actionbrowser.com
Über die Normberechnung hinaus stellt die Erweiterung auch Funktionen zur Berechnung von Eigenwerten und Eigenvektoren bereit. Wir haben wieder eine zufällige \(100\times 100\) Matrix: import numpy import as linalg A = numpy. random. rand ( 100, 100) und können nun die Eigenwerte und Eigenvektoren berechnen. NumPy liefert dann ein Tupel aus Eigenwerten ew und Eigenvektoren ev zurück: ew, ev = linalg. eig ( A) Nun können wir den betragsmäßig kleinsten und größten Eigenwert und den dazugehörigen Eigenvektor bestimmten. Zunächst berechnen wir die Beträge der (i. d. R. komplexen) Eigenwerte: ew_abs = numpy. abs ( ew) Mit argmax / argmin wird der Index des maximalen/minimalen Eigenwerts berechnet: ew_max = numpy. argmax ( ew_abs) ew_min = numpy. argmin ( ew_abs) womit wir dann auf den entsprechenden Eintrag zugreifen können: print "max EW ", ew [ ew_max] print " + EV ", ev [ ew_max] print "min EW ", ew [ ew_min] print " + EV ", ev [ ew_min] Download.
254 Alle Störungsterme verschwinden (homogenes Gleichungssystem), folglich ist das Gleichungssystem überbestimmt. Zur Lösung darf also eine Gleichung gestrichen und ein x k frei gewählt werden. Mit x 1 = 1 ergibt Gl. 254: \(\begin{array}{l}\left( { {a_{22}} - {\lambda _k}} \right) \cdot {x_2} +.... + {a_{2K}}{x_x} = - {a_{21}}\\.... \\{a_{I2}}{x_2} +.... + \left( { {a_{IK}} - {\lambda _k}} \right) \cdot {x_x} = - {a_{I1}}\end{array}\) Gl. 255 Dieses Gleichungssystem ist lösbar und liefert den gesuchten Eigenvektor X k zum Eigenwert l k. Beispiel: Gegeben sei die Matrix \(A = \left( {\begin{array}{cc}1&2\\2&5\end{array}} \right)\). Gesucht sind die Eigenwerte und die dazu gehörenden Eigenvektoren. Lösung Das charakteristische Polynom wird aus dem Bestimmungsgleichungssystem nach Gl. 250 abgeleitet: A - \lambda · I = \left( {\begin{array}{cc}{1 - \lambda}&2\\2&{5 - \lambda}\end{array}} \right) = 0 \quad \Rightarrow \quad \left( {1 - \lambda} \right) · \left( {5 - \lambda} \right) - 2 · 2 = 0 Ausmultiplizieren ergibt eine quadratische Gleichung in l: \({\lambda ^2} - 6\lambda + 5 - 4 = 0\) Der Wurzelsatz von Vieta liefert die beiden gesuchten Eigenwerte der Matrix A: {\lambda _{1, 2}} = 3 \pm \sqrt {9 - 1} = 3 \pm 2\sqrt 2 Mit diesen Werten kann das Gleichungssystem nach Gl.
250 Diese Matrix verschwindet, wenn auch ihre Determinante verschwindet: \(\det (A - \lambda \cdot I) = \left| {\begin{array}{cc}{ {a_{11}} - \lambda}&{ {a_{12}}}&{... }&{ {a_{IK}} - \lambda}\end{array}} \right| = 0\) Gl. 251 Nach dem Auflösen der Determinante entsteht ein Polynom in l - das charakteristische Polynom – dessen Grad mit dem Rang der Matrix übereinstimmt: \({\lambda ^R} + {c_{R - 1}}{\lambda ^{R - 1}} + \, \,.... \, \, + {c_1}\lambda + {c_0} = 0\) Gl. 252 Nach dem Fundamentalsatz der Algebra gibt es für ein Polynom des Grades R auch R Lösungen für l. Dabei können mehrfache, aber auch komplexe Lösungen auftreten! Für jedes gefundene l kann nun Gl. 248 gelöst werden: \( \left( {A - {\lambda _k} \cdot I} \right) \cdot X = 0 \quad k = 1... K \) Gl. 253 Im Ergebnis wird je ein Eigenvektor X k zum Eigenwert l k gefunden. \(\begin{array}{l}\left( { {a_{11}} - {\lambda _k}} \right) \cdot {x_1} + {a_{12}}{x_2} +.... + {a_{1K}}{x_K} = 0\\{a_{21}}{x_1} + \left( { {a_{22}} - {\lambda _k}} \right) \cdot {x_2} +.... + {a_{2K}}{x_K} = 0\\.... \\{a_{I1}}{x_1} + {a_{I2}}{x_2} +.... + \left( { {a_{IK}} - {\lambda _k}} \right) \cdot {x_K} = 0\end{array}\) Gl.
