Egenvärdeskalkylator och Egenvektor: Steg-för-steg Guide
En egenvärdeskalkylator och egenvektorsräknare hittar skalärerna λ och vektorer som inte är noll v som uppfyller Av = λv för en kvadratisk matris A, med hjälp av den karakteristiska ekvationen det(A - λI) = 0 för att lösa egenvärden och sedan göra back-substitution för att hitta varje egenvektor. Egenvärden och egenvektorer avslöjar hur en linjär transformation sträcker, krymper eller reflekterar rymden längs specifika riktningar, och de ligger bakom teknikerna från principalkomponentanalys till strukturell vibrationanalys och Googles PageRank-algoritm. Den här guiden går igenom den fullständiga metoden steg för steg med verklig aritmetik, och täcker både en allmän 2×2-matris och diagonala/triangulära genvägen, sedan genom övningsproblem med kompletta lösningar.
Innehåll
- 01Vad är egenvärden och egenvektorer?
- 02Hur hittar en egenvärdeskalkylator och egenvektorsräknare dem steg för steg?
- 03Arbetsexempel: Hitta egenvärden och egenvektorer för en 2×2-matris
- 04Hur hittar du egenvärden för en diagonal eller triangulär matris?
- 05Vad betyder egenvärden och egenvektorer geometriskt?
- 06Var dyker egenvärden och egenvektorer upp i verkliga applikationer?
- 07Vanliga misstag när man beräknar egenvärden och egenvektorer
- 08Övningsproblem: Testa din förståelse för egenvärden och egenvektorer
- 09Varför använda en egenvärdeskalkylator och egenvektorsräknare för steg-för-steg övning?
Vad är egenvärden och egenvektorer?
En egenvärdeskalkylator och egenvektorsräknare är byggd omkring en kärnlig ekvation: för en kvadratisk n×n-matris A kallas en vektor som inte är noll v en egenvektor om att multiplicera A med v producerar en vektor som pekar i samma riktning som v, bara skalad av en konstant. Den konstanten, skriven λ (lambda), är egenvärdet. I ekvationsform, Av = λv, där v ≠ 0. Omgruppering ger (A - λI)v = 0, där I är identitetsmatrisen med samma storlek som A. Detta är ett homogent linjärt system, och det har bara en lösning som inte är noll v när matrisen (A - λI) är singular — vilket betyder att dess determinant är noll. Detta enda krav, det(A - λI) = 0, kallas den karakteristiska ekvationen, och att lösa den är det första steget för att hitta varje egenvärde på A. När en matris A har n linjärt oberoende egenvektorer, kan dessa egenvektorer sättas ihop som kolumnerna i en matris P, och A kan omskrivas som A = PDP⁻¹, där D är den diagonala matrisen som innehåller motsvarande egenvärden. Denna process kallas diagonalisering, och det är huvudskälet till att egenvärden och egenvektorer studeras tillsammans snarare än separat — en 'egennedbrytning' av A är endast möjlig när du har båda bitarna.
Av = λv: en egenvektor v behåller sin riktning under transformationen A — den sträcks, krymps eller vänds bara av skalären egenvärdet λ.
Hur hittar en egenvärdeskalkylator och egenvektorsräknare dem steg för steg?
En steg-för-steg-egenvärdeskalkylator och egenvektorsräknare följer alltid samma fyrstegprocess, oavsett om matrisen är 2×2 eller 6×6. Det enda som ändras med storleken är hur mycket aritmetik varje steg kräver. Icke varje matris beter sig så snyggt. Ett upprepat egenvärde kan komma med antingen en fullständig uppsättning oberoende egenvektorer eller färre än förväntat — en situation som kallas en defekt matris — och en icke-symmetrisk reell matris kan producera ett par komplexa konjugategenvärden med komplexa egenvektorer. En egenvärdeskalkylator och egenvektorsräknare hanterar alla tre fallen med samma karakteristiska-ekvationsmetod; bara tolkningen av resultatet ändras när du når steg 2.
1. Steg 1 — Konstruera den karakteristiska ekvationen
Subtrahera λ från varje diagonalpost på A för att bilda (A - λI), sedan sätt dess determinant lika med noll: det(A - λI) = 0. Att expandera denna determinant producerar ett polynom i λ som kallas det karakteristiska polynomet.
