Übungsquiz zum Spektralsatz mit interaktiver Schritt-für-Schritt-Lektion
Nutze das Quiz weiter unten auf der Seite, um den Spektralsatz zu üben: reelle symmetrische und komplexe hermitesche Matrizen erkennen, beweisen, dass Eigenwerte reell sind, Orthogonalität von Eigenräumen nutzen, \(A=QDQ^T\) oder \(A=UDU^*\) aufbauen, \(\operatorname{tr}A\), \(\det A\), Rang und Potenzen aus Eigenwerten ablesen, \(A=\sum_i\lambda_i q_iq_i^T\) entwickeln, quadratische Formen nach Eigenwertvorzeichen klassifizieren und Projektionsmatrizen mit Eigenwerten \(0\) und \(1\) erkennen. In der Lektion findest du gezielte ausgearbeitete Beispiele und kurze Kontrollfragen.
Beantworte die Fragensammlung und prüfe deine Fehler am Ende.
So funktioniert diese Übung zum Spektralsatz
1. Bearbeite das Übungsset: Beantworte Fragen zu symmetrischen Matrizen, hermiteschen Matrizen, orthogonaler Diagonalisierung, Spektralzerlegungen, Spur, Determinante, Rang, Potenzen, Rayleigh-Quotienten und Definitheit.
2. Öffne die Lektion: Wiederhole den Satz, Erkennungstests, ausgearbeitete Beispiele und kurze Kontrollfragen mit genau einer richtigen Antwort.
3. Erneut versuchen: Kehre zum Fragenset zurück und entscheide zuerst, ob die Aufgabe nach Symmetrie, Eigenvektoren, Diagonalform, Spektraldaten oder einer quadratischen Form fragt.
Was du in der Lektion zum Spektralsatz lernst
Selbstadjungierte Matrizen
Reeller Fall: \(A^T=A\) ist das Erkennungsmerkmal für den reellen Spektralsatz
Komplexer Fall: \(A^*=A\) ist hermitesch und hat reelle Eigenwerte
Eigenräume zu verschiedenen Eigenwerten sind orthogonal
Orthogonale Diagonalisierung
Reelle symmetrische Matrizen erlauben \(A=QDQ^T\) mit \(Q^TQ=I\)
Die Spalten von \(Q\) bilden eine orthonormale Eigenbasis
Wiederholte Eigenwerte erlauben trotzdem orthonormale Basen innerhalb ihrer Eigenräume
Spektralzerlegung
Schreibe \(A=\sum_i\lambda_i q_iq_i^T\) mit orthogonalen Rang-1-Projektionen
Potenzen und Funktionen wirken auf Eigenwerte: \(f(A)=Qf(D)Q^T\)
Spur, Determinante, Rang und Invertierbarkeit liest du aus den Eigenwerten ab
Quadratische Formen und Projektionen
Nutze \(x^TAx=\sum_i\lambda_i y_i^2\) nach einem orthonormalen Koordinatenwechsel
Positiv definit bedeutet, dass alle Eigenwerte positiv sind
Symmetrische Projektionen haben nur die Eigenwerte \(0\) und \(1\)
Der Spektralsatz verwandelt Symmetrie in Geometrie
Ziel: Entwickle einen zuverlässigen Ablauf für Aufgaben zum Spektralsatz: selbstadjungierte Matrizen erkennen, reelle Eigenwerte und orthogonale Eigenräume nutzen, \(A=QDQ^T\) oder \(A=UDU^*\) bilden, \(A=\sum_i\lambda_i q_iq_i^T\) deuten und quadratische Formen anhand der Eigenwertvorzeichen klassifizieren.
Erfolgskriterien
Erkenne reelle symmetrische Matrizen an \(A^T=A\) und hermitesche Matrizen an \(A^*=A\).
Formuliere, dass selbstadjungierte Matrizen reelle Eigenwerte haben.
Nutze die Orthogonalität von Eigenräumen zu verschiedenen Eigenwerten.
Baue eine orthonormale Eigenbasis auf, auch innerhalb wiederholter Eigenräume.
Lies \(Q^{-1}=Q^T\) in \(A=QDQ^T\) und \(U^{-1}=U^*\) in \(A=UDU^*\).
Nutze die Spektralzerlegung \(A=\sum_i\lambda_i q_iq_i^T\).
Berechne Spur, Determinante, Rang, Potenzen und Invertierbarkeit aus Eigenwerten.
Klassifiziere die Definitheit von \(x^TAx\) aus den Vorzeichen der Eigenwerte.
Wichtige Begriffe
Selbstadjungiert: gleich der adjungierten Matrix; \(A^T=A\) über \(\mathbb{R}\), \(A^*=A\) über \(\mathbb{C}\).
