Lektion 8.5

Symmetrische Matrizen und der Spektralsatz

45 min Lesezeit
Lesen anpassen

Nach dieser Lektion kannst du

  • begründen, warum eine reelle symmetrische Matrix nur reelle Eigenwerte hat und Eigenvektoren zu verschiedenen Eigenwerten senkrecht aufeinander stehen,

  • den Spektralsatz formulieren und die Idee seines Induktionsbeweises erklären,

  • eine symmetrische Matrix orthogonal diagonalisieren, auch wenn ein Eigenwert mehrfach vorkommt,

  • mit einer Hauptachsentransformation die Lage und die Halbachsen einer Ellipse bestimmen,

  • positive Definitheit einer symmetrischen Matrix an ihren Eigenwerten ablesen.

Vorausgesetzt: Diagonalisierbarkeit, Das charakteristische Polynom, Das Gram-Schmidt-Verfahren, Orthogonalität und Orthonormalbasen

Welche Kurve beschreibt die Gleichung 5x12−4x1x2+8x22=365x_1^2 - 4x_1x_2 + 8x_2^2 = 36? Ohne den gemischten Term −4x1x2-4x_1x_2 wäre es leicht: 4x12+9x22=364x_1^2 + 9x_2^2 = 36 ist die Ellipse x129+x224=1\frac{x_1^2}{9} + \frac{x_2^2}{4} = 1 mit den Halbachsen 33 und 22 entlang der Koordinatenachsen. Der gemischte Term sagt: Die Kurve ist gegenüber den Achsen verdreht. Aber um welchen Winkel, und wie lang sind die Achsen?

Die linke Seite lässt sich mit einer Matrix schreiben. Man teilt den gemischten Koeffizienten gerecht auf die beiden Stellen neben der Diagonale auf:

5x12−4x1x2+8x22=xTAxmitA=(5−2−28), x=(x1x2).5x_1^2 - 4x_1x_2 + 8x_2^2 = x^TAx \quad\text{mit}\quad A = \begin{pmatrix} 5 & -2 \\ -2 & 8 \end{pmatrix}, \ x = \begin{pmatrix} x_1 \\ x_2 \end{pmatrix}.

Diese Matrix ist symmetrisch: AT=AA^T = A. Die Frage nach den Achsen der Ellipse wird zu der Frage, ob man AA durch eine Drehung des Koordinatensystems diagonal machen kann, also mit einer orthogonalen Matrix statt mit irgendeiner invertierbaren. Der Spektralsatz sagt: Bei symmetrischen Matrizen geht das immer.

Vermute zuerst

Die Drehmatrix (0−110)\begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix} hat keine reellen Eigenwerte (ihr charakteristisches Polynom ist λ2+1\lambda^2 + 1). Kann das auch bei einer reellen symmetrischen 2×22\times 2-Matrix (abbc)\begin{pmatrix} a & b \\ b & c \end{pmatrix} passieren?

Beispiel

Die Eigenwerte einer symmetrischen 2×2-Matrix

Für A=(abbc)A = \begin{pmatrix} a & b \\ b & c \end{pmatrix} ist χA(λ)=det⁡(A−λE)=(a−λ)(c−λ)−b2=λ2−(a+c)λ+(ac−b2)\chi_A(\lambda) = \det(A - \lambda E) = (a - \lambda)(c - \lambda) - b^2 = \lambda^2 - (a + c)\lambda + (ac - b^2). Die Diskriminante dieser quadratischen Gleichung ist

(a+c)2−4(ac−b2)=a2−2ac+c2+4b2=(a−c)2+4b2≥0(a + c)^2 - 4(ac - b^2) = a^2 - 2ac + c^2 + 4b^2 = (a - c)^2 + 4b^2 \geq 0

Also sind beide Eigenwerte reell. Sie fallen nur zusammen, wenn (a−c)2+4b2=0(a - c)^2 + 4b^2 = 0 ist, also für a=ca = c und b=0b = 0, das heißt A=aEA = aE. Für die Ellipsenmatrix aus dem Einstieg: χA(λ)=λ2−13λ+36=(λ−4)(λ−9)\chi_A(\lambda) = \lambda^2 - 13\lambda + 36 = (\lambda - 4)(\lambda - 9), die Eigenwerte sind 44 und 99.

