lineare AlgebraAlgebraRechnerAnleitung

Eigenwert- und Eigenvektor-Rechner: Schritt-für-Schritt-Anleitung

September 15, 2026·13 min read·Solvify Team

Ein Eigenwert- und Eigenvektor-Rechner findet die Skalare λ und die von Null verschiedenen Vektoren v, die Av = λv für eine quadratische Matrix A erfüllen, indem er die charakteristische Gleichung det(A - λI) = 0 verwendet, um Eigenwerte zu berechnen und dann rückwärts einzusetzen, um jeden Eigenvektor zu finden. Eigenwerte und Eigenvektoren zeigen, wie eine lineare Transformation den Raum entlang bestimmter Richtungen streckt, staucht oder spiegelt, und sie sind die Grundlage von Techniken von der Hauptkomponentenanalyse über die Schwingungsanalyse von Strukturen bis hin zu Googles PageRank-Algorithmus. Diese Anleitung führt Sie die ganze Methode Schritt für Schritt mit echten Rechnungen durch und behandelt sowohl eine allgemeine 2×2-Matrix als auch den Diagonal-/Dreiecksverkürzer, dann bearbeitet sie Übungsaufgaben mit vollständigen Lösungen.

Inhalt

01Was sind Eigenwerte und Eigenvektoren?
02Wie findet ein Eigenwert- und Eigenvektor-Rechner diese Schritt für Schritt?
03Ausgearbeitetes Beispiel: Eigenwerte und Eigenvektoren einer 2×2-Matrix finden
04Wie finden Sie Eigenwerte einer Diagonal- oder Dreiecksmatrix?
05Was bedeuten Eigenwerte und Eigenvektoren geometrisch?
06Wo tauchen Eigenwerte und Eigenvektoren in echten Anwendungen auf?
07Häufige Fehler beim Berechnen von Eigenwerten und Eigenvektoren
08Übungsaufgaben: Testen Sie Ihr Verständnis von Eigenwerten und Eigenvektoren
09Warum einen Eigenwert- und Eigenvektor-Rechner für Schritt-für-Schritt-Übungen verwenden?

Was sind Eigenwerte und Eigenvektoren?

Ein Eigenwert- und Eigenvektor-Rechner baut auf einer Kerngleichung auf: Für eine quadratische n×n-Matrix A ist ein von Null verschiedener Vektor v ein Eigenvektor genannt, wenn die Multiplikation von A mit v einen Vektor ergibt, der in die gleiche Richtung wie v zeigt, nur um eine Konstante skaliert. Diese Konstante, geschrieben als λ (Lambda), ist der Eigenwert. In Gleichungsform: Av = λv, wobei v ≠ 0. Umformen ergibt (A - λI)v = 0, wobei I die Einheitsmatrix derselben Größe wie A ist. Dies ist ein homogenes lineares System, und es hat nur dann eine von Null verschiedene Lösung v, wenn die Matrix (A - λI) singulär ist – das heißt, ihre Determinante ist Null. Diese einzige Anforderung, det(A - λI) = 0, wird die charakteristische Gleichung genannt und ist der erste Schritt, um jeden Eigenwert von A zu finden. Wenn eine Matrix A n linear unabhängige Eigenvektoren hat, können diese Eigenvektoren als Spalten einer Matrix P zusammengefasst werden, und A kann als A = PDP⁻¹ umgeschrieben werden, wobei D die Diagonalmatrix mit den entsprechenden Eigenwerten ist. Dieser Prozess wird Diagonalisierung genannt und ist der Hauptgrund, warum Eigenwerte und Eigenvektoren zusammen statt einzeln untersucht werden – eine Eigenwertzerlegung von A ist nur möglich, wenn Sie beide Teile haben.

Av = λv: Ein Eigenvektor v behält seine Richtung unter der Transformation A – er wird nur durch den Skalar-Eigenwert λ gestreckt, gestaucht oder gespiegelt.

Wie findet ein Eigenwert- und Eigenvektor-Rechner diese Schritt für Schritt?