Orthogonale Matrix: \(Q^TQ=I\), also \(Q^{-1}=Q^T\).
Unitäre Matrix: \(U^*U=I\), also \(U^{-1}=U^*\).
Orthonormale Eigenbasis: eine Basis aus normierten Eigenvektoren, die paarweise orthogonal sind.
Spektrale Projektion: \(q_iq_i^T\), die Rang-1-Projektion auf die von \(q_i\) aufgespannte Eigenlinie.
Rayleigh-Quotient: \(\dfrac{x^TAx}{x^Tx}\), für symmetrisches \(A\) durch den kleinsten und größten Eigenwert beschränkt.
Schnelle Vorabkontrolle
Vorabkontrolle: Auf welche Matrizen lässt sich der reelle Spektralsatz am direktesten anwenden?
Hinweis: Im reellen Fall muss die Matrix mit ihrer Transponierten übereinstimmen.
Symmetrische und hermitesche Matrizen haben reelle Spektraldaten
Lernziel: Wisse, wann der Spektralsatz verfügbar ist und was er garantiert, bevor du irgendetwas ausrechnest.
Kernidee
In einem reellen Innenproduktraum ist die zentrale Bedingung \(A^T=A\). In einem komplexen Innenproduktraum lautet die passende Bedingung \(A^*=A\), wobei \(A^*\) die konjugiert transponierte Matrix ist. Diese selbstadjungierten Bedingungen erzwingen reelle Eigenwerte und lassen den Operator wie eine Streckung entlang senkrechter Richtungen wirken.
Erkennungscheckliste
Prüfe zuerst, dass die Matrix quadratisch ist.
Reeller Fall: Vergleiche Einträge über die Diagonale hinweg, also \(a_{ij}=a_{ji}\).
Komplexer Fall: Vergleiche \(a_{ij}\) mit \(\overline{a_{ji}}\).
Wenn die Bedingung erfüllt ist, suche nach einer orthonormalen Eigenbasis statt nach einer allgemeinen Basiswechselmatrix.
Ausgearbeitetes Beispiel
Beispiel: Sei \(A=\operatorname{diag}(2,5)\). Warum ist der Spektralsatz sofort anwendbar?
Die Matrix ist reell symmetrisch, weil sie ihrer Transponierten entspricht. Die Standardbasisvektoren \(e_1,e_2\) sind bereits orthonormale Eigenvektoren mit Eigenwerten \(2\) und \(5\). Also gilt \(A=QDQ^T\) mit \(Q=I\) und \(D=\operatorname{diag}(2,5)\).
Übe selbst
Aufgabe: Welche Matrix ist symmetrisch?
Hinweis: Eine reelle symmetrische Matrix hat übereinstimmende Einträge oberhalb und unterhalb der Diagonale.
Verschiedene Eigenwerte liefern senkrechte Eigenräume
Lernziel: Nutze die Beweisidee, dass Symmetrie \(A\) über ein Skalarprodukt hinweg verschiebt.
Kernidee
Wenn \(Au=\lambda u\) und \(Av=\mu v\), dann liefert Symmetrie \(\langle Au,v\rangle=\langle u,Av\rangle\). Daher gilt \(\lambda\langle u,v\rangle=\mu\langle u,v\rangle\). Wenn \(\lambda≠\mu\), erzwingt das \(\langle u,v\rangle=0\).
Wiederholte Eigenwerte
Verschiedene Eigenräume sind automatisch orthogonal.
Innerhalb eines Eigenraums zu einem wiederholten Eigenwert sind Vektoren nicht automatisch orthogonal.
Nutze Gram-Schmidt innerhalb eines wiederholten Eigenraums, um eine orthonormale Basis zu wählen.
Wenn du diese Basen über alle Eigenräume kombinierst, erhältst du die vom Satz versprochene orthonormale Eigenbasis.
Ausgearbeitetes Beispiel
Beispiel: Die Matrix \(A=\begin{pmatrix}0&1\\1&0\end{pmatrix}\) hat Eigenvektoren \((1,1)\) und \((1,-1)\). Was passiert nach der Normierung?
Die Eigenwerte sind \(1\) und \(-1\). Die Eigenvektoren haben Skalarprodukt \(1-1=0\), also sind sie orthogonal. Nach Skalierung mit \(1/\sqrt2\) werden sie zu orthonormalen Spalten einer Matrix \(Q\).
Übe selbst
Aufgabe: Was gilt für Eigenvektoren einer reellen symmetrischen Matrix, die zu verschiedenen Eigenwerten gehören?
