Armin Halilovic: EXTRA ÖVNINGAR Egenvärden och egenvektorer EGENVÄRDEN och EGENVEKTORER Definition 1. (Linjär avbildning) En funktion T från Rn (n-dimensionella vektorer) till Rm (m-dimensionella vektorer) säges vara en linjär avbildning ( linjär funktion eller linjär transformation) om följande två villkor är uppfyllda Villkor 1. T( u + v ) = T( u ) + T( v ) Villkor 2. T(k u ) = kT( u ) för varje skalär k och alla , ∈ . T ex. rotationen kring origo, spegling i en linje, spegling i ett plan i R3,projektionen av en vektor på en linje, projektionen av en vektor på ett plan i R3 är linjära avbildningar. En linjär avbildning från Rn till Rm kan definieras med hjälp av en m × n matris A genom: r r y = Ax . Exempel 1. ⎡1 1 ⎤ ⎡1 1⎤ r r r ⎢ r ⎢ ⎥ Låt A= 2 2 . Då är y = Ax dvs y = 2 2⎥ x en linjär avbildning som avbildar ⎢ ⎥ ⎢ ⎥ ⎢⎣ 3 1⎥⎦ ⎢⎣3 1⎥⎦ r r tvådimensionella vektorer x på tredimensionella vektorer y . ⎡1 1⎤ ⎡3⎤ ⎡1⎤ ⎢ ⎥ r ⎡1 ⎤ r ⎢ ⎥ Exempelsvis vektorn x = ⎢ ⎥ avbildas på y = 2 2 ⎢ ⎥ = 6 ⎢ ⎥ 2 ⎢ ⎥ ⎣ 2⎦ ⎢⎣ 3 1⎥⎦ ⎣ ⎦ ⎢⎣5⎥⎦ → Anmärkning: Eftersom en punkt P tillhörande ortvektor OP har samma koordinater, istället att säga vektorn (x1, x2,...xn) kan vi säga punkten (x1, x2,...xn). ⎡cos v − sin v ⎤ r r Exempel 2. Låt A = ⎢ . Avbildningen y = Ax beskriver rotationen vinkeln v ⎥ ⎣ sin v cos v ⎦ kring origo. Låt v = π 4 . Bestäm bilden av punkten P=(2,2). 2⎤ π⎤ ⎡ 2 ⎡ π cos sin − − ⎢ ⎥ ⎡cos v − sin v ⎤ ⎢ 4 4⎥ = ⎢ 2 2 ⎥ Lösning. A = ⎢ = ⎥ ⎢ π ⎥ 2 ⎥ ⎣ sin v cos v ⎦ ⎢ sin π cos ⎥ ⎢ 2 4 4 ⎦ ⎢⎣ 2 ⎣ 2 ⎥⎦ Vi skriver punktens koordinater som kollonvektor (annars är matrisprodukt ej definierad) ⎡ 2 2⎤ − ⎢ ⎥ ⎡2⎤ 2 ⎥ ⋅ ⎡2⎤ = ⎡ 0 ⎤ och beräknar A ⋅ ⎢ ⎥ = ⎢ 2 2 ⎥ ⎢⎣2⎥⎦ ⎢⎣2 2 ⎥⎦ ⎣2⎦ ⎢ 2 ⎣⎢ 2 2 ⎦⎥ ⎡ 0 ⎤ Svar: ⎢ ⎥ ⎣2 2 ⎦ Sida 1 av 5 Armin Halilovic: EXTRA ÖVNINGAR Egenvärden och egenvektorer Definition ( av egenvektor och egenvärde för en kvadratisk matris ) Låt A vara en kvadratisk matris dvs en matris av typ n × n . r Om det finns en nollskild vektor v och en skalär λ så att r r Av = λ v (*) då kallas matrisens egenvektor och talet λ kallas matrisens egenvärde. r r Geometriskt tolkning. Vi kan betrakta avbildningen v → Av där varje n-dimensionell r r r r vektor v avbildas på Av . Geometriskt betyder Av = λ v att egenvektorn är parallell r med sin bild Av . T(v) v r Anmärkning 1. Nollvektorn 0 godkänns alltså INTE som egenvektor till en kvadratisk matris A. Däremot talet 0 kan vara ett egenvärde till A. Detta ät fallet om r r r r Av = 0 ⋅ v dvs Av = 0 r för någon nollskylld vektor v . Eftersom ovanstående homogena system har icke-triviala lösningar om och endast det(A)=0 har vi att λ= 0 är ett egenvärde till A om och endast om det(A) = 0. Därför gäller följande ekvivalens: (λ= 0 är ett egenvärde till A) ⇔ (det(A) = 0) ⇔ ( A är INTE inverterbar) . r Anmärkning 2. Om v är en egenvektor till A som svarar mot egenvärde λ, dvs om r r r r Av = λ v då är u = tv (där t är en skalär skild från 0 ) också en egenvektor med samma egenvärde. Bevis: r r r r r r Au = A ⋅ (tv ) = tAv = tλ v = λtv = λu r r Alltså Au = λu V.S.B. ----------------------------------------------------------------------------------------- Bestämning av egenvärden och egenvektorer I vår kurs, som standard, betraktar vi reella vektorrum ( och därmed söker vi reella egenvärde λ) r För att bestämma λ och v skriver vi om (*) : r r r r Av = λ v ⇒ ( A − λ I ) v = 0 Sida 2 av 5 Armin Halilovic: EXTRA ÖVNINGAR Egenvärden och egenvektorer eller ⎤ ⎡ x1 ⎤ ⎥⎢ ⎥ ⎥ ⎢ x2⎥ = 0 ⎥ ⎢ ... ⎥ ⎥⎢ ⎥ ... ( ann − λ )⎦ ⎢⎣ x n ⎥⎦ a12 ⎡( a11 − λ ) ⎢ a ( a22 − λ ) 21 ⎢ ⎢ ... ... ⎢ am 2 ⎣ a n1 Eftersom om ... ... ... a1n a2 n ... (**) ≠ 0 enligt definitionen, söker vi icke-triviala lösningar, och de finns endast det( A − λI ) = 0 eller ( a11 − λ ) a21 ... a1n ( a22 − λ ) ... a2 n a12 ... ... ... ... a n1 am 2 ... ( ann − λ ) =0 (* * *) Ekvationen det( A − λI ) = 0 är (efter utveckling av determinanten) en algebraisk ekvation av grad n. Ekvationen det( A − λI ) = 0 kallas för den karakteristiska ekvationen eller, i några böcker, ”sekularekvation”. Steg 1. Vi löser först den karakteristiska ekvationen det( A − λI ) = 0 ( EKV1 ) och får eventuella reella egenvärden. ( I vår kurs betraktar vi reella vektorrum och accepterar endast reella egenvärden) Steg 2. För varje reell lösning λk till EKV1 substituerar vi λ=λk i r r ( A − λI ) v = 0 ( EKV2) och bestämmer motsvarande egenvektor . Uppgift 1 Bestäm alla egenvärden och egenvektorer för följande matriser: a) 4 1 −2 1 b) −1 −1 3 3 c) d) a) Lösning Vi löser följande två ekvationer : det( A − λI ) = 0 och r r ( A − λI ) v = 0 ( EKV1 ) ( EKV2) Steg 1. Först löser vi den karakteristiska ekvationen , det( A − λI ) = 0 EKV1, och får eventuella reella egenvärden: Sida 3 av 5 Armin Halilovic: EXTRA ÖVNINGAR Egenvärden och egenvektorer (4 − ) −2 = 0 ⇒ (4 − )(1 − ) + 2 = 0 ⇒ 1 (1 − ) − 5 + 6 = 0 Ekvationen har två reella lösningar 2 och 3 och därför har vi två egenvärden = 3. Steg 2. Låt = = 2, . För varje reell lösning λk till EKV1 substituerar vi λ=λk i EKV2, dvs i följande ekvation (4 − ) −2 1 (1 − ) 0 0 = Och bestämmer motsvarande egenvektorer. = 2 . Vi har i) (4 − 2) −2 0 = , 1 (1 − 2) 0 0 2 −2 = , 0 1 −1 Vi får system (som har icke triviala lösningar) 2 −2 =0 ~ − =0 − =0 ( 0=0 Vi väljer t ex , = ℎ ä = ) = Härav 1 . 1 ii ) På samma sätt får vi för = = = = 3 en tillhörande egenvektor är Svar: a) Egenvärdet egenvärdet b) =2 , = 2 med motsvarande egenvektor = 3 , med motsvarande egenvektor = 1 1 ; =0, = = 2 1 1 , t ≠ 0 och 1 2 = . 1 = 3 . 1 c) Steg 1. ( − I) = 0 ⇒ −λ + 7λ − 14λ + 8 = 0 Om det finns heltalslösningar till ovanstående ekvation då är de delare till konstanta termen 8. Vi testar heltalsfaktorer till 8 : ±1, ± 2 ± 4 ℎ ± 8. Talet λ = 1 är en lösning (kontrollera själv) och därför är polynomet −λ + 7λ − 14λ + 8 delbart med (λ − 1). Polynomdivision ger (−λ + 7λ − 14λ + 8)/(λ − 1) = −λ + 6λ − 8 Sida 4 av 5 Armin Halilovic: EXTRA ÖVNINGAR Egenvärden och egenvektorer Ekvationen ger två lösningar till Steg 2. Låt = = 2 och ; −λ + 6λ − 8 = 0 = 4. . För varje egenvärde λk substituerar vi λ=λk i EKV1, och bestämmer motsvarande egenvektor. ( Kontrollera nedanstående svar.) =1 , Svar c) = 1 1 ,t≠0 ; 0 =2, = 1 2 ,t≠0 ; 0 =4, = 0 2 , 1 t≠0 Svar d) = =0 , = 1 1 0 ,t≠0 ; =2, = 1 2 ,t≠0 ; 0 =3, 0 0 ,t≠0 1 Uppgift 2. Antag att matrisen A har egenvektorn v som svarar mot egenvärdet λ . Visa att då v också är egenvektor till matriserna a) A 2 b) A 2 − 3 A + 2I Bestäm motsvarande egenvärden i båda fall. Lösning: a) Enligt antagande gäller Av = λv (ekv1) Vi multiplicerar (ekv1) med A från vänster och får A2v = λAv ⇒ A2v = λ2v Allternativt kan vi direkt beräkna A2v=AAv= Aλv=λAv=λλv=λ2v Alltså, från A2v = λ2v, ser vi att v också är en egenvektor till A2 som tillhör egenvärdet λ2. b) ( A 2 − 3 A + 2 I ) v=A2v –3Av+2v= λ2v –3λv +2v =(λ2–3λ +2)v , därför är v en egenvektor till A 2 − 3 A + 2I med tillhörande egenvärdet (λ2–3λ +2). Sida 5 av 5