Власні значення матриці можна знаходити різними способами. Один із таких способів — метод Крилова. Його зручно використовувати тоді, коли характеристичний многочлен будують за допомогою спеціальної послідовності векторів.
На перший погляд, метод може здатися складним. Але його основна логіка досить зрозуміла. Спочатку ми будуємо кілька векторів за допомогою матриці \( A \). Потім на основі цих векторів складаємо систему лінійних рівнянь. Саме з неї знаходимо коефіцієнти характеристичного многочлена. А вже після цього отримуємо власні значення як корені характеристичного рівняння.
Власні Значення Матриці: Що Саме Знаходить Метод Крилова
Метод Крилова застосовують для квадратної матриці \( A \) порядку \( n \). Його головна мета — знайти характеристичний многочлен цієї матриці. Чому саме його? Тому що корені характеристичного многочлена і є власними значеннями матриці.
Нехай характеристичний многочлен матриці \( A \) має вигляд
\[
D(\lambda)=\det(\lambda\cdot I-A).
\]
Тут \( I \) — одинична матриця того самого порядку, що й матриця \( A \).
Після розкриття визначника отримуємо многочлен степеня \( n \):
\[
D(\lambda)
=
\lambda^{n}
+
p_1\cdot\lambda^{n-1}
+
p_2\cdot\lambda^{n-2}
+
p_3\cdot\lambda^{n-3}
+
\dots
+
p_n.
\]
Числа
\[
p_1,p_2,p_3,\dots,p_n
\]
є коефіцієнтами характеристичного многочлена. Саме їх спочатку потрібно знайти методом Крилова.
Отже, метод не починається з безпосереднього пошуку власних значень. Спочатку він допомагає визначити коефіцієнти многочлена. Після цього записують характеристичне рівняння
\[
D(\lambda)=0.
\]
Його корені
\[
\lambda_1,\lambda_2,\dots,\lambda_n
\]
і є власними значеннями матриці \( A \).
Таким чином, логіка методу має такий вигляд:
\[
A
\quad \longrightarrow \quad
D(\lambda)
\quad \longrightarrow \quad
D(\lambda)=0
\quad \longrightarrow \quad
\lambda_1,\lambda_2,\dots,\lambda_n.
\]
Тобто спочатку ми працюємо не з самими власними значеннями, а з характеристичним многочленом. Це важливо розуміти з самого початку, адже саме такий підхід лежить в основі методу Крилова.
Характеристичний Многочлен: Чому Працює Метод Крилова
Тепер потрібно пояснити, звідки береться основна рівність методу. Для цього використовують теорему Келі–Гамільтона. Вона стверджує, що кожна квадратна матриця задовольняє своє характеристичне рівняння.
Оскільки характеристичний многочлен має вигляд
\[
D(\lambda)
=
\lambda^{n}
+
p_1\cdot\lambda^{n-1}
+
p_2\cdot\lambda^{n-2}
+
p_3\cdot\lambda^{n-3}
+
\dots
+
p_n,
\]
то для самої матриці \( A \) можна записати:
\[
D(A)=0.
\]
Розпишемо цю рівність детальніше:
\[
A^{n}
+
p_1\cdot A^{n-1}
+
p_2\cdot A^{n-2}
+
p_3\cdot A^{n-3}
+
\dots
+
p_n\cdot I
=
0.
\]
Це матрична рівність. Вона показує, що степені матриці \( A \) пов’язані між собою через коефіцієнти характеристичного многочлена.
Інакше кажучи, числа
\[
p_1,p_2,p_3,\dots,p_n
\]
є коефіцієнтами цього зв’язку. Саме їх ми й шукаємо.
Проте працювати безпосередньо з матричним рівнянням не завжди зручно. Чому? Тому що воно містить степені матриці, а це може ускладнювати обчислення, особливо для матриць більшого порядку.
Саме тому в методі Крилова роблять наступний крок: переходять від матричної рівності до векторної. Для цього вводять початковий вектор і будують послідовність векторів, пов’язаних із матрицею \( A \).
Вектори Крилова: Перехід До Системи Рівнянь
Щоб перейти від матричної рівності до векторної, вибирають довільний ненульовий вектор
\[
y^{(0)}
=
\begin{pmatrix}
y_1^{(0)}\\
y_2^{(0)}\\
y_3^{(0)}\\
\vdots\\
y_n^{(0)}
\end{pmatrix}.
\]
Його розмірність має збігатися з порядком матриці \( A \). Тобто, якщо матриця має порядок \( n \), то вектор \( y^{(0)} \) також повинен мати \( n \) координат.