2. Steg 2 — Lös det karakteristiska polynomet för λ
Faktorisera eller använd den kvadratiska formeln (för 2×2-matriser) eller polynomfaktoriseringsteknik (för större matriser) för att hitta varje rot. Varje rot är ett egenvärde på A; en n×n-matris har exakt n egenvärden, räknade med multiplicitet, möjligen inklusive upprepningar eller komplexa tal.
3. Steg 3 — Sätt in varje egenvärde igen för att hitta dess egenvektor
För varje egenvärde λ, sätt in det i (A - λI)v = 0 och löst det resulterande linjära systemet för v. Eftersom det(A - λI) = 0 genom konstruktion, har detta system alltid oändligt många lösningar — välj den enklaste vektorn som inte är noll som uppfyller det.
4. Steg 4 — Verifiera med Av = λv
Multiplicera den ursprungliga matrisen A med egenvektorn v som du hittade och bekräfta att resultatet är lika med λ gånger v. Denna kontroll fångar aritmetiska misstag innan de sprids till ett felaktigt slutsvar.
5. Steg 5 — Hantera större matriser med cofaktorexpansion
För 3×3 och större matriser utvidgas det(A - λI) med hjälp av cofaktor-(minor-)expansion längs en rad eller kolumn, vilket omvandlar determinanten till en summa av signerade mindre determinanter som var och en innehåller λ. Resultatet är ett gradtalspolynom i λ. När ingen diagonal eller triangulär genvä gäller, leta efter rationella rötter först med hjälp av konstanttermen för det utvidgade polynomet, sedan faktorisera varje rot du hittar innan du löser vilket kvadratiskt eller linjärt faktor som återstår.
Varje egenvärdesproblem reduceras till två steg: lös det(A - λI) = 0 för λ, sedan lös (A - λI)v = 0 för v.
Arbetsexempel: Hitta egenvärden och egenvektorer för en 2×2-matris
Betrakta A = [[4, 1], [2, 3]]. Detta är en standardmatris 2×2 med två distinkta reella egenvärden, vilket gör det till ett rent exempel på den fullständiga metoden.
1. Steg 1 — Ställ in och expandera den karakteristiska ekvationen
(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. Steg 2 — Faktorisera och lös för egenvärden
λ² - 7λ + 10 = (λ - 5)(λ - 2) = 0, så λ₁ = 5 och λ₂ = 2.
3. Steg 3 — Hitta egenvektorn för λ₁ = 5
(A - 5I) = [[-1, 1], [2, -2]] Rad 1 ger -x + y = 0, så y = x. Genom att välja x = 1 får vi egenvektorn v₁ = (1, 1).
4. Steg 4 — Hitta egenvektorn för λ₂ = 2
(A - 2I) = [[2, 1], [2, 1]] Rad 1 ger 2x + y = 0, så y = -2x. Genom att välja x = 1 får vi egenvektorn v₂ = (1, -2).
5. Steg 5 — Verifiera båda resultaten
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) ✓ Båda egenvärdesparen stämmer.
6. Steg 6 — Bekräfta att matrisen är diagonaliserbar
Eftersom båda egenvärden är reella och distinkta är A diagonaliserbar: genom att sätta ihop v₁ och v₂ som kolumnerna i P = [[1, 1], [1, -2]] och D = [[5, 0], [0, 2]] återställs den ursprungliga matrisen genom A = PDP⁻¹. Varje 2×2-matris med två distinkta egenvärden är garanterad att vara diagonaliserbar på detta sätt.
7. Steg 7 — Korsverifiering med spår och determinant
Två snabba sanitetskontroller fungerar för vilken kvadratisk matris som helst: summan av egenvärden är alltid lika med spåret på A (summan av dess diagonalentrier), och produkten av egenvärden är alltid lika med det(A). Här är 5 + 2 = 7 matchat spår(A) = 4 + 3 = 7, och 5 × 2 = 10 matchat det(A) = (4)(3) - (1)(2) = 10 — bekräftar att båda egenvärden är korrekta utan att härleda dem på nytt.
Resultat: A = [[4,1],[2,3]] har egenvärden λ₁ = 5 med egenvektorn (1, 1), och λ₂ = 2 med egenvektorn (1, -2).
Hur hittar du egenvärden för en diagonal eller triangulär matris?
