Eigenvalues là gì? Giá trị riêng, phương trình đặc trưng và ứng dụng

Giá trị riêng (eigenvalue, còn gọi là giá trị đặc trưng) và vector riêng (eigenvector) là các khái niệm toán học nền tảng trong đại số tuyến tính (linear algebra), mô tả đặc tính biến đổi của một toán tử tuyến tính hoặc một ma trận vuông (Francis, 1961; Stewart, 1993). Khi một ma trận tác động lên một vector riêng, phương của vector đó hoàn toàn không bị thay đổi mà chỉ bị co giãn theo một hệ số tỷ lệ vô hướng chính là giá trị riêng tương ứng.

Định nghĩa toán học và phương trình đặc trưng

Cho $A$ là một ma trận vuông cấp $n \times n$ trên trường số thực hoặc phức. Một đại lượng vô hướng $\lambda$ được gọi là giá trị riêng của $A$ nếu tồn tại một vector khác không $v \neq \mathbf{0}$ (gọi là vector riêng ứng với $\lambda$) thỏa mãn phương trình cơ bản:

Trong đó $I$ là ma trận đơn vị cấp $n$. Để hệ phương trình tuyến tính thuần nhất này có nghiệm không tầm thường ($v \neq \mathbf{0}$), định thức của ma trận hệ số bắt buộc phải bằng 0:

Phương trình trên được gọi là phương trình đặc trưng (characteristic equation). Nó là một đa thức bậc $n$ đối với biến $\lambda$, có đúng $n$ nghiệm (kể cả nghiệm bội và nghiệm phức) theo Định lý cơ bản của đại số.

Các tính chất đại số quan trọng

Giá trị riêng sở hữu các tính chất đại số và hình học đặc sắc:

Tính chất toán học	Công thức / Biểu thức	Ý nghĩa đại số
Vết của ma trận (Trace)	$\text{tr}(A) = \sum_{i=1}^n \lambda_i = \sum_{i=1}^n a_{ii}$	Tổng tất cả các giá trị riêng bằng tổng các phần tử trên đường chéo chính.
Định thức ma trận (Determinant)	$\det(A) = \prod_{i=1}^n \lambda_i$	Tích các giá trị riêng bằng định thức của ma trận; ma trận khả nghịch khi và chỉ khi không có giá trị riêng nào bằng 0.
Ma trận đối xứng thực (Symmetric Matrix)	$A = A^T \implies \lambda_i \in \mathbb{R}$	Mọi giá trị riêng của ma trận đối xứng thực đều là số thực và các vector riêng ứng với các giá trị riêng khác nhau đôi một trực giao.
Chéo hóa ma trận (Diagonalization)	$A = P D P^{-1}$	Ma trận có thể chéo hóa được khi và chỉ khi nó có đủ $n$ vector riêng độc lập tuyến tính.

Phương pháp tính toán số học: Thuật toán QR

Với các ma trận kích thước lớn trong thực tế, việc giải trực tiếp đa thức đặc trưng là bất khả thi về mặt số học. Thuật toán QR do John Francis (1961) phát minh là tiêu chuẩn vàng trong tính toán số trị:

1. Phân tích ma trận $A_k = Q_k R_k$, trong đó $Q_k$ là ma trận trực giao và $R_k$ là ma trận tam giác trên.
2. Nhân đảo ngược theo thứ tự: $A_{k+1} = R_k Q_k = Q_k^T A_k Q_k$.
3. Lặp lại quá trình này; dãy ma trận $A_k$ sẽ hội tụ về ma trận tam giác trên dạng Schur, nơi các phần tử trên đường chéo chính chính là toàn bộ các giá trị riêng của ma trận ban đầu.

Ứng dụng thực tiễn trong khoa học dữ liệu và kỹ thuật

Giá trị riêng là trái tim của hàng loạt công nghệ hiện đại:

• Thuật toán PageRank của Google (Langville & Meyer, 2004): Cấu trúc liên kết mạng Internet được biểu diễn bằng ma trận xác suất chuyển tiếp Markov $P$. Thứ hạng quan trọng của các website chính là vector riêng chính (principal eigenvector) ứng với giá trị riêng $\lambda = 1$ duy nhất theo định lý Perron-Frobenius.
• Phân tích thành phần chính (PCA): Giảm số chiều dữ liệu lớn trong học máy (machine learning) bằng cách tìm các vector riêng ứng với các giá trị riêng lớn nhất của ma trận hiệp phương sai (covariance matrix), giữ lại phần lớn phương sai của dữ liệu.
• Cơ học kết cấu và dao động: Giá trị riêng của ma trận độ cứng và ma trận khối lượng xác định tần số dao động tự nhiên của các công trình (cầu treo, tòa nhà chọc trời), giúp kỹ sư thiết kế tránh hiện tượng cộng hưởng phá hủy.
• Vật lý lượng tử: Trong cơ học lượng tử, các đại lượng vật lý quan sát được (năng lượng, mômen động lượng) được biểu diễn bằng toán tử Hermitian; các giá trị đo được trong thực nghiệm chính là các giá trị riêng của toán tử đó (phương trình trạng thái dừng Schrödinger $\hat{H} \psi = E \psi$).