Hopp til hovedinnholdet

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

TMA4115 ordinær eksamen 2023

Oppgave 5

Oppgave 5a)

Finn egenverdiene til
A=[2−11212] A = \begin{bmatrix} 2 & -1 \\ \dfrac{1}{2} & \dfrac{1}{2} \end{bmatrix}
når det er kjent at
[11]og[21] \begin{bmatrix} 1 \\ 1 \end{bmatrix} \quad \text{og} \quad \begin{bmatrix} 2 \\ 1 \end{bmatrix}
er egenvektorer.
Vis løsning på oppgave 5a
Svar
λ1=1,λ2=32‾‾ \underline{\underline{\lambda_1 = 1, \quad \lambda_2 = \dfrac{3}{2}}}
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
{dx1dt=2x1−x2dx2dt=12x1+12x2 \begin{cases} \dfrac{\mathrm{d}x_1}{\mathrm{d}t} = 2x_1 - x_2 \\ \dfrac{\mathrm{d}x_2}{\mathrm{d}t} = \dfrac{1}{2}x_1 + \dfrac{1}{2}x_2 \end{cases}
x1(0)=1,x2(0)=−1 x_1(0) = 1, \qquad x_2(0) = -1
Vis løsning på oppgave 5b
Svar
x1(t)=−3et+4e32t‾‾ \underline{\underline{x_1(t) = -3e^{t} + 4e^{\tfrac{3}{2}t}}}
x2(t)=−3et+2e32t‾‾ \underline{\underline{x_2(t) = -3e^{t} + 2e^{\tfrac{3}{2}t}}}
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 \( {x_2(0) = -3 + 2 = -1}\text{.} \)

TMA4115 ordinær eksamen 2022

Oppgave 7

La A A være en reell 3×3 3 \times 3 -matrise. Vi får oppgitt at
A[111]=[−3−3−3],A[−110]=[000],A[11−2]=[22−4]. \begin{aligned} A\begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix} &= \begin{bmatrix} -3 \\ -3 \\ -3 \end{bmatrix}, \quad A\begin{bmatrix} -1 \\ 1 \\ 0 \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \\ 0 \end{bmatrix}, \\ A\begin{bmatrix} 1 \\ 1 \\ -2 \end{bmatrix} &= \begin{bmatrix} 2 \\ 2 \\ -4 \end{bmatrix}\text{.} \end{aligned}
Bestem egenverdiene til A A og tilhørende egenvektorer, og begrunn hvorfor A A er diagonaliserbar. Finn så en diagonalisering av A, A\text{,} og beregn
A2022[021]. A^{2022}\begin{bmatrix} 0 \\ 2 \\ 1 \end{bmatrix}\text{.}
Vis løsning på oppgave 7

Svar

Egenverdiene er ulike, så A A er diagonaliserbar:
λ1=−3: v1=[111]‾‾ \underline{\underline{\lambda_1 = -3\text{: } \mathbf{v}_1 = \begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix}}}
λ2=0: v2=[−110]‾‾ \underline{\underline{\lambda_2 = 0\text{: } \mathbf{v}_2 = \begin{bmatrix} -1 \\ 1 \\ 0 \end{bmatrix}}}
λ3=2: v3=[11−2]‾‾ \underline{\underline{\lambda_3 = 2\text{: } \mathbf{v}_3 = \begin{bmatrix} 1 \\ 1 \\ -2 \end{bmatrix}}}
A=PDP−1‾‾ \underline{\underline{A = PDP^{-1}}}
P=[1−1111110−2]‾‾ \underline{\underline{P = \begin{bmatrix} 1 & -1 & 1 \\ 1 & 1 & 1 \\ 1 & 0 & -2 \end{bmatrix}}}
D=[−300000002]‾‾ \underline{\underline{D = \begin{bmatrix} -3 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 2 \end{bmatrix}}}
A2022[021]=32022[111]‾‾ \underline{\underline{A^{2022}\begin{bmatrix} 0 \\ 2 \\ 1 \end{bmatrix} = 3^{2022}\begin{bmatrix} 1 \\ 1 \\ 1 \end{bmatrix}}}
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 \( (0, 2, 1)\text{.} \)

TMA4115 ordinær eksamen 2022

Oppgave 10

La M3 \mathcal{M}_3 være vektorrommet av reelle 3×3 3 \times 3 -matriser, og la funksjonen T:M3→M3 T : \mathcal{M}_3 \to \mathcal{M}_3 være gitt ved
T(A)=A+AT,for A∈M3, T(A) = A + A^T, \quad \text{for } A \in \mathcal{M}_3\text{,}
der AT A^T betegner den transponerte matrisa til A. A\text{.}
Vis at T T er en lineærtransformasjon.
Vis at λ=0 {\lambda = 0} og λ=2 {\lambda = 2} er egenverdier for T. T\text{.}
Hva er de tilhørende egenrommene til disse to egenverdiene, og hva er dimensjonen til hvert av egenrommene? Kan T T ha noen andre egenverdier?
Vis løsning på oppgave 10

Svar

T T er lineær, og 0 0 og 2 2 er egenverdier:
λ=0: {A:AT=−A}, dim 3‾‾ \underline{\underline{\lambda = 0\text{: } \{A : A^T = -A\}\text{, dim } 3}}
λ=2: {A:AT=A}, dim 6‾‾ \underline{\underline{\lambda = 2\text{: } \{A : A^T = A\}\text{, dim } 6}}
Ingen andre egenverdier‾‾ \underline{\underline{\text{Ingen andre 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.