Kostenloser Matrizenrechner

Funktionsweise

Legen Sie die Dimensionen für Matrix A und B fest, geben Sie Werte ein und wählen Sie eine Operation. Der Rechner validiert die Dimensionen und führt die Operation durch und zeigt das Ergebnis in einem klaren Matrix-Raster.

Unterstützte Operationen

• Addition und Subtraktion · Erfordert Matrizen gleicher Dimension
• Multiplikation · Spalten von A müssen den Zeilen von B entsprechen
• Transponierung · Vertauscht Zeilen und Spalten (A^T, B^T)
• Determinante · Nur quadratische Matrizen (det(A), det(B))
• Inverse · Quadratische Matrizen mit Determinante ungleich null (A^−1, B^−1)

Häufig gestellte Fragen

Welche Matrix-Dimensionen werden unterstützt?

Matrizen bis zu 6×6 Dimensionen werden unterstützt. Wählen Sie die Anzahl der Zeilen und Spalten für jede Matrix, bevor Sie Werte eingeben.

Wann kann ich eine Inverse berechnen?

Eine Matrix-Inverse existiert nur für quadratische Matrizen (gleiche Anzahl von Zeilen und Spalten) mit einer Determinante ungleich null. Singuläre Matrizen (Determinante = 0) haben keine Inverse.

Werden meine Daten gespeichert?

Nein. Alle Berechnungen laufen in Ihrem Browser. Nichts wird gespeichert oder an einen Server gesendet.

Was eine Matrix eigentlich ist

Eine Matrix ist eine rechteckige Anordnung von Zahlen in Zeilen und Spalten, die als ein einzelnes mathematisches Objekt behandelt wird. Die Form wird als m × n geschrieben, wobei m die Anzahl der Zeilen und n die Anzahl der Spalten ist, immer Zeilen zuerst. Die einzelnen Zahlen darin sind Einträge oder Elemente; ein Eintrag in Zeile i, Spalte j wird mit 1-basierter Indizierung als aij bezeichnet. (Einer der häufigsten Fehler beim Übertragen mathematischer Arbeiten in Code ist die Diskrepanz zwischen dieser 1-basierten Konvention und der 0-basierten Indizierung von C, Python und JavaScript.)

Ein Vektor ist eine Matrix mit einer Zeile (1 × n, „Zeilenvektor“) oder einer Spalte (m × 1, „Spaltenvektor“). Ein Skalar ist eine 1 × 1-Matrix. Diese Verschachtelung ist wichtig: Sie bedeutet, dass jede Operation der linearen Algebra (Skalarprodukte, Projektionen, Transformationen) einheitlich als Matrixarithmetik ausgedrückt werden kann, weshalb Matrizen nach 1900 zur universellen Sprache der angewandten Mathematik wurden.

Eine kurze Geschichte

Der früheste bekannte Vorläufer findet sich in den chinesischen Neun Kapiteln der mathematischen Kunst (um das 2. Jahrhundert v. Chr.), die eine tabellarische Methode der gaußschen Elimination namens fangcheng verwendeten, um simultane lineare Gleichungen zu lösen. Der moderne Begriff „Matrix“ wurde 1850 vom englischen Mathematiker James Joseph Sylvester geprägt, in Anlehnung an das lateinische Wort für „Gebärmutter“, eine Struktur, in der Unterdeterminanten wachsen können. Die grundlegende Arbeit war die 1858 erschienene „A Memoir on the Theory of Matrices“ von Sylvesters Freund und Mitarbeiter Arthur Cayley, die die Matrixmultiplikation, die Einheitsmatrix, die Nullmatrix und die Inverse formalisierte und Matrizen von einer notationellen Bequemlichkeit zu einer eigenständigen Algebra machte.

Im späten 19. und frühen 20. Jahrhundert festigten die Gauß-Jordan-Elimination, die Eigenwerttheorie und der Spektralsatz Matrizen als zentrales Werkzeug der linearen Algebra. Die Wendepunkte des 20. Jahrhunderts waren Werner Heisenbergs Formulierung der Quantentheorie als Matrizenmechanik 1925 (weshalb Physiker begannen, Matrizen ernst zu nehmen), die Arbeit von John von Neumann und Herman Goldstine 1947 über die numerische Inversion von Matrizen hoher Ordnung, die die moderne numerische lineare Algebra begründete, und die Veröffentlichung von BLAS (Basic Linear Algebra Subprograms) 1979 und von LAPACK 1992: die optimierten Bibliotheken, die jede wissenschaftliche Rechenplattform von MATLAB bis NumPy letztlich aufruft.

