Övning 1: Hitta egenvärden och egenvektorer för A = [[1, 2], [2, 1]]

Karakteristisk ekvation: det([[1-λ, 2], [2, 1-λ]]) = 0 (1-λ)² - 4 = 0 λ² - 2λ + 1 - 4 = 0 λ² - 2λ - 3 = 0 (λ-3)(λ+1) = 0, så λ₁ = 3, λ₂ = -1 För λ₁ = 3: (A-3I)v→ = [[-2,2],[2,-2]]v→ = 0→ ger v→₁ = [1,1] För λ₂ = -1: (A+I)v→ = [[2,2],[2,2]]v→ = 0→ ger v→₂ = [1,-1] Svar: λ₁ = 3 med v→₁ = [1, 1], λ₂ = -1 med v→₂ = [1, -1]

Övning 2: Är matrisen B = [[2, 1], [0, 2]] diagonaliserbar?

Karakteristisk ekvation: det([[2-λ, 1], [0, 2-λ]]) = (2-λ)² = 0 Dubbelt egenvärde: λ = 2 (algebraisk multiplicitet 2) För λ = 2: (B-2I)v→ = [[0,1],[0,0]]v→ = 0→ Detta ger bara en oberoende egenvektor: v→ = [1,0] Geometrisk multiplicitet = 1 < 2 = algebraisk multiplicitet Därför är B inte diagonaliserbar Svar: Nej, B är inte diagonaliserbar

Övning 4: Visa att om A har egenvärde λ, så har A² egenvärde λ²

Antag Av→ = λv→ för någon egenvektor v→ ≠ 0→ Vi vill visa att A²v→ = λ²v→ A²v→ = A(Av→) = A(λv→) = λ(Av→) = λ(λv→) = λ²v→ Därför är λ² egenvärde till A² med samma egenvektor v→ Detta visar att egenvärden till A² är kvadraterna av egenvärden till A Svar: Bevis genom direkt beräkning

Avancerad

Egenvärden och egenvektorer

Egenvärden, egenvektorer och deras beräkning.

egenvärde egenvektor karakteristisk ekvation egenrum

Egenvärden och egenvektorer är som matrisers 'DNA' - de avslöjar de mest fundamentala egenskaperna hos en matris! Föreställ dig en matris som en transformation: de flesta vektorer får både sin riktning och längd ändrad, men egenvektorerna är speciella - de behåller sin riktning och blir bara skalade med egenvärdet. Det är som att hitta de 'naturliga axlarna' för en transformation!

Fördjupning

För en kvadratisk matris A är λ ett egenvärde och v→ en motsvarande egenvektor om Av→ = λv→, där v→ ≠ 0→. Geometriskt betyder detta att transformationen A bara skalar vektorn v→ med faktorn λ utan att ändra dess riktning. Egenvärden och egenvektorer är fundamentala för att förstå matrisers långsiktiga beteende, svängningar i fysiska system och huvudkomponentanalys i statistik.

Vad är egenvärden och egenvektorer?

En egenvektor till matris A är en vektor som behåller sin riktning när A appliceras på den - den bara skalas! Skalfaktorn kallas egenvärdet. Formellt: Av→ = λv→ där λ är egenvärdet och v→ är egenvektorn (v→ ≠ 0→).

Egenvärdeekvationen: Av\to = λv\to eller (A - λI)v\to = 0\to

Enkel 2×2-matris

För A = [[3,1],[0,2]] är v→ = [1,0] en egenvektor med egenvärde λ = 3, eftersom A[1,0] = [3,0] = 3[1,0].

Hitta egenvärden - den karakteristiska ekvationen

För att hitta egenvärden löser vi (A - λI)v→ = 0→. Detta homogena system har icke-triviala lösningar endast om det(A - λI) = 0. Detta ger oss den karakteristiska ekvationen.

Karakteristiska ekvationen: det(A - λI) = 0

Beräkning för 2×2-matris

För A = [[4,2],[1,3]]: det([[4-λ,2],[1,3-λ]]) = (4-λ)(3-λ) - 2×1 = λ² - 7λ + 10 = 0, som ger λ₁ = 5, λ₂ = 2.

Hitta egenvektorer

När vi har egenvärdet λ hittar vi motsvarande egenvektorer genom att lösa (A - λI)v→ = 0→. Detta ger oss egenrummet - alla vektorer som tillhör det egenvärdet.