Для чого потрібен цей початковий вектор? Він запускає побудову всієї послідовності векторів. Далі кожен наступний вектор отримують множенням матриці \( A \) на попередній вектор.
Спочатку маємо
\[
y^{(1)}=A\cdot y^{(0)}.
\]
Потім
\[
y^{(2)}=A\cdot y^{(1)}.
\]
Далі
\[
y^{(3)}=A\cdot y^{(2)}.
\]
У загальному вигляді цей процес записують так:
\[
y^{(i)}=A\cdot y^{(i-1)},
\qquad
i=1,2,3,\dots,n.
\]
Оскільки кожне наступне множення додає ще один множник \( A \), то можна записати й так:
\[
y^{(i)}=A^{i}\cdot y^{(0)},
\qquad
i=1,2,3,\dots,n.
\]
У результаті отримуємо послідовність
\[
y^{(0)},y^{(1)},y^{(2)},\dots,y^{(n)}.
\]
Саме ці вектори називають векторами Крилова. Вони потрібні для того, щоб перетворити матричну рівність із теореми Келі–Гамільтона на зручнішу векторну рівність.
Тепер повернемося до рівності
\[
A^{n}
+
p_1\cdot A^{n-1}
+
p_2\cdot A^{n-2}
+
p_3\cdot A^{n-3}
+
\dots
+
p_n\cdot I
=
0.
\]
Помножимо її праворуч на початковий вектор \( y^{(0)} \). Отримаємо
\[
A^{n}\cdot y^{(0)}
+
p_1\cdot A^{n-1}\cdot y^{(0)}
+
p_2\cdot A^{n-2}\cdot y^{(0)}
+
p_3\cdot A^{n-3}\cdot y^{(0)}
+
\dots
+
p_n\cdot y^{(0)}
=
0.
\]
Тепер скористаємося позначенням
\[
A^{i}\cdot y^{(0)}=y^{(i)}.
\]
Тоді попередня рівність набуває простішого вигляду:
\[
y^{(n)}
+
p_1\cdot y^{(n-1)}
+
p_2\cdot y^{(n-2)}
+
p_3\cdot y^{(n-3)}
+
\dots
+
p_n\cdot y^{(0)}
=
0.
\]
Далі перенесемо \( y^{(n)} \) у праву частину:
\[
p_1\cdot y^{(n-1)}
+
p_2\cdot y^{(n-2)}
+
p_3\cdot y^{(n-3)}
+
\dots
+
p_n\cdot y^{(0)}
=
-y^{(n)}.
\]
Це вже векторна рівність. Вона є основою для складання системи лінійних рівнянь.
Оскільки кожен вектор має \( n \) координат, цю рівність можна записати як систему з \( n \) рівнянь. Невідомими в цій системі будуть коефіцієнти
\[
p_1,p_2,p_3,\dots,p_n.
\]
У координатній формі ця система має вигляд
\[
p_1\cdot y_j^{(n-1)}
+
p_2\cdot y_j^{(n-2)}
+
p_3\cdot y_j^{(n-3)}
+
\dots
+
p_n\cdot y_j^{(0)}
=
-y_j^{(n)},
\qquad
j=1,2,3,\dots,n.
\]
Або в матричній формі:
\[
\begin{pmatrix}
y_1^{(n-1)} & y_1^{(n-2)} & y_1^{(n-3)} & \dots & y_1^{(0)} \\
y_2^{(n-1)} & y_2^{(n-2)} & y_2^{(n-3)} & \dots & y_2^{(0)} \\
y_3^{(n-1)} & y_3^{(n-2)} & y_3^{(n-3)} & \dots & y_3^{(0)} \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
y_n^{(n-1)} & y_n^{(n-2)} & y_n^{(n-3)} & \dots & y_n^{(0)}
\end{pmatrix}
\cdot
\begin{pmatrix}
p_1\\
p_2\\
p_3\\
\vdots\\
p_n
\end{pmatrix}
=
–
\begin{pmatrix}
y_1^{(n)}\\
y_2^{(n)}\\
y_3^{(n)}\\
\vdots\\
y_n^{(n)}
\end{pmatrix}.
\]
Якщо ця система має єдиний розв’язок, то знайдені числа
\[
p_1,p_2,p_3,\dots,p_n
\]
є коефіцієнтами характеристичного многочлена матриці \( A \). Якщо ж система не має єдиного розв’язку, зазвичай обирають інший початковий вектор \( y^{(0)} \) і повторюють побудову векторів Крилова.
