Spektralzerlegung (Mathematik)

Die Spektralzerlegung oder spektrale Zerlegung ist in der linearen Algebra die Zerlegung einer quadratischen Matrix in eine Normalform, bei der die Matrix durch ihre Eigenwerte und Eigenvektoren dargestellt wird. Das gelingt genau dann, wenn die Matrix diagonalisierbar ist.[1]^:60[2] Grundlage für die Spektralzerlegung ist der Spektralsatz, unter dessen Bedingungen die Schur-Zerlegung die gegebene Matrix in eine Diagonalmatrix transformiert. Die Spektralzerlegung ist die Darstellung der Rücktransformation als Summe von Dyaden.

Gelegentlich wird

das Auffinden der Eigenwerte und Eigenvektoren einer Matrix $M$ oder
die Darstellung $M=U\Lambda U^{*}$ mit unitärer Matrix $U$ und ihrer adjungierten $U^{*}$

Spektralzerlegung von $M$ genannt. Die Diagonalmatrix mit den Eigenwerten $\lambda _{j}$ einer $(n\times n)$ -Matrix $M$

\Lambda ={\text{diag}}\{\lambda _{1},\lambda _{2},\ldots ,\lambda _{n}\}

ist die sogenannte Spektralmatrix, die das Spektrum der Matrix enthält.[3]^:252

Der Wert der dyadischen Zerlegung besteht vor allem in der strikten Trennung von Geometrie (dem Vektorgerüst) und dem Eigenwertspektrum.[3]^:275 Die Spektralzerlegung eines Matrizenpaares ist in der Modalanalyse von zentraler Bedeutung.

Definition

Die Zerlegung einer quadratischen $(n\times n)$ -Matrix über der Grundmenge $G$ in der Form

M = λ₁ P₁ + … + λ_n P_n

ist die Spektralzerlegung von M, wenn gilt:[1]^:60

Die λ_i sind die paarweise verschiedenen Eigenwerte von M.
Die P_i sind n×n-Matrizen mit den Eigenschaften
- P_i P_j = O für i ≠ j und P_i P_j = P_i für i = j, wo O die n×n-Nullmatrix ist, und
- P₁ + … + P_n = E, wo E die n×n-Einheitsmatrix ist.
Es gibt Polynome f_j mit f_j(M) = P_j.

Eine solche Zerlegung existiert genau dann, wenn M eine diagonalisierbare Matrix ist. Die Matrizen P_j werden Eigendyaden oder Stützdyaden genannt.[3]^:274

Die Spektralzerlegung eines n×n-Matrizenpaares K;M, M regulär, lautet[3]^:274

K = λ₁ D₁ + … + λ_n D_n = Σ_j λ_j D_j

M = D₁ + … + D_n = Σ_j D_j

mit den Merkmalen:

Die λ_i sind die Eigenwerte des Matrizenpaares K;M, sie erfüllen det(K - λ_iM) = 0.
Die n×n-Matrizen D_i genügen den Bedingungen
- D_i M^-1 D_j = O für i ≠ j und
- D_i M^-1 D_j = D_i für i = j.

Kriterien für Diagonalisierbarkeit

Eine quadratische n-dimensionale Matrix A heißt unitär diagonalisierbar oder diagonalähnlich, wenn

sie eine normale Matrix ist, deren Eigenwerte Elemente ihrer Grundmenge sind, oder
es eine Diagonalmatrix D gibt, zu der sie ähnlich ist, d. h. dass es eine reguläre Matrix S gibt, sodass S^-1 AS eine Diagonalmatrix ist,[4]^:344 oder
sie n linear unabhängige Eigenvektoren besitzt,[4]^:344 oder
die algebraische und geometrische Vielfachheit für jeden Eigenwert von A übereinstimmen.[4]^:344

Allgemein gilt:

Auf der Grundmenge der komplexen Zahlen ist jede normale Matrix und jede hermitesche Matrix diagonalisierbar.
Jede reelle symmetrische Matrix ist diagonalisierbar.[4]^:345
Eine normale Dreiecksmatrix ist eine Diagonalmatrix.

