Lektion 7.3

Diagonalisierbarkeit

50 min Lesezeit
Lesen anpassen

Nach dieser Lektion kannst du

  • erklären, warum eine Matrix genau dann diagonalisierbar ist, wenn es eine Basis aus Eigenvektoren gibt,

  • algebraische und geometrische Vielfachheit eines Eigenwerts bestimmen und vergleichen,

  • mit dem Kriterium „Zerfall und gleiche Vielfachheiten“ entscheiden, ob eine Matrix diagonalisierbar ist,

  • eine Matrix vollständig diagonalisieren, also SS, S−1S^{-1} und D=S−1ASD = S^{-1}AS angeben,

  • am Jordan-Kästchen begründen, warum nicht jede Matrix diagonalisierbar ist.

Vorausgesetzt: Das charakteristische Polynom, Basiswechsel und Darstellungsmatrizen

Die Matrix A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix} hat die Eigenvektoren b1=(1,1)b_1 = (1, 1) zum Eigenwert 55 und b2=(1,−2)b_2 = (1, -2) zum Eigenwert 22. Die beiden sind linear unabhängig, bilden also eine Basis des R2\mathbb{R}^2. In dieser Basis ist die Abbildung x↦Axx \mapsto Ax ganz einfach zu beschreiben: b1↦5b1b_1 \mapsto 5 b_1 und b2↦2b2b_2 \mapsto 2 b_2. Ihre Matrix bezüglich (b1,b2)(b_1, b_2) ist

(5002).\begin{pmatrix} 5 & 0 \\ 0 & 2 \end{pmatrix}.

Eine Diagonalmatrix. Mit Diagonalmatrizen rechnet es sich leicht: Potenzen, Inverse und Determinante liest man eintragsweise ab, und ein Gleichungssystem zerfällt in einzelne Gleichungen mit je einer Unbekannten. Wer eine Matrix in eine Diagonalmatrix übersetzen kann, kann viele Fragen über sie mit einzelnen Zahlen beantworten.

Geht das immer? Die Scherung (1101)\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} hat nur eine Eigenrichtung, die xx-Achse. Für eine Basis braucht man zwei. Diese Lektion klärt, wann es genug Eigenvektoren gibt und wie man das am charakteristischen Polynom und an den Eigenräumen erkennt.

Vermute zuerst

Gibt es eine Basis des R2\mathbb{R}^2 aus Eigenvektoren der Scherung J=(1101)J = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}?

Definition

Diagonalisierbar

Eine Matrix A∈Kn×nA \in K^{n \times n} heißt diagonalisierbar (über KK), wenn es eine invertierbare Matrix S∈Kn×nS \in K^{n \times n} gibt, so dass S−1ASS^{-1} A S eine Diagonalmatrix ist. Wir schreiben diag⁡(d1,…,dn)\operatorname{diag}(d_1, \dots, d_n) für die Diagonalmatrix mit den Diagonaleinträgen d1,…,dnd_1, \dots, d_n.

Eine lineare Abbildung f ⁣:V→Vf\colon V \to V eines endlichdimensionalen Vektorraums heißt diagonalisierbar, wenn es eine Basis von VV gibt, bezüglich der die Matrix von ff diagonal ist.

Nach dem Basiswechsel ist S−1ASS^{-1} A S die Matrix von x↦Axx \mapsto Ax in der Basis aus den Spalten von SS. Beide Definitionen sagen also dasselbe.

Satz

Diagonalisierbar heißt: Basis aus Eigenvektoren

Sei A∈Kn×nA \in K^{n \times n}, und seien s1,…,sns_1, \dots, s_n die Spalten einer Matrix S∈Kn×nS \in K^{n \times n}. Dann gilt:

S invertierbar und S−1AS=diag⁡(d1,…,dn)  ⟺  s1,…,sn ist eine Basis mit Asj=djsjS \text{ invertierbar und } S^{-1}AS = \operatorname{diag}(d_1, \dots, d_n) \iff s_1, \dots, s_n \text{ ist eine Basis mit } As_j = d_j s_j
Beispiel

Diagonalisieren einer 2×22 \times 2-Matrix

Für A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix} schreiben wir die Eigenvektoren (1,1)(1, 1) und (1,−2)(1, -2) als Spalten in SS. Es ist det⁡S=−2−1=−3\det S = -2 - 1 = -3, und die Formel für die Inverse einer 2×22 \times 2-Matrix ergibt

