/
/
·
·
/
/
·
·
  • Einführung
  • Die Idee in einem Satz
  • Geometrische Intuition
  • Charakteristisches Polynom
  • Komplettes Beispiel: 2×2
  • Eigenwerte & Eigenschaften
  • Algebraische vs. geometrische Vielfachheit
  • Diagonalisierung
  • Eigenvektoren sind nicht eindeutig
  • Spezialfälle
  • Klausur-Faustregeln
  • Häufige Stolpersteine
ThemenMathematikEigenwerte & Eigenvektoren
Mathematik·4Lerneinheiten·22min·Stand17.07.2026

Eigenwerte & Eigenvektoren.

Es gibt Vektoren, die eine Matrix-Transformation NUR streckt, nicht dreht, nicht spiegelt. Diese besonderen Vektoren heißen Eigenvektoren, der Streckungsfaktor ist der Eigenwert. Das klingt erstmal abstrakt, ist aber DAS Konzept der linearen Algebra, Klausur-Pflicht in 16/16 WInf-Mathe-1-Klausuren und Grundlage für PCA, Google PageRank, Quantenmechanik.

Eigenvektor v⃗\vec{v}v einer Matrix AAA ist ein Vektor, für den gilt: Av⃗=λv⃗A \vec{v} = \lambda \vec{v}Av=λv, die Matrix-Multiplikation streckt v⃗\vec{v}v nur, ohne die Richtung zu ändern. λ\lambdaλ ist der zugehörige Eigenwert.

Stell dir vor, eine Matrix AAA ist eine Transformation (Drehung, Streckung, Scherung). Sie wirkt auf alle Vektoren der Ebene/des Raums.

Die meisten Vektoren ändern sowohl ihre Länge ALS AUCH ihre Richtung.

Eigenvektoren sind die seltenen Vektoren, die nur ihre Länge ändern (oder gleich bleiben). Sie liegen auf einer Linie durch den Ursprung, die unter der Transformation stabil bleibt.

λ\lambdaλWirkung auf v⃗\vec{v}v
λ>1\lambda > 1λ>1Streckung
λ=1\lambda = 1λ=1Vektor bleibt unverändert
0<λ<10 < \lambda < 10<λ<1Stauchung
λ=0\lambda = 0λ=0Vektor wird auf 0 abgebildet
λ<0\lambda < 0λ<0Streckung MIT Richtungs-Flip

So findest du Eigenwerte rechnerisch:

Av⃗=λv⃗⇔(A−λI)v⃗=0⃗A \vec{v} = \lambda \vec{v} \Leftrightarrow (A - \lambda I) \vec{v} = \vec{0}Av=λv⇔(A−λI)v=0

Für nicht-triviale Lösungen v⃗≠0⃗\vec{v} \neq \vec{0}v=0 muss die Matrix A−λIA - \lambda IA−λI singulär sein:

det⁡(A−λI)=0\det(A - \lambda I) = 0det(A−λI)=0

Das ist das charakteristische Polynom χA(λ)\chi_A(\lambda)χA​(λ). Seine Nullstellen sind die Eigenwerte.

Gegeben:

A=(4123)A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}A=(42​13​)

Schritt 1, Charakteristisches Polynom: det⁡(A−λI)=det⁡(4−λ123−λ)=(4−λ)(3−λ)−2=λ2−7λ+10\det(A - \lambda I) = \det\begin{pmatrix} 4-\lambda & 1 \\ 2 & 3-\lambda \end{pmatrix} = (4-\lambda)(3-\lambda) - 2 = \lambda^2 - 7\lambda + 10det(A−λI)=det(4−λ2​13−λ​)=(4−λ)(3−λ)−2=λ2−7λ+10

Schritt 2, Nullstellen finden: λ2−7λ+10=0⇒λ1=5, λ2=2\lambda^2 - 7\lambda + 10 = 0 \Rightarrow \lambda_1 = 5, \, \lambda_2 = 2λ2−7λ+10=0⇒λ1​=5,λ2​=2

