Lektion 7.2

Das charakteristische Polynom

50 min Lesezeit
Lesen anpassen

Nach dieser Lektion kannst du

  • begründen, warum die Eigenwerte einer Matrix genau die Nullstellen von det⁡(A−tEn)\det(A - tE_n) sind,

  • das charakteristische Polynom einer 2×22 \times 2- und einer 3×33 \times 3-Matrix aufstellen und daraus Eigenwerte und Eigenräume bestimmen,

  • Spur und Determinante als Koeffizienten des charakteristischen Polynoms erkennen und zur Probe nutzen,

  • beweisen, dass ähnliche Matrizen dasselbe charakteristische Polynom haben,

  • mit komplexen Eigenwerten einer reellen Matrix umgehen.

Vorausgesetzt: Eigenvektoren: Richtungen, die erhalten bleiben, Determinanten berechnen: Laplace-Entwicklung und Gauß, Basiswechsel und Darstellungsmatrizen

In der letzten Lektion hast du Eigenräume berechnet, wenn ein Kandidat λ\lambda für den Eigenwert schon bekannt war. Aber woher kommen die Kandidaten? Alle Zahlen durchzuprobieren geht nicht, es sind unendlich viele.

Den Schlüssel kennst du schon: λ\lambda ist genau dann ein Eigenwert von AA, wenn A−λEnA - \lambda E_n nicht invertierbar ist. Und ob eine quadratische Matrix invertierbar ist, entscheidet eine einzige Zahl, die Determinante. Für A=(2112)A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix} aus der letzten Lektion ist

det⁡(A−λE2)=det⁡(2−λ112−λ)=(2−λ)2−1.\det(A - \lambda E_2) = \det \begin{pmatrix} 2 - \lambda & 1 \\ 1 & 2 - \lambda \end{pmatrix} = (2 - \lambda)^2 - 1.

Das ist null genau für λ=1\lambda = 1 und λ=3\lambda = 3, und das sind genau die Eigenwerte, die wir dort gefunden haben. Aus der Suche in unendlich vielen Zahlen ist eine Gleichung geworden.

Diese Lektion zeigt, dass det⁡(A−λEn)\det(A - \lambda E_n) immer ein Polynom in λ\lambda ist, welchen Grad es hat, was seine Koeffizienten verraten und warum es nicht von der gewählten Basis abhängt.

Vermute zuerst

Sei A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}. Für welche λ\lambda ist A−λE2A - \lambda E_2 nicht invertierbar?

Satz

Eigenwerte als Nullstellen

Sei KK ein Körper, A∈Kn×nA \in K^{n \times n} und λ∈K\lambda \in K. Dann gilt:

λ ist ein Eigenwert von A  ⟺  det⁡(A−λEn)=0\lambda \text{ ist ein Eigenwert von } A \iff \det(A - \lambda E_n) = 0
Definition

Charakteristisches Polynom

Für A∈Kn×nA \in K^{n \times n} heißt

χA(t)=det⁡(A−tEn)\chi_A(t) = \det(A - tE_n)

das charakteristische Polynom von AA (gesprochen „chi von A“). Die Matrix A−tEnA - tE_n entsteht aus AA, indem man von jedem Diagonaleintrag tt abzieht. Ihre Determinante rechnet man mit der Laplace-Entwicklung oder der Regel von Sarrus aus und behandelt tt dabei wie eine Zahl. Weil dabei nur Einträge addiert und multipliziert werden, kommt ein Polynom in tt heraus.

Nach dem Satz oben sind die Eigenwerte von AA genau die Nullstellen von χA\chi_A, die in KK liegen.

Manche Bücher definieren χA(t)=det⁡(tEn−A)\chi_A(t) = \det(tE_n - A). Das unterscheidet sich nur um den Faktor (−1)n(-1)^n und hat dieselben Nullstellen.

Kurz geprüft

Stelle das charakteristische Polynom von A=(3122)A = \begin{pmatrix} 3 & 1 \\ 2 & 2 \end{pmatrix} auf.

Potenzen mit ^, Wurzel als sqrt(x), Brüche mit / und Klammern.