Отже, метод Крилова зводить задачу знаходження власних значень до побудови характеристичного многочлена через систему лінійних рівнянь. Спочатку формується послідовність векторів, потім за допомогою теореми Келі–Гамільтона отримується векторна рівність, а з неї — система для коефіцієнтів многочлена. На цьому завершується теоретична основа методу.
Практична Частина: Як Працює Метод Крилова На Прикладах
Тепер перейдемо від теоретичного пояснення до конкретних обчислень. На матрицях різного порядку покажемо, як застосовується метод Крилова та як поступово отримується характеристичний многочлен. Так легше побачити, як схема методу працює в обчисленнях.
Приклад 1. Знайти власні значення матриці методом Крилова
\[
A=
\begin{pmatrix}
2 & 1\\
1 & 2
\end{pmatrix}.
\]
Виберемо початковий ненульовий вектор
\[
y^{(0)}
=
\begin{pmatrix}
1\\
0
\end{pmatrix}.
\]
Такий вибір є зручним для обчислень, бо вектор простий і має потрібну розмірність. Оскільки матриця має другий порядок, потрібно побудувати вектори до \( y^{(2)} \) включно.
Спочатку знайдемо \( y^{(1)} \):
\[
y^{(1)}=A\cdot y^{(0)}
=
\begin{pmatrix}
2 & 1\\
1 & 2
\end{pmatrix}
\cdot
\begin{pmatrix}
1\\
0
\end{pmatrix}
=
\begin{pmatrix}
2\\
1
\end{pmatrix}.
\]
Тепер знайдемо \( y^{(2)} \):
\[
y^{(2)}=A\cdot y^{(1)}
=
\begin{pmatrix}
2 & 1\\
1 & 2
\end{pmatrix}
\cdot
\begin{pmatrix}
2\\
1
\end{pmatrix}
=
\begin{pmatrix}
5\\
4
\end{pmatrix}.
\]
Для матриці другого порядку характеристичний многочлен має вигляд
\[
D(\lambda)=\lambda^2+p_1\cdot\lambda+p_2.
\]
За методом Крилова використовуємо рівність
\[
p_1\cdot y^{(1)}+p_2\cdot y^{(0)}=-y^{(2)}.
\]
Підставимо знайдені вектори:
\[
p_1\cdot
\begin{pmatrix}
2\\
1
\end{pmatrix}
+
p_2\cdot
\begin{pmatrix}
1\\
0
\end{pmatrix}
=
–
\begin{pmatrix}
5\\
4
\end{pmatrix}.
\]
Отримаємо систему рівнянь:
\[
\begin{cases}
2\cdot p_1+p_2=-5,\\
p_1=-4.
\end{cases}
\]
З другого рівняння маємо
\[
p_1=-4.
\]
Підставимо це значення в перше рівняння:
\[
2\cdot(-4)+p_2=-5.
\]
Звідси
\[
\begin{gathered}
-8+p_2=-5,
\\[4pt]
p_2=3.
\end{gathered}
\]
Отже,
\[
p_1=-4,\qquad p_2=3.
\]
Тому характеристичний многочлен має вигляд
\[
D(\lambda)=\lambda^2-4\cdot\lambda+3.
\]
Запишемо характеристичне рівняння:
\[
\lambda^2-4\cdot\lambda+3=0.
\]
Розкладемо ліву частину на множники:
\[
\lambda^2-4\cdot\lambda+3
=
(\lambda-1)\cdot(\lambda-3).
\]
Тоді характеристичне рівняння можна записати так:
\[
(\lambda-1)\cdot(\lambda-3)=0.
\]
Тому для заданої матриці
\[
A=
\begin{pmatrix}
2 & 1\\
1 & 2
\end{pmatrix}
\]
власні значення дорівнюють
\[
\lambda_1=1,\qquad \lambda_2=3.
\]
Приклад 2. Знайти власні значення матриці методом Крилова
\[
A=
\begin{pmatrix}
1 & 0 & 0\\
0 & 2 & 0\\
0 & 0 & 3
\end{pmatrix}.
\]
Виберемо початковий вектор
\[
y^{(0)}
=
\begin{pmatrix}
1\\
1\\
1
\end{pmatrix}.
\]
Оскільки матриця має третій порядок, потрібно побудувати вектори \( y^{(1)} \), \( y^{(2)} \), \( y^{(3)} \).
