Eigenvektoren: Richtungen, die erhalten bleiben
Lesen anpassen
Nach dieser Lektion kannst du
an einer linearen Abbildung der Ebene erkennen, welche Richtungen sie nur streckt,
Eigenwert, Eigenvektor und Eigenraum definieren und an Beispielen prüfen,
einen Eigenraum als Kern von mit dem Gauß-Verfahren berechnen,
beweisen, dass Eigenvektoren zu verschiedenen Eigenwerten linear unabhängig sind.
Vorausgesetzt: Kern und Bild, Rang einer Matrix und Lösbarkeit, Invertierbare Matrizen und die Inverse
Eine lineare Abbildung der Ebene dreht, kippt und verzerrt Vektoren. Fast jeder Vektor zeigt danach in eine andere Richtung als vorher. Gibt es Richtungen, die dabei erhalten bleiben?
Nimm die Matrix . Den ersten Einheitsvektor bildet sie auf ab: Er wird gestreckt und gedreht. Ganz anders verhalten sich zwei andere Vektoren:
Auf der Geraden durch wirkt wie eine Streckung um den Faktor , auf der Geraden durch ändert gar nichts. Jeder andere Vektor ist eine Summe aus einem Stück der ersten und einem Stück der zweiten Geraden, und streckt nur das erste Stück. Mit diesen zwei Richtungen hast du die ganze Abbildung verstanden.
Diese Lektion klärt, wie man solche Richtungen beschreibt und wie man sie findet, wenn man einen Kandidaten für den Streckfaktor hat. Die nächsten Lektionen zeigen, wie man die Streckfaktoren selbst findet, wann es genug solche Richtungen für eine ganze Basis gibt, und was man damit ausrechnen kann: hohe Matrixpotenzen, eine geschlossene Formel für die Fibonacci-Zahlen und das Langzeitverhalten von Zufallsprozessen.
Zur Schreibweise: Im Fließtext schreiben wir Vektoren des platzsparend als Zeile, etwa . Gemeint ist immer der Spaltenvektor, mit dem man die Matrix multipliziert.
Die Spiegelung an der Geraden hat die Matrix , also . Welche Vektoren bildet auf ein Vielfaches von sich selbst ab?
Vier Abbildungen der Ebene
Vier Abbildungen der Ebene
Für jede Abbildung fragen wir: Für welche und welche Zahl gilt ?
| Abbildung | Matrix | erhaltene Richtungen | Faktor |
|---|---|---|---|
| Streckung der Achsen | -Achse; -Achse | ; | |
| Spiegelung an | durch ; durch | ; | |
| Scherung | nur die -Achse | ||
| Drehung um | keine | keiner |
Bei der Streckung der Achsen ändert jeder Vektor außerhalb der Achsen seine Richtung, etwa .
Scherung: . Aus folgt in der zweiten Zeile , also oder . Ist , sagt die erste Zeile , also wieder . In jedem Fall liegt auf der -Achse, und dort ist der Faktor .
Drehung um : . Das Bild steht senkrecht auf , denn das Skalarprodukt ist , und es hat dieselbe Länge. Ein reelles Vielfaches mit ist aber zu parallel. Also gibt es keine reelle Richtung, die erhalten bleibt. (Mit komplexen Zahlen sieht das anders aus, siehe nächste Lektion.)
Und die Abbildung mit der Matrix erhält jede Richtung, mit dem Faktor . Dabei ist die -Einheitsmatrix mit Einsen auf der Diagonalen und Nullen sonst.
Eigenwert und Eigenvektor
Sei ein Körper, ein -Vektorraum und linear. Eine Zahl heißt Eigenwert von , wenn es einen Vektor mit gibt, so dass
Jeder solche Vektor heißt Eigenvektor von zum Eigenwert .
Für eine quadratische Matrix meint man die Eigenwerte und Eigenvektoren der Abbildung , . Das Zeichen (lambda) ist für Eigenwerte üblich. Ein Eigenvektor gibt eine Richtung an, die erhält; der Eigenwert ist der Streckfaktor in dieser Richtung. Ein negativer Eigenwert klappt die Richtung um, der Eigenwert drückt sie auf den Nullvektor.
Beispiele und ein Gegenbeispiel
Beispiele und ein Gegenbeispiel
Prüfen durch Einsetzen. Für ist ein Eigenvektor zum Eigenwert und einer zum Eigenwert . Der Vektor ist kein Eigenvektor, denn sein Bild ist kein Vielfaches von .
Eigenwert 0. Für ist . Also ist ein Eigenwert von , und ist ein Eigenvektor dazu. Die Eigenvektoren zum Eigenwert sind genau die Vektoren im Kern.
Ein unendlichdimensionales Beispiel. Sei der Raum der beliebig oft differenzierbaren Funktionen und das Ableiten. Für ist . Jede Zahl ist also ein Eigenwert von , mit der Eigenfunktion . Das kommt in der letzten Lektion bei Differentialgleichungen wieder.
Gegenbeispiel: der Nullvektor. Für jede Matrix und jede Zahl gilt . Wäre erlaubt, wäre jede Zahl ein Eigenwert, und der Begriff sagte nichts mehr. Deshalb verlangt die Definition .
Die Matrix bildet auf ein Vielfaches von ab. Zu welchem Eigenwert ist ein Eigenvektor?
Eigenraum
Für und heißt
der Eigenraum von zu . Er enthält den Nullvektor und alle Eigenvektoren zu , und sonst nichts. Also ist genau dann ein Eigenwert, wenn .
Für eine lineare Abbildung ist genauso erklärt.
