Lektion 7.1

Eigenvektoren: Richtungen, die erhalten bleiben

45 min Lesezeit
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 A−λEnA - \lambda E_n 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 A=(2112)A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}. Den ersten Einheitsvektor bildet sie auf A(10)=(21)A \begin{pmatrix} 1 \\ 0 \end{pmatrix} = \begin{pmatrix} 2 \\ 1 \end{pmatrix} ab: Er wird gestreckt und gedreht. Ganz anders verhalten sich zwei andere Vektoren:

A(11)=(33)=3(11),A(1−1)=(1−1)=1⋅(1−1).A \begin{pmatrix} 1 \\ 1 \end{pmatrix} = \begin{pmatrix} 3 \\ 3 \end{pmatrix} = 3 \begin{pmatrix} 1 \\ 1 \end{pmatrix}, \qquad A \begin{pmatrix} 1 \\ -1 \end{pmatrix} = \begin{pmatrix} 1 \\ -1 \end{pmatrix} = 1 \cdot \begin{pmatrix} 1 \\ -1 \end{pmatrix}.

Auf der Geraden durch (1,1)(1, 1) wirkt AA wie eine Streckung um den Faktor 33, auf der Geraden durch (1,−1)(1, -1) ändert AA gar nichts. Jeder andere Vektor ist eine Summe aus einem Stück der ersten und einem Stück der zweiten Geraden, und AA 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 KnK^n platzsparend als Zeile, etwa (1,−1)(1, -1). Gemeint ist immer der Spaltenvektor, mit dem man die Matrix multipliziert.

Vermute zuerst

Die Spiegelung an der Geraden y=xy = x hat die Matrix S=(0110)S = \begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}, also S(x,y)=(y,x)S(x, y) = (y, x). Welche Vektoren v≠0v \neq 0 bildet SS auf ein Vielfaches von sich selbst ab?

Beispiel

Vier Abbildungen der Ebene

Für jede Abbildung fragen wir: Für welche v≠0v \neq 0 und welche Zahl cc gilt Av=cvAv = cv?

AbbildungMatrixerhaltene RichtungenFaktor
Streckung der Achsen(30012)\begin{pmatrix} 3 & 0 \\ 0 & \frac{1}{2} \end{pmatrix}xx-Achse; yy-Achse33; 12\frac{1}{2}
Spiegelung an y=xy = x(0110)\begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}durch (1,1)(1, 1); durch (1,−1)(1, -1)11; −1-1
Scherung(1101)\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}nur die xx-Achse11
Drehung um 90°90°(0−110)\begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}keinekeiner

Bei der Streckung der Achsen ändert jeder Vektor außerhalb der Achsen seine Richtung, etwa (1,1)↦(3,12)(1, 1) \mapsto (3, \frac{1}{2}).

Scherung: (x,y)↦(x+y,y)(x, y) \mapsto (x + y, y). Aus (x+y,y)=c (x,y)(x + y, y) = c\,(x, y) folgt in der zweiten Zeile y=cyy = cy, also y=0y = 0 oder c=1c = 1. Ist c=1c = 1, sagt die erste Zeile x+y=xx + y = x, also wieder y=0y = 0. In jedem Fall liegt vv auf der xx-Achse, und dort ist der Faktor 11.

Drehung um 90°90°: (x,y)↦(−y,x)(x, y) \mapsto (-y, x). Das Bild steht senkrecht auf vv, denn das Skalarprodukt ist −yx+xy=0-yx + xy = 0, und es hat dieselbe Länge. Ein reelles Vielfaches cvcv mit v≠0v \neq 0 ist aber zu vv parallel. Also gibt es keine reelle Richtung, die erhalten bleibt. (Mit komplexen Zahlen sieht das anders aus, siehe nächste Lektion.)

Und die Abbildung v↦λvv \mapsto \lambda v mit der Matrix λE2\lambda E_2 erhält jede Richtung, mit dem Faktor λ\lambda. Dabei ist EnE_n die n×nn \times n-Einheitsmatrix mit Einsen auf der Diagonalen und Nullen sonst.

Definition

Eigenwert und Eigenvektor

Sei KK ein Körper, VV ein KK-Vektorraum und f ⁣:V→Vf\colon V \to V linear. Eine Zahl λ∈K\lambda \in K heißt Eigenwert von ff, wenn es einen Vektor v∈Vv \in V mit v≠0v \neq 0 gibt, so dass

f(v)=λv.f(v) = \lambda v.