Ein Eigenwert- und Eigenvektor-Rechner folgt immer dem gleichen vierstufigen Prozess, ob die Matrix 2×2 oder 6×6 ist. Das Einzige, das sich mit der Größe ändert, ist die Menge der Arithmetik, die jede Stufe erfordert. Nicht jede Matrix verhält sich so sauber. Ein wiederholter Eigenwert kann mit entweder einem vollständigen Satz unabhängiger Eigenvektoren oder weniger als erwartet kommen – eine Situation, die defekte Matrix genannt wird – und eine nicht-symmetrische reelle Matrix kann ein Paar komplexer konjugierter Eigenwerte mit komplexen Eigenvektoren produzieren. Ein Eigenwert- und Eigenvektor-Rechner handhabt alle drei Fälle mit der gleichen charakteristischen Gleichungsmethode; nur die Interpretation des Ergebnisses ändert sich, sobald Sie Schritt 2 erreichen.

1. Schritt 1 – Charakteristische Gleichung aufbauen

Subtrahieren Sie λ von jedem Diagonaleintrag von A, um (A - λI) zu bilden, dann setzen Sie seine Determinante gleich Null: det(A - λI) = 0. Das Ausmultiplizieren dieser Determinante ergibt ein Polynom in λ, das als charakteristisches Polynom bezeichnet wird.

2. Schritt 2 – Charakteristisches Polynom nach λ auflösen

Faktorisieren Sie oder verwenden Sie die quadratische Formel (für 2×2-Matrizen) oder Polynom-Faktorisierungstechniken (für größere Matrizen), um jede Wurzel zu finden. Jede Wurzel ist ein Eigenwert von A; eine n×n-Matrix hat genau n Eigenwerte, gezählt mit Vielfachheit, möglicherweise einschließlich Wiederholungen oder komplexer Zahlen.

3. Schritt 3 – Jeden Eigenwert rückwärts einsetzen, um seinen Eigenvektor zu finden

Für jeden Eigenwert λ setzen Sie ihn in (A - λI)v = 0 ein und lösen das resultierende lineare System für v. Da det(A - λI) = 0 konstruktionsgemäß ist, hat dieses System immer unendlich viele Lösungen – wählen Sie den einfachsten von Null verschiedenen Vektor, der es erfüllt.

4. Schritt 4 – Mit Av = λv verifizieren

Multiplizieren Sie die ursprüngliche Matrix A mit dem Eigenvektor v, den Sie gefunden haben, und bestätigen Sie, dass das Ergebnis gleich λ mal v ist. Diese Überprüfung fängt arithmetische Fehler ab, bevor sie sich in eine falsche endgültige Antwort fortpflanzen.

5. Schritt 5 – Größere Matrizen mit Cofaktor-Erweiterung handhaben

Für 3×3 und größere Matrizen wird det(A - λI) mittels Cofaktor-(Minor-)Erweiterung entlang einer Reihe oder Spalte erweitert, was die Determinante in eine Summe von vorzeichenbehafteten kleineren Determinanten verwandelt, von denen jede λ enthält. Das Ergebnis ist ein Polynom vom Grad n in λ. Wenn kein Diagonal- oder Dreiecksverkürzer zutrifft, suchen Sie zuerst nach rationalen Wurzeln anhand des konstanten Terms des erweiterten Polynoms, dann faktorisieren Sie jede Wurzel, die Sie finden, heraus, bevor Sie alles lösen, was als quadratischer oder linearer Faktor übrig bleibt.

6. Schritt 5 – Größere Matrizen mit Cofaktor-Erweiterung handhaben

Jedes Eigenwertproblem reduziert sich auf zwei Schritte: Lösen Sie det(A - λI) = 0 für λ, dann lösen Sie (A - λI)v = 0 für v.

Ausgearbeitetes Beispiel: Eigenwerte und Eigenvektoren einer 2×2-Matrix finden

Betrachten Sie A = [[4, 1], [2, 3]]. Dies ist eine Standard-2×2-Matrix mit zwei verschiedenen reellen Eigenwerten, was sie zu einem sauberen ersten Beispiel der vollständigen Methode macht.

1. Schritt 1 – Charakteristische Gleichung aufstellen und ausmultiplizieren

(A - λI) = [[4-λ, 1], [2, 3-λ]] det(A - λI) = (4-λ)(3-λ) - (1)(2) = λ² - 7λ + 12 - 2 = λ² - 7λ + 10

2. Schritt 2 – Faktorisieren und nach Eigenwerten auflösen

λ² - 7λ + 10 = (λ - 5)(λ - 2) = 0, also λ₁ = 5 und λ₂ = 2.