Die sechs Kernoperationen, erklärt

Addition und Subtraktion. Beide Matrizen müssen identische Dimensionen haben. Das Ergebnis hat dieselbe Form, und jeder Eintrag ist die elementweise Summe: cij = aij + bij. Sie können eine 2×3 nicht zu einer 3×2 addieren; die Operation ist undefiniert. Die Matrixaddition ist kommutativ und assoziativ, genau wie die gewöhnliche Zahlenaddition.

Matrixmultiplikation. Die Operation, die Matrizen mächtig macht, und die, die die meisten beim ersten Kontakt falsch machen. Damit C = A × B definiert ist, müssen die inneren Dimensionen übereinstimmen: Ist A m × n, muss B n × p sein, und das Ergebnis C ist m × p. Das mittlere „n“ kürzt sich heraus; das äußere „m“ und „p“ bleiben erhalten. Jeder Eintrag wird als Skalarprodukt einer Zeile von A mit einer Spalte von B berechnet: cij = Σ aik · bkj, summiert über k.

Ein durchgerechnetes 2×2-Beispiel:

A = [1 2]   B = [5 6]   A·B = [1·5+2·7  1·6+2·8] = [19 22]
    [3 4]       [7 8]         [3·5+4·7  3·6+4·8]   [43 50]

Die Matrixmultiplikation ist nicht kommutativ: A·B ≠ B·A im Allgemeinen, und manchmal haben beide Produkte sogar unterschiedliche Formen. (Ist A 2×3 und B 3×2, so ist A·B 2×2, aber B·A 3×3.) Diese Nichtkommutativität ist die Quelle eines Großteils des Reichtums der linearen Algebra und der Grund, warum Cayleys Arbeit von 1858 als grundlegend gilt.

Transponierte: geschrieben AT: vertauscht Zeilen und Spalten. Der Eintrag, der in Zeile i, Spalte j war, wird zum Eintrag in Zeile j, Spalte i. Ist also A m × n, so ist A^T n × m. Nützliche Identität: (A·B)T = BT·AT, mit umgekehrter Reihenfolge.

Determinante: ein einzelner Skalar, der eine quadratische Matrix zusammenfasst. Für eine 2×2 ist sie ad − bc; für größere Matrizen entwickelt sie sich rekursiv über die Kofaktorentwicklung (jenseits von 4×4 unpraktisch) oder über die LU-Zerlegung (der Algorithmus, den Computer verwenden, O(n³)). Geometrisch ist der Absolutwert der Determinante der Faktor, um den die lineare Abbildung Flächen skaliert (in 2D), Volumina (in 3D) und so weiter. Eine Determinante von 2 bedeutet, dass das Einheitsquadrat auf ein Parallelogramm der Fläche 2 abgebildet wird; eine negative Determinante bedeutet, dass sich die Orientierung umkehrt (eine Spiegelung); eine Determinante von null bedeutet, dass die Transformation alles auf eine Linie oder einen Punkt zusammenfallen lässt, die Matrix ist singulär (nicht invertierbar).

Inverse: geschrieben A⁻¹: die eindeutige Matrix, sodass A · A⁻¹ = A⁻¹ · A = I, wobei I die Einheitsmatrix ist. Die Inverse „macht rückgängig“, was A tut. Sie existiert nur für quadratische Matrizen mit von null verschiedener Determinante. Computer berechnen Inverse über die Gauß-Jordan-Elimination oder die LU-Zerlegung. Für 2×2 lautet die berühmte Formel (1/det) × [d, -b; -c, a].