Jeder solche Vektor v≠0v \neq 0 heißt Eigenvektor von ff zum Eigenwert λ\lambda.

Für eine quadratische Matrix A∈Kn×nA \in K^{n \times n} meint man die Eigenwerte und Eigenvektoren der Abbildung Kn→KnK^n \to K^n, x↦Axx \mapsto Ax. Das Zeichen λ\lambda (lambda) ist für Eigenwerte üblich. Ein Eigenvektor gibt eine Richtung an, die ff erhält; der Eigenwert ist der Streckfaktor in dieser Richtung. Ein negativer Eigenwert klappt die Richtung um, der Eigenwert 00 drückt sie auf den Nullvektor.

Av=λv,v≠0Av = \lambda v, \qquad v \neq 0
Beispiel

Beispiele und ein Gegenbeispiel

Prüfen durch Einsetzen. Für A=(2112)A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix} ist (1,1)(1, 1) ein Eigenvektor zum Eigenwert 33 und (1,−1)(1, -1) einer zum Eigenwert 11. Der Vektor (1,0)(1, 0) ist kein Eigenvektor, denn sein Bild (2,1)(2, 1) ist kein Vielfaches von (1,0)(1, 0).

Eigenwert 0. Für B=(1224)B = \begin{pmatrix} 1 & 2 \\ 2 & 4 \end{pmatrix} ist B(2−1)=(00)=0⋅(2−1)B \begin{pmatrix} 2 \\ -1 \end{pmatrix} = \begin{pmatrix} 0 \\ 0 \end{pmatrix} = 0 \cdot \begin{pmatrix} 2 \\ -1 \end{pmatrix}. Also ist 00 ein Eigenwert von BB, und (2,−1)(2, -1) ist ein Eigenvektor dazu. Die Eigenvektoren zum Eigenwert 00 sind genau die Vektoren v≠0v \neq 0 im Kern.

Ein unendlichdimensionales Beispiel. Sei VV der Raum der beliebig oft differenzierbaren Funktionen R→R\mathbb{R} \to \mathbb{R} und D(g)=g′D(g) = g' das Ableiten. Für g(t)=ectg(t) = e^{ct} ist D(g)=c gD(g) = c\,g. Jede Zahl c∈Rc \in \mathbb{R} ist also ein Eigenwert von DD, mit der Eigenfunktion ecte^{ct}. Das kommt in der letzten Lektion bei Differentialgleichungen wieder.

Gegenbeispiel: der Nullvektor. Für jede Matrix und jede Zahl gilt A⋅0=0=λ⋅0A \cdot 0 = 0 = \lambda \cdot 0. Wäre v=0v = 0 erlaubt, wäre jede Zahl λ\lambda ein Eigenwert, und der Begriff sagte nichts mehr. Deshalb verlangt die Definition v≠0v \neq 0.

Kurz geprüft

Die Matrix (1224)\begin{pmatrix} 1 & 2 \\ 2 & 4 \end{pmatrix} bildet v=(1,2)v = (1, 2) auf ein Vielfaches von vv ab. Zu welchem Eigenwert ist vv ein Eigenvektor?

Definition

Eigenraum

Für A∈Kn×nA \in K^{n \times n} und λ∈K\lambda \in K heißt

Eig⁡(A,λ)={ v∈Kn:Av=λv }\operatorname{Eig}(A, \lambda) = \{\, v \in K^n : Av = \lambda v \,\}

der Eigenraum von AA zu λ\lambda. Er enthält den Nullvektor und alle Eigenvektoren zu λ\lambda, und sonst nichts. Also ist λ\lambda genau dann ein Eigenwert, wenn Eig⁡(A,λ)≠{0}\operatorname{Eig}(A, \lambda) \neq \{0\}.

Für eine lineare Abbildung f ⁣:V→Vf\colon V \to V ist Eig⁡(f,λ)={ v∈V:f(v)=λv }\operatorname{Eig}(f, \lambda) = \{\, v \in V : f(v) = \lambda v \,\} genauso erklärt.

