Professional Documents
Culture Documents
16 december 2005
Inhoudsopgave
1 Inleiding 5
7 Determinanten 34
7.1 Eigenschappen van de determinant van een matrix . . . . . . . . . . . . . . . . . . 35
7.1.1 Betekenis van eigenschap 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
7.2 Afgeleide eigenschappen van een determinant: . . . . . . . . . . . . . . . . . . . . 35
7.2.1 Uitleg eigenschap 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
7.2.2 Uitleg eigenschap 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
7.2.3 Gebruik van eigenschap 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
7.3 Ontwikkelen naar rijen of kolommen . . . . . . . . . . . . . . . . . . . . . . . . . 37
7.4 Berekening van de determinant
het ontwikkelen van een determinant . . . . . . . . . . . . . . . . . . . . . . . . . 39
8 Vectorruimten 41
8.1 Lineaire ruimte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
8.2 Eigenschappen lineaire vectorruimte . . . . . . . . . . . . . . . . . . . . . . . . . . 41
8.3 Lineaire deelruimte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
8.4 Lineaire combinatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
8.5 Opspansel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
8.6 Nulruimte van de matrix A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
8.7 Kolommenruimte van de matrix A . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
8.8 Lineaire onafankelijkheid of afhankelijkheid van vectoren . . . . . . . . . . . . . . 43
8.9 Basis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
8.10 Dimensie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
8.11 Voorbeeld: lineair afhankelijk, opspansel, dimensie, rang . . . . . . . . . . . . . . 44
8.12 Dimensiestelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
8.13 Structuur van een oplossing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
8.14 Wanneer is een stelsel oplosbaar? . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
9 Inprodukt en loodrecht 50
11 Projecteren 57
11.1 Projectie op een lijn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
11.2 Projectie op een vlak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
11.3 Projectiematrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
17 Differentiaalvergelijkingen 79
17.1 Homogeen stelsel differentiaalvergelijkingen . . . . . . . . . . . . . . . . . . . . . . 79
17.2 Differentiaalvergelijking, voorbeeld 1 . . . . . . . . . . . . . . . . . . . . . . . . . 79
17.3 Differentiaalvergelijking, voorbeeld 2 . . . . . . . . . . . . . . . . . . . . . . . . . 81
17.4 Exponentiële functie voor matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 82
17.5 E-macht van een matrix, voorbeeld (wordt steeds gebruikt!) . . . . . . . . . . . . 83
17.6 Oplossen van stelsel diff.vgl., met beginvoorwaarde . . . . . . . . . . . . . . . . . 83
17.7 Inhomogeen stelsel differentiaalvergelijkingen . . . . . . . . . . . . . . . . . . . . . 84
17.8 Oplosmethoden stelsels differentiaalvergelijkingen, voorbeelden . . . . . . . . . . . 85
17.9 Algemene formule oplossing stelsel differentiaalvergelijkingen . . . . . . . . . . . . 87
19 Lineaire afbeeldingen 93
19.1 Inleiding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
19.2 Definitie van een lineaire afbeelding . . . . . . . . . . . . . . . . . . . . . . . . . . 94
19.3 Beeldruimte en nulruimte van een lineaire afbeelding . . . . . . . . . . . . . . . . 94
19.4 Injectief en surjectief . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
19.5 Beelden van de basisvectoren leggen de lineaire afbeelding vast . . . . . . . . . . . 96
19.5.1 Voorbeelden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
19.6 Lineaire afbeeldingen tov. verschillende bases . . . . . . . . . . . . . . . . . . . . 98
19.6.1 Voorbeeld . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
19.7 Lineaire afbeeldingen en basistransformaties . . . . . . . . . . . . . . . . . . . . . 100
19.7.1 Voorbeeld (vervolg van de spiegeling) . . . . . . . . . . . . . . . . . . . . . 101
19.8 Symmetrische afbeeldingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
19.9 Uitgebreid voorbeeld . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
1 Inleiding
De bedoeling is dat studenten eerst kennis nemen van de theorie, daarna oefenen. Het liefst met
de hand. Daarna kan voor bepaalde handelingen, bijvoorbeeld Matlab worden gebruikt. Maar
met de hand oefenen geeft het meeste zicht op wat je doet. Lukt het niet, gebruik dan pas deze
informatiebron.
Het idee, voor het schrijven van dit document, is afkomstig van René van Hassel.
Het materiaal is ter beschikking is gesteld door Jan-Cees van der Meer.
Ik (René van Hassel) heb hier en daar het materiaal van Jan-Cees aamgepast, onder andere
verwijzingen naar boeken eruit gehaald, dit om een boek onafhankelijk docment te verkrijgen. Op
die manier is de keuze van een boek vrij, en bij nieuwe edities van boeken, moet niet het hele
document de revisie in!
Commentaar verneem ik graag, staan er fouten in, dan verneem ik dit ook graag.
Mijn dank gaat uit naar Jan-Cees, voor het beschikbaar stellen van zijn materiaal.
Op- en aanmerkingen graag doorgeven aan mij (René van Hassel)
email: r.r.v.hassel@tue.nl
2.3 Cosinusregel
Cosinusregel:
ku − vk2 = kuk2 + kvk2 − 2kukkvk cos(θ)
Uitwerken geeft
kuk2 + kvk2 − ku − vk2
cos(θ) =
2kukkvk
(u + u2 + u23 ) + (v12 + v22 + v32 )
2 2
= 1
2kukkvk
(u1 − v1 ) + (u2 − v2 )2 + (u3 − v3 )2
2
−
2kukkvk
u 1 v 1 + u2 v 2 + u3 v 3
=
kukkvk
2.4 Inproduct
Definitie:
Het inproduct
vanvectoren
u1 v1
u = u2 en v = v2 is
u3 v3
u · v = (u, v) = u1 v1 + u2 v2 + u3 v3
Merk op: u · u = kuk2
u · v = kukkvk cos(θ)
2.5 Eigenschappen inproduct
Eigenschappen inproduct:
(u, u) ≥ 0 en (u, u) = 0 ⇔ u = 0,
(u, v) = (v, u),
(u + v, w) = (u, w) + (v, w),
(cu, v) = c(u, v) = (u, cv).
Twee vectoren maken een hoek van 900
(staan loodrecht op elkaar)
(zijn orthogonaal )
als
(u, v) = 0
a + λb , λ ∈ IR
a1 b1 a1 + λb1
+λ =
a2 b2 a2 + λb2
Vergelijking:
Gegeven m en n. De lijn bestaat uit alle punten (x, y) die voldoen aan de vergelijking
y = mx + n
of, gegeven a, b en c
ax + by = c
Dus
x 0 1
= +λ
y − 12 3
2
Parametervoorstelling:
Gegeven steunvector a en richtingsvector b. De lijn bestaat uit alle vectoren (punten) die te
schrijven zijn als
a + λb , λ ∈ IR
a1 b1 a1 + λb1
a2 + λ b2 = a2 + λb2
a3 b3 a3 + λb3
Vergelijking:
Een lijn kan beschreven worden als de snijlijn van twee vlakken.
Parametervoorstelling:
Gegeven steunvector a en richtingsvectoren
b en c. Het vlak bestaat uit alle vectoren (punten) die te schrijven zijn als
a + λb + µc , λ, µ ∈ IR
a1 b1 c1 a1 + λb1 + µc1
a2 + λ b2 + µ c2 = a2 + λb2 + µc2
a3 b3 c3 a3 + λb3 + µc3
Vergelijking:
Gegeven a, b, c en d. Het vlak bestaat uit alle punten (x, y, z) die voldoen aan de vergelijking
ax + by + cz = d
In termen van in-product: Het vlak met steunvector d, loodrecht op a bestaat uit alle vectoren x
die voldoen aan
(a, x) = (a, d)
x1 = 2 + λ − 4 − 2x3 ⇒ λ = x1 + 2x3 + 2 ,
x2 = 1 − λ + 2 + x3 ,
µ = −2 − x3 .
λ = x1 + 2x3 + 2 ,
x2 = 1 − x1 − 2x3 + 2 + x3 ⇒ x1 + x2 + x3 = 1 ,
µ = −2 − x3 .
x1 + x2 + x3 = 1 .
Stel bijvoorbeeld x1 = λ en x2 = µ, dan is x3 = 1 − λ − µ, zodat volgt
x1 λ
x = x2 = µ =
x3 1−λ−µ
0 1 0
= 0 + λ 0 + µ 1 .
1 −1 −1
Dus
x1 = λ ,
x2 = 1 − λ ,
x3 = 4 − 3λ .
