Eigenwerte und Eigenvektoren: eine einsteigerfreundliche Einführung

Eigenwerte und Eigenvektoren wirken beim ersten Anblick mysteriös, aber die zugrunde liegende Idee ist intuitiv: Wenn eine Matrix einen Vektor transformiert, werden die meisten Vektoren gedreht und gestreckt. Eigenvektoren sind die besonderen Richtungen, die nur gestreckt, aber nie gedreht werden. Dieser Streckungsfaktor ist der Eigenwert.

Die Definition

Gegeben eine $n \times n$-Matrix $A$, ist ein Vektor $\mathbf{v} \neq \mathbf{0}$ ein Eigenvektor mit Eigenwert $\lambda$, wenn:

$A \mathbf{v} = \lambda \mathbf{v}$

Geometrisch: $A$ angewandt auf $\mathbf{v}$ ergibt das $\lambda$-Fache von $\mathbf{v}$ — gleiche Richtung, nur skaliert.

Wie man sie findet — das charakteristische Polynom

Umstellen ergibt $(A - \lambda I)\mathbf{v} = \mathbf{0}$. Damit ein nichttrivialer $\mathbf{v}$ existiert, muss die Matrix $A - \lambda I$ singulär sein, d. h.:

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

Das entwickelt sich zu einem Polynom in $\lambda$, dem charakteristischen Polynom vom Grad $n$. Seine Nullstellen sind die Eigenwerte.

Durchgerechnetes $2 \times 2$-Beispiel

$A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}$

1. $A - \lambda I = \begin{pmatrix} 4 - \lambda & 1 \\ 2 & 3 - \lambda \end{pmatrix}$.
2. $\det = (4-\lambda)(3-\lambda) - 2 = \lambda^2 - 7\lambda + 10$.
3. Löse $\lambda^2 - 7\lambda + 10 = 0$: $\lambda = 5$ oder $\lambda = 2$.

Für $\lambda = 5$: löse $(A - 5I)\mathbf{v} = 0$, d. h. $\begin{pmatrix} -1 & 1 \\ 2 & -2 \end{pmatrix}\mathbf{v} = 0$, was den Eigenvektor $\mathbf{v}_1 = (1, 1)$ ergibt.

Für $\lambda = 2$: ein ähnliches Vorgehen liefert $\mathbf{v}_2 = (1, -2)$.

Warum Eigenvektoren wichtig sind

• Hauptkomponentenanalyse (PCA): Die Eigenvektoren der Kovarianzmatrix sind die Hauptrichtungen der Variation in deinen Daten.
• Google PageRank: Der Rangvektor ist der dominante Eigenvektor der Linkmatrix des Webs.
• Quantenmechanik: Observablen sind Operatoren; ihre Eigenwerte sind die einzigen Ergebnisse, die du messen kannst.
• Differentialgleichungen: Die Eigenwerte der Systemmatrix verraten dir, ob Lösungen abklingen oder explodieren.

Geometrische Bedeutung – Zusammenfassung

Bei einer 2D-Matrix sind Eigenvektoren besondere Achsen. Richtest du das Koordinatensystem an ihnen aus, wird $A$ diagonal — reine Skalierung entlang jeder Achse ohne Drehung. Das ist die Diagonalisierung, und sie ist die Grundlage Dutzender Algorithmen.

Häufige Fehler

• Vergessen, dass Eigenvektoren nur bis auf Skalierung definiert sind — jedes von null verschiedene Vielfache eines Eigenvektors ist ebenfalls ein Eigenvektor.
• Die charakteristische Gleichung überspringen und stattdessen raten.
• $\det(A - \lambda I)$ als $\det(A) - \lambda$ behandeln — das ist es nicht.

Probiere es mit dem KI-Matrixlöser

Gib deine Matrix in den Matrixrechner ein und fordere die Eigenwerte an — jeder Schritt wird gezeigt.

Verwandte Referenzen:

• Determinantenrechner — wird für das charakteristische Polynom benötigt
• Quadratischer Löser — für den charakteristischen $2\times 2$-Fall
• Vektorrechner — Eigenvektoren sind im Kern Vektoren