Eigenwaarde en Eigenvector Calculator
Bereken eigenwaarden en eigenvectoren van een matrix met behulp van onze geavanceerde tool. Geschikt voor grafische rekenmachines en academisch gebruik.
Resultaten
Complete Gids: Eigenwaarden en Eigenvectoren Berekenen met een Grafische Rekenmachine
Eigenwaarden en eigenvectoren zijn fundamentele concepten in de lineaire algebra met toepassingen in kwantummechanica, machine learning, structuurmechanica en nog veel meer. Deze gids laat je stap voor stap zien hoe je deze kunt berekenen met zowel theoretische methoden als praktische implementaties op grafische rekenmachines.
Wat zijn Eigenwaarden en Eigenvectoren?
Voor een vierkante matrix A is:
- Eigenwaarde (λ): Een scalaire waarde waarvoor er een niet-nulle vector v bestaat zodanig dat Av = λv
- Eigenvector (v): De vector die alleen in grootte (niet in richting) verandert wanneer A erop wordt toegepast
Wiskundige Definitie
De karakteristieke vergelijking voor matrix A is:
det(A – λI) = 0
Waar I de eenheidsmatrix is en det() de determinant voorstelt.
Praktische Berekeningsmethoden
- Handmatige berekening:
- Stel de karakteristieke vergelijking op
- Los de polynomiale vergelijking op voor λ
- Vind voor elke λ de bijbehorende eigenvector door (A – λI)v = 0 op te lossen
- Grafische rekenmachine (TI-84, Casio ClassPad, etc.):
- Voer de matrix in via de matrix editor
- Gebruik de eigenwaarde/eigenvector functie (bijv.
eigVl()op TI-84) - Interpreteer de complex getallen output indien van toepassing
- Software (MATLAB, Python NumPy, Wolfram Alpha):
- Gebruik ingebouwde functies zoals
eig()in MATLAB ofnumpy.linalg.eig()in Python - Visualiseer de resultaten met grafieken
- Gebruik ingebouwde functies zoals
Stapsgewijze Berekening voor 2×2 Matrix
Laten we een voorbeeld doen met matrix:
A = | a b |
| c d |
- Stel de karakteristieke vergelijking op:
det(A – λI) = (a-λ)(d-λ) – bc = 0
λ² – (a+d)λ + (ad-bc) = 0 - Los de kwadratische vergelijking op met de abc-formule:
λ = [(a+d) ± √((a+d)² – 4(ad-bc))]/2
- Vind voor elke λ de eigenvector door (A – λI)v = 0 op te lossen
Voorbeeldberekening
Voor matrix A = | 4 1 |
| 2 3 |
- Karakteristieke vergelijking:
λ² – 7λ + 10 = 0
- Eigenwaarden:
λ₁ = 5, λ₂ = 2
- Eigenvectoren:
Voor λ₁ = 5: v₁ = |1|
|1|Voor λ₂ = 2: v₂ = |1|
|-2|
Grafische Rekenmachine Instructies
TI-84 Plus CE
- Druk op 2nd > x⁻¹ (MATRIX)
- Selecteer EDIT > ENTER en voer je matrix in
- Druk op 2nd > MODE (QUIT)
- Druk op 2nd > x⁻¹ (MATRIX) > ▶ (MATH) > ENTER (eigVl)
- Selecteer je matrix en druk op ENTER
Casio ClassPad
- Open het hoofdmenu en selecteer “Matrix”
- Definieer je matrix (bijv. m1)
- Ga naar “Action” > “Matrix” > “Eigenvalue”
- Selecteer je matrix en voer uit
- Gebruik “Eigenvector” voor de bijbehorende vectoren
Veelgemaakte Fouten en Oplossingen
| Fout | Oorzaak | Oplossing |
|---|---|---|
| Geen reële eigenwaarden | Discriminant negatief | Gebruik complex getallen of controleer matrixinvoer |
| Eigenvector is nulvector | Verkeerde λ gebruikt | Controleer berekening van eigenwaarden |
| Rekenmachine geeft error | Matrix niet vierkant | Zorg voor n×n matrix (bijv. 2×2, 3×3) |
| Verkeerde eigenvector richting | Schaalfactor vergeten | Eigenvectoren zijn uniek tot schaalfactor |
Geavanceerde Toepassingen
Eigenwaarden en eigenvectoren hebben cruciale toepassingen in:
- Kwantummechanica: Energie-eigenwaarden van Hamiltoniaanse matrix
- Structuurmechanica: Trillingsmodi van constructies