Ein reelles n×n-Matrizenpaar ist diagonalähnlich, wenn[3]^:270ff

es n verschiedene Eigenwerte besitzt oder
es n linear unabhängige Links- und Rechtseigenvektoren besitzt oder
für jeden der verschiedenen Eigenwerte der Rangabfall (Defekt) gleich der algebraischen Vielfachheit ist.

Diagonalähnliche Matrix

Wegen ihrer Bedeutung in der Praxis[3]^:285, beschränkt sich die Darstellung auf reelle symmetrische Matrizen, die immer spektral zerlegt werden können. Des Weiteren wird der n-dimensionale Raum ℝⁿ benutzt, in dem sich Summen, angezeigt durch Σ_j, immer über j = 1,…,n erstrecken.

Eigenwertproblem

Ausgangspunkt ist das Eigenwertproblem einer Matrix M

Mû = λû, û ≠ ô

mit nicht-trivialen, vom Nullvektor ô verschiedenen Lösungen û. Der Skalar λ ist Eigenwert der Matrix M, wenn es wenigstens einen solchen Vektor û gibt.[4]^:338 Die Vektoren û, die der Bedingung ersprechen, sind die zu λ gehörenden Eigenvektoren der Matrix M. Mit û ist auch jedes Vielfache von û Eigenvektor, weswegen sie oft, aber nicht notwendigerweise, auf Länge eins normiert werden. Mit der Einheitsmatrix E kann das Eigenwertproblem

( M - λE )û = ô, û ≠ ô

geschrieben werden. Damit nicht-triviale Lösungen des Eigenwertproblems existieren, muss die Matrix in den Klammern singulär sein:

p(λ) := det( M - λE ) = 0

Die Nullstellen des charakteristischen Polynoms p(λ) sind die Eigenwerte, deren Gesamtheit das Spektrum und dessen betraglich größtes Element den Spektralradius der Matrix M bilden.

Diagonalisierbarkeit einer reellen symmetrischen Matrix

Der Spektralsatz besagt, dass M genau dann diagonalisiert werden kann, wenn

sie eine normale Matrix ist, sie also mit ihrer transponierten kommutiert (M^⊤M = MM^⊤), und
alle Eigenwerte zur Grundmenge gehören, hier reell sind.

Reelle symmetrische Matrizen sind normal (wegen M = M^⊤ ist M^⊤M = MM = MM^⊤) und besitzen ausschließlich reelle Eigenwerte.[4]^:345 Denn mit einem komplexen Eigenvektor û und seinem konjugiert komplex transponierten û^⋆ ist zunächst

û^⋆ Mû = û^⋆ λû = λû^⋆ û = λ|û|²

mit dem Betragsquadrat |û|² ∈ ℝ, > 0. Bei einer Zahl, aufgefasst als 1×1-Matrix, richtet die Transposition nichts aus, weshalb

û^⋆ Mû = (û^⋆ Mû)^⊤ = û^⊤ Mû^⋆⊤ = û^⋆Mû = û^⋆ Mû = û^⋆ λû = λû^⋆ û = λ|û|²

Der Überstrich bezeichnet den konjugiert komplexen Wert. Es ist also λ|û|² = λ|û|², λ reell und erwiesen, dass jede reelle symmetrische Matrix diagonalisierbar ist.

Ferner gilt:

bei jedem Eigenwert entspricht die geometrische Vielfachheit seiner algebraischen[4]^:345,
es gibt eine Vektorraumbasis des ℝⁿ, die aus den Eigenvektoren von M besteht[4]^:343 und
es gibt eine orthogonale Matrix Q, sodass Q^⊤ MQ Diagonalgestalt besitzt.

Orthogonalität der Eigenvektoren

Die zu verschiedenen Eigenwerten gehörenden Eigenvektoren sind orthogonal zueinander, denn bei zwei Eigenwert-Eigenvektor-Paaren Mû = λû und Mŵ = ηŵ ist bei symmetrischer Matrix M

ŵ^⊤ Mû = λŵ^⊤ û = (ŵ^⊤ Mû)^⊤ = û^⊤ Mŵ = ηû^⊤ ŵ = ηŵ^⊤ û

was bei λ ≠ η die Orthogonalität û^⊤ ŵ = ŵ^⊤ û = 0 erzwingt.

