Понятие и свойства собственных чисел и векторов
Лекция 9.
Линейные преобразования координат. Собственные векторы и собственные числа матрицы, их свойства. Характеристический многочлен матрицы, его свойства.
Будем говорить, что на множестве векторов R задано преобразование А , если каждому вектору х R по некоторому правилу поставлен в соответствие вектор Ах R .
Определение 9.1. Преобразование А называется линейным , если для любых векторов х и у и для любого действительного числа λ выполняются равенства:
А( х + у )=Ах + Ау ,А(λх ) = λ Ах . (9.1)
Определение 9.2. Линейное преобразование называется тождественным , если оно преобразует любой вектор х в самого себя.
Тождественное преобразование обозначается Е:Ех = х .
Рассмотрим трехмерное пространство с базисом е 1 , е 2 , е 3 , в котором задано линейное преобразование А . Применив его к базисным векторам, мы получим векторы Ае 1 , Ае 2 , Ае 3 , принадлежащие этому трехмерному пространству. Следовательно, каждый из них можно единственным образом разложить по векторам базиса:
Ае 1 = а 11 е 1 + а 21 е 2 +а 31 е 3 ,
Ае 2 = а 12 е 1 + а 22 е 2 + а 32 е 3 ,(9.2)
Ае 3 = а 13 е 1 + а 23 е 2 + а 33 е 3 .
Матрица называется матрицей
линейного преобразования А
в базисе е 1
,
е 2
, е 3
.
Столбцы
этой матрицы составлены из коэффициентов в формулах (9.2) преобразования
базиса.
Замечание. Очевидно, что матрицей тождественного преобразования является единичная матрица Е .
Для произвольного вектора х =х 1 е 1 + х 2 е 2 + х 3 е 3 результатом применения к нему линейного преобразования А будет вектор Ах , который можно разложить по векторам того же базиса:Ах =х` 1 е 1 + х` 2 е 2 + х` 3 е 3 , где координаты x ` i можно найти по формулам:
х ` 1 = a 11 x 1 + a 12 x 2 + a 13 x 3 ,
x` 2 = a 21 x 1 + a 22 x 2 + a 23 x 3 ,(9.3)
x ` 3 = a 31 x 1 + a 32 x 2 + a 33 x 3 .
Коэффициенты в формулах этого линейного преобразования являются элементами строк матрицы А .
Преобразование матрицы линейного преобразования
при переходе к новому базису.
Рассмотрим линейное преобразование А и два базиса в трехмерном пространстве: е 1 , е 2 , е 3 и е 1 , е 2 , е 3 . Пусть матрица С задает формулы перехода от базиса { e k } к базису { e k }. Если в первом из этих базисов выбранное линейное преобразование задается матрицей А , а во втором – матрицей А , то можно найти связь между этими матрицами, а именно:
А = С -1 А С(9.4)
Действительно, , тогда А
. С другой стороны, результаты применения одного и того же
линейного преобразования А
в базисе {
e
k
}, т.е. , и в базисе {
e
k
}: соответственно - связаны матрицей С
:
, откуда следует, что СА=А
С
. Умножая обе части
этого равенства слева на С
-1 , получимС
-1
СА= = С
-1 А
С
, что
доказывает справедливость формулы (9.4).
Собственные числа и собственные векторы матрицы.
Определение 9.3. Вектор х называется собственным вектором матрицы А , если найдется такое число λ, что выполняется равенство: Ах = λх , то есть результатом применения к х линейного преобразования, задаваемого матрицей А , является умножение этого вектора на число λ . Само число λ называется собственным числом матрицы А .
Подставив в формулы (9.3) x ` j = λ x j , получим систему уравнений для определения координат собственного вектора:
.
Отсюда
.(9.5)
Эта линейная однородная система будет иметь нетривиальное решение только в случае, если ее главный определитель равен 0 (правило Крамера). Записав это условие в виде:
получим уравнение для определения собственных чисел λ , называемое характеристическим уравнением . Кратко его можно представить так:
| A -λ E | = 0,(9.6)
поскольку в его левой части стоит определитель матрицы А- λЕ . Многочлен относительно λ| A -λ E | называется характеристическим многочленом матрицы А.
Свойства характеристического многочлена:
1)
Характеристический
многочлен линейного преобразования не зависит от выбора базиса.Доказательство.