Dit geeft
x1 = λ ,
x2 = 1 − x1 ,
x3 = 4 − 3x1 .
x1 + x2 = 1 en 3x1 + x3 = 4 .
4x1 + x2 + x3 = 5 en x1 − 2x2 + x3 = 2 .
Dus
(
x1 − 2x2 + x3 = 2 ⇒ x1 = 2 + 2x2 − x3 ,
4x1 + x2 + x3 = 5 .
Invullen in tweede vergelijking geeft
(
x1 = 2 + 2x2 − x3
8 + 8x2 − 4x3 + x2 + x3 = 5 ⇒ 9x2 = −3 + 3x3 .
Kies nu x3 = λ, dan
4 1 4 1
x1 3
− 3λ 3
−3
1 1 1 1
x= x2 = −3 + 3λ = −3 +λ
3
.
x3 λ 0 1
7x − 3y = 3
a.
2x + 3y = 8
x − 3y + 2z = −9
b. x + 4y − z = 0
2x + y + 5z = 12
2x − y = 6
c. −x + 2y − z = −9
− y + 2z = 12
8x1 + 6x2 + 7x3 + x4 = 14
d.
x1 − 2x2 − 4x3 + 5x4 = 8
sin(x) + y = 3
b.
x + 3y = 7
xy − z = 3
c.
x + z = 8
x + y + z = cos(x)
d. x − y + 3z = 7
x + 4y = 3
x1 = −2x2 + x3 − 3
−6x2 + 3x3 − 9 + 7x2 + 2x3 = 1
−8x2 + 4x3 − 12 − 2x2 + x3 = −2
x1 + 2x2 − x3 = −3
x2 + 5x3 = 10
−10x2 + 5x3 = 10
x2 = −5x3 + 10
50x3 − 100 + 5x3 = 10
x1 + 2x2 − x3 = −3
x2 + 5x3 = 10
55x3 = 110
Terugsubstitutie geeft:
x3 = 2 , x2 = 0 , x1 = −1
1 2 −1 −3
0 1 5 10
0 −10 5 10
1 2 −1 −3
0 1 5 10
0 0 55 110
3.6 Vegen van een stelsel lineaire vergelijkingen, methode van Gauss,
voorbeeld
Een voorbeeld van de METHODE VAN GAUSS (1777-1855).
x1 + 2x2 − x3 = −3
3x1 + 7x2 + 2x3 = 1
4x1 − 2x2 + x3 = −2
1 2 −1 −3
3 7 2 1 →
4 −2 1 −2
1 2 −1 −3
0 1 5 10 →
0 −10 5 10
1 2 −1 −3
0 1 5 10
0 0 55 110
Terugsubstitutie:
x3 = 2
x2 = 0
x1 = −1
3.7 Vegen van een stelsel lineaire vergelijkingen, methode van Gauss-
Jordan, voorbeeld
Een
voorbeeld van deMETHODE VAN GAUSS-JORDAN.
1 2 −1 −3
3 7 2 1 →
4 −2 1 −2
1 2 −1 −3
0 1 5 10 →
0 −10 5 10
1 0 −11 −23
0 1 5 10 →
0 0 55 110
1 0 −11 −23
0 1 5 10 →
0 0 1 2
1 0 0 −1
0 1 0 0
0 0 1 2
Oftewel niet alleen naar beneden vegen, maar ook naar boven, voor zover dat gaat.
Omschrijven in matrix-vorm.
Uitgebreide coëfficienten matrix.
2 −1 0 6
−1 2 −1 −9
0 −1 2 12
Gauss-eliminatie:
2 −1 0 6
0 3 −1 −6
2
4
0 0 3
8
Dit wordt de rijgereduceerde trapvorm genoemd, wel een heel eenvoudige vorm.
Terug naar de vergelijkingen geeft:
x1 = 3
x2 = 0
x3 = 6
De onderste vergelijking in Voorbeeld 2, verkregen na het vegen, noemt men een valse vergelijking.
Voorbeeld 3:
x1 + 2x2 = 3
−2x1 − 4x2 = −6
1 2 3
0 0 0
Strijdig stelsel
1 2 3 2
b. 2 4 5 1 →
−1 −2 7 27
1 2 3 2 1 2 3 2
→ 0 0 −1 −3 → 0 0 −1 −3
0 0 10 29 0 0 0 −1
Correspondeert met een strijdig stelsel (geen oplossingen). De laatste vergelijking wordt ook wel
een valse vergelijking genoemd.
Singulier stelsel
1 2 3 2
c. 2 4 5 1 →
−1 −2 7 28
1 2 3 2 1 2 3 2
→ 0 0 −1 −3 → 0 0 −1 −3
0 0 10 30 0 0 0 0
Het corresponderende stelsel heeft oneindig veel oplossingen.
Samengevat:
voorbeeld a. : regulier of niet-singulier
voorbeeld b. : singulier, overbepaald
voorbeeld c. : singulier, onderbepaald
2 3 −1 4
−2 4 4 −1
→
4 13 2 9
2 3 0 2
2 3 −1 4 2 3 −1 4
0 7 3 3 0 7 3 3
→ →
0 7 4 1 0 0 1 −2
0 0 1 −2 0 0 1 −2
2 3 −1 4
0 7 3 3
0 0 1 −2
0 0 0 0
1 oplossing, een niet-singulier stelsel.
2 8 −1 7 5
0 0 2 8 −4
0 0 0 0 0
oneindig veel oplossingen,
onderbepaald stelsel
Een homogene vergelijking:
2 8 −1 7 0
0 0 2 8 0
0 0 0 0 0
oneindig veel oplossingen,
onderbepaald stelsel
x6 x7 x8 x9 − − −
x1 x2 x3 x4 x5
∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ 7 7 0
0 ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ 8 8 0
0 0 0 0
∗ ∗ ∗ ∗ ∗ 2 2 0
0 0 0 0 0 0 ∗ ∗ ∗ 5 5 0
0 0 0 0 0 0 0 0 0 8 0 0
Een overbepaald en twee onderpaalde stelsels.
Soortgelijke probleem:
Basisvariabelen: x5 , x4 , x2 , x1 (aantal:4)
x1 + 2x2 − x3 = −3
3x + 7x2 + 2x3 = 1
1
4x1 − 2x2 + x3 = −2
Noteren als:
Ax = b
1 2 −1 x1 −3
A = 3 7 2 x = x2 b = 1
4 −2 1 x3 −2
1 2 −1 x1 −3
3 7 2 x2 = 1
4 −2 1 x3 −2
A is de coëfficiëntenmatrix van het stelsel.
x, b zijn kolomvectoren.
1 2 −1 1 1
3 7 2 2 = 25
4 −2 1 4 4
1 2 −1 −1 −3
3 7 2 0 = 1
4 −2 1 2 −2
Beide
vermenigvuldigingen
samen:
1 2 −1 1 −1 1 −3
3 7 2 2 0 = 25 1
4 −2 1 4 2 4 −2
4 Matrices en matrixbewerkingen
Matrices
a11 a12 . . . a1n
a21 a22 . . . a2n
A = (aij ) =
.. .. .. ..
. . . .
am1 am2 . . . amn
4.1 Matrixvermenigvuldiging
Produkt van een m × n matrix A = (aij ) en een n × p matrix B = (bjk ).
.. .. .. . . . b1k . . .
. . . ... b ...
2k
ai1 ai2 . . . ain =
..
.. .. .. .
. . .
. . . bnk . . .
..
.
. . . cik . . .
..
.
n
X
cik = aij bjk = ai1 b1k + ai2 b2k + · · · + ain bnk
j=1
1 3 1 3 2 6
2 2 4 = 2 4 2 = 4 8
1 5 1 5 2 10
4.4 Transponeren
T
1 3
2 4 = 1 2 1
3 4 5
1 5
A = (aij ) een m × n matrix.
De getransponeerde AT van A is de n × m matrix (bij ) (1 ≤ i ≤ n, 1 ≤ j ≤ m)
met bij = aji .
T
a11 . . . a1n a11 . . . am1
AT = ... .. =
.
..
.
..
.
am1 . . . amn a1n . . . amn
Een matrix is vierkant als de matrix evenveel rijen als kolommen heeft.
4.5.2 Eenheidsmatrices
4.5.3 Nulmatrices
Een nulmatrix is een matrix O waarvan alle matrixelementen gelijk aan nul zijn.