Bei gleichen Eigenwerten gilt das nicht, sondern vielmehr, weil die geometrische Vielfachheit der algebraischen entspricht, dass die zu einem k-fachen Eigenwert λ gehörenden Eigenvektoren einen k-dimensionalen Unterraum bilden, den Eigenraum von λ. Bei einem doppelten Eigenwert erschaffen alle zu ihm gehörenden Eigenvektoren beispielsweise eine zweidimensionale (Hyper-) Ebene. Für die spektrale Zerlegung ist jede Orthonormalbasis des Eigenraums gleich geeignet.

Jedenfalls gibt es n paarweise orthogonale Eigenvektoren û_1,…,n; diese werden auf Länge eins normiert und bilden so eine Orthonormalbasis des ℝⁿ. Die Basisvektoren werden mit der Standardbasis ê_1,…,n spaltenweise in eine Matrix Q einsortiert:

Q = Σ_i û_i ê_i^⊤

Für Q gilt dann nach Konstruktion

Q^⊤ Q = E, d. h. Q ist eine orthogonale Matrix und
MQ = QΛ oder Λ = Q^⊤ MQ, wo Λ die diagonale #Spektralmatrix ist.

Spektralzerlegung der Matrix

Bei einer reellen symmetrischen Matrix M gibt es eine orthogonale Matrix Q, sodass Λ = Q^⊤MQ Diagonalgestalt besitzt.[4]^:345 Die #Spektralmatrix lässt sich mit der Standardbasis ê_1,…,n als Summe ausdrücken:

Λ := diag(λ₁, λ₂,…, λ_n) = Σ_j λ_j ê_j ê_j^⊤

Die Rücktransformation M = QΛQ^⊤ schreibt sich mit den Spaltenvektoren û_i der Matrix Q und den Eigendyaden

P_j = û_j û_j^⊤

als Summe

M = QΛQ^⊤ = (Σ_i û_i ê_i^⊤)(Σ_j λ_j ê_j ê_j^⊤)(Σ_k ê_k û_k^⊤) = Σ_j λ_j û_j û_j^⊤ =: Σ_j λ_j P_j.

Das ist die spektrale Zerlegung der Matrix M.

Die Eigendyaden P_j genügen den Bedingungen in der #Definition:

P_i P_j = û_i û_i^⊤ û_j û_j^⊤ = (û_i^⊤ û_j)û_i û_j^⊤ = O, wenn i ≠ j,

P_i P_j = (û_i^⊤ û_j) û_i û_j^⊤ = û_i û_i^⊤ = P_i, wenn j = i.

Σ_i P_i = Σ_i û_i û_i^⊤ = Σ_i,j û_i (ê_i^⊤ ê_j)û_j^⊤ = Σ_i,j û_i ê_i^⊤ ê_j û_j^⊤ = (Σ_i û_i ê_i^⊤)(Σ_j ê_j û_j^⊤) = QQ^⊤ = E

mit der Nullmatrix O und der Einheitsmatrix E.

Anwendungen der Spektralzerlegung

Inverse einer Matrix

Mit der spektralen Zerlegung einer reellen Matrix M kann die inverse Matrix M^-1 sofort angegeben werden, sofern sie existiert. Das ist genau dann der Fall, wenn die Determinante, die das Produkt der Eigenwerte λ_i der Matrix ist, nicht null ist, also kein Eigenwert gleich null ist. Die Inverse hat die reziproken Eigenwerte λ_i^-1 und die gleichen Eigenvektoren wie die Matrix selbst. Mit der spektralen Zerlegung M = Σ_j λ_j P_j schreibt sich die Inverse als

M^-1 = λ₁^-1 P₁ + … + λ_n^-1 P_n.