(с
м. (9.4)), но
следовательно, . Таким образом, не зависит от выбора
базиса. Значит, и |
A
-λ
E
| не изменяется при переходе к новому базису.
2) Если матрица А линейного преобразования является симметрической (т.е. а ij = a ji ), то все корни характеристического уравнения (9.6) – действительные числа.
Свойства собственных чисел и собственных векторов:
1) Если выбрать базис из собственных векторов х 1 , х 2 , х 3 , соответствующих собственным значениямλ 1 , λ 2 , λ 3 матрицы А , то в этом базисе линейное преобразование А имеет матрицу диагонального вида:
(9.7)Доказательство этого свойства следует из определения собственных векторов.
2) Если собственные значения преобразования А различны, то соответствующие им собственные векторы линейно независимы.
3) Если характеристический многочлен матрицы А имеет три различных корня, то в некотором базисе матрица А имеет диагональный вид.
Пример.
Найдем собственные числа и собственные векторы матрицы С
оставим
характеристическое уравнение: (1-
λ
)(5 - λ
)(1 - λ
) + 6 - 9(5 - λ
)
- (1 - λ
) - (1 - λ
) = 0, λ
³ - 7λ
²
+ 36 = 0, λ
1 = -2, λ
2 = 3, λ
3
= 6.
Найдем координаты собственных векторов, соответствующих каждому найденному значению λ. Из (9.5) следует, что если х (1) ={ x 1 , x 2 , x 3 } – собственный вектор, соответствующий λ 1 =-2, то
- совместная, но
неопределенная система. Ее решение можно записать в виде х
(1)
={
a
,0,-
a
}, где а –
любое число. В частности, если потребовать, чтобы |
x
(1)
|=1, х
(1)
=
Подставив в систему (9.5) λ 2 =3, получим систему для определения координат второго собственного вектора- x (2) ={ y 1 , y 2 , y 3
Нахождение собственных чисел и собственных векторов матриц – одна из наиболее сложных задач линейной алгебры, возникающих в процессе моделирования и анализа процессов функционирования динамических систем, статистического моделирования. Так, например, собственные векторы ковариационной матрицы случайного вектора определяют направления главных осей гиперэллипсоида рассеивания значений этого вектора, а собственные числа – растяжение или сжатие гиперэллипсоида по его главным осям. В механике собственные векторы и числа тензора инерции характеризуют направление главных осей и главные моменты инерции твёрдого тела.
Различают полную (алгебраическую или, иначе, матричную ) проблему собственных значений , предполагающую нахождение всех собственных пар некоторой матрицы , и частичные проблемы собственных значений , состоящие, как правило, в нахождении одного или нескольких собственных чисел и, возможно, соответствующих им собственных векторов . Чаще всего, в последнем случае речь идет о нахождении наибольшего и наименьшего по модулю собственных чисел; знание таких характеристик матрицы позволяет, например, делать заключения о сходимости тех или иных итерационных методов, оптимизировать их параметры и т.д.
Задачу на собственные значения можно сформулировать так: для каких ненулевых векторов и чисел линейное преобразование вектора с помощью матрицы не изменяет направления этого вектора в пространстве, а сводится лишь «растяжению» этого вектора в раз? Ответ на этот вопрос заключается в нетривиальных решениях уравнения
, (1.2)
где – единичная матрица. Теоретически эта задача легко решаема: нужно найти корни так называемого характеристического уравнения
(1.3)
и, подставляя их поочередно в (1.2), получать из соответствующих переопределенных систем собственные векторы.
Практическая реализация такого подхода сопряжена с рядом трудностей, возрастающих с ростом размерности решаемой задачи. Трудности эти обусловлены развертыванием определителя и вычислением корней получающегося при этом многочлена n
-й степени, а также поиском линейно независимых решений вырожденных систем линейных алгебраических уравнений. В связи с этим, такой непосредственный подход к решению алгебраической проблемы собственных значений обычно применяют лишь при очень малых размерах матриц (n
= 2, 3). Уже при n
> 4 на первый план выходят специальные численные методы решения таких задач, один из которых, опирающийся на матричное преобразование подобия
, будет рассмотрен далее. Напомним, что подобными
называются матрицы и
, где С
– произвольная невырожденная матрица.