3. Schritt 3 – Eigenvektor für λ₁ = 5 finden

(A - 5I) = [[-1, 1], [2, -2]] Zeile 1 ergibt -x + y = 0, also y = x. Mit x = 1 erhalten wir Eigenvektor v₁ = (1, 1).

4. Schritt 4 – Eigenvektor für λ₂ = 2 finden

(A - 2I) = [[2, 1], [2, 1]] Zeile 1 ergibt 2x + y = 0, also y = -2x. Mit x = 1 erhalten wir Eigenvektor v₂ = (1, -2).

5. Schritt 5 – Beide Ergebnisse überprüfen

Av₁ = [4(1)+1(1), 2(1)+3(1)] = [5, 5] = 5(1, 1) ✓ Av₂ = [4(1)+1(-2), 2(1)+3(-2)] = [2, -4] = 2(1, -2) ✓ Beide Eigenpaare stimmen.

6. Schritt 6 – Bestätigen, dass die Matrix diagonalisierbar ist

Da beide Eigenwerte reell und verschieden sind, ist A diagonalisierbar: Wenn v₁ und v₂ als Spalten von P = [[1, 1], [1, -2]] zusammengefasst werden und D = [[5, 0], [0, 2]], wird die ursprüngliche Matrix durch A = PDP⁻¹ wiederhergestellt. Jede 2×2-Matrix mit zwei verschiedenen Eigenwerten ist garantiert auf diese Weise diagonalisierbar.

7. Schritt 7 – Schnelle Überprüfung mit Spur und Determinante

Zwei schnelle Plausibilitätsprüfungen funktionieren für jede quadratische Matrix: Die Summe der Eigenwerte ist gleich der Spur von A (die Summe ihrer Diagonaleinträge), und das Produkt der Eigenwerte ist gleich det(A). Hier ist 5 + 2 = 7 gleich Spur(A) = 4 + 3 = 7, und 5 × 2 = 10 ist gleich det(A) = (4)(3) - (1)(2) = 10 – und bestätigt beide Eigenwerte als korrekt, ohne sie erneut herzuleiten.

Ergebnis: A = [[4,1],[2,3]] hat Eigenwerte λ₁ = 5 mit Eigenvektor (1, 1) und λ₂ = 2 mit Eigenvektor (1, -2).

Wie finden Sie Eigenwerte einer Diagonal- oder Dreiecksmatrix?

Diagonal- und Dreiecksmatrizen bieten eine Abkürzung, die die arithmetische Charakterisierung ganz überspringt: Ihre Eigenwerte sind einfach die Einträge auf der Hauptdiagonalen. Dies funktioniert, weil das Subtrahieren von λ von der Diagonalen einer Dreiecksmatrix diese Dreiecksmatrix hält, und die Determinante jeder Dreiecksmatrix ist nur das Produkt ihrer Diagonaleinträge.

1. Schritt 1 – Eigenwerte direkt aus einer Diagonalmatrix auslesen

Für D = [[3, 0, 0], [0, -1, 0], [0, 0, 5]] ist det(D - λI) = (3-λ)(-1-λ)(5-λ), also sind die Eigenwerte einfach λ = 3, λ = -1 und λ = 5 – keine Beseitigung erforderlich. Ihre Eigenvektoren sind die Standardbasisvektoren (1,0,0), (0,1,0) und (0,0,1).

2. Schritt 2 – Die gleiche Abkürzung auf eine obere Dreiecksmatrix anwenden

Für T = [[2, 4, 1], [0, 5, 3], [0, 0, -3]] ist det(T - λI) = (2-λ)(5-λ)(-3-λ), da die Matrix nach Subtraktion von λ oben dreieckig bleibt. Die Eigenwerte sind die Diagonaleinträge: λ = 2, λ = 5 und λ = -3.