Schritt 3, Eigenvektor zu λ1=5\lambda_1 = 5λ1​=5: Löse (A−5I)v⃗=0⃗(A - 5I)\vec{v} = \vec{0}(A−5I)v=0: (−112−2)v⃗=0⃗⇒v1=v2⇒v1⃗=(11)\begin{pmatrix} -1 & 1 \\ 2 & -2 \end{pmatrix} \vec{v} = \vec{0} \Rightarrow v_1 = v_2 \Rightarrow \vec{v_1} = \begin{pmatrix} 1 \\ 1 \end{pmatrix}(−12​1−2​)v=0⇒v1​=v2​⇒v1​​=(11​)

Schritt 4, Eigenvektor zu λ2=2\lambda_2 = 2λ2​=2: Löse (A−2I)v⃗=0⃗(A - 2I)\vec{v} = \vec{0}(A−2I)v=0: (2121)v⃗=0⃗⇒2v1+v2=0⇒v2⃗=(1−2)\begin{pmatrix} 2 & 1 \\ 2 & 1 \end{pmatrix} \vec{v} = \vec{0} \Rightarrow 2v_1 + v_2 = 0 \Rightarrow \vec{v_2} = \begin{pmatrix} 1 \\ -2 \end{pmatrix}(22​11​)v=0⇒2v1​+v2​=0⇒v2​​=(1−2​)

Verifikation: Av1⃗=(55)=5v1⃗A \vec{v_1} = \begin{pmatrix} 5 \\ 5 \end{pmatrix} = 5 \vec{v_1}Av1​​=(55​)=5v1​​ ✓ und Av2⃗=(2−4)=2v2⃗A \vec{v_2} = \begin{pmatrix} 2 \\ -4 \end{pmatrix} = 2 \vec{v_2}Av2​​=(2−4​)=2v2​​ ✓.

EigenschaftBedeutung
Spur = Summe der Eigenwertetr(A)=λ1+λ2+…\text{tr}(A) = \lambda_1 + \lambda_2 + \ldotstr(A)=λ1​+λ2​+…
Determinante = Produkt der Eigenwertedet⁡(A)=λ1⋅λ2⋅…\det(A) = \lambda_1 \cdot \lambda_2 \cdot \ldotsdet(A)=λ1​⋅λ2​⋅…
λ=0\lambda = 0λ=0 ist Eigenwert⇔det⁡(A)=0\Leftrightarrow \det(A) = 0⇔det(A)=0 (Matrix singulär)
Eigenwerte von ATA^TATgleich denen von AAA
Eigenwerte von A−1A^{-1}A−1sind 1/λi1/\lambda_i1/λi​ (falls AAA invertierbar)
Eigenwerte von AnA^nAnsind λin\lambda_i^nλin​

Klausur-Trick: Spur und Determinante reichen für 2×2 oft, um die Eigenwerte zu finden ohne Polynom zu lösen.

  • Algebraische Vielfachheit: Wie oft λ\lambdaλ als Nullstelle des charakteristischen Polynoms vorkommt
  • Geometrische Vielfachheit: Dimension des Eigenraums = Anzahl linear unabhängiger Eigenvektoren

Faustregel: Geometrische ≤ Algebraische Vielfachheit. Wenn beide gleich für alle λ\lambdaλ, ist die Matrix diagonalisierbar.

Eine Matrix AAA ist diagonalisierbar, wenn: A=PDP−1A = P D P^{-1}A=PDP−1

wobei DDD die Diagonalmatrix mit Eigenwerten ist und PPP die Matrix mit Eigenvektoren als Spalten.

Nutzen: An=PDnP−1A^n = P D^n P^{-1}An=PDnP−1, Matrix-Potenzen werden trivial, weil DnD^nDn einfach jeden Diagonal-Eintrag potenziert.

Wenn v⃗\vec{v}v Eigenvektor ist, ist auch c⋅v⃗c \cdot \vec{v}c⋅v für jedes c≠0c \neq 0c=0 ein Eigenvektor (zum gleichen λ\lambdaλ). Klausuren erwarten meist die einfachste Form (ganzzahlig, kein gemeinsamer Faktor).

Symmetrische Matrix (A=ATA = A^TA=AT):

  • Eigenwerte sind IMMER reell
  • Eigenvektoren zu verschiedenen Eigenwerten sind orthogonal
  • IMMER diagonalisierbar

Dreiecksmatrix:

  • Eigenwerte = Diagonal-Einträge

Identitätsmatrix III:

  • Eigenwerte alle 1
  • Jeder Vektor ist Eigenvektor

1. Eigenwerte: det⁡(A−λI)=0\det(A - \lambda I) = 0det(A−λI)=0. Charakteristisches Polynom aufstellen und Nullstellen finden.