Eigenraum als Kern
Sei und . Dann ist
insbesondere ist der Eigenraum ein Untervektorraum von . Außerdem sind gleichwertig:
- ist ein Eigenwert von ,
- ,
- ,
- ist nicht invertierbar.
Für gilt , also
Die linke Bedingung beschreibt den Eigenraum, die rechte den Kern; beide Mengen sind also gleich. Ein Kern ist immer ein Untervektorraum.
Die erste und zweite Aussage sind gleichwertig nach der Definition des Eigenraums. Nach der Dimensionsformel ist ; der Kern ist also genau dann nicht , wenn der Rang kleiner als ist. Schließlich ist eine quadratische -Matrix genau dann invertierbar, wenn ihr Rang ist.
Die Eigenräume von
Die Eigenräume von
Wir prüfen die Kandidaten , und und lösen jeweils mit dem Gauß-Verfahren.
: Ziehe von der Diagonale ab und addiere die erste Zeile zur zweiten.
- (2,22 | 1,62)
- 16,2 Grad
- 3 und 1
. Drehe , bis auf derselben Geraden liegt wie . Dort liegen die gestrichelten Eigenrichtungen.
Probier es aus
Ein Eigenraum, der eine Ebene ist
Ein Eigenraum, der eine Ebene ist
Die senkrechte Projektion des auf die -Ebene hat die Matrix , also .
Jeder Vektor der -Ebene bleibt fest: , ein Eigenraum der Dimension . Die -Achse wird auf gedrückt: .
Für jede andere Zahl ist eine Diagonalmatrix mit den Einträgen , und , die alle nicht null sind. Diese Matrix hat den Rang , also hat nur die Eigenwerte und . Ein Eigenraum ist also nicht immer eine Gerade.
Nullvektor und Eigenwert 0 verwechseln
Nullvektor und Eigenwert 0 verwechseln
„Der Nullvektor ist kein Eigenvektor, also darf auch kein Eigenwert sein.“ Oder umgekehrt: „ hat immer die Lösung , also ist immer ein Eigenwert.“
Verboten ist nur der Vektor . Die Zahl ist als Eigenwert erlaubt: Sie bedeutet, dass es ein mit gibt, also . Für eine quadratische Matrix heißt das: ist genau dann ein Eigenwert, wenn nicht invertierbar ist.
Seien zwei Zahlen und . Welche Aussage stimmt?
Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig
Sei ein -Vektorraum, linear, und seien paarweise verschiedene Eigenwerte von . Ist ein Eigenvektor zu für , dann sind linear unabhängig.
Beweisidee: Aus einer linearen Beziehung zwischen den macht man durch Anwenden von eine zweite; zieht man das -fache der ersten ab, fällt heraus, und die Induktionsannahme greift.
Induktion nach .
Anfang : Ein einzelner Vektor ist linear unabhängig.
Schritt von auf : Die Aussage gelte für je Eigenvektoren zu paarweise verschiedenen Eigenwerten. Seien mit
Wende an. Weil linear ist und gilt, folgt
Multipliziere (1) mit und ziehe das Ergebnis von (2) ab. Der Summand mit fällt weg:
Das ist eine lineare Beziehung zwischen den Vektoren . Nach Induktionsannahme sind sie linear unabhängig, also ist für . Weil die Eigenwerte paarweise verschieden sind, ist , also für alle .
Damit wird (1) zu . Wegen ist auch . Alle Koeffizienten sind null, die Vektoren sind linear unabhängig.
Unabhängig heißt nicht senkrecht
Unabhängig heißt nicht senkrecht
„Eigenvektoren zu verschiedenen Eigenwerten stehen senkrecht aufeinander.“ Beim Beispiel stimmt das zufällig: und sind senkrecht.
Im Allgemeinen nicht. Die Matrix hat den Eigenvektor zum Eigenwert und den Eigenvektor zum Eigenwert , denn . Die beiden schließen einen Winkel von ein: linear unabhängig, aber nicht senkrecht. Senkrecht sind sie bei symmetrischen reellen Matrizen; das ist der Spektralsatz in einem späteren Kapitel.
Zusammenfassung
Ein Eigenvektor von erfüllt : Die Richtung von bleibt erhalten, der Eigenwert ist der Streckfaktor.
Spiegelungen haben die Eigenwerte und , die Scherung nur eine Eigenrichtung, eine Drehung um keine reelle.
Der Nullvektor ist nie ein Eigenvektor; der Eigenwert ist erlaubt und bedeutet .
ist ein Untervektorraum und wird mit dem Gauß-Verfahren berechnet.
ist genau dann ein Eigenwert, wenn nicht invertierbar ist.
Eigenvektoren zu paarweise verschiedenen Eigenwerten sind linear unabhängig, aber nicht unbedingt senkrecht.
Eine -Matrix hat höchstens verschiedene Eigenwerte.
Übungen
Welcher Vektor ist ein Eigenvektor von ?
Der Vektor ist ein Eigenvektor von . Wie lautet der zugehörige Eigenwert?
Die Drehung der Ebene um den Winkel hat die Matrix . Für welche hat sie einen reellen Eigenvektor?
Für welche Zahl ist ein Eigenvektor von ?
Sei die Matrix, deren neun Einträge alle sind. Welche Dimension hat ?
Sei ein Eigenvektor von zum Eigenwert . Zeige: (a) ist ein Eigenvektor von zum Eigenwert . (b) Ist invertierbar, dann ist , und ist ein Eigenvektor von zum Eigenwert .
Seien Eigenwerte von , ein Eigenvektor zu und ein Eigenvektor zu . Beweise, dass kein Eigenvektor von ist.