S=(111−2),S−1=13(211−1),S−1AS=(5002)S = \begin{pmatrix} 1 & 1 \\ 1 & -2 \end{pmatrix}, \qquad S^{-1} = \frac{1}{3} \begin{pmatrix} 2 & 1 \\ 1 & -1 \end{pmatrix}, \qquad S^{-1} A S = \begin{pmatrix} 5 & 0 \\ 0 & 2 \end{pmatrix}

Probe in zwei Schritten: AS=(525−4)AS = \begin{pmatrix} 5 & 2 \\ 5 & -4 \end{pmatrix}, denn die Spalten sind A(1,1)=(5,5)A(1, 1) = (5, 5) und A(1,−2)=(2,−4)A(1, -2) = (2, -4). Dann

S−1(AS)=13(10+54−45−52+4)=13(15006)=(5002).S^{-1}(AS) = \frac{1}{3} \begin{pmatrix} 10 + 5 & 4 - 4 \\ 5 - 5 & 2 + 4 \end{pmatrix} = \frac{1}{3} \begin{pmatrix} 15 & 0 \\ 0 & 6 \end{pmatrix} = \begin{pmatrix} 5 & 0 \\ 0 & 2 \end{pmatrix}.

Die Reihenfolge der Spalten von SS bestimmt die Reihenfolge der Eigenwerte in DD. Jeder Eigenvektor darf durch ein Vielfaches ≠0\neq 0 ersetzt werden; SS ändert sich dann, DD nicht.

Kurz geprüft

Mit S′=(11−21)S' = \begin{pmatrix} 1 & 1 \\ -2 & 1 \end{pmatrix} (die Spalten von SS vertauscht) ist S′−1AS′S'^{-1} A S' für A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix} welche Matrix?

Definition

Algebraische und geometrische Vielfachheit

Sei λ∈K\lambda \in K ein Eigenwert von A∈Kn×nA \in K^{n \times n}.

  • Die algebraische Vielfachheit μa(λ)\mu_a(\lambda) ist die größte Zahl kk, so dass (t−λ)k(t - \lambda)^k das Polynom χA\chi_A teilt; man kann dann χA(t)=(t−λ)kq(t)\chi_A(t) = (t - \lambda)^k q(t) mit einem Polynom qq und q(λ)≠0q(\lambda) \neq 0 schreiben.
  • Die geometrische Vielfachheit μg(λ)=dim⁡Eig⁡(A,λ)=n−rang⁡(A−λEn)\mu_g(\lambda) = \dim \operatorname{Eig}(A, \lambda) = n - \operatorname{rang}(A - \lambda E_n) ist die Zahl der linear unabhängigen Eigenvektoren zu λ\lambda.

Man sagt, χA\chi_A zerfällt in Linearfaktoren über KK, wenn χA(t)=(−1)n(t−λ1)k1⋯(t−λr)kr\chi_A(t) = (-1)^n (t - \lambda_1)^{k_1} \cdots (t - \lambda_r)^{k_r} mit paarweise verschiedenen λi∈K\lambda_i \in K gilt. Dann ist ki=μa(λi)k_i = \mu_a(\lambda_i), und der Gradvergleich ergibt k1+⋯+kr=nk_1 + \dots + k_r = n.

Beispiele: Für E2E_2 ist χ(t)=(1−t)2\chi(t) = (1 - t)^2 und Eig⁡(E2,1)=R2\operatorname{Eig}(E_2, 1) = \mathbb{R}^2, also μa(1)=μg(1)=2\mu_a(1) = \mu_g(1) = 2. Für die Scherung JJ ist ebenfalls χJ(t)=(1−t)2\chi_J(t) = (1 - t)^2, also μa(1)=2\mu_a(1) = 2, aber μg(1)=1\mu_g(1) = 1. Die Drehung um 90°90° hat das Polynom t2+1t^2 + 1, das über R\mathbb{R} nicht zerfällt.

Satz

Geometrische höchstens algebraische Vielfachheit

Für jeden Eigenwert λ\lambda von A∈Kn×nA \in K^{n \times n} gilt

1≤μg(λ)≤μa(λ)1 \leq \mu_g(\lambda) \leq \mu_a(\lambda)
Beispiel

Das Jordan-Kästchen

Für λ∈K\lambda \in K heißt J=(λ10λ)J = \begin{pmatrix} \lambda & 1 \\ 0 & \lambda \end{pmatrix} ein Jordan-Kästchen der Größe 22 (nach Camille Jordan). Die Scherung ist der Fall λ=1\lambda = 1.

