You are on page 1of 17

Gertjan Laan

Matrices

versie 2

Matrices

1.1

Wat is een matrix?

Een matrix is een rechthoekige tabel met getallen, en ronde haken erom. Bijvoorbeeld:

1
4

2
5

3
6


7
of 8
9

De afmeting van een matrix geef je aan met twee getallen, r k, eerst het aantal
rijen, dan het aantal kolommen (rooms katholiek). De linker matrix hierboven
is een 2 3 matrix, de rechter een 3 1 (ook wel kolomvector genoemd).
Als voor een matrix M geldt: r = k, dan heet M een vierkante matrix.

1.2

Optellen

Matrices van gelijke grootte kun je bij elkaar optellen:



 
 

1 2 3
7 8 9
8 10 12
+
=
4 5 6
10 11 12
14 16 18
Matrixoptelling is commutatief, dat wil zeggen: A + B = B + A (ga na).
Matrixoptelling is associatief, dat wil zeggen: (A + B) + C = A + (B + C) (ga
na).
Opmerking: matrices van ongelijke grootte kun je niet bij elkaar optellen.

1.3

Matrixvermenigvuldiging

Matrices kun je met elkaar vermenigvuldigen. Net als bij optellen stelt ook
vermenigvuldigen eisen aan de afmetingen van de matrices. Vermenigvuldigen
van matrix L met matrix M gaat zo:
bepaal het inproduct van de eerste rij van L met de eerste kolom van M
(elementen een voor een met elkaar vermenigvuldigen en de uitkomsten
optellen)
bepaal het inproduct van tweede rij van L met de tweede kolom van M
etcetera . . .
Bijvoorbeeld:

LM =

1
4

2
5


a
3
b
6
c



d
a + 2b + 3c d + 2e + 3f
e =
4a + 5b + 6c 4d + 5e + 6f
f

Gertjan Laan

Matrices

versie 2

De linker matrix L moet evenveel kolommen hebben als de rechter matrix rijen
heeft, anders kan de vermenigvuldiging niet.
Dus als L de afmeting rL kL heeft, en M de afmeting rM kM dan moet
kL = rM zijn.
L

M
rL kL rM kM
|
{z
}

(1)

moeten gelijk zijn

Met andere woorden: je kunt alleen matrices L en M met afmeting rL n en


n kM met elkaar vermenigvuldigen.
De resulterende matrix heeft afmeting rL kM , dat zijn de buitenste getallen
in (1).
Matrixvermenigvuldiging is in het algemeen niet commutatief, dat wil zeggen:
L M 6= M L. L M is hierboven al uitgerekend, en is een 2 2-matrix.
Anderzijds is M L een 3 3-matrix:

a
M L = b
c


d
1

e
4
f

2
5


a + 4d 2a + 5d 3a + 6d
3
= b + 4e 2b + 5e 3b + 6f
6
c + 4f 2c + 5f 3c + 6f

Ook de vermenigvuldiging van vierkante matrices is in het algemeen niet commutatief. Bijvoorbeeld, enerzijds is:


1
3

 
2
5

4
7

6
8

5
7

 
6
1

8
3

2
4

19
43


22
50

23
31

34
46

Anderzijds:


1.4

Scalaire vermenigvuldiging

Je kunt een matrix met een getal (scalair) vermenigvuldigen:




1
2
4

1.5

2
5

 
3
2
=
6
8

4
10

6
12

Een matrix stelt een afbeelding voor




Een matrix als A =

1
2


2
stelt een afbeelding voor.
3

Bij een afbeelding (of functie) denk ik bijvoorbeeld aan f (x) = x2 . Als je voor
x een waarde kiest, bijvoorbeeld x = 3, dan is f (3) = 9. Je stopt er 3 in, en er
komt 9 uit. Je kunt er eventueel een grafiek van maken.

Gertjan Laan

Matrices

versie 2

Hoe zit dat met matrix A? Je vermenigvuldigt A met een vector x, en er komt
een andere vector uit: A x = y

    
0 1
2
3
Bijvoorbeeld:

=
1
0
3
2
Je kunt hier eventueel een plaatje bij maken (zie opgave 1).
Een 2 2-matrix is een afbeelding van R2 naar R2 .
Immers, als je een 2 2-matrix vermenigvuldigt met een 2 1-vector, krijg je
een 2 1-vector.
Evenzo is een 3 3-matrix is een afbeelding van R3 naar R3 . In het algemeen nemen vierkante (n n) matrices een belangrijke plaats in, omdat ze een
afbeelding zijn van de ruimte Rn op zichzelf.