Почнемо з обчислення \( y^{(1)} \):
\[
y^{(1)}=A\cdot y^{(0)}
=
\begin{pmatrix}
1 & 0 & 0\\
0 & 2 & 0\\
0 & 0 & 3
\end{pmatrix}
\cdot
\begin{pmatrix}
1\\
1\\
1
\end{pmatrix}
=
\begin{pmatrix}
1\\
2\\
3
\end{pmatrix}.
\]
Далі знайдемо \( y^{(2)} \):
\[
y^{(2)}=A\cdot y^{(1)}
=
\begin{pmatrix}
1 & 0 & 0\\
0 & 2 & 0\\
0 & 0 & 3
\end{pmatrix}
\cdot
\begin{pmatrix}
1\\
2\\
3
\end{pmatrix}
=
\begin{pmatrix}
1\\
4\\
9
\end{pmatrix}.
\]
І ще один вектор:
\[
y^{(3)}=A\cdot y^{(2)}
=
\begin{pmatrix}
1 & 0 & 0\\
0 & 2 & 0\\
0 & 0 & 3
\end{pmatrix}
\cdot
\begin{pmatrix}
1\\
4\\
9
\end{pmatrix}
=
\begin{pmatrix}
1\\
8\\
27
\end{pmatrix}.
\]
Для матриці третього порядку характеристичний многочлен записуємо так:
\[
D(\lambda)=\lambda^3+p_1\cdot\lambda^2+p_2\cdot\lambda+p_3.
\]
За методом Крилова маємо рівність
\[
p_1\cdot y^{(2)}
+
p_2\cdot y^{(1)}
+
p_3\cdot y^{(0)}
=
-y^{(3)}.
\]
Підставимо знайдені вектори:
\[
p_1\cdot
\begin{pmatrix}
1\\
4\\
9
\end{pmatrix}
+
p_2\cdot
\begin{pmatrix}
1\\
2\\
3
\end{pmatrix}
+
p_3\cdot
\begin{pmatrix}
1\\
1\\
1
\end{pmatrix}
=
–
\begin{pmatrix}
1\\
8\\
27
\end{pmatrix}.
\]
Звідси отримуємо систему:
\[
\begin{cases}
p_1+p_2+p_3=-1,\\
4\cdot p_1+2\cdot p_2+p_3=-8,\\
9\cdot p_1+3\cdot p_2+p_3=-27.
\end{cases}
\]
Розв’яжемо її. Від другого рівняння віднімемо перше:
\[
3\cdot p_1+p_2=-7.
\]
Від третього рівняння віднімемо друге:
\[
5\cdot p_1+p_2=-19.
\]
Тепер віднімемо першу з цих двох рівностей від другої:
\[
(5\cdot p_1+p_2)-(3\cdot p_1+p_2)=-19-(-7).
\]
Отримаємо
\[
\begin{gathered}
2\cdot p_1=-12,
\\[4pt]
p_1=-6.
\end{gathered}
\]
Підставимо \( p_1=-6 \) у рівність
\[
3\cdot p_1+p_2=-7.
\]
Маємо
\[
\begin{gathered}
3\cdot(-6)+p_2=-7,
\\[4pt]
-18+p_2=-7,
\\[4pt]
p_2=11.
\end{gathered}
\]
Тепер знайдемо \( p_3 \) з першого рівняння:
\[
p_1+p_2+p_3=-1.
\]
Підставимо знайдені значення:
\[
-6+11+p_3=-1.
\]
Звідси
\[
\begin{gathered}
5+p_3=-1,
\\[4pt]
p_3=-6.
\end{gathered}
\]
Отже,
\[
p_1=-6,\qquad p_2=11,\qquad p_3=-6.
\]
Тому характеристичний многочлен має вигляд
\[
D(\lambda)=\lambda^3-6\cdot\lambda^2+11\cdot\lambda-6.
\]
Запишемо характеристичне рівняння:
\[
\lambda^3-6\cdot\lambda^2+11\cdot\lambda-6=0.
\]
Ліву частину можна розкласти на множники:
\[
\lambda^3-6\cdot\lambda^2+11\cdot\lambda-6
=
(\lambda-1)\cdot(\lambda-2)\cdot(\lambda-3).
\]
Тоді характеристичне рівняння набуває вигляду
\[
(\lambda-1)\cdot(\lambda-2)\cdot(\lambda-3)=0.
\]
Тому для заданої матриці
\[
A=
\begin{pmatrix}
1 & 0 & 0\\
0 & 2 & 0\\
0 & 0 & 3
\end{pmatrix}
\]
власні значення дорівнюють
\[
\lambda_1=1,\qquad \lambda_2=2,\qquad \lambda_3=3.