Es ist χJ(t)=(λ−t)2\chi_J(t) = (\lambda - t)^2, also μa(λ)=2\mu_a(\lambda) = 2. Aber J−λE2=(0100)J - \lambda E_2 = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix} hat den Rang 11, also μg(λ)=2−1=1\mu_g(\lambda) = 2 - 1 = 1. Es gibt nur eine Eigenrichtung, JJ ist nicht diagonalisierbar.

Ein zweiter, direkter Grund: Wäre S−1JS=DS^{-1} J S = D diagonal, hätte DD dasselbe charakteristische Polynom (λ−t)2(\lambda - t)^2, also D=λE2D = \lambda E_2. Dann wäre J=SDS−1=λSS−1=λE2J = S D S^{-1} = \lambda S S^{-1} = \lambda E_2, aber JJ hat oben rechts eine 11. Ein Widerspruch.

Jordan-Kästchen gibt es in jeder Größe mm: λ\lambda auf der Diagonalen, Einsen direkt darüber, sonst Nullen. Jede komplexe quadratische Matrix ist ähnlich zu einer Matrix, die aus solchen Kästchen entlang der Diagonalen besteht und sonst Nullen hat (Jordansche Normalform, ein späteres Thema).

Die Scherung hat nur eine Eigenrichtung
−4−3−2−11234−4−3−2−11234x₁x₂xA x
A xA\,x
(1,37 | 0,87)
∠(x,Ax)\angle(x, Ax)
27,6 Grad
λ\lambda
1 (doppelt)

A=(1101)A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}. Drehe xx, bis AxAx auf derselben Geraden liegt wie xx. Dort liegen die gestrichelten Eigenrichtungen.

Gestrichelt die Eigenrichtungen. Für eine Basis aus Eigenvektoren bräuchte die Ebene zwei verschiedene Richtungen.

Probier es aus

Satz

Kriterium für Diagonalisierbarkeit

Eine Matrix A∈Kn×nA \in K^{n \times n} ist genau dann diagonalisierbar über KK, wenn

  • χA\chi_A über KK in Linearfaktoren zerfällt und
  • für jeden Eigenwert λ\lambda gilt: μg(λ)=μa(λ)\mu_g(\lambda) = \mu_a(\lambda).

Beweisidee: Die geometrischen Vielfachheiten zählen, wie viele unabhängige Eigenvektoren es gibt. Genau dann, wenn sie sich zu nn aufsummieren, reicht es für eine Basis.

Schritt für Schritt

Eine 3×33 \times 3-Matrix vollständig diagonalisieren

Gegeben ist B=(200131113)B = \begin{pmatrix} 2 & 0 & 0 \\ 1 & 3 & 1 \\ 1 & 1 & 3 \end{pmatrix}. Gesucht sind SS, S−1S^{-1} und DD mit S−1BS=DS^{-1} B S = D.

  1. Charakteristisches Polynom, entwickelt nach der ersten Zeile:

    χB(t)=(2−t)((3−t)2−1)=(2−t)(t−2)(t−4)=−(t−2)2(t−4)\chi_B(t) = (2 - t)\bigl((3 - t)^2 - 1\bigr) = (2 - t)(t - 2)(t - 4) = -(t - 2)^2 (t - 4)
Schritt 1 von 5
Kurz geprüft

Sei A=(210020002)A = \begin{pmatrix} 2 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 2 \end{pmatrix}. Wie groß ist μg(2)\mu_g(2)?

Häufige Fehler

Diagonalisierbar mit invertierbar verwechseln

„Die Matrix ist invertierbar, also diagonalisierbar.“ Oder: „Die Matrix hat den Eigenwert 00, also ist sie nicht diagonalisierbar.“

Richtig ist

Die beiden Eigenschaften sind unabhängig voneinander. Die Scherung (1101)\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} ist invertierbar (det⁡=1\det = 1), aber nicht diagonalisierbar. Die Matrix (1000)\begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix} ist schon diagonal, aber nicht invertierbar. Invertierbar heißt: 00 ist kein Eigenwert. Diagonalisierbar heißt: Es gibt genug Eigenvektoren für eine Basis. Der Eigenwert 00 darf dabei vorkommen.

