Övning 1: Avgör om A = [[3,1],[0,2]] är diagonaliserbar

Egenvärden: det(A - λI) = (3-λ)(2-λ) = 0 λ₁ = 3, λ₂ = 2 (olika egenvärden) Olika egenvärden ⇒ automatiskt diagonaliserbar Egenvektorer: λ₁=3: v₁=(1,0), λ₂=2: v₂=(1,-1) Två oberoende egenvektorer för 2×2 matris ⇒ diagonaliserbar Svar: Ja, A är diagonaliserbar

Övning 2: Diagonalisera A = [[1,2],[2,1]] fullständigt

Egenvärden: det(A - λI) = (1-λ)² - 4 = λ² - 2λ - 3 = 0 (λ-3)(λ+1) = 0 → λ₁ = 3, λ₂ = -1 λ₁ = 3: (A-3I)v = [[-2,2],[2,-2]]v = 0 → v₁ = (1,1) λ₂ = -1: (A+I)v = [[2,2],[2,2]]v = 0 → v₂ = (1,-1) P = [[1,1],[1,-1]], D = [[3,0],[0,-1]] Kontroll: P⁻¹ = (1/2)[[1,1],[1,-1]], P⁻¹AP = D ✓ Svar: P = [[1,1],[1,-1]], D = [[3,0],[0,-1]]

Övning 3: Beräkna A¹⁰ för A = [[1,2],[2,1]] med diagonalisering

Från föregående: P = [[1,1],[1,-1]], D = [[3,0],[0,-1]] A¹⁰ = PD¹⁰P⁻¹ D¹⁰ = [[3¹⁰,0],[0,(-1)¹⁰]] = [[3¹⁰,0],[0,1]] P⁻¹ = (1/2)[[1,1],[1,-1]] A¹⁰ = [[1,1],[1,-1]][[3¹⁰,0],[0,1]](1/2)[[1,1],[1,-1]] = (1/2)[[3¹⁰,1],[3¹⁰,-1]][[1,1],[1,-1]] = (1/2)[[3¹⁰+1,3¹⁰-1],[3¹⁰-1,3¹⁰+1]] Svar: A¹⁰ = [[3¹⁰+1)/2, (3¹⁰-1)/2], [(3¹⁰-1)/2, (3¹⁰+1)/2]]

Avancerad

Diagonalisering

Diagonalisering av matriser och dess tillämpningar.

diagonalisering diagonal matris egenvärdesmultiplikhet diagonaliserbar

Diagonalisering är som att hitta den perfekta vyn på en matris! Vi transformerar den krångliga matrisen till en supersnygg diagonal form där allt magiskt blir enkelt. Som att vända på ett Rubiks kub till rätt vinkel så att alla sidor blir tydliga. Egenvärden blir synliga på diagonalen och beräkningar blir barnlek!

Fördjupning

En matris A är diagonaliserbar om den är likhetsäquivalent med en diagonal matris D, dvs P⁻¹AP = D för någon inverterbar matris P. Detta är möjligt om och endast om A har n linjärt oberoende egenvektorer. Diagonalisering förenklar matrisberäkningar enormt och är central för spektralteori och dynamiska system.

Grundidén med diagonalisering

Diagonalisering betyder att hitta matriser P och D så att P⁻¹AP = D där D är diagonal. P innehåller egenvektorer som kolonner, D innehåller egenvärden på diagonalen. Som att byta koordinatsystem till ett där matrisen blir super-enkel!

P⁻¹AP = D - grundekvationen för diagonalisering

Varför diagonalisering?

Om A = [[3,1],[0,2]], räkna A¹⁰⁰:

Omöjligt direkt! Men om P⁻¹AP = D = [[3,0],[0,2]]

Då A¹⁰⁰ = PD¹⁰⁰P⁻¹ = P[[3¹⁰⁰,0],[0,2¹⁰⁰]]P⁻¹ (mycket enklare!)

