< Return to Video

Lineaire Algebra: Introductie van Eigenwaarden en Eigenvectoren

  • 0:01 - 0:07
    Voor alle transformaties die van Rn naar
    Rn vertalen, we hebben het als
  • 0:07 - 0:10
    vanzelfsprekend gezien, maar het is
    interessant voor ons
  • 0:10 - 0:12
    om de vectors te vinden die worden
    geschaald door de
  • 0:12 - 0:14
    transformaties
  • 0:14 - 0:17
    Dus de vectoren die in de vorm --
    de transformatie van
  • 0:17 - 0:21
    mijn vector, is gelijk aan
    een geschaalde
  • 0:21 - 0:22
    versie van een vector.
  • 0:22 - 0:24
    Als die niet bekend voorkomt kan
    ik je een
  • 0:24 - 0:26
    korte opfrisser geven.
  • 0:26 - 0:28
    Als we zoeken naar de
    basisvectoren van
  • 0:28 - 0:29
    de transformatie
    Voorbeeld:
  • 0:29 - 0:31
    Dit was van R2 naar R2,
  • 0:32 - 0:34
    van R2 naar R2.
  • 0:34 - 0:37
    Ik zet R2 hier neer.
  • 0:37 - 0:44
    Laten we zeggen dat ik deze vector had,
    dat ik deze toevoeg en dat v1 gelijk
  • 0:44 - 0:46
    was aan vector 1, 2.
  • 0:46 - 0:49
    En we hebben de lijn die wordt omhult
    door die vector
  • 0:49 - 0:52
    We hebben dit een aantal filmpjes
    geleden ook gedaan.
  • 0:52 - 0:55
    Daar had ik een transformatie die
    gespiegeld werd langs deze lijn.
  • 0:55 - 1:01
    Als we deze lijn l noemen, T was de
    transformatie van R2
  • 1:01 - 1:05
    naar R2 die gespiegeld werd langs
    deze lijn.
  • 1:05 - 1:13
    Dus het spiegelt, spiegelt vectors,
    spiegelt vectors, langs l.
  • 1:13 - 1:16
    Dus als je die transformatie weer kan
    herinneren--Als ik een
  • 1:16 - 1:19
    willekeurige vector heb die er zo uit
    ziet, laten we zeggen x,
  • 1:19 - 1:22
    Dat is vector x, dan zal de
    transformatie van x er
  • 1:22 - 1:22
    ongeveer zo uitzien
  • 1:22 - 1:25
    Welke is gespiegeld langs die lijn.
  • 1:25 - 1:27
    Dat was de transformatie van x.
  • 1:27 - 1:29
    Misschien weet je nog, zochten we
    naar
  • 1:29 - 1:32
    verandering in de basis die ons helpt
    met het ontdekken
  • 1:32 - 1:35
    van, de matrix voor de transformaties,
    op zijn minst een
  • 1:35 - 1:36
    alternatieve basis
  • 1:36 - 1:37
    Dan kunnen we een matrix
    maken
  • 1:37 - 1:39
    voor de transfomaties in de
    standaard basis.
  • 1:39 - 1:43
    De basis die wij kozen waren
    basisvectoren die nauwelijks werden
  • 1:43 - 1:45
    veranderd door de transformatie of
    sommigen die
  • 1:45 - 1:47
    alleen werden geschaald.
  • 1:47 - 1:53
    Bijvoorbeeld, toen ik de transformatie
    van v1 nam, was de uitkomst gewoon
  • 1:53 - 1:54
    gelijk aan v1.
  • 1:54 - 1:59
    Kortgezegd, de transformatie van v1,
    is gewoon
  • 1:59 - 2:03
    gelijk aan 1 maal v1.
  • 2:03 - 2:07
    Als je aan de hand van dit voorbeeld,
    wat ik hier heb staan,
  • 2:07 - 2:09
    in dit geval lambda, zal dus 1 zijn.
  • 2:09 - 2:11
    Logischerwijs, de vector in dit geval
    is v1.
  • 2:11 - 2:15
    De transformatie heeft v1
    geschaald met 1.
  • 2:15 - 2:19
    Als je ook of als je, datzelfde probleem,
    we hadden een andere vector waar
  • 2:19 - 2:20
    we ook naar keken.
  • 2:20 - 2:28
    OK, het was de vector, het was de vector.
    Minus, laten we het vector v2 noemen.
  • 2:28 - 2:32
    Welke-- laten we zeggen
    het is 2 minus 1.
  • 2:32 - 2:34
