Eigenwert- und Eigenvektor-Rechner

Der Eigenwert- und Eigenvektor-Rechner nimmt eine quadratische Matrix — bis zu 50×50, zeilenweise eingegeben — und liefert die vollständige Menge ihrer reellen Eigenpaare: jeden Eigenwert zusammen mit dem zugehörigen Eigenvektor, auf Einheitslänge normiert und vom größten zum kleinsten Eigenwert geordnet. Eigenpaare sind der Fingerabdruck einer linearen Abbildung: Sie zeigen, welche Richtungen sie unverändert lässt und um wie viel sie jede einzelne streckt, und sie bilden die Grundlage von Schwingungsanalyse und Stabilitätsprüfungen bis hin zu PageRank, Markow-Ketten und der Hauptkomponentenanalyse. Statt das charakteristische Polynom von Hand auszumultiplizieren oder eine Numerik-Bibliothek einzubinden, senden Sie die Einträge und erhalten die Eigenpaare in einem einzigen deterministischen Aufruf, gerundet auf die von Ihnen gewählte Genauigkeit. Dasselbe Modul läuft kostenlos in Ihrem Browser auf dieser Seite — Sie zahlen nur, wenn Sie den Arbeitsablauf automatisieren.

Was ein Eigenpaar aussagt

Ein Eigenvektor einer quadratischen Matrix A ist ein Vektor ungleich null, den A lediglich skaliert: A·v = λ·v für einen Skalar λ, den Eigenwert. Geometrisch zeigt ein Eigenvektor entlang einer Achse, die die Abbildung weder dreht noch schert — sie streckt oder staucht sie nur, um den Faktor λ. Das Paar (λ, v) heißt Eigenpaar, und der Eigenwert- und Eigenvektor-Rechner liefert genau das: einen Datensatz pro Eigenwert mit dem Eigenwert selbst und dem zugehörigen Einheitseigenvektor, sodass die Zuordnung nie missverstanden werden kann.

Die Paare sind vom größten zum kleinsten Eigenwert sortiert, wodurch die dominante Richtung des Systems an erster Stelle steht — jene, die das Langzeitverhalten iterativer Prozesse bestimmt. Negative Eigenwerte kodieren eine Richtungsumkehr, ein Eigenwert null offenbart einen nichttrivialen Kern und eine nicht invertierbare Matrix, und wiederholte Eigenwerte weisen auf Symmetrien des Problems hin. Ist die Matrix nicht quadratisch, wird die Anfrage sofort abgelehnt, denn Eigenpaare sind nur für quadratische Matrizen definiert; und hat die Matrix komplexe Eigenwerte, sagt das Werkzeug dies, statt reelle Zahlen zu erfinden.

Wie die Berechnung funktioniert

Der Algorithmus ist vollständig deterministisch — keine zufälligen Startvektoren, keine Iterationszahlen, die von Lauf zu Lauf variieren —, sodass dieselbe Matrix stets dieselben Eigenpaare liefert, Byte für Byte. Symmetrische Matrizen, die in der Kovarianzanalyse, der Strukturmechanik und der Optimierung ständig auftreten, werden mit zyklischen Jacobi-Sweeps bearbeitet: einer festen Folge von Ebenenrotationen, welche die Nichtdiagonaleinträge zu null macht und die Rotationen in die Eigenvektormatrix akkumuliert.

Jacobi ist theoretisch nicht das schnellste Verfahren, aber bei den kleinen und mittleren Größen, die dieses Werkzeug akzeptiert, bemerkenswert genau, und es kommt mit wiederholten Eigenwerten souverän zurecht, wo einfachere Potenzmethoden scheitern. Allgemeine nichtsymmetrische Matrizen werden mit einer QR-Iteration mit Wilkinson-Shift behandelt, um die Eigenwerte zu gewinnen, gefolgt von inverser Iteration an der ursprünglichen Matrix, um zu jedem Eigenwert einen Eigenvektor zu bestimmen.

Vor der Antwort prüft das Werkzeug, ob die gefundenen Eigenvektoren linear unabhängig sind; falls nicht — wie bei der klassischen defekten Matrix [[1,1],[0,1]] — schlägt die Anfrage mit einer klaren Fehlermeldung fehl, statt eine plausibel aussehende falsche Antwort zu liefern. Jeder Eigenwert und jeder Eigenvektoreintrag wird auf die gewünschte Dezimalgenauigkeit gerundet, von 0 bis 15 Stellen, standardmäßig zehn.

Wo Eigenpaare eingesetzt werden

Eigenpaare treten überall dort auf, wo ein lineares System sich entwickelt oder schwingt. In der Technik sind die Eigenfrequenzen einer Struktur die Quadratwurzeln der Eigenwerte ihres Steifigkeits-Massen-Systems, und die Eigenvektoren sind die Eigenformen — wie sich die Struktur bei jeder Frequenz bewegt. In der Datenwissenschaft ist die Hauptkomponentenanalyse nichts anderes als die Eigenzerlegung einer Kovarianzmatrix: Die Eigenvektoren sind die Hauptrichtungen und die Eigenwerte messen, wie viel Varianz jede davon erfasst.

Die Websuche verdankt ihre Existenz einem Eigenpaar: PageRank ist der dominante Eigenvektor der Linkmatrix des Webs. Die Analyse von Markow-Ketten funktioniert genauso — der dominante Eigenwert sagt, ob die Kette konvergiert, und ihr Eigenvektor ist der stationäre Zustand.