Als je begint met het bestuderen van lineaire algebra, kom je snel in contact met de concepten van eigenwaarden en eigenvectoren. Deze zullen je niet alleen helpen bij het oplossen van stelsels van lineaire vergelijkingen, maar ook een diepere inzicht geven in hoe lineaire transformaties werken. In dit artikel zullen we een gedetailleerde uitleg geven van eigenwaarden en eigenvectoren, met aandacht voor de onderliggende wiskundige principes, en deze verduidelijken aan de hand van concrete oefeningen.
Deze kennis is niet alleen belangrijk voor de wiskunde zelf, maar ook voor toepassingen in diverse andere domeinen zoals fysica, economie en technologie. Eigenwaarden en eigenvectoren helpen bijvoorbeeld bij het analyseren van dynamische systemen, zoals Markovmodellen of Leontief-modellen. In dit artikel zullen we deze concepten toegankelijk maken, en tegelijkertijd laten zien hoe je deze kunt toepassen in praktische oefeningen.
Wat zijn eigenwaarden en eigenvectoren?
Een eigenvector van een vierkante matrix $ A $ is een vector $ v $ die voldoet aan de vergelijking:
$$ A v = \lambda v $$
Hierbij is $ \lambda $ de bijbehorende eigenwaarde. Dit betekent dat wanneer je de matrix $ A $ vermenigvuldigt met de vector $ v $, het resultaat een veelvoud is van $ v $ zelf. De eigenwaarde $ \lambda $ geeft aan hoeveel de vector $ v $ wordt vermenigvuldigd of verkleind door de transformatie die wordt voorgesteld door $ A $.
Deze eigenvectoren vormen lijnen in de ruimte die invariant zijn onder de transformatie. Dat wil zeggen dat ze op zichzelf worden afgebeeld. Dit maakt eigenvectoren en eigenwaarden tot krachtige tools bij het begrijpen van de structuur van lineaire transformaties.
Karakteristieke vergelijking
Om de eigenwaarden van een matrix $ A $ te vinden, moet je de karakteristieke vergelijking oplossen:
$$ \det(A - \lambda I) = 0 $$
Hierbij is $ I $ de eenheidsmatrix van dezelfde dimensie als $ A $, en $ \det $ stelt de determinant voor. Deze vergelijking levert een polynoom in $ \lambda $ op, waarvan de nulpunten de eigenwaarden zijn.
Voorbeeld: 2x2-matrix
Laat $ A $ een 2x2-matrix zijn, bijvoorbeeld:
$$ A = \begin{bmatrix} 3 & 4 \ 10 & 6 \end{bmatrix} $$
De karakteristieke vergelijking is dan:
$$ \det(A - \lambda I) = \det \left( \begin{bmatrix} 3 - \lambda & 4 \ 10 & 6 - \lambda \end{bmatrix} \right) = 0 $$
De determinant is:
$$ (3 - \lambda)(6 - \lambda) - (4)(10) = 0 $$
$$ (3 - \lambda)(6 - \lambda) - 40 = 0 $$
$$ \lambda^2 - 9\lambda - 22 = 0 $$
De oplossingen van deze vergelijking zijn:
$$ \lambda1 = -2, \quad \lambda2 = 11 $$
Deze zijn de eigenwaarden van matrix $ A $.
Eigenvectoren bepalen
Na het vinden van de eigenwaarden, bepalen we de eigenvectoren. Dit doen we door de vergelijking:
$$ (A - \lambda I) v = 0 $$
op te lossen voor $ v $, waarbij $ \lambda $ een van de gevonden eigenwaarden is.
Voorbeeld: Eigenvector bij $ \lambda = -2 $
We gebruiken opnieuw de matrix $ A $ uit het vorige voorbeeld en vullen $ \lambda = -2 $ in:
$$ A - (-2)I = \begin{bmatrix} 3 + 2 & 4 \ 10 & 6 + 2 \end{bmatrix} = \begin{bmatrix} 5 & 4 \ 10 & 8 \end{bmatrix} $$
De vergelijking wordt dan:
$$ \begin{bmatrix} 5 & 4 \ 10 & 8 \end{bmatrix} \begin{bmatrix} x \ y \end{bmatrix} = \begin{bmatrix} 0 \ 0 \end{bmatrix} $$
Dit levert het stelsel:
$$ 5x + 4y = 0 \ 10x + 8y = 0 $$
De tweede vergelijking is gewoon het dubbele van de eerste, dus we hoeven alleen de eerste vergelijking op te lossen:
$$ 5x + 4y = 0 \Rightarrow y = -\frac{5}{4}x $$
Kies nu $ x = 4 $, dan is $ y = -5 $. Een eigenvector bij $ \lambda = -2 $ is dus:
$$ v = \begin{bmatrix} 4 \ -5 \end{bmatrix} $$
Op dezelfde manier bepalen we de eigenvector bij $ \lambda = 11 $.