Fortsättning från förra exemplet

För λ₁ = 5: (A - 5I)v→ = [[-1,2],[1,-2]]v→ = 0→ ger egenvektorn v→₁ = [2,1]. För λ₂ = 2: egenvektorn blir v→₂ = [1,-1].

Visualisering av egenvektorer och hur A transformerar dem

Geometrisk tolkning

Egenvektorer pekar i 'speciella riktningar' för matrisen. När matrisen appliceras på dessa riktningar sträcks eller krymps vektorn bara, utan rotation. Detta gör egenvektorer till naturliga koordinataxlar för transformationen.

Sträckning längs axlar

Diagonalmatrisen [[3,0],[0,2]] sträcker x-axeln med faktor 3 och y-axeln med faktor 2. Egenvektorerna är [1,0] och [0,1] med egenvärden 3 och 2.

Före och efter transformation - egenvektorer behåller riktning

Multiplicitet och egenvärdens betydelse

Algebraisk multiplicitet är hur många gånger λ förekommer som rot i den karakteristiska ekvationen. Geometrisk multiplicitet är dimensionen av egenrummet. Positiva/negativa egenvärden talar om växande/avtagande beteende.

Algebraisk multiplicitet \geq geometrisk multiplicitet för varje egenvärde

Tolkning av egenvärden

λ > 1: expansion, 0 < λ < 1: kontraktion, λ < 0: reflektion + skalning, λ = 0: projektion (information förloras).

Komplex egenvärden

Reella matriser kan ha komplexa egenvärden! Detta motsvarar rotation kombinerat med skalning. Om λ = a + bi är egenvärde, så är även λ* = a - bi egenvärde (konjugatpar).

Rotationsmatris

Rotationsmatrisen [[cos(θ), -sin(θ)], [sin(θ), cos(θ)]] har egenvärden e^(iθ) och e^(-iθ) - rena rotationer utan skalning.

Vanliga misstag

❌ Sätta egenvektorn till nollvektorn

Per definition är egenvektorer icke-triviala: v→ ≠ 0→. Nollvektorn är tekniskt en lösning till (A-λI)v→ = 0→ men räknas inte som egenvektor.

Exempel: När du löser (A-λI)v→ = 0→, välj en icke-trivial lösning, t.ex. sätt en komponent till 1.

❌ Förväxla algebraisk och geometrisk multiplicitet

Algebraisk multiplicitet = exponent i karakteristisk ekvation. Geometrisk multiplicitet = dimension av egenrum.

Exempel: λ = 2 med multiplicitet 2 i (λ-2)² betyder algebraisk mult. = 2, men geometrisk kan vara 1 eller 2.

❌ Glömma normalisera egenvektorer när det behövs

Egenvektorer är bara definierade upp till skalning. Ibland vill man ha enhetsegenvektorer.

Exempel: Om v→ = [3,4] är egenvektor, så är v̂ = [3/5, 4/5] enhetsegenvektor.

❌ Tro att alla matriser har n linjärt oberoende egenvektorer

Bara diagonaliserbara matriser har full uppsättning egenvektorer. Vissa matriser (nilpotenta) saknar tillräckligt många egenvektorer.

Exempel: Matrisen [[1,1],[0,1]] har bara en oberoende egenvektor trots att den är 2×2.

Tillämpningar

Fysik - Svängningar

Egenfrekvenser i mekaniska system (strängar, byggnader) motsvarar egenvärden

Exempel: En hängbros egenfrekvenser bestämmer vid vilka frekvenser den kan börja svänga farligt

Datorgrafik - Huvudkomponentanalys (PCA)

Egenvektorer till kovariansmatrisen ger huvudriktningar i data

Exempel: Ansiktsigenkänning: 'eigenfaces' är egenvektorer till ansiktsdata

Google PageRank

Webbsidors ranking bestäms av egenvektorn till länkmatrisen

Exempel: Den dominerande egenvektorn ger varje sidas relativa 'popularitet'

Kvantfysik - Observabler

Mätbara storheter representeras av hermitska matriser; egenvärden = möjliga mätvärden

Exempel: Energinivåer i atomer motsvarar egenvärden till Hamiltonoperatorn

Ekonomi - Stabilitet

Ekonomiska modellers stabilitet analyseras via egenvärden

Exempel: Alla egenvärden < 1 betyder att systemet konvergerar till jämvikt

Övningar

1 Lätt

Hitta egenvärden och egenvektorer för A = [[1, 2], [2, 1]]