\]
Зауваження. У цьому прикладі матриця є діагональною. Для такої матриці власні значення — це числа, розташовані на її головній діагоналі, тобто \( 1 \), \( 2 \) і \( 3 \). Тому отриманий результат легко перевірити без додаткових обчислень.
Приклад 3. Знайти власні значення матриці методом Крилова
\[
A=
\begin{pmatrix}
-3 & 4 & 2 & -7\\
-5 & 6 & 2 & -5\\
6 & -6 & -1 & 6\\
4 & -4 & -2 & 8
\end{pmatrix}.
\]
Виберемо початковий вектор
\[
y^{(0)}
=
\begin{pmatrix}
1\\
1\\
1\\
1
\end{pmatrix}.
\]
Оскільки матриця має четвертий порядок, потрібно побудувати вектори \( y^{(1)} \), \( y^{(2)} \), \( y^{(3)} \), \( y^{(4)} \).
Спочатку знайдемо \( y^{(1)} \):
\[
y^{(1)}=A\cdot y^{(0)}
=
\begin{pmatrix}
-3 & 4 & 2 & -7\\
-5 & 6 & 2 & -5\\
6 & -6 & -1 & 6\\
4 & -4 & -2 & 8
\end{pmatrix}
\cdot
\begin{pmatrix}
1\\
1\\
1\\
1
\end{pmatrix}
=
\begin{pmatrix}
-4\\
-2\\
5\\
6
\end{pmatrix}.
\]
Далі обчислимо \( y^{(2)} \):
\[
y^{(2)}=A\cdot y^{(1)}
=
\begin{pmatrix}
-3 & 4 & 2 & -7\\
-5 & 6 & 2 & -5\\
6 & -6 & -1 & 6\\
4 & -4 & -2 & 8
\end{pmatrix}
\cdot
\begin{pmatrix}
-4\\
-2\\
5\\
6
\end{pmatrix}
=
\begin{pmatrix}
-28\\
-12\\
19\\
30
\end{pmatrix}.
\]
Після цього знайдемо \( y^{(3)} \):
\[
y^{(3)}=A\cdot y^{(2)}
=
\begin{pmatrix}
-3 & 4 & 2 & -7\\
-5 & 6 & 2 & -5\\
6 & -6 & -1 & 6\\
4 & -4 & -2 & 8
\end{pmatrix}
\cdot
\begin{pmatrix}
-28\\
-12\\
19\\
30
\end{pmatrix}
=
\begin{pmatrix}
-136\\
-44\\
65\\
138
\end{pmatrix}.
\]
Далі побудуємо ще один вектор Крилова:
\[
y^{(4)}=A\cdot y^{(3)}
=
\begin{pmatrix}
-3 & 4 & 2 & -7\\
-5 & 6 & 2 & -5\\
6 & -6 & -1 & 6\\
4 & -4 & -2 & 8
\end{pmatrix}
\cdot
\begin{pmatrix}
-136\\
-44\\
65\\
138
\end{pmatrix}
=
\begin{pmatrix}
-604\\
-144\\
211\\
606
\end{pmatrix}.
\]
Для матриці четвертого порядку характеристичний многочлен має вигляд
\[
D(\lambda)
=
\lambda^4
+
p_1\cdot\lambda^3
+
p_2\cdot\lambda^2
+
p_3\cdot\lambda
+
p_4.
\]
За методом Крилова використовуємо рівність
\[
p_1\cdot y^{(3)}
+
p_2\cdot y^{(2)}
+
p_3\cdot y^{(1)}
+
p_4\cdot y^{(0)}
=
-y^{(4)}.
\]
Підставимо знайдені вектори:
\[
p_1\cdot
\begin{pmatrix}
-136\\
-44\\
65\\
138
\end{pmatrix}
+
p_2\cdot
\begin{pmatrix}
-28\\
-12\\
19\\
30
\end{pmatrix}
+
p_3\cdot
\begin{pmatrix}
-4\\
-2\\
5\\
6
\end{pmatrix}
+
p_4\cdot
\begin{pmatrix}
1\\
1\\
1\\
1
\end{pmatrix}
=
–
\begin{pmatrix}
-604\\
-144\\
211\\
606
\end{pmatrix}.