Voorbeeld: Eigenvector bij $ \lambda = 11 $
$$ A - 11I = \begin{bmatrix} 3 - 11 & 4 \ 10 & 6 - 11 \end{bmatrix} = \begin{bmatrix} -8 & 4 \ 10 & -5 \end{bmatrix} $$
De vergelijking is:
$$ \begin{bmatrix} -8 & 4 \ 10 & -5 \end{bmatrix} \begin{bmatrix} x \ y \end{bmatrix} = \begin{bmatrix} 0 \ 0 \end{bmatrix} $$
Stelsel:
$$ -8x + 4y = 0 \ 10x - 5y = 0 $$
De tweede vergelijking is ook een veelvoud van de eerste. Los de eerste op:
$$ -8x + 4y = 0 \Rightarrow y = 2x $$
Kies $ x = 1 $, dan is $ y = 2 $. Een eigenvector bij $ \lambda = 11 $ is:
$$ v = \begin{bmatrix} 1 \ 2 \end{bmatrix} $$
Toepassing in Markovmodellen
Een toepassing van eigenwaarden en eigenvectoren is in Markovmodellen, waarbij we een stochastische matrix gebruiken om toestandsveranderingen in een systeem te beschrijven.
Voorbeeld: Migratiematrix
Stel dat we een populatie hebben die zich in twee steden bevindt. De migratiematrix $ M $ beschrijft de kans dat een persoon van de ene stad naar de andere verhuist:
$$ M = \begin{bmatrix} 0.7 & 0.2 \ 0.3 & 0.8 \end{bmatrix} $$
De eigenwaarde $ \lambda = 1 $ correspondeert met de stationaire toestand van het systeem, waarin de verdeling van de populatie tussen de steden niet meer verandert.
Bereken de eigenvectoren bij $ \lambda = 1 $:
$$ M - I = \begin{bmatrix} 0.7 - 1 & 0.2 \ 0.3 & 0.8 - 1 \end{bmatrix} = \begin{bmatrix} -0.3 & 0.2 \ 0.3 & -0.2 \end{bmatrix} $$
Stelsel:
$$ -0.3x + 0.2y = 0 \ 0.3x - 0.2y = 0 $$
Los op:
$$ -0.3x + 0.2y = 0 \Rightarrow y = 1.5x $$
Kies $ x = 2 $, dan is $ y = 3 $. De stationaire verdeling is:
$$ v = \begin{bmatrix} 2 \ 3 \end{bmatrix} $$
Deze vector stelt de verhouding tussen de twee steden voor wanneer het systeem in evenwicht is.
Lineaire transformaties en eigenvectoren
Eigenvectoren spelen ook een rol bij lineaire transformaties, zoals rotaties, spiegelingen en schalingen. In dit geval zijn eigenvectoren de lijnen die niet veranderen van richting onder de transformatie.
Voorbeeld: Rotatie
Bij een rotatie van $ \theta $ radialen rond de oorsprong in het vlak, is er slechts één eigenwaarde $ \lambda = 1 $ als $ \theta = 0 $. Voor alle andere hoeken is er geen reële eigenvector, omdat de richting van elke vector verandert.
Voorbeeld: Spiegeling
Bij een spiegeling in een lijn door de oorsprong zijn de eigenvectoren de vectoren die op de lijn liggen (eigenwaarde $ \lambda = 1 $) en de vectoren die loodrecht op de lijn staan (eigenwaarde $ \lambda = -1 $).
Oefeningen
Oefeningen zijn een essentieel onderdeel van het begrijpen van eigenwaarden en eigenvectoren. Hieronder geven we een aantal voorbeelden van oefeningen die je kunt uitvoeren.
Oefening 1: Bepaal de eigenwaarden en eigenvectoren van de volgende matrix:
$$ A = \begin{bmatrix} 4 & 2 \ 1 & 3 \end{bmatrix} $$
Oefening 2: Bepaal de stationaire toestand van het volgende Markovmodel:
$$ M = \begin{bmatrix} 0.6 & 0.4 \ 0.3 & 0.7 \end{bmatrix} $$
Oefening 3: Los het stelsel op om de eigenvectoren te bepalen van de matrix:
$$ A = \begin{bmatrix} 5 & -1 \ -1 & 5 \end{bmatrix} $$
Conclusie
Eigenwaarden en eigenvectoren zijn krachtige concepten in de lineaire algebra die je helpen bij het begrijpen van de structuur en eigenschappen van lineaire transformaties en stelsels. Door de karakteristieke vergelijking op te lossen, kun je de eigenwaarden bepalen, en door stelsels op te lossen vind je de eigenvectoren. Deze kennis is niet alleen theoretisch interessant, maar ook toepasbaar in praktische toepassingen zoals Markovmodellen, Leontief-modellen en lineaire transformaties.
Het oplossen van oefeningen is een essentieel onderdeel van het verwerken van deze concepten. Door herhaaldelijk te oefenen, kun je je wiskundige vaardigheden versterken en dieper inzicht krijgen in de werking van eigenwaarden en eigenvectoren.