Eigenwert und Eigenvektor

Ein Eigenvektor eines linearen Operators ist ein von Null verschiedener Vektor, den der Operator lediglich skaliert, wobei der Skalierungsfaktor sein Eigenwert ist, was die Wirkung des Operators entlang privilegierter Richtungen aufzeigt.

Definition

Für einen linearen Operator auf einem Vektorraum ist ein von Null verschiedener Vektor ein Eigenvektor, wenn der Operator ihn auf ein skalares Vielfaches seiner selbst abbildet; dieser Skalar ist der entsprechende Eigenwert und eine Wurzel des charakteristischen Polynoms.

Scope

Dieses Thema behandelt Eigenwerte und Eigenvektoren, das charakteristische und minimale Polynom, Eigenräume und algebraische versus geometrische Vielfachheit, Diagonalisierbarkeit sowie den Spektralsatz für selbstadjungierte und normale Operatoren auf Skalarprodukträumen.

Core questions

• Welche Richtungen werden von einem linearen Operator lediglich skaliert?
• Wie werden Eigenwerte aus dem charakteristischen Polynom ermittelt?
• Wann ist ein Operator bezüglich seiner Eigenvektoren diagonalisierbar?
• Welche spezielle Spektralstruktur besitzen selbstadjungierte und normale Operatoren?

Key theories

Charakteristisches Polynom

Die Eigenwerte eines Operators sind genau die Wurzeln seines charakteristischen Polynoms, der Determinante des Operators minus einem Skalar mal der Identität, wodurch Spektren mit der Polynomwurzelsuche verknüpft werden.

Diagonalisierbarkeitskriterium

Ein Operator ist über einem Körper genau dann diagonalisierbar, wenn sein Minimalpolynom ein Produkt von verschiedenen linearen Faktoren über diesem Körper ist, äquivalent dazu, wenn die Eigenvektoren den gesamten Raum aufspannen.

Spektralsatz

Ein selbstadjungierter oder normaler Operator auf einem endlichdimensionalen Skalarproduktraum besitzt eine Orthonormalbasis von Eigenvektoren und reelle bzw. komplexe Eigenwerte, ist also unitär diagonalisierbar.

Clinical relevance

Eigenwerte und Eigenvektoren beschreiben die natürlichen Modi und die Stabilität dynamischer Systeme, die Energieniveaus und Observablen der Quantenmechanik, Hauptkomponenten in der Statistik und die Rangvektoren hinter Algorithmen wie PageRank, was sie zu den am weitesten verbreiteten Ideen in der Mathematik macht.

History

Eigenwertprobleme entstanden bei der Untersuchung quadratischer Formen und der Hauptachsen rotierender Körper, wobei Cauchy die Realität der Eigenwerte symmetrischer Matrizen feststellte. Hilbert und von Neumann erweiterten die Spektraltheorie auf unendlichdimensionale Operatoren, die mathematische Grundlage der Quantenmechanik.

Key figures

• Augustin-Louis Cauchy
• David Hilbert
• James Joseph Sylvester
• John von Neumann

Seminal works

• hoffman1971
• roman2008
• lang2002

Frequently asked questions

Was ist der Unterschied zwischen algebraischer und geometrischer Vielfachheit?

Die algebraische Vielfachheit gibt an, wie oft ein Eigenwert als Wurzel des charakteristischen Polynoms auftritt; die geometrische Vielfachheit ist die Dimension seines Eigenraums. Sie sind für jeden Eigenwert genau dann gleich, wenn der Operator diagonalisierbar ist.

Warum ist der Spektralsatz in Anwendungen wichtig?

Er garantiert, dass symmetrische oder normale Operatoren einen vollständigen orthonormalen Satz von Eigenvektoren mit gutartigen Eigenwerten besitzen. Dies ist die Grundlage der Hauptkomponentenanalyse, der Stabilität schwingender Systeme und der Messpostulate der Quantenmechanik.