Übungsfragen, Quiz und Schritt-für-Schritt-Lektion zu Eigenvalues & Eigenspaces - verbessere deine Mathefähigkeiten mit gezielten Fragen und klaren Erklärungen.
Übungsquiz zu Eigenwerten & Eigenräumen mit interaktiver Schritt-für-Schritt-Lektion
Nutze das Quiz am Seitenanfang, um Eigenwerte und Eigenräume zu üben: Gleichungen der Form \(Av=\lambda v\) erkennen, daran denken, dass Eigenvektoren nicht null sind, Eigenräume als \(\ker(A-\lambda I)\) berechnen, \(\det(A-\lambda I)=0\) lösen, Diagonal- und Dreiecksmatrizen ablesen, Spur und Determinante nutzen, verstehen, wann \(0\) ein Eigenwert ist, verfolgen, wie Potenzen, Verschiebungen, Summen auf einem gemeinsamen Eigenvektor, skalare Vielfache und Inverse Eigenwerte verändern, und wissen, dass Eigenvektoren zu verschiedenen Eigenwerten linear unabhängig sind. Wenn du eine Auffrischung möchtest, öffne die Lektion mit leicht nachvollziehbaren Beispielen und kurzen Kontrollfragen.
So funktioniert diese Übung zu Eigenwerten und Eigenräumen
1. Bearbeite das Quiz: Beantworte die Fragen zu Eigenwerten, Eigenvektoren, Eigenräumen, Spur, Determinante und Matrix-Schnelltests am Seitenanfang.
2. Öffne die Lektion: Wiederhole Definitionen, charakteristische Gleichungen, Eigenraumberechnungen und Operationsregeln mit ausgearbeiteten Beispielen.
3. Erneut versuchen: Kehre zum Quiz zurück und übersetze jede Frage in \(Av=\lambda v\) oder \((A-\lambda I)v=0\).
Was du in der Lektion zu Eigenwerten & Eigenräumen lernst
Eigenwertgleichung
Eigenpaar: \(Av=\lambda v\) mit \(v≠0\)
Eigenraum: \(E_\lambda=\ker(A-\lambda I)\), einschließlich des Nullvektors
Der Nullvektor gehört zu jedem Eigenraum, ist aber nie ein Eigenvektor
Diagonal- und Dreiecksmatrizen haben ihre Eigenwerte auf der Diagonalen
Die Spur ist die Summe der Eigenwerte und die Determinante ist ihr Produkt, gezählt mit algebraischer Vielfachheit
Eigenräume finden
Löse für jeden Eigenwert \((A-\lambda I)v=0\)
Ein eindimensionaler Eigenraum ist eine Gerade aus Eigenvektoren zusammen mit \(0\)
Bei wiederholten Eigenwerten musst du die Dimension des Eigenraums prüfen; Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig
Struktur und Fallen
\(0\) ist genau dann ein Eigenwert, wenn \(A\) singulär ist
Wenn \(Av=\lambda v\), dann gilt \(A^kv=\lambda^k v\) und \((A-cI)v=(\lambda-c)v\); wenn außerdem \(Bv=\mu v\), dann gilt \((A+B)v=(\lambda+\mu)v\)
Manche reellen Matrizen, etwa eine Vierteldrehung, haben keine reellen Eigenwerte
Zurück zum Quiz
Wenn du bereit bist, kehre zum Quiz am Seitenanfang zurück und übe weiter Eigenwerte und Eigenräume.
Laden...
Fortgeschrittene lineare Algebra
Lektion zu Eigenwerten & Eigenräumen
1 / 8
Lektionsüberblick
Ziel: Lerne, Eigenwertfragen als eine einzige Gleichung zu sehen, \(Av=\lambda v\), und Eigenraumfragen als Kernberechnung, \((A-\lambda I)v=0\). Die Lektion verbindet Definitionen, charakteristische Gleichungen, Abkürzungen mit Spur und Determinante, Dreiecksmatrizen, Transformationen von Eigenwerten, Summen auf gemeinsamen Eigenvektoren, lineare Unabhängigkeit von Eigenvektoren zu verschiedenen Eigenwerten und häufige Fallen.
