Matrix Rechner - Free Online Tool

Fügen Sie Matrizen sofort hinzu, multiplizieren, invertieren, zerlegen und analysieren — mit Schritt-für-Schritt-Lösungen.

Eine Matrix ist eine der grundlegendsten Strukturen in Mathematik, Ingenieurwesen, Informatik und Datenwissenschaft. In ihrer einfachsten Form ist eine Matrix ein rechteckiges Array von Zahlen, das in Zeilen und Spalten angeordnet ist. Doch hinter dieser einfachen Definition verbirgt sich außergewöhnliche Macht: Matrizen kodieren Transformationen, modellieren Gleichungssysteme, treiben 3D-Grafiken an, bilden das Rückgrat von Machine-Learning-Algorithmen und beschreiben das Verhalten physikalischer Systeme. Unser Matrix-Rechner stellt die gesamte Palette von Matrixoperationen direkt in Ihrem Browser zur Verfügung — keine Software zum Herunterladen, kein Konto erforderlich und keine Begrenzung, wie oft Sie ihn verwenden.

Verständnis von Matrixoperationen

Was ist eine Matrix?

Eine Matrix ist ein zweidimensionales Array von Zahlen (oder allgemeiner gesagt, Elementen aus einem mathematischen Feld), das in Zeilen und Spalten angeordnet ist. Eine m×n-Matrix hat m Zeilen und n Spalten, insgesamt also m×n Elemente. Matrizen werden mit Großbuchstaben (A, B, C) bezeichnet und ihre Elemente mit kleinen Indizes: A[i][j] bezieht sich auf das Element in Zeile i und Spalte j. Quadratische Matrizen haben die gleiche Anzahl von Zeilen und Spalten (n×n) und besitzen besondere Eigenschaften, einschließlich Determinanten, Inversen, Eigenwerten und Spuren. Rechteckige Matrizen erscheinen in Gleichungssystemen, Datentabellen und Bilddarstellungen. Besondere Matrizen sind die Identitätsmatrix I (1en auf der Diagonalen, 0en anderswo), die Nullmatrix O (alle Nullen), symmetrische Matrizen (A = A^T) und diagonale Matrizen (nur auf der Diagonalen ungleich Null). Matrizen bilden die algebraische Struktur, die den meisten modernen angewandten Mathematiken zugrunde liegt.

Wie werden Matrixoperationen berechnet?

Verschiedene Matrixoperationen verwenden unterschiedliche Algorithmen. Addition und Subtraktion arbeiten elementweise und erfordern identische Dimensionen. Die Multiplikation verwendet das Skalarprodukt jeder Zeile von A mit jeder Spalte von B, wobei die Spaltenanzahl von A der Zeilenanzahl von B entsprechen muss. Die Determinante einer quadratischen Matrix wird über die Cofaktorerweiterung (für kleine Matrizen) oder LU-Zerlegung (für größere) berechnet — sie ist eine einzelne Zahl, die den signierten Volumenmaßstab der linearen Transformation kodiert. Die Inverse A⁻¹ wird durch Gauß-Jordan-Elimination auf der erweiterten Matrix [A | I] gefunden, wobei sie in [I | A⁻¹] umgewandelt wird. RREF verwendet die Gauß-Elimination mit Rücksubstitution, um jeden Pivot auf 1 und jeden Nicht-Pivot-Eintrag in Pivot-Spalten auf 0 zu reduzieren. Eigenwerte λ erfüllen det(A − λI) = 0; für 2×2 Matrizen ergibt dies eine einfache quadratische Formel; für größere Matrizen wird die numerische QR-Iteration verwendet.

Warum sind Matrixoperationen wichtig?

