Heim

Eigenwertproblem

Ein Eigenvektor einer Abbildung ist in der linearen Algebra ein vom Nullvektor verschiedener Vektor, dessen Richtung durch die Abbildung nicht verändert wird. Ein Eigenvektor wird also nur gestreckt, und man bezeichnet den Streckungsfaktor als Eigenwert der Abbildung.

Eigenwerte charakterisieren wesentliche Eigenschaften linearer Abbildungen, etwa ob ein entsprechendes lineares Gleichungssystem eindeutig lösbar ist oder nicht. In vielen Anwendungen beschreiben Eigenwerte auch physikalische Eigenschaften eines mathematischen Modells.

Die im Folgenden beschriebene mathematische Problemstellung heißt spezielles Eigenwertproblem und bezieht sich nur auf lineare Abbildungen eines endlichdimensionalen Vektorraums in sich (Endomorphismen), wie sie durch quadratische Matrizen dargestellt werden.

Inhaltsverzeichnis

Definition

Ist V ein Vektorraum über einem Körper K (in Anwendungen meist der Körper der reellen Zahlen oder der Körper der komplexen Zahlen) und eine lineare Abbildung von V in sich (Endomorphismus), so bezeichnet man als Eigenvektor einen Vektor , der durch f auf ein Vielfaches von sich selbst abgebildet wird:

.

Den Faktor λ nennt man dann den zugehörigen Eigenwert.

Anders formuliert: Hat für ein die Gleichung

eine Lösung (der Nullvektor ist natürlich immer eine Lösung), so heißt λ Eigenwert von f. Jede Lösung heißt Eigenvektor von f zum Eigenwert λ.

Ist der Vektorraum endlichdimensional, so kann jeder Endomorphismus f durch eine quadratische Matrix A beschrieben werden. Die obige Gleichung lässt sich dann als Matrizengleichung schreiben:

,

wobei x hier einen Spaltenvektor bezeichnet. Man nennt eine Lösung und λ in diesem Fall Eigenvektor bzw. Eigenwert der Matrix A.

Diese Gleichung kann man auch in der Form

schreiben, wobei E die Einheitsmatrix bezeichnet, und äquivalent zu

bzw.

umformen.

Manchmal bezeichnet man einen so definierten Eigenvektor auch als Rechtseigenvektor und definiert dann entsprechend den Begriff des Linkseigenvektors durch die Gleichung

.

Wegen sind die Linkseigenvektoren von A gerade die Rechtseigenvektoren der transponierten Matrix AT.

Allgemeiner kann man auch quadratische Matrizen A und B betrachten und die Gleichung

.

Dieses allgemeinere Eigenwertproblem wird hier jedoch nicht betrachtet.

Berechnung der Eigenwerte einer Matrix

Bei kleinen Matrizen können die Eigenwerte symbolisch mit Hilfe des charakteristischen Polynoms berechnet werden. Bei großen Matrizen ist dies oft nicht möglich, sodass hier Verfahren der numerischen Mathematik zum Einsatz kommen.

Symbolische Berechnung

Die Gleichung

,

die Eigenwerte definiert, stellt ein homogenes lineares Gleichungssystem dar. Da vorausgesetzt wird, ist dieses genau dann lösbar wenn gilt:

Expandiert man die Determinante auf der linken Seite, so erhält man ein Polynom n-ten Grades in λ. Dieses wird charakteristisches Polynom (siehe dort zur Herleitung) bezeichnet, und dessen Nullstellen sind die Eigenwerte, also die Lösungen der Gleichung

Da ein Polynom vom Grad n höchstens n Nullstellen besitzt, gibt es höchstens n Eigenwerte. Zerfällt das Polynom vollständig, wie es jedes Polynom über tut, so gibt es genau n Nullstellen, wobei mehrfache Nullstellen mit ihrer Vielfachheit gezählt werden.

Eigenraum zum Eigenwert

Ist λ ein Eigenwert der linearen Abbildung , dann nennt man die Menge aller Eigenvektoren zu diesem Eigenwert vereinigt mit dem Nullvektor den Eigenraum zum Eigenwert λ. Der Eigenraum ist definiert durch:

Eine Verallgemeinerung des Eigenraums ist der Hauptraum.

Spektrum und Vielfachheiten

Mehrfache Vorkommen eines bestimmten Eigenwertes fasst man zusammen und erhält so nach Umbenennung die Aufzählung der verschiedenen Eigenwerte mit ihren Vielfachheiten . Dabei ist und .

Die eben dargestellte Vielfachheit eines Eigenwertes als Nullstelle des charakteristischen Polynoms bezeichnet man als algebraische Vielfachheit.

Die Menge der Eigenwerte wird Spektrum genannt und geschrieben. Es gilt also:

Als Spektralradius bezeichnet man den Betrag des betragsmäßig größten Eigenwerts.

Kennt man die Eigenwerte und ihre Vielfachheiten (die algebraische und die später erklärte geometrische), kann man die Jordansche Normalform der Matrix erstellen.