Erfolgskriterien
Erkenne Eigenpaare aus \(Av=\lambda v\) mit \(v≠0\).
Erkläre, warum der Nullvektor kein Eigenvektor ist.
Berechne \(E_\lambda=\ker(A-\lambda I)\) für kleine Matrizen.
Nutze \(\det(A-\lambda I)=0\), um Eigenwerte zu finden.
Lies Eigenwerte von Diagonal- und Dreiecksmatrizen von der Diagonalen ab.
Nutze Spur und Determinante als Summen- und Produktkontrollen.
Verfolge, wie Potenzen, Verschiebungen, skalare Vielfache, Inverse und Summen auf einem gemeinsamen Eigenvektor Eigenwerte verändern.
Erkenne, dass Eigenvektoren zu verschiedenen Eigenwerten linear unabhängig sind.
Vermeide falsche Umkehrschlüsse wie: Aus \(A^2v=9v\) müsse \(Av=3v\) folgen.
Wichtige Begriffe
Eigenwert: ein Skalar \(\lambda\), sodass \(Av=\lambda v\) für einen von null verschiedenen Vektor \(v\) gilt.
Eigenvektor: ein von null verschiedener Vektor, dessen Richtung durch \(A\) erhalten bleibt.
Eigenraum: \(E_\lambda=\ker(A-\lambda I)\), der Unterraum der Vektoren, die \(Av=\lambda v\) erfüllen.
Charakteristisches Polynom: \(\det(A-\lambda I)\), dessen Nullstellen die Eigenwerte sind.
Algebraische Vielfachheit: Vielfachheit einer Nullstelle des charakteristischen Polynoms.
Geometrische Vielfachheit: Dimension des Eigenraums.
Kurze Vorabprüfung
Vorabprüfung 1: Wenn \(Av=3v\) und \(v≠0\), welcher Eigenwert gehört zu \(v\)?
Hinweis: Vergleiche die Gleichung direkt mit \(Av=\lambda v\).
Vorabprüfung 2: Kann der Nullvektor ein Eigenvektor sein?
Hinweis: Die Definition eines Eigenvektors verlangt einen von null verschiedenen Vektor, obwohl \(0\) zu jedem Eigenraum gehört.
Eigenvektoren sind Richtungen, die nur skaliert werden
Lernziel: Übersetze zwischen \(Av=\lambda v\), \((A-\lambda I)v=0\) und dem Eigenraum \(E_\lambda\).
Kernidee
Wenn \(Av=\lambda v\) für einen von null verschiedenen Vektor \(v\) gilt, dann schickt \(A\) die Gerade durch \(v\) wieder auf sich selbst und skaliert mit \(\lambda\). Umstellen ergibt \[(A-\lambda I)v=0,\] also sind Eigenräume Kerne. Der Eigenraum enthält \(0\), aber seine von null verschiedenen Vektoren sind die Eigenvektoren zu \(\lambda\).
Woran du es erkennst
Prüfe zuerst, dass der Vektor nicht null ist.
Berechne \(Av\) und prüfe, ob es ein skalares Vielfaches von \(v\) ist.
Wenn der Skalar \(0\) ist, dann liegt \(v\) als von null verschiedener Vektor in \(\ker A\).
Für ein festes \(\lambda\) löse ein homogenes System: \((A-\lambda I)v=0\).
Ausgearbeitetes Beispiel
Beispiel: Entscheide für \(A=\begin{pmatrix}0&1\\1&0\end{pmatrix}\), ob \((1,-1)\) ein Eigenvektor ist.
Die Matrix vertauscht die Koordinaten, also ist \(A(1,-1)=(-1,1)=-(1,-1)\). Der Vektor ist nicht null und wird mit \(-1\) skaliert, also ist er ein Eigenvektor mit Eigenwert \(-1\).
Übe selbst
Aufgabe 1: Was ist der Eigenraum zu einem Eigenwert \(\lambda\)?
Hinweis: Bringe alle Terme in \(Av=\lambda v\) auf die linke Seite.
Aufgabe 2: Wenn \(Av=0\) mit \(v≠0\), was ist ein Eigenwert von \(A\)?
Hinweis: Das ist die Eigenwertgleichung mit dem Skalar \(0\).