Перечислим кратко основные свойства собственных чисел и векторов:
1. Если – собственная пара матрицы А
, а
– некоторое число, то
также является собственной парой для А
. Это означает, что каждому собственному числу соответствует бесчисленное множество собственных векторов, различающихся лишь скалярным множителем.
2. Пусть – собственная пара матрицы
, где – некоторое действительное число. Тогда
– собственная пара матрицы А
. Таким образом, прибавление к данной матрице А
диагональной матрицы не изменяет ее собственных векторов и смещает спектр
исходной матрицы на число (влево при
). Спектром матрицы называется множество всех ее собственных значений.
3. Если – собственная пара обратимой матрицы , то
– собственная пара матрицы .
4. Собственными числами диагональных и треугольных матриц являются их диагональные элементы, т.к. характеристическое уравнение (1.3) с учётом (1.1) для таких матриц может быть записано в виде:
.
Последнее равенство показывает, что диагональные и треугольные вещественные матрицы имеют только вещественные собственные значения (ровно n с учетом возможной их кратности). Вещественность собственных чисел присуща и очень важному в приложениях классу симметричных матриц, к числу которых относятся ковариационные матрицы и тензоры инерции.
5. Если – собственная пара матрицы
, то
– собственная пара матрицы А
Таким образом, преобразование подобия сохраняет неизменным спектр любой матрицы.
6. Пусть А
– матрица простой структуры размерности , а матрицы
и
образованы из ее собственных чисел и собственных векторов соответственно. Тогда справедливо равенство
. Так как для диагональной матрицы , образованной из собственных чисел, собственными векторами могут служить единичные векторы исходного базиса (
,
), то, используя свойство 5 и принимая
и
(т.е.
), свойство 6 можно сформулировать иначе: если
является собственной парой матрицы , то
есть собственная пара матрицы А
.
Собственные значения (числа) и собственные векторы.
Примеры решений
Будь собой
Из обоих уравнений следует, что .
Положим , тогда: .
В результате: – второй собственный вектор.
Повторим важные моменты решения:
– полученная система непременно имеет общее решение (уравнения линейно зависимы);
– «игрек» подбираем таким образом, чтобы он был целым и первая «иксовая» координата – целой, положительной и как можно меньше.
– проверяем, что частное решение удовлетворяет каждому уравнению системы.
Ответ
.
Промежуточных «контрольных точек» было вполне достаточно, поэтому проверка равенств , в принципе, дело излишнее.
В различных источниках информации координаты собственных векторов довольно часто записывают не в столбцы, а в строки, например: (и, если честно, я сам привык записывать их строками)
. Такой вариант приемлем, но в свете темы линейных преобразований
технически удобнее использовать векторы-столбцы
.
Возможно, решение показалась вам очень длинным, но это только потому, что я очень подробно прокомментировал первый пример.
Пример 2
Матрицы
Тренируемся самостоятельно! Примерный образец чистового оформления задачи в конце урока.
Иногда требуется выполнить дополнительное задание, а именно:
записать каноническое разложение матрицы
Что это такое?
Если собственные векторы матрицы образуют базис , то она представима в виде:
Где – матрица составленная из координат собственных векторов, – диагональная матрица с соответствующими собственными числами.
Такое разложение матрицы называют каноническим или диагональным .
Рассмотрим матрицу первого примера. Её собственные векторы линейно независимы
(неколлинеарны)и образуют базис. Составим матрицу из их координат:
На главной диагонали
матрицы в соответствующем порядке
располагаются собственные числа, а остальные элементы равняются нулю:
– ещё раз подчёркиваю важность порядка: «двойка» соответствует 1-му вектору и посему располагается в 1-м столбце, «тройка» – 2-му вектору.
По обычному алгоритму нахождения обратной матрицы
либо методом Гаусса-Жордана
находим . Нет, это не опечатка! – перед вами редкое, как солнечное затмение событие, когда обратная совпала с исходной матрицей.
Осталось записать каноническое разложение матрицы :
Систему можно решить с помощью элементарных преобразований и в следующих примерах мы прибегнем к данному методу. Но здесь гораздо быстрее срабатывает «школьный» способ. Из 3-го уравнения выразим: – подставим во второе уравнение:
Поскольку первая координата нулевая, то получаем систему , из каждого уравнения которой следует, что .
И снова обратите внимание на обязательное наличие линейной зависимости
. Если получается только тривиальное решение , то либо неверно найдено собственное число, либо с ошибкой составлена / решена система.
