ค่าลักษณะเฉพาะและเวกเตอร์ลักษณะเฉพาะ

ในวิชาพีชคณิตเชิงเส้น เวกเตอร์ลักษณะเฉพาะ (Eigenvector) หรือเวกเตอร์คุณลักษณะ คือเวกเตอร์ที่ไม่เป็นศูนย์ซึ่งเมื่อผ่านการแปลงเชิงเส้น (Linear Transformation) แล้ว ทิศทางของเวกเตอร์นั้นจะยังคงเดิมหรือกลับทิศทางตรงกันข้าม โดยไม่มีการหมุนหรือการบิดเบี้ยว

หากกำหนดให้ $T$ คือการแปลงเชิงเส้น และ $\mathbf{v}$ คือเวกเตอร์ลักษณะเฉพาะ เวกเตอร์นี้จะถูกขยายหรือหดด้วยปัจจัยคงที่ $\lambda$ เมื่อมีการใช้การแปลงเชิงเส้น ซึ่งสามารถเขียนเป็นสมการได้ดังนี้:

$$T\mathbf{v} = \lambda\mathbf{v}$$

โดยที่ $\lambda$ (แลมบ์ดา) คือ ค่าลักษณะเฉพาะ (Eigenvalue) หรือค่าคุณลักษณะ ซึ่งอาจเป็นจำนวนจริง จำนวนลบ หรือจำนวนเชิงซ้อนก็ได้

ความหมายทางเรขาคณิต

ในเชิงเรขาคณิต เวกเตอร์คือปริมาณที่มีทั้งขนาดและทิศทาง ซึ่งมักแทนด้วยลูกศร การแปลงเชิงเส้นสามารถทำให้เวกเตอร์เกิดการหมุน (Rotate), การยืด/หด (Stretch/Shrink) หรือการเฉือน (Shear)

เวกเตอร์ลักษณะเฉพาะของการแปลงเชิงเส้นคือเวกเตอร์ที่ ไม่เกิดการหมุนหรือการเฉือน แต่จะถูกยืดหรือหดเท่านั้น โดยค่าลักษณะเฉพาะจะเป็นตัวกำหนดว่าเวกเตอร์นั้นจะถูกขยายขนาดขึ้นเท่าใด หรือหดลงเท่าใด หากค่าลักษณะเฉพาะเป็นลบ ทิศทางของเวกเตอร์จะถูกกลับด้าน 180 องศา

การวิเคราะห์ด้วยเมทริกซ์

สำหรับการคำนวณในปริภูมิเวกเตอร์ที่มีมิติจำกัด เราสามารถใช้เมทริกซ์จัตุรัสขนาด $n \times n$ แทนการแปลงเชิงเส้นได้ หากกำหนดให้ $A$ เป็นเมทริกซ์จัตุรัส และ $\mathbf{v}$ เป็นเวกเตอร์ที่ไม่เป็นศูนย์ ถ้าผลคูณของ $A$ กับ $\mathbf{v}$ ส่งผลให้ $\mathbf{v}$ ถูกขยายด้วยปัจจัย $\lambda$ จะกล่าวว่า $\mathbf{v}$ เป็นเวกเตอร์ลักษณะเฉพาะของ $A$ และ $\lambda$ เป็นค่าลักษณะเฉพาะที่สอดคล้องกัน

ความสัมพันธ์นี้เขียนได้ในรูปเมทริกซ์คือ:

$$A\mathbf{v} = \lambda\mathbf{v}$$

การประยุกต์ใช้งาน

ค่าลักษณะเฉพาะและเวกเตอร์ลักษณะเฉพาะมีบทบาทสำคัญในการวิเคราะห์ระบบเชิงเส้นในหลากหลายสาขา เช่น:

• การวิเคราะห์ความเสถียร (Stability Analysis): ใช้ในการวิเคราะห์ว่าระบบจะเข้าสู่สภาวะสมดุลหรือไม่
• การวิเคราะห์การสั่นสะเทือน (Vibration Analysis): ใช้หาความถี่ธรรมชาติของโครงสร้างทางวิศวกรรม
• กลศาสตร์ควอนตัม (Quantum Mechanics): ใช้ในการหาค่าพลังงานของสถานะต่างๆ ในอะตอม (Atomic Orbitals)
• การประมวลผลภาพ (Image Processing): เช่น การจดจำใบหน้า (Facial Recognition) โดยใช้ Eigenfaces
• การลดมิติของข้อมูล (Dimensionality Reduction): เช่น การวิเคราะห์องค์ประกอบหลัก (Principal Component Analysis - PCA)

ในระบบที่มีการป้อนกลับ (Feedback System) ค่าลักษณะเฉพาะที่มีค่ามากที่สุดมักมีความสำคัญเป็นพิเศษ เนื่องจากเป็นตัวกำหนดพฤติกรรมระยะยาวของระบบ และเวกเตอร์ลักษณะเฉพาะที่เกี่ยวข้องจะเป็นสภาวะคงตัว (Steady State) ของระบบนั้น