Tilbake
5.2
Alle fag for Høyskole

5.2 Diagonalisering A=PDP⁻¹ og diagonaliserbarhetskriteriet

Diagonalisering A=PDP⁻¹ og karakterskilleren: BEGRUNN diagonaliserbarhet med multiplisitet eller en navngitt snarvei (distinkt/symmetrisk/triangulær), og vis ikke-diagonaliserbarhet ved et for lite egenrom.

60 min
9 oppgaver
Diagonalisering A=PDP⁻¹diagonaliserbarhetskriteriet
Din fremgang i kapitlet
0 / 9 oppgaver
Kapitlets plass i kurset
Forkunnskaper: Dette kapitlet bygger direkte på kap. 5.1 (egenverdier, egenvektorer, egenrom, algebraisk og geometrisk multiplisitet). Du trenger også invers matrise fra kap. 2.2 (vi regner P−1P^{-1}) og radreduksjon fra kap. 1.1.
Sist du var her — repeter disse fra kap. 5.1 før du starter:

- Egenverdier: løsningene av det⁡(A−λI)=0\det(A-\lambda I)=0.
- Egenrom: Eλ=Nul⁡(A−λI)E_\lambda=\operatorname{Nul}(A-\lambda I), funnet ved radreduksjon; dimensjonen er den geometriske multiplisiteten.
- Algebraisk multiplisitet: hvor mange ganger λ\lambda er rot i det karakteristiske polynomet.
- Nøkkelulikheten: 1≤1\le geometrisk ≤\le algebraisk — hele diagonaliserbarheten avgjøres av om det er likhet.

Disse fire er råstoffet; dette kapitlet setter dem sammen til A=PDP−1A=PDP^{-1}.

Hverdagsanker: å finne matrisens enkleste form

En diagonalmatrise er den enkleste matrisen som finnes: den bare skalerer hver koordinat for seg. Å diagonalisere AA er å finne et koordinatskifte — en egenbasis — der AA ser ut som en ren skalering. Da blir tunge regnestykker lette: A100A^{100}, A\sqrt A, og løsning av differensiallikningssystemer koker alt ned til å opphøye tall på en diagonal (kap. 5.3, Del 10).

Vi bygger dette i fire løkker: (1) hva A=PDP−1A=PDP^{-1} betyr, og hvordan du bygger PP og DD; (2) diagonaliserbarhetskriteriet som avgjør når det går; (3) tre snarveier som gir svaret uten regning (distinkte egenverdier, symmetri, triangulær form); og (4) hvordan du viser at en matrise ikke er diagonaliserbar, og parameteravhengige tilfeller.

Løkke 1 — Diagonalisering A=PDP−1A=PDP^{-1} (~16 min)

Diagonalisering A=PDP−1A=PDP^{-1}
En n×nn\times n-matrise AA er diagonaliserbar hvis den kan skrives
A=PDP−1,A=PDP^{-1},
der DD er en diagonalmatrise og PP er inverterbar. Ligningen sier at AA er den samme avbildningen som DD, bare sett i et annet koordinatsystem (kolonnene i PP). Å diagonalisere en matrise er å finne slike PP og DD.
Hva PP og DD er — matchet søyle for søyle

I A=PDP−1A=PDP^{-1} er byggeklossene egenverdiene og egenvektorene:

- DD har egenverdiene på diagonalen: D=diag⁡(λ1,…,λn)D=\operatorname{diag}(\lambda_1,\dots,\lambda_n).
- PP har egenvektorene som kolonner, i samme rekkefølge: kolonne ii i PP er en egenvektor for λi\lambda_i.

Matchingen søyle for søyle er avgjørende: står λ2\lambda_2 på plass 22 i DD, må egenvektoren for λ2\lambda_2 stå i kolonne 22 i PP. Bytter du om på den ene uten den andre, blir PDP−1≠APDP^{-1}\ne A.