Hinweis: Nutze \(\langle Au,v\rangle=\langle u,Av\rangle\) und subtrahiere die beiden skalaren Vielfachen.
Setze Eigenvektoren in \(Q\) und Eigenwerte in \(D\)
Lernziel: Übersetze eine orthonormale Eigenbasis in die Diagonalform, die du für Rechnungen nutzt.
Kernidee
Wähle für eine reelle symmetrische Matrix orthonormale Eigenvektoren \(q_1,\dots,q_n\). Sei \(Q\) die Matrix mit diesen Vektoren als Spalten und \(D=\operatorname{diag}(\lambda_1,\dots,\lambda_n)\). Dann gilt \(AQ=QD\), also \(A=QDQ^T\). Im komplex hermiteschen Fall lautet die Form \(A=UDU^*\).
Formelhinweise
Die Diagonaleinträge von \(D\) sind Eigenwerte, mit Vielfachheit wiederholt.
Die Spalten von \(Q\) sind die passenden normierten Eigenvektoren.
Orthogonal bedeutet \(Q^TQ=I\), also \(Q^{-1}=Q^T\).
Die Reihenfolge der Eigenvektoren kann die Reihenfolge der Diagonaleinträge ändern, aber nicht den Operator.
Ausgearbeitetes Beispiel
Beispiel: Diagonalisiere \(A=\begin{pmatrix}0&1\\1&0\end{pmatrix}\) vom Prinzip her.
Nutze \(q_1=(1,1)/\sqrt2\) mit Eigenwert \(1\) und \(q_2=(1,-1)/\sqrt2\) mit Eigenwert \(-1\). Dann ist \(Q=[q_1\ q_2]\) orthogonal und \(D=\operatorname{diag}(1,-1)\), also \(A=QDQ^T\).
Übe selbst
Aufgabe: Wenn \(Q\) orthogonal ist, was ist \(Q^{-1}\)?
Hinweis: Orthogonale Spalten erfüllen \(Q^TQ=I\).
Eine symmetrische Matrix ist eine gewichtete Summe orthogonaler Projektionen
Lernziel: Lies Wirkungen, Potenzen, Rang, Spur und Determinante direkt aus Eigenwerten ab.
Kernidee
Aus \(A=QDQ^T\) mit Spalten \(q_i\) erhältst du durch Ausmultiplizieren \[A=\sum_i \lambda_i q_iq_i^T.\] Jedes \(q_iq_i^T\) projiziert auf eine Eigenlinie, und \(\lambda_i\) sagt, wie stark \(A\) diese Richtung streckt.
Spektraldaten
\(\operatorname{tr}A=\sum_i\lambda_i\).
\(\det A=\prod_i\lambda_i\).
\(\operatorname{rank}A\) ist die Anzahl der von null verschiedenen Eigenwerte.
\(A^k=QD^kQ^T\), also sind die Eigenwerte von \(A^k\) gleich \(\lambda_i^k\).
Wenn alle \(\lambda_i≠0\), dann gilt \(A^{-1}=QD^{-1}Q^T\).
Ausgearbeitetes Beispiel
Beispiel: Eine reelle symmetrische Matrix hat die Eigenwerte \(0,0,5\). Was sind ihr Rang, ihre Determinante und ihr Invertierbarkeitsstatus?
Nur ein Eigenwert ist von null verschieden, also ist der Rang \(1\). Die Determinante ist das Produkt \(0\cdot0\cdot5=0\), daher ist die Matrix singulär und nicht invertierbar.
Übe selbst
Aufgabe: Wenn \(A\) symmetrisch ist und die Eigenwerte \(2\) und \(3\) hat, was sind die Eigenwerte von \(A^2\)?
Hinweis: Potenzen wirken auf Eigenwerte mit derselben Potenz.
Eigenwertvorzeichen klassifizieren \(x^TAx\)
Lernziel: Bringe eine quadratische Form durch den Wechsel zu einer orthonormalen Eigenbasis in Diagonalform.
Kernidee
Wenn \(A=QDQ^T\) und \(y=Q^Tx\), dann gilt \[x^TAx=y^TDy=\sum_i\lambda_i y_i^2.\] Weil \(Q\) Längen erhält, bestimmen die Vorzeichen der Eigenwerte, ob die quadratische Form positiv, negativ, semidefinit oder indefinit ist.
Definitheitstests
Alle Eigenwerte positiv: positiv definit.
Alle Eigenwerte nichtnegativ und mindestens einer null: positiv semidefinit, aber nicht definit.
Alle Eigenwerte negativ: negativ definit.
