Eigenwerte und Eigenvektoren berechnen – wie interpretiere ich sie anschaulich?

Hallo Tim, das geometrische Bild ist eigentlich der Schlüssel, danach fällt auch die Hauptachsentransformation leichter. Stell dir eine Matrix als "Verzerrungsmaschine" vor: Du steckst einen Vektor rein, und raus kommt ein anderer Vektor – meistens mit anderer Länge und anderer Richtung. Bei den Eigenvektoren passiert aber etwas Besonderes: Die Richtung bleibt exakt erhalten, nur die Länge ändert sich um den Faktor λ.

Einfaches Beispiel, das ich mir selbst mal aufgemalt habe:

• A = [[2,0],[0,3]] (Diagonalmatrix)
• Nimm den Vektor (1,0): A·(1,0) = (2,0) → gleiche Richtung, nur verdoppelt. λ=2
• Nimm den Vektor (0,1): A·(0,1) = (0,3) → gleiche Richtung, verdreifacht. λ=3
• Nimm aber einen beliebigen Vektor wie (1,1): A·(1,1) = (2,3) → das zeigt in eine andere Richtung! Kein Eigenvektor.

Bei Diagonalmatrizen sieht man die Eigenvektoren also sofort, das sind die Koordinatenachsen. Bei "schiefen" Matrizen sind es eben andere, gedrehte Richtungen, aber das Prinzip bleibt: Die Matrix streckt/staucht entlang dieser speziellen Achsen, ohne sie zu kippen.

Für die Hauptachsentransformation bei symmetrischen Matrizen (z. B. Trägheitstensor) ist genau das der Clou: Die Eigenvektoren stehen senkrecht aufeinander und geben dir die Richtungen, in denen die Matrix "rein diagonal" wirkt – also die Hauptachsen, in denen keine Kopplung zwischen den Komponenten mehr auftritt. Merksatz: Eigenvektor = Richtung, die unter der Abbildung "treu" bleibt, Eigenwert = wie stark sie gestreckt wird.

Markus hat das mit der "Verzerrungsmaschine" schon super erklärt, das Bild nutze ich auch immer. Ich häng noch den Punkt mit den mehrfachen Eigenwerten dran, weil genau da in Klausuren gerne die Punkte flöten gehen 😅

Angenommen du hast beim charakteristischen Polynom eine doppelte Nullstelle, z.B. λ=2 kommt zweimal vor (algebraische Vielfachheit 2). Jetzt löst du wieder (A-λE)v=0, aber hier musst du aufpassen:

• Manchmal bekommst du einen zweidimensionalen Lösungsraum (also zwei linear unabhängige Eigenvektoren zu diesem λ) – dann ist geometrische = algebraische Vielfachheit, alles schön, Matrix ist diagonalisierbar.
• Manchmal bekommst du aber nur einen Eigenvektor, obwohl λ doppelt ist. Dann ist die geometrische Vielfachheit kleiner als die algebraische, und die Matrix ist nicht diagonalisierbar. Klassisches Beispiel: [[2,1],[0,2]]. Charakteristisches Polynom gibt λ=2 doppelt, aber wenn du (A-2E)v=0 löst, kommt nur eine Richtung raus.

Typischer Klausurfehler: Leute rechnen den Eigenwert aus, holen sich irgendeinen Vektor aus dem Gleichungssystem und vergessen zu prüfen, ob bei mehrfachen Nullstellen wirklich genug unabhängige Eigenvektoren rauskommen. Gerade bei Trägheitstensoren ist das aber meist unkritisch, weil symmetrische Matrizen immer diagonalisierbar sind (reelle Eigenwerte, orthogonale Eigenvektoren) – da passiert dieses Drama mit fehlenden Eigenvektoren nicht. Trotzdem gut, den Unterschied einmal gesehen zu haben, falls in der Klausur eine nicht-symmetrische Matrix auftaucht.