📜Hvorfor AP=PDAP=PD
At kolonnene i PP er egenvektorer, er akkurat det som får A=PDP−1A=PDP^{-1} til å stemme. Skriv P=[v1 ⋯ vn]P=[\mathbf v_1\ \cdots\ \mathbf v_n]. Da er
AP=[Av1 ⋯ Avn]=[λ1v1 ⋯ λnvn]=PD.AP=[A\mathbf v_1\ \cdots\ A\mathbf v_n]=[\lambda_1\mathbf v_1\ \cdots\ \lambda_n\mathbf v_n]=PD.
Er PP inverterbar (egenvektorene uavhengige), kan vi gange med P−1P^{-1} fra høyre: A=PDP−1A=PDP^{-1}. Dette viser samtidig at diagonalisering er mulig nettopp når det finnes nn lineært uavhengige egenvektorer — en egenbasis.
✏️Eksempel 1: Diagonaliser en 2×2-matrise

Diagonaliser A=[4123]A=\begin{bmatrix}4&1\\2&3\end{bmatrix}: finn PP og DD med A=PDP−1A=PDP^{-1}.

Egenverdier (kap. 5.1): spor⁡A=7\operatorname{spor}A=7, det⁡A=10\det A=10, så λ2−7λ+10=(λ−2)(λ−5)=0\lambda^2-7\lambda+10=(\lambda-2)(\lambda-5)=0, altså λ=2,5\lambda=2,5.

Egenvektorer:
- λ=2\lambda=2: A−2I=[2121]→2x+y=0A-2I=\begin{bmatrix}2&1\\2&1\end{bmatrix}\to 2x+y=0, så v1=[1−2]\mathbf v_1=\begin{bmatrix}1\\-2\end{bmatrix}.
- λ=5\lambda=5: A−5I=[−112−2]→−x+y=0A-5I=\begin{bmatrix}-1&1\\2&-2\end{bmatrix}\to -x+y=0, så v2=[11]\mathbf v_2=\begin{bmatrix}1\\1\end{bmatrix}.

Bygg PP og DD matchet: egenverdien 22 først, så dens egenvektor i kolonne 1:
P=[11−21],D=[2005].P=\begin{bmatrix}1&1\\-2&1\end{bmatrix},\qquad D=\begin{bmatrix}2&0\\0&5\end{bmatrix}.
Kontroll: det⁡P=1⋅1−1⋅(−2)=3≠0\det P=1\cdot1-1\cdot(-2)=3\ne0 (så PP er inverterbar, egenvektorene uavhengige), og P−1=13[1−121]P^{-1}=\tfrac13\begin{bmatrix}1&-1\\2&1\end{bmatrix}. En rask sjekk er AP=PDAP=PD: Av1=2v1A\mathbf v_1=2\mathbf v_1 og Av2=5v2A\mathbf v_2=5\mathbf v_2 ✓\checkmark.

Svar: A=PDP−1A=PDP^{-1} med PP og DD som over. (Rekkefølgen er valgfri, men PP og DD må følges ad: setter du 55 først i DD, må v2\mathbf v_2 først i PP.)

📝Oppgave 1
Sjanger G

Diagonaliser den symmetriske matrisen A=[3113]A=\begin{bmatrix}3&1\\1&3\end{bmatrix}: finn PP og DD.

Løkke 2 — Diagonaliserbarhetskriteriet (~15 min)

Diagonaliserbarhetskriteriet
En n×nn\times n-matrise AA er diagonaliserbar hvis og bare hvis den har nn lineært uavhengige egenvektorer. Uttrykt i multiplisiteter:
A diagonaliserbar ⟺ ∑λdim⁡Eλ=n ⟺ geometrisk=algebraisk for HVER egenverdi.A\text{ diagonaliserbar}\ \Longleftrightarrow\ \sum_\lambda \dim E_\lambda=n\ \Longleftrightarrow\ \text{geometrisk}=\text{algebraisk for HVER egenverdi}.
Du sjekker altså hver egenverdi: er egenrommet stort nok (dimensjon = algebraisk multiplisitet)? Er svaret ja for alle, er AA diagonaliserbar; svikter det for én, er den ikke det. Dette kriteriet er selve kjernen i sjanger G.
Fremgangsmåte: er AA diagonaliserbar?

En trygg sjekkliste når ingen snarvei (løkke 3) gjelder:

1. Finn egenverdiene og deres algebraiske multiplisiteter fra det⁡(A−λI)=0\det(A-\lambda I)=0.
2. For hver egenverdi med algebraisk multiplisitet >1>1: regn ut dim⁡Eλ\dim E_\lambda (geometrisk multiplisitet) ved å radredusere A−λIA-\lambda I.
3. Er geometrisk == algebraisk for alle, er AA diagonaliserbar; ellers ikke.