Diagonala och triangulära matriser erbjuder en genväg som hoppar över all karakteristisk-ekvation aritmetik helt: deras egenvärden är helt enkelt ingångarna som sitter på huvuddiagonalen. Detta fungerar eftersom att subtrahera λ från diagonalen på en triangulär matris håller den triangulär, och determinanten för varje triangulär matris är bara produkten av dess diagonalentrier.
1. Steg 1 — Läs egenvärden direkt från en diagonal matris
För D = [[3, 0, 0], [0, -1, 0], [0, 0, 5]] är det(D - λI) = (3-λ)(-1-λ)(5-λ), så egenvärden är helt enkelt λ = 3, λ = -1, och λ = 5 — ingen eliminering krävs. Deras egenvektorer är standardbasvektorerna (1,0,0), (0,1,0), och (0,0,1).
2. Steg 2 — Tillämpa samma genväg på en övre triangulär matris
För T = [[2, 4, 1], [0, 5, 3], [0, 0, -3]] är det(T - λI) = (2-λ)(5-λ)(-3-λ) eftersom matrisen förblir övre triangulär efter att subtrahera λ. Egenvärden är diagonalentrierna: λ = 2, λ = 5, och λ = -3.
3. Steg 3 — Hitta en egenvektor för en triangulär matris med bakåtsubstitution
För λ = 5 i T: (T - 5I) = [[-3, 4, 1], [0, 0, 3], [0, 0, -8]]. Rad 2 ger 3z = 0, så z = 0. Rad 1 ger -3x + 4y + z = 0, så -3x + 4y = 0. Genom att välja y = 3 får vi x = 4, så v = (4, 3, 0).
4. Steg 4 — Verifiera den triangulära egenvektorn
Tv = [2(4)+4(3)+1(0), 5(3), -3(0)] = [20, 15, 0] = 5(4, 3, 0) ✓, bekräftar att λ = 5 paras korrekt med egenvektorn (4, 3, 0).
5. Steg 5 — Förstå varför genvägen betyder mer än bara hastighet
Denna genväg är mer än bara en bekvämlighet — det är också skälet till att diagonalisering är användbar från första början. Om du kan hitta en matris P som konverterar A till en triangulär eller diagonal matris D, collapsing stora potenser av A (behövs för att lösa återkomstrelationer och system av differentialekvationer) in i beräknande potenser av D, vilket bara betyder att höja varje diagonalpost till den potensen.
Genväg: för vilken diagonal eller triangulär matris som helst är egenvärden exakt diagonalentrierna — det(A - λI) faktoriseras automatiskt in i (d₁-λ)(d₂-λ)⋯(dₙ-λ).
Vad betyder egenvärden och egenvektorer geometriskt?
Föreställ dig en matris A som en transformation som flyttar varje punkt i rymden. De flesta vektorer trycks i en ny riktning när du applicerar A, men egenvektorer är de speciella riktningar som A lämnar utan rotation — en vektor längs en egenvektorriktning sträcks bara, krymps eller vänd, aldrig vänd. Egenvärdet λ säger dig exakt hur mycket: |λ| > 1 sträcker egenvektorriktningen, 0 < |λ| < 1 krymper den mot ursprunget, och en negativ λ vänder den för att peka motsatt väg medan den fortfarande ligger på samma linje. I exemplet 2×2 ovan sträcks varje vektor längs linjen genom ursprunget och (1, 1) med en faktor på 5 under A, medan varje vektor längs linjen genom (1, -2) sträcks med en faktor på 2. Vilken annan vektor som helst i planet är en kombination av dessa två riktningar, så dess väg under upprepad tillämpning av A domineras allt mer av det större egenvärdet — samma idé som driver Markov-kedjans konvergens och iterativa algoritmer som PageRank. Icke varje matris har tillräckligt många oberoende egenvektorriktningar för att sträcka över hela utrymmet. När det inte gör det, kan ingen diagonal matris D representera den exakt, och matematiker arbetar istället med en relaterad struktur som kallas Jordanformen. Detta är den geometriska anledningen till varför upprepade egenvärden ibland orsaker problem: två riktningar kan kollapsa in i en enda axel, vilket lämnar färre än n oberoende riktningar för en n×n-matris att diagonalisera längs.