Villkor för diagonaliserbarhet

A är diagonaliserbar ⟺ A har n linjärt oberoende egenvektorer ⟺ summan av geometriska multipliciteterna = n. Om alla egenvärden är olika är A automatiskt diagonaliserbar!

Villkor för att matris ska vara diagonaliserbar

Test av diagonaliserbarhet

A = [[2,1],[0,2]] har egenvärde λ = 2 (algebraisk multiplicitet 2)

Egenrum: ker(A - 2I) = ker([[0,1],[0,0]]) = span{(1,0)}

Geometrisk multiplicitet = 1 < 2

→ A är INTE diagonaliserbar

Diagonaliseringsprocess steg för steg

1) Hitta egenvärden via det(A - λI) = 0. 2) För varje egenvärde, hitta egenvektorer. 3) Kontrollera att du har n oberoende egenvektorer. 4) Sätt P = [v₁ v₂ ... vₙ] och D = diag(λ₁, λ₂, ..., λₙ).

Komplett diagonalisering

A = [[1,1],[4,-2]]

Steg 1: Egenvärden

det(A - λI) = det([[1-λ,1],[4,-2-λ]]) = (1-λ)(-2-λ) - 4 = λ² + λ - 6 = (λ-2)(λ+3)

λ₁ = 2, λ₂ = -3

Steg 2: Egenvektorer

λ₁ = 2: (A-2I)v = 0 → [[-1,1],[4,-4]]v = 0 → v₁ = (1,1)

λ₂ = -3: (A+3I)v = 0 → [[4,1],[4,1]]v = 0 → v₂ = (1,-4)

Steg 3: P = [[1,1],[1,-4]], D = [[2,0],[0,-3]]

Kontroll: P⁻¹AP = D

Fördelar med diagonalisering

Superkrafter med diagonalisering: Aⁿ = PDⁿP⁻¹ (enkelt!), eᴬᵗ = PeᴰᵗP⁻¹, lös differentialekvationer x' = Ax direkt. Diagonal matriser är lätta att arbeta med!

Fördelar med diagonal form: enkla potenser och exponentialer

Matrisexponential

Om A = PDP⁻¹ då eᴬ = PeᴰP⁻¹

Och eᴰ = [[e^λ₁,0],[0,e^λ₂]] (diagonal!)

Används för att lösa x' = Ax med x(0) = x₀: x(t) = eᴬᵗx₀

Specialfall och symmetriska matriser

Symmetriska matriser (A = Aᵀ) är alltid diagonaliserbara med ortogonala egenvektorer! Då kan vi välja P ortogonal så P⁻¹ = Pᵀ. Detta kallas spektralteoremet.

Spektralteorem för symmetriska matriser

Symmetrisk matris

A = [[2,1],[1,2]] (symmetrisk)

Egenvärden: λ₁ = 3, λ₂ = 1

Egenvektorer: v₁ = (1,1), v₂ = (1,-1) (ortogonala!)

Normalisera: u₁ = (1/√2)(1,1), u₂ = (1/√2)(1,-1)

P = [[1/√2,1/√2],[1/√2,-1/√2]] (ortogonal)

När diagonalisering misslyckas

Vissa matriser går inte att diagonalisera! Då kan vi använda Jordan normalform istället - näst bästa alternativet. Jordanblock hanterar upprepade egenvärden med för få egenvektorer.

Icke-diagonaliserbar matris

A = [[2,1],[0,2]]

Endast ett egenvärde λ = 2, men bara en egenvektor

Jordan form: J = [[2,1],[0,2]] (samma som A!)

Generaliserade egenvektorer krävs för transformation

Vanliga misstag

❌ Glömma kontrollera linjärt oberoende

Man måste ha exakt n linjärt oberoende egenvektorer för n×n matris.

Exempel: Om två egenvektorer är parallella räcker de inte för 2×2 diagonalisering.

❌ Fel ordning i P och D

Egenvektorn i kolumn i av P måste motsvara egenvärdet på position (i,i) i D.

Exempel: Om P = [v₁ v₂] måste D = [[λ₁,0],[0,λ₂]] där Av₁ = λ₁v₁.

