Linear Algebra
  2. Sheldon Axler (2015). Linear Algebra Done Right