Definition

Symmetrische Matrix

Eine Matrix A∈Rn×nA \in \mathbb{R}^{n \times n} heißt symmetrisch, wenn AT=AA^T = A ist, also aij=ajia_{ij} = a_{ji} für alle i,ji, j: Die Einträge sind an der Hauptdiagonale gespiegelt.

Die wichtigste Eigenschaft für diese Lektion: Für das Standardskalarprodukt und alle x,y∈Rnx, y \in \mathbb{R}^n gilt

⟨Ax,y⟩=(Ax)Ty=xTATy=xTAy=⟨x,Ay⟩.\langle Ax, y\rangle = (Ax)^Ty = x^TA^Ty = x^TAy = \langle x, Ay\rangle.

Man kann AA von einem Argument ins andere schieben. Umgekehrt folgt aus ⟨Ax,y⟩=⟨x,Ay⟩\langle Ax, y\rangle = \langle x, Ay\rangle für alle x,yx, y, dass AA symmetrisch ist (setze x=ejx = e_j, y=eiy = e_i: dann steht dort aij=ajia_{ij} = a_{ji}).

Beispiele: (5−2−28)\begin{pmatrix} 5 & -2 \\ -2 & 8 \end{pmatrix}, jede Diagonalmatrix, und ATAA^TA für jede Matrix AA, denn (ATA)T=ATA(A^TA)^T = A^TA. Gegenbeispiel: (1102)\begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix}, hier ist a12=1≠0=a21a_{12} = 1 \neq 0 = a_{21}.

Satz

Symmetrische Matrizen haben reelle Eigenwerte

Ist A∈Rn×nA \in \mathbb{R}^{n \times n} symmetrisch, dann sind alle Nullstellen des charakteristischen Polynoms χA\chi_A (auch alle komplexen) reell. Insbesondere hat AA einen reellen Eigenwert mit einem Eigenvektor in Rn\mathbb{R}^n.

Satz

Eigenvektoren zu verschiedenen Eigenwerten sind orthogonal

Es sei A∈Rn×nA \in \mathbb{R}^{n\times n} symmetrisch, Av=λvAv = \lambda v und Aw=μwAw = \mu w mit λ≠μ\lambda \neq \mu. Dann ist ⟨v,w⟩=0\langle v, w\rangle = 0.

Kurz geprüft

Die symmetrische Matrix A=(1221)A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix} hat die Eigenwerte 33 und −1-1, und (1,1)T(1, 1)^T ist ein Eigenvektor zu 33. Welcher Vektor ist ein Eigenvektor zu −1-1?

Satz

Spektralsatz für reelle symmetrische Matrizen

Für A∈Rn×nA \in \mathbb{R}^{n\times n} sind gleichwertig:

  • AA ist symmetrisch.
  • Es gibt eine Orthonormalbasis des Rn\mathbb{R}^n aus Eigenvektoren von AA.
  • Es gibt eine orthogonale Matrix SS und eine Diagonalmatrix DD mit STAS=DS^TAS = D (man sagt: AA ist orthogonal diagonalisierbar).

Die Diagonaleinträge von DD sind dann die Eigenwerte von AA, so oft gezählt, wie sie als Nullstellen von χA\chi_A vorkommen, und die Spalten von SS sind die zugehörigen Eigenvektoren der ONB.

Schritt für Schritt

Beweisidee: Induktion nach der Größe der Matrix

Wir schreiben Matrizen in Blockform: (λ00B)\begin{pmatrix} \lambda & 0 \\ 0 & B \end{pmatrix} ist die n×nn \times n-Matrix mit λ\lambda oben links, einer (n−1)×(n−1)(n-1)\times(n-1)-Matrix BB unten rechts und Nullen sonst. Für n=1n = 1 ist nichts zu zeigen. Es sei n≥2n \geq 2, und die Aussage gelte für symmetrische (n−1)×(n−1)(n-1)\times(n-1)-Matrizen.

  1. Nach dem ersten Satz hat AA einen reellen Eigenwert λ1\lambda_1 mit einem reellen Eigenvektor; normiert heißt er q1q_1.

Schritt 1 von 5
Schritt für Schritt

Orthogonal diagonalisieren mit einem doppelten Eigenwert

Wir diagonalisieren B=(211121112)B = \begin{pmatrix} 2 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 2 \end{pmatrix} orthogonal.

  1. Charakteristisches Polynom: In B−λEB - \lambda E addiert man die zweite und dritte Zeile zur ersten (die Determinante bleibt gleich). Die erste Zeile wird (4−λ)(1,1,1)(4 - \lambda)(1, 1, 1); man zieht 4−λ4 - \lambda heraus und subtrahiert dann die erste Spalte von den anderen beiden.