\]
Оскільки
\[
–
\begin{pmatrix}
-604\\
-144\\
211\\
606
\end{pmatrix}
=
\begin{pmatrix}
604\\
144\\
-211\\
-606
\end{pmatrix},
\]
то отримуємо систему лінійних рівнянь:
\[
\begin{cases}
-136\cdot p_1-28\cdot p_2-4\cdot p_3+p_4=604,\\
-44\cdot p_1-12\cdot p_2-2\cdot p_3+p_4=144,\\
65\cdot p_1+19\cdot p_2+5\cdot p_3+p_4=-211,\\
138\cdot p_1+30\cdot p_2+6\cdot p_3+p_4=-606.
\end{cases}
\]
Зауваження. У цьому прикладі детальне розв’язання системи лінійних рівнянь не наводимо, оскільки для матриці \( 4\times4 \) воно є дещо складнішим і більш громіздким, ніж у попередніх прикладах. Тому тут зосередимося саме на застосуванні методу Крилова, а розв’язок системи запишемо у готовому вигляді. За бажанням процес розв’язання цієї системи можна окремо перевірити за допомогою відповідного онлайн-інструмента, наприклад калькулятора методу Гауса.
Розв’язком цієї системи є
\[
p_1=-10,\qquad p_2=35,\qquad p_3=-50,\qquad p_4=24.
\]
Перевіримо ці значення підстановкою в перше рівняння:
\[
-136\cdot(-10)-28\cdot35-4\cdot(-50)+24=604.
\]
Справді,
\[
\begin{gathered}
1360-980+200+24=604,
\\[4pt]
604=604.
\end{gathered}
\]
Перевірка інших рівнянь виконується аналогічно. Оскільки ці значення задовольняють усю систему, вони справді є коефіцієнтами характеристичного многочлена.
Отже, характеристичний многочлен має вигляд
\[
D(\lambda)
=
\lambda^4
–
10\cdot\lambda^3
+
35\cdot\lambda^2
–
50\cdot\lambda
+
24.
\]
Запишемо характеристичне рівняння:
\[
\lambda^4
–
10\cdot\lambda^3
+
35\cdot\lambda^2
–
50\cdot\lambda
+
24
=
0.
\]
Розкладемо многочлен на множники:
\[
\lambda^4
–
10\cdot\lambda^3
+
35\cdot\lambda^2
–
50\cdot\lambda
+
24
=
(\lambda-1)\cdot(\lambda-2)\cdot(\lambda-3)\cdot(\lambda-4).
\]
Тоді характеристичне рівняння можна записати так:
\[
(\lambda-1)\cdot(\lambda-2)\cdot(\lambda-3)\cdot(\lambda-4)=0.
\]
Тому для заданої матриці
\[
A=
\begin{pmatrix}
-3 & 4 & 2 & -7\\
-5 & 6 & 2 & -5\\
6 & -6 & -1 & 6\\
4 & -4 & -2 & 8
\end{pmatrix}
\]
власні значення дорівнюють
\[
\lambda_1=1,\qquad
\lambda_2=2,\qquad
\lambda_3=3,\qquad
\lambda_4=4.
\]
Що Варто Розглянути Далі: Теми Для Продовження Навчання
Після методу Крилова варто розглянути й інші підходи до роботи з власними значеннями матриці. Це допоможе краще порівняти різні алгоритми й зрозуміти, у яких задачах кожен із них виглядає найзручніше.
- Метод Данилевського: Перехід до матриці Фробеніуса — У статті йтиметься про те, як матрицю перетворюють до форми Фробеніуса і через неї знаходять власні значення.
- Метод Левер’є: Коефіцієнти через сліди матриць — У статті буде пояснено, як за допомогою слідів степенів матриці знаходять коефіцієнти характеристичного многочлена.
- Метод Фадєєва: Власні значення через послідовні матриці — У статті йтиметься про алгоритм Фадєєва, який допомагає отримати характеристичний многочлен матриці крок за кроком.
Власні Значення Матриці: Від Блок-Схеми До Програмного Коду
Якщо ви захоплюєтеся програмуванням, спробуйте реалізувати алгоритм знаходження власних значень матриці методом Крилова за поданою блок-схемою у своїй улюбленій мові програмування. Це може бути Pascal, Python, Java, C++ або будь-яка інша мова. Головне — уважно простежити логіку алгоритму: введення матриці та початкового вектора, перевірка можливих помилок, побудова векторів Крилова, знаходження коефіцієнтів характеристичного многочлена та обчислення власних значень. Таке завдання допоможе не просто ознайомитися з теорією, а перетворити її на програмний інструмент.