Opgave 1. Gegeven is de afbeelding M = 01 10 .

a. Teken de vector 32 en zijn beeld onder de afbeelding M .
b. Teken ook de vector ( 11 ) en zijn beeld onder de afbeelding M .
c. Hoe kun je de afbeelding M in woorden omschrijven?

1.6

Eenheidsmatrix

Een vierkante matrix heet eenheidsmatrix als op de hoofddiagonaal allemaal


enen staan, in in de rest van de matrix nullen.


1 0
De 2 2 eenheidsmatrix:
= I2
0 1

1 0 0
De 3 3 eenheidsmatrix: 0 1 0 = I3
0 0 1
Waarom heet hij eenheidsmatrix? Omdat

 
 
 
1 0
a b
a.1 + 0.c 1.b + 0.d
a

=
=
0 1
c d
0.a + 1.c 0.b + 1.d
c


b
d

Dus I2 A = A, als A een willekeurige 2 2-matrix is..


Overigens is ook A I2 = A (ondanks het feit dat matrixvermenigvuldiging in
het algemeen niet commutatief is, zie paragraaf 1.3).
En voor een 3 3-matrix B geldt: I3 B = B I3 = B.

1.7

Stelsel lineaire vergelijkingen

Een stelsel lineaire vergelijkingen is makkelijk behulp van een matrix en vectoren
te schrijven. Neem bijvoorbeeld dit stelsel:

Gertjan Laan

Matrices

2x + 3y
x + 4y

=8
=9

versie 2

(2)

In matrixvorm ziet dit stelsel er zo uit:




2 3
1 4
| {z }

 
x
y
| {z }

coefficientenmatrix onbekende vector

 
8
9
|{z}

(3)

bekende vector

Je kunt gemakkelijk controleren dat (2)) en (3) gelijkwaardig zijn door de matrixvermenigvuldiging uit te schrijven.
In het algemeen kun je elk stelsel van de vorm


ax + by
cx + dy

=p
=q

schrijven in de vorm A x = y:
 
 


x
p
a b
en y =
A=
,x=
y
q
c d
Opmerking: net als bij de gewone vermenigvuldiging wordt bij een matrixvermenigvuldiging de punt vaak weggelaten:
A x = y wordt dan Ax = y.

1.8

Distributiviteit

Er geldt (A en B zijn vierkante matrices, en x is een geschikte vector):


Ax + Bx = (A + B)x
Voorbeeld:


1
A=
3



2
5
, B=
4
7


 
6
10
en x =
8
20

   

50
170
220
Enerzijds is Ax + Bx =
+
=
.
110
230
340

  

6
8
10
220
Anderzijds is (A + B)x =
=
.
10 12
20
340

1.9

Een matrix is een lineaire afbeelding

Een matrix is een lineaire afbeelding. Dit begrip bestaat uit twee delen: afbeelding en lineair.
Het is een afbeelding: je neemt een vector x, vermenigvuldigt die met de matrix
A, en er komt een andere vector, zeg y uit. Dit is vergelijkbaar met een functie
4

Gertjan Laan

Matrices

versie 2

als f (x) = x2 . Je stopt er een getal x in, en er komt een functiewaarde y


uit.
We gebruiken voor een matrix soms ook wel de functienotatie:
A(x) = A x
De matrix A toepassen op de vector x betekent vermenigvuldiging van de matrix
met de vector.
Het woord lineair is nogal verwarrend: we kennen het vooral van de lineaire
functie f (x) = ax + b. Maar helaas, er zijn veel lineaire functies die geen
lineaire afbeelding zijn. Wat is precies een lineaire afbeelding?
Definitie 1. Een afbeelding A van Rn naar Rn is lineair als hij voor alle vectoren x en y uit Rn , en voor alle R aan de volgende twee voorwaarden
voldoet:
1. A(x) = Ax
2. A(x + y) = Ax + Ay
Opgave 2. Ga na dat de functie f (x) = 2x + 1 aan beide voorwaarden niet
voldoet.

