Eigenwerte und Eigenvektoren — Schritt-für-Schritt-Anleitung

Eigenwerte und Eigenvektoren zeigen dir, welche Richtungen eine quadratische Matrix nur skaliert, statt sie zu drehen. Für eine quadratische Matrix $A$ ist ein Eigenvektor ein von null verschiedener Vektor $v$, sodass

$$Av = \lambda v$$

für ein Skalar $\lambda$ gilt. Die Zahl $\lambda$ ist der Eigenwert. Wenn du nur die Grundidee brauchst, dann ist es diese: Eigenvektoren bleiben auf ihrer Geraden, und Eigenwerte geben den Skalierungsfaktor auf dieser Geraden an.

Die meisten Vektoren ändern unter einer Matrix ihre Richtung. Ein Eigenvektor tut das nicht. Er kann gestreckt, gestaucht oder bei $\lambda < 0$ umgekehrt werden, bleibt aber auf derselben Geraden.

Was $Av = \lambda v$ bedeutet

Stell dir eine Matrix als Transformation vor. Normalerweise dreht, schert, streckt oder mischt sie Richtungen. Aber einige Richtungen können diese Transformation überstehen, ohne von ihrer ursprünglichen Geraden abzuweichen.

Diese besonderen Richtungen sind die Eigenvektoren. Der Eigenwert sagt dir, was die Matrix in dieser Richtung macht:

• Wenn $\lambda > 1$, wird der Vektor gestreckt.
• Wenn $0 < \lambda < 1$, wird der Vektor gestaucht.
• Wenn $\lambda < 0$, wird der Vektor skaliert und umgekehrt.
• Wenn $\lambda = 0$, bildet die Matrix diesen Eigenvektor auf den Nullvektor ab.

Der Nullvektor wird nie als Eigenvektor gezählt. Wäre er erlaubt, hätte ihn jede Matrix, und die Idee würde ihre Bedeutung verlieren.

So findet man Eigenwerte und Eigenvektoren

Beginne mit

$$Av = \lambda v.$$

Bringe alles auf eine Seite:

$$(A - \lambda I)v = 0.$$

Das ist ein homogenes lineares Gleichungssystem. Damit es eine von null verschiedene Lösung $v$ hat, muss die Matrix $A - \lambda I$ singulär sein, also

$$\det(A - \lambda I) = 0.$$

Das Lösen dieser Gleichung liefert die Eigenwerte. Danach löst du für jeden Eigenwert

$$(A - \lambda I)v = 0$$

und erhältst die zugehörigen Eigenvektoren.

Diese Methode gilt für quadratische Matrizen. Ist die Matrix nicht quadratisch, dann ist das Standard-Eigenwertproblem in dieser Form nicht definiert.

Durchgerechnetes Beispiel: eine 2x2-Matrix

Sei

$$A = \begin{bmatrix} 2 & 1 \\ 0 & 3 \end{bmatrix}.$$

Wir bestimmen zuerst die Eigenwerte und danach die zugehörigen Eigenvektoren.

Schritt 1: Berechne $\det(A - \lambda I)$

Bilde zuerst

$$A - \lambda I = \begin{bmatrix} 2 - \lambda & 1 \\ 0 & 3 - \lambda \end{bmatrix}.$$

Berechne nun die Determinante:

$$\det(A - \lambda I) = (2 - \lambda)(3 - \lambda).$$

Setze die Determinante gleich null:

$$(2 - \lambda)(3 - \lambda) = 0.$$

Also sind die Eigenwerte

$$\lambda = 2 \quad \text{und} \quad \lambda = 3.$$

Schritt 2: Finde die Eigenvektoren für $\lambda = 2$

Setze $\lambda = 2$ in $(A - \lambda I)v = 0$ ein:

$$A - 2I = \begin{bmatrix} 0 & 1 \\ 0 & 1 \end{bmatrix}.$$

Sei $v = \begin{bmatrix} x \\ y \end{bmatrix}$. Dann gilt

$$\begin{bmatrix} 0 & 1 \\ 0 & 1 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \end{bmatrix}$$

und daraus folgt $y = 0$. Die Variable $x$ ist frei, also funktioniert jeder von null verschiedene Vektor auf der $x$-Achse. Eine einfache Wahl ist

$$\begin{bmatrix} 1 \\ 0 \end{bmatrix}$$

und jedes von null verschiedene Vielfache davon ist ebenfalls ein Eigenvektor zu $\lambda = 2$.