Funktionswert einer Matrix

Für eine skalarwertige Funktion f(x) ∈ ℝ eines skalaren Arguments x ∈ ℝ kann der Funktionswert f(M) einer diagonalisierbaren Matrix M mit Hilfe ihrer Spektralzerlegung M = Σ_j λ_j P_j definiert werden:

f(M) := Σ_j f(λ_j) P_j

Ist f eine mehrdeutige Funktion, wie die Wurzel, mit k alternativen Werten, dann steht f(M) mehrdeutig für kⁿ alternative Matrizen. Die nullte Potenz der Matrix ergibt sich beispielsweise aus f(x) = x⁰ zur Einheitsmatrix E:

f(M) = Σ_j λ_j⁰ P_j = Σ_j P_j = M⁰ = E

Bei einer Potenzreihe einer Matrix ist die spektrale Zerlegung nützlich. Soll

p(M) := a₀ E + a₁ M¹ +…+ a_N M^N

mit konstanten Koeffizienten a₀,…, a_N ∈ ℝ berechnet werden, kann das mit dem Polynom

f(x) := a₀ x⁰ + a₁ x¹ +…+ a_N x^N

und obiger Definition des Funktionswerts einer diagonalisierbaren Matrix vermöge

p(M) = f(M) = Σ_j f(λ_j) P_j

abgekürzt werden. Die Berechnung von N k-ten Potenzen der n×n-Matrix M ist somit zurückgeführt auf eine Spektralzerlegung und die Berechnung von N k-ten Potenzen von n Skalaren.

Modalanalyse

Die mechanische Beschreibung eines ungedämpften schwingfähigen Systems, z. B. eines Masse-Feder-Systems, führt auf eine Schwingungsgleichung der Form

Mẍ + Kx = F

Darin ist M die positiv definite Massenmatrix, K die Steifigkeitsmatrix, beide symmetrisch und reell, x der Verschiebungsvektor und ẍ der Beschleunigungsvektor, der die zweite Zeitableitung von x ist, angezeigt durch die Überpunkte. Die rechte Seite repräsentiert die Anregung des Systems, auf die es mitunter katastrophal reagiert, wenn bei einer bestimmten Frequenz, der Resonanzfrequenz, dauerhaft

Mẍ + Kx = ô

der Nullvektor ô ist. In der Nähe der Resonanzfrequenzen, die entsprechend von großem Interesse sind, wird die Schwingung von einer Eigenschwingungsform dominiert, wo in guter Näherung x = sin(ωt)û mit konstantem û, der Eigenfrequenz ω und der Zeit t ist. Mit dem Eigenwert λ = ω² entsteht das verallgemeinerte Eigenwertproblem

( K - λM )û = ô, û ≠ ô

des Matrizenpaares K;M.[3]^:246ff

Diagonalähnliches Matrizenpaar

Wegen ihrer Bedeutung in der Praxis[3]^:285, beschränkt sich die Darstellung auf reelle Matrizen. Des Weiteren wird der n-dimensionale Raum ℝⁿ benutzt, weswegen sich Summen, angezeigt durch Σ_j, immer über j = 1,…,n erstrecken.

Verallgemeinertes Eigenwertproblem

Ausgangspunkt des verallgemeinerten Eigenwertproblems des Matrizenpaares K;M[3]^:246ff ist

( K - λM )û = ô, û ≠ ô

mit nicht-trivialen, vom Nullvektor ô verschiedenen Lösungen û. Der Skalar λ ist Eigenwert des Matrizenpaares K;M, wenn es wenigstens einen solchen Vektor û gibt. Die Vektoren û, die die Bedingung erfüllen, sind die zu λ gehörenden Rechtseigenvektoren. Die Linkseigenvektoren ŷ genügen

ŷ^⊤ ( K - λ M ) = ô^⊤, ŷ ≠ ô

Damit nicht-triviale Lösungen des Eigenwertproblems existieren, muss die Matrix in den Klammern singulär sein:

p(λ) := det( K - λM ) = 0

Die Nullstellen des charakteristischen Polynoms p(λ) sind die Eigenwerte des Matrizenpaares K;M.

Wenn die Leitmatrix M singulär ist, dann gibt es weniger als n Eigenwerte, unter Umständen auch gar keinen. Beim Skalarpaar ist K = aM und λ = a n-facher Eigenwert.[3]^:251 Hier wird von regulärer Leitmatrix M ausgegangen.