    χB(λ)=(4−λ)det⁡(10011−λ0101−λ)=(4−λ)(1−λ)2\chi_B(\lambda) = (4 - \lambda)\det\begin{pmatrix} 1 & 0 & 0 \\ 1 & 1 - \lambda & 0 \\ 1 & 0 & 1 - \lambda \end{pmatrix} = (4 - \lambda)(1 - \lambda)^2
Schritt 1 von 5
Beispiel

Hauptachsentransformation der Ellipse

Zurück zu 5x12−4x1x2+8x22=365x_1^2 - 4x_1x_2 + 8x_2^2 = 36, also xTAx=36x^TAx = 36 mit A=(5−2−28)A = \begin{pmatrix} 5 & -2 \\ -2 & 8 \end{pmatrix} und den Eigenwerten 44 und 99.

Eigenvektoren: Zu 44 ist A−4E=(1−2−24)A - 4E = \begin{pmatrix} 1 & -2 \\ -2 & 4 \end{pmatrix}, Kern span((2,1)T)\mathrm{span}\bigl((2, 1)^T\bigr). Zu 99 steht der Eigenvektor senkrecht darauf: (−1,2)T(-1, 2)^T (Probe: A(−1,2)T=(−9,18)TA(-1, 2)^T = (-9, 18)^T). Normiert ergibt das

S=15(2−112),det⁡S=4+15=1.S = \frac{1}{\sqrt 5}\begin{pmatrix} 2 & -1 \\ 1 & 2 \end{pmatrix}, \qquad \det S = \frac{4 + 1}{5} = 1.

Die Vorzeichen sind so gewählt, dass det⁡S=1\det S = 1 ist; dann ist SS eine Drehmatrix (um den Winkel α\alpha mit cos⁡α=25\cos\alpha = \frac{2}{\sqrt 5}, etwa 26,6°26{,}6°). Neue Koordinaten yy führt man durch x=Syx = Sy ein:

xTAx=(Sy)TA(Sy)=yT(STAS)y=4y12+9y22=36⟺y129+y224=1x^TAx = (Sy)^TA(Sy) = y^T(S^TAS)y = 4y_1^2 + 9y_2^2 = 36 \quad\Longleftrightarrow\quad \frac{y_1^2}{9} + \frac{y_2^2}{4} = 1

Die Kurve ist eine Ellipse mit der Halbachse 33 in Richtung q1=15(2,1)Tq_1 = \frac{1}{\sqrt 5}(2, 1)^T und der Halbachse 22 in Richtung q2=15(−1,2)Tq_2 = \frac{1}{\sqrt 5}(-1, 2)^T. Diese Richtungen heißen Hauptachsen. Probe am Scheitel x=3q1=15(6,3)Tx = 3q_1 = \frac{1}{\sqrt 5}(6, 3)^T: 15(5⋅36−4⋅18+8⋅9)=1805=36\frac{1}{5}(5 \cdot 36 - 4 \cdot 18 + 8 \cdot 9) = \frac{180}{5} = 36.

Allgemein: Ist AA symmetrisch mit Eigenwerten λ1,λ2>0\lambda_1, \lambda_2 > 0, dann ist xTAx=rx^TAx = r für r>0r > 0 eine Ellipse mit den Halbachsen r/λ1\sqrt{r/\lambda_1} und r/λ2\sqrt{r/\lambda_2} entlang der Eigenvektoren. Der größere Eigenwert gehört zur kürzeren Halbachse.

Kurz geprüft

Eine symmetrische 2×22\times 2-Matrix AA hat die Eigenwerte 11 und 44. Wie lang ist die kürzere Halbachse der Ellipse xTAx=16x^TAx = 16?

Satz

Positive Definitheit und Eigenwerte

Eine symmetrische Matrix A∈Rn×nA \in \mathbb{R}^{n\times n} heißt positiv definit, wenn xTAx>0x^TAx > 0 für alle x≠0x \neq 0. Das ist genau dann der Fall, wenn alle Eigenwerte von AA positiv sind.

Folgerung: ⟨x,y⟩A=xTAy\langle x, y\rangle_A = x^TAy ist genau dann ein Skalarprodukt auf Rn\mathbb{R}^n, wenn AA symmetrisch ist und nur positive Eigenwerte hat. (Jedes Skalarprodukt auf Rn\mathbb{R}^n hat diese Form mit aij=⟨ei,ej⟩a_{ij} = \langle e_i, e_j\rangle.)