De 3 × 4 nulmatrix ziet er dus als volgt uit:
0 0 0 0
0 0 0 0
0 0 0 0
4.5.4 Diagonaalmatrices
4.5.5 Bovendriehoeksmatrices
4.5.6 Onderdriehoeksmatrices
• A + B = B + A (commutatief)
• (A + B) + C = A + (B + C) (associatief)
• (AT )T = A
• (A + B)T = AT + B T
• (λA)T = λAT ( λ is een scalar!)
• (AB)T = B T AT ( Pas op: volgorde draait om!)
(I|A−1 ) = 0 1 0 55 5 5 5
55 − 55
0 0 1 34 10 1
− 55 55 55
6 Stelsels lineaire vergelijkingen, vervolg
6.1 Structuur van een oplossing (stelsel lin.vgl.)
x1 +3x2 + 2x3 + 3x4 −x5 = 4
x1 +3x2 + 3x3 + 5x4 +x5 = 11
−x1 −3x2 − x3 − x4 +x5 = 1
x1 +3x2 + 4x3 + 7x4 +x5 = 16(17)
1 3 2 3 −1 4
1 3 3 5 1 11
→
−1 −3 −1 −1 1 1
1 3 4 7 1 16 (17)
1 3 2 3 −1 4
0 0 1 2 2 7
→
0 0 1 2 0 5
0 0 2 4 2 12 (13)
1 3 0 −1 −5 −10
0 0 1 2 2 7
→
0 0 0 0 −2 −2
0 0 0 0 −2 −2 (−1)
1 3 0 −1 0 −5
0 0 1 2 0 5
0 0 0 0 1 1
0 0 0 0 0 0 (−1)
1 3 0 −1 0 −5
0 0 1 2 0 5
0 0 0 0 1 1
0 0 0 0 0 0
x5 = 1 (basisvariabele),
x4 vrije variabele,
x3 = −2x4 + 5 (basisvariabele),
x2 vrije variabele,
x1 = −3x2 + x4 − 5 (basisvariabele),
algemene
oplossing:
−5
−3
1
0 1 0
x= 5 + x2
0
+ x 4
−2 .
0 0 1
1 0 0
algemene
oplossing homogene
vergelijking:
−3
1
1 0
x = x2 0 + x4 −2 .
0 1
0 0
x1 +2x2 + −3x4 +x5 =2
x1 +2x2 + x3 −3x4 +x5 +2x6 = 3
x +2x2 − −3x4 +2x5 +x6 = 4
1
3x1 +6x2 + x3 −9x4 +4x5 +3x6 = 9
1 2 0 −3 1 0 2
1
2 1 −3 1 2 3→
1 2 0 −3 2 1 4
3 6 1 −9 4 3 9
rijequivalent met:
1 2 0 −3 0 −1 0
0 0 1 0 0 2 1
→
0 0 0 0 1 1 2
0 0 0 0 0 0 0
x1 +2x2 −3x4 −x6 =0
x3 +2x6 =1
x5 +x6 =2
x1 +2x2 −3x4 −x6 =0
x3 +2x6 =1
x5 +x6 =2
x6 = r (vrije variabele),
x5 = 2 − r (basisvariabele),
x4 = s (vrije variabele),
x3 = 1 − 2r (basisvariabele),
x2 = t (vrije variabele),
x1 = r + 3s − 2t (basisvariabele),
algemene oplossing:
−2
0 3 1
0 1 0 0
+ s + r −2
1 0 0
x= 0
+ t
0 1 0
.
2 0 0 −1
0 0 0 1
algemene
oplossing homogene vergelijking:
−2
3 1
1 0 0
0 0 −2
x = t
0 + s 1 + r 0 .
0 0 −1
0 0 1
Opmerkingen:
Als er in een stelsel vergelijkingen (na vegen) meer onbekenden zijn dan vergelij-
kingen dan kan er nooit precies één oplossing zijn (Overbepaald of onderbepaald).
Als er in een homogeen stelsel vergelijkingen (na vegen) meer onbekenden zijn
dan vergelijkingen, dan zijn er andere oplossingen dan de triviale oplossing x = 0.
6.3 Stellingen
• Als een matrix A regulier is dan is A vierkant.
• Een n × n matrix A is inverteerbaar (regulier) dan en slechts dan als A
rij-equivalent is met In (de n × n eenheidsmatrix).
• A een vierkante matrix:
Een stelsel Ax = b is regulier dan en slechts dan als de matrix A regulier is.
• A niet vierkant:
Als A niet vierkant en dus singulier is, kan het stelsel Ax = b regulier of
singulier zijn.
7 Determinanten
Transponeer de rijen van een matrix en zie deze als de ribben van parallellopipe-
dum. Zie de determinant als het volume van dit parallellopidedum. Ga na wat
er met dit volume gebeurt als er 1 ribbe met een getal wordt vermenigvuldigd,
of dat alle ribben met een getal worden vermenigvuldigd. Wat gebeurt er in de
3 dimensionale ruimte als de 3 ribben in één en hetzelfde vlak liggen (Volume =
0). De oorzaak van min-tekens, bij bepaalde operaties, ligt hem in het feit dat de
oriëntatie van de ribben, ten opzichte van elkaar, verandert.
In dit stuk tekst bouwt men een determinant van de grond af aan op, aan de hand
van definiërde eigenschappen. Het belangrijkste resultaat is dat een determinant
kan worden ontwikkeld in onder-determinanten.
Verder is van belang dat men in een determinant kan vegen, de waarde van de
determinant blijft gelijk, deze wordt niet veranderd.
Een determinant kan dus positief, negatief of nul zijn.
Het volume, waar hierboven over wordt gesproken, is gelijk aan de absolute waarde
van de determinant. ( Volume is altijd iets groter of gelijk aan nul.)
a + a0 b + b 0
= (a + a0 )d − (b + b0 )c
c d
0 0
− bc + a d0 − b0 c
= ad
a b a b
= +
c d c d
ta tb
= tad − tbc
c d
= t(ad − bc)
a b
= t
c d
a1 a2 a3
Dus a1 a2 a3 = 0
b1 b2 b3
a1 a2 a3
b1 + ta1 b2 + ta2 b3 + ta3 =
c1 c2 c3
a1 a2 a3 a1 a2 a3
= b1 b2 b3 + t a1 a2 a3
c1 c2 c3 c1 c2 c3
a1 a2 a3
= b1 b2 b3
c1 c2 c3
Verwisselen kolommen:
1 0 0 1 0 0 1 0 0
= a 0 e f − b 0 d f + c 0 d e =
0 h i 0 g i 0 g h
e f d f d e
= a − b
g i + c g h =
h i
a(ei − hf ) − b(di − gf ) + c(dh − ge)
a b c d
e f g h
Nu een 4x4 determinant, op dezelfde wijze aangepakt: =
i j k l
m n o p
f g h b c d
a j k l − e j k l +
n o p n o p
b c d b c d
+i f g h − m f g h
n o p j k l
Voorbeeld
1 2 3
5 4 7=
3 5 6
Voorbeeld
1 0 2 4
7 0 3 1
= (ontw. naar 2e kolom)
5 4 1 8
2 0 3 1
1 2 4
= −4 7 3 1 = (vegen in 1e kolom)
2 3 1
1 2 4
= −4 0 −11 −27 = (ontw. naar 1e kolom)
0 −1 −7
−11 −27
= −4 = −200
−1 −7
Voorbeeld
12 4 1 −8
−12 2 −1 2
= (tel 1e rij op bij 2e)
2 −7 0 −1
0 1 0 2
12 4 1 −8
0 6 0 −6
= = (ontw. naar 3e kolom)
2 −7 0 −1
0 1 0 2
0 6 −6
= 2 −7 −1 = (ontw. naar 1e kolom)
0 1 2
6 −6
= −2 = −2(12 + 6) = −36
1 2
8 Vectorruimten
Het liefst werken wij in ruimten, die zich wat handelingen betreft, hetzelfde voor-
doen als de gewone getallen, waarmee wij altijd werken. Ik bedoel het gewone
optellen van getallen, en een getal vermenigvuldigen met een getal. Delen door
een getal is een speciale handeling, die hier niet onder wordt verstaan!
Elementen uit een vectorruimte worden vectoren genoemd. Bij de alledaagse ge-
tallen, waarmee wij werken, zijn de vectoren dus die getallen.
Verder heb je een unieke nul-vector in die ruimte. (Bij de gewone getallen, het
getal 0) En 1 maal een vector is de vector zelf, 1 is hierbij het getal 1.
Pas dus op bij het lezen: de 0 is een vector en de 1 is een getal!
x = c1 v 1 + c2 v 2 + · · · + cn v n
met c1 , · · · , cn ∈ IR.
