Ein Skalar λ, sodass es für einen linearen Operator oder eine quadratische Matrix A einen von Null verschiedenen Vektor v mit Av = λv gibt; λ gehört zum Spektrum von A und charakterisiert die skalierende Wirkung entlang v.

Prinzip

Eigenwerte identifizieren Richtungen (Eigenvektoren), die unter einer linearen Abbildung bis auf Skalierung invariant bleiben; das charakteristische Polynom det(A − λI)=0 liefert die Eigenwerte.

Demonstration

Für die Diagonal­matrix diag(2,3) sind die Eigenwerte 2 und 3 mit Eigenvektoren entlang der Koordinatenachsen; bei der Jakobimatrix an einem Fixpunkt bestimmen Eigenwerte die lokale Stabilität.

Fehlanwendung

Zu behaupten, Eigenvektoren existierten für beliebige nichtlineare Abbildungen ohne Linearisierung, oder Eigenwerte als eindeutige Skalardiagnostika zu behandeln ohne Vielfachheit, komplexe Werte oder defekte Matrizen zu berücksichtigen.

Konsequenz

Eigenwerte ermöglichen Modalanalysen, Stabilitäts‑ und Resonanzuntersuchungen, Dimensionsreduktion (PCA nutzt Eigenvektoren der Kovarianz) und spektrale Darstellungen bei Differentialoperatoren.

Umkehrung

Singularwerte aus der Singulärwertzerlegung messen die Eingangs‑Ausgangs‑Verstärkung ohne quadratische Matrizen oder invarianten Richtungen vorauszusetzen, betonen die Größe statt des Vorzeichen‑Skalierungsfaktors und können von Eigenwerten abweichen.

Abgrenzung

Definiert für lineare Operatoren auf Vektorräumen (endlich- oder unendlichdimensional) und deren Matrizenvertretungen; schließt die direkte Anwendung auf inhärent nichtlineare Dynamiken außer durch Linearisierung aus und schließt nicht‑spektrale Invarianten aus.

Semantische Spannung

Wird oft mit Singularwerten oder allgemein mit Nullstellen des charakteristischen Polynoms verwechselt; Eigenwerte sind spezifische Spektralskalare, gebunden an invariante Richtungen und abhängig von Körper (reell/komplex) und Definitionsbereich.

Synthese

Ein Eigenwert ist ein spektraler Skalar λ, sodass eine lineare Abbildung einen von Null verschiedenen Vektor v um den Faktor λ skaliert; zusammen mit Eigenvektoren zerlegt er lineares Wirken in invariante Modi, die in Analyse, Stabilität und Dimensionsreduktion genutzt werden.