Warum Matrizen über die Lehrbuchmathematik hinaus von Bedeutung sind

Matrizen sind im modernen Rechnen allgegenwärtig, weil jede lineare Transformation eine Matrix ist:

• 3D-Grafik: Jede Position, Drehung, Skalierung und Projektion ist eine homogene 4×4-Matrix. Jedes Bild, das Ihre GPU rendert, multipliziert Tausende davon. OpenGL und Direct3D bieten beide explizite Matrix-Stacks; moderne Engines kapseln sie, aber die Mathematik bleibt unverändert.
• Maschinelles Lernen: Jede Schicht eines neuronalen Netzes ist eine Matrixmultiplikation. Ein modernes großes Sprachmodell mit 70 Milliarden Parametern ist strukturell ein paar hundert Matrixmultiplikationen pro Vorwärtsdurchlauf. cuBLAS, cuDNN, NVIDIAs Tensor Cores und Googles TPUs sind dedizierte Hardware für Matrixmultiplikation in großem Maßstab, der gesamte KI-Boom ist in einem Satz die Erkenntnis, dass GPUs die Matrixmultiplikation sehr, sehr schnell machen.
• Computer Vision: Die Hauptkomponentenanalyse (PCA) und die Singulärwertzerlegung (SVD) reduzieren hochdimensionale Pixeldaten auf niedrigdimensionale Merkmale. Bildkompression (die DCT von JPEG) ist Matrixarithmetik.
• Websuche: Googles ursprünglicher PageRank-Algorithmus (Brin und Page, 1998) berechnet den Haupteigenvektor einer 30-Millionen-mal-30-Millionen-Link-Matrix. Er funktioniert, weil Matrizen Markow-Ketten exakt modellieren.
• Statistik: Die Normalgleichungen der linearen Regression lauten β = (XTX)−1XTy. Jedes statistische Softwarepaket löst sie über die QR- oder SVD-Zerlegung.
• Kryptografie: Blockchiffren wie AES beinhalten Matrixtransformationen über endlichen Körpern. Die Gatter des Quantencomputings sind unitäre Matrizen.
• Schwingungen und Bauingenieurwesen: Die Modalanalyse (die Eigenfrequenzen einer Brücke finden) ist ein Eigenwertproblem auf der Steifigkeits- und der Massenmatrix.

Besondere Matrizen, die man kennen sollte

• Einheitsmatrix I: quadratisch, 1en auf der Diagonale und 0en sonst. A·I = I·A = A. Die „Nichts tun“-Matrix.
• Diagonal: von null verschiedene Einträge nur auf der Hauptdiagonale. Die Multiplikation mit einer Diagonalmatrix skaliert jede Zeile oder Spalte unabhängig.
• Dreiecksmatrix (obere oder untere), von null verschiedene Einträge nur auf oder über (oder unter) der Diagonale. Leicht zu invertieren und zum Lösen linearer Systeme.
• Symmetrisch: A = AT. Alle Eigenwerte sind reell; zentral in Optimierung und Statistik.
• Orthogonal: AT·A = I, das heißt, die Inverse gleicht der Transponierten. Rotationsmatrizen sind orthogonal; orthogonale Transformationen erhalten Länge und Winkel.
• Dünn vs. dicht besetzt: Dünn besetzte Matrizen haben überwiegend Null-Einträge (typisch für Adjazenzmatrizen von Graphen, Steifigkeitsmatrizen der Finite-Elemente-Methode). Spezialisierte Speicherung und Algorithmen für dünn besetzte Matrizen machen sie in großem Maßstab dramatisch schneller als naive dichte Methoden.

Hinweise zur numerischen Stabilität

Matrixarithmetik in Gleitkommazahlen verbirgt Fallen, die in Lehrbuchbeispielen nicht auftauchen. Die Konditionszahl einer Matrix misst, wie stark ihre Inverse kleine Störungen in der Eingabe verstärkt, bei einer schlecht konditionierten Matrix kann ein Fehler von 0,1 % in einem Eintrag einen Fehler von 1000 % im Ergebnis verursachen. Das klassische pathologische Beispiel ist die Hilbert-Matrix (Einträge 1/(i+j-1)), deren Konditionszahl mit der Größe exponentiell explodiert; eine 6×6-Hilbert-Matrix hat bereits eine Konditionszahl um 10⁷, was bedeutet, dass in der Inversen sieben Dezimalstellen an Genauigkeit verloren gehen.

In der Praxis berechnen Computerwissenschaftler fast nie A⁻¹ explizit. Um A·x = b zu lösen, verwenden sie die LU- oder QR-Zerlegung; um die Inverse implizit zu nutzen, multiplizieren sie A⁻¹·b über eine Zerlegung, anstatt zuerst A⁻¹ aufzubauen. Für schlecht konditionierte oder rechteckige Systeme wird die SVD-basierte Pseudoinverse (Moore-Penrose-Inverse) bevorzugt. Dieser Rechner berechnet die explizite Inverse zu Lehrzwecken, was bei kleinen Größen in Ordnung ist, aber beim Hochskalieren erwähnenswert ist.