Orthogonalität der Links- und Rechtseigenvektoren

Mit den Links- und Rechtseigenvektoren ŷ bzw. û lässt sich das Eigenwertproblem auch so schreiben:[3]^:251

ŷ^⊤ K = λ ŷ^⊤ M, Kû = λ Mû

Zu verschiedenen Eigenwerten gehörende Links- und Rechtseigenvektoren sind bezüglich K und M orthogonal zueinander[3]^:253. Denn wird das Eigenwertproblem zu zwei Eigenwert-Eigenvektor-Paaren

ŷ^⊤ K = λ ŷ^⊤ M, Kû = λ Mû und ẑ^⊤ K = η ẑ^⊤ M, Kŵ = η Mŵ

von links und rechts mit den gegnerischen Links- bzw. Rechtseigenvektoren multipliziert, entsteht

ŷ^⊤ Kŵ = λ ŷ^⊤ Mŵ = η ŷ^⊤ Mŵ und ẑ^⊤ Kû = λ ẑ^⊤ Mû = η ẑ^⊤ Mû

Bei λ ≠ η sind alle Terme notwendig null, mit der Konsequenz

ŷ^⊤ Kŵ = ŷ^⊤ Mŵ = ẑ^⊤ Kû = ẑ^⊤ Mû = 0

und damit auch

ẑ^⊤ ( K - λ M )û = ŷ^⊤ ( K - η M )ŵ = 0, wenn λ ≠ η

Zudem gilt:[3]^:265

Ist ein Eigenwert λ komplex, dann ist auch sein konjugiert komplexer Wert λ Eigenwert, und dieser hat die zu den Eigenvektoren von λ konjugiert komplexen Eigenvektoren.
Der reale und der imaginäre Anteil eines Eigenvektors sind voneinander linear unabhängig (nicht parallel).

Diagonalisierung des Matrizenpaares

Wenn M eine reguläre Matrix ist, werden die Eigenwerte mit der Standardbasis ê_1,…,n zur #Spektralmatrix

Λ = Σ_j λ_j ê_j ê_j^⊤ = diag(λ₁, λ₂,…,λ_n)

zusammengefasst. Sind zudem alle n Eigenwerte verschieden, dann gibt es zu jedem von ihnen einen Links- und einen Rechtseigenvektor. Die Linkseigenvektoren werden zeilenweise und die Rechtseigenvektoren spaltenweise in reguläre[3]^:269 Modalmatrizen

Y = Σ_j ê_j ŷ_j^⊤ bzw. U = Σ_j û_j ê_j^⊤

eingelagert. Wegen der paarweisen Orthogonalität der Links- und Rechtseigenvektoren bezüglich K und M liefern die Produkte

L = YKU = diag( ŷ_j^⊤ Kû_j )

N = YMU = diag( ŷ_j^⊤ Mû_j )

Diagonalmatrizen. Weil Y, M und U regulär sind, ist es auch N, und dann können die Linkseigenvektoren so skaliert werden, dass N zu einer Einheitsmatrix wird. Das leistet z. B. N selbst:[3]^:269

WKU = Λ, WMU = E mit W = N^-1 Y

Das Matrizenpaar K;M ist somit diagonalähnlich.

Bei mehrfachen Eigenwerten sind L und N keine strikten Diagonalmatrizen mehr, sondern Blockdiagonalmatrizen, wo sich jeder Block auf einen Eigenwert bezieht und die Dimension seines Eigenraumes die Blockgröße bestimmt. Die zu verschiedenen Eigenwerten gehörenden Außenblöcke in L und N sind wegen der Orthogonalität der Links- und Rechtseigenvektoren bezüglich K und M Nullmatrizen.

In der Praxis interessieren zumeist allein die Rechtseigenvektoren[3]^:271 und dann kann, wenn die algebraische und geometrische Vielfachheit bei jedem Eigenwert übereinstimmen, wie folgt fortgefahren werden. Die zu einem Eigenwert λ gehörenden σ Linkseigenvektoren werden zu einem σ×n-Eigenstreifen Y_λ zusammengefasst und mit dem zugehörigen σ×σ-Block N_λ der Matrix N normiert: W_λ := N_λ^-1 Y_λ. Diese Eigenstreifen werden zur Linksmodalmatrix

W = Σ_j ê_j ŵ_j^⊤

zusammengestellt, mit der die Transformation auf das strikte Diagonalpaar

WKU = Λ und WMU = E

gelingt,[3]^:272 siehe auch das #Beispiel. Für die normierten Linkseigenvektoren ŵ_i^⊤ in den Zeilen der Linksmodalmatrix W bedeutet das:

ŵ_i^⊤ Kû_i = λ_i und ŵ_i^⊤ Mû_i = 1, i = 1,…,n

und die #Orthogonalität der Links- und Rechtseigenvektoren bezüglich K und M besteht auch hier:

ŵ_i^⊤ Kû_j = ŵ_i^⊤ Mû_j = 0 falls i ≠ j.

Spektralzerlegung des Matrizenpaars

Die Identität WMU = E besagt auch, dass MU die inverse Matrix von W und WM die Inverse von U ist, und, weil eine Matrix und ihre Inverse kommutieren, ist auch MUW = UWM = E, mit der Konsequenz:[3]^:273ff

MUW = M(Σ_j û_j ê_j^⊤) (Σ_i ê_i ŵ_i^⊤) = Σ_j Mû_j ŵ_j^⊤ = E

Mit den Eigendyaden

D_j := Mû_j ŵ_j^⊤ M

entsteht die Spektralzerlegung der Leitmatrix

M = Σ_j D_j

Multiplikation der Gleichung WKU = Λ von links mit MU und von rechts mit WM liefert die Spektralzerlegung von K:

K = MUΛWM = M(Σ_i û_i ê_i^⊤) (Σ_j λ_j ê_j ê_j^⊤) (Σ_k ê_k ŵ_k^⊤) M = Σ_j λ_j Mû_j ŵ_j^⊤ M = Σ_j λ_j D_j

Die Eigendyaden erfüllen die Orthogonalitätsbedingungen[3]^:274

ŵ_j^⊤ D_k = ô^⊤, D_k û_j = ô und D_j M^-1 D_k = O für k ≠ j

sowie die Gegenstücke

ŵ_k^⊤ D_k = ŵ_k^⊤ M, D_k û_k = M û_k, D_k M^-1 D_k = D_k für k = 1,…,n.

Beispiel

Vorgelegt sind die Matrizen[3]^:253

{\mathsf {K}}={\begin{pmatrix}-2&2&-3\\3&3&-6\\2&4&-15\end{pmatrix}}

und

{\mathsf {M}}={\begin{pmatrix}1&0&0\\0&1&-1\\1&2&0\end{pmatrix}},\;\mathrm {det} ({\mathsf {M}})=2

Die charakteristische Gleichung

p(λ) := det( K - λM ) = 90 + 42λ - 2λ² - 2λ³ = (3 + λ)²(5 - λ)

hat die doppelte Nullstelle λ₁ = -3 und die einfache λ₂ = 5. Die Eigenvektoren zum ersten Eigenwert sind nicht-triviale Lösungen von ŷ^⊤ Aû = 0 mit

{\mathsf {A}}={\mathsf {K}}+3{\mathsf {M}}={\begin{pmatrix}1&2&-3\\3&6&-9\\5&10&-15\\\end{pmatrix}}

Ihre Bestimmung erfolgt mit dem Generalschema einer Äquivalenztransformation. Dazu werden Einheitsmatrizen E_L, E_R und die Matrix A in einer Hypermatrix angeordnet

E_L	A
O	E_R

wo O die Nullmatrix ist und im Folgenden nicht mehr aufgeführt wird. Nacheinander werden in den Matrizen E_L und A simultan Zeilen

mit einer Zahl multipliziert,
mit einer anderen Zeile vertauscht oder
mit einer Zahl multipliziert zu einer anderen Zeile addiert.