3. Schritt 3 – Eigenvektor für eine Dreiecksmatrix mittels Rückwärtsersetzung finden

Für λ = 5 in T: (T - 5I) = [[-3, 4, 1], [0, 0, 3], [0, 0, -8]]. Zeile 2 ergibt 3z = 0, also z = 0. Zeile 1 ergibt -3x + 4y + z = 0, also -3x + 4y = 0. Mit y = 3 erhalten wir x = 4, also v = (4, 3, 0).

4. Schritt 4 – Dreiecksmatrix-Eigenvektor überprüfen

Tv = [2(4)+4(3)+1(0), 5(3), -3(0)] = [20, 15, 0] = 5(4, 3, 0) ✓, was bestätigt, dass λ = 5 richtig mit Eigenvektor (4, 3, 0) gekoppelt ist.

5. Schritt 5 – Verstehen, warum die Abkürzung über die Geschwindigkeit hinaus Bedeutung hat

Diese Abkürzung ist mehr als ein praktisches Mittel – sie ist auch der Grund, warum Diagonalisierung überhaupt nützlich ist. Wenn Sie eine Matrix P finden können, die A in eine Dreiecksmatrix oder Diagonalmatrix D umwandelt, wird das Berechnen großer Potenzen von A (erforderlich zum Lösen von Rekurrenzrelationen und Systemen von Differentialgleichungen) auf das Berechnen von Potenzen von D reduziert, das nur bedeutet, jeden Diagonaleintrag auf diese Potenz zu erheben.

Abkürzung: Für jede Diagonal- oder Dreiecksmatrix sind die Eigenwerte genau die Diagonaleinträge – det(A - λI) faktorisiert automatisch zu (d₁-λ)(d₂-λ)⋯(dₙ-λ).

Was bedeuten Eigenwerte und Eigenvektoren geometrisch?

Stellen Sie sich eine Matrix A als eine Transformation vor, die jeden Punkt im Raum bewegt. Die meisten Vektoren werden in eine neue Richtung verschoben, wenn Sie A anwenden, aber Eigenvektoren sind die speziellen Richtungen, die A ungedreht lässt – ein Vektor entlang einer Eigenvektor-Richtung wird nur gestreckt, komprimiert oder gespiegelt, niemals gedreht. Der Eigenwert λ sagt Ihnen genau wie viel: |λ| > 1 streckt die Eigenvektor-Richtung, 0 < |λ| < 1 komprimiert sie zum Ursprung hin, und ein negatives λ spiegelt es, um in die entgegengesetzte Richtung zu zeigen, während es immer noch auf der gleichen Linie liegt. Im obigen 2×2-Beispiel wird jeder Vektor entlang der Linie durch den Ursprung und (1, 1) unter A um einen Faktor von 5 gestreckt, während jeder Vektor entlang der Linie durch (1, -2) um einen Faktor von 2 gestreckt wird. Jeder andere Vektor in der Ebene ist eine Kombination dieser beiden Richtungen, also wird sein Pfad unter wiederholter Anwendung von A zunehmend vom größeren Eigenwert dominiert – die gleiche Idee, die die Konvergenz von Markow-Ketten antreibt und iterative Algorithmen wie PageRank.

1. Schnelles Beispiel – eine Spiegelungsmatrix

Für A = [[0, 1], [1, 0]] ergibt das Lösen von det(A - λI) = λ² - 1 = 0 λ = 1 und λ = -1. Der Eigenvektor für λ = 1 ist (1, 1) – die Linie y = x, die A vollkommen unverändert lässt – während der Eigenvektor für λ = -1 die Linie (1, -1) ist, die A von einem Ende zum anderen spiegelt. Dies ist genau, wie die Matrix ihren geometrischen Namen verdient: Sie spiegelt die Ebene über die Linie y = x, und die beiden Eigenwerte (1 und -1) erfassen die 'Behalten' und 'Spiegeln' Richtungen genau.

Geometrisch sind Eigenvektoren die Achsen, die eine Transformation respektiert; Eigenwerte sind, wie viel sie entlang jeder Achse streckt, staucht oder spiegelt.

Wo tauchen Eigenwerte und Eigenvektoren in echten Anwendungen auf?

Eigenwerte und Eigenvektoren sind nicht nur eine Übung in linearer Algebra – sie sind die mathematische Grundlage mehrerer Tools, die täglich in Ingenieurwesen, Datenwissenschaft und Physik verwendet werden. In jedem der folgenden Fälle ist die gleiche charakteristische Gleichungsmethode aus den obigen Abschnitten der Ausgangspunkt; nur die zu analysierende Matrix ändert sich.

