Sei in diesem Abschnitt V ein Vektorraum über E, dim(V)=n<∞, A∈En×n.
Definition
λ∈E heisst Eigenwert (EW) von A⇔∃v∈V∖{0}:Av=λv.
v∈V∖{0} heisst dann Eigenvektor (EV) von A zum Eigenwert λ.
Eλ(A)={v∈V∣Av=λv} heisst Eigenraum von A zum Eigenwert λ.
σ(A):={λ∣λ Eigenwerte von A} heisst Spektrum von A.
Bemerkung
Eλ(A)=ker(A−λ𝟙) ist ein nichttrivialer Untervektorraum von V, d.h. es gilt:
{0}⊊Eλ(A)(echt gro¨sser als nur der Nullraum)
Bemerkung
Diese Definition lässt sich analog für eine lineare Abbildung F:V→V führen. Es gilt:
⇔λ ist ein Eigenwert von F,v ist ein Eigenvektor von Fλ ist ein Eigenwert von A,v ist ein Eigenvektor von A,wobei A die Abbildungsmatrix von F bezeichnet.
BemerkungHerleitung des charakteristischen Polynoms χ_A
Betrachte
Av=λv⇔Av−λv=0⇔(A−λ𝟙)v=0(1)
v=0 löst (1), aber v=0 ist als Eigenvektor nicht zugelassen. Wir fordern mehr Lösungen, d.h. ∞ viele Lösungen (da ein LGS immer 0,1 oder ∞ viele Lösungen hat). Gemäss dem Satz aus der Erinnerung können wir dies erreichen, indem wir det(A−λ𝟙)=!0 setzen, weil
det(A−λ𝟙)=0⇔SatzA−λ𝟙 singula¨r⇒(A−λ𝟙)v=0 hat ∞ viele Lo¨sungen, da v=0 nicht zugelassen ist.
λ ist ein Eigenwert von A ⇔λ ist eine Nullstelle (NST) des charakteristischen Polynoms χA(λ).
Bemerkung
Mitternachtsformel (auswendig)
ax2+bx+c⇒x1,2=0=2a−b±b2−4ac
AlgorithmusBerechnung von Eigenwerten und Eigenvektoren
Gegeben: A∈En×n
(falls F:V→V lineare Abbildung gegeben ist, finde zuerst die Abbildungsmatrix A)
Gesucht: σ(A) (d.h. ∀ Eigenwerte von A), Eλ(A) mit ∀λ∈σ(A)
Berechne χA(λ)=det(A−λ𝟙)
Setze χA(λ)=!0:
⇒n Nullstellen λ1,...,λn⇒σ(A)={λ1,...,λn}
Bemerkung.λ1,...,λn sind nicht zwingend verschieden, sondern mit Nullstellenvielfachheit gezählt.
Für jeden verschiedenen Eigenwert λk bestimme die Basis von Eλk(A)=ker(A−λk𝟙) mit Hilfe von der Gauss-Elimination.
Die Menge der Eigenvektoren ist
k⋃(Eλk(A)∖{0})
(Wir vereinigen alle Eigenräume minus den Nullvektor)
Beispiel 1
Gegeben:
A=140230325
Gesucht: Eigenwerte, Eigenvektoren von A
Lösung anzeigenLösung ausblenden
χA(λ)=det(A−λ𝟙)=det(1−λ)402(3−λ)032(5−λ)=(1−λ)(3−λ)(5−λ)−(5−λ)⋅4⋅2=(5−λ)[(1−λ)(3−λ)−4⋅2]=(5−λ)[3−3λ−λ+λ2−8]=(5−λ)[λ2−4λ−5]=(5−λ)(λ−5)(λ+1)(allenfalls mit Hilfe der Mitternachtsformel)=−(λ−5)(λ−5)(λ+1)=−(λ−5)2(λ+1)
χA(λ)⇔−(λ−5)2(λ+1)⇒λ1λ3⇒σ(A)=!0=0=λ2=5(Spa¨ter: algebraische Vielfachheit von 5 ist 2)=−1={5,−1}
Es wäre mathematisch unpräzis in Beispiel 1 zu sagen: "Die Eigenvektoren sind (1,2,0)T und (1,−1,0)T". Denn es gibt ∞ viele Eigenvektoren.
Sei zum Beispiel v ein Eigenvektor von A zum Eigenwert λ, d.h. Av=λv ⇒c⋅v ist ein Eigenvektor von A zu λ für alle c∈E∖{0}, da auch A(cv)=λ(cv) gilt.
Meist genügt es trotzdem, einen Basisvektor v∈Eλ(A)∖{0} als "repräsentativen Eigenvektor" zu nehmen.
Spektralzerlegung, Diagonalisierbarkeit
Definition
Sei λ ein Eigenwert von A∈En×n.