Die geometrische Vielfachheit ist immer kleiner oder gleich der algebraischen Vielfachheit.

Beispiel

Gegeben sei die quadratische Matrix

.

Subtraktion der mit λ multiplizierten Einheitsmatrix von A:

Ausrechnen der Determinante dieser Matrix (mit Hilfe der Regel von Sarrus):

Die Eigenwerte entsprechen den Nullstellen des Polynoms, d.h. die rechte Seite der obigen Gleichung gleich Null setzen und man erhält:

Der Eigenwert 2 hat algebraische Vielfachheit 2, da er doppelte Nullstelle des charakteristischen Polynoms ist.

Numerische Berechnung

Während die Lösung des charakteristischen Polynoms für Matrizen der Dimension 3 schon nicht so einfach ist, wird es für große Matrizen nahezu unmöglich. Hierzu gibt es Verfahren, die sowohl von der numerischen Stabilität her, als auch vom Rechenaufwand wesentlich besser sind. Dazu gehören Methoden für dichtbesetzte kleine bis mittlere Matrizen, wie

sowie spezielle Methoden für symmetrische Matrizen, als auch Methoden für dünnbesetzte große Matrizen, wie

Berechnung der Eigenvektoren

Für einen Eigenwert λ lassen sich die Eigenvektoren aus der Gleichung

bestimmen. Die Eigenvektoren spannen einen Raum auf, dessen Dimension als geometrische Vielfachheit des Eigenwertes bezeichnet wird. Für einen Eigenwert λ der geometrischen Vielfachheit μ lassen sich also Eigenvektoren finden, so dass die Menge aller Eigenvektoren zu λ gleich der Menge der Linearkombinationen von ist. heißt dann Basis aus Eigenvektoren zum Eigenwert λ.

Die geometrische Vielfachheit eines Eigenwertes kann man also auch als die maximale Anzahl linear unabhängiger Eigenvektoren zu diesem Eigenwert definieren.

Die geometrische Vielfachheit ist immer kleiner oder gleich der algebraischen Vielfachheit.

Beispiel

Gegeben ist wie im oberen Beispiel die quadratische Matrix A:

Die Eigenwerte wurden oben schon berechnet. Zunächst werden hier die Eigenvektoren (der Eigenraum) zum Eigenwert λ1 = 2 berechnet.

man muss also das folgende lineare Gleichungssystem lösen:

Bringt man die Matrix auf obere Dreiecksform erhält man:

Die Lösung (und damit die gesuchten Eigenvektoren) ist der Vektor und alle seine Vielfachen (nicht jedoch das Nullfache des Vektors, da Nullvektoren niemals Eigenvektoren sind).

Obwohl dieser Eigenwert eine algebraische Vielfachheit von 2 hat, existiert nur ein linear unabhängiger Eigenvektor (der Eigenraum zu den einzelnen Eigenwerten hat Dimension 1); also hat dieser Eigenwert eine geometrische Vielfachheit von 1. Das hat eine wichtige Konsequenz: Die Matrix ist nicht diagonalisierbar. Man kann nun versuchen, die Matrix stattdessen in die Jordansche Normalform zu überführen. Dazu muss ein weiterer Eigenvektor zu diesem Eigenwert „erzwungen“ werden. Diese Eigenvektoren nennt man generalisierte Eigenvektoren oder Hauptvektoren. Schlägt auch das fehl, so kann die Matrix auch nicht in die Jordansche Normalform überführt werden.

Für den Eigenwert λ2 = − 2 geht man genauso vor:

wieder bringt man die Matrix auf Dreiecksform

Hier ist die Lösung der Vektor wieder mit allen seinen Vielfachen.

Eigenschaften

und ,
wobei bei mehrfachen Eigenwerten die Vielfachheit zu beachten ist.

Praktische Beispiele

Durch Lösung eines Eigenwertproblems berechnet man

Eigenwerte spielen in der Quantenmechanik eine besondere Rolle. Physikalische Größen wie z. B. der Drehimpuls werden hier durch Operatoren repräsentiert. Messbar sind nur die Eigenwerte der Operatoren. Hat z. B. der Hamiltonoperator, der die Energie eines quantenmechanischen Systems repräsentiert, ein diskretes Spektrum, so kann die Energie nur diskrete Werte annehmen, was z. B. für die Energieniveaus in einem Atom typisch ist. Auch die Unmöglichkeit der gleichzeitigen präzisen Messung gewisser Größen (z. B. Ort und Impuls), wie von der Heisenbergschen Unschärferelation ausgedrückt, ist in diesem Fall letztlich darauf zurückzuführen, dass für die jeweiligen Operatoren kein gemeinsames System von Eigenvektoren gefunden werden kann.

Einzelnachweise

  1. Uni Tübingen Symmetrische Abbildungen und Matrizen Theorem 10.75 abgerufen am 19. Februar 2007