8.5 Opspansel
Als S = {v 1 , v 2 , . . . , v n } een verzameling vectoren is in en vectorruimte V , dan
is de verzameling W van alle vectoren die geschreven kunnen worden als lineaire
combinatie van de vectoren in S een deelruimte van V .
We zeggen W wordt opgespannen door S (door de vectoren v 1 , v 2 , . . . , v n ), en
schrijven
W =span(S),
W =< v 1 , v 2 , . . . , v n >.
W =span{v 1 , v 2 , . . . , v n }.
8.6 Nulruimte van de matrix A
De nulruimte van een m × n matrix A is de verzameling van alle vectoren x
waarvoor Ax = 0.
Notatie: N (A).
Stelling:
De nulruimte van een m × n matrix is een deelruimte van IRn .
Stelling:
De kolommenruimte van een m × n matrix is een deelruimte van IRm .
Dit betekent:
• De vectoren v 1 , v 2 , . . . , v n zijn afhankelijk dan en slechts dan als één van de
vectoren v i is te schrijven als een lineaire combinatie van de andere vectoren.
• Een basis voor V is niet uniek, maar iedere basis voor V bestaat wel uit
evenveel vectoren.
8.10 Dimensie
Het aantal vectoren in een basis voor V noemen we de dimensie van V .
Notatie: dim(V ).
Dit betekent:
• De dimensie geeft het maximale aantal onafhankelijke vectoren dat je in V
kunt kiezen. M.a.w., als dim(V )=n, dan is iedere verzameling van m vecto-
ren, m > n, afhankelijk.
• Als dim(V )=n dan bevat iedere verzameling die V opspant tenminste n vec-
toren. Dus een basis is een minimale opspannende verzameling.
1 3 4 7 1
Onafhankelijkheid onderzoeken:
0 1 3 2
0
= x1 1 + x2 3 + x3 3
+
0 −1 −3 −1
0 1 3 4
3 −1
5
+ x5 1
x4
−1 1
7 1
Dit
is equivalent met het stelsel:
x1 +3x2 + 2x3 + 3x4 −x5 = 0
x1 +3x2 + 3x3 + 5x4 +x5 = 0
−x1 −3x2 − x3 − x4 +x5 = 0
x1 +3x2 + 4x3 + 7x4 +x5 = 0
1 3 4 7 1
1 3 0 −1 0
0 0 1 2 0
0 0 0 0 1
0 0 0 0 0
De oplossing:
x5 = 0 (basisvariabele),
x4 vrije variabele,
x3 = −2x4 (basisvariabele),
x2 vrije variabele,
x1 = −3x2 + x4 (basisvariabele),
De algemene
oplossing
homogene vergelijking:
−3
1
1 0
x = x2 0 + x4 −2 .
0 1
0 0
Resultaat:
Schrap
uit A de kolommen
die corresponderen met de vrije variabelen:
1 2 −1
1 3 1
à = →
−1 −1 1
1 4 1
1 0 0
0 1 0
0 0 1
0 0 0
Gevolg:
dim(rijenruimte(B))=rijenrang=3.
Stelling:
Voor iedere m × n matrix A geldt
kolommenrang(A) = rijenrang(A) = rang(A)
8.12 Dimensiestelling
Voor een m × n matrix A geldt:
dim(R(A)) + dim(N (A)) = n.
Er geldt:
• dim( N (A) ) = n − r .
Tabel met voorbeelden:
1 3 2 3 −1 4
1 3 3 5 1 11
−1 −3 −1 −1 1 1 →
1 3 4 7 1 16
1 3 0 −1 0 −5
0 0 1 2 0 5
0 0 0 0 1 1
0 0 0 0 0 0
Oftewel:
x5 = 1 (basisvariabele),
x4 vrije variabele,
x3 = −2x4 + 5 (basisvariabele),
x2 vrije variabele,
x1 = −3x2 + x4 − 5 (basisvariabele),
De algemene
oplossing:
−5
−3
1
0 1 0
x= 5 + x2 0
+ x4
−2 De algemene oplossing van Ax = b is
0 0 1
1 0 0
van de vorm
x = xp + xh
met xp particuliere oplossing (dwz een willekeurige oplossing van het inhomogene
stelsel) en xh ∈ N (A).
Vraag: Wanneer is er voor elke b minstens één oplossing van het stelsel Ax = b.
Gevolg: Er is voor elke b precies één oplossing van het stelsel Ax = b als
dim(R(A)) = n = m, d.w.z. A regulier.
A een n × n-matrix.
9 Inprodukt en loodrecht
• lengte van een vector x = (x1 x2 . . . xn )T :
√
kxk = (x21 + x22 + · · · + x2n )
merk op:
kxk2 = x21 + x22 + · · · + x2n = xT x
• in-produkt (of: inwendig produkt) van twee vectoren (BK blz. 223)
x en y:
y1
T
y2
x y = (x1 x2 . . . xn )
..
.
yn
= x1 y1 + x2 y2 + · · · + xn yn
= x·y
x·y
• cos θ = kxk kyk , 0 ≤ θ ≤ π.
Verondersteld verband: α + βF = u.
Invullen metingen:
α + β · 0 = 10
α + β · 2 = 16
α + β · 4 = 17 ofwel
α + β · 6 = 23
α + β · 8 = 27
1 0 10
1 2 16
1 4 α = 17
1 6 β
23
1 8 27
De vraag is om een α en een β uit te rekenen.
De verschilvector tussen de vector aan de linkerkant en de vector aan de rechter-
kant van de vergelijking, moet zo klein mogelijk zijn.
10.2 Normaalvergelijking
De vergelijking:
Ax̄ = b,
de lengte van de vector Ax̄ − b moet zo klein mogelijk zijn, oftewel
(b − Ax̄) ⊥ R(A) ,
AT (b − Ax̄) = 0
dit geeft de normaalvergelijking:
AT Ax̄ = AT b .
De gezochte kleinste-kwadratenoplossing x̄ is de oplossing van de normaalverge-
lijking.
kb − Ax̄k minimaal
dus
b1 x̄1
kb − Ax̄k2 = k ... − A .. k2 =
.
bn x̄n
= (b1 − a11 x̄1 − · · · − a1n x̄n )2 + . . .
+(bn − an1 x̄1 − · · · − ann x̄n )2 .
minimaal
rang(A) = rang(AT A)
Polynoom-regressie
instelwaarde t meetwaarde m
2 1.1
4 2.9
6 4.2
8 6.7
10 10.4
Normaalvergelijking AT Ax̄ = AT b:
6 12 30 ᾱ 205.8
12 28 60 β̄ = 432.8
30 60 300 γ̄ 166.2
oplossing: ᾱ = 2.6, β̄ = 5.3, γ̄ = 4.22.
tijdstip t verval v
0 34
1 7
2 1.2
3 0.3
4 0.001
Model: v = c1 e−λt + c2 e−µt , λ = 1, µ = 2.
Invullen data:
1 1 34
e −1 −2
−2 e−4 7
c1
e e = 1.2 ofwel
c2
−3
e e−6 0.3
e−4 e−8 0.001
Ax = b.
Normaalvergelijking AT Ax̄ = AT b:
1.1565 1.0524 c¯1 36.7525
=
1.0524 1.0187 c¯2 34.9701
oplossing: c¯1 = 9.0188, c¯2 = 25.0120.
tijdstip t verval v
0 111.1
1 10.7
2 1.3
3 0.1
4 0.01
Model: v = ce−λt ,
ofwel ln v = ln c − λt = c∗ − λt
Invullen data:
1 0 ln 111.1
1 −1 ∗ ln 10.7
1 −2 c
λ = ln 1.3
ofwel
1 −3 ln 0.1
1 −4 ln 0.01
Ax = b. Normaalvergelijking AT Ax̄ = AT b:
c¯∗
5 −10 0.4353
=
−10 30 λ̄ 22.4335
11 Projecteren
11.1 Projectie op een lijn
lijn: < a >.
projectie van b op < a > is p = λa.
Er moet gelden:
(b − λa) ⊥ a,
ofwel
(a , (b − λa)) = 0.
Dus
λ(a , a) = (a , b),
ofwel
(a , b) (a , b)
λ = (a , a) en p= (a , a) a.
d.w.z. AT Ax̄ = AT b.
11.3 Projectiematrix
Uit AT Ax̄ = AT b volgt
x̄ = (AT A)−1 AT b.
(A heeft rang n dus AT A heeft rang n en is dus inverteerbaar)
Er volgt
p = Ax̄ = A(AT A)−1 AT b.