Компактные координаты даёт значение
Собственный вектор:
И ещё раз – проверяем, что найденное решение удовлетворяет каждому уравнению системы
. В последующих пунктах и в последующих задачах рекомендую принять данное пожелание за обязательное правило.
2) Для собственного значения по такому же принципу получаем следующую систему:
Из 2-го уравнения системы выразим: – подставим в третье уравнение:
Поскольку «зетовая» координата равна нулю, то получаем систему , из каждого уравнения которой следует линейная зависимость .
Пусть
Проверяем, что решение удовлетворяет каждому уравнению системы.
Таким образом, собственный вектор: .
3) И, наконец, собственному значению соответствует система:
Второе уравнение выглядит самым простым, поэтому из него выразим и подставим в 1-е и 3-е уравнение:
Всё хорошо – выявилась линейная зависимость , которую подставляем в выражение :
В результате «икс» и «игрек» оказались выражены через «зет»: . На практике не обязательно добиваться именно таких взаимосвязей, в некоторых случаях удобнее выразить и через либо и через . Или даже «паровозиком» – например, «икс» через «игрек», а «игрек» через «зет»
Положим , тогда:
Проверяем, что найденное решение удовлетворяет каждому уравнению системы и записываем третий собственный вектор
Ответ
: собственные векторы:
Геометрически эти векторы задают три различных пространственных направления («туда-обратно») , по которым линейное преобразование переводит ненулевые векторы (собственные векторы) в коллинеарные им векторы.
Если бы по условию требовалось найти каноническое разложение , то здесь это возможно, т.к. различным собственным числам соответствуют разные линейно независимые собственные векторы. Составляем матрицу из их координат, диагональную матрицу
из соответствующих
собственных значений и находим обратную матрицу
.
Если же по условию нужно записать матрицу линейного преобразования в базисе из собственных векторов , то ответ даём в виде . Разница есть, и разница существенная! Ибо оная матрица – есть матрица «дэ».
Задача с более простыми вычислениями для самостоятельного решения:
Пример 5
Найти собственные векторы линейного преобразования, заданного матрицей
При нахождении собственных чисел постарайтесь не доводить дело до многочлена 3-й степени. Кроме того, ваши решения систем могут отличаться от моих решений – здесь нет однозначности; и векторы, которые вы найдёте, могут отличаться от векторов образца с точностью до пропорциональности их соответствующих координат. Например, и . Эстетичнее представить ответ в виде , но ничего страшного, если остановитесь и на втором варианте. Однако всему есть разумные пределы, версия смотрится уже не очень хорошо.
Примерный чистовой образец оформления задания в конце урока.
Как решать задачу в случае кратных собственных чисел?
Общий алгоритм остаётся прежним, но здесь есть свои особенности, и некоторые участки решения целесообразно выдержать в более строгом академичном стиле:
Пример 6
Найти собственные числа и собственные векторы
Решение
Конечно же, оприходуем сказочный первый столбец:
И, после разложения квадратного трёхчлена на множители:
В результате получены собственные числа , два из которых кратны.
Найдем собственные векторы:
1) С одиноким солдатом разделаемся по «упрощённой» схеме:
Из последних двух уравнений четко просматривается равенство , которое, очевидно, следует подставить в 1-е уравнение системы:
Лучшей комбинации не найти:
Собственный вектор:
2-3) Теперь снимаем пару часовых. В данном случае может получиться либо два, либо один
собственный вектор. Невзирая на кратность корней, подставим значение в определитель , который приносит нам следующую однородную систему линейных уравнений
:
Собственные векторы – это в точности векторы
фундаментальной системы решений
Собственно, на протяжении всего урока мы только и занимались тем, что находили векторы фундаментальной системы. Просто до поры до времени данный термин особо не требовался. Кстати, те ловкие студенты, которые в маскхалатах проскочили тему однородных уравнений , будут вынуждены вкурить её сейчас.
Единственное действие состояло в удалении лишних строк. В результате получена матрица «один на три» с формальной «ступенькой» посередине.
– базисная переменная, – свободные переменные. Свободных переменных две, следовательно, векторов фундаментальной системы тоже два
.
Выразим базисную переменную через свободные переменные: . Нулевой множитель перед «иксом» позволяет принимать ему совершенно любые значения (что хорошо видно и из системы уравнений).