Algebraische Vielfachheit von λ:
aλ:="Nullstellenvielfachheit von λ in χA(λ)"
Geometrische Vielfachheit:
gλ:=dim(Eλ(A))=dim(ker(A−λ𝟙))=n−rang(A−λ𝟙)
Definition
A heisst diagonalisierbar (es existiert eine Spektralzerlegung)
⇔∃V∈En×n,Λ∈En×n, mit V regula¨r, Λ diagonal, so dass A=VΛV−1
Man sagt auch: "A ist ähnlich zu einer Diagonalmatrix".
Satz
A ist diagonalisierbar ⇔ Die Eigenvektoren von A bilden eine Basis von V ⇔ Für alle Eigenwerte λ von A gilt gλ=aλ.
Bemerkung
Eine Diagonalisierung ist ein Basiswechsel mit Transformationsmatrizen V und V−1.
Satz
Bei Ähnlichkeitstransformation bleibt erhalten:
Eigenwerte und deren algebraische und geometrische Vielfachheit
wobei ihr die Inverse V−1 mit dem üblichen Rezept berechnet.
Test: A=VΛV−1✓
Bemerkung
Komplexwertige Nullstellen des charakteristischen Polynoms mit reellen Koeffizienten treten immer paarweise auf, und zwar ist mit λ∈C auch λ eine Nullstelle. Somit muss eine orthogonale Matrix von ungerader Dimension mindestens einen reellen Eigenwert ±1 besitzen.
Definition
Die Summe der Diagonalelemente von A∈En×n nennt man Spur von A:
spur(A):=i=1∑naii=a11+...+ann.
Lemma 9.6
Eine (quadratische) Matrix A ist genau dann singulär, wenn sie 0 als Eigenwert hat:
A singula¨r⇔0∈σ(A).
Satz 9.11
Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig.
Korollar 9.12
Sind die n Eigenwerte von F:V→V (mit n=dim(V)) verschieden, so gibt es eine Basis von Eigenvektoren und die entsprechende Abbildungsmatrix ist diagonal.
Satz 9.15
Ist A∈Cn×n hermitesch, so gilt:
Alle Eigenwerte λ1,...,λn sind reell.
Die Eigenvektoren zu verschiedenen Eigenwerten sind paarweise orthogonal in Cn.
Es gibt eine orthonormale Basis des Cn aus Eigenvektoren u1,...,un von A.
Für die unitäre Matrix U:=(u1,...,un) gilt: UHAU=Λ=diag(λ1,...,λn).
Singulärwertzerlegung
Satz
Sei A∈En×n symmetrisch (AT=A) oder hermitesch (AH=AT=AT=A), dann gilt:
A hat nur reelle Eigenwerte
Eigenvektoren zu verschiedenen Eigenwerten sind paarweise orthogonal
Bemerkung 1
Um eine Orthonormalbasis aus Eigenvektoren einer symmetrischen/hermiteschen Matrix zu erhalten, muss man die Eigenvektoren nur normieren und gegebenenfalls mit Gram-Schmidt orthogonalisieren (macht man falls es einen Eigenwert mit geometrischer Vielfachheit >1 gibt).
SatzSingulärwertzerlegung
Sei A∈Em×n, rang(A)=:r≤min{m,n}. Dann existieren U∈Em×m orthogonal/unitär, V∈En×n orthogonal/unitär, Σ∈Rm×n, wobei
⇒σi=λi, wobei λi die positiven reellen Eigenwerte von AHA sind.
BemerkungAnwendung
Die Singulärwertzerlegung ist gewissermassen eine Verallgemeinerung von der Spektralzerlegung für Rechtecksmatrizen.
Singuläre LGS und Ausgleichsprobleme (kleinste Quadrate) lösen.
Bildkompressionsverfahren. Dabei wird ein Bild als Matrix von Farbwerten betrachtet, wovon die Singulärwertzerlegung berechnet wird. Bei der Rücktransformation von UΣVH nach A werden aber nur noch die "stark von 0 abweichenden" Singulärwerte gespeichert, im Betrag kleine Singulärwerte werden vernachlässigt.
Berechne die Eigenwerte von B, "nummeriere" sie der Grösse nach:
λ1≥...≥λr>λr+1=...=λn=0,
wobei r=rang(B)=rang(AHA)
Σij={σi=λi,i=j0,sonst
Bilde die Orthonormalbasis {w1,...,wn} mit Gram-Schmidt mit Eigenvektoren {v1,...,vn} von B. (Betrachte B=AHA ist hermitesch, d.h. verwende Bemerkung 1)
⇒V=(w1∣⋯∣wn)
∀i∈{1,...,r}definiere ui:=σi1Awi⇒ui sind orthonormal/unita¨r
Ergänze {u1,...,ur} zu einer Orthonormalbasis von Em mit Gram-Schmidt
⇒U=(u1∣...∣um)
Test: A=?UΣVH✓
Beispiel 3
Gegeben:
A=120011
Gesucht: U,Σ,V so dass A=UΣVH; Zusatzfrage: Beschreibe die vier Fundamentalräume gemäss Satz 11.1 (siehe Skript).