Матрица — преобразование. Она поворачивает, растягивает, сжимает, отражает. Большинство векторов после умножения на матрицу меняют и длину, и направление. Но некоторые — только длину. Направление остаётся прежним.

Эти особенные векторы называются собственными. Они показывают «оси» преобразования — направления, вдоль которых матрица действует просто как масштабирование. Формально: вектор v — собственный для матрицы A, если

A · v = λ · v

Левая часть — матрица умножает вектор (сложное преобразование). Правая — вектор просто умножается на число λ (масштабирование). Результаты совпадают: матрица на этом направлении работает как обычное число.

Число λ — собственное значение. Оно говорит: «во сколько раз матрица растянула этот вектор». Если λ = 2 — удвоила. Если λ = −1 — развернула на 180° (длина та же, направление противоположное). Если λ = 0 — уничтожила (вектор стал нулевым).

Как найти собственные значения? Перепишем уравнение:

A·v = λ·v
A·v − λ·v = 0
(A − λI)·v = 0

Это однородная система. Она имеет ненулевое решение v только если матрица (A − λI) вырождена — то есть её определитель равен нулю:

det(A − λI) = 0

Это и есть характеристическое уравнение. Решаем его — находим λ. Подставляем λ обратно — находим v.

Разберём на примере. A = [[2, 1], [0, 3]]:

A − λI = [[2−λ, 1  ],
          [0,   3−λ]]

det(A − λI) = (2−λ)(3−λ) − 1·0 = (2−λ)(3−λ)

Приравниваем к нулю: (2−λ)(3−λ) = 0. Два решения: λ₁ = 2 и λ₂ = 3.

Теперь находим собственные векторы для каждого λ.

Для λ₁ = 2: решаем (A − 2I)·v = 0:

A − 2I = [[0, 1],
          [0, 1]]

Система: v₂ = 0. v₁ — любое.
Собственный вектор: v₁ = (1, 0) (или любой кратный).

Для λ₂ = 3: решаем (A − 3I)·v = 0:

A − 3I = [[−1, 1],
          [ 0, 0]]

Система: −v₁ + v₂ = 0, то есть v₂ = v₁.
Собственный вектор: v₂ = (1, 1) (или любой кратный).

Проверка: A·(1, 1) = (2·1 + 1·1, 0·1 + 3·1) = (3, 3) = 3·(1, 1) ✓

Характеристическое уравнение для матрицы 2×2 — квадратное. Для 3×3 — кубическое. Для n×n — степени n. Корни этого уравнения — собственные значения.

У квадратного уравнения может быть 2 корня, 1 (кратный) или 0 вещественных (комплексные). Поэтому у матрицы 2×2 может быть два разных собственных значения, одно кратное или ни одного вещественного.

Пример без вещественных собственных значений — матрица поворота на 90°:

R = [[ 0, −1],
     [ 1,  0]]

det(R − λI) = λ² + 1 = 0  →  λ = ±i

Корни мнимые. Это логично: поворот на 90° не оставляет ни одно направление неподвижным — каждый вектор поворачивается. Зачем это всё? Собственные значения — один из самых практичных инструментов линейной алгебры.

В физике: собственные частоты колебаний моста, здания, музыкального инструмента — это собственные значения матрицы жёсткости. Когда внешняя вибрация совпадает с собственной частотой — резонанс. Мост может разрушиться.

В анализе данных: метод главных компонент (PCA) находит собственные векторы ковариационной матрицы. Собственный вектор с наибольшим собственным значением — это направление максимального разброса данных. Второй по величине — направление следующего разброса, перпендикулярное первому. Так PCA находит «главные оси» данных.

В Google PageRank: рейтинг страниц — это собственный вектор матрицы ссылок. Каждый раз, когда вы ищете что-то в Google, на заднем плане работает именно это вычисление. Если у матрицы n×n нашлось n линейно независимых собственных векторов, её можно диагонализовать. Это значит: представить в виде A = P·D·P⁻¹, где D — диагональная матрица из собственных значений, а P — матрица из собственных векторов (в столбцах).

Для нашей матрицы A = [[2, 1], [0, 3]] с собственными парами (2, (1,0)) и (3, (1,1)):

P = [[1, 1],     D = [[2, 0],     P⁻¹ = [[ 1, −1],
     [0, 1]]          [0, 3]]             [ 0,  1]]

A = P · D · P⁻¹

Зачем это нужно? Потому что степень диагональной матрицы считается тривиально — каждый элемент на диагонали возводится в степень:

D¹⁰⁰ = [[2¹⁰⁰, 0   ],
         [0,    3¹⁰⁰]]

А значит:

A¹⁰⁰ = P · D¹⁰⁰ · P⁻¹

Сотая степень матрицы — за три умножения вместо ста. Для марковских цепей, динамических систем и рекуррентных соотношений это принципиально: нужно узнать состояние системы через 1000 шагов — а диагонализация даёт ответ мгновенно.

Пример: последовательность Фибоначчи. Пара (Fₙ, Fₙ₊₁) связана с предыдущей через матрицу [[0, 1], [1, 1]]. Диагонализуем её — и получим явную формулу для n-го числа Фибоначчи через золотое сечение φ = (1+√5)/2. Без диагонализации этот трюк не работает.

Подведём итог: собственные значения и векторы — это «рентген» матрицы. Они показывают её внутреннюю структуру: вдоль каких направлений она растягивает, сжимает или отражает, и с какой силой.

Определитель — произведение всех собственных значений. След — их сумма. Обратимость — все ли они ненулевые. Устойчивость динамической системы — все ли они по модулю меньше единицы. Одно понятие — и из него следует почти всё остальное.

Собственный вектор: A·v = λ·v. Направление, которое матрица не поворачивает — только масштабирует.

Собственное значение λ: коэффициент масштабирования. Находится из det(A − λI) = 0.

Характеристическое уравнение для n×n — полином степени n. Корни — собственные значения.

Связь: сумма λ = след, произведение λ = определитель.