Egenverdier med algebraisk multiplisitet 11 trenger du ikke sjekke — der er geometrisk automatisk 11.

✏️Eksempel 2: Repetert egenverdi som likevel gir diagonaliserbarhet

Er A=[500050231]A=\begin{bmatrix}5&0&0\\0&5&0\\2&3&1\end{bmatrix} diagonaliserbar?

Egenverdier: AA er nedre triangulær, så egenverdiene er diagonalen: λ=5\lambda=5 (algebraisk multiplisitet 22) og λ=1\lambda=1 (multiplisitet 11).

Sjekk λ=5\lambda=5 (den eneste med multiplisitet >1>1): A−5I=[00000023−4]A-5I=\begin{bmatrix}0&0&0\\0&0&0\\2&3&-4\end{bmatrix}. Bare én ikke-null rad, likningen 2x+3y−4z=02x+3y-4z=0, altså to frie variabler (yy og zz). Dermed dim⁡E5=2\dim E_5=2 = algebraisk multiplisitet.

Konklusjon: geometrisk == algebraisk for begge egenverdier (2=22=2 og 1=11=1), summen er 2+1=3=n2+1=3=n. Ved diagonaliserbarhetskriteriet er AA diagonaliserbar — selv om den har en repetert egenverdi. En basis for E5E_5 er f.eks. {(−3,2,0),(2,0,1)}\{(-3,2,0),(2,0,1)\}, og E1=Span⁡{(0,0,1)}E_1=\operatorname{Span}\{(0,0,1)\}.

📝Oppgave 2
Sjanger G

Egenverdiene til en 3×33\times3-matrise AA er 2,2,52,2,5. Du har regnet at dim⁡E2=2\dim E_2=2. Er AA diagonaliserbar? Begrunn.

Løkke 3 — Tre snarveier: distinkt, symmetrisk, triangulær (~16 min)

Ofte trenger du ikke regne egenrom-dimensjoner i det hele tatt: tre situasjoner garanterer diagonaliserbarhet direkte. Sensor forventer at du navngir snarveien du bruker.

Snarvei 1: nn distinkte egenverdier

Har en n×nn\times n-matrise nn forskjellige egenverdier, er den automatisk diagonaliserbar. Grunnen (kap. 5.1): egenvektorer for ulike egenverdier er lineært uavhengige, så nn distinkte egenverdier gir nn uavhengige egenvektorer — en egenbasis. NB: dette er tilstrekkelig, ikke nødvendig — en matrise med repeterte egenverdier kan godt være diagonaliserbar (Eksempel 2).

✏️Eksempel 3: Distinkt-snarveien

Er A=[1203]A=\begin{bmatrix}1&2\\0&3\end{bmatrix} diagonaliserbar? Begrunn uten å finne PP.

AA er øvre triangulær, så egenverdiene står på diagonalen: λ=1\lambda=1 og λ=3\lambda=3. De er forskjellige, og matrisen er 2×22\times2. Ved snarvei 1 (n=2n=2 distinkte egenverdier) er AA diagonaliserbar — uten at vi trengte å regne ut noe egenrom.

Svar: Ja, diagonaliserbar, fordi den har 22 distinkte egenverdier (11 og 33).

Snarvei 2: Spektralteoremet (symmetrisk matrise)
Spektralteoremet: enhver symmetrisk reell matrise (AT=AA^T=A) er ortogonalt diagonaliserbar. Det betyr at det finnes en ortogonal matrise PP (kolonnene er en ortonormal basis av egenvektorer) slik at
A=PDPT.A=PDP^{T}.
Merk PTP^{T} i stedet for P−1P^{-1} — for en ortogonal matrise er P−1=PTP^{-1}=P^{T}. Teoremet garanterer dessuten at alle egenverdiene er reelle, og at egenvektorer for ulike egenverdier er ortogonale. En symmetrisk matrise er alltid diagonaliserbar, uansett multiplisiteter.
Ortogonal matrise

En kvadratisk matrise PP er ortogonal hvis kolonnene er en ortonormal mengde, ekvivalent PTP=IP^{T}P=I, altså P−1=PTP^{-1}=P^{T}. Da er transponering det samme som invertering — gratis. I spektralteoremet bruker vi dette til å skrive A=PDPTA=PDP^{T} i stedet for A=PDP−1A=PDP^{-1}, som sparer en full inversutregning.