B. mit der p-q-Formel lösen lässt: Die p-q-Formel lautet allgemein: $$x_{1/2} = \frac{-p}{2} \pm \sqrt {\left (\frac {p}{2}\right)^2 - q}$$ In der obigen Gleichung ist p = -4 und q = +3. Das gibt dann 2 Lösungen λ 1 und λ 2: $$λ_1 = \frac{-(-4)}{2} + \sqrt {\left (\frac {-4}{2}\right)^2 - 3} = 2 + \sqrt {4-3} = 2 + 1 = 3$$ $$λ_2 = \frac{-(-4)}{2} - \sqrt {\left (\frac {-4}{2}\right)^2 - 3} = 2 - \sqrt {4-3} = 2 - 1 = 1$$ Die Eigenwerte der Matrix A sind 3 und 1. Eigenvektoren berechnen Hat man die Eigenwerte berechnet, kann man für diese die Eigenvektoren berechnen. Dazu wird folgende Gleichung gleich 0 gesetzt: (A - λ × E) × x = 0 Dabei ist A die Matrix, λ ist ein Eigenwert und x ist der gesuchte Eigenvektor. Dazu rechnet man erst mal (A - λ × E) aus; Für den Eigenwert 3: $$\begin{pmatrix}1 & 1 \\ 0 & 3 \end{pmatrix} - 3 \cdot \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}$$ $$\begin{pmatrix}1 & 1 \\ 0 & 3 \end{pmatrix} - \begin{pmatrix} 3 & 0 \\ 0 & 3 \end{pmatrix}$$ $$\begin{pmatrix}-2 & 1 \\ 0 & 0 \end{pmatrix}$$ Mit welchem Vektor muss man dies multiplizieren, um den Nullvektor als Ergebnis zu bekommen?
λ 1 / 2 = – 4 2 ± 4 2 2 – 3 λ 1 / 2 = – 2 ± 1 Damit lauten die Eigenwerte: λ 1 =-3, λ 2 =-1. Um den Eigenvektor für λ 1 zu berechnen, setzen wir -3 in die Eigenwertgleichung ein. – 9 – 3 16 5 – – 3 1 0 0 1 x ⇀ = 0 – 9 – 3 16 5 + 3 0 0 3 x ⇀ = 0 – 6 – 3 16 8 x ⇀ = 0 Dieses Gleichungssystem kann man entweder sofort durch "hinsehen" lösen (was muss man für x 1 und x 2 einsetzen, damit Null herauskommt? ) oder nach dem Schema-F mit dem Gauß-Jordan-Algorithmus. Die Zeilen der Matrix sind linear abhängig (eine Zeile ist das Vielfache der anderen), deswegen können wir eine Komponente des Lösungsvektors frei wählen. Wir wählen x 1 =1, dann muss x 2 =-2 sein, damit 1*(-6)+(-2)*(-3)=0. Damit haben wir den gesuchten Eigenvektor für λ 1 =-3. x ⇀ 1 = 1 – 2 Als nächstes wird der Eigenvektor zum Eigenwert λ 2 =-1 berechnet. Dazu setzen wir -1 in die Eigenwertgleichung ein. – 9 – 3 16 5 – – 1 1 0 0 1 x ⇀ = 0 – 8 – 3 16 6 x ⇀ = 0 Auch hier sieht man, dass die beiden Zeilen linear abhängig sind, wir wählen x 1 =1, dann muss x 2 =-8/3 sein.
Dieser Online-Rechner berechnet den Eigenwert einer quadratischen Matrix bis zum 4. Grad durch die Lösung der charakteristischen Gleichung. Die charakteristische Gleichung ist eine Gleichung, die man durch die Gleichsetzung des charakteristischen Polynoms erhält. Daher benötigt der Rechner zuerst die charakteristische Gleichung mit dem Charakteristischer Polynom Rechner, bevor er sie analytisch löst, um den Eigenwert (entweder reell oder komplex) zu erhalten. Er kann dies nur für 2x2, 3x3 und 4x4 Matrizen unter Verwendung von den Lösung der quartischen Gleichung, Kubische Gleichung und Lösung der quartischen Gleichung Rechnern. Daher kann er den Eigenwert von Matrizen bis 4. Grades finden. Es ist sehr unwahrscheinlich, dass man ein mathematisches Problem für eine Matrix mit höheren Grad hat, da laut des Satzes von Abel–Ruffini eine allgemeine Polynomgleichung fünften oder höheren Grades nicht durch Radikale, d. h. Wurzelausdrücke, auflösbar ist, und daher nur durch ein Zahlenverfahren gelöst werden kann.