1. Snabbt exempel — en reflektionsmatris
För A = [[0, 1], [1, 0]] ger lösning av det(A - λI) = λ² - 1 = 0 λ = 1 och λ = -1. Egenvektorn för λ = 1 är (1, 1) — linjen y = x, som A lämnar helt oförändrad — medan egenvektorn för λ = -1 är (1, -1), linjen som A vänder från ände till ände. Detta är exakt hur matrisen tjänar sitt geometriska namn: den reflekterar planet över linjen y = x, och de två egenvärden (1 och -1) fångar 'behål' och 'vänd' riktningarna exakt.
Geometriskt är egenvektorer de axlar som en transformation respekterar; egenvärden är hur mycket den sträcker, krymper eller vänder längs varje axel.
Var dyker egenvärden och egenvektorer upp i verkliga applikationer?
Egenvärden och egenvektorer är inte bara en linjär algebra övning — de är den matematiska ryggraden för flera verktyg som används dagligen inom teknik, datavetenskap och fysik. I vart och ett av fallen nedan är samma karakteristiska-ekvationsmetod från avsnitten ovan utgångspunkten; bara matrisen som analyseras ändras.
1. Principal Component Analysis (PCA)
Datavetare beräknar egenvektorerna för en datasets kovariansmatris för att hitta riktningarna för maximal varians, sedan använder de de största egenvärden för att bestämma vilka riktningar (huvudkomponenter) som fångar mest information för dimensionalitetsreduktion.
2. Strukturell och mekanisk vibrationanalys
Ingenjörer modellerar en strukturs naturliga vibrationsfrekvenser som egenvärden för ett styvhet/masssystem, och egenvektorerna beskriver motsvarande modformer — hur strukturen fysiskt böjs vid varje frekvens.
3. Sökrankningstalgoritmer
Googles ursprungliga PageRank-algoritm rankar webbsidor med hjälp av den dominanta egenvektorn för en matris byggd från webben länkstruktur, eftersom den egenvektorn representerar den långsiktiga stadiga fördelningen av en slumpmässig surfare.
4. Stabilitet för dynamiska system
I differentialekvationer och reglerteori bestämmer tecknet och storleken på ett systems egenvärden om ett system återgår till jämvikt, oscillerar eller växer utan gräns över tiden.
Var och en av dessa applikationer reduceras till samma fråga som denna guide svarar: vilka riktningar respekterar en matris, och hur mycket skalerar den dem?
Vanliga misstag när man beräknar egenvärden och egenvektorer
En handfull fel står för de flesta felaktiga egenvärdes- och egenvektorsberäkningar som görs för hand. Titta på dessa fem i synnerhet innan du litar på ett slutsvar.
1. Misstag 1 — Subtrahera λ från varje post istället för bara diagonalen
Endast diagonalposterna i A ändras när du bildar A - λI; posterna utanför diagonalen förblir exakt som de är i den ursprungliga matrisen.
2. Misstag 2 — Behandla en egenvektor som unik
Egenvektorer definieras endast upp till en skalär multipel som inte är noll — (1, 1), (2, 2), och (-3, -3) är alla giltiga egenvektorer för samma egenvärde. Det finns ingen enda 'korrekt' egenvektor, bara en korrekt riktning.
3. Misstag 3 — Teckenbuggar vid expansion av större determinanter
För matriser på 3×3 och större innebär cofaktorexpansion alternerande tecken; att missa eller misplacera ett minustecken är den enskilda vanligaste källan till ett felaktigt karakteristiskt polynom.
4. Misstag 4 — Tillämpa diagonalgenvägen på en icke-triangulär matris
Genvägen 'egenvärden är lika med diagonalposterna' gäller endast för diagonala och triangulära matriser. För en allmän matris som [[4,1],[2,3]] är de diagonala posterna 4 och 3 inte egenvärden — du behöver fortfarande den fullständiga karakteristiska ekvationen.
5. Misstag 5 — Anta att egenvärden måste vara reella
En icke-symmetrisk matris kan ha komplexa konjugatägenvärden med komplexa egenvektorer, även när varje post i den ursprungliga matrisen är ett reellt tal. Detta dyker upp mest med rotationsliknande matriser, så kasta inte bort ett resultat bara för att det karakteristiska polynomet inte har några verkliga rötter — lös det istället över de komplexa talen.
Det snabbaste sättet att fånga ett egenvektor misstag är att beräkna om Av och kontrollera om det verkligen är lika med λv innan du fortsätter.
Övningsproblem: Testa din förståelse för egenvärden och egenvektorer
Arbeta genom dessa tre problem, sedan jämför dina steg med svaren nedan.
1. Problem 1 — Hitta egenvärden och egenvektorer för A = [[1, 2], [2, 1]]
Svar: det(A-λI) = (1-λ)² - 4 = λ² - 2λ - 3 = (λ-3)(λ+1) = 0, så λ₁ = 3 och λ₂ = -1. För λ₁ = 3: (A-3I) = [[-2,2],[2,-2]] ger x = y, så v₁ = (1,1). För λ₂ = -1: (A+I) = [[2,2],[2,2]] ger x = -y, så v₂ = (1,-1).
2. Problem 2 — Hitta egenvärden för den övre triangulära matrisen U = [[6, 2], [0, -2]]
Svar: U är triangulär, så dess egenvärden läses direkt från diagonalen: λ₁ = 6 och λ₂ = -2. Ingen karakteristisk-ekvation aritmetik behövs.
3. Problem 3 — Är v = (2, 1) en egenvektor för A = [[3, 4], [0, 1]]?
Svar: Av = [3(2)+4(1), 0(2)+1(1)] = (10, 1). För att v ska vara en egenvektor skulle (10, 1) behöva vara en skalär multipel av (2, 1), men 10/2 = 5 medan 1/1 = 1 — förhållandena matchar inte, så v = (2, 1) är inte en egenvektor för A.
4. Problem 4 — Hitta egenvärden för den övre triangulära matrisen M = [[2, 1, 0], [0, 2, 5], [0, 0, 7]]
Svar: M är övre triangulär, så dess egenvärden är diagonalposterna: λ = 2, som förekommer med multiplicitet 2 eftersom det occuperar två diagonalpositioner, och λ = 7. Ett upprepat egenvärde som det här är exakt fallet där du måste kontrollera separat om två oberoende egenvektorer existerar för λ = 2 eller bara en — en åtskillnad som bestämmer om M är diagonaliserbar.
Att kontrollera om en given vektor är en egenvektor är enkelt: beräkna Av och se om varje komponent skaleras med samma konstant.
Varför använda en egenvärdeskalkylator och egenvektorsräknare för steg-för-steg övning?
Att beräkna egenvärden för hand är snabbt för en 2×2-matris men aritmetiken växer snabbt för system på 3×3 och större, där ett enda teckenbuggar i det karakteristiska polynomet kastar bort varje egenvärde och egenvektor som följer. En egenvärdeskalkylator och egenvektorsräknare som visar varje steg — den karakteristiska ekvationen, det faktoriserade polynomet och bakåtsubstitutionen för varje egenvektor — låter dig kontrollera ditt eget arbete rad för rad istället för att bara se om det slutgiltiga svaret matchar. Solvifys steg-för-steg-löser och AI-matematiklärare går igenom karakteristiska ekvationer, determinanter och egenvektor-bakåtsubstitution på samma sätt som den här guiden gör, så du kan verifiera läxor, förbereda dig för prov eller fastna på en specifik matris utan att tappa resonemanget bakom varje steg. Detta är särskilt användbart halva vägen genom en linjär algebra kurs, där egenvärdesproblem bygger direkt på de matrisoperationer, determinanter och radreduktion som täcks i de relaterade guiderna nedan.
Relaterade artiklar
Matrisrankskalkylator: Hur man hittar rang med radechelonform
Rang och egenvärden kommer båda från samma matris, och en singular (A - λI) har alltid rank mindre än n — se radreduktionsmetoden i fullständig detalj.
Gaussisk eliminationskalkylator: Lös linjära system steg för steg
Egenvektor-bakåtsubstitution är verkligen bara att lösa det homogena systemet (A - λI)v = 0 — den här guiden täcker eliminationsmetoden bakom varje steg.
Matrisräknare steg för steg: Operationer, determinanter och inverser
Determinanter är kärnverktyget bakom den karakteristiska ekvationen det(A - λI) = 0 — den här guiden täcker determinanter tillsammans med resten av kärnmatrisoperationerna.
Relaterade matematiklösare
Steg-för-steg-lösningar
Få detaljerade förklaringar för varje steg, inte bara det slutgiltiga svaret.
Smart skannlösare
Ta en bild av ett matematikproblem och få en omedelbar steg-för-steg-lösning.
AI-matematiklärare
Ställ uppföljningsfrågor och få personliga förklaringar 24/7.