✏️Eksempel 4: Ortogonal diagonalisering av en symmetrisk matrise

Diagonaliser A=[2112]A=\begin{bmatrix}2&1\\1&2\end{bmatrix} ortogonalt (finn ortogonal PP og DD med A=PDPTA=PDP^{T}).

AA er symmetrisk, så spektralteoremet garanterer ortogonal diagonalisering. Fra kap. 5.1: egenverdier λ=1,3\lambda=1,3 med egenvektorer [1−1]\begin{bmatrix}1\\-1\end{bmatrix} (for 11) og [11]\begin{bmatrix}1\\1\end{bmatrix} (for 33). De er ortogonale (1⋅1+(−1)⋅1=01\cdot1+(-1)\cdot1=0) — som teoremet lovet.

Normaliser hver til lengde 11 (del på 2\sqrt2):
P=12[11−11],D=[1003].P=\frac{1}{\sqrt2}\begin{bmatrix}1&1\\-1&1\end{bmatrix},\qquad D=\begin{bmatrix}1&0\\0&3\end{bmatrix}.
Da er PP ortogonal (PTP=IP^{T}P=I), og A=PDPTA=PDP^{T}. Kontroll: kolonnene har lengde 11 og er ortogonale ✓\checkmark.

Svar: A=PDPTA=PDP^{T} med PP og DD som over. Poenget med ortogonal diagonalisering: P−1=PTP^{-1}=P^{T}, så du slipper å regne en invers.

Snarvei 3: Triangulær matrise

For en triangulær matrise leser du egenverdiene rett av diagonalen (kap. 5.1). Det gir en rask diagnose:

- Er diagonalelementene alle forskjellige, gir snarvei 1 diagonaliserbarhet med en gang.
- Er noen like, må du sjekke geometrisk multiplisitet for de repeterte (triangulær garanterer i seg selv ikke diagonaliserbarhet — [2102]\begin{bmatrix}2&1\\0&2\end{bmatrix} er triangulær, men ikke diagonaliserbar).

📝Oppgave 3

(Ren gjengivelse — snarveiene.) Avgjør om hver matrise er diagonaliserbar, og navngi snarveien:

a) A=[2305]A=\begin{bmatrix}2&3\\0&5\end{bmatrix}

b) B=[4−1−14]B=\begin{bmatrix}4&-1\\-1&4\end{bmatrix}

Løkke 4 — Ikke-diagonaliserbarhet og parametere (~13 min)

Ikke-diagonaliserbar: vis et for lite egenrom

En matrise er ikke diagonaliserbar hvis geometrisk multiplisitet er strengt mindre enn algebraisk for minst én egenverdi — egenrommet er for lite til å gi nok uavhengige egenvektorer. For å vise det holder det å peke på én slik egenverdi: regn ut dim⁡Eλ\dim E_\lambda og sammenlign med den algebraiske multiplisiteten. Å bare si «ikke diagonaliserbar» uten å vise hvilket egenrom som svikter, gir ikke uttelling.

✏️Eksempel 5: Vis at en matrise ikke er diagonaliserbar

Er A=[2102]A=\begin{bmatrix}2&1\\0&2\end{bmatrix} diagonaliserbar?

AA er triangulær, så egenverdien er λ=2\lambda=2 med algebraisk multiplisitet 22 (dobbeltrot). Sjekk egenrommet:
A−2I=[0100] ⇒ y=0, x fri ⇒ E2=Span⁡{[10]}.A-2I=\begin{bmatrix}0&1\\0&0\end{bmatrix}\ \Rightarrow\ y=0,\ x\text{ fri}\ \Rightarrow\ E_2=\operatorname{Span}\left\{\begin{bmatrix}1\\0\end{bmatrix}\right\}.
Dermed dim⁡E2=1\dim E_2=1 (geometrisk multiplisitet), som er strengt mindre enn den algebraiske (22).

Svar: AA er ikke diagonaliserbar, fordi egenverdien 22 bare har ett-dimensjonalt egenrom (dim⁡E2=1<2\dim E_2=1<2). Det finnes ikke to uavhengige egenvektorer, så ingen egenbasis for R2\mathbb R^2.

📝Oppgave 4
Sjanger G

Vis at A=[4104]A=\begin{bmatrix}4&1\\0&4\end{bmatrix} ikke er diagonaliserbar.