De matrix P = A(AT A)−1 AT is de projectiematrix voor de projectie
op V = R(A).
12.2 Orthonormaal
Een stel vectoren is orthonormaal indien de vectoren onderling loodrecht op elkaar
staan en lengte 1 hebben, d.w.z. {v 1 , . . . , v n } orthonormaal als
(i) v i ⊥ v j , i 6= j , i = 1, . . . , n ,
j = 1, . . . , n
(ii) k v i k= 1 , i = 1, . . . , n.
In woorden: de vectoren zijn orthogonaal én hebben lengte 1.
a02 = a2 − (q 1 , a2 )q 1
1 1 0
1
= 3 −3· 2 = 1
3
1 2 −1
0
0
Dus q 2 = kaa20 k = √12 1 Merk op dat
2
−1
a2 = (q 2 , a2 )q 2 + (q 1 , a2 )q 1 .
Dus < a1 , a2 >=< q 1 , q 2 >.
De vectoren q 1 en q 2 vormen de basisvectoren van de orthonormale basis.
a03 = a3 − (q 1 , a3 )q 1 − (q 2 , a3 )q 2
2 1 1
2 1 2 1
= 1 − √ · √ 0 − √ · √ 0
0 2 2 1 2 2 −1
0
= 1
0
0
a03
Dus q 3 = ka0 k = 1
3
0
Merk op dat
a3 = (q 3 , a3 )q 3 + (q 2 , a3 )q 2 + (q 1 , a3 )q 1 .
Merk op:
< a1 >=< q 1 >,
< a1 , a2 >=< q 1 , q 2 >,
< a1 , a2 , a3 >=< q 1 , q 2 , q 3 >.
De vectoren q 1 , q 2 en q 3 vormen de basisvectoren van de orthonormale basis.
12.4 Orthogonale deelruimten
Twee deelruimten V en W zijn orthogonaal
(ten opzichte van elkaar) als iedere vector uit V loodrecht staat op iedere vector
uit W .
Notatie: V ⊥ W .
12.5 Orthoplement
De verzameling van alle vectoren die loodrecht staan op een deelruimte V noemen
we het orthogonaal complement (of orthoplement) van V .
Notatie: V ⊥ .
13 Basis-transformaties
Wij leven niet allemaal ten opzichte van dezelfde basis, kijk alleen al maar naar de
lengtematen, de centimeters en de inches. Kijk eens naar het geld, de dollars en
de euros. Ook is het leuk om eens te kijken naar de maten waarmee garens worden
aangeduid. Je hebt er binnen de korste keren, zoal een 15 stuks, waaronder de
NeL en de Nm. De NeL heeft te maken specifiek met linnen, de Nm houdt in dat
er wordt gerekend in het numeriek stelsel.
En je hebt maten, die merken van de garens, er zelf op na houden. Sommigen
doen: hoeveel kilometer draad kan er worden gemaakt uit bijvoorbeeld 1 kilo
katoen (zijde, linnen, ...). Anderen hebben weer niet kilo maar ounces! En je
kunt natuurlijk ook afvragen, hoeveel kilo katoen (zijde, linnen, ...) heb ik nodig
om 100 kilometer draad te maken. Of geen kilometers maar miles, etc. Heel
eerlijk gezegd, is het een puinhoop in die wereld. Helemaal als je bedenkt dat de
lengte ook nog afhangt van de twijning, dat wil zeggen, de mate waarmee draden
in elkaar worden gedraaid, sommigen zijn erg los, anderen juist erg strak en dit
beinvloedt de lengte aanzienlijk. Probeer maar eens uit met een tweetal draadjes.
Er nooit vermeld, bij welke luchtvochtigheid de katoen, linnen of zijde is gemeten
of wat de vochtigheid van de vezels opzich was of is. Zodoende is het gewicht
maar een relatief iets.
Maar hier houden wij ons niet bezig met garens, maar met vectorruimten. Krijgen
wij coördinaten ten opichte van een bepaalde basis, dan willen wij die om kunnen
zetten naar coördinaten van een andere basis.
Net zo als de euros in de gulden en andersom? De factor 2.20371 staat gegrift in
mijn geheugen, maar die andere? Net berekend, ngeveer 0.4538, geheugensteun(?)
2x4=8 en 5+3=8.
x ∈ V is te schrijven als
x = β1 b1 + β2 b2 + · · · + βn bn
b1 = e1 + e2
b2 = −e1 + e2
Een vector met coördinaten ten opzichte van de standaard-basis:
x = −e1 + 5e2
Dit alles omgeschreven in vectoren:
1
e1 :
0 E
0
e2 :
1 E
1
b1 = e1 + e2 :
1 E
−1
b2 = −e1 + e2 :
1 E
−1
x = −e1 + 5e2 :
5 E
2 1 −1 −1
x = 2b1 + 3b2 : =2 +3 =
3 B
1 E
1 E
5 E
2
→ xB = PB←E · xE =
3
!
1 −1
2
xB = → P̃E←B = →
3 1 1
−1
→ xE = P̃E←B · xB =
5
PB←E = (e1,B , e2,B ) overgang van E naarB
P̃E←B = (b1,E , b2,E ) overgang van B naarE
−1
PB←E = P̃E←B
PS←T en PT ←S ?
De matrix PS←T werkt op vectoren met coördinaten ten opzichte van de T -basis
en geeft van die vector de coördinaten ten opzichte van de S-basis.
xS = PS←T xT
(S|T ) → (I|PS←T )
xT = PT ←S xS
(T |S) → (I|PT ←S )
14 Eigenwaarden en eigenvectoren, diagonliseerbare ma-
trix
Matrices hebben vectoren, die na vermenigvuldiging met deze matrix, als resultaat
een veelvoud zijn van zichzelf. Ze worden op zichzelf afgebeeld. De factor is de
desbetreffende eigenwaarde behorende bij die vector.
1 3 1
A 1 = 3 =3 1
0 0 0
0 0 0
A −1 = −1 = 1 −1
1 1 1
−1 2 −1
A −1 = 2 = −2 −1
1 −2 1
De matrix A vermenigvuldigd met één van de laatste drie vectoren, geeft als
resultaat steeds een veelvoud van de desbetreffende vector.
ofwel
Ax − λx = 0
ofwel
= −λ3 + 2λ2 + 5λ − 6
−λ3 + 2λ2 + 5λ − 6 = 0
We noemen dit de
karakteristieke vergelijking van A.
Deze vergelijking kunnen we ook schrijven als:
λ=1
−3 5 5
A − 1 · I = −3 5 5
3 −3 −3
λ=3
−5 5 5
A − 3 · I = −3 3 5
3 −3 −5
Dus
1
N (A − 3I) = E3 =< 1 >
0
Op dezelfde manier vinden we
−1
N (A + 2I) = E−2 =< −1 >
1
Procedure
a b
A=
c d
a−λ b
A − λI =
c d−λ
= (1 − λ)(λ2 − 3λ + 2) =
−1 −2 1 x1 0
E1 0 0 0 x2 = 0
0 0 0 x3 0
−2 1
E1 =< 1 , 0 >
0 1
Na berekening:
1
E2 =< −1 >
0
14.6.2 Voorbeeld 2
1 5 3
A=0 1 1
0 0 2
1−λ 5 3
det(A − λI) = 0 1−λ 1 =
0 0 2−λ
= (1 − λ)2 (2 − λ)
E1
0 5 3 x1 0 1
0 0 1 x2 = 0 , E1 =< 0 >
0 0 0 x3 0 0
E2
8
E2 =< 1 >
1
14.9 Diagonaliseerbaar
Geprobeerd kan worden om bij berekeningen, zo weinig mogelijk getallen van een
matrix te moeten onthouden. Je wilt berekeningen doen, met zo weinig mogelijk
getallen. Je kunt proberen, de matrix op diagonaalgedaante te brengen. Mis-
schien dat dit lukt ten opzichte van een basis van eigenvectoren? Maar heb je
genoeg eigenvectoren?
Definitie:
Stelling:
Een n×n matrix A is diagonaliseerbaar dan en slechts dan als voor elke eigenwaar-
de λi van A geldt dat de algebraı̈sche multipliciteit gelijk is aan de geometrische
multipliciteit.
Als een n × n matrix A n verschillende eigenwaarden heeft dan is A diagonaliseer-
baar.
14.10 Eigenwaarde-decompositie
A n × n matrix
n onafhankelijk eigenvectoren s1 , . . . , sn
| | |
S = s 1 s2 . . . s n (S −1 bestaat)
| | |
| | |
AS = A s1 s2 . . . sn =
| | |
| | |
= λ 1 s 1 λ2 s2 . . . λ n s n
| | |
λ1 0 · · · 0
| | | 0 λ ··· 0
2
= s1 s2 . . . sn .. .. = SD
..