В контексте данной задачи общее решение удобнее записать не в строку, а в столбец:
Паре соответствует собственный вектор:
Паре соответствует собственный вектор:
Примечание
: искушенные читатели могут подобрать данные векторы и устно – просто анализируя систему , но тут нужны некоторые знания: переменных – три, ранг матрицы системы
– единица, значит, фундаментальная система решений
состоит из 3 – 1 = 2 векторов. Впрочем, найдённые векторы отлично просматриваются и без этих знаний чисто на интуитивном уровне. При этом даже «красивее» запишется третий вектор: . Однако предостерегаю, в другом примере простого подбора может и не оказаться, именно поэтому оговорка предназначена для опытных людей. Кроме того, а почему бы не взять в качестве третьего вектора, скажем, ? Ведь его координаты тоже удовлетворяют каждому уравнение системы, и векторы
линейно независимы. Такой вариант, в принципе, годен, но «кривоват», поскольку «другой» вектор представляет собой линейную комбинацию векторов фундаментальной системы.
Ответ
: собственные числа: , собственные векторы:
Аналогичный пример для самостоятельного решения:
Пример 7
Найти собственные числа и собственные векторы
Примерный образец чистового оформления в конце урока.
Следует отметить, что и в 6-м и в 7-м примере получается тройка линейно независимых собственных векторов, и поэтому исходная матрица представима в каноническом разложении . Но такая малина бывает далеко не во всех случаях:
Пример 8
Решение
: составим и решим характеристическое уравнение:
Определитель раскроем по первому столбцу:
Дальнейшие упрощения проводим согласно рассмотренной методике, избегая многочлена 3-й степени: – собственные значения.
Найдем собственные векторы:
1) С корнем затруднений не возникает:
Не удивляйтесь, помимо комплекта в ходу также переменные – разницы тут никакой.
Из 3-го уравнения выразим – подставим в 1-е и 2-е уравнения:
Из обоих уравнений следует:
Пусть , тогда:
2-3) Для кратных значений получаем систему .
Запишем матрицу системы и с помощью элементарных преобразований приведём её к ступенчатому виду:
Линейные преобразования координат. Собственные векторы и собственные числа матрицы, их свойства. Характеристический многочлен матрицы, его свойства.
Будем говорить, что на множестве
векторов R
заданопреобразование
А
, если
каждому векторух
R
по некоторому правилу поставлен в
соответствие векторА
х
R
.
Определение 9.1. ПреобразованиеА называетсялинейным , если для любых векторовх иу и для любого действительного числаλ выполняются равенства:
А(х + у )=А х + А у ,А(λ х ) =λ А х . (9.1)
Определение 9.2. Линейное преобразование называетсятождественным , если оно преобразует любой векторх в самого себя.
Тождественное преобразование обозначается Е: Е х = х .
Рассмотрим трехмерное пространство с базисом е 1 , е 2 , е 3 , в котором задано линейное преобразованиеА . Применив его к базисным векторам, мы получим векторыА е 1 , А е 2 , А е 3 , принадлежащие этому трехмерному пространству. Следовательно, каждый из них можно единственным образом разложить по векторам базиса:
А е 1 = а 11 е 1 + а 21 е 2 +а 31 е 3 ,
А е 2 = а 12 е 1 + а 22 е 2 + а 32 е 3 , (9.2)
А е 3 = а 13 е 1 + а 23 е 2 + а 33 е 3 .
Матрица
называетсяматрицей линейного
преобразования
А
в базисее
1
,
е
2
,
е
3
.
Столбцы этой матрицы
составлены из коэффициентов в формулах
(9.2) преобразования базиса.
Замечание. Очевидно, что матрицей тождественного преобразования является единичная матрица Е .
Для произвольного вектора х =х 1 е 1 + х 2 е 2 + х 3 е 3 результатом применения к нему линейного преобразованияА будет векторА х , который можно разложить по векторам того же базиса:А х =х` 1 е 1 + х` 2 е 2 + х` 3 е 3 , где координатыx ` i можно найти по формулам:
х ` 1 = a 11 x 1 + a 12 x 2 + a 13 x 3 ,
x` 2 = a 21 x 1 + a 22 x 2 + a 23 x 3 , (9.3)
x ` 3 = a 31 x 1 + a 32 x 2 + a 33 x 3 .
Коэффициенты в формулах этого линейного преобразования являются элементами строк матрицы А .
Преобразование матрицы линейного преобразования
при переходе к новому базису.
Рассмотрим линейное преобразование А и два базиса в трехмерном пространстве: е 1 , е 2 , е 3 ие 1 , е 2 , е 3 . Пусть матрица С задает формулы перехода от базиса {e k } к базису {e k }. Если в первом из этих базисов выбранное линейное преобразование задается матрицей А, а во втором – матрицейА , то можно найти связь между этими матрицами, а именно:
А = С -1 А С (9.4)
Действительно,
,
тогдаА
.
С другой стороны, результаты применения
одного и того же линейного преобразованияА
в базисе {e
k
},
т.е.
,
и в базисе {e
k
}:
соответственно
- связаны матрицейС
:
,
откуда следует, чтоСА=
А
С
.
Умножая обе части этого равенства слева
наС
-1 , получимС
- 1
СА
= = С
-1 А
С
, что доказывает
справедливость формулы (9.4).
Собственные числа и собственные векторы матрицы.
Определение 9.3. Векторх называетсясобственным вектором матрицыА , если найдется такое числоλ, что выполняется равенство:А х = λ х , то есть результатом применения кх линейного преобразования, задаваемого матрицейА , является умножение этого вектора на числоλ . Само числоλ называетсясобственным числом матрицыА .
Подставив в формулы (9.3) x ` j = λ x j , получим систему уравнений для определения координат собственного вектора:
.
.
(9.5)
Эта линейная однородная система будет иметь нетривиальное решение только в случае, если ее главный определитель равен 0 (правило Крамера). Записав это условие в виде:
получим уравнение для определения собственных чисел λ , называемоехарактеристическим уравнением . Кратко его можно представить так:
| A - λ E | = 0, (9.6)
поскольку в его левой части стоит определитель матрицы А-λЕ . Многочлен относительноλ | A - λ E | называетсяхарактеристическим многочленом матрицы А.
Свойства характеристического многочлена:
![](https://i1.wp.com/studfiles.net/html/2706/44/html_L1M91gWdgC.gucC/img-LGgHqN.png)
Свойства собственных чисел и собственных векторов:
Если выбрать базис из собственных векторов х 1 , х 2 , х 3 , соответствующих собственным значениямλ 1 , λ 2 , λ 3 матрицыА , то в этом базисе линейное преобразование А имеет матрицу диагонального вида:
(9.7)
Доказательство
этого свойства следует из определения
собственных векторов.
Если собственные значения преобразования А различны, то соответствующие им собственные векторы линейно независимы.
Если характеристический многочлен матрицы А имеет три различных корня, то в некотором базисе матрицаА имеет диагональный вид.
Найдем собственные числа и собственные
векторы матрицы
Составим характеристическое уравнение:
(1-λ
)(5 -λ
)(1 -λ
) + 6 - 9(5 -λ
) - (1 -λ
) -
(1 -λ
) = 0,λ
³ - 7λ
² + 36 = 0,λ
1
= -2,λ
2 = 3,λ
3 = 6.
Найдем координаты собственных векторов, соответствующих каждому найденному значению λ. Из (9.5) следует, что еслих (1) ={x 1 , x 2 , x 3 } – собственный вектор, соответствующийλ 1 =-2, то
- совместная, но неопределенная система.
Ее решение можно записать в видех
(1)
={a
,0,-a
},
где а – любое число. В частности, если
потребовать, чтобы |x
(1)
|=1,х
(1)
=
Подставив в систему (9.5) λ 2 =3, получим систему для определения координат второго собственного вектора -x (2) ={y 1 , y 2 , y 3 }:
,
откудах
(2)
={b
,-
b
,
b
}
или, при условии |x
(2)
|=1,x
(2)
=
Для λ 3 = 6 найдем собственный векторx (3) ={z 1 , z 2 , z 3 }:
,x
(3)
={c
,2
c
,
c
}
или в нормированном варианте
х
(3)
=Можно
заметить, чтох
(1)
х
(2)
=ab
–
ab
= 0,x
(1)
x
(3)
=ac
–
ac
= 0,x
(2)
x
(3)
=bc
- 2bc
+
bc
= 0. Таким
образом, собственные векторы этой
матрицы попарно ортогональны.