Tips

Lös den karakteristiska ekvationen det(A - λI) = 0

Visa facit

Karakteristisk ekvation: det([[1-λ, 2], [2, 1-λ]]) = 0
(1-λ)² - 4 = 0
λ² - 2λ + 1 - 4 = 0
λ² - 2λ - 3 = 0
(λ-3)(λ+1) = 0, så λ₁ = 3, λ₂ = -1
För λ₁ = 3: (A-3I)v→ = [[-2,2],[2,-2]]v→ = 0→ ger v→₁ = [1,1]
För λ₂ = -1: (A+I)v→ = [[2,2],[2,2]]v→ = 0→ ger v→₂ = [1,-1]

Svar: λ₁ = 3 med v→₁ = [1, 1], λ₂ = -1 med v→₂ = [1, -1]

2 Medel

Är matrisen B = [[2, 1], [0, 2]] diagonaliserbar?

Tips

Hitta egenvärden och kontrollera om det finns tillräckligt många linjärt oberoende egenvektorer

Visa facit

Karakteristisk ekvation: det([[2-λ, 1], [0, 2-λ]]) = (2-λ)² = 0
Dubbelt egenvärde: λ = 2 (algebraisk multiplicitet 2)
För λ = 2: (B-2I)v→ = [[0,1],[0,0]]v→ = 0→
Detta ger bara en oberoende egenvektor: v→ = [1,0]
Geometrisk multiplicitet = 1 < 2 = algebraisk multiplicitet
Därför är B inte diagonaliserbar

Svar: Nej, B är inte diagonaliserbar

3 Medel

För vilka värden på k har matrisen C = [[k, 1], [4, k]] reella egenvärden?

Tips

Karakteristiska ekvationen ger en andragradsekvation i λ

Visa facit

Karakteristisk ekvation: det([[k-λ, 1], [4, k-λ]]) = 0
(k-λ)² - 4 = 0
λ² - 2kλ + k² - 4 = 0
Diskriminant: Δ = (2k)² - 4(k² - 4) = 4k² - 4k² + 16 = 16
För reella egenvärden krävs Δ ≥ 0
16 ≥ 0 är alltid sant, så alla k ger reella egenvärden
FELRÄKNING: Rätt: λ² - 2kλ + (k² - 4) = 0, Δ = 4k² - 4(k² - 4) = 16
Alla k ger reella egenvärden (Δ = 16 > 0)

Svar: k ≤ -2 eller k ≥ 2

4 Medel

Visa att om A har egenvärde λ, så har A² egenvärde λ²

Tips

Använd definitionen av egenvärde och egenskaper för matrisaoperationer

Visa facit

Antag Av→ = λv→ för någon egenvektor v→ ≠ 0→
Vi vill visa att A²v→ = λ²v→
A²v→ = A(Av→) = A(λv→) = λ(Av→)
= λ(λv→) = λ²v→
Därför är λ² egenvärde till A² med samma egenvektor v→
Detta visar att egenvärden till A² är kvadraterna av egenvärden till A

Svar: Bevis genom direkt beräkning

5 Svår

En population modelleras av x(t+1) = Ax(t) där A = [[1.2, 0.1], [0.05, 0.9]]. Vad händer på lång sikt?

Tips

Dominerande egenvärde bestämmer långsiktigt beteende

Visa facit

Karakteristisk ekvation: det([[1.2-λ, 0.1], [0.05, 0.9-λ]]) = 0
(1.2-λ)(0.9-λ) - 0.005 = 0
λ² - 2.1λ + 1.08 - 0.005 = 0
λ² - 2.1λ + 1.075 = 0
λ ≈ 1.225, 0.875 (med kvadratformeln)
Dominerande egenvärde λ₁ ≈ 1.225 > 1 → tillväxt
Motsvarande egenvektor ger stationär åldersfördelning
Långsiktigt: populationen växer ~22.5% per period

Svar: Populationen växer med faktor ≈1.23 per tidsenhet och stabiliseras kring proportion [2, 1]

Sammanfattning

Egenvärden och egenvektorer avslöjar matrisers fundamentala egenskaper. De hittas genom att lösa (A-λI)v→ = 0→ efter att ha bestämt λ från det(A-λI) = 0. Egenvektorer pekar i 'speciella riktningar' där transformationen bara skalar. Tillämpningar finns överallt från Google till kvantfysik!