1. Hauptkomponentenanalyse (PCA)

Datenwissenschaftler berechnen die Eigenvektoren der Kovarianzmatrix eines Datensatzes, um die Richtungen maximaler Varianz zu finden, dann verwenden die größten Eigenwerte, um zu entscheiden, welche Richtungen (Hauptkomponenten) die meisten Informationen zur Dimensionsreduktion erfassen.

2. Schwingungsanalyse von Strukturen und Maschinen

Ingenieure modellieren die natürlichen Schwingungsfrequenzen einer Struktur als die Eigenwerte eines Steifigkeits-/Massensystems, und die Eigenvektoren beschreiben die entsprechenden Schwingungsformen – wie die Struktur physikalisch bei jeder Frequenz biegt.

3. Suchrankingalgorithmen

Der ursprüngliche PageRank-Algorithmus von Google ordnet Webseiten anhand des dominanten Eigenvektors einer aus der Linkstruktur des Netzes aufgebauten Matrix ein, da dieser Eigenvektor die Langzeitverteilung eines zufälligen Surfers darstellt.

4. Stabilität dynamischer Systeme

In Differentialgleichungen und Regelungstheorie bestimmen das Vorzeichen und die Größe der Eigenwerte eines Systems, ob ein System zum Gleichgewicht zurückkehrt, oszilliert oder zeitlich unbegrenzt wächst.

Jede dieser Anwendungen reduziert sich auf die gleiche Frage, die dieser Leitfaden beantwortet: Welche Richtungen respektiert eine Matrix, und um wie viel skaliert sie diese?

Häufige Fehler beim Berechnen von Eigenwerten und Eigenvektoren

Eine Handvoll Fehler macht die meisten falschen Eigenwert- und Eigenvektor-Berechnungen, die von Hand durchgeführt werden. Achten Sie vor allem auf diese fünf, bevor Sie einer endgültigen Antwort vertrauen.

1. Fehler 1 – λ von jedem Eintrag statt nur der Diagonale abziehen

Nur die Diagonaleinträge von A ändern sich, wenn (A - λI) gebildet wird; die außerdiagonalen Einträge bleiben genau wie in der ursprünglichen Matrix.

2. Fehler 2 – Eigenvektor als eindeutig behandeln

Eigenvektoren sind nur bis zu einer von Null verschiedenen skalaren Multiplikation definiert – (1, 1), (2, 2) und (-3, -3) sind alle gültige Eigenvektoren für den gleichen Eigenwert. Es gibt keinen einzelnen 'korrekten' Eigenvektor, nur eine korrekte Richtung.

3. Fehler 3 – Vorzeichenfehler beim Ausmultiplizieren größerer Determinanten

Für 3×3 und größere Matrizen umfasst die Cofaktor-Erweiterung alternierend Vorzeichen; das Fallen oder Verschieben eines Minuszeichens ist die einzige häufigste Fehlerquelle eines falschen charakteristischen Polynoms.

4. Fehler 4 – Die Diagonalabkürzung auf eine nicht-dreieckige Matrix anwenden

Die Abkürzung 'Eigenwerte gleichen den Diagonaleinträgen' gilt nur für Diagonal- und Dreiecksmatrizen. Für eine allgemeine Matrix wie [[4,1],[2,3]] sind die Diagonaleinträge 4 und 3 nicht die Eigenwerte – Sie benötigen immer noch die vollständige charakteristische Gleichung.

5. Fehler 5 – Annehmen, dass Eigenwerte reell sein müssen

Eine nicht-symmetrische Matrix kann konjugiert komplexe Eigenwerte mit Eigenvektoren mit komplexen Einträgen haben, auch wenn jeder Eintrag der ursprünglichen Matrix eine reelle Zahl ist. Dies zeigt sich am häufigsten bei rotationsähnlichen Matrizen, also verwerfen Sie ein Ergebnis nicht nur, weil das charakteristische Polynom keine reellen Wurzeln hat – lösen Sie es stattdessen über den komplexen Zahlen.

