Lernen Eigenwerte und Eigenvektoren | Lineare Algebra und Matrixoperationen

Swipe um das Menü anzuzeigen

Eigenwerte und Eigenvektoren sind zentrale Konzepte der linearen Algebra und werden häufig verwendet, um zu analysieren, wie lineare Transformationen Daten beeinflussen. Gegeben sei eine quadratische Matrix A, so ist ein Eigenvektor ein von Null verschiedener Vektor x, der bei der Multiplikation mit A einen Vektor ergibt, der in die gleiche Richtung wie x zeigt, jedoch mit einem konstanten Faktor, dem sogenannten Eigenwert, skaliert wird.

Die Beziehung zwischen Matrix, Eigenvektor und Eigenwert lautet:

$A \mathbf{x} = \lambda \mathbf{x}$

$A$ ist eine quadratische Matrix, die eine lineare Transformation darstellt;
$\mathbf{x}$ ist ein von Null verschiedener Spaltenvektor (der Eigenvektor);
$\lambda$ ist ein Skalar (der Eigenwert).

Diese Formel bedeutet, dass die Anwendung von $A$ auf $\mathbf{x}$ $\mathbf{x}$ um den Faktor $\lambda$ streckt oder staucht, aber die Richtung nicht verändert. Eigenwerte und Eigenvektoren zeigen wichtige Eigenschaften von Matrizen auf, wie Stabilität, Hauptachsen und charakteristische Modi, die in wissenschaftlichen und technischen Anwendungen wesentlich sind.


              1234567891011121314
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

print("Eigenvalues:")
print(eigenvalues)
print("\nEigenvectors (each column corresponds to an eigenvector):")
print(eigenvectors)

Nach der Berechnung der Eigenwerte und Eigenvektoren möchte man häufig überprüfen, ob sie die grundlegende Gleichung A x = λ x erfüllen. Mit den Ergebnissen von scipy.linalg.eig kann diese Beziehung für jedes Eigenpaar überprüft werden, indem die ursprüngliche Matrix mit einem Eigenvektor multipliziert und mit dem Produkt aus Eigenwert und diesem Eigenvektor verglichen wird.


              1234567891011121314151617181920212223242526
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

# Select the first eigenvalue and eigenvector
idx = 0
lambda_ = eigenvalues[idx]
x = eigenvectors[:, idx]

# Compute A @ x and lambda * x
Ax = A @ x
lambdax = lambda_ * x

print("A @ x:")
print(Ax)
print("\nλ * x:")
print(lambdax)

# Check if the two results are approximately equal
print("\nAre they approximately equal?", np.allclose(Ax, lambdax))

Eigenwerte und Eigenvektoren finden vielfältige Anwendungen in Physik und Ingenieurwesen. In der Physik sind sie unerlässlich zur Analyse von Differentialgleichungssystemen, in der Quantenmechanik (zur Bestimmung von Energiezuständen) sowie zur Untersuchung von Schwingungen oder Normalmoden in mechanischen Systemen. Im Ingenieurwesen werden sie für Stabilitätsanalysen, die Hauptkomponentenanalyse (PCA) zur Datenreduktion und die Auslegung von Strukturen zur Vorhersage von Resonanzfrequenzen eingesetzt. Das Verständnis von Eigenwerten und Eigenvektoren ermöglicht die Lösung komplexer Systeme, die Optimierung von Prozessen und die Interpretation des zugrunde liegenden Verhaltens realer Phänomene.

War alles klar?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 3

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Abschnitt 2. Kapitel 3

Eigenwerte und Eigenvektoren

1. Welche SciPy-Funktion wird zur Berechnung von Eigenwerten und Eigenvektoren verwendet?

2. Welche Bedeutung haben Eigenwerte in wissenschaftlichen Anwendungen?

3. Wie kann man überprüfen, ob ein Vektor ein Eigenvektor einer Matrix ist?