. . .
| | |
0 0 · · · λn
Dus AS = SD ofwel S −1 AS = D.
A = SDS −1 .
Opmerkingen:
De keuze van S is niet uniek. Bijv. de volgorde van de eigenvectoren kan anders
worden gekozen, de lengte van de eigenvectoren kan anders worden gekozen.
eigenwaarden: λ = 1, λ
= 5.
2
eigenruimten: E1 =< >,
1
3
E5 =< >
2
Bx = (A + 7I)x = Ax + 7x
= λx + 7x = (λ + 7)x
Ax = λx
ofwel
Er volgt
1
A−1 x = x,
λ
dus 1
λ eigenwaarde van A−1 met eigenvector x.
15 Symmetrische en orthogonale matrices
Er wordt vaak gewerkt met symmetrische en orhtogonale matrices. Deze matrices
hebben bepaalde eigenschappen, die hier en daar goed van pas kunnen komen. Van
symmtrische matrices kun je gelijk het een en ander zeggen over de eigenwaarden
en eigenvectoren, verder is er eigenlijk geen berekening nodig om de inverse van
een orthogonale matrix uit te rekenen. Verder komen de orthogonale matrices
goed van pas bij de symmetrische matrices.
QT Q = QQT = I .
d.w.z. QT = Q−1 .
Voor alle zekerheid: orthonormale matrices bestaan niet.
dus: √
1 1√ 1 0 − 12 + 21 3 i
−2 − 2 3 i 0√ 1 √
−1 − 12 − 12 3 i 0√ ∼ 0 1 −1 − 1 3 i
2 2
1 1
0 1 −2 − 2 3 i
0 0 0
’eigenruimte’: √ √
E 1 + 1 √3i =< ( 21 − 12 3i, 12 + 12 3i, 1)T >.
2 2 √ √
λ = 12 − 12 3 i : N (A − ( 12 − 12 3 i)I)
dus: √
1 1√ 1 0 − 21 − 12 3 i
−2 + 2 3 i 0√ 1 √
1 1 ∼ 0 1 −1 + 1 3 i
−1 −2 + 2 3 i 0√ 2 2
0 1 − 12 + 21 3 i
0 0 0
’eigenruimte’: √ √
E 1 − 1 √3i =< ( 21 + 1
2 3i, 1
2 − 1
2 3i, 1)T >.
2 2
17 Differentiaalvergelijkingen
17.1 Homogeen stelsel differentiaalvergelijkingen
dx1
(t) = 5xt (t) − 2x2 (t)
dt
dx2
(t) = 7xt (t) − 4x2 (t)
dt
Homogeen stelsel gewone lineaire
differentiaalvergelijkingen met constante
coëfficiënten (autonoom).
ẋ = Ax
ẋE = AxE
Andere coördinaatkeuze
xE = P xS en ẋE = P ẋS .
Er geldt:
karakteristiek polynoom: λ2 − λ − 6
eigenwaarden:
2
λ = −2 met E−2 =< >
7
1
λ = 3 met E3 =< >
1
2 1
Overgangsmatrix P =
7 1
−2 0
P −1 AP =
0 3
xE = P x S
Dus
x1,E = 2x1,S + x2,S
x2,E = 7x1,S + x2,S
Geeft
ẋ1,E = 2ẋ1,S + ẋ2,S
ẋ2,E = 7ẋ1,S + ẋ2,S
Dus
ẋE = P ẋS
P ẋS = AP xS ofwel ẋS = P −1 AP xS = ΛxS
Stelsel ẋS = ΛxS :
ẋ1,S = −2x1,S
ẋ2,S = 3x2,S
Oplossing:
We noemen het stel vectorwaardige functies x(1) (t) en x(2) (t) een fundamentaal-
systeem voor het stelsel differentiaalvergelijkingen.
x2 x3
ex = 1 + x + 2! + 3! + ··· .
eλ1 t
0
... =
0 eλn t
P∞ k
(λ1 t)
k=0 k! 0
=
... =
P∞ k
(λn t)
0 k=0 k!
P∞ k
(Λt)
= k=0 k! = eΛt
∞
At
X (At)k
e = .
k!
k=0
Stelling:
Zij A een diagonaliseerbare matrix met A = P ΛP −1 . Dan is eAt = P eΛt P −1 .
At −1 P Λ2 P −1 t2
e = I + P ΛP t+ +
2!
P Λ3 P −1 t3
+ + ···
3!
(Λt)2 (Λt)3
= P (I + Λ + + + · · · )P −1
2! 3!
Λt −1
= Pe P
ẋ = Ax
is
x(t) = eAt c
x(t) = eA(t−t0 ) x0
17.7 Inhomogeen stelsel differentiaalvergelijkingen
Inhomogene stelsels
ẋ(t) = Ax(t) + f (t) .
ẋ1 (t) = a11 x1 (t) + a12 x2 (t) + f1 (t)
.
ẋ2 (t) = a21 x1 (t) + a22 x2 (t) + f2 (t)
Voorbeeld
5 −2 f1 (t)
ẋ = x+ .
7 −4 f2 (t)
Scheiding van variabelen door het diagonaliseren van A (overgaan op een andere
basis) geeft
P ẋS = AP xS + f ,
ofwel
ẋS = P −1 AP xS + P −1 f .
1 1
−2 0 −5 5 f1 (t)
ẋ = x+ 7 2 .
0 3 5 − 5 f2 (t)
ofwel
1 1
ẋ1 (t) = −2x1 (t) − f1 (t) + f2 (t)
5 5
7 2
ẋ2 (t) = 3x2 (t) + f1 (t) − f2 (t)
5 5
Oplossen met de methode van variatie van constante:
Z t
−2t 1 1
x1 (t) = c1 e + e−2t+2s (− f1 (s) + f2 (s)) ds
5 5
Z t0
7 2
x2 (t) = c2 e3t + e3t−3s ( f1 (s) − f2 (s)) ds
0 5 5
2 1
= c1 e−2t + c2 e3t +
7 1
2 1
= c1 e−2t + c2 e3t +
7 1
t
e−2t+2s
Z
0 f1 (s)
+ P 3t−3s P −1 ds
0 0 e f2 (s)
ẋ = Ax + eαt · v .
Kies een extra variabele x3 (t) = eαt die met de (speciale) inhomogene term eαt
overeenstemt. In het volgende voorbeeld is α = 4.
ẋ1 = 5x1 − 2x2 + x3
ẋ2 = 7x1 − 4x2 − x3
ẋ3 = 4x3
dus
5 −2 1
ẋ = à x met à = 7 −4 −1 .
0 0 4
Algemene oplossing:
x1 (t) 2 1 5
−2t 3t 4t
x2 (t) = c1 e 7 + c2 e 1 + c3 e 4 .
x3 (t) 0 0 3
x3 (t) = 3c3 e4t en x3 (t) = e4t dus c3 = 13 .
x1 (t) −2t 2 3 1 1 5
= c1 e + c2 e + e4t .
x2 (t) 7 1 3 4
Methode 3.
−2t 2 3t 1
xh (t) = c1 e + c2 e .
7 1
Een particuliere oplossing volgt uit een geschikte probeeroplossing, bijvoorbeeld:
Invullen geeft
5
1 3
Als v = volgt w = 4
−1 3
Dus
5
2 1
x(t) = c1 e−2t + c2 e3 + e4t 3
4
7 1 3
Z t
At
x=e c+ eA(t−s) f (s)ds , c ∈ IRn .
0
Z t0
−At0 −At0
c=e x0 − e eA(t0 −s) f (s)ds .
0
Az = λ1 z en Az = λ1 z met
2+i
z= .
1
en
Au = Re(λ)u − Im(λ)v
en
Av = Im(λ)u + Re(λ)v .
x(t) = eAt c
−1
Re(eλ1 t ) Im(eλ1 t )
2 1 2 1 c1
= λ1 t λ1 t
1 0 −Im(e ) Re(e ) 1 0 c2
−t
e cos(t) e−t sin(t)
2 1 d1
=
1 0 −e−t sin(t) e−t cos(t) d2
−t 2 1
= d1 e cos(t) − sin(t)
1 0
−t 2 1
+d2 e sin(t) + cos(t)
1 0
met d1 , d2 ∈ IR .
1 −5
ẋ = Ax met A=
1 −3
Oplossingen karakteristieke vergelijking zijn:
λ1 = −1 + i en λ2 = λ1
Az = λ1 z en Az = λ1 z met
2+i
z= .