    Dan neem je de transformatie er van,
    sinds het
  • 2:34 - 2:36
    orthogonaal was aan de
    lijn, wordt hij
  • 2:36 - 2:38
    gewoon op deze manier gespiegeld.
  • 2:38 - 2:40
    Dat was een interessante
    vector voor ons,
  • 2:40 - 2:45
    omdat the transformatie van
    v2 in dit
  • 2:45 - 2:47
    geval gelijk is aan wat?
  • 2:47 - 2:49
    Gewoon min v2
  • 2:49 - 2:50
    Het is gelijk aan min v2.
  • 2:50 - 2:55
    Anders gezegt, dat de
    transformatie van v2 gelijk is
  • 2:55 - 2:58
    aan min 1 maal v2.
  • 2:58 - 3:02
    En deze waren interessante vectoren
    voor ons omdat als we
  • 3:02 - 3:06
    een nieuwe basis defineren met deze
    jongens als basis vector, het heel erg
  • 3:06 - 3:09
    makkelijk is onze transformatie
    matrix hier uit te halen.
  • 3:09 - 3:12
    Eigenlijk, die basis was heel gemakkelijk
    om mee te rekenen.
  • 3:12 - 3:14
    En we gaan hier dieper op in
    in de toekomst.
  • 3:14 - 3:17
    Hopelijk bevat je dit interessante
    vectoren zijn.
  • 3:17 - 3:22
    Er was ook een geval waar een vlak
    werd opgespannen doormiddel van
  • 3:22 - 3:24
    een aantal vectoren.
  • 3:24 - 3:26
    En dat er een andere vector uit
    het vlak stak
  • 3:26 - 3:27
    zoals hier.
  • 3:27 - 3:29
    En we transformeerden door het
    spiegelbeeld te
  • 3:29 - 3:31
    nemen hierlangs en zeiden toen,
    in die
  • 3:31 - 3:34
    transformatie, deze rode vectoren
    veranderen helemaal niet
  • 3:34 - 3:36
    en deze wordt gespiegeld.
  • 3:36 - 3:38
    Dus misschien maken deze samen
    een goede basis.
  • 3:38 - 3:40
    Of dat ze goede basisvectoren
    kunnen zijn.
  • 3:40 - 3:41
    En dat doen ze.
  • 3:41 - 3:45
    In het algemeen zijn we benieuwd naar
    de vectoren
  • 3:45 - 3:47
    de alleen worden geschaald
    door een transformatie.
  • 3:47 - 3:49
    Het gaan niet alle vectoren zijn, oké?
  • 3:49 - 3:51
    Deze vector, vector x,
    wordt niet alleen
  • 3:51 - 3:55
    geschaald, hij veranderd helemaal,
    deze richting
  • 3:55 - 3:57
    veranderd.
  • 3:57 - 4:00
    De vectoren die geschaald worden kunnen
    soms veranderen-- gaan mogelijk
  • 4:00 - 4:03
    van deze richting naar die
    richting, of soms
  • 4:03 - 4:04
    gaan ze van daar.
  • 4:04 - 4:07
    Misschien is dit wel x en de
    transformatie van x kan een
  • 4:07 - 4:08
    geschaalde x zijn.
  • 4:08 - 4:10
    Misschien is het dat wel.
  • 4:12 - 4:17
    De daadwerkelijk, denk ik, opgespannen
    lijn zal niet veranderen.
  • 4:17 - 4:19
    En dat is waar we ons nu
    mee bezig gaan houden.
  • 4:19 - 4:21
    Deze hebben een speciale naam.
  • 4:21 - 4:24
    Ze hebben een speciale naam en ik
    wil dit heel duidelijk
  • 4:24 - 4:25
    maken want ze zijn handig.
  • 4:25 - 4:27
    Het is geen wiskundige spelletje dat we
  • 4:27 - 4:30
    spelen, alhoewel we soms in een val
    zullen trappen.
  • 4:30 - 4:31
    Maar ze zijn echt handig.
  • 4:31 - 4:34
    Ze zijn handig bij het vinden van de basis
    omdat het in de
  • 4:34 - 4:37
    basis makkelijker is de
    transformatiematrix te vinden.
  • 4:37 - 4:39
    Ze vertrouwde coördinaten
    systemen. En
  • 4:39 - 4:42
    vaak, de transformatiematrices
    in de basis zijn
  • 4:42 - 4:44
    makkelijker om mee te rekenen.
  • 4:44 - 4:47
    Daarom hebben ze een speciale namen.