2. Eigenvektor zu λ\lambdaλ: (A−λI)v⃗=0⃗(A - \lambda I)\vec{v} = \vec{0}(A−λI)v=0. Mit Gauß lösen, eine freie Variable wählen.

3. Spur = ∑λi\sum \lambda_i∑λi​, Determinante = ∏λi\prod \lambda_i∏λi​. Bei 2×2 oft schneller als Polynom.

4. λ=0\lambda = 0λ=0 ⇔ AAA singulär. Wichtige Brücke zu Determinanten-Eigenschaften.

5. Symmetrische Matrix → reelle Eigenwerte, orthogonale Eigenvektoren. Bonus-Klausurfrage.

1. Av⃗=λv⃗A \vec{v} = \lambda \vec{v}Av=λv mit v⃗=0⃗\vec{v} = \vec{0}v=0. Der Nullvektor ist trivial KEIN Eigenvektor, er erfüllt A⋅0⃗=λ⋅0⃗A \cdot \vec{0} = \lambda \cdot \vec{0}A⋅0=λ⋅0 für JEDES λ\lambdaλ, ist also unnütz.

2. Eigenwerte als komplexe Zahlen ignorieren. Für nicht-symmetrische Matrizen können Eigenwerte komplex sein (λ=a+bi\lambda = a + biλ=a+bi). Klausur erwartet das in den meisten Fällen NICHT (nur reelle), aber prüfe Diskriminante.

3. Algebraische vs. geometrische Vielfachheit verwechseln. Bei doppelter Nullstelle (λ\lambdaλ mit alg. Vielfachheit 2) hast du entweder 2 linear unabhängige Eigenvektoren (geometrisch 2, diagonalisierbar) oder nur 1 (geometrisch 1, NICHT diagonalisierbar).

4. Eigenvektor mit beliebigem Skalar. Wenn v⃗=(2,2)\vec{v} = (2, 2)v=(2,2) Eigenvektor, ist auch (1,1)(1, 1)(1,1) Eigenvektor. Klausur erwartet die einfachste Form, niemals als Bruch.

5. Charakteristisches Polynom falsch aufstellen. det⁡(A−λI)\det(A - \lambda I)det(A−λI), NICHT det⁡(λI−A)\det(\lambda I - A)det(λI−A) (Vorzeichen kann variieren). Konsistente Konvention nutzen.

Wähle eine 2×2-Matrix und sieh wie sie Vektoren transformiert:

  • Die Eigenvektoren sind die Richtungen, die nur skaliert werden (markiert in Akzent)
  • Alle anderen Vektoren werden gedreht durch die Transformation
  • Die Eigenwerte stehen oben, sie sagen wie stark gestreckt wird

Klick einen Vektor an, um seine Transformation zu sehen.

Lade Visualisierung...

Klausur-Tipp: Bei "Berechne die Eigenwerte", IMMER zuerst Spur und Determinante. Bei 2×2: λ1+λ2=tr(A)\lambda_1 + \lambda_2 = \text{tr}(A)λ1​+λ2​=tr(A) und λ1⋅λ2=det⁡(A)\lambda_1 \cdot \lambda_2 = \det(A)λ1​⋅λ2​=det(A). Oft kannst du die Eigenwerte daraus raten ohne Polynom zu lösen.

Anmelden, um den Fortschritt zu speichern.

Nächster Schritt

Wenn du fertig bist: jetzt üben.

Aktives Abrufen festigt Wissen schneller als nochmal lesen.

War das hilfreich?

Verwandte Themen

  • Lineare Funktionen
  • Prädikatenlogik 1. Stufe
  • Quadratische Funktionen
  • Ableitungen
  • Integrale

Tools

Bald: Karteikarten · Spaced-Repetition · Mind-Map-Export

Fachliche Qualität
Noch nicht klassifiziertNoch nicht geprüft.

Diese Lerneinheit wurde für typische Bachelor-Klausuren konzipiert. So prüfen wir · Fehler entdeckt? Melde ihn uns oder markiere die fragliche Stelle direkt im Text oben.

