固有値と固有ベクトル

当サイトではアフィリエイトプログラムを利用して商品を紹介しています。

 

行列の固有値と固有ベクトル

行列 $A=\begin{bmatrix}2&1\\1&2\end{bmatrix}$ によってベクトル $\boldsymbol{x}=\begin{bmatrix}x\\y\end{bmatrix}$ を 線型変換 してみます。
 
\[\begin{bmatrix}2&1\\1&2\end{bmatrix}\begin{bmatrix}x\\y\end{bmatrix}=x\begin{bmatrix}2\\1\end{bmatrix}+y\begin{bmatrix}1\\2\end{bmatrix}\]
右辺のベクトルは基底 $\begin{bmatrix}2\\1\end{bmatrix}$ と $\begin{bmatrix}1\\2\end{bmatrix}$ の線型結合を表しています。
 
たとえば、ベクトル $\begin{bmatrix}1\\1\end{bmatrix}$ を $A$ で変換することは、2 つの基底を同じ重みで加えることを意味します(下図)。 
 \[\begin{bmatrix}2&1\\1&2\end{bmatrix}\begin{bmatrix}1\\1\end{bmatrix}=\begin{bmatrix}2\\1\end{bmatrix}+\begin{bmatrix}1\\2\end{bmatrix}=3\begin{bmatrix}1\\1\end{bmatrix}\]
python 行列の固有値と固有ベクトル (eigenvalue and eigenvector) 1
 
ベクトル $\begin{bmatrix}1\\1\end{bmatrix}$ は自身を $3$ 倍に伸ばしたベクトルに変換されています。
$x$ と $y$ が等しい点、すなわち直線 $y=x$ 上の点を $A$ で変換すると、2 つの基底に同じ係数を掛けて加えることになるので、
 \[\begin{bmatrix}2\\2\end{bmatrix},\quad \begin{bmatrix}3\\3\end{bmatrix},\quad \begin{bmatrix}4\\4\end{bmatrix}\, \cdots\]
などもすべて $A$ によって自身を定数倍するようなベクトルですが、これらは $\begin{bmatrix}1\\1\end{bmatrix}$ に平行なベクトルなので本質的に同じものです。

しかし、下図にあるように基底 $\begin{bmatrix}1\\2\end{bmatrix}$ に $-1$ を掛けて、もう1つの基底 $\begin{bmatrix}2\\1\end{bmatrix}$ に加えると、
 \[\begin{bmatrix}2\\1\end{bmatrix}-\begin{bmatrix}1\\2\end{bmatrix}=\begin{bmatrix}1\\-1\end{bmatrix}\]
となるので、$\begin{bmatrix}1\\-1\end{bmatrix}$ もまた $A$ によって自身を変えない (回りくどい言い方をすれば自身を $1$ 倍する) ベクトルです。
固有値と固有ベクトル (eigenvector and eigenvalues)
このベクトルは $\begin{bmatrix}1\\1\end{bmatrix}$ に平行ではありません (線型独立です)。

固有値と固有ベクトルの求め方

一般に行列 $A$ と $\boldsymbol{0}$ でないベクトル $\boldsymbol{x}$ について、
 
\[A\boldsymbol{x}=\lambda\boldsymbol{x}\tag{1}\]
を満たすようなスカラー $\lambda$ を $A$ の 固有値 (eigenvalue)、ベクトル $\boldsymbol{x}$ を $A$ の 固有ベクトル (eigenvector) と定義します。ちなみにギリシャ文字 $\lambda$ は「ラムダ」とよびます。
 
(1) は 単位行列 $I$ を用いて
 \[A\boldsymbol{x}=\lambda I\boldsymbol{x}\tag{2}\]
と書くこともできます。$\lambda I \boldsymbol{x}$ を左辺に移項すると、
 \[(A-\lambda I)\boldsymbol{x}=\boldsymbol{0}\tag{3}\]
となります。ここで
 \[A-\lambda I=\begin{bmatrix}a&b\\c&d\end{bmatrix}\tag{4}\]
とおくと、方程式 (3) は
 \[x\begin{bmatrix}a\\c\end{bmatrix}+y\begin{bmatrix}b\\d\end{bmatrix}=\begin{bmatrix}0\\0\end{bmatrix}\tag{5}\]
と表せます。

このとき、$\begin{bmatrix}a\\c\end{bmatrix}$ と $\begin{bmatrix}b\\d\end{bmatrix}$ が線型独立の関係にあると、$x=y=0$ とする以外に 2 本のベクトルをつないで $\begin{bmatrix}0\\0\end{bmatrix}$ をつくることはできません。$\boldsymbol{x}$ は $\boldsymbol{0}$ でないという条件がついているので、$\begin{bmatrix}a\\c\end{bmatrix}$ と $\begin{bmatrix}b\\d\end{bmatrix}$ は線型従属である必要があります。『行列式』の記事で学んだように、この 2 本のベクトルが線型従属であることと、$A-\lambda I$ の行列式が $0$ であることは等価です。すなわち (3) は
 \[\det (A-\lambda I)=0\tag{6}\]
という方程式に置き換えられます。(6) を $A$ の 固有方程式 (characteristic equation) とよびます。