Alle Eigenwerte nichtpositiv und mindestens einer null: negativ semidefinit, aber nicht definit.
Mindestens ein positiver und mindestens ein negativer Eigenwert: indefinit.
Ausgearbeitetes Beispiel
Beispiel: Eine reelle symmetrische Matrix hat die Eigenwerte \(0,4\). Wie sollte ihre quadratische Form klassifiziert werden?
Beide Eigenwerte sind nichtnegativ, und ein Eigenwert ist null. Daher gilt \(x^TAx\ge0\) für jedes \(x\), aber der Ausdruck ist nicht für jeden von null verschiedenen Vektor \(x\) positiv. Die Form ist positiv semidefinit, nicht positiv definit.
Übe selbst
Aufgabe: Eine reelle symmetrische Matrix hat die Eigenwerte \(-1\) und \(3\). Wie wird ihre quadratische Form klassifiziert?
Hinweis: Ein Eigenwert liefert eine negative Richtung und der andere eine positive Richtung.
Projektionen und Rayleigh-Quotienten sind spektrale Beispiele
Lernziel: Verbinde den Satz mit häufigen Operatoren, die in Aufgaben zur linearen Algebra auftauchen.
Kernidee
Eine symmetrische Projektion \(P\) erfüllt \(P^2=P\) und \(P^T=P\). Wenn \(Pv=\lambda v\), dann liefert \(P^2v=Pv\) die Gleichung \(\lambda^2=\lambda\), also ist \(\lambda\) gleich \(0\) oder \(1\). Der Spektralsatz sagt, dass sich der Raum orthogonal in Bild und Kern der Projektion aufspaltet.
Operatoransicht
Symmetrische Projektionen haben Diagonalform mit nur \(0\) und \(1\) auf der Diagonale.
Die Spur einer symmetrischen Projektion ist gleich ihrem Rang.
Der Rayleigh-Quotient von symmetrischem \(A\) liegt zwischen dem kleinsten und dem größten Eigenwert.
Die Operatornorm von symmetrischem \(A\) ist \(\max_i|\lambda_i|\).
Ausgearbeitetes Beispiel
Beispiel: Wie sieht das spektrale Bild der Projektion auf eine Gerade in \(\mathbb{R}^2\) aus, und warum erfüllt ein normierter Eigenvektor \(q\) mit \(Aq=4q\) die Gleichung \(q^TAq=4\)?
Die Geradenrichtung ist eine Eigenlinie mit Eigenwert \(1\), weil Vektoren auf der Geraden unverändert bleiben. Die senkrechte Richtung ist eine Eigenlinie mit Eigenwert \(0\), weil sie auf null geschickt wird. In einer an die Gerade angepassten orthonormalen Basis ist die Projektionsmatrix \(\operatorname{diag}(1,0)\). Für den Rayleigh-Quotienten gilt \(q^TAq=q^T(4q)=4q^Tq=4\), weil \(\|q\|=1\).
Übe selbst
Aufgabe: Mit welchen möglichen Diagonaleinträgen ist eine symmetrische Projektionsmatrix orthogonal diagonalisierbar?
Hinweis: Wende \(P^2=P\) auf einen Eigenvektor an.
Die meisten Fehler ignorieren die Voraussetzungen oder die Basis
Lernziel: Schließe mit einer kompakten Kontrollliste für häufige Fehler beim Spektralsatz ab.
Häufige Fallen
Diagonalisierbar reicht nicht: Der Satz braucht selbstadjungierte Struktur für eine orthonormale Eigenbasis.
Symmetrisch vs. schiefsymmetrisch: \(A^T=A\), nicht \(A^T=-A\).
Wiederholte Eigenwerte: Du musst eventuell innerhalb eines Eigenraums orthonormalisieren.
Passende Reihenfolge: Jeder Diagonaleintrag in \(D\) muss zur entsprechenden Spalte von \(Q\) passen.
Definitheit: Nullen liefern semidefinit, nicht definit.
Projektionsmatrizen: \(P^2=P\) liefert eine Projektion; \(P^T=P\) liefert im euklidischen Raum eine orthogonale Projektion.
Ausgearbeitetes Beispiel
Beispiel: Wenn \(A=5I\) in \(\mathbb{R}^3\), wie viele Eigenvektoren stehen zur Verfügung?
Jeder von null verschiedene Vektor ist ein Eigenvektor mit Eigenwert \(5\). Der wiederholte Eigenraum ist ganz \(\mathbb{R}^3\), also kannst du jede orthonormale Basis wählen. Das erinnert daran, dass wiederholte Eigenwerte den Spektralsatz nicht verhindern.
Übe selbst
Aufgabe: Was gilt für die Eigenwerte einer hermiteschen Matrix?