  • 4:47 - 4:50
    Elke vector die hier exact aan voldoed
    noemen we een
  • 4:50 - 4:58
    eigenvector voor de
    transformatie T.
  • 4:58 - 5:02
    En de lambda, de vermenigvuldiger
    die het wordt-- dit is de
  • 5:02 - 5:12
    eigenwaarde wordt geassocieerd
    met die eigenvector.
  • 5:17 - 5:20
    Dus in het voorbeeld dat ik gaf
    de transformatie is
  • 5:20 - 5:24
    gespiegeld langs deze lijn, v1,
    de vector 1, 2 is een
  • 5:24 - 5:27
    eigenvector van onze
    transformatie.
  • 5:27 - 5:31
    Dus 1,2 is een eigenvector.
  • 5:34 - 5:36
    En de bijbehorende
    eigenwaarde is 1.
  • 5:42 - 5:44
    Deze jongen is ook een
    eigenvector
  • 5:44 - 5:45
    de vector 2 min 1
  • 5:45 - 5:48
    Hij is ook een eigenvector
  • 5:48 - 5:50
    Een duur woord, maar het betekent
    dat de vector gewoon
  • 5:50 - 5:52
    geschaald is door transformatie
  • 5:52 - 5:56
    De verandering is eigenlijk niet meer
    dan gewoon een schaalfactor.
  • 5:56 - 6:04
    En de bijbehorende eigenwaarde is min 1.
  • 6:04 - 6:05
    Als deze transformatie--
  • 6:05 - 6:07
    Ik weet niet wat de
    transformatiematrix is.
  • 6:07 - 6:08
    Ik ben het vergeten.
  • 6:08 - 6:11
    We hebben het een tijd geleden
    uitgewerkt.
  • 6:11 - 6:16
    Als deze transformatiematrix uitgedrukt
    kan worden als een matrixvectorproduct,
  • 6:16 - 6:18
    en dat moet kunnen;
  • 6:18 - 6:23
    dan is het een lineaire transformatie,
    elke v die voldoet aan de transformatie..
  • 6:23 - 6:29
    Dat de transformatie van v gelijk is
    aan lambda v,
  • 6:31 - 6:33
    wat dan ook betekent--
    Je weet, de transformatie van [? v ?]
  • 6:33 - 6:36
    is gewoon A maal v.
  • 6:36 - 6:39
    Dit worden de eigenvectors van
    A genoemt.
  • 6:39 - 6:43
    Omdat A gewoon de transformatie uitdrukt
    in een matrix.
  • 6:43 - 6:52
    In dit geval is dit de eigenvector van A,
  • 6:52 - 6:59
    En dit is de eigenwaarde die bij de
    eigenvector hoort.
  • 6:59 - 7:02
    Dus als jij mij een matrix geeft van een
    lineaire transformatie.
  • 7:02 - 7:04
    Dan kun je deze waarden ook
    uitwerken.
  • 7:04 - 7:06
    In de volgende video gaan we een
    manier vinden..
  • 7:06 - 7:07
    hoe we dit kunnen uitrekenen.
  • 7:07 - 7:10
    Maar waar ik je graag de meerwaarde
    van wil laten zien is
  • 7:10 - 7:15
    dat het heel makkelijk is om te zeggen,
    oh, de vector verandert niet zoveel.
  • 7:15 - 7:17
    Maar ik wil dat jij het snapt.
  • 7:17 - 7:20
    Letterlijk gezien wordt er alleen
    geschaald, misschien nog omgedraaid.
  • 7:20 - 7:23
    De richting of de lijnen die ze omhullen
    veranderen niet.
  • 7:23 - 7:26
    De reden waarom ze interessant zijn
    voor ons is, althans,
  • 7:26 - 7:29
    een van de redenen dat het
    interessant is voor ons
  • 7:29 - 7:33
    is dat ze interessante basisvectoren maken.
  • 7:33 - 7:38
    Basisvectoren wiens transformatiematrix
    zijn misschien wel makkelijk rekenen maakt
  • 7:38 - 7:42
    of basisvectoren die betere coördinaten-
    systemen maken.
Title:
Lineaire Algebra: Introductie van Eigenwaarden en Eigenvectoren
Description:

Wat eigenvectoren en eigenwaarden zijn en waarom ze interessant zijn voor ons.

more » « less
Video Language:
English
Duration:
07:43

Dutch subtitles

Revisions