固有値と固有ベクトルの公式の覚え方：向きが変わらないベクトルの意味と計算手順
山崎講師こんにちは。ゆうせいです。
線形代数の基礎となる固有値と固有ベクトルは、記号の並びを見ると抽象的な計算に見えがちです。しかし、行列が空間に対して行う変形の働きと結びつけることで、公式の構造を無理なく記憶に定着させることができます。数学的な前提知識を持たない方に向けて、固有値と固有ベクトルの定義と公式の覚え方を順を追って解説します。
固有値と固有ベクトルとは何か
行列とベクトルを掛け算する操作は、幾何学的には空間内の矢印（ベクトル）の位置を動かしたり、回転させたり、引き伸ばしたりする変換を意味します。固有値と固有ベクトルは、この変換の中で特別な性質を持つベクトルとその倍率を指す数値です。
伸縮するゴムシートに例えた考え方
高校の理科室にある伸縮性のあるゴムシートを例に取って考えてみます。
ゴムシートの上にさまざまな方向を向いた矢印を描き、そのシートを斜め方向に引っ張って変形させたとします。大半の矢印は、シートが伸びるにつれて傾きが変わり、変形前とは異なる方向を向きます。
しかし、シートを引っ張ったちょうどその直線上に描かれていた矢印だけは、長さこそ変わるものの、向いている方向自体は変化しません。
このように、行列という変換を行っても向きが変わらず、長さだけが何倍かに伸縮する特別なベクトルを固有ベクトルと呼び、その伸縮する倍率のことを固有値と呼びます。
固有値と固有ベクトルの基本方程式
正方行列を A、向きが変わらないゼロ以外のベクトルを x、その伸縮倍率を表すスカラー（実数などの定数）を λ と置くとき、固有値と固有ベクトルの関係は以下の等式で定義されます。
Ax = λx
この式を丸暗記しようとすると、文字の配置を混同しやすくなります。左右の辺が担っている役割を分解して確認します。
左辺の役割：行列による空間の変換
左辺の Ax は、ベクトル x に対して行列 A を掛け合わせる操作を表します。通常、行列を行ベクトルや列ベクトルに掛けると、向きも大きさも変化した新しいベクトルへと移動します。
右辺の役割：単なる数字の倍率掛け
右辺の λx は、ベクトル x に対して単なる数値である λ を掛けて引き伸ばす操作を表します。向きを一切変えずに、長さを λ 倍にするだけの処理です。
両辺をイコールで結ぶ行為は、「行列 A を掛けて変換した結果が、元のベクトル x を単に λ 倍しただけの結果と完全に一致する」という特別な状況を指定することを意味します。この等式が、固有値問題の出発点です。
固有値を求めるための方程式の導出
実際の計算では、ベクトル x を消去して固有値 λ を先に決定します。単位行列を I と置くとき、公式は以下の手順で変形されます。
右辺の λx を左辺に移項します。
Ax - λx = 0
行列とスカラーを直接引き算することはできないため、スカラー λ に単位行列 I を補って行列の形に揃えます。
Ax - λIx = 0
共通のベクトル x を右側からくくり出します。
(A - λI)x = 0
ここで、ベクトル x がすべて 0 であるゼロベクトル（矢印の長さが 0）であれば、どのような λ でも等式が成立してしまいます。しかし、長さ 0 のベクトルには向きが定義できないため、x はゼロ以外のベクトルである必要があります。
x がゼロ以外の解を持つためには、行列 (A - λI) の逆行列が存在してはなりません。逆行列が存在すると、両辺に掛けることで x = 0 しか解が残らなくなるためです。したがって、行列式が 0 にならなければならないという条件が導かれます。
この行列式を展開して得られる方程式を固有方程式（または特性方程式）と呼びます。
公式を思い出すための3ステップ
試験や計算時に公式を再現する手順は以下の通りです。
- ステップ1：言葉の意味を想起する。行列を掛けても向きが変わらず、長さが λ 倍になる性質を思い浮かべます。
- ステップ2：基本式を組み立てる。行列による変換 Ax と、λ 倍の伸縮 λx をイコールで結んで Ax = λx と置きます。
- ステップ3：固有方程式を導く。λx を移項して (A - λI)x = 0 の形を作り、解が存在する条件として行列式 det(A - λI) = 0 を立てます。
「行列による変換結果が、ただの定数倍になる」という根本の仕組みを基準にしておくことで、式の形を誤る事態を防ぐことができます。
固有値と固有ベクトルを扱うメリットと制約
固有値解析を手法として利用する際の特徴を、客観的な観点から整理します。
メリット
- 行列の累乗計算を効率化できます。固有値を用いて行列を対角化することで、数百回に及ぶ行列の掛け算を各成分のべき乗へと簡略化できます。
- 多次元データの主要な特徴を抽出できます。機械学習の主成分分析（PCA）において、データのばらつきが最大となる軸を固有ベクトルとして正確に特定できます。
制約
- 行列が正方行列（行と列の数が同じ行列）でなければ、通常の固有値や固有ベクトルを計算することはできません。
- 重複する固有値が存在する場合、十分な数の独立した固有ベクトルを取り出せず、行列を対角化できない事例が存在します。
まとめ
固有値と固有ベクトルの公式は、「変換を行っても向きが変わらないベクトルを探す」という幾何学的な要請をそのまま数式に直したものです。「Ax = λx」という等式の意味を言葉に結びつけ、移項して行列式をゼロにするという流れで捉えることで、複雑な計算手順も迷わずに導き出せるようになります。
次の段階として、2次の正方行列を用いた具体的な固有方程式の求解計算に取り組み、求めた固有ベクトルを用いて行列を対角化する手順へ進むことで、線形代数の応用範囲をより明確に把握することができます。
投稿者プロフィール
- 代表取締役
-
セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
海外放浪の末、2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します！
この記事に間違い等ありましたらぜひお知らせください。
学生時代は趣味と実益を兼ねてリゾートバイトにいそしむ。長野県白馬村に始まり、志賀高原でのスキーインストラクター、沖縄石垣島、北海道トマム。高じてオーストラリアのゴールドコーストでツアーガイドなど。現在は野菜作りにはまっている。