Der schnellste Weg, einen Eigenvektor-Fehler zu fangen, ist, Av neu zu berechnen und zu überprüfen, ob es wirklich gleich λv ist, bevor Sie weitermachen.

Übungsaufgaben: Testen Sie Ihr Verständnis von Eigenwerten und Eigenvektoren

Bearbeiten Sie diese drei Aufgaben und vergleichen Sie dann Ihre Schritte mit den folgenden Antworten.

1. Aufgabe 1 – Finden Sie die Eigenwerte und Eigenvektoren von A = [[1, 2], [2, 1]]

Antwort: det(A-λI) = (1-λ)² - 4 = λ² - 2λ - 3 = (λ-3)(λ+1) = 0, also λ₁ = 3 und λ₂ = -1. Für λ₁ = 3: (A-3I) = [[-2,2],[2,-2]] ergibt x = y, also v₁ = (1,1). Für λ₂ = -1: (A+I) = [[2,2],[2,2]] ergibt x = -y, also v₂ = (1,-1).

2. Aufgabe 2 – Finden Sie die Eigenwerte der oberen Dreiecksmatrix U = [[6, 2], [0, -2]]

Antwort: U ist dreieckig, also werden seine Eigenwerte direkt von der Diagonale abgelesen: λ₁ = 6 und λ₂ = -2. Keine charakteristische-Gleichungs-Arithmetik erforderlich.

3. Aufgabe 3 – Ist v = (2, 1) ein Eigenvektor von A = [[3, 4], [0, 1]]?

Antwort: Av = [3(2)+4(1), 0(2)+1(1)] = (10, 1). Damit v ein Eigenvektor ist, müsste (10, 1) ein skalares Vielfaches von (2, 1) sein, aber 10/2 = 5, während 1/1 = 1 – die Verhältnisse stimmen nicht überein, also v = (2, 1) kein Eigenvektor von A ist.

4. Aufgabe 4 – Finden Sie die Eigenwerte der oberen Dreiecksmatrix M = [[2, 1, 0], [0, 2, 5], [0, 0, 7]]

Antwort: M ist obere dreieckig, also sind seine Eigenwerte die Diagonaleinträge: λ = 2, mit Vielfachheit 2, da es zwei Diagonalpositionen besetzt, und λ = 7. Ein wiederholter Eigenwert wie dieser ist genau der Fall, bei dem Sie separat überprüfen müssten, ob zwei unabhängige Eigenvektoren für λ = 2 existieren oder nur einer – eine Unterscheidung, die bestimmt, ob M diagonalisierbar ist.

Zu überprüfen, ob ein gegebener Vektor ein Eigenvektor ist, ist einfach: Berechnen Sie Av und sehen Sie, ob jede Komponente um die gleiche Konstante skaliert wird.

Warum einen Eigenwert- und Eigenvektor-Rechner für Schritt-für-Schritt-Übungen verwenden?

Eigenwerte von Hand zu berechnen ist schnell für eine 2×2-Matrix, aber die Arithmetik wächst schnell für 3×3 und größere Systeme, wo ein einzelner Vorzeichenfehler im charakteristischen Polynom jeden Eigenwert und Eigenvektor, der folgt, wirft. Ein Eigenwert- und Eigenvektor-Rechner, der jede Stufe zeigt – die charakteristische Gleichung, das faktorisierte Polynom und die Rückwärtsersetzung für jeden Eigenvektor – lässt Sie Ihre eigene Arbeit Zeile für Zeile überprüfen, statt nur zu sehen, ob die endgültige Antwort stimmt. Solvifys Schritt-für-Schritt-Löser und KI-Mathelehrer gehen durch charakteristische Gleichungen, Determinanten und Eigenvektor-Rückwärtsersetzung auf die gleiche Weise wie dieser Leitfaden, damit Sie Hausaufgaben überprüfen, sich auf Prüfungen vorbereiten oder bei einer spezifischen Matrix steckenbleiben können, ohne die Begründung hinter jedem Schritt zu verlieren. Dies ist besonders nützlich während eines Linearen-Algebra-Kurses, bei dem Eigenwertprobleme direkt auf den Matrizenoperationen, Determinanten und Zeilenreduktion aufbauen, die in den verwandten Leitfäden unten behandelt werden.

Tags: