Universitetseksamen etter tema
Øv på ett tema om gangen med oppgavene fra universitetseksamenene vi har lagt ut, foreløpig NTNU Matematikk 1 og NTNU Matematikk 3. Velg område og tema, så henter vi oppgavene fra alle settene. Prøv selv først – løsningen ligger under oppgaven når du står fast.
Område
Emne
egenverdier
Velger du flere tema, får du oppgavene som har alle sammen.
13 oppgaver i NTNU Matematikk 3 om egenverdier · viser 11–13
Oppgavene
Oppgave 5
- Flere oppgaver om differensiallikninger,
- Flere oppgaver om egenverdier,
- Flere oppgaver om systemer av differensiallikninger
Oppgave 5a)
Finn egenverdiene til
når det er kjent at
er egenvektorer.
Vis løsningSkjul løsning på oppgave 5a
Svar
Vi kjenner egenvektorene, så vi slipper determinanten. Vi ganger \( A \) med hver av dem og ser hvilket tall vektoren blir ganget med.
1. Gang A med egenvektorene
En egenvektor \( \mathbf{v} \) med egenverdi \( \lambda \) oppfyller, som i videoen Introduksjon egenverdier egenvektorer:
\[ A\mathbf{v} = \lambda\mathbf{v} \]
Rad ganger kolonne gir for \( {\textcolor{blue}{\mathbf{v}_1 = (1, 1)}}\text{:} \)
\[ \begin{aligned} A\textcolor{blue}{\begin{bmatrix} 1 \\ 1 \end{bmatrix}} &= \begin{bmatrix} 2 \cdot 1 - 1 \cdot 1 \\ \tfrac{1}{2} \cdot 1 + \tfrac{1}{2} \cdot 1 \end{bmatrix} = \begin{bmatrix} 1 \\ 1 \end{bmatrix} \\ &= \textcolor{blue}{1} \cdot \textcolor{blue}{\begin{bmatrix} 1 \\ 1 \end{bmatrix}} \end{aligned} \]
Vektoren blir ganget med \( 1\text{,} \) så \( {\textcolor{blue}{\lambda_1 = 1}}\text{.} \)
For \( {\textcolor{red}{\mathbf{v}_2 = (2, 1)}} \) får vi:
\[ \begin{aligned} A\textcolor{red}{\begin{bmatrix} 2 \\ 1 \end{bmatrix}} &= \begin{bmatrix} 2 \cdot 2 - 1 \cdot 1 \\ \tfrac{1}{2} \cdot 2 + \tfrac{1}{2} \cdot 1 \end{bmatrix} = \begin{bmatrix} 3 \\ \tfrac{3}{2} \end{bmatrix} \\ &= \textcolor{red}{\dfrac{3}{2}} \cdot \textcolor{red}{\begin{bmatrix} 2 \\ 1 \end{bmatrix}} \end{aligned} \]
Vektoren blir ganget med \( \dfrac{3}{2}\text{,} \) så \( {\textcolor{red}{\lambda_2 = \tfrac{3}{2}}}\text{.} \) En \( 2 \times 2 \)-matrise har høyst to egenverdier, så dette er alle.
Oppgave 5b)
Løs deretter initialverdiproblemet
Vis løsningSkjul løsning på oppgave 5b
Svar
Vi bruker egenverdiene og egenvektorene fra a). Ved følgefeil kan det gis full uttelling.
Systemet er \( {\mathbf{x}' = A\mathbf{x}} \) med matrisen fra a). Den generelle løsningen bygges av egenverdiene og egenvektorene, og startverdiene bestemmer konstantene.
1. Skriv systemet på matriseform
Vi samler \( x_1 \) og \( x_2 \) i én vektor \( \mathbf{x}\text{,} \) som i videoen System av difflikninger:
\[ \begin{bmatrix} x_1' \\ x_2' \end{bmatrix} = \begin{bmatrix} 2 & -1 \\ \tfrac{1}{2} & \tfrac{1}{2} \end{bmatrix}\begin{bmatrix} x_1 \\ x_2 \end{bmatrix} \]
Matrisen er \( A \) fra a), der vi fant:
\[ \begin{aligned} \textcolor{blue}{\lambda_1} &= \textcolor{blue}{1}, & \textcolor{blue}{\mathbf{v}_1} &= \textcolor{blue}{\begin{bmatrix} 1 \\ 1 \end{bmatrix}} \\ \textcolor{red}{\lambda_2} &= \textcolor{red}{\tfrac{3}{2}}, & \textcolor{red}{\mathbf{v}_2} &= \textcolor{red}{\begin{bmatrix} 2 \\ 1 \end{bmatrix}} \end{aligned} \]
2. Skriv opp den generelle løsningen
Den generelle løsningen av \( {\mathbf{x}' = A\mathbf{x}} \) er, som i videoen System av difflikninger:
\[ \mathbf{x} = C_1\textcolor{blue}{\mathbf{v}_1}e^{\textcolor{blue}{\lambda_1}t} + C_2\textcolor{red}{\mathbf{v}_2}e^{\textcolor{red}{\lambda_2}t} \]
Plugger vi inn, får vi:
\[ \mathbf{x} = C_1\textcolor{blue}{\begin{bmatrix} 1 \\ 1 \end{bmatrix}}e^{\textcolor{blue}{t}} + C_2\textcolor{red}{\begin{bmatrix} 2 \\ 1 \end{bmatrix}}e^{\textcolor{red}{\tfrac{3}{2}}t} \]
3. Bruk startverdiene
Vi setter inn \( {t = 0}\text{,} \) der \( {e^0 = 1}\text{:} \)
\[ C_1\begin{bmatrix} 1 \\ 1 \end{bmatrix} + C_2\begin{bmatrix} 2 \\ 1 \end{bmatrix} = \begin{bmatrix} 1 \\ -1 \end{bmatrix} \]
Rad for rad gir det:
\[ \begin{aligned} C_1 + 2C_2 &= 1 \\ C_1 + C_2 &= -1 \end{aligned} \]
Trekker vi den andre likningen fra den første, får vi:
\[ C_2 = 2 \]
Da er:
\[ C_1 = -1 - C_2 = -3 \]
Plugger vi inn konstantene, får vi:
\[ \begin{aligned} x_1 &= -3e^{t} + 2 \cdot 2e^{\tfrac{3}{2}t} = -3e^{t} + 4e^{\tfrac{3}{2}t} \\ x_2 &= -3e^{t} + 2e^{\tfrac{3}{2}t} \end{aligned} \]
Kontroll: Med \( {t = 0} \) får vi \( {x_1(0) = -3 + 4 = 1} \) og \( {x_2(0) = -3 + 2 = -1}\text{.} \)
Oppgave 7
La være en reell -matrise. Vi får oppgitt at
Bestem egenverdiene til og tilhørende egenvektorer, og begrunn hvorfor er diagonaliserbar. Finn så en diagonalisering av og beregn
Vis løsningSkjul løsning på oppgave 7
Svar
Egenverdiene er ulike, så er diagonaliserbar:
Vi ser at hver av de tre likningene har formen \( {A\mathbf{v} = \lambda\mathbf{v}}\text{.} \) Da kan vi lese av egenverdiene og egenvektorene direkte, og potensen regner vi ut med \( {A^k = PD^kP^{-1}}\text{.} \)
1. Les av egenverdiene
En egenvektor \( {\mathbf{v} \neq \mathbf{0}} \) med egenverdi \( \lambda \) oppfyller, som i videoen Introduksjon egenverdier egenvektorer:
\[ A\mathbf{v} = \lambda\mathbf{v} \]
Vi skriver høyresidene som et tall ganger vektoren:
\[ \begin{aligned} A\textcolor{blue}{\begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix}} &= \begin{bmatrix} -3 \\ -3 \\ -3 \end{bmatrix} = \textcolor{blue}{-3}\textcolor{blue}{\begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix}} \\ A\textcolor{red}{\begin{bmatrix} -1 \\ 1 \\ 0 \end{bmatrix}} &= \begin{bmatrix} 0 \\ 0 \\ 0 \end{bmatrix} = \textcolor{red}{0}\textcolor{red}{\begin{bmatrix} -1 \\ 1 \\ 0 \end{bmatrix}} \\ A\textcolor{green}{\begin{bmatrix} 1 \\ 1 \\ -2 \end{bmatrix}} &= \begin{bmatrix} 2 \\ 2 \\ -4 \end{bmatrix} = \textcolor{green}{2}\textcolor{green}{\begin{bmatrix} 1 \\ 1 \\ -2 \end{bmatrix}} \end{aligned} \]
Det gir egenverdiene og egenvektorene:
\[ \begin{aligned} \textcolor{blue}{\lambda_1} &= \textcolor{blue}{-3}, & \textcolor{blue}{\mathbf{v}_1} &= \textcolor{blue}{\begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix}} \\ \textcolor{red}{\lambda_2} &= \textcolor{red}{0}, & \textcolor{red}{\mathbf{v}_2} &= \textcolor{red}{\begin{bmatrix} -1 \\ 1 \\ 0 \end{bmatrix}} \\ \textcolor{green}{\lambda_3} &= \textcolor{green}{2}, & \textcolor{green}{\mathbf{v}_3} &= \textcolor{green}{\begin{bmatrix} 1 \\ 1 \\ -2 \end{bmatrix}} \end{aligned} \]Alle multipler \( t\mathbf{v}_j \) med \( {t \neq 0} \) er også egenvektorer. En \( 3 \times 3 \)-matrise har høyst tre egenverdier, så det er ingen flere.
2. Begrunn at A er diagonaliserbar
Egenvektorer med ulike egenverdier er lineært uavhengige. Det gir regelen for en \( {n \times n\text{-matrise } A}\text{:} \)
\[ \begin{aligned} &\lambda_1, \dots, \lambda_n \text{ er ulike} \\ &\Rightarrow\; A \text{ er diagonaliserbar} \end{aligned} \]
Her er \( {n = 3}\text{,} \) og \( {-3}\text{,} \) \( 0 \) og \( 2 \) er ulike. Da er \( \mathbf{v}_1\text{,} \) \( \mathbf{v}_2 \) og \( \mathbf{v}_3 \) en basis for \( \mathbb{R}^3\text{,} \) og \( A \) er diagonaliserbar.
3. Sett opp diagonaliseringen
Egenvektorene er kolonnene i \( P\text{,} \) og egenverdiene står på diagonalen i \( D \) i samme rekkefølge, som i videoen Intro diagonalisering:
\[ A = PDP^{-1} \]
Det gir oss:
\[ P = \begin{bmatrix} \textcolor{blue}{1} & \textcolor{red}{-1} & \textcolor{green}{1} \\ \textcolor{blue}{1} & \textcolor{red}{1} & \textcolor{green}{1} \\ \textcolor{blue}{1} & \textcolor{red}{0} & \textcolor{green}{-2} \end{bmatrix} \]\[ D = \begin{bmatrix} \textcolor{blue}{-3} & 0 & 0 \\ 0 & \textcolor{red}{0} & 0 \\ 0 & 0 & \textcolor{green}{2} \end{bmatrix} \]
4. Regn ut potensen
Ganger vi \( {PDP^{-1}} \) med seg selv, blir hver \( {P^{-1}P} \) til \( I\text{,} \) som i videoen Eksempel 2x2 diagonalisering:
\[ A^{2022}\mathbf{w} = PD^{2022}P^{-1}\mathbf{w} \]Her er \( {\mathbf{w} = (0, 2, 1)} \) vektoren vi skal gange med.
\( {\mathbf{c} = P^{-1}\mathbf{w}} \) er løsningen av \( {P\mathbf{c} = \mathbf{w}}\text{,} \) altså \( {c_1\mathbf{v}_1 + c_2\mathbf{v}_2 + c_3\mathbf{v}_3 = \mathbf{w}}\text{:} \)
\[ \begin{aligned} c_1 - c_2 + c_3 &= 0 \\ c_1 + c_2 + c_3 &= 2 \\ c_1 - 2c_3 &= 1 \end{aligned} \]
Trekker vi den første fra den andre, får vi:
\[ 2c_2 = 2 \quad \Rightarrow \quad c_2 = 1 \]
Da gir den første \( {c_1 + c_3 = 1}\text{.} \) Trekker vi den tredje fra den, får vi:
\[ \begin{aligned} (c_1 + c_3) - (c_1 - 2c_3) &= 1 - 1 \\ 3c_3 &= 0 \end{aligned} \]
Altså er \( {c_3 = 0} \) og \( {c_1 = 1}\text{:} \)
\[ \mathbf{c} = \begin{bmatrix} 1 \\ 1 \\ 0 \end{bmatrix} \]
En diagonalmatrise opphøyes tall for tall, som i videoen Eksempel 2x2 diagonalisering:
\[ D^{2022} = \begin{bmatrix} (-3)^{2022} & 0 & 0 \\ 0 & 0^{2022} & 0 \\ 0 & 0 & 2^{2022} \end{bmatrix} \]
Her er \( {0^{2022} = 0}\text{,} \) og \( {(-3)^{2022} = 3^{2022}} \) siden \( 2022 \) er et partall. Ganger vi med \( \mathbf{c}\text{,} \) blir bare det første tallet igjen:
\[ D^{2022}\mathbf{c} = \begin{bmatrix} 3^{2022} \cdot 1 \\ 0 \cdot 1 \\ 2^{2022} \cdot 0 \end{bmatrix} = \begin{bmatrix} 3^{2022} \\ 0 \\ 0 \end{bmatrix} \]
Til slutt ganger vi med \( P\text{.} \) Bare første kolonne, \( \mathbf{v}_1\text{,} \) blir igjen:
\[ A^{2022}\mathbf{w} = P\begin{bmatrix} 3^{2022} \\ 0 \\ 0 \end{bmatrix} = 3^{2022}\begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix} \]
Kontroll: \( {\mathbf{c} = (1, 1, 0)} \) betyr \( {\mathbf{v}_1 + \mathbf{v}_2 = \mathbf{w}}\text{,} \) og det stemmer: summen av \( (1, 1, 1) \) og \( {(-1, 1, 0)} \) er \( (0, 2, 1)\text{.} \)
Oppgave 10
- Flere oppgaver om basis og dimensjon,
- Flere oppgaver om egenverdier,
- Flere oppgaver om lineærtransformasjoner
La være vektorrommet av reelle -matriser, og la funksjonen være gitt ved
der betegner den transponerte matrisa til
Vis at er en lineærtransformasjon.
Vis at og er egenverdier for
Hva er de tilhørende egenrommene til disse to egenverdiene, og hva er dimensjonen til hvert av egenrommene? Kan ha noen andre egenverdier?
Vis løsningSkjul løsning på oppgave 10
Svar
er lineær, og og er egenverdier:
Vi bruker regnereglene for transponering. \( {T(A) = \lambda A} \) gir enkle krav når \( {\lambda = 0} \) og \( {\lambda = 2}\text{:} \) \( {A^T = -A} \) og \( {A^T = A}\text{.} \)
1. Vis at T er lineær
Transponerer vi, blir radene kolonner, som i videoen Finn A invers og transponert (3x3 matrise). Da gjelder:
\[ \begin{aligned} (A + B)^T &= A^T + B^T \\ (cA)^T &= cA^T \end{aligned} \]
\( T \) er lineær når \( {T(A + B) = T(A) + T(B)} \) og \( {T(cA) = cT(A)}\text{.} \) Med \( \textcolor{blue}{A} \) og \( \textcolor{red}{B} \) får vi:
\[ \begin{aligned} T(\textcolor{blue}{A} + \textcolor{red}{B}) &= \textcolor{blue}{A} + \textcolor{red}{B} + (\textcolor{blue}{A} + \textcolor{red}{B})^T \\ &= (\textcolor{blue}{A} + \textcolor{blue}{A^T}) + (\textcolor{red}{B} + \textcolor{red}{B^T}) \\ &= T(\textcolor{blue}{A}) + T(\textcolor{red}{B}) \end{aligned} \]
Med et tall \( c \) setter vi \( c \) utenfor:
\[ \begin{aligned} T(c\textcolor{blue}{A}) &= c\textcolor{blue}{A} + (c\textcolor{blue}{A})^T \\ &= c\textcolor{blue}{A} + c\textcolor{blue}{A^T} = c\,T(\textcolor{blue}{A}) \end{aligned} \]
2. Vis at verdiene er egenverdier
\( \lambda \) er en egenverdi når det finnes en \( {A \neq O} \) med \( {T(A) = \lambda A}\text{,} \) som \( {A\mathbf{v} = \lambda\mathbf{v}} \) i videoen Introduksjon egenverdier egenvektorer. Her er \( O \) nullmatrisen.
