Matrix diagonalisieren

Der Matrix-Diagonalisierungsrechner nimmt eine quadratische Matrix entgegen und liefert ihre vollständige Eigenzerlegung: die Eigenwerte, die daraus aufgebaute Diagonalmatrix D und die Basiswechselmatrix P, deren Spalten die zugehörigen Eigenvektoren sind, sodass A = P·D·P⁻¹ gilt. Die Diagonalisierung verwandelt schwierige Probleme in einfache — Matrixpotenzen, Exponentialfunktionen, Differenzialgleichungen und Markow-Ketten werden zu eintragsweisen Operationen, sobald eine Matrix in ihrer Eigenbasis geschrieben ist. Statt das charakteristische Polynom von Hand auszurechnen oder eine numerische Bibliothek zu installieren, senden Sie die Einträge und erhalten die Zerlegung in einem einzigen deterministischen Aufruf zurück, wobei jeder Wert auf die von Ihnen gewählte Genauigkeit gerundet wird. Derselbe Code läuft auf dieser Seite kostenlos in Ihrem Browser, sodass Sie eine Matrix durch Einfügen prüfen können und erst dann bezahlen, wenn Sie den Arbeitsablauf automatisieren.

Was das Diagonalisieren einer Matrix bedeutet

Eine quadratische Matrix A ist diagonalisierbar, wenn sie genügend unabhängige Eigenvektoren besitzt, um eine Basis zu bilden — n Stück bei einer n×n-Matrix. In diesem Fall können Sie A = P·D·P⁻¹ schreiben, wobei D eine Diagonalmatrix ist, die die Eigenwerte enthält, und P die Basiswechselmatrix, deren Spalten die Eigenvektoren in derselben Reihenfolge sind. Diese Zerlegung gehört zu den zentralen Ergebnissen der linearen Algebra, weil Diagonalmatrizen trivial zu handhaben sind: D in die fünfzigste Potenz zu erheben bedeutet lediglich, jeden Diagonaleintrag in die fünfzigste Potenz zu erheben.

Der Matrix-Diagonalisierungsrechner berechnet diese Faktorisierung direkt aus den von Ihnen eingegebenen Einträgen. Er liefert die Eigenwerte von groß nach klein sortiert, die Diagonalmatrix D und die vollständige Matrix P, sodass Sie die Identität A·P = P·D selbst nachprüfen oder die Teile in den nächsten Schritt Ihrer Berechnung übernehmen können. Ist die Matrix nicht quadratisch, wird die Anfrage abgelehnt, und besitzt sie komplexe Eigenwerte oder keinen vollständigen Satz reeller Eigenvektoren, sagt das Werkzeug dies klar und deutlich, statt Zahlen zurückzugeben, die plausibel aussehen, aber falsch sind.

Wie die Berechnung funktioniert

Der Algorithmus ist vollständig deterministisch — keine zufälligen Startpunkte, keine Iterationszahlen, die sich von Lauf zu Lauf ändern — sodass dieselbe Matrix stets dieselbe Zerlegung liefert. Symmetrische Matrizen, die in Statistik, Physik und Optimierung ständig auftauchen, werden mit zyklischen Jacobi-Durchläufen behandelt: einer Folge von Ebenendrehungen, die die Einträge außerhalb der Diagonale zu null machen und die Drehungen gleichzeitig in der Eigenvektormatrix akkumulieren.

Jacobi ist theoretisch langsam für sehr große Matrizen, aber äußerst genau für die kleinen und mittleren Größen, die dieses Werkzeug akzeptiert, und kommt mit mehrfachen Eigenwerten problemlos zurecht, bei denen andere Verfahren schwächeln. Allgemeine nicht-symmetrische Matrizen werden mit einer QR-Iteration mit Wilkinson-Shift bearbeitet, um die Eigenwerte zu gewinnen, gefolgt von inverser Iteration, um zu jedem einen Eigenvektor zu finden.

Vor der Rückgabe prüft das Werkzeug, ob die Eigenvektormatrix P invertierbar ist; sind die Spalten nahezu parallel, ist die Matrix defekt — wie das klassische [[1,1],[0,1]] — und kann nicht diagonalisiert werden, sodass die Anfrage mit einem klaren Fehler scheitert statt mit einer stillschweigend kaputten Antwort. Jeder Ausgabeeintrag wird auf die von Ihnen gewünschte Dezimalgenauigkeit gerundet, von 0 bis 15 Stellen, mit zehn als Voreinstellung.

Wo Teams sie einsetzen

Die Diagonalisierung taucht überall dort auf, wo sich ein lineares System im Laufe der Zeit entwickelt. Ingenieurinnen und Ingenieure, die das Langzeitverhalten einer Markow-Kette berechnen, brauchen die Eigenwerte, um zu wissen, ob die Kette konvergiert und wie schnell; der dominante Eigenwert und sein Eigenvektor liefern den stationären Zustand direkt. Entwicklerinnen und Entwickler, die mit Rekurrenzrelationen oder gekoppelten Differenzengleichungen arbeiten, diagonalisieren die Übergangsmatrix, um eine geschlossene Lösung zu erhalten, statt zu iterieren.

In Grafik und Geometrie offenbart die Zerlegung einer Transformation die Achsen, entlang derer sie den Raum streckt. Datenteams nutzen sie als Baustein: Die Hauptkomponentenanalyse ist die Eigenzerlegung einer Kovarianzmatrix, und spektrale Graphenverfahren beginnen bei den Eigenvektoren eines Laplace-Operators.