Opgave 3. Controleer dat de matrix A =
 
7
y=
aan beide voorwaarden voldoet.
8


2
1

 

3
5
voor = 2 en x =
en
4
6


b
Opgave 4. Toon aan dat de matrix A =
een lineaire afbeelding is.
d
 
 
x1
y1
Dat wil zeggen: ga na dat voor willekeurige vectoren x =
en y =
,
x2
y2
en voor een willekeurig getal aan beide voorwaarden is voldaan.
a
c

Opgave 5. Voor welke a en b is f (x) = ax + b een lineaire afbeelding?


   
2
6
Opgave 6. Van een matrix A is bekend dat A
=
.
3
9
 
4
a. Wat is dan A
?
6
 
1
b. En wat is A 3 ?
2

Gertjan Laan

1.10

Matrices

versie 2

Eigenvector

Een eigenvector van een matrix A is een vector x 6= 0 die door A op een veelvoud
van zichzelf wordt afgebeeld.

    
 
1 2
1
3
1
Voorbeeld:

=
=3
3 0
1
3
1
 


1
1 2
Dus in dit geval is
een eigenvector van de matrix A =
.
1
3 0
De factor 3 heet de eigenwaarde bij deze eigenvector.
Algemeen:
x (6= 0) is een eigenvector van A als Ax = x
De waarde heet de eigenwaarde.
Eigenvectoren blijken handig te zijn bij allerlei berekeningen. Je kunt immers
een matrixvermenigvuldiging, Ax, vervangen door een scalaire vermenigvuldiging: x.
 
1
als eigenvector met eigen3
waarde = 2. Toon aan dat elk veelvoud van e ook een eigenvector van A is
met dezelfde eigenwaarde.
Opgave 7. Een matrix A heeft de vector e =

1.11

Eigenwaarden en -vectoren bepalen

Een 2 2-matrix heeft in principe twee verschillende eigenwaarden en -vectoren.


een 3 3-matrix drie eigenwaarden en -vectoren, et cetera.


2 0
Laten we onderzoeken hoe je van de matrix A =
de eigenvectoren en
1 1
eigenwaarden kunt bepalen.
Met andere woorden, vind a, b, en zodanig dat

 
 
2 0
a
a
=
1 1
b
b

(4)

Ik zie meteen een oplossing: a = b = 0, dat is een triviale oplossing. Die zoek
ik niet (een eigenvector mag niet de nulvector zijn).
Verder zoeken dus. Schrijf (4) als stelsel :


2a
= a
a + b = b

(5)

Dit zijn twee vergelijkingen met drie onbekenden. Er is dus een variabele vrij
te kiezen. Er zijn veel verschillende manieren om dit op te lossen. Een manier
die doorgaans goed werkt is de volgende:
1. Breng alle termen naar een kant
6

Gertjan Laan

Matrices

versie 2

2. Zet gelijksoortige termen bij elkaar


3. Elimineer of a of b uit de vergelijkingen
4. Los de overgebleven vergelijking op, dat wil zeggen: vind waarden voor
5. Bepaal de eigenvectoren
Laten we dit toepassen op (5). Alle termen naar een kant:


2a a
=0
a + b b = 0

(6)

Gelijksoortige termen bij elkaar:




(2 )a
a + (1 )b

=0
=0

(7)

Ik kies ervoor a te elimineren, dus ik vermenigvuldig de onderste vergelijking


met 2 :


(2 )a
(2 )a + (2 )(1 )b

=0
=0

(8)

De vergelijkingen van elkaar aftrekken levert:


(2 )(1 )b = 0
Hieruit volgt b = 0 of 2 = 0 of 1 = 0.
De oplossing b = 0 invullen in (5) levert weer a = 0, de triviale oplossing die ik
niet zoek.
Blijft over: = 1 of = 2. Dit zijn de eigenwaarden. Nu nog de eigenvectoren.
1. Eigenvector bij = 1.
= 1 invullen in (5):


Oftewel:

2a
=a
a+b =b


a
b

=0
=b

Dus a = 0 en b is vrij te kiezen.


Ik kies
bijvoorbeeld b = ( is een willekeurig getal). De eigenvectoren zijn
 
0
dus

 
0
De oplossing is dus: de eigenvectoren zijn
, de eigenwaarde is = 1. Vaak
1
wordt weggelaten en wordt de oplossing zo geschreven:
7

Gertjan Laan

Matrices

versie 2

 
0
De eigenvector is
met eigenwaarde = 1.
1
2. Eigenvector bij = 2.
= 2 invullen in (5) levert:


Oftewel:

2a
= 2a
a + b = 2b


a
a

=a
=b

Dus a is vrij te kiezen, en b is gelijk aan a. De oplossing is dus:

 
1
, met
1

eigenwaarde = 2.
 
 
1
0
Opgave 8. Ga na dat
en
inderdaad eigenvectoren zijn van A =
1
1


2 0
, met eigenwaarden respectievelijk 2 en 1.
1 1

Opgave 9. Bepaal de eigenwaarden en -vectoren van A =

1.12

1
2


4
1

Stelsels oplossen

De methode uit de vorige paragraaf om eigenwaarden en -vectoren te bepalen


is nogal omslachtig. De methode is gebaseerd op de oplossing van een stelsel.
Door het oplossen van stelsels te bestuderen kunnen we misschien een slimmere
methode vinden.
Opgave 10. Teken bij elk van de volgende stelsels een plaatje, en los het stelsel
op.
a.

b.

c.

x1 3x2
3x1 + 2x2

= 7
= 12

x1 3x2
2x1 6x2

= 7
= 14

x1 3x2
3x1 9x2

= 7
= 10

Opgave 11. Welke conclusies kun je trekken over het aantal oplossingen van
het volgende stelsel?

ax1 + bx2 = p
cx1 + dx2 = q
8

Gertjan Laan

Matrices

versie 2

Hoe kun je aan de coefficienten a, b, c, d en p en q zien dat er geen of oneindig


veel oplossingen zijn?

1.13

De determinant

Als de verhouding tussen de coefficienten a en c gelijk is aan die tussen b en d


lopen de lijnen ax + by = p en cx + dy = q evenwijdig of vallen ze samen. Er
a
b
geldt dan = (vooropgesteld dat c en d niet 0 zijn).
c
d
Anders opgeschreven: ad bc = 0 (als je het zo opschrijft mogen c en d best 0
zijn).
Het getal D = ad bc heet de determinant.
Uit de vorige paragraaf weten we:
het stelsel

ax1 + bx2
cx1 + dx2

=p
=q

(9)

bestaat uit
1. snijdende lijnen als ad bc 6= 0, en er is dan 1 oplossing
2. evenwijdige of samenvallende lijnen als ad bc = 0, en er zijn dan 0 of
veel oplossingen
Opmerking: of er 0 of veel oplossingen zijn hangt af van p en q. Als de
verhouding p : q dezelfde is als a : c en b : d, dan vallen de lijnen samen. In dat
geval zijn er veel oplossingen. Anders zijn de lijnen evenwijdig en is er geen
oplossing.
Gebruikelijke notaties: Schrijf het stelsel (9) met behulp van matrices:

a
c

   
b
x1
p
=
d
x2
q

Dan geldt:

a
detA =
c


b
= ad bc
d

Als detA = 0 dan zijn er 0 of veel oplossingen.


Als detA =
6 0 dan is er 1 oplossing.
1.13.1

3 3-determinant

De uitspraken over de determinant uit de vorige paragraaf gelden ook voor


grotere determinanten dan die van 2-matrices, maar zijn moeilijker te bewijzen.

a b c
De determinant van een 3-matrix A = d e f is:
g h k
9

Gertjan Laan


a

detA = d
g

b
e
h

Matrices




c
e f d
b
f = a
h k g
k


f d
+c
k g

versie 2


e
= a(ekf h)b(dkf g)+c(dheg)
h
(10)

1.14

Determinant en eigenwaarde

Hoe kunnen we de determinant gebruiken om de eigenwaarden te vinden?




a b
Laten we dit proberen met de matrix A =
. We zoeken waarden en
c d
vectoren x 6= 0 zodanig dat Ax = x.
Dus

ax1 + bx2
cx1 + dx2

= x1
= x2

Breng alles naar de linkerkant:




ax1 x1 +
bx2 = 0
cx1 +
dx2 x2 = 0

(a )x1 +
bx2 = 0
cx1 +
(d )x2 = 0

Ofwel:
(11)