Klausur-ÜbersichtKomplette Übersicht: alle Tabs als linearer Text zum Lernen
▾

Alle Tabs der Lerneinheit (Erklärung · Interaktiv verstehen · Praxis-Übung · Klausur-Quiz) als durchgehender Text. Ideal zum Wiederholen vor der Klausur, und für Suchmaschinen wie Google, Bing und KI-Suche (ChatGPT, Perplexity).

Inhalt dieser Übersicht

  1. Erklärung(Erklärung)
  2. Interaktiv verstehen(Visualisierung / Interaktiv)
  3. Praxis-Übung(Quiz / Klausurfragen)
  4. Klausur-Quiz(Quiz / Klausurfragen)
Teil 1·Erklärung

Erklärung

Es gibt Vektoren, die eine Matrix-Transformation NUR streckt, nicht dreht, nicht spiegelt. Diese besonderen Vektoren heißen Eigenvektoren, der Streckungsfaktor ist der Eigenwert. Das klingt erstmal abstrakt, ist aber DAS Konzept der linearen Algebra, Klausur-Pflicht in 16/16 WInf-Mathe-1-Klausuren und Grundlage für PCA, Google PageRank, Quantenmechanik.

Die Idee in einem Satz

Eigenvektor v⃗ einer Matrix A ist ein Vektor, für den gilt: A v⃗ = λ v⃗, die Matrix-Multiplikation streckt v⃗ nur, ohne die Richtung zu ändern. λ ist der zugehörige Eigenwert.

Geometrische Intuition

Stell dir vor, eine Matrix A ist eine Transformation (Drehung, Streckung, Scherung). Sie wirkt auf alle Vektoren der Ebene/des Raums.

Die meisten Vektoren ändern sowohl ihre Länge ALS AUCH ihre Richtung.

Eigenvektoren sind die seltenen Vektoren, die nur ihre Länge ändern (oder gleich bleiben). Sie liegen auf einer Linie durch den Ursprung, die unter der Transformation stabil bleibt.

λWirkung auf v⃗
λ > 1Streckung
λ = 1Vektor bleibt unverändert
0 < λ < 1Stauchung
λ = 0Vektor wird auf 0 abgebildet
λ < 0Streckung MIT Richtungs-Flip

Charakteristisches Polynom

So findest du Eigenwerte rechnerisch:

A v⃗ = λ v⃗ ⇔ (A - λ I) v⃗ = 0⃗

Für nicht-triviale Lösungen v⃗ ≠ 0⃗ muss die Matrix A - λ I singulär sein:

det(A - λ I) = 0

Das ist das charakteristische Polynom χ_A(λ). Seine Nullstellen sind die Eigenwerte.

Komplettes Beispiel: 2×2

Gegeben:

A = [[4, 1], [2, 3]]

Schritt 1, Charakteristisches Polynom: det(A - λ I) = det[[4-λ, 1], [2, 3-λ]] = (4-λ)(3-λ) - 2 = λ² - 7λ + 10

Schritt 2, Nullstellen finden: λ² - 7λ + 10 = 0 ⇒ λ₁ = 5, λ₂ = 2

Schritt 3, Eigenvektor zu λ₁ = 5: Löse (A - 5I)v⃗ = 0⃗: [[-1, 1], [2, -2]] v⃗ = 0⃗ ⇒ v₁ = v₂ ⇒ vec(v₁) = (1, 1)

Schritt 4, Eigenvektor zu λ₂ = 2: Löse (A - 2I)v⃗ = 0⃗: [[2, 1], [2, 1]] v⃗ = 0⃗ ⇒ 2v₁ + v₂ = 0 ⇒ vec(v₂) = (1, -2)

Verifikation: A vec(v₁) = (5, 5) = 5 vec(v₁) ✓ und A vec(v₂) = (2, -4) = 2 vec(v₂) ✓.