Satz

Grad und Koeffizienten

Sei A=(aij)∈Kn×nA = (a_{ij}) \in K^{n \times n}. Die Spur von AA ist die Summe der Diagonaleinträge, Spur⁡A=a11+a22+⋯+ann\operatorname{Spur} A = a_{11} + a_{22} + \dots + a_{nn}. Dann ist χA\chi_A ein Polynom vom Grad nn der Form

χA(t)=(−1)ntn+(−1)n−1(Spur⁡A) tn−1+⋯+det⁡A.\chi_A(t) = (-1)^n t^n + (-1)^{n-1} (\operatorname{Spur} A)\, t^{n-1} + \dots + \det A.

Insbesondere gilt für n=2n = 2:

χA(t)=t2−(Spur⁡A) t+det⁡A\chi_A(t) = t^2 - (\operatorname{Spur} A)\, t + \det A
Kurz geprüft

Eine Matrix A∈R2×2A \in \mathbb{R}^{2 \times 2} hat die Spur 66 und die Determinante 88. Wie groß ist ihr größter Eigenwert?

Beispiel

Eine 2×22 \times 2-Matrix vollständig

Für A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix} ist χA(t)=t2−7t+10=(t−5)(t−2)\chi_A(t) = t^2 - 7t + 10 = (t - 5)(t - 2), die Eigenwerte sind 55 und 22. Die Eigenräume sind die Kerne:

A−5E2=(−112−2),A−2E2=(2121)A - 5E_2 = \begin{pmatrix} -1 & 1 \\ 2 & -2 \end{pmatrix}, \qquad A - 2E_2 = \begin{pmatrix} 2 & 1 \\ 2 & 1 \end{pmatrix}

Links sind die Zeilen Vielfache voneinander, übrig bleibt −x1+x2=0-x_1 + x_2 = 0, also Eig⁡(A,5)=span⁡{(1,1)}\operatorname{Eig}(A, 5) = \operatorname{span}\{(1, 1)\}. Rechts bleibt 2x1+x2=02x_1 + x_2 = 0, also Eig⁡(A,2)=span⁡{(1,−2)}\operatorname{Eig}(A, 2) = \operatorname{span}\{(1, -2)\}. Probe: A(1,1)=(5,5)A(1, 1) = (5, 5) und A(1,−2)=(2,−4)A(1, -2) = (2, -4).

Dass jede Matrix A−λE2A - \lambda E_2 hier eine Nullzeile nach dem Gauß-Schritt hat, ist kein Zufall: Ist λ\lambda ein Eigenwert, ist der Rang kleiner als 22. Bekommst du keine Nullzeile, hast du dich beim Eigenwert verrechnet.

Schritt für Schritt

Eine 3×33 \times 3-Matrix vollständig

Gesucht sind Eigenwerte und Eigenräume von A=(121031013)A = \begin{pmatrix} 1 & 2 & 1 \\ 0 & 3 & 1 \\ 0 & 1 & 3 \end{pmatrix}.

  1. Entwickle det⁡(A−tE3)\det(A - tE_3) nach der ersten Spalte. Sie enthält nur einen Eintrag ungleich null.

    χA(t)=(1−t)det⁡(3−t113−t)=(1−t)((3−t)2−1)\chi_A(t) = (1 - t) \det \begin{pmatrix} 3 - t & 1 \\ 1 & 3 - t \end{pmatrix} = (1 - t)\bigl((3 - t)^2 - 1\bigr)
Schritt 1 von 5
Häufige Fehler

Erst umformen, dann Eigenwerte ablesen

„Ich bringe AA mit dem Gauß-Verfahren auf Stufenform; dann stehen die Eigenwerte auf der Diagonalen.“ Für A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix} ergibt Zeile zwei minus 12\frac{1}{2} mal Zeile eins die Matrix (41052)\begin{pmatrix} 4 & 1 \\ 0 & \frac{5}{2} \end{pmatrix} mit den Diagonaleinträgen 44 und 52\frac{5}{2}.

Richtig ist

Die Eigenwerte von AA sind aber 55 und 22. Zeilenumformungen erhalten den Kern und den Rang, aber nicht die Eigenwerte: Sie entsprechen einer Multiplikation A↦ZAA \mapsto ZA mit einer invertierbaren Matrix ZZ von links, und ZAZA hat im Allgemeinen ein anderes charakteristisches Polynom. Richtig ist: Erst χA\chi_A aus der ursprünglichen Matrix bestimmen. Das Gauß-Verfahren kommt danach, beim Lösen von (A−λEn) v=0(A - \lambda E_n)\,v = 0. Bei einer Dreiecksmatrix stehen die Eigenwerte tatsächlich auf der Diagonalen, weil ihre Determinante das Produkt der Diagonaleinträge ist.

