Eigenwerte & Eigenvektoren

Fast jede lineare Abbildung lässt eine Handvoll ausgezeichneter Richtungen bestehen und streckt sie bloß. Wer diese Richtungen und ihre Streckfaktoren kennt, weiß über die Abbildung fast alles — der Rest ist Koordinatenwahl.

Als Nächstes empfohlen → Die Schrödinger-Gleichung · PHYS · T5

Der Beitrag

Die meisten Richtungen des Raums verändern sich, sobald eine lineare Abbildung auf sie wirkt: Eine Drehung trägt sie davon, eine Scherung kippt sie, eine Projektion wirft sie auf einen Unterraum. Doch fast jede lineare Abbildung lässt eine Handvoll ausgezeichneter Richtungen bestehen — Richtungen, die sie lediglich streckt oder staucht, ohne sie zu drehen oder zu spiegeln. Das sind die Eigenvektoren; die Streckfaktoren heißen Eigenwerte. Getauft hat sie David Hilbert um 1904, mit der Vorsilbe eigen- — zugehörig, charakteristisch —, und als eigenvalue ist das deutsche Wort seither in die englische Fachsprache eingewandert. Wer die Eigenvektoren und Eigenwerte einer Abbildung kennt, weiß über sie fast alles.

Formal: Ein Eigenvektor einer linearen Abbildung T ist ein Vektor v, nicht der Nullvektor, mit T(v) = λv für einen Skalar λ — den zugehörigen Eigenwert. T tut mit v also nichts weiter, als ihn um den Faktor λ zu strecken; ein negatives λ kehrt die Richtung um, ein komplexes bringt im reellen Zweidimensionalen eine Drehung ins Spiel. Rechnerisch führt die charakteristische Gleichung det(T − λI) = 0 zum Ziel — ein Polynom, dessen Nullstellen genau die Eigenwerte sind; zu jedem gehört ein Eigenraum aus Vektoren, die alle denselben Faktor erfahren. Zu den folgenreichsten Resultaten der linearen Algebra zählt der Spektralsatz: Jede reelle symmetrische Matrix besitzt eine vollständige Orthonormalbasis aus Eigenvektoren, und ihre Eigenwerte sind reell. Gleichbedeutend: Jede symmetrische Matrix lässt sich diagonalisieren, also als PDP⁻¹ schreiben — D trägt die Eigenwerte auf der Diagonalen, in den Spalten von P stehen die Eigenvektoren. In Eigenvektor-Koordinaten wird die Abbildung diagonal: Sie behandelt jede Achse für sich, und einfacher kann Verhalten nicht sein. Wo das nicht reicht, greifen Verallgemeinerungen — die jordansche Normalform, wenn die volle Diagonalisierung scheitert; die Singulärwertzerlegung, das Eigenwert-Gegenstück für nicht-quadratische Matrizen und das Zugpferd der numerischen linearen Algebra; die Spektralzerlegung in unendlichdimensionalen Hilbert-Räumen, auf der die Quantenmechanik ruht. Dahinter steht die tiefste Beobachtung: Eigenwerte sind intrinsisch. Sie hängen nicht an der Basis, in der man die Matrix hinschreibt, sondern allein an der Abbildung selbst — sie sind, was die Abbildung in Wahrheit ist, abgelöst von allen Koordinaten.

Warum jetztDie Hauptkomponentenanalyse — das älteste und nach wie vor eines der meistverwendeten Verfahren der Dimensionsreduktion — sucht die varianzreichsten Richtungen eines Datensatzes, und zwar als führende Eigenvektoren der Kovarianzmatrix. PageRank liest die Bedeutung von Webseiten am dominanten Eigenvektor einer riesigen Hyperlink-Matrix ab. Die Quantenmechanik setzt physikalische Observable — Ort, Impuls, Energie, Spin — mit linearen Operatoren gleich; was eine Messung liefern kann, sind genau die Eigenwerte dieser Operatoren. Schwingungsmoden — ob eines Hochhauses unter Erdbebenlast oder einer Gitarrensaite — sind Eigenvektoren einer Steifigkeitsmatrix, ihre Frequenzen deren Eigenwerte. Markow-Ketten streben ihrer stationären Verteilung zu, dem Eigenvektor zum Eigenwert 1. Und die spektrale Graphentheorie liest Netzwerke an den Eigenwerten ihrer Adjazenz- und Laplace-Matrizen ab.

Zur VertiefungDas Rückgrat bilden wieder Strang und Axler. Für die numerische Eigenwert-Intuition ist Trefethen und Bau die Referenz der Praktiker; die spektrale Graphentheorie samt PageRank erschließt man sich am besten über Spielmans frei zugängliches Yale-Vorlesungsskript. Und wer Eigenwerte als Frequenzen sehen will — die Brücke zu den partiellen Differentialgleichungen —, findet in Strangs Differential Equations and Linear Algebra (2014) beide Erzählstränge sauberer verflochten als irgendwo sonst.