Satz

Eigenraum als Kern

Sei A∈Kn×nA \in K^{n \times n} und λ∈K\lambda \in K. Dann ist

Eig⁡(A,λ)=Kern⁡(A−λEn),\operatorname{Eig}(A, \lambda) = \operatorname{Kern}(A - \lambda E_n),

insbesondere ist der Eigenraum ein Untervektorraum von KnK^n. Außerdem sind gleichwertig:

  • λ\lambda ist ein Eigenwert von AA,
  • Kern⁡(A−λEn)≠{0}\operatorname{Kern}(A - \lambda E_n) \neq \{0\},
  • rang⁡(A−λEn)<n\operatorname{rang}(A - \lambda E_n) < n,
  • A−λEnA - \lambda E_n ist nicht invertierbar.
Schritt für Schritt

Die Eigenräume von A=(2112)A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}

Wir prüfen die Kandidaten λ=3\lambda = 3, λ=1\lambda = 1 und λ=2\lambda = 2 und lösen jeweils (A−λE2) v=0(A - \lambda E_2)\,v = 0 mit dem Gauß-Verfahren.

  1. λ=3\lambda = 3: Ziehe 33 von der Diagonale ab und addiere die erste Zeile zur zweiten.

    A−3E2=(−111−1)  ⇝  (−1100)A - 3E_2 = \begin{pmatrix} -1 & 1 \\ 1 & -1 \end{pmatrix} \;\leadsto\; \begin{pmatrix} -1 & 1 \\ 0 & 0 \end{pmatrix}
Schritt 1 von 4
Eigenrichtungen durch Drehen finden
−4−3−2−11234−4−3−2−11234x₁x₂xA x
A xA\,x
(2,22 | 1,62)
∠(x,Ax)\angle(x, Ax)
16,2 Grad
λ\lambda
3 und 1

A=(2112)A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}. Drehe xx, bis AxAx auf derselben Geraden liegt wie xx. Dort liegen die gestrichelten Eigenrichtungen.

Der erste Pfeil ist x, der zweite sein Bild A x. Gestrichelt die Eigenrichtungen der Matrix. Der Ablesewert nennt den Winkel zwischen x und A x: 0 oder 180 Grad heißt Eigenvektor.

Probier es aus

Beispiel

Ein Eigenraum, der eine Ebene ist

Die senkrechte Projektion des R3\mathbb{R}^3 auf die xyxy-Ebene hat die Matrix P=(100010000)P = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 0 \end{pmatrix}, also P(x,y,z)=(x,y,0)P(x, y, z) = (x, y, 0).

Jeder Vektor der xyxy-Ebene bleibt fest: Eig⁡(P,1)=span⁡{(1,0,0),(0,1,0)}\operatorname{Eig}(P, 1) = \operatorname{span}\{(1, 0, 0), (0, 1, 0)\}, ein Eigenraum der Dimension 22. Die zz-Achse wird auf 00 gedrückt: Eig⁡(P,0)=span⁡{(0,0,1)}\operatorname{Eig}(P, 0) = \operatorname{span}\{(0, 0, 1)\}.

Für jede andere Zahl λ\lambda ist P−λE3P - \lambda E_3 eine Diagonalmatrix mit den Einträgen 1−λ1 - \lambda, 1−λ1 - \lambda und −λ-\lambda, die alle nicht null sind. Diese Matrix hat den Rang 33, also hat PP nur die Eigenwerte 11 und 00. Ein Eigenraum ist also nicht immer eine Gerade.

Häufige Fehler

Nullvektor und Eigenwert 0 verwechseln

„Der Nullvektor ist kein Eigenvektor, also darf auch 00 kein Eigenwert sein.“ Oder umgekehrt: „Av=0Av = 0 hat immer die Lösung v=0v = 0, also ist 00 immer ein Eigenwert.“

Richtig ist

Verboten ist nur der Vektor v=0v = 0. Die Zahl λ=0\lambda = 0 ist als Eigenwert erlaubt: Sie bedeutet, dass es ein v≠0v \neq 0 mit Av=0Av = 0 gibt, also Kern⁡A≠{0}\operatorname{Kern} A \neq \{0\}. Für eine quadratische Matrix heißt das: 00 ist genau dann ein Eigenwert, wenn AA nicht invertierbar ist.

Kurz geprüft

Seien λ≠μ\lambda \neq \mu zwei Zahlen und A∈Kn×nA \in K^{n \times n}. Welche Aussage stimmt?

Satz

Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig

Sei VV ein KK-Vektorraum, f ⁣:V→Vf\colon V \to V linear, und seien λ1,…,λk∈K\lambda_1, \dots, \lambda_k \in K paarweise verschiedene Eigenwerte von ff. Ist viv_i ein Eigenvektor zu λi\lambda_i für i=1,…,ki = 1, \dots, k, dann sind v1,…,vkv_1, \dots, v_k linear unabhängig.