Entsprechend darf mit den Spalten der Matrizen A und E_R verfahren werden. Daraus wird

L	D
	R

mit der Eigenschaft LAR = D. Die Linkseigenvektoren von A zum Eigenwert null gehören zu Nullzeilen von D und stehen links daneben zeilenweise in L und R enthält die Rechtseigenvektoren spaltenweise, und die gehören zu aus Nullen bestehende Spalten von D, siehe Äquivalenztransformation#Eigenspalten und Eigenzeilen einer singulären Matrix.

Hier entsteht aus

1			1	2	-3
	1		3	6	-9
		1	5	10	-15
			1
				1
					1

, dem Zwischenschritt

1	0	0	1	2	-3
-3	1	0	0	0	0
-5	0	1	0	0	0
			1
				1
					1

das Endergebnis

1	0	0	1	0	0	D
-3	1	0	0	0	0
-5	0	1	0	0	0
L			1	-2	3
R			0	1	0
			0	0	1

Die gelb unterlegten Nullzeilen in D weisen auf die Linkseigenvektoren

ŷ₁ = (-3 1 0 )^⊤, ŷ₂ = (-5 0 1)^⊤

in den Zeilen von L und die zugehörigen ebenfalls gelb unterlegten Rechtseigenvektoren finden sich unter den Nullspalten von D spaltenweise in R:

û₁ = (-2 1 0 )^⊤, û₂ = (3 0 1)^⊤

Den Links- und Rechtseigenvektor zum Eigenwert 5 bekommt man aus

{\mathsf {A}}={\mathsf {K}}-5{\mathsf {M}}={\begin{pmatrix}-7&2&-3\\3&-2&-1\\-3&-6&-15\end{pmatrix}}

dem Startpunkt

1			-7	2	-3
	1		3	-2	-1
		1	-3	-6	-15
			1
				1
					1

und dem Endergebnis

1	0	0	-7	2	0	D
0	1	0	3	-2	0
-3	-6	1	0	0	0
L			1	0	-1
R			0	1	-2
			0	0	1

Die Eigenvektoren finden sich in der gelb unterlegten dritten Zeile und sechsten Spalte der Hypermatrix:

ŷ₃ = (-3 -6 1)^⊤ und û₃ = (-1 -2 1)^⊤.

Damit hat man die Modalmatrizen

{\mathsf {Y}}={\begin{pmatrix}{\hat {\mathsf {y}}}_{1}^{\top }\\{\hat {\mathsf {y}}}_{2}^{\top }\\{\hat {\mathsf {y}}}_{3}^{\top }\end{pmatrix}}={\begin{pmatrix}-3&1&0\\-5&0&1\\-3&-6&1\end{pmatrix}},\;{\mathsf {U}}={\begin{pmatrix}{\hat {\mathsf {u}}}_{1}&{\hat {\mathsf {u}}}_{2}&{\hat {\mathsf {u}}}_{3}\end{pmatrix}}={\begin{pmatrix}-2&3&-1\\1&0&-2\\0&1&1\end{pmatrix}}

Das Produkt

{\mathsf {N}}={\mathsf {YMU}}={\begin{pmatrix}7&-10&0\\10&-12&0\\0&0&16\end{pmatrix}}

ist eine Blockdiagonalmatrix. Hier bedeutet die Invertierung von N keinen wesentlichen Mehraufwand gegenüber der getrennten Invertierung jedes ihrer Diagonalblöcke und die Normierung der Linkseigenvektoren kann in einem Schritt erfolgen:

{\mathsf {W}}={\begin{pmatrix}{\hat {\mathsf {w}}}_{1}^{\top }\\{\hat {\mathsf {w}}}_{2}^{\top }\\{\hat {\mathsf {w}}}_{3}^{\top }\end{pmatrix}}={\mathsf {N^{-1}Y}}={\frac {1}{16}}{\begin{pmatrix}-14&-12&10\\-5&-10&7\\-3&-6&1\end{pmatrix}}

Mit dieser Linksmodalmatrix werden M und K diagonalisiert:

WKU = Λ = diag(λ₁,λ₁,λ₂) und WMU = E

Die Eigendyaden sind ausgeschrieben

{\begin{aligned}{\mathsf {D}}_{1}=&{\mathsf {M}}{\hat {\mathsf {u}}}_{1}{\hat {\mathsf {w}}}_{1}^{\top }{\mathsf {M}}={\frac {1}{4}}{\begin{pmatrix}2&-4&-6\\-1&2&3\\0&0&0\end{pmatrix}}\\{\mathsf {D}}_{2}=&{\mathsf {M}}{\hat {\mathsf {u}}}_{2}{\hat {\mathsf {w}}}_{2}^{\top }{\mathsf {M}}={\frac {1}{8}}{\begin{pmatrix}3&6&15\\-1&-2&-5\\3&6&15\end{pmatrix}}\\{\mathsf {D}}_{3}=&{\mathsf {M}}{\hat {\mathsf {u}}}_{3}{\hat {\mathsf {w}}}_{3}^{\top }{\mathsf {M}}={\frac {1}{8}}{\begin{pmatrix}1&2&-3\\3&6&-9\\5&10&-15\end{pmatrix}}\end{aligned}}

und geben die spektralen Zerlegungen

{\begin{aligned}{\mathsf {M}}=&\quad \,{\frac {1}{4}}{\begin{pmatrix}2&-4&-6\\-1&2&3\\0&0&0\end{pmatrix}}+{\frac {1}{8}}{\begin{pmatrix}3&6&15\\-1&-2&-5\\3&6&15\end{pmatrix}}+{\frac {1}{8}}{\begin{pmatrix}1&2&-3\\3&6&-9\\5&10&-15\end{pmatrix}}\\{\mathsf {K}}=&-{\frac {3}{4}}{\begin{pmatrix}2&-4&-6\\-1&2&3\\0&0&0\end{pmatrix}}-{\frac {3}{8}}{\begin{pmatrix}3&6&15\\-1&-2&-5\\3&6&15\end{pmatrix}}+{\frac {5}{8}}{\begin{pmatrix}1&2&-3\\3&6&-9\\5&10&-15\end{pmatrix}}\end{aligned}}

Literatur

Guido Walz (Hrsg.): Lexikon der Mathematik. 2. Auflage. Band 5 (Sed bis Zyl). Springer Spektrum Verlag, Mannheim 2017, ISBN 978-3-662-53505-9, doi:10.1007/978-3-662-53506-6.
Spektralzerlegung einer Matrix. In: Lexikon der Mathematik. Spektrum Akademischer Verlag, Heidelberg 2017 (spektrum.de).
R. Zurmühl, S. Falk: Matrizen und ihre Anwendungen 1. Grundlagen, Für Ingenieure, Physiker und Angewandte Mathematiker. Springer, Berlin u. a. 1997, ISBN 3-540-61436-2.
G. Bärwolf: Höhere Mathematik für Naturwissenschaftler und Ingenieure. 3. Auflage. Springer Spektrum, 2017, ISBN 978-3-662-55021-2, doi:10.1007/978-3-662-55022-9.

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. The authors of the article are listed here. Additional terms may apply for the media files, click on images to show image meta data.

[lexikon-1] Guido Walz (Hrsg.): Lexikon der Mathematik. 2. Auflage. Band 5 (Sed bis Zyl). Springer Spektrum Verlag, Mannheim 2017, ISBN 978-3-662-53505-9, doi:10.1007/978-3-662-53506-6.

[2] Spektralzerlegung einer Matrix. In: Lexikon der Mathematik. Spektrum Akademischer Verlag, Heidelberg 2017 (spektrum.de).

[zurmuehl-3] R. Zurmühl, S. Falk: Matrizen und ihre Anwendungen 1. Grundlagen, Für Ingenieure, Physiker und Angewandte Mathematiker. Springer, Berlin u. a. 1997, ISBN 3-540-61436-2.

[baerwolf-4] G. Bärwolf: Höhere Mathematik für Naturwissenschaftler und Ingenieure. 3. Auflage. Springer Spektrum, 2017, ISBN 978-3-662-55021-2, doi:10.1007/978-3-662-55022-9.