For \( {\lambda = 0} \) blir kravet:
\[ A + A^T = O \quad \Leftrightarrow \quad A^T = -A \]Et eksempel med \( {A \neq O} \) er:
\[ A = \begin{bmatrix} 0 & 1 & 0 \\ -1 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix} \]
Her er \( {A^T = -A}\text{,} \) så:
\[ T(A) = A + A^T = O = 0 \cdot A \]
For \( {\lambda = 2} \) blir kravet:
\[ A + A^T = 2A \quad \Leftrightarrow \quad A^T = A \]Identitetsmatrisen er et eksempel:
\[ T(I) = I + I = 2I \]
3. Finn egenrommene
Egenrommet til \( {\lambda = 0} \) er de antisymmetriske matrisene, \( {A^T = -A}\text{.} \) Diagonalen må være \( 0\text{,} \) og tallet under diagonalen er minus tallet over:
\[ \begin{aligned} A &= \begin{bmatrix} 0 & \textcolor{blue}{p} & \textcolor{red}{q} \\ -\textcolor{blue}{p} & 0 & \textcolor{green}{r} \\ -\textcolor{red}{q} & -\textcolor{green}{r} & 0 \end{bmatrix} \\ &= \textcolor{blue}{p}\begin{bmatrix} 0 & 1 & 0 \\ -1 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix} \\ &\quad + \textcolor{red}{q}\begin{bmatrix} 0 & 0 & 1 \\ 0 & 0 & 0 \\ -1 & 0 & 0 \end{bmatrix} \\ &\quad + \textcolor{green}{r}\begin{bmatrix} 0 & 0 & 0 \\ 0 & 0 & 1 \\ 0 & -1 & 0 \end{bmatrix} \end{aligned} \]De tre matrisene spenner ut egenrommet \( E_0\text{,} \) og de er lineært uavhengige, siden hver har sitt eget tall på en plass der de andre har \( 0\text{:} \)
\[ \dim E_0 = 3 \]
Egenrommet \( E_2 \) til \( {\lambda = 2} \) er de symmetriske matrisene, \( {A^T = A}\text{.} \) Tallet under diagonalen er lik tallet over:
\[ A = \begin{bmatrix} p & q & r \\ q & s & u \\ r & u & w \end{bmatrix} \]Her er de seks tallene frie. Hvert av dem gir én basismatrise, med \( 1 \) der tallet står og \( 0 \) ellers, akkurat som for \( E_0\text{:} \)
\[ 6 \text{ frie tall} \;\Rightarrow\; \dim E_2 = 6 \]
4. Utelukk andre egenverdier
Anta at \( {T(A) = \lambda A} \) med \( {A \neq O}\text{.} \) Transponerer vi \( T(A)\text{,} \) får vi den samme matrisen tilbake:
\[ \begin{aligned} T(A)^T &= (A + A^T)^T \\ &= A^T + A = T(A) \end{aligned} \]
Da er \( {(\lambda A)^T = \lambda A}\text{,} \) som gir:
\[ \lambda A^T = \lambda A \quad \Leftrightarrow \quad \lambda(A^T - A) = O \]
Enten er \( {\lambda = 0}\text{,} \) eller så er \( {A^T = A}\text{.} \) I det siste tilfellet er \( {T(A) = 2A}\text{,} \) og siden \( {A \neq O}\text{,} \) får vi:
\[ \begin{aligned} \lambda \neq 0 \;&\Rightarrow\; A^T = A \\ &\Rightarrow\; \lambda A = T(A) = 2A \\ &\Rightarrow\; \lambda = 2 \end{aligned} \]
Andre egenverdier finnes altså ikke. Det stemmer med dimensjonene: \( {3 + 6 = 9 = \dim \mathcal{M}_3}\text{,} \) så egenrommene fyller hele rommet.