- Machine Learning: Principal Component Analysis (PCA)
- Google’s PageRank: Eigenvector van web link matrix
- Signaalverwerking: Fourier-analyse via eigenwaarden
Vergelijking Berekeningsmethoden
| Methode | Nauwkeurigheid | Snelheid | Geschikt voor | Complexiteit |
|---|---|---|---|---|
| Handmatig | Middel (afhankelijk van vaardigheid) | Langzaam (3×3: ~15 min) | 2×2, 3×3 matrixen | Hoog |
| TI-84 Rekenmachine | Hoog (15 cijfers precisie) | Snel (~30 sec voor 3×3) | Tot 10×10 matrixen | Laag |
| Casio ClassPad | Zeer hoog (symbolische berekening) | Snel (~20 sec voor 3×3) | Tot 20×20 matrixen | Middel |
| Python NumPy | Zeer hoog (64-bit floating point) | Zeer snel (<1 sec voor 100×100) | Grote matrixen (>100×100) | Middel |
| MATLAB | Extreem hoog (arbitrary precision) | Zeer snel (geoptimaliseerd) | Zeer grote matrixen | Hoog (licentiekosten) |
Wetenschappelijke Context
Het concept van eigenwaarden werd voor het eerst geïntroduceerd in de 18e eeuw door Leonhard Euler in zijn studie naar de trillingen van mechanische systemen. In de 19e eeuw ontwikkelde August Louis Cauchy de theorie verder in zijn werk over kwadratische vormen. Tegenwoordig vormen eigenwaarden de basis voor:
- Spectrale theorie in functionele analyse
- Stabiliteitsanalyse van differentiaalvergelijkingen
- Kwantumveldtheorie in deeltjesfysica
- Netwerkanalyse in sociologie en biologie
Praktische Tips voor Examens
- Controleer altijd of je matrix vierkant is (n×n)
- Gebruik de spoor (trace) en determinant als snelle controle:
Som eigenwaarden = spoor(A) = a₁₁ + a₂₂ + … + aₙₙ
Product eigenwaarden = det(A) - Voor hermitische matrixen zijn alle eigenwaarden reëel
- Normaliseer eigenvectoren voor toepassingen in kwantummechanica
- Gebruik de machtmethode voor benadering van dominante eigenwaarde
Veelgestelde Vragen
Wat als mijn matrix niet-diagonaliseerbaar is?
Niet alle matrixen zijn diagonaliseerbaar. Een matrix is diagonaliseerbaar als en slechts als het geometrische multipliciteit van elke eigenwaarde gelijk is aan zijn algebraïsche multipliciteit. In zo’n geval kun je de Jordan normaalvorm gebruiken.
Hoe bereken ik eigenwaarden van een 4×4 matrix?
Voor 4×4 matrixen wordt de karakteristieke vergelijking een 4e graads polynoom:
λ⁴ + aλ³ + bλ² + cλ + d = 0
Deze is analytisch oplosbaar (met de formule van Ferrari), maar in de praktijk gebruik je numerieke methoden of software.
Wat is het verschil tussen algebraïsche en geometrische multipliciteit?
- Algebraïsche multipliciteit: Het aantal keer dat een eigenwaarde voorkomt als wortel van de karakteristieke vergelijking
- Geometrische multipliciteit: De dimensie van de eigenruimte (aantal lineair onafhankelijke eigenvectoren) bij die eigenwaarde
Voorbeeld: Een 3×3 matrix met eigenwaarde λ=2 met algebraïsche multipliciteit 3 maar geometrische multipliciteit 1 is niet diagonaliseerbaar.
Kunnen eigenwaarden complex zijn voor reële matrixen?
Ja, maar complexe eigenwaarden komen altijd in complex toegevoegde paren voor bij reële matrixen. Bijvoorbeeld als 3+4i een eigenwaarde is, dan is 3-4i dat ook. De bijbehorende eigenvectoren zijn ook complex toegevoegd.
Hoe gebruik ik eigenwaarden voor stabiliteitsanalyse?
Voor een systeem van differentiaalvergelijkingen dx/dt = Ax:
- Negatieve reële delen van alle eigenwaarden: stabiel knooppunt
- Positieve reële delen: instabiel knooppunt
- Zuiver imaginaire eigenwaarden: centrum (periodieke oplossingen)
- Complexe eigenwaarden met negatief reëel deel: stabiele spiraal