DE 
English
Українська
Polski📐 Eigenwerte & Eigenvektoren — Visualisierer für lineare Transformationen
Visualisiere, wie eine 2×2-Matrix Vektoren transformiert. Beobachte, wie Eigenvektoren auf ihrer eigenen Spanne bleiben, während andere Vektoren rotieren und skalieren. Erkunde Rotations-, Scher-, Skalierungs- und Projektionsmatrizen.
Über diese Simulation
Eine 2×2-Matrix A wirkt auf Vektoren in der Ebene, wobei sie diese im Allgemeinen rotiert und streckt. Eigenvektoren sind besondere Richtungen, die unter dieser Transformation nur skaliert werden: Av = λv, wobei der Skalar λ der Eigenwert ist. Der Einheitskreis wird auf eine Ellipse abgebildet, deren Halbachsen mit den Eigenvektoren übereinstimmen und Längen |λ₁| und |λ₂| haben.
🔬 Was gezeigt wird
Eigenvektoren werden als beständige Richtungen hervorgehoben; negative Eigenwerte verursachen Spiegelung; komplexe Eigenwerte (negative Diskriminante) erzeugen reine Rotationstransformationen ohne reelle Eigenvektoren.
🎮 Bedienung
Ziehe Regler a, b, c, d, um die Matrix festzulegen, oder klicke eine Voreinstellung (Identität, Rotation 45°, Scherung, Streckung ×2, Projektion, Symmetrisch, Defekt).
💡 Wusstest du schon?
Diese Zusammenhänge stehen zentral in der Quantenmechanik (Energieniveaus sind Eigenwerte des Hamilton-Operators), im Bauingenieurwesen (Schwingungsmoden sind Eigenvektoren) und in der Datenwissenschaft (PCA findet Eigenvektoren der Kovarianzmatrix).
Häufig gestellte Fragen
Was ist ein Eigenvektor, und warum ist er besonders?
Ein Eigenvektor v der Matrix A ist ein von null verschiedener Vektor, sodass die Multiplikation mit A ihn nur skaliert: Av = λv. Jeder andere Vektor in der Ebene wird von A sowohl rotiert als auch skaliert, aber Eigenvektoren bleiben auf ihrer eigenen Linie.
Wie findet man die Eigenwerte einer 2×2-Matrix?
Für A = [[a,b],[c,d]] löse det(A − λI) = 0: (a−λ)(d−λ) − bc = 0, was λ² − (a+d)λ + (ad−bc) = 0 ergibt. Die Mitternachtsformel liefert λ = [tr(A) ± √(tr(A)²−4det(A))]/2.
Was bedeutet es, wenn Eigenwerte komplex sind?
Komplexe Eigenwerte λ = α ± βi (mit β ≠ 0) zeigen an, dass kein reeller Vektor in seiner Richtung erhalten bleibt — die Matrix wirkt als Rotation kombiniert mit Skalierung.
Was ist Diagonalisierung, und wann ist sie möglich?
Eine Matrix A ist diagonalisierbar, wenn sie n linear unabhängige Eigenvektoren besitzt — dann gilt A = PDP⁻¹, wobei D diagonal ist mit den Eigenwerten auf der Diagonale.
Was ist die geometrische Interpretation der Determinante?
Die Determinante einer 2×2-Matrix entspricht dem vorzeichenbehafteten Flächenskalierungsfaktor der Transformation: det(A) = λ₁λ₂. Ein Einheitsquadrat wird auf ein Parallelogramm mit Fläche |det(A)| abgebildet.
Wie hängt PCA mit Eigenwerten zusammen?
Die Hauptkomponentenanalyse (PCA) findet die Richtungen der größten Varianz in einem Datensatz, indem sie die Eigenwerte und Eigenvektoren der Kovarianzmatrix C = (1/n)XᵀX berechnet.