Satz

Ähnliche Matrizen haben dasselbe charakteristische Polynom

Zwei Matrizen A,B∈Kn×nA, B \in K^{n \times n} heißen ähnlich, wenn es eine invertierbare Matrix S∈Kn×nS \in K^{n \times n} mit B=S−1ASB = S^{-1} A S gibt. Das ist genau die Situation beim Basiswechsel: AA und BB beschreiben dieselbe lineare Abbildung in zwei Basen. Sind AA und BB ähnlich, dann gilt

χB(t)=χA(t)\chi_B(t) = \chi_A(t)
Beispiel

Folgerungen und ein Gegenbeispiel

Ähnliche Matrizen haben dieselben Eigenwerte, dieselbe Spur und dieselbe Determinante, denn alle drei lassen sich aus χA\chi_A ablesen. Deshalb hat auch eine lineare Abbildung f ⁣:V→Vf\colon V \to V eines endlichdimensionalen Vektorraums ein charakteristisches Polynom χf\chi_f: Man nimmt die Matrix von ff in irgendeiner Basis, und nach dem Satz ist das Ergebnis von der Wahl der Basis unabhängig.

Die Umkehrung gilt nicht. Die Matrizen E2E_2 und J=(1101)J = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} haben beide das charakteristische Polynom (1−t)2(1 - t)^2. Sie sind aber nicht ähnlich: Für jedes invertierbare SS ist S−1E2S=S−1S=E2≠JS^{-1} E_2 S = S^{-1} S = E_2 \neq J. Gleiches charakteristisches Polynom heißt also nicht „dieselbe Abbildung in anderer Basis“. Den Unterschied zwischen E2E_2 und JJ macht die Lektion über Diagonalisierbarkeit genauer.

Kurz geprüft

Zwei Matrizen A,B∈R2×2A, B \in \mathbb{R}^{2 \times 2} haben dasselbe charakteristische Polynom. Was folgt daraus sicher?

Beispiel

Eine reelle Matrix mit komplexen Eigenwerten

Für A=(1−213)A = \begin{pmatrix} 1 & -2 \\ 1 & 3 \end{pmatrix} ist χA(t)=t2−4t+5\chi_A(t) = t^2 - 4t + 5. Die Diskriminante der Mitternachtsformel ist 16−20=−4<016 - 20 = -4 < 0: Es gibt keine reelle Nullstelle, also hat AA über R\mathbb{R} keinen Eigenwert und keine Eigenrichtung in der Ebene.

Über den komplexen Zahlen sieht das anders aus. Zur Erinnerung: C\mathbb{C} besteht aus den Zahlen a+bia + bi mit a,b∈Ra, b \in \mathbb{R} und i2=−1i^2 = -1; man rechnet wie mit Termen und ersetzt i2i^2 durch −1-1. C\mathbb{C} ist ein Körper, also gilt alles bisher Gesagte auch für A∈Cn×nA \in \mathbb{C}^{n \times n}. Hier ist t=2±−1=2±it = 2 \pm \sqrt{-1} = 2 \pm i. Ein Eigenvektor zu 2+i2 + i ist v=(−1+i,  1)v = (-1 + i,\; 1):

Av=((−1+i)−2(−1+i)+3)=(−3+i2+i)=(2+i)(−1+i1)Av = \begin{pmatrix} (-1 + i) - 2 \\ (-1 + i) + 3 \end{pmatrix} = \begin{pmatrix} -3 + i \\ 2 + i \end{pmatrix} = (2 + i) \begin{pmatrix} -1 + i \\ 1 \end{pmatrix}

Probe der letzten Gleichung: (2+i)(−1+i)=−2+2i−i+i2=−3+i(2 + i)(-1 + i) = -2 + 2i - i + i^2 = -3 + i. Den Vektor findest du wie immer als Kern: Die zweite Zeile von A−(2+i)E2A - (2 + i)E_2 lautet x1+(1−i) x2=0x_1 + (1 - i)\,x_2 = 0; mit x2=1x_2 = 1 ist x1=−1+ix_1 = -1 + i.