Uit paragraaf 1.12 weten we dat een dergelijk stelsel 0, 1 of oneindig veel oplossingen kan hebben.
In dit geval is een oplossing duidelijk te zien: de nulvector. Dit stelsel heeft
dus precies een (detA 6= 0) of oneindig veel (detA = 0) oplossingen. We zouden
graag zien dat er oneindig veel oplossingen zijn: er zijn immers oneindig veel
eigenvectoren. Dat betekent dat de determinant van het stelsel (11) gelijk aan
0 moet zijn.
Dus:


a

c


b
= (a )(d ) bc = 0
d

Deze vergelijking heet de karakteristieke vergelijking. Haakjes uitwerken levert:


2 (a + d) + ad bc = 0
Het is een kwadratische vergelijking in die in principe twee oplossingen heeft.
Twee eigenwaarden dus, en elke eigenwaarde heeft zijn eigen eigenvectoren.

10

Gertjan Laan

Matrices

versie 2



2 0
Laten we dit toepassen op de matrix A =
uit paragraaf 1.11. De
1 1
karakteristieke vergelijking is:


2
0

=0
1
1
Dus
(2 )(1 ) 1 0 = 0
Ofwel:
(2 )(1 ) = 0
Dus 1 = 2 en 2 = 1.
Nog eenvoorbeeld: wat zijn de eigenwaarden en -vectoren van de matrix A =

1
4
uit opgave 9? De karakteristieke vergelijking is:
2 1


1
4

=0
2
1
Dus
(1 )(1 ) 2 4 = 0
Ofwel:
1 + + 2 8 = 0
2 9 = 0
Dus 1 = 3 en 2 = 3.
De eigenvectoren vind je uit Ax = 3x en uit Ax = 3x.
Bijvoorbeeld Ax = 3x:


1
2

 
 
4
x1
x
=3 1
1
x2
x2

x1
2x1

+4x2 = 3x1
x2 = 3x2

4x2
2x1

= 2x1
= 4x2

x1
x1

= 2x2
= 2x2

Kies
 bijvoorbeeld x2 = , dan is x1 = 2, dus de eigenvectoren bij 1 zijn:
2

.
1
Evenzo vind je de andere eigenvectoren bij = 3.

11

Gertjan Laan

Matrices


7
Opgave 12. Vind de eigenwaarden en -vectoren van A =
3


3
.
1

0
Opgave 13. Bepaal de eigenwaarden en -vectoren van A = 1
1

2
Opgave 14. (*) Bepaal de eigenwaarden en -vectoren van A = 1
0

1.15

versie 2

1
0.
1

1
1
0
1
2
0

4
4.
1

Een basis voor een lineaire ruimte

Voorbeelden van een lineaire ruimtes zijn


1. een rechte lijn door O, bijvoorbeeld de x-as, of R
2. een vlak door O, bijvoorbeeld R2
3. onze ruimte: R3
Een basis voor de R2 is bijvoorbeeld {( 10 ), ( 01 )}. Het woord basis wil zeggen dat
je door optellen en scalaire vermenigvuldiging van de basisvectoren elke andere
vector uit R2 kunt krijgen.
Bijvoorbeeld:
 
 
 
2
1
0
=2
+3
3
0
1
of:


 
 
10
1
0
= 10
+ 37
37
0
1
In het algemeen:
 
 
 
a
1
0
=a
+b
b
0
1
 
 
 
1
0
1
Een uitdrukking als a
+b
heet een lineaire combinatie van
en
0
1
0
 
0
.
1
Als je alle mogelijke lineaire combinaties van deze twee vectoren opschrijft krijg
je alle vectoren van R2 . De twee vectoren brengen R2 voort. Ze vormen een
basis voor R2 .
Het grappige is dat dit niet de enige basis is. Je
een tweetal betrekkelijk
 kunt
 ook
 
 
2
1
2
of
willekeurige vectoren nemen, bijvoorbeeld
en
. Kun je nu
0
1
3


10
ook als lineaire combinatie schrijven van deze twee?
37

12

Gertjan Laan

Matrices

versie 2

Dan moet gelden:


 
 
 
2
2
1
=a
+b
3
0
1
Ofwel:

   
1
a
2
=
1
b
3

2
0


2
Dit stelsel heeft precies een oplossing als
0
Inderdaad ongelijk aan nul.



2
1

=
6
0.
Nu
is
0

1


1
= 2110 = 1.
1

Let op: hier moet de determinant ongelijk aan nul zijn, bij de berekening van
eigenwaarden moest de determinant juist wel nul zijn.
 
2
ook nemen, de determinant blijft steeds
Welke vector we in plaats van
3
hetzelfde.
 
 
2
1
Conclusie: de vectoren
en
vormen een basis voor R2 .
0
1
   
a
b
In het algemeen geldt dat twee vectoren 1 en 1 een basis voor R2 vormen
a
b2
2


a1 a2
6= 0.
als
b1 b2
Dergelijke vectoren heten onafhankelijke vectoren. En als de determinant wel
nul is heten ze afhankelijk.
1.15.1

Een basis voor R3

Voor R3 heb je eennbasis


 nodig
  van
odrie onafhankelijke vectoren, bijvoorbeeld
1
0
0
0 , 1 , 0
de standaardbasis
.
0

Of een andere basis van drie onafhankelijke vectoren (dat


n wil
 zeggen
  drie
o vectoren die niet in hetzelfde vlak liggen), zoals de vectoren

1
0
0

2
3
6

1
0
7

Onafhankelijke vectoren kun je herkennen aan het feit dat de determinant van
de matrix die is opgebouwd uit de vectoren ongelijk aan nul is:


1 2 1














0 3 0 = 1 3 0 2 0 0 + 1 0 3 = 21 0 + 0 = 21 6= 0


6 7
0 7
0 6
0 6 7

13

Gertjan Laan

Matrices

versie 2

Dynamische modellen en matrices

In de syllabus DM2b staat een voorbeeld van een keverpopulatie die bestaat uit
Jongeren (tot 1 jaar), Volwassenen (tussen 1 en 2 jaar) en Bejaarden (tussen 2
en 3 jaar). Niemand wordt ouder dan 3 jaar.
Elke jongere krijgt gemiddeld 0.8 nakomelingen, elke volwassene 2, en elke be1
3
jaarde geen. De overlevingskansen zijn respectievelijk 10
, 100
en 0. De volgende
matrix vat deze gegevens samen:

J
V

4
5
1
10

3
100

Nu we zo handig zijn met eigenwaarden (zie paragraaf 1.14) ligt het voor de
hand eens te kijken wat de eigenwaarden van deze matrix zijn.
Opgave 15. Bepaal de eigenwaarden van deze matrix.
Opgave 16. Bepaal de eigenvectoren bij elk van de eigenwaarden.

2.1

Slim idee

Wat gebeurt er met de keverpopulatie


als de tijd verstrijkt? Je begint met een

2000
startpopulatie, zeg s0 = 800 .
20
De grootte van de volgende generatie reken je uit door de matrix met deze vector
te vermenigvuldigen: s1 = A s0 .
En dan opnieuw: s2 = A s1 = A2 s0 .
...

2000
Uiteindelijk krijg je sn = An s0 = An 800
20
Een heel slim idee is nu om de eigenvectoren te gebruiken om An s0 uit te
rekenen.

0
Uit opgave 16 weten we wat de eigenvectoren van de kevermatrix zijn: 0,
1

1000
40
100 en 20.
3
3

14

Gertjan Laan

Matrices

versie 2

Zijn deze drie vectoren onafhankelijk? De determinant geeft antwoord.








0 1000
40
0 100
0 20


= 20000 4000 6= 0



0
100 20 = 0 1000
+ 40

1
3
1
3

1
3
3
Ze zijn onafhankelijk en de drie eigenvectoren vormen dus een basis voor R3 .
Dat betekent dat je elke vector uit R3 kunt schrijven als lineaire combinatie van
de drie eigenvectoren. Dus ook de startvector s0 :

2000
0
1000
40
s0 = 800 = c1 0 + c2 100 + c3 20
(12)
20
1
3
3
Dus As0 is hetzelfde als:

0
1000
40
A c1 0 + c2 100 + c3 20
1
3
3
Omdat A lineair is (zie definitie 1 eigenschap 2), is dit hetzelfde als:


40
1000
0
s1 = A(c1 0) + A(c2 100 ) + A(c3 20)
3
3
1
En wederom omdat A lineair is (zie definitie 1 eigenschap 1), is dit hetzelfde
als:


1000
40
0
s1 = c1 A 0 + c2 A 100 + c3 A 20
3
3
1
Aangezien de drie vectoren eigenvectoren zijn, met eigenwaarden 0, 1 en 51
(zie 15) is dit hetzelfde als:

0
1000
40
1
s1 = c1 0 0 + c2 1 100 + c3 20
5
3
3
1
Oftewel:

1000
40
1
s1 = c2 100 + c3 20
5
3
3

Opnieuw A toepassen levert:

1000
40
1
s2 = A(c2 100 + c3 20)
5
3
3

15

Gertjan Laan

Matrices

versie 2

En dit is gelijk aan:


2
1000
40
1
s2 = c2 100 +
c3 20
5
3
3
Dus op den duur:


n
1000
40
1
c3 20
sn = c2 100 +
5
3
3
n
erg klein wordt voor grote n, waardoor de laatste
Het is duidelijk dat 51
term verwaarloosbaar klein wordt.
Conclusie:

2000
1000
sn = An 800 ' c2 100
20
3

Uit dit hele verhaal volgt dat de populatie altijd groeit naar een vaste verhouding
200:100:3. De waarde van c2 hangt af van de keuze van de startvector.
2.1.1

Het berekenen van c2

De waarde van c2 kun je vinden uit (12), dat wil zeggen door het volgende stelsel
op te lossen:


2000
40
1000
0
c1 0 + c2 100 + c3 20 = 800
20
3
3
1
Dit is gelijkwaardig met:

1000c2
100c2

c1 +
3c2

+40c3 = 2000
20c3 = 800
+3c3 =
20

Beetje vereenvoudigen:

c1 +

25c2
5c2
3c2

+c3 = 50
c3 = 40
+3c3 = 20

Eerste twee rijen bij elkaar optellen levert 30c2 = 90, dus c2 = 3.
Dus voor de keverpopulatie geldt:

2000
1000
3000
sn = An 800 ' 3 100 = 300
20
3
9
16

Gertjan Laan

2.2

Matrices

versie 2

Samenvatting

Een (Leslie)matrix A is een vierkante matrix en is een lineaire afbeelding. In


principe heeft een m m-matrix m eigenwaarden, zeg 1 tot en met m en m
onafhankelijke eigenvectoren, zeg e1 tot en met em . Deze vectoren vormen een
basis voor Rm .
Het groeien van de populatie kun je berekenen door een startvector s0 herhaald
met de matrix A te vermenigvuldigen.
Als de eigenvectoren een basis vormen kun je de startvector s0 schrijven als
lineaire combinatie van de eigenvectoren.
Dus:
s0 = c1 e1 + . . . + cm em
Het gevolg is dat je de vermenigvuldiging As0 kunt herschrijven met behulp van
eigenwaarden en -vectoren:
As0 = A(c1 e1 + . . . + cm em )
Omdat A een lineaire afbeelding is, en omdat het in deze uitdrukking om eigenvectoren gaat, geldt:
As0 = c1 1 e1 + . . . + cm m em
Evenzo geldt:
An s0 = c1 n1 e1 + . . . + cm nm em
Het ontwikkelen van de populatie wordt dus vooral bepaald door de eigenwaarden:
1. Als |i | < 1, dan zal ni erg klein worden, en zal de betreffende term op
den duur verwaarloosbaar klein worden.
2. Als |i | = 1, dan blijft ni gelijk aan 1, en zal de betreffende term een rol
blijven spelen.
3. Als |i | > 1, dan zal ni erg groot worden, en zal de betreffende term, en
daardoor de populatie, onbeperkt groeien.
Het is dus vooral eigenwaarde met de grootste absolute waarde die het gedrag
van de populatie bepaalt. Deze heet dan ook de dominante eigenwaarde.
De eigenvector die bij de dominante eigenwaarde hoort bepaalt de verhouding
tussen de leeftijdsklassen op lange termijn.
De startvector is niet van invloed op de verhouding tussen leeftijdsklassen op
lange termijn, wel op de absolute aantallen binnen die klassen.

17