Eigenwerte machen \(A-\lambda I\) singulär
Lernziel: Finde Eigenwerte aus \(\det(A-\lambda I)=0\) und erkenne einfache Spezialfälle.
Kernidee
Ein Skalar \(\lambda\) ist genau dann ein Eigenwert, wenn \((A-\lambda I)v=0\) eine nichttriviale Lösung hat. Das passiert genau dann, wenn \(A-\lambda I\) singulär ist: \[\det(A-\lambda I)=0.\] Manche Bücher verwenden \(\det(\lambda I-A)\); die Vorzeichenkonvention kann das Polynom um einen Faktor ändern, aber die Nullstellen bleiben gleich.
Woran du es erkennst
Bilde \(A-\lambda I\).
Berechne die Determinante.
Setze die Determinante gleich \(0\).
Faktorisiere oder löse nach den möglichen \(\lambda\)-Werten auf.
Nachdem du ein \(\lambda\) gefunden hast, löse \((A-\lambda I)v=0\), falls ein Eigenraum gefragt ist.
Ausgearbeitetes Beispiel
Beispiel: Finde die Eigenwerte von \(A=\begin{pmatrix}2&1\\0&5\end{pmatrix}\).
Die Matrix ist dreieckig, also ist die Determinante von \(A-\lambda I\) gleich \((2-\lambda)(5-\lambda)\). Die charakteristische Gleichung ist \((2-\lambda)(5-\lambda)=0\), also sind die Eigenwerte \(2\) und \(5\).
Übe selbst
Aufgabe 1: Die charakteristische Gleichung für Eigenwerte lautet:
Hinweis: Eigenwerte sorgen dafür, dass \(A-\lambda I\) einen nichttrivialen Kern hat.
Aufgabe 2: Was sind die Eigenwerte von \(\begin{pmatrix}2&0\\0&5\end{pmatrix}\)?
Hinweis: Bei einer Diagonalmatrix zerfällt die charakteristische Gleichung anhand der Diagonaleinträge.
Nutze schnelle Invarianten vor dem Rechnen
Lernziel: Nutze Diagonaleinträge, Spur und Determinante als schnelle Wege, um Eigenwerte zu erkennen oder zu kontrollieren.
Kernidee
Bei Diagonal- und Dreiecksmatrizen sind die Eigenwerte die Diagonaleinträge, gezählt mit Vielfachheit. Für jede quadratische Matrix über einem Körper, über dem das charakteristische Polynom zerfällt, ist die Spur die Summe der Eigenwerte und die Determinante ihr Produkt, jeweils gezählt mit algebraischer Vielfachheit.
Ausgearbeitetes Beispiel
Beispiel: Eine \(2\times2\)-Matrix hat die Eigenwerte \(2\) und \(\lambda\) sowie Spur \(5\). Finde \(\lambda\).
Die Spur ist die Summe der Eigenwerte, gezählt mit Vielfachheit. Also gilt \(2+\lambda=5\), somit \(\lambda=3\). Das liefert auch eine schnelle Plausibilitätskontrolle für jede Rechnung mit dem charakteristischen Polynom.
Übe selbst
Aufgabe 1: Wenn eine \(2\times2\)-Matrix Spur \(5\) und Eigenwerte \(2\) und \(\lambda\) hat, was ist \(\lambda\)?
Hinweis: Die Spur ist die Summe \(2+\lambda\).
Aufgabe 2: Wenn \(A\) die Eigenwerte \(-1\) und \(4\) hat, was ist \(\det(A)\)?
Hinweis: Die Determinante ist das Produkt der Eigenwerte.
Berechne für jeden Eigenwert den Kern
Lernziel: Berechne und deute Eigenräume als Unterräume, nicht nur als einzelne Vektoren.
Kernidee
Sobald \(\lambda\) bekannt ist, ist der Eigenraum die Lösungsmenge eines homogenen Systems: \[E_\lambda=\ker(A-\lambda I).\] Er ist ein Unterraum. Jeder von null verschiedene Vektor darin ist ein Eigenvektor zu \(\lambda\). Seine Dimension ist die geometrische Vielfachheit; sie ist für einen Eigenwert immer mindestens \(1\) und höchstens so groß wie die algebraische Vielfachheit. Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig.