Parameteravhengig diagonaliserbarhet

Noen oppgaver spør: for hvilke verdier av en parameter er AA diagonaliserbar? Fremgangsmåte: finn egenverdiene som funksjon av parameteren, identifiser når de blir like (repetert), og sjekk kun i de tilfellene om egenrommet er stort nok. Utenfor de kritiske verdiene er egenverdiene distinkte, og snarvei 1 gir diagonaliserbarhet gratis.

📝Oppgave 5
Sjanger G

For hvilke verdier av α\alpha er A=[3α03]A=\begin{bmatrix}3&\alpha\\0&3\end{bmatrix} diagonaliserbar?

📝Oppgave 6
Sjanger G/N

La A=[100020002]A=\begin{bmatrix}1&0&0\\0&2&0\\0&0&2\end{bmatrix} og B=[210020001]B=\begin{bmatrix}2&1&0\\0&2&0\\0&0&1\end{bmatrix}. Avgjør for hver om den er diagonaliserbar, med full begrunnelse.

Begrepsbank til eksamen

De resterende kjernebegrepene i kortform for repetisjon og pugging (kode E — intet formelark).

Begrepsbanken er flashcard-/repetisjonsstoff — det gjentar det du nettopp har lest. Hopp trygt over ved førstegangslesing; tidsanslaget for kapitlet gjelder kjernestoffet.

Egenbasis ⇔\Leftrightarrow diagonaliserbar
AA er diagonaliserbar nettopp når Rn\mathbb R^n har en basis av egenvektorer for AA (en egenbasis). Kolonnene i PP ER denne basisen. Mangler matrisen nok uavhengige egenvektorer, finnes ingen egenbasis, og diagonalisering er umulig.
Symmetriske matriser har reelle egenverdier

En del av spektralteoremet: en reell symmetrisk matrise har bare reelle egenverdier (aldri komplekse), og er alltid diagonaliserbar. Dette er grunnen til at symmetriske matriser er så snille i anvendelser (kvadratiske former, kovariansmatriser).

Ortogonale egenvektorer for symmetrisk matrise

For en symmetrisk matrise er egenvektorer som tilhører forskjellige egenverdier automatisk ortogonale. Innen ett egenrom (repetert egenverdi) kan du gjøre basisen ortonormal med Gram–Schmidt (Del 6). Slik bygges den ortogonale PP i A=PDPTA=PDP^{T}.

Similære matriser
AA og BB er similære hvis B=P−1APB=P^{-1}AP for en inverterbar PP. Da har de samme egenverdier, samme karakteristiske polynom, samme spor og determinant. Diagonalisering er spesialtilfellet der B=DB=D er diagonal: AA er similær med en diagonalmatrise nettopp når AA er diagonaliserbar.
ATA^{T} diagonaliserbar hvis AA er

Er A=PDP−1A=PDP^{-1}, så er AT=(P−1)TDPT=(PT)−1D PTA^{T}=(P^{-1})^{T}D P^{T}=(P^{T})^{-1}D\,P^{T}, altså diagonaliserbar med samme DD. AA og ATA^{T} har uansett samme egenverdier (kap. 5.1); her ser vi at diagonaliserbarhet også arves.

Diagonalisering er entydig opp til rekkefølge
DD er entydig bestemt som multimengden av egenverdier — men rekkefølgen på diagonalen er valgfri, så lenge PP omordnes tilsvarende. Egenvektorene i PP kan dessuten skaleres fritt (en egenvektor ganget med et tall ≠0\ne0 er fortsatt en egenvektor). Det finnes altså mange gyldige (P,D)(P,D)-par.
Diagonalmatrisens rolle
D=diag⁡(λ1,…,λn)D=\operatorname{diag}(\lambda_1,\dots,\lambda_n) er den enkleste representanten for avbildningen: den skalerer ii-te koordinat med λi\lambda_i. Regneoperasjoner blir trivielle: Dk=diag⁡(λ1k,…,λnk)D^k=\operatorname{diag}(\lambda_1^k,\dots,\lambda_n^k), og et polynom q(D)=diag⁡(q(λ1),…,q(λn))q(D)=\operatorname{diag}(q(\lambda_1),\dots,q(\lambda_n)) — grunnlaget for An=PDnP−1A^n=PD^nP^{-1} i kap. 5.3.
Distinkte egenverdier er tilstrekkelig, ikke nødvendig
nn distinkte egenverdier garanterer diagonaliserbarhet, men er ikke et krav: identitetsmatrisen II har bare egenverdien 11 (repetert nn ganger) og er likevel diagonal. Med repeterte egenverdier må du sjekke egenrom-dimensjonene; med distinkte slipper du.
Idempotente og involutive matriser