Häufige Fehler

Eigenvektoren in die falsche Richtung eintragen

Man schreibt die Eigenvektoren als Zeilen in SS oder rechnet SAS−1S A S^{-1} statt S−1ASS^{-1} A S und wundert sich, dass keine Diagonalmatrix herauskommt.

Richtig ist

Die Eigenvektoren stehen als Spalten in SS, und dann ist S−1AS=DS^{-1} A S = D, gleichwertig A=SDS−1A = S D S^{-1}. Merkhilfe: AS=SDAS = SD sagt spaltenweise Asj=djsjA s_j = d_j s_j. Die Probe AS=SDAS = SD braucht keine Inverse und deckt beide Fehler auf.

Zusammenfassung

  • AA ist diagonalisierbar, wenn S−1ASS^{-1} A S für ein invertierbares SS diagonal ist, gleichwertig: wenn der KnK^n eine Basis aus Eigenvektoren von AA hat.

  • Die Spalten von SS sind die Eigenvektoren, die Diagonale von DD enthält die Eigenwerte in derselben Reihenfolge; Probe mit AS=SDAS = SD.

  • Algebraische Vielfachheit: Exponent von (t−λ)(t - \lambda) in χA\chi_A. Geometrische Vielfachheit: dim⁡Eig⁡(A,λ)=n−rang⁡(A−λEn)\dim \operatorname{Eig}(A, \lambda) = n - \operatorname{rang}(A - \lambda E_n).

  • Stets gilt 1≤μg(λ)≤μa(λ)1 \leq \mu_g(\lambda) \leq \mu_a(\lambda).

  • Kriterium: diagonalisierbar genau dann, wenn χA\chi_A in Linearfaktoren zerfällt und μg=μa\mu_g = \mu_a für jeden Eigenwert gilt.

  • nn verschiedene Eigenwerte reichen; das Jordan-Kästchen (λ10λ)\begin{pmatrix} \lambda & 1 \\ 0 & \lambda \end{pmatrix} ist nie diagonalisierbar, die reelle Drehung um 90°90° nur über C\mathbb{C}.

  • Diagonalisierbarkeit und Invertierbarkeit haben nichts miteinander zu tun.

Übungen

Aufgabe 1Multiple Choice

Welche dieser Matrizen ist über R\mathbb{R} diagonalisierbar?

Aufgabe 2Numerisch

Für A=(1221)A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix} und S=(111−1)S = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} ist D=S−1ASD = S^{-1} A S eine Diagonalmatrix. Wie lautet der Eintrag unten rechts von DD?

Aufgabe 3Numerisch

Sei C=(310−110002)C = \begin{pmatrix} 3 & 1 & 0 \\ -1 & 1 & 0 \\ 0 & 0 & 2 \end{pmatrix}. Bestimme die algebraische Vielfachheit des Eigenwerts 22.

Aufgabe 4Numerisch

Für dieselbe Matrix C=(310−110002)C = \begin{pmatrix} 3 & 1 & 0 \\ -1 & 1 & 0 \\ 0 & 0 & 2 \end{pmatrix}: Wie groß ist die geometrische Vielfachheit des Eigenwerts 22? (Ist CC diagonalisierbar?)

Aufgabe 5Numerisch

Für welche reelle Zahl aa ist (2a02)\begin{pmatrix} 2 & a \\ 0 & 2 \end{pmatrix} diagonalisierbar?

Aufgabe 6Freitext

Sei A∈Kn×nA \in K^{n \times n} diagonalisierbar und λ\lambda ihr einziger Eigenwert. Beweise A=λEnA = \lambda E_n.

Aufgabe 7Freitext

Sei A∈Kn×nA \in K^{n \times n} diagonalisierbar mit S−1AS=D=diag⁡(d1,…,dn)S^{-1} A S = D = \operatorname{diag}(d_1, \dots, d_n). Zeige: AA ist genau dann invertierbar, wenn alle di≠0d_i \neq 0 sind, und dann ist A−1=SD−1S−1A^{-1} = S D^{-1} S^{-1} mit D−1=diag⁡(d1−1,…,dn−1)D^{-1} = \operatorname{diag}(d_1^{-1}, \dots, d_n^{-1}). Insbesondere ist A−1A^{-1} wieder diagonalisierbar.