Ehrlicher Geltungsbereich

Dieser Rechner deckt Addition / Subtraktion / Multiplikation / Transponierung / Determinante / Inverse für Matrizen bis 6×6 ab, die Operationen, denen ein Student in einem ersten Kurs zur linearen Algebra begegnet. Er berechnet keine Eigenwerte, Eigenvektoren oder Matrixzerlegungen (LU, QR, SVD); er zeigt keine Schritte der Zeilenreduktion an; er unterstützt keine symbolischen oder gebrochenen Einträge; er behandelt keine komplexen Zahlen; und er akzeptiert keine Matrixausdrücke wie A²·BT. Für diese Funktionen sind dedizierte Werkzeuge (Symbolab, Wolfram Alpha, MATLAB, NumPy, Octave, SageMath) der richtige nächste Schritt.

Weitere Fragen

Warum ist die Matrixmultiplikation nicht kommutativ?

Weil Matrizen Transformationen darstellen, und die Reihenfolge, in der man Transformationen anwendet, eine Rolle spielt. Erst drehen, dann verschieben ist nicht dasselbe wie erst verschieben, dann drehen, die Verschiebung zieht von einer anderen Ausgangsorientierung aus anders. Die Nichtkommutativität der Matrixmultiplikation ist die algebraische Codierung dieser physikalischen Tatsache, und sie ist es, die 3D-Grafik und Quantenmechanik interessant (und knifflig) macht.

Wann ist eine Matrix nicht invertierbar?

Wenn ihre Determinante null ist (gleichbedeutend damit, dass ihre Zeilen (oder Spalten) linear abhängig sind), gleichbedeutend damit, dass die lineare Transformation, die sie darstellt, einen von null verschiedenen Vektor auf null zusammenfallen lässt. Geometrisch bildet die Matrix einen höherdimensionalen Raum auf einen niedrigerdimensionalen Unterraum ab, und man kann die verlorene Dimension nicht wiederherstellen. Solche Matrizen nennt man „singulär“. Bei schlecht konditionierten, aber technisch invertierbaren Matrizen existiert die Inverse theoretisch, ist aber in Gleitkommazahlen wild ungenau, siehe den Abschnitt zur numerischen Stabilität oben.

Warum 1-basierte Indizierung in der Mathematik, aber 0-basierte im Code?

Die mathematische Konvention reicht Jahrhunderte zurück, die erste Zeile ist Zeile 1, weil das Zählen bei 1 beginnt. Programmiersprachen wählten die 0-basierte Indizierung, weil sie die Zeigerarithmetik auf Array-Speicher vereinfacht: Das Element am Offset i liegt bei base + i × element_size, ohne -1-Korrekturfaktor. Beide Konventionen sind tief verankert; eine der zuverlässigsten Fehlerquellen ist, eine Arbeit, die „Zeile 3“ sagt, in Code zu übersetzen, der matrix[2] braucht.

Gibt es einen schnellsten Matrixmultiplikationsalgorithmus?

Der naive Dreifachschleifen-Algorithmus läuft in O(n³). Volker Strassen zeigte 1969, dass für 2×2 sieben Multiplikationen genügen (statt acht), was rekursiv angewendet ein asymptotisches O(n^2.807) ergibt. Sukzessive Verfeinerungen über die Jahrzehnte haben die theoretische Schranke auf etwa O(n^2.371) gedrückt, aber die Konstanten sind so groß, dass für jede Matrix, der man tatsächlich begegnet, das naive O(n³), implementiert in BLAS / cuBLAS, gewinnt. Die untere Schranke ist mathematisch offen: Sie ist mindestens O(n²), aber niemand kennt die genaue Antwort.

Wird irgendetwas an einen Server gesendet?

Nein. Die Arithmetik besteht aus unkomplizierten Gleitkommaoperationen in JavaScript, die in Ihrem Browser berechnet werden. Nichts über Ihre Matrizen verlässt die Seite; das Werkzeug funktioniert offline, sobald es geladen ist.

Verwandte Tools