Ausgearbeitetes Beispiel
Beispiel: Finde für \(A=\begin{pmatrix}0&1\\1&0\end{pmatrix}\) die Eigenräume zu \(1\) und \(-1\).
Für \(\lambda=1\) ergibt die Gleichung \(A(x,y)=(x,y)\), also \((y,x)=(x,y)\), somit \(x=y\), und \(E_1=\operatorname{span}\{(1,1)\}\). Für \(\lambda=-1\) gilt \((y,x)=(-x,-y)\), also \(y=-x\), und \(E_{-1}=\operatorname{span}\{(1,-1)\}\).
Übe selbst
Aufgabe 1: Für \(A=\begin{pmatrix}0&1\\1&0\end{pmatrix}\): Welcher Vektor ist ein Eigenvektor zum Eigenwert \(1\)?
Hinweis: Eigenwert \(1\) bedeutet, dass der Vektor beim Vertauschen der Koordinaten unverändert bleibt.
Aufgabe 2: Wenn ein Eigenraum Dimension \(2\) hat, enthält er:
Hinweis: Jeder von null verschiedene Vektor im Eigenraum ist ein Eigenvektor.
Potenzen, Verschiebungen, Skalierungen, Summen und Inverse
Lernziel: Verwende ein Eigenpaar wieder, um verwandte Matrizen wie \(A^2\), \(A-I\), \(cA\), die Summe \(A+B\) auf einem gemeinsamen Eigenvektor und \(A^{-1}\) zu verstehen.
Kernidee
Wenn \(Av=\lambda v\), bleibt derselbe Vektor \(v\) für viele Ausdrücke in \(A\) nützlich: \[A^kv=\lambda^k v,\qquad (A-cI)v=(\lambda-c)v,\qquad (cA)v=c\lambda v.\] Wenn außerdem \(Bv=\mu v\), dann gilt \((A+B)v=(\lambda+\mu)v\). Wenn \(A\) invertierbar ist, dann gilt \(\lambda≠0\) und \(A^{-1}v=\lambda^{-1}v\).
Ausgearbeitetes Beispiel
Beispiel: Wenn \(Av=2v\) und \(A\) invertierbar ist, was ist \(A^{-1}v\)?
Wende \(A^{-1}\) auf \(Av=2v\) an: \(v=2A^{-1}v\). Also ist \(A^{-1}v=\frac{1}{2}v\). Der Eigenwert von \(A^{-1}\) auf demselben Vektor ist \(1/2\).
Übe selbst
Aufgabe 1: Wenn \(Av=\lambda v\), was ist \(A^2v\)?
Hinweis: Wende \(A\) auf beide Seiten noch einmal an.
Aufgabe 2: Wenn \(A\) den Eigenwert \(\lambda\) hat, dann hat \(A-I\) den Eigenwert:
Hinweis: \((A-I)v=Av-v\).
Zusammenfassung
Bei Potenzen wird \(\lambda\) auf demselben Eigenvektor zu \(\lambda^k\).
Bei Verschiebungen \(A-cI\) wird aus \(\lambda\) der Wert \(\lambda-c\).
Bei skalaren Vielfachen \(cA\) wird aus \(\lambda\) der Wert \(c\lambda\).
Wenn \(Av=\lambda v\) und \(Bv=\mu v\), dann schickt \(A+B\) dasselbe \(v\) auf \((\lambda+\mu)v\).
Für invertierbares \(A\) sind die Eigenwerte der Inversen die Kehrwerte.
Null, nilpotente Abbildungen und reelle Drehungen
Lernziel: Erkenne häufige Spezialfälle, ohne zu stark zu verallgemeinern.
Kernidee
Der Eigenwert \(0\) bedeutet \(Av=0\) für einen von null verschiedenen Vektor, also hat \(A\) einen nichttrivialen Kern und ist nicht invertierbar. Wenn \(A\) nilpotent ist, also \(A^k=0\), dann muss jeder Eigenwert \(\lambda\) die Gleichung \(\lambda^k=0\) erfüllen, also \(\lambda=0\). Eine reelle Matrix kann auch gar keine reellen Eigenwerte haben: Die Drehmatrix \(\begin{pmatrix}0&-1\\1&0\end{pmatrix}\) hat das charakteristische Polynom \(\lambda^2+1\).