❌ Tro att alla matriser är diagonaliserbara

Endast matriser med tillräckligt många oberoende egenvektorer kan diagonaliseras.

Exempel: Matris [[0,1],[0,0]] har endast noll som egenvärde och en egenvektor.

Tillämpningar

Dynamiska system - långtidsbeteende

Diagonalisering avslöjar stabila och instabila riktningar i system x_{n+1} = Ax_n

Exempel: Populationsdynamik: egenvektorer = naturliga växtriktningar

Kvantmekanik - observablar

Fysikaliska storheter representeras av hermitiska matriser som alltid kan diagonaliseras

Exempel: Energiegenvärden och energitillstånd från Hamiltonian

Maskininlärning - PCA

Principal Component Analysis använder egenvektorer till kovariansmatrisen

Exempel: Dimensionsreduktion genom projektion på huvudkomponenter

Vibrationsanalys - modanalys

Naturliga frekvenser och svängningsformer från diagonalisering

Exempel: Byggnadsdesign: egenvärden = kvadrerade frekvenser

Övningar

1 Lätt

Avgör om A = [[3,1],[0,2]] är diagonaliserbar

Tips

Hitta egenvärden och kontrollera antal oberoende egenvektorer

Visa facit

Egenvärden: det(A - λI) = (3-λ)(2-λ) = 0
λ₁ = 3, λ₂ = 2 (olika egenvärden)
Olika egenvärden ⇒ automatiskt diagonaliserbar
Egenvektorer: λ₁=3: v₁=(1,0), λ₂=2: v₂=(1,-1)
Två oberoende egenvektorer för 2×2 matris ⇒ diagonaliserbar

Svar: Ja, A är diagonaliserbar

2 Medel

Diagonalisera A = [[1,2],[2,1]] fullständigt

Tips

Hitta P och D så att P⁻¹AP = D

Visa facit

Egenvärden: det(A - λI) = (1-λ)² - 4 = λ² - 2λ - 3 = 0
(λ-3)(λ+1) = 0 → λ₁ = 3, λ₂ = -1
λ₁ = 3: (A-3I)v = [[-2,2],[2,-2]]v = 0 → v₁ = (1,1)
λ₂ = -1: (A+I)v = [[2,2],[2,2]]v = 0 → v₂ = (1,-1)
P = [[1,1],[1,-1]], D = [[3,0],[0,-1]]
Kontroll: P⁻¹ = (1/2)[[1,1],[1,-1]], P⁻¹AP = D ✓

Svar: P = [[1,1],[1,-1]], D = [[3,0],[0,-1]]

3 Svår

Beräkna A¹⁰ för A = [[1,2],[2,1]] med diagonalisering

Tips

Använd A^n = PD^nP⁻¹

Visa facit

Från föregående: P = [[1,1],[1,-1]], D = [[3,0],[0,-1]]
A¹⁰ = PD¹⁰P⁻¹
D¹⁰ = [[3¹⁰,0],[0,(-1)¹⁰]] = [[3¹⁰,0],[0,1]]
P⁻¹ = (1/2)[[1,1],[1,-1]]
A¹⁰ = [[1,1],[1,-1]][[3¹⁰,0],[0,1]](1/2)[[1,1],[1,-1]]
= (1/2)[[3¹⁰,1],[3¹⁰,-1]][[1,1],[1,-1]]
= (1/2)[[3¹⁰+1,3¹⁰-1],[3¹⁰-1,3¹⁰+1]]

Svar: A¹⁰ = [[3¹⁰+1)/2, (3¹⁰-1)/2], [(3¹⁰-1)/2, (3¹⁰+1)/2]]

Sammanfattning

Diagonalisering transformerar matris A till diagonal form D via P⁻¹AP = D, där P innehåller egenvektorer och D egenvärden. Möjlig om A har n oberoende egenvektorer. Enorma fördelar för beräkningar: enkla potenser, exponentialer och lösning av differentialekvationer. Symmetriska matriser alltid diagonaliserbara med ortogonala egenvektorer.