Eigenwerte & Eigenschaften

EigenschaftBedeutung
Spur = Summe der Eigenwertetr(A) = λ₁ + λ₂ + ...
Determinante = Produkt der Eigenwertedet(A) = λ₁ · λ₂ · ...
λ = 0 ist Eigenwert⇔ det(A) = 0 (Matrix singulär)
Eigenwerte von A^Tgleich denen von A
Eigenwerte von A^(-1)sind 1/λ_i (falls A invertierbar)
Eigenwerte von Aⁿsind λ_iⁿ

Klausur-Trick: Spur und Determinante reichen für 2×2 oft, um die Eigenwerte zu finden ohne Polynom zu lösen.

Algebraische vs. geometrische Vielfachheit

  • Algebraische Vielfachheit: Wie oft λ als Nullstelle des charakteristischen Polynoms vorkommt
  • Geometrische Vielfachheit: Dimension des Eigenraums = Anzahl linear unabhängiger Eigenvektoren

Faustregel: Geometrische ≤ Algebraische Vielfachheit. Wenn beide gleich für alle λ, ist die Matrix diagonalisierbar.

Diagonalisierung

Eine Matrix A ist diagonalisierbar, wenn: A = P D P^(-1)

wobei D die Diagonalmatrix mit Eigenwerten ist und P die Matrix mit Eigenvektoren als Spalten.

Nutzen: Aⁿ = P Dⁿ P^(-1), Matrix-Potenzen werden trivial, weil Dⁿ einfach jeden Diagonal-Eintrag potenziert.

Eigenvektoren sind nicht eindeutig

Wenn v⃗ Eigenvektor ist, ist auch c · v⃗ für jedes c ≠ 0 ein Eigenvektor (zum gleichen λ). Klausuren erwarten meist die einfachste Form (ganzzahlig, kein gemeinsamer Faktor).

Spezialfälle

Symmetrische Matrix (A = A^T):

  • Eigenwerte sind IMMER reell
  • Eigenvektoren zu verschiedenen Eigenwerten sind orthogonal
  • IMMER diagonalisierbar

Dreiecksmatrix:

  • Eigenwerte = Diagonal-Einträge

Identitätsmatrix I:

  • Eigenwerte alle 1
  • Jeder Vektor ist Eigenvektor

Klausur-Faustregeln

1. Eigenwerte: det(A - λ I) = 0. Charakteristisches Polynom aufstellen und Nullstellen finden.

2. Eigenvektor zu λ: (A - λ I)v⃗ = 0⃗. Mit Gauß lösen, eine freie Variable wählen.

3. Spur = Σ λ_i, Determinante = ∏ λ_i. Bei 2×2 oft schneller als Polynom.

4. λ = 0 ⇔ A singulär. Wichtige Brücke zu Determinanten-Eigenschaften.

5. Symmetrische Matrix → reelle Eigenwerte, orthogonale Eigenvektoren. Bonus-Klausurfrage.

Häufige Stolpersteine

1. A v⃗ = λ v⃗ mit v⃗ = 0⃗. Der Nullvektor ist trivial KEIN Eigenvektor, er erfüllt A · 0⃗ = λ · 0⃗ für JEDES λ, ist also unnütz.

2. Eigenwerte als komplexe Zahlen ignorieren. Für nicht-symmetrische Matrizen können Eigenwerte komplex sein (λ = a + bi). Klausur erwartet das in den meisten Fällen NICHT (nur reelle), aber prüfe Diskriminante.

3. Algebraische vs. geometrische Vielfachheit verwechseln. Bei doppelter Nullstelle (λ mit alg. Vielfachheit 2) hast du entweder 2 linear unabhängige Eigenvektoren (geometrisch 2, diagonalisierbar) oder nur 1 (geometrisch 1, NICHT diagonalisierbar).

4. Eigenvektor mit beliebigem Skalar. Wenn v⃗ = (2, 2) Eigenvektor, ist auch (1, 1) Eigenvektor. Klausur erwartet die einfachste Form, niemals als Bruch.

5. Charakteristisches Polynom falsch aufstellen. det(A - λ I), NICHT det(λ I - A) (Vorzeichen kann variieren). Konsistente Konvention nutzen.

Teil 2·Visualisierung / Interaktiv

Interaktiv verstehen

Eigenvektor-Transformations-Lab

Wähle eine 2×2-Matrix und sieh wie sie Vektoren transformiert:

  • Die Eigenvektoren sind die Richtungen, die nur skaliert werden (markiert in Akzent)
  • Alle anderen Vektoren werden gedreht durch die Transformation
  • Die Eigenwerte stehen oben, sie sagen wie stark gestreckt wird

Klick einen Vektor an, um seine Transformation zu sehen.

Interaktive Visualisierung

Interaktive Komponente: probiere sie im Topic-Player oben aus.

Klausur-Tipp: Bei "Berechne die Eigenwerte", IMMER zuerst Spur und Determinante. Bei 2×2: λ₁ + λ₂ = tr(A) und λ₁ · λ₂ = det(A). Oft kannst du die Eigenwerte daraus raten ohne Polynom zu lösen.

Teil 3·Quiz / Klausurfragen

Praxis-Übung

Eigenwerte & Eigenvektoren, Praxis-Übung

6 Aufgaben zu Eigenwerten, Eigenvektoren, Diagonalisierung.

Klausurfragen mit Lösungen (6)

F1.Was ist die Definition eines Eigenvektors v⃗ einer Matrix A?

Antwort: `A v⃗ = λ v⃗` mit `v⃗ ≠ 0⃗`

Erklärung: Eigenvektor-Definition: `A v⃗ = λ v⃗` mit `v⃗ ≠ 0⃗`. Der Vektor wird durch die Transformation nur gestreckt (mit Faktor λ), nicht gedreht. Nullvektor ist explizit ausgeschlossen.

F2.Spur(A) = 7, det(A) = 12. Was ist der größere Eigenwert von A (2×2-Matrix)?

Antwort: 4

Erklärung: `λ₁ + λ₂ = 7` und `λ₁ · λ₂ = 12`. Faktorisieren von `x² - 7x + 12 = (x-3)(x-4)` → `λ = 3, 4`. Größerer: 4.

Typ: Zahlen-Eingabe

F3.Wenn λ = 0 Eigenwert von A ist, dann ist A singulär (nicht invertierbar).

Antwort: Wahr

Erklärung: RICHTIG. `det(A) = ∏ λ_i`. Wenn ein Eigenwert 0 ist, ist auch det(A) = 0 → A nicht invertierbar. Logische Brücke zwischen Eigenwerten und Determinante.

Typ: Wahr/Falsch

F4.Wie findet man die Eigenwerte einer Matrix?

Antwort: Nullstellen des charakteristischen Polynoms `det(A - λ I) = 0` finden

Erklärung: Standard-Methode: `det(A - λ I) = 0` → Polynom in `λ` → Nullstellen sind die Eigenwerte. Spur und Determinante sind Hilfsmittel, lösen aber nicht direkt für jede Matrix.

F5.Welche Aussagen über Eigenwerte sind RICHTIG?

Richtige Antworten: Symmetrische Matrizen haben reelle Eigenwerte; Eigenwerte einer Dreiecksmatrix = Diagonal-Einträge; Spur = Summe der Eigenwerte; Eigenwerte von `Aⁿ` sind `λⁿ`

Erklärung: Richtig: Symmetrisch→reell, Dreieck→Diagonale, Spur=Σλ, `Aⁿ→λⁿ`. Falsch: Eigenvektoren sind bis auf Skalierung eindeutig (jedes `cv⃗` ist auch Eigenvektor); nicht jede Matrix ist diagonalisierbar (z.B. Jordan-Blöcke).

Typ: Multi-Select

F6.Ordne den Schritt der Berechnung zu:

Zuordnungen:

  • Eigenwerte finden → $\det(A - \lambda I) = 0$
  • Eigenvektor zu $\lambda$ finden → $(A - \lambda I)\vec{v} = \vec{0}$ mit Gauß lösen
  • Matrix diagonalisieren → $A = P D P^{-1}$ mit P=Eigenvektoren, D=Eigenwerte
  • Schnell-Check für 2×2 Eigenwerte → Spur + Determinante geben Σλ und Πλ

Erklärung: Standard-Workflow Eigenwerte. Polynom → Nullstellen (Eigenwerte) → Gauß für jeden Eigenwert (Eigenvektoren) → Diagonalisierung.

Typ: Zuordnung

Teil 4·Quiz / Klausurfragen

Klausur-Quiz

Klausurfragen mit Lösungen (6)

F1.Eigenwerte von A = [[3, 0], [0, 5]]. Was ist das Produkt der Eigenwerte?