Hinweis: Hermitesche Matrizen sind das komplexe selbstadjungierte Analogon reeller symmetrischer Matrizen.
Selbstadjungierte Matrizen haben reelle Eigenwerte.
Verschiedene Eigenräume sind orthogonal.
Für wiederholte Eigenräume kannst du orthonormale Basen wählen.
Reelle symmetrische Matrizen erfüllen \(A=QDQ^T\) mit orthogonalem \(Q\).
Die Spektralzerlegung ist \(A=\sum_i\lambda_i q_iq_i^T\).
Spur, Determinante, Rang, Potenzen und Invertierbarkeit liest du aus Eigenwerten ab.
Für einen normierten Eigenvektor \(q\) liefert der Rayleigh-Quotient \(q^TAq=\lambda\).
Die Definitheit quadratischer Formen wird durch Eigenwertvorzeichen gesteuert.
Symmetrische Projektionen haben nur die Eigenwerte \(0\) und \(1\).
Nächster Schritt: Schließe diese Lektion und versuche das Quiz erneut. Prüfe bei jeder Aufgabe zuerst den Matrixtyp und entscheide dann, ob es um die Realität von Eigenwerten, Orthogonalität, Diagonalform, Spektralzerlegung, Spur, Determinante, Rang, einen Rayleigh-Quotienten oder Vorzeichen einer quadratischen Form geht.
Übungsset
Übungsfragen zu Spectral Theorem mit sofortiger Punktzahl
Beantworte alle 10 Fragen unten und erhalte danach deine Punktzahl sowie eine Fehlerübersicht, damit du genau weißt, was du verbessern kannst.
0/10beantwortet
Frage 1Nicht beantwortet
Auf welche Matrizen ist der reelle Spektralsatz am direktesten anwendbar?
Richtige Antwort: A. Reelle symmetrische Matrizen
Erklärung: Reelle symmetrische Matrizen besitzen eine Orthonormalbasis aus Eigenvektoren.
Frage 2Nicht beantwortet
Was kann man über die Eigenwerte einer reellen symmetrischen Matrix sagen?
Richtige Antwort: D. Sie sind reell
Erklärung: Reelle symmetrische Matrizen haben reelle Eigenwerte.
Frage 3Nicht beantwortet
Eigenvektoren einer symmetrischen Matrix zu verschiedenen Eigenwerten sind:
Richtige Antwort: B. Orthogonal
Erklärung: Symmetrie erzwingt, dass Eigenräume zu verschiedenen Eigenwerten orthogonal sind.
Frage 4Nicht beantwortet
Eine reelle symmetrische Matrix ist diagonalisierbar durch:
Richtige Antwort: A. Eine orthogonale Matrix
Erklärung: Der Spektralsatz liefert eine orthogonale Diagonalisierung.
Frage 5Nicht beantwortet
Wenn \(A=QDQ^T\) mit orthogonalem \(Q\), was ist \(Q^{-1}\)?
Richtige Antwort: B. \(Q^T\)
Erklärung: Für eine orthogonale Matrix ist die Inverse die Transponierte.
Frage 6Nicht beantwortet
Wenn eine symmetrische Matrix die Eigenwerte \(1\) und \(3\) hat, was sind die Diagonaleinträge ihrer Spektralnormalform?
Richtige Antwort: B. \(1\) und \(3\)
Erklärung: Die Diagonalform listet die Eigenwerte auf.
Frage 7Nicht beantwortet
Welche Matrix ist symmetrisch?
Richtige Antwort: D. \(\begin{pmatrix}1&2\\2&3\end{pmatrix}\)
Erklärung: Eine symmetrische Matrix ist gleich ihrer Transponierten.
Frage 8Nicht beantwortet
Wenn eine symmetrische Matrix einen mehrfachen Eigenwert hat, liefert der Spektralsatz trotzdem:
Richtige Antwort: C. Eine Orthonormalbasis aus Eigenvektoren
Erklärung: Auch Eigenräume zu mehrfachen Eigenwerten können eine Orthonormalbasis erhalten.
Frage 9Nicht beantwortet
Was ist die geometrische Bedeutung orthogonaler Diagonalisierung?
Richtige Antwort: D. Es gibt eine Orthonormalbasis aus Eigenvektoren
Erklärung: Die Transformation ist in einer Orthonormalbasis diagonal.
Frage 10Nicht beantwortet
Ist Diagonalisierbarkeit für eine reelle symmetrische Matrix garantiert?
Richtige Antwort: B. Ja
Erklärung: Ja. Das ist eine der Hauptaussagen des Spektralsatzes.