Matriser med A2=AA^2=A (idempotente, egenverdier 0,10,1) og A2=IA^2=I (involutive, egenverdier ±1\pm1) er alltid diagonaliserbare — egenrommene fyller opp Rn\mathbb R^n. Idempotente matriser er nettopp projeksjoner (Del 6), og de er alltid diagonaliserbare med DD bestående av nuller og ett-tall.

Diagonalisering bevares under skalering og forskyvning

Er A=PDP−1A=PDP^{-1}, så er cA=P(cD)P−1cA=P(cD)P^{-1} og A+kI=P(D+kI)P−1A+kI=P(D+kI)P^{-1} — samme PP, justert diagonal. Egenbasisen er den samme; bare egenverdiene skaleres eller forskyves. Nyttig for å diagonalisere sammensatte uttrykk uten nytt arbeid.

Kolonnene i PP må være uavhengige
PP må være inverterbar, så egenvektorene du velger som kolonner må være lineært uavhengige. Innen ett egenrom plukker du en basis (uavhengige egenvektorer); på tvers av ulike egenverdier er uavhengigheten automatisk (kap. 5.1). Blir det⁡P=0\det P=0, har du valgt avhengige vektorer og P−1P^{-1} finnes ikke.
Diagonaliserbar sier ingenting om inverterbar

Diagonaliserbarhet og inverterbarhet er uavhengige egenskaper. En diagonaliserbar matrise kan godt ha egenverdi 00 (da er den singulær), og en inverterbar matrise kan være ikke-diagonaliserbar (som [2102]\begin{bmatrix}2&1\\0&2\end{bmatrix}, som er inverterbar men defekt). Ikke bland de to begrepene.

Jordanform (kjennskap)

En ikke-diagonaliserbar matrise kan ikke skrives PDP−1PDP^{-1}, men den nærmeste enkle formen er Jordanformen — nesten diagonal, med noen 11-ere rett over diagonalen i «blokker» for de manglende egenvektorene. På dette nivået holder det å kjenne til at slike matriser finnes; boka krever bare at du kan avgjøre diagonaliserbarhet, ikke konstruere Jordanformer.

Funksjoner av en diagonaliserbar matrise

Er A=PDP−1A=PDP^{-1}, kan du regne funksjoner av AA ved å regne på diagonalen: Ak=PDkP−1A^k=PD^kP^{-1}, og mer generelt f(A)=P f(D) P−1f(A)=P\,f(D)\,P^{-1} der f(D)=diag⁡(f(λ1),…,f(λn))f(D)=\operatorname{diag}(f(\lambda_1),\dots,f(\lambda_n)). Dette er hele nytten av diagonalisering, og utnyttes fullt i kap. 5.3 (potenser) og Del 10 (matriseeksponential).

Spor og determinant er similaritetsinvariante

Similære matriser (B=P−1APB=P^{-1}AP) har samme spor og determinant, fordi de deler egenverdier: spor⁡=∑λi\operatorname{spor}=\sum\lambda_i og det⁡=∏λi\det=\prod\lambda_i. Spesielt: er A=PDP−1A=PDP^{-1}, er spor⁡A=spor⁡D\operatorname{spor}A=\operatorname{spor}D og det⁡A=det⁡D\det A=\det D. Nyttig kontroll på at PP og DD hører sammen.

Egenvektorene i PP kan skaleres fritt

Enhver egenvektor kan ganges med et tall ≠0\ne0 og er fortsatt en egenvektor for samme egenverdi (EλE_\lambda er et underrom). Derfor kan du velge de peneste heltallsvektorene som kolonner i PP — fasiten skalerer typisk til minst mulig heltall. Skaleringen endrer ikke DD, bare utseendet på PP.

Repetisjonsoppgaver
Din fremgang
0 / 3 oppgaver
Symbol- og formelliste

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.

Skolesaga er en uavhengig læringsressurs og er ikke tilknyttet eller godkjent av Norges teknisk-naturvitenskapelige universitet. Dette er ikke offisielt studiemateriell. Les mer.