Wann Ist Eine Matrix Diagonalisierbar
Was bedeutet es, wenn eine Matrix diagonalisierbar ist? Kurz gesagt, es heißt, dass wir diese Matrix in eine viel einfachere Form bringen können: eine Diagonalmatrix. Aber wann genau funktioniert das? Das erklären wir hier.
Was ist Diagonalisierung?
Stell dir vor, du hast eine Matrix, sagen wir A. Diagonalisieren bedeutet, dass wir eine invertierbare Matrix P finden können, sodass P-1AP eine Diagonalmatrix D ist. Eine Diagonalmatrix hat nur Zahlen auf der Hauptdiagonalen und Nullen überall sonst. Das macht Rechnen mit ihr viel einfacher!
Warum ist das nützlich?
Diagonalisierung vereinfacht viele Berechnungen. Wenn du zum Beispiel An berechnen musst (A hoch n), ist das viel einfacher, wenn A diagonalisierbar ist. Statt A direkt zu potenzieren, können wir (PDP-1)n berechnen, was sich zu PDnP-1 vereinfacht. Da D eine Diagonalmatrix ist, ist Dn sehr leicht zu berechnen: wir potenzieren einfach die Elemente auf der Diagonalen!
Wann ist eine Matrix diagonalisierbar?
Hier kommt die Kernfrage. Eine n x n Matrix A ist genau dann diagonalisierbar, wenn sie n linear unabhängige Eigenvektoren besitzt. Das ist der Schlüssel!
Lass uns das Schritt für Schritt aufschlüsseln:
Schritt 1: Eigenwerte finden
Zuerst müssen wir die Eigenwerte der Matrix A finden. Das machen wir, indem wir die charakteristische Gleichung lösen: det(A - λI) = 0, wobei λ die Eigenwerte sind und I die Einheitsmatrix.
Beispiel: Nehmen wir an, A = [[2, 1], [1, 2]]. Dann ist A - λI = [[2-λ, 1], [1, 2-λ]]. Die Determinante davon ist (2-λ)(2-λ) - 1 = λ2 - 4λ + 3 = (λ - 1)(λ - 3). Also sind die Eigenwerte λ1 = 1 und λ2 = 3.
Schritt 2: Eigenvektoren finden
Für jeden Eigenwert λ müssen wir die entsprechenden Eigenvektoren finden. Das machen wir, indem wir das lineare Gleichungssystem (A - λI)v = 0 lösen, wobei v der Eigenvektor ist.
Beispiel (fortgesetzt): Für λ1 = 1 ist (A - λ1I) = [[1, 1], [1, 1]]. Die Lösung von [[1, 1], [1, 1]]v = 0 ist v1 = [-1, 1] (oder ein Vielfaches davon). Für λ2 = 3 ist (A - λ2I) = [[-1, 1], [1, -1]]. Die Lösung von [[-1, 1], [1, -1]]v = 0 ist v2 = [1, 1] (oder ein Vielfaches davon).
Schritt 3: Linear unabhängige Eigenvektoren prüfen
Jetzt müssen wir prüfen, ob die gefundenen Eigenvektoren linear unabhängig sind. Das bedeutet, dass keiner der Eigenvektoren als Linearkombination der anderen Eigenvektoren dargestellt werden kann. In unserem 2x2-Beispiel sind zwei Vektoren linear unabhängig, solange sie nicht Vielfache voneinander sind. [-1, 1] und [1, 1] sind offensichtlich linear unabhängig.
Schritt 4: Schlussfolgerung
Wenn wir n linear unabhängige Eigenvektoren für eine n x n Matrix gefunden haben, dann ist die Matrix diagonalisierbar. In unserem Beispiel haben wir für eine 2x2 Matrix zwei linear unabhängige Eigenvektoren gefunden, also ist A diagonalisierbar.
Was passiert, wenn es nicht genug Eigenvektoren gibt?
Wenn eine Matrix nicht genügend linear unabhängige Eigenvektoren hat, dann ist sie nicht diagonalisierbar. Das kann passieren, wenn ein Eigenwert eine höhere algebraische Vielfachheit hat als seine geometrische Vielfachheit (Anzahl der linear unabhängigen Eigenvektoren zu diesem Eigenwert).
Beispiel: Die Matrix [[1, 1], [0, 1]] hat nur den Eigenwert λ = 1 mit algebraischer Vielfachheit 2. Der zugehörige Eigenvektor ist [1, 0] (oder ein Vielfaches davon). Wir finden also nur einen linear unabhängigen Eigenvektor. Da wir für eine 2x2 Matrix zwei linear unabhängige Eigenvektoren benötigen, ist diese Matrix nicht diagonalisierbar.
Zusammenfassung
Eine Matrix ist diagonalisierbar, wenn wir genügend linear unabhängige Eigenvektoren finden können. Die Anzahl der linear unabhängigen Eigenvektoren muss der Dimension der Matrix entsprechen. Andernfalls ist sie nicht diagonalisierbar. Die Diagonalisierung vereinfacht viele Berechnungen, daher ist es wichtig, zu wissen, wann sie möglich ist!
