AlegsaOnline.com

Vlastní čísla a vlastní vektory — definice, vlastnosti a příklady

Přehled vlastních čísel a vektorů v lineární algebře — jasné definice, klíčové vlastnosti a názorné příklady pro studenty i praktické použití.

Autor: Leandro Alegsa

11-03-2026

Lineární algebra hovoří o typech funkcí, které se nazývají transformace. V tomto kontextu je vlastní vektor vektor odlišný od nulového vektoru, který při transformaci nemění směr (kromě případu, kdy transformace obrací vektor do opačného směru). Vektor může změnit svou délku nebo se stát nulovým ("nulovým"). Vlastní číslo je hodnota změny délky vektoru. Slovo "vlastní" je německé slovo a znamená "vlastní".

Formální definice

Nechť A je čtvercová matice typu n×n (resp. lineární zobrazení V→V). Vlastní vektor v≠0 a vlastní číslo λ splňují rovnost

A v = λ v

To znamená, že působením transformace A se vektor v pouze škáluje o faktor λ, směr zůstane (až na případ λ<0, kdy směr otočí o 180°). Pro nenulový vektor v, který tuto rovnost splňuje, říkáme, že v je vlastním vektorem příslušným k vlastnímu číslu λ.

Jak najít vlastní čísla a vlastní vektory

Vlastní čísla λ nalezneme řešením tzv. charakteristické rovnice

det(A − λI) = 0

Polynom p(λ)=det(A−λI) je charakteristický polynom matice A (stupeň n). Kořeny tohoto polynomu jsou vlastní čísla (mohou být komplexní). Pro každé nalezené λ se vlastní vektory získají řešením homogenní soustavy

(A − λI) v = 0

Tato soustava má netriviální řešení právě tehdy, když det(A−λI)=0.

Algebraická a geometrická násobilnost

Algebraická násobilnost (multiplicita) vlastní hodnoty je její násobilnost jako kořene charakteristického polynomu.
Geometrická násobilnost je dimenze prostoru vlastních vektorů odpovídajících danému λ (tedy dimenze jádra A−λI).
Vždy platí: 1 ≤ geometrická násobilnost ≤ algebraická násobilnost.

Diagonalizace a Jordanova normální forma

Matice A je diagonalizovatelná, pokud existuje báze složená z vlastních vektorů. To je ekvivalentní tomu, že pro každé vlastní číslo se geometrická násobilnost rovná jeho algebraické násobilnosti a součet geometrických násobilností je n. Pokud matice není diagonalizovatelná (chybí dostatek nezávislých vlastních vektorů), lze ji v obecnějším případě převést do Jordanovy normální formy použitím zobecněných vlastních vektorů.

Speciální případ: symetrické a Hermitovské matice

Reálná symetrická matice má reálná vlastní čísla a vlastní vektory, které lze zvolit ortogonální. To je věta o spektrální rozkladu.
Komplexně Hermitovská matice má reálná vlastní čísla a ortogonální (ve smyslu Hermitova skalárního součinu) vlastní vektory.

Příklady

Příklad 1 — jednoduchá 2×2 symetrická matice

Nechť A = [ [2, 1], [1, 2] ]. Charakteristický polynom je

det(A−λI) = (2−λ)^2 − 1 = λ^2 − 4λ + 3

Má kořeny λ = 1 a λ = 3. Pro λ = 3 řešíme (A−3I)v=0, tj. [ [−1,1],[1,−1] ] v = 0, což dává vlastní vektor v ∝ (1,1). Pro λ = 1 dostaneme vlastní vektor ∝ (1,−1).

Příklad 2 — matice rotace

Rotace v rovině o 90°: R = [ [0, −1], [1, 0] ]. Charakteristický polynom je λ^2 + 1. Vlastní čísla jsou λ = i a λ = −i (komplexní) a odpovídající vlastní vektory jsou komplexní. To ukazuje, že i reálné matice mohou mít komplexní vlastní hodnoty a vektory.