Matrizen sind nicht nur abstrakte Algebra — sie sind praktische Rechenwerkzeuge, die in der gesamten Wissenschaft und Technologie verwendet werden. Die Determinante sagt Ihnen, ob ein Gleichungssystem eine eindeutige Lösung hat (det ≠ 0) oder singulär ist (det = 0). Die Inverse ermöglicht es Ihnen, lineare Systeme Ax = b als x = A⁻¹b zu lösen, Transformationen in Grafiken direkt zu finden und Regelungsgewinne in der Technik zu berechnen. Eigenwerte und Eigenvektoren offenbaren die grundlegenden Richtungen einer Transformation und sind das mathematische Herz von PCA, spektralen Methoden, Stabilitätsanalysen und Quantenmechanik. RREF ist das Standardwerkzeug zur Lösung von Systemen jeder Größe, zur Bestimmung des Rangs, zur Auffindung von Nullräumen und zur Überprüfung der linearen Unabhängigkeit. Die LU-Zerlegung beschleunigt wiederholte Lösungen von Ax = b mit unterschiedlichen rechten Seiten, da einmalige Faktorisierung viele schnelle Vorwärts-/Rücksubstitutionen ermöglicht.

Einschränkungen und numerische Präzision

Dieser Rechner verwendet die standardmäßige 64-Bit-Gleitkommaarithmetik (JavaScripts eingebauter Zahlentyp), die in den letzten Dezimalstellen kleine Rundungsfehler einführen kann. Ergebnisse werden auf die von Ihnen gewählte Dezimalgenauigkeit gerundet angezeigt. Sehr schlecht konditionierte Matrizen — solche, bei denen einige Zeilen oder Spalten nahezu linear abhängig sind — können Ergebnisse liefern, die numerisch instabil erscheinen. Zum Beispiel kann eine Matrix mit einer sehr kleinen, aber nicht null Determinante aufgrund von Gleitkomma-Rauschen singulär erscheinen. Der Rechner verwendet einen Schwellenwert von 1e-12, um nahezu null Pivots während der Eliminierung zu erkennen. Die Matrixdimensionen sind auf 5×5 für die Client-Seitenleistung begrenzt, um alle Berechnungen im Browser schnell zu halten. Für größere Matrizen wären Desktop-Software wie MATLAB, Octave, Python (NumPy) oder Julia geeigneter. Der Eigenwertalgorithmus (QR-Iteration) konvergiert gut für die meisten reellen symmetrischen Matrizen, kann jedoch weniger genaue Ergebnisse für Matrizen mit gruppierten Eigenwerten liefern.

Matrix Formulas

Matrix Multiplication

(AB)ᵢⱼ = Σₖ aᵢₖ · bₖⱼ

Each entry of the product matrix is the dot product of the corresponding row of A and column of B. Requires columns of A to equal rows of B.

2×2 Determinant

det([[a, b], [c, d]]) = ad − bc

The determinant of a 2×2 matrix equals the product of the main diagonal minus the product of the anti-diagonal. A zero determinant means the matrix is singular.

Transponieren

(A^T)ᵢⱼ = Aⱼᵢ

The transpose swaps rows and columns. An m×n matrix becomes n×m. Symmetric matrices satisfy A = A^T.

Matrix Inverse

A⁻¹ = adj(A) / det(A)

The inverse exists only when det(A) ≠ 0. For 2×2: A⁻¹ = (1/(ad−bc)) · [[d, −b], [−c, a]]. For larger matrices, use Gauss-Jordan elimination.

Matrix Operations Reference

Matrix Operations Summary

Quick reference for common matrix operations, their requirements, and result dimensions.

Operation	Formula/Method	Requirement	Ergebnis
Addition A + B	Cᵢⱼ = Aᵢⱼ + Bᵢⱼ	Same dimensions (m×n)	m×n matrix
Multiplication A×B	(AB)ᵢⱼ = Σ aᵢₖ·bₖⱼ	A cols = B rows (m×p · p×n)	m×n matrix
Scalar c·A	(cA)ᵢⱼ = c · Aᵢⱼ	Any matrix	Same dimensions
Transpose A^T	(A^T)ᵢⱼ = Aⱼᵢ	Any matrix (m×n)	n×m matrix
Determinante	Cofactor expansion or LU	Square matrix (n×n)	Scalar
Inverse A⁻¹	Gauss-Jordan on [A\|I]	Square, det ≠ 0	n×n matrix
Trace tr(A)	Σ Aᵢᵢ (sum of diagonal)	Square matrix (n×n)	Scalar

Special Matrices

Named matrix types that have important properties in linear algebra and applications.

Matrix Type	Definition	Key Property
Identity