Antwort: 15

Erklärung: Bei Diagonalmatrix sind die Eigenwerte die Diagonal-Einträge: `λ₁ = 3`, `λ₂ = 5`. Produkt = 15 = det(A).

Typ: Zahlen-Eingabe

F2.Charakteristisches Polynom von A = [[4, 1], [2, 3]]. Was ist der größere Eigenwert?

Antwort: 5 (Toleranz ±0.05)

Erklärung: `det(A - λ I) = (4-λ)(3-λ) - 2 = λ² - 7λ + 10 = 0`. Nullstellen: `λ = 5, 2`. Größerer: 5.

Typ: Zahlen-Eingabe

F3.Wenn v⃗ ein Eigenvektor zu λ ist, ist auch 3v⃗ ein Eigenvektor zu λ.

Antwort: Wahr

Erklärung: RICHTIG. `A(3v⃗) = 3(Av⃗) = 3(lambdav⃗) = λ(3v⃗)`. Jedes skalare Vielfache eines Eigenvektors ist auch Eigenvektor (zum gleichen Eigenwert).

Typ: Wahr/Falsch

F4.Eine symmetrische 2×2-Matrix hat Eigenwerte 3 und 7. Was ist die Determinante?

Antwort: 21

Erklärung: det(A) = Produkt der Eigenwerte = 3 · 7 = 21. Universelle Eigenschaft, unabhängig von Symmetrie.

F5.Die Eigenwerte einer Matrix sind die Nullstellen des {{1}}-Polynoms det(A - λ I) = 0. Den Eigenvektor zu einem Eigenwert λ findet man durch Lösen von (A - λ I){2} = 0⃗. Die {{3}} der Matrix ist die Summe ihrer Eigenwerte. Die Determinante ist das {{4}} der Eigenwerte.

Lösungen pro Lücke:

  • {{1}}: charakteristischen / char. / charakt.
  • {{2}}: \vec{v} / v / $\vec{v}$
  • {{3}}: Spur / Trace / tr
  • {{4}}: Produkt

Erklärung: Standard-Vokabular Eigenwerte. Charakteristisches Polynom, Eigenvektor via Gauß, Spur = Σλ, det = Πλ.

Typ: Lückentext

F6.Sortiere: Eigenwerte + Eigenvektoren einer 2×2-Matrix berechnen.

Richtige Reihenfolge:

  1. $A - \lambda I$ aufstellen
  2. $\det(A - \lambda I)$ berechnen → charakteristisches Polynom
  3. Nullstellen finden → Eigenwerte $\lambda_1, \lambda_2$
  4. Für jedes $\lambda_i$: $(A - \lambda_i I)\vec{v} = \vec{0}$ mit Gauß lösen
  5. Eigenvektor $\vec{v_i}$ ablesen (eine Variable wählen)
  6. Verifizieren: $A \vec{v_i} = \lambda_i \vec{v_i}$

Erklärung: Standard-Workflow für Eigenwert-Aufgaben. Polynom → Nullstellen → Gauß für jeden Eigenwert → Eigenvektor → Verifikation.

Typ: Reihenfolge

Zur KategorieMathematik.Mehr Themen entdeckenZum Themen-Hub.

UniProMax ist eine themenbasierte Lernplattform für Studierende an deutschen Unis.

Wir glauben, dass Verstehen besser ist als Auswendiglernen. Wir bauen Lerneinheiten die zeigen statt erzählen. Code, Visualisierung, Quiz. Auf Deutsch.

Marke

UniProMaxUniProMax

Themenbasiert, visuell, interaktiv.

Inhalte

  • Alle Themen (Hub)
  • Programmiergrundlagen
  • Algorithmen
  • Mathematik
  • Statistik
  • Datenbanken
  • Rechnungswesen
  • VWL

Studiengang-Filter

  • Informatik
  • Wirtschaftsinformatik
  • BWL
  • Data Science
  • VWL
  • Wirtschaftsingenieurwesen
  • Mathe
  • Psychologie
  • weitere Studiengänge folgen

Plattform

  • Mein Fortschritt
  • Impressum
  • Datenschutz
© 2026 UniProMaxAlle Systeme onlinev0.2 / Sommersemester 2026
UniProMaxUniProMaxUniProMaxUniProMax