1
We gaan te werk als bij reële eigenwaarden en eigenvectoren.
Algemene complexe oplossing:
2 + i
x(t) = c1 e(−1+i)t +
1
2 − i
+c2 e(−1−i)t met c1 , c2 ∈ C
| .
1
Deze oplossing is rëeel als c2 = c1 .
De algemene reële oplossing is nu:
2 + i
x(t) = d1 Re(e(−1+i)t )+
1
2 + i
+d2 Im(e(−1+i)t )
1
−t 2 1
= d1 e cos(t) − sin(t) +
1 0
−t 2 1
+d2 e sin(t) + cos(t)
1 0
met d1 , d2 ∈ IR .
ẋ1 = y 0 =
x2
00
ẋ = y = x3
2 000
ẋ3 = y = −6x1 −x2 +4x4
Dus ẋ = Ax met
0 1 0
A= 0 0 1
−6 −1 4
Voor A geldt:
karakteristiek polynoom =
−λ3 + 4λ2 − λ − 6
eigenwaarden:
λ = −1 met E−1 =< (1, −1, 1)T >
λ = 2 met E2 =< (1, 2, 4)T >
λ = 3 met E3 =< (1, 3, 9)T >
De algemene oplossing wordt dan:
1 1 1
−t 2t 3t
x(t) = c1 e −1 + c2 e 2 + c3 e 3
1 4 9
Voor de oorspronkelijke differentiaalvergelijking is alleen x1 (t) van belang:
y1 = x en y2 = ẋ geeft ẏ = Ay met
0 1
A= .
−ω02 −2k
karakteristieke vergelijking:
p λ2 + 2kλ + ω02 .
eigenwaarden: −k ± k 2 − ω02 .
18.3.1 Ongedempte trilling
k = 0 < ω0
De eigenwaarden: λ1 = iω0 en λ2 = −iω0 .
De reële algemene oplossing is
A0 cos(ω0 t + α) .
0 < k < ω0
eigenwaarden:p p
λ1 = −k + i ω02 − k 2 , λ2 = −k − i ω02 − k 2 .
De reële algemene oplossing is
q
−kt
x(t) = c1 e cos(t ω02 − k 2 )
q
−kt
+c2 e sin(t ω02 − k 2 )
q
−kt
= A0 e cos(t ω02 − k 2 + α) .
Trilling. Amplitude afhankelijk van t: A0 e−kt .
Voor toenemende t wordt de amplitude steeds kleiner. De trilling dempt uit.
Voor alle oplossingen geldt
lim x(t) = 0 .
t→∞
0 < k = ω0
eigenwaarden: λ1 = −k, λ2 = −k.
De matrix A is niet diagonaliseerbaar.
De reële algemene oplossing is
lim x(t) = 0 .
t→∞
lim x(t) = 0 .
t→∞
19 Lineaire afbeeldingen
19.1 Inleiding
De lineaire afbeeldingen kunnen worden gezien als functies, maar wel functies met
speciale eigenschappen.
x −→ functievoorschrift −→ y = f (x)
Een lineaire afbeelding uit de Lineaire Algebra:
vector −→ Afbeelding −→ vector
x −→ voorschrift L −→ y = L(x)
Definitie:
Een afbeelding L : IRn → IRm heet een lineaire afbeelding als
(i) L(x + y) = L(x) + L(y)
(ii) L(c · x) = c · L(x)
voor elke x, y ∈ IRn en elke c ∈ IR.
Voorbeeld:
Het voorschrift L is een matrixvermenigvuldiging, de matrix A is een m×n matrix.
Beschouw L(x) = Ax.
De matrixvermenigvulding voldoet aan beide eigenschappen van de definitie en is
dus een lineaire afbeelding, in dit geval van de IRn naar de IRm .
De beeldruimte van L is
M.a.w. alle vectoren die als beeldvector van een vector x ∈ IRn kunnen optreden.
De nulruimte van L is
Stelling:
De beeldruimte is een deelruimte van IRm .
De nulruimte is een deelruimte van IRn .
Stelling: (dimensiestelling)
L : V → W een lineaire afbeelding.
L:V →W
S = {x1 , · · · , xn } een basis van V .
L(x1 ) = z 1 , · · · , L(xn ) = z n .
Beschouw y = y1 x1 + · · · + yn xn .
L(y) = L(y1 x1 + · · · + yn xn )
= y1 L(x1 ) + · · · + yn L(xn )
= y1 z 1 + · · · yn z n
L:V →W
S = {x1 , · · · , xn } een basis van V .
T = {y 1 , · · · , y m } een basis van W .
L(x1 ) = z 1 , · · · , L(xn ) = z n .
Beschouw v = v1 x1 + · · · + vn xn .
(L(v))T = (L(v1 x1 + · · · + vn xn ))T
= v1 (L(x1 ))T + · · · + vn (L(xn ))T
= v1 z 1,T + · · · vn z n,T
| | | v1
= z 1,T z 2,T · · · z n,T ...
| | | vn S
De afbeeldingsmatrix A van L t.o.v. de basis S op domein en de basis T op bereik
is
| | |
A = (L(x1 ))T (L(x2 ))T · · · (L(xn ))T
| | |
19.5.1 Voorbeelden
1 1
L(x1 ) = , L(x2 ) = ,
0 1
0
L(x3 ) =
1
1 1
Dus L(x1 )T = , L(x2 )T = ,
0 1
0
L(x3 )T =
1
Dus
1 1 0
A=
0 1−1
Voorbeeld 2:
2 × 2 stelsels
Drie oplossen
met dezelfde coëfficiëntenmatrix
1 −1 1 1 2
2 1 −1 0 0
Vegen geeft:
1 2 !
1 0 0
3
3
2 4
0 1 −1 −
3
−
3
Dus
1 2
!
0 3 3
A=
−1 − 23 − 43
19.6.1 Voorbeeld
−2 −3 1
x1 = 1 , x 2 = 0 , x 3 = 2
0 1 3
x1 en x2 vormen
een basis van het vlak,x3 staat
loodrecht op het
vlak.
−2 −3 −1
L(x1 ) = x1 = 1 , L(x2 ) = x2 = 0 , L(x3 ) = −x3 = −2
0 1 −3
matrix B vanL t.o.v. S op domein en de standaardbasis E op bereik is
Dus de
−2 −3 −1
B = 1 0 −2
0 1 −3
De overgangsmatrix van S naar E is
−2 −3 1
P̃E←S = (x1,E x2,E x3,E ) = 1 0 2
0 1 3
dus de overgangsmatrix PS←E vanE naar S
1 5 3
−7 7 −7
−1
3 3
5
PS←E = P̃E←S = −
14 − 7 14
1 1 3
14 7 14
6 −2 −3
en A = BPS←E = 17 −2 3 −6
−3 −6 −2
= y1 z 1,S + · · · + yn z n,S
| | | y1
= z 1,x z 2,S · · · z n,S ...
| | | yn S
| | |
A = z 1,S z 2,S · · · z n,S
| | |
| | |
= (L(x1 ))S (L(x2 ))S · · · (L(xn ))S
| | |
L heeft matrix A t.o.v. basis S op domein en bereik.
(L(y))S = Ay S
−1
Zij PS←T de overgangsmatrix van basis T naar basis S, P̃T ←S = PS←T is dan de
overgangsmatrix van S naar T
−1
(L(y))T = PS←T (L(y))S
−1
= PS←T A yS
−1
= PS←T APS←T y T
ofwel, de matrix B van L t.o.v. de basis T op domein en bereik is
−1
B = PS←T APS←T
Een lineaire afbeelding L : IRn → IRn heet symmetrisch als voor alle x, y ∈ IRn
geldt (L(x), y) = (x, L(y)).
• Er moet een bases zijn gekozen, zodat je objecten coördinaten kunt geven. (
Geen basis dan geen coördinaten.)
• In de kolommen van een matrix staan de beelden van de eenheidsvectoren.
Denk wel aan het voorafgaande punt. Een matrix werkt op een vector, met
coördinaten ten opzichte van een vooraf gekozen basis, de beelden zijn weer
vectoren, gegeven ten opzichte van een zekere basis. Deze bases kunnen
verschillend zijn!
• De afbeelding, welke wij willen omzetten in een matrix, dient lineair te zijn,
dus
Voorbeeld 1
1. p(t) = 1 + t + t2
2. p(t) = 1 − t2
3. p(t) = 2 t
4. p(t) = 4
20.4 Coördinaten
Nu hebben wij bases, en met deze bases kunnen wij nu coördinaten toekennen aan
een polynoom uit P2 . Het zijn de coëfficienten, die voor de basisvectoren dienen
te staan om een bepaald element te beschrijven.