Häufige Fehler

Diagonalisierbar ist nicht dasselbe wie orthogonal diagonalisierbar

Zwei Fehlschlüsse, die beim Spektralsatz oft auftreten:

  • „(1102)\begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix} hat zwei verschiedene reelle Eigenwerte, also gibt es eine ONB aus Eigenvektoren.“
  • „Bei einer symmetrischen Matrix stehen alle Eigenvektoren senkrecht aufeinander, man muss sie nur normieren.“
Richtig ist

Die erste Matrix ist diagonalisierbar, aber ihre Eigenrichtungen (1,0)T(1, 0)^T und (1,1)T(1, 1)^T stehen nicht senkrecht, und jede andere Wahl von Eigenvektoren sind nur Vielfache davon. Nach dem Spektralsatz sind genau die symmetrischen Matrizen orthogonal diagonalisierbar.

Bei symmetrischen Matrizen stehen Eigenvektoren zu verschiedenen Eigenwerten senkrecht. Innerhalb eines Eigenraums der Dimension 22 oder mehr gilt das nicht von selbst: Im Beispiel sind (1,−1,0)T(1, -1, 0)^T und (1,0,−1)T(1, 0, -1)^T beide Eigenvektoren zum Eigenwert 11 und schließen einen Winkel von 60°60° ein. Dort muss man Gram-Schmidt anwenden.

Zusammenfassung

  • Symmetrisch heißt AT=AA^T = A; dann gilt ⟨Ax,y⟩=⟨x,Ay⟩\langle Ax, y\rangle = \langle x, Ay\rangle für das Standardskalarprodukt.

  • Eine reelle symmetrische Matrix hat nur reelle Eigenwerte (Beweis über vˉTAv\bar v^TAv in Cn\mathbb{C}^n).

  • Eigenvektoren zu verschiedenen Eigenwerten einer symmetrischen Matrix sind orthogonal; innerhalb eines Eigenraums hilft Gram-Schmidt.

  • Spektralsatz: AA ist genau dann symmetrisch, wenn es eine orthogonale Matrix SS mit STASS^TAS diagonal gibt, also eine ONB aus Eigenvektoren. Beweis per Induktion über eine Eigenrichtung und ihr orthogonales Komplement.

  • Hauptachsentransformation: Mit x=Syx = Sy wird xTAxx^TAx zu ∑λiyi2\sum\lambda_iy_i^2; die Eigenvektoren sind die Achsen der Ellipse, die Halbachsen sind r/λi\sqrt{r/\lambda_i}.

  • Eine symmetrische Matrix ist genau dann positiv definit, wenn alle Eigenwerte positiv sind; bei 2×22\times 2 genau dann, wenn a>0a > 0 und det⁡A>0\det A > 0.

  • xTAyx^TAy ist genau dann ein Skalarprodukt, wenn AA symmetrisch und positiv definit ist.

Übungen

Aufgabe 1Multiple Choice

Für welche Matrix gibt es nach dem Spektralsatz sicher eine orthogonale Matrix SS, sodass STASS^TAS diagonal ist?

Aufgabe 2Numerisch

Wie groß ist der größte Eigenwert von A=(344−3)A = \begin{pmatrix} 3 & 4 \\ 4 & -3 \end{pmatrix}?

Aufgabe 3Numerisch

Die Gleichung 2x12+2x1x2+2x22=92x_1^2 + 2x_1x_2 + 2x_2^2 = 9 beschreibt eine Ellipse. Wie lang ist ihre längere Halbachse?

Aufgabe 4Multiple Choice

Für welche reellen Zahlen aa ist (a11a)\begin{pmatrix} a & 1 \\ 1 & a \end{pmatrix} positiv definit?

Aufgabe 5Freitext

Beweise: Ist A∈Rn×nA \in \mathbb{R}^{n\times n} symmetrisch und A2=0A^2 = 0, dann ist A=0A = 0. Gilt das auch ohne Symmetrie?

Aufgabe 6Freitext

Es sei A∈Rm×nA \in \mathbb{R}^{m\times n} beliebig. Zeige: ATAA^TA ist symmetrisch, alle Eigenwerte von ATAA^TA sind ≥0\geq 0, und ATAA^TA ist genau dann positiv definit, wenn die Spalten von AA linear unabhängig sind.