Normování vlastních vektorů a báze

Vlastní vektory lze libovolně násobit nenulovým skalárem; často se volí normalizované vlastní vektory s jednotnou délkou (normou 1). Pokud jsou vlastní vektory ortogonální (např. u symetrických matic), je pohodlné zvolit z nich ortonormální bázi; potom A = Q D Q^T (u reálných ortogonálních Q) s diagonální D obsahující vlastní čísla.

Aplikace

Analýza stability lineárních systémů diferenciálních rovnic (řešení exp(tA) se rozkládá podle vlastních hodnot).
PCA (hlavní komponenty) v analýze dat: vlastní vektory kovarianční matice určují směry s největší variabilitou.
Markovovy řetězce: stacionární rozdělení je vlastní vektor přechodové matice k vlastní hodnotě 1.
Fyzika: normální módy, kvantová mechanika (operátory s vlastními funkcemi), vibrace a spektrální analýza.

Užitečné poznámky

Vlastní čísla lze obvykle najít analyticky u malých matic; u větších se používají numerické metody (QR algoritmus, síťování, iterace mocnin apod.).
Pokud má matice opakující se vlastní číslo, je potřeba ověřit počet lineárně nezávislých vlastních vektorů, aby se rozhodlo o diagonalizovatelnosti.
Při práci přes reálná pole je vhodné být připraven na komplexní vlastní čísla; pro některé úlohy (např. symetrické matice) k tomu ale nedojde.

Pokud chcete, mohu doplnit postup výpočtu vlastních čísel a vektorů pro konkrétní matici krok za krokem nebo ukázat numerické metody v programovacím jazyce (Python/NumPy).

Ilustrace proměny (Mony Lisy): Obrázek se změní tak, že červená šipka (vektor) nezmění svůj směr, ale modrá ano. Červený vektor je tedy vlastním vektorem této transformace, modrý nikoli. Protože červený vektor nemění svou délku, jeho vlastní číslo je 1. Použitá transformace se nazývá smykové mapování.

Základy

Existuje-li čtvercová matice A, skalár λ a nenulový vektor v, pak λ je vlastní číslo a v je vlastní vektor, pokud je splněna následující rovnice:

A v = λ v . {\displaystyle A\mathbf {v} =\lambda \mathbf {v} \,. } $A\mathbf {v} =\lambda \mathbf {v} \,.$

Jinými slovy, je-li matice A krát vektor v rovna skaláru λ krát vektor v, pak λ je vlastní číslo v, kde v je vlastní vektor.

Vlastní prostor A je množina všech vlastních vektorů se stejnou vlastní hodnotou spolu s nulovým vektorem. Nulový vektor však není vlastním vektorem.

Tyto myšlenky se často rozšiřují na obecnější situace, kdy skaláry jsou prvky libovolného pole, vektory jsou prvky libovolného vektorového prostoru a lineární transformace mohou, ale nemusí být reprezentovány násobením matic. Například místo reálných čísel mohou být skaláry komplexní čísla; místo šipek mohou být vektory funkce nebo frekvence; místo násobení matic mohou být lineární transformace operátory, jako je derivace z kalkulu. To je jen několik z nesčetných příkladů, kde jsou vlastní vektory a vlastní hodnoty důležité.

V takových případech ztrácí pojem směru svůj běžný význam a má abstraktnější definici. Ale i v tomto případě, pokud se tento abstraktní směr danou lineární transformací nemění, se používá předpona "vlastní", jako ve slovech vlastní funkce, vlastní režim, vlastní plocha, vlastní stav a vlastní frekvence.

Vlastní čísla a vlastní vektory mají mnoho aplikací v čisté i aplikované matematice. Používají se při faktorizaci matic, v kvantové mechanice, v systémech rozpoznávání obličejů a v mnoha dalších oblastech.