Ausgearbeitetes Beispiel
Beispiel: Warum ist \(0\) genau dann ein Eigenwert, wenn \(A\) nicht invertierbar ist?
\(0\) ist ein Eigenwert, wenn \(Av=0v=0\) für einen von null verschiedenen Vektor \(v\) gilt. Das sagt genau, dass \(\ker A\) einen von null verschiedenen Vektor enthält, also ist die Matrix singulär und kann nicht invertierbar sein.
Übe selbst
Aufgabe 1: Gibt es für \(A=\begin{pmatrix}0&-1\\1&0\end{pmatrix}\) reelle Eigenwerte?
Hinweis: Das charakteristische Polynom ist \(\lambda^2+1\), und es hat keine reelle Nullstelle.
Aufgabe 2: Wenn \(A\) nilpotent ist, was ist der einzig mögliche Eigenwert?
Hinweis: Wenn \(A^k=0\), dann gilt \(A^kv=\lambda^k v\) für einen Eigenvektor.
Halte Eigenvektoren, Eigenräume und Implikationen auseinander
Lernziel: Vermeide häufige falsche Schlüsse und schließe mit einer kurzen Abschlusskontrolle ab.
Häufige Fallen
Der Nullvektor ist kein Eigenvektor: Die Definition schließt ihn ausdrücklich aus.
Ein Eigenraum enthält \(0\): Er ist ein Kern und deshalb ein Unterraum.
Aus \(A^2v=9v\) folgt nicht zwingend \(Av=3v\): Auch \(Av=-3v\) funktioniert.
Ein wiederholter Eigenwert bestimmt nicht die Dimension des Eigenraums: Löse \((A-\lambda I)v=0\).
Spur und Determinante sind nur Kontrollgrößen, keine vollständigen Eigenraumdaten: Sie verraten dir keine Eigenvektoren.
Verschiedene Eigenwerte liefern Unabhängigkeit: Von null verschiedene Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig.
Reell versus komplex spielt eine Rolle: Manche reellen Matrizen haben komplexe Eigenwerte, aber keine reellen Eigenvektoren.
Ausgearbeitetes Beispiel
Beispiel: Erzwingt \(A^2v=9v\), dass \(Av=3v\) gilt?
Nein. Wenn \(Av=-3v\), dann ist \(A^2v=A(-3v)=-3Av=9v\). Durch Quadrieren geht das Vorzeichen verloren, also ist der Schluss \(Av=3v\) nicht erzwungen.
Übe selbst
Aufgabe 1: Wenn \(A\) den Eigenwert \(0\) hat, was kann man über \(A\) sagen?
Hinweis: \(0\) als Eigenwert bedeutet, dass ein von null verschiedener Vektor auf \(0\) abgebildet wird.
Aufgabe 2: Wenn \(A^2v=9v\), erzwingt das \(Av=3v\)?
Hinweis: Denke an einen Vektor mit Eigenwert \(-3\).
Abschließende Wiederholung
Eigenvektoren sind von null verschiedene Vektoren mit \(Av=\lambda v\).
Eigenräume sind Kerne: \(E_\lambda=\ker(A-\lambda I)\).
Eigenwerte lösen \(\det(A-\lambda I)=0\).
Diagonal- und Dreiecksmatrizen zeigen Eigenwerte auf der Diagonalen.
Die Spur ist die Summe der Eigenwerte und die Determinante ihr Produkt, gezählt mit algebraischer Vielfachheit.
\(0\) ist genau dann ein Eigenwert, wenn \(A\) singulär ist.
Potenzen, Verschiebungen, skalare Vielfache, Summen auf einem gemeinsamen Eigenvektor und Inverse transformieren Eigenwerte auf vorhersagbare Weise.
Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig.
Als Nächstes: Schließe diese Lektion und versuche das Quiz erneut. Entscheide bei jeder Frage zuerst, ob nach einem Eigenwert, einem Eigenvektor, einem Eigenraum oder einer strukturellen Konsequenz wie Invertierbarkeit gefragt ist.
Serie 5+
Serie 10+
Serie 15+
Serie 20+
Serie 25+