Für die Drehung D=(0−110)D = \begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix} um 90°90° ist χD(t)=t2+1\chi_D(t) = t^2 + 1 mit den Nullstellen ±i\pm i, und D(1,−i)=(i,1)=i (1,−i)D(1, -i) = (i, 1) = i\,(1, -i). Über C\mathbb{C} hat jedes nicht konstante Polynom eine Nullstelle (Fundamentalsatz der Algebra). Deshalb hat jede komplexe n×nn \times n-Matrix mit n≥1n \geq 1 mindestens einen Eigenwert.

Satz

Komplexe Eigenwerte reeller Matrizen kommen paarweise

Zu z=a+biz = a + bi heißt zˉ=a−bi\bar z = a - bi die konjugierte Zahl; für Vektoren konjugiert man jeden Eintrag. Ist A∈Rn×nA \in \mathbb{R}^{n \times n} und v∈Cnv \in \mathbb{C}^n ein Eigenvektor von AA zum Eigenwert λ∈C\lambda \in \mathbb{C}, dann ist vˉ\bar v ein Eigenvektor von AA zum Eigenwert λˉ\bar\lambda.

Zusammenfassung

  • λ\lambda ist genau dann ein Eigenwert von AA, wenn det⁡(A−λEn)=0\det(A - \lambda E_n) = 0.

  • Das charakteristische Polynom χA(t)=det⁡(A−tEn)\chi_A(t) = \det(A - tE_n) hat den Grad nn und den Leitkoeffizienten (−1)n(-1)^n; die Eigenwerte sind seine Nullstellen in KK.

  • Für n=2n = 2 ist χA(t)=t2−(Spur⁡A) t+det⁡A\chi_A(t) = t^2 - (\operatorname{Spur} A)\,t + \det A; allgemein ist der konstante Koeffizient det⁡A\det A.

  • Zerfällt χA\chi_A in Linearfaktoren, ist die Summe der Eigenwerte die Spur und ihr Produkt die Determinante (mit Wiederholung gezählt).

  • Vorgehen: χA\chi_A aufstellen, Nullstellen bestimmen, für jede Nullstelle Kern⁡(A−λEn)\operatorname{Kern}(A - \lambda E_n) berechnen. Nie zuerst Zeilen umformen.

  • Ähnliche Matrizen S−1ASS^{-1}AS und AA haben dasselbe charakteristische Polynom; die Umkehrung gilt nicht.

  • Eine reelle Matrix kann komplexe Eigenwerte haben; sie treten dann als Paare λ,λˉ\lambda, \bar\lambda mit Eigenvektoren v,vˉv, \bar v auf.

Übungen

Aufgabe 1Numerisch

Bestimme den größeren der beiden Eigenwerte von A=(5−24−1)A = \begin{pmatrix} 5 & -2 \\ 4 & -1 \end{pmatrix}.

Aufgabe 2Term eingeben

Gib das charakteristische Polynom von A=(2314)A = \begin{pmatrix} 2 & 3 \\ 1 & 4 \end{pmatrix} an (Variable tt).

Potenzen mit ^, Wurzel als sqrt(x), Brüche mit / und Klammern.

Aufgabe 3Multiple Choice

Welche Matrix hat die Eigenwerte 22 und 33?

Aufgabe 4Numerisch

Die Matrix A=(201030102)A = \begin{pmatrix} 2 & 0 & 1 \\ 0 & 3 & 0 \\ 1 & 0 & 2 \end{pmatrix} hat genau zwei verschiedene Eigenwerte. Einer davon ist 33. Wie lautet der andere?

Aufgabe 5Multiple Choice

Welche Eigenwerte hat A=(1−111)A = \begin{pmatrix} 1 & -1 \\ 1 & 1 \end{pmatrix} über C\mathbb{C}?

Aufgabe 6Freitext

Zeige, dass A∈Kn×nA \in K^{n \times n} und die transponierte Matrix ATA^T dasselbe charakteristische Polynom haben, also dieselben Eigenwerte. Haben sie auch dieselben Eigenvektoren? Prüfe das an A=(1102)A = \begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix}.

Aufgabe 7Freitext

Sei A=(aij)∈Kn×nA = (a_{ij}) \in K^{n \times n} eine obere Dreiecksmatrix, also aij=0a_{ij} = 0 für i>ji > j. Beweise χA(t)=(a11−t)(a22−t)⋯(ann−t)\chi_A(t) = (a_{11} - t)(a_{22} - t) \cdots (a_{nn} - t) und folgere, dass die Eigenwerte genau die Diagonaleinträge sind. Warum widerspricht das nicht dem Fehler „erst umformen, dann ablesen“?