例として行列
 \[A=\begin{bmatrix}3&1\\2&4\end{bmatrix}\]
の固有値と固有ベクトルを求めてみましょう。$\det(A-\lambda I)$ を計算すると
 \[\begin{align*}\det(A-\lambda I)&=(3-\lambda)(4-\lambda)-2\\[6pt]&=\lambda^2-7\lambda+10\\[6pt]&=(\lambda-2)(\lambda-5)\end{align*}\]
なので、$\det(A-\lambda I)=0$ とおくと固有値 $\lambda=2,\ 5$ が得られます。$\lambda=2$ のときは
 \[\begin{bmatrix}3&1\\2&4\end{bmatrix}\begin{bmatrix}x\\y\end{bmatrix}=2\begin{bmatrix}x\\y\end{bmatrix}\tag{7}\]
という線型変換を満たすように $x$ と $y$ を決めます。
 \[\begin{align*}3x+2y&=2x\\[6pt]2x+4y&=2y\end{align*}\]
を解くと $y=-x$ が得られます。これは $y=-x$ の関係を満たすベクトルはすべて $A$ による変換で 2 倍に引き伸ばされることを意味します。たとえば $x=1$ を選べば、$y=-1$ なので、
 \[\begin{bmatrix}x\\y\end{bmatrix}=\begin{bmatrix}1\\-1\end{bmatrix}\tag{8}\]
が求める固有ベクトルのひとつです。同じようにして
 \[\begin{bmatrix}3&1\\2&4\end{bmatrix}\begin{bmatrix}x\\y\end{bmatrix}=5\begin{bmatrix}x\\y\end{bmatrix}\tag{9}\]
を解くと $y=2x$ が得られるので、(8) と線型独立な固有ベクトルとして
 \[\begin{bmatrix}x\\y\end{bmatrix}=\begin{bmatrix}1\\2\end{bmatrix}\tag{10}\]
を選ぶことができます。

numpy.linalg.eig()

numpy.linalg.eig() は行列の固有値と固有ベクトルをタプルで返します。

# numpy_eigenvalue_eigenvector

# In[1]

import numpy as np

# 2×2正方行列を定義
a = np.array([[3, 1],
              [2, 4]])

# aの固有値と固有ベクトル
# インデクス0に固有値、インデクス1に固有ベクトルが格納される
a_eig = np.linalg.eig(a)

# 固有値を表示
print("固有値 {}\n".format(a_eig[0]))

# 固有ベクトルを表示
print("固有ベクトル\n{}".format(a_eig[1]))

# 固有値 [2. 5.]

# 固有ベクトル
# [[-0.70710678 -0.4472136 ]
#  [ 0.70710678 -0.89442719]]

固有値 2 に対応する固有ベクトルは縦ベクトル
 
 [[-0.70710678],
  [0.70710678]]
 
であることに注意してください。

numpy.linalg.eigvals()

numpy.linalg.eigvals() は行列の固有値を返します。

# numpy_eigenvalue

# In[1]

import numpy as np

# 2×2正方行列を定義
b = np.array([[7, 11],
              [5,  9]])

# bの固有値
b_eig = np.linalg.eigvals(b)

print(b_eig)
# [ 0.51668523 15.48331477]

scipy.linalg.eig()

scipy.linalg.eig() は行列の固有値と固有ベクトルを返します。
戻り値のデータ型は常に complex (複素数型) です。

# scipy_eigenvalue_eigenvector

# In[1]

import numpy as np
from scipy import linalg

# 2×2正方行列を定義
a = np.array([[-5 + 2j, 7 + 1j],
              [      3, 1 + 3j]])

# aの固有値と固有ベクトル
a_eig = linalg.eig(a)

# 固有値を表示
print("固有値 {}\n".format(a_eig[0]))

# 固有ベクトルを表示
print("固有ベクトル\n{}".format(a_eig[1]))

# 固有値 [-7.48174295+1.95272881j  3.48174295+3.04727119j]

# 固有ベクトル
# [[ 0.94355342+0.j          0.6373659 +0.01214028j]
#  [-0.32872404+0.04058874j  0.77046565+0.j        ]]

scipy.linalg.eigvals()

scipy.linalg.eigvals() は行列の固有値を返します。
戻り値のデータ型は常に complex (複素数型) となります。

# scipy_eigenvalue

# In[1]

import numpy as np
from scipy import linalg

# 3×3正方行列を定義
b = np.array([[0, 4, 1],
              [7, 3, 5],
              [2, 7, 8]])

# bの固有値
b_eig = linalg.eigvals(b)

print(b_eig)
# [13.28705108+0.j -4.59598642+0.j  2.30893534+0.j]

 

コメント

  1. HNaito より:

    下記は誤植と思われますので、ご確認ください。
    (9)式と(10)式の間の文章で、(6)と線型独立 → (8)と線型独立

    • あとりえこばと より:

      ありがとうございます。
      さっそく、該当箇所を訂正させていただきました。