Laten wij als polynoom p(t) = 1 + 2 t − 3 t2 nemen, en hiervan de coördinaten
gaan bepalen ten opzichte van de bases uit het vorige voorbeeld.
Voorbeeld 3
1. P2 = [1, t, t2 ], dit is gemakkelijk, Ce (p(t)) = (1, 2, −3), de coördinaten van p ten
opzichte van de basis e, ( dit wordt bedoeld met Ce ), zijn dus (1, 2, −3), immers
p(t) = 1 ∗ 1 + 2 ∗ t − 3 ∗ t2 .
Oftewel: Ce (p(t)) = (1, 2, −3).
2. P2 = [1 − t, 1 + t, t2 ], noem {1 − t, 1 + t, t2 } = g, de coördinaten van het polynoom
bepalen gaat als volgt. Er moet gelden a ∗ (1 − t) + b ∗ (1 + t) + c ∗ t2 = 1 + 2 t − 3 t2 ,
dus (c + 3) ∗ t2 + (−a + b − 2) ∗ t + (a + b) ∗ 1 = 0. Dit geeft drie vergelijkingen met
drie onbekenden, c = −3, −a + b = 2, a + b = 1, omdat de polynomen 1, t, t2 lineair
onafhankelijk zijn. Dit stelsel oplossend geeft Cg (p(t)) = (− 12 , 32 , −3). Controleer
het, immers − 12 ∗ (1 − t) + 23 ∗ (1 + t) − 3 ∗ t2 = p(t).
Oftewel: Cg (p(t)) = (− 12 , 32 , −3).
3. P2 = [1 − t, t + t2 , t2 ] bereken de coëficienten en controleer ze.
Antwoord: Cf (p(t)) = (1, 3, −6).
20.5 Differentieren
In dit voorbeeld nemen wij het differentieren als lineaire afbeelding. Nemen wij
de ruimte V als de ruimte van alle differentieerbare functies, en W de ruimte van
alle mogelijk functies, dan is het differentieren D, een lineaire afbeelding.
Immers f, g ∈ V , dan geldt f + g ∈ V , omdat V een lineaire vectorruimte is en
geldt D((f + g)(t)) = dtd (f + g)(t) = dtd f (t) + dtd g(t) = D((f )(t)) + D((g)(t)) én
D(α ∗ f )(t)) = dtd (α ∗ f )(t) = α ∗ dtd f (t) = α ∗ D(f )(t)).
De ruimte P2 is een lineaire deelruimte van V en W , zodat D een lineare afbeelding
is van P2 naar P2 , en D(a + b t + c t2 ) = b + 2 c t.
20.6 Matrices
Een heel eenvoudige matrix van het differentieren krijgen wij door te kijken naar
de matrix van P2 met basis e, naar P2 met basis e. Zoals al een keer eerder gezegd:
In de kolommen van een matrix staan .........
Dus wij moeten de beelden van de basisvectoren bepalen en dan de coördinaten
bepalen van deze beelden ten opzichte van een bepaalde basis, in dit geval e.
• D(1) = 0 geeft als coördinaten tov. e: (0,0,0)
• D(t) = 1 geeft als coördinaten tov. e: (1,0,0)
• D(t2 ) = 2 t geeft als coördinaten tov. e: (0,2,0)
De coördinaten worden in kolommen gezet, precies op de volgorde waarop wij
ze hebben berekend en dit geeft als matrix e M (D)e , de rechter index geeft aan
tov. welke basis de coördinaten van de vector zijn bepaald, waarmee de matrix
wordt wermenigvuldigd en de linker index geeft aan tov welke basis de coördinaten
gegeven zijn van het produkt van de matrix en de vector. In dit geval
0 1 0
e M (D)e =
0 0 2
0 0 0
Controleer het weer!
a 0 1 0 a b
e M (D)e
b = 0 0 2 b = 2c
c e 0 0 0 e c e 0 e
Ook hier is het weer leuk om een controle uit te voeren! D(a+b t+c t2 ) = b +2 c t =
b ∗ (1 − t) + (b + 2c) ∗ (t + t2 ) + (−b − 2c) ∗ t2 en met de matrixvermenigvuldiging
verkrijgen wij:
a 0 1 0 a b
f M (D)e
b = 0 1 2 b = b + 2c
c e f
0 −1 −2 e c e −b − 2c f
Dus een polynoom tov. de basis e erin en het antwoord wordt gegeven tov. de
basis f .
Met dit voorbeeld hebben wij het volgende plaatje verkregen:
D
P2 −→ P2
Ce y y Cf
f M (D)e
R3 −→ R3
20.7 Coördinatentransformatie
Nu hebben wij al een aantal keren coördinaten zitten omrekenen van de ene basis
naar een andere basis. Coördinaten toekennen aan polynomen is een lineaire
afbeelding, dus opzoek naar de matrices van dergelijke afbeeldingen! Gevraagd
de coördinatentransformatie van de basis e naar de basis f . Oftewel wij zijn
opzoek naar een matrix, en deze matrix heeft als eigenschap, dat als wij deze
vermenigvuldigen met een vector met coördinaten tov. de basis e, wij een vector
krijgen met coodinaten tov. de basis f .
Nu weer hetzelfde liedje: In de kolommen van een matrix ........
Dus wij moeten van de basis vectoren van de basis e, de coördinaten bepalen
tov de basis f , deze geven de kolommen van de gezochte matrix. Alleen de
eerste basisvector wordt op een moeilijke manier gedaan, daarna een gemakkelijker
methode. Dus de eerste basis vector van de basis e geeft 1 = a ∗ (1 − t) + b ∗
(t + t2 ) + c ∗ t2 , reken na dat (a, b, c) = (1, 1, −1). Doe op eenzelfde manier de
andere basisvectoren van de basis e, de antwoorden weer in kolommen zetten en
een matrix hiervan makend geeft
1 0 0
f Be =
1 1 0
−1 −1 1
( Maak van de vergelijkingen, die je verkrijgt eens een uitgebreide coeeficienten-
matrix, op de eerste rij, de vergelijking behorende bij het polynoom 1, dan op de
tweede rij de vergelijking behorende bij het polynoom t, etc.) Deze matrix geeft
dus de coordinatentransformatie van de basis e naar f . Zie ook steeds de indices
bij de matrices, rechts er iets in tov. de basis e, en links komt er iets uit tov. de
basis f .
Het uitrekenen van deze basis transformatie kan ook op een iets gemakkelijker
manier en wel door matrices te vegen. Het te vegen stelsel maak je als volgt: links
de matrix bestaande uit de basisvectoren van f en rechts de basisvectoren van e,
deze natuurlijk wel met coordinaten tov eenzelfde basis, oftewel
1 0 0 1 0 0
−1 1 0 0 1 0
0 1 1 0 0 1
Veeg het stelsel nu zodanig dat aan de linkerkant de eenheidsmatrix wordt ver-
kregen, geeft als resultaat:
1 0 0 1 0 0
0 1 0 1 1 0
0 0 1 −1 −1 1
En zoals je ziet staat rechts de gevraagde matrix f Be . Je lost in één keer de
volgende problemen op:
1 0 0 1 0 0
a ∗ −1 + b ∗ 1 + c ∗ 0 = 0 en 1 en 0
0 1 1 0 0 1
Vergelijk dit alles met de uitgebreide coefficietenmatrix, die je zoeven hebt ge-
maakt!
Een controle? Waarom niet,
1 0 0 1 1
1 1 0 2 = 3
f
−1 −1 1 e −3 e −6 f
hiermee dus het polynoom p(t) = 1 + 2t − 3t2 omgezet naar de coordinaten tov.
de basis f !
Overigens de coordinatentransformatie e Bf is, in dit probleen, dus gemakkelijk
te verkrijgen. Eenmaal de bases netjes naast elkaar opgeschreven, zie je aan de
linkerkant een eenheidsmatrix staan, en er hoeft dus niet te worden geveegd. Een
andere mogelijkheid is
e Bf = (f Be )−1
dat wil dus zeggen de inverse matrix uitrekenen van de matrix, die wij al hadden,
ga dit na!
oftewel
1 0 0 0 1 0 1 0 0
f M (D)f =
1 1 0 0 0 2 −1 1 0 .
−1 −1 1 0 0 0 0 1 1
Reken na dat
−1 1 0
f M (D)f =
−1 2 2
1 −3 −2