Schritt 3: Finde die Eigenvektoren für $\lambda = 3$

Verwende nun $\lambda = 3$:

$$A - 3I = \begin{bmatrix} -1 & 1 \\ 0 & 0 \end{bmatrix}.$$

Löse

$$\begin{bmatrix} -1 & 1 \\ 0 & 0 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \end{bmatrix}.$$

Daraus folgt $-x + y = 0$, also $y = x$. Eine einfache Wahl ist

$$\begin{bmatrix} 1 \\ 1 \end{bmatrix}$$

und jedes von null verschiedene Vielfache davon ist ebenfalls ein Eigenvektor zu $\lambda = 3$.

Schritt 4: Überprüfe ein Paar

Nimm $v = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$ für $\lambda = 3$:

$$Av = \begin{bmatrix} 2 & 1 \\ 0 & 3 \end{bmatrix} \begin{bmatrix} 1 \\ 1 \end{bmatrix} = \begin{bmatrix} 3 \\ 3 \end{bmatrix} = 3 \begin{bmatrix} 1 \\ 1 \end{bmatrix}.$$

Die Überprüfung stimmt also: $Av = 3v$.

Intuition: Warum diese Vektoren besonders sind

Wenn du dir vorstellst, wie die Ebene durch $A$ transformiert wird, kippen die meisten Pfeile in neue Richtungen. Eigenvektoren sind die seltenen Pfeile, die auf ihrer eigenen Geraden bleiben.

Deshalb sind sie wichtig. Sie zeigen die einfachen Richtungen, die in der Transformation verborgen sind, und das ist oft nützlicher, als nur auf die Matrixeinträge zu schauen.

Häufige Fehler beim Bestimmen von Eigenwerten und Eigenvektoren

1. Vergessen, dass Eigenvektoren von null verschieden sein müssen.
2. $\det(A - \lambda I) = 0$ falsch lösen, besonders beim Determinantenschritt.
3. Die Eigenwerte finden, aber nicht die zugehörigen Eigenvektoren berechnen.
4. Annehmen, dass jede quadratische Matrix genug unabhängige Eigenvektoren hat, um eine Basis zu bilden. Das ist nicht immer so.
5. Annehmen, dass jede reelle Matrix reelle Eigenwerte hat. Das hängt von der Matrix ab.

Wo Eigenwerte und Eigenvektoren verwendet werden

Sie tauchen überall dort auf, wo ein linearer Prozess bevorzugte Richtungen oder natürliche Modi hat.

Typische Beispiele sind Differentialgleichungen, Schwingungsprobleme, dynamische Systeme, Markov-Modelle und die Hauptkomponentenanalyse. Die genaue Bedeutung ändert sich je nach Fachgebiet, aber das Muster ist immer gleich: Finde Richtungen, in denen die Transformation wie eine einfache Skalierung wirkt.

Probiere eine ähnliche Aufgabe

Versuche denselben Ablauf für

$$\begin{bmatrix} 4 & 0 \\ 1 & 1 \end{bmatrix}.$$

Bestimme zuerst die Eigenwerte, löse dann nach den Eigenvektoren und überprüfe ein Paar durch direkte Multiplikation. Wenn du noch einen Schritt weitergehen willst, probiere deine eigene Version in einem Solver aus und vergleiche die Eigenpaare, nicht nur die Endergebnisse.