Beweisidee: Aus einer linearen Beziehung zwischen den viv_i macht man durch Anwenden von ff eine zweite; zieht man das λk\lambda_k-fache der ersten ab, fällt vkv_k heraus, und die Induktionsannahme greift.

Häufige Fehler

Unabhängig heißt nicht senkrecht

„Eigenvektoren zu verschiedenen Eigenwerten stehen senkrecht aufeinander.“ Beim Beispiel (2112)\begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix} stimmt das zufällig: (1,1)(1, 1) und (1,−1)(1, -1) sind senkrecht.

Richtig ist

Im Allgemeinen nicht. Die Matrix T=(1102)T = \begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix} hat den Eigenvektor (1,0)(1, 0) zum Eigenwert 11 und den Eigenvektor (1,1)(1, 1) zum Eigenwert 22, denn T(1,1)=(2,2)T(1, 1) = (2, 2). Die beiden schließen einen Winkel von 45°45° ein: linear unabhängig, aber nicht senkrecht. Senkrecht sind sie bei symmetrischen reellen Matrizen; das ist der Spektralsatz in einem späteren Kapitel.

Zusammenfassung

  • Ein Eigenvektor v≠0v \neq 0 von AA erfüllt Av=λvAv = \lambda v: Die Richtung von vv bleibt erhalten, der Eigenwert λ\lambda ist der Streckfaktor.

  • Spiegelungen haben die Eigenwerte 11 und −1-1, die Scherung (1101)\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} nur eine Eigenrichtung, eine Drehung um 90°90° keine reelle.

  • Der Nullvektor ist nie ein Eigenvektor; der Eigenwert 00 ist erlaubt und bedeutet Kern⁡A≠{0}\operatorname{Kern} A \neq \{0\}.

  • Eig⁡(A,λ)=Kern⁡(A−λEn)\operatorname{Eig}(A, \lambda) = \operatorname{Kern}(A - \lambda E_n) ist ein Untervektorraum und wird mit dem Gauß-Verfahren berechnet.

  • λ\lambda ist genau dann ein Eigenwert, wenn A−λEnA - \lambda E_n nicht invertierbar ist.

  • Eigenvektoren zu paarweise verschiedenen Eigenwerten sind linear unabhängig, aber nicht unbedingt senkrecht.

  • Eine n×nn \times n-Matrix hat höchstens nn verschiedene Eigenwerte.

Übungen

Aufgabe 1Multiple Choice

Welcher Vektor ist ein Eigenvektor von A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}?

Aufgabe 2Numerisch

Der Vektor v=(2,3)v = (2, 3) ist ein Eigenvektor von A=(1232)A = \begin{pmatrix} 1 & 2 \\ 3 & 2 \end{pmatrix}. Wie lautet der zugehörige Eigenwert?

Aufgabe 3Multiple Choice

Die Drehung der Ebene um den Winkel φ\varphi hat die Matrix (cos⁡φ−sin⁡φsin⁡φcos⁡φ)\begin{pmatrix} \cos\varphi & -\sin\varphi \\ \sin\varphi & \cos\varphi \end{pmatrix}. Für welche φ∈[0,2π)\varphi \in [0, 2\pi) hat sie einen reellen Eigenvektor?

Aufgabe 4Numerisch

Für welche Zahl aa ist (1,1)(1, 1) ein Eigenvektor von A=(1a23)A = \begin{pmatrix} 1 & a \\ 2 & 3 \end{pmatrix}?

Aufgabe 5Numerisch

Sei J∈R3×3J \in \mathbb{R}^{3 \times 3} die Matrix, deren neun Einträge alle 11 sind. Welche Dimension hat Eig⁡(J,0)\operatorname{Eig}(J, 0)?

Aufgabe 6Freitext

Sei vv ein Eigenvektor von A∈Kn×nA \in K^{n \times n} zum Eigenwert λ\lambda. Zeige: (a) vv ist ein Eigenvektor von A2A^2 zum Eigenwert λ2\lambda^2. (b) Ist AA invertierbar, dann ist λ≠0\lambda \neq 0, und vv ist ein Eigenvektor von A−1A^{-1} zum Eigenwert λ−1\lambda^{-1}.

Aufgabe 7Freitext

Seien λ≠μ\lambda \neq \mu Eigenwerte von A∈Kn×nA \in K^{n \times n}, vv ein Eigenvektor zu λ\lambda und ww ein Eigenvektor zu μ\mu. Beweise, dass v+wv + w kein Eigenvektor von AA ist.