Příklad

Pro matici A

A = [ 2 1 1 2 ] . {\displaystyle A={\begin{bmatrix}2&1\\1&2\end{bmatrix}}. } $A={\begin{bmatrix}2&1\\1&2\end{bmatrix}}.$

vektor

x = [ 3 - 3 ] {\displaystyle \mathbf {x} ={\begin{bmatrix}3\\-3\end{bmatrix}}} $\mathbf {x} ={\begin{bmatrix}3\\-3\end{bmatrix}}$

je vlastní vektor s vlastní hodnotou 1. Skutečně,

A x = [ 2 1 1 2 ] [ 3 - 3 ] = [ ( 2 ⋅ 3 ) + ( 1 ⋅ ( - 3 ) ) ( 1 ⋅ 3 ) + ( 2 ⋅ ( - 3 ) ) ] = [ 3 - 3 ] = 1 ⋅ [ 3 - 3 ] . {\displaystyle A\mathbf {x} ={\begin{bmatrix}2&1\\1&2\konec{bmatrix}}{\begin{bmatrix}3\-3\konec{bmatrix}}={\begin{bmatrix}(2\cdot 3)+(1\cdot (-3))\\(1\cdot 3)+(2\cdot (-3))\end{bmatrix}}={\begin{bmatrix}3\\-3\end{bmatrix}}=1\cdot {\begin{bmatrix}3\\-3\end{bmatrix}}. } $A\mathbf {x} ={\begin{bmatrix}2&1\\1&2\end{bmatrix}}{\begin{bmatrix}3\\-3\end{bmatrix}}={\begin{bmatrix}(2\cdot 3)+(1\cdot (-3))\\(1\cdot 3)+(2\cdot (-3))\end{bmatrix}}={\begin{bmatrix}3\\-3\end{bmatrix}}=1\cdot {\begin{bmatrix}3\\-3\end{bmatrix}}.$

Na druhé straně vektor

x = [ 0 1 ] {\displaystyle \mathbf {x} ={\begin{bmatrix}0\\1\end{bmatrix}}} $\mathbf {x} ={\begin{bmatrix}0\\1\end{bmatrix}}$

není vlastním vektorem, protože

[ 2 1 1 2 ] [ 0 1 ] = [ ( 2 ⋅ 0 ) + ( 1 ⋅ 1 ) ( 1 ⋅ 0 ) + ( 2 ⋅ 1 ) ] = [ 1 2 ] . {\displaystyle {\begin{bmatrix}2&1\\1& 2\end{bmatrix}}{\begin{bmatrix}0\\1\end{bmatrix}}={\begin{bmatrix}(2\cdot 0)+(1\cdot 1)\\(1\cdot 0)+(2\cdot 1)\end{bmatrix}}={\begin{bmatrix}1\\2\end{bmatrix}}. } ${\begin{bmatrix}2&1\\1&2\end{bmatrix}}{\begin{bmatrix}0\\1\end{bmatrix}}={\begin{bmatrix}(2\cdot 0)+(1\cdot 1)\\(1\cdot 0)+(2\cdot 1)\end{bmatrix}}={\begin{bmatrix}1\\2\end{bmatrix}}.$

a tento vektor není násobkem původního vektoru x.

Otázky a odpovědi

Otázka: Co je to lineární algebra?

Odpověď: Lineární algebra je odvětví matematiky, které se zabývá studiem vektorových prostorů a lineárních transformací.

Otázka: Co je to vlastní vektor?

Odpověď: Vlastní vektor je vektor, který po transformaci nezmění směr, s výjimkou případu, kdy jej transformace otočí do opačného směru.

Otázka: Co znamená pojem "nulový vektor"?

Odpověď: Nulový vektor je vektor s nulovou délkou nebo velikostí.

Otázka: Co je to vlastní číslo?

Odpověď: Vlastní hodnota je hodnota změny délky vlastního vektoru po transformaci.

Otázka: Jaký význam má vlastní číslo v lineární algebře?

Odpověď: Vlastní číslo hraje v lineární algebře klíčovou roli, protože pomáhá určit vlastnosti transformace.

Otázka: Jaký je původ slova "vlastní"?

Odpověď: Slovo "vlastní" pochází z němčiny a znamená "vlastní" nebo "typický".

Otázka: Může se vlastní vektor po transformaci stát nulovým vektorem?

Odpověď: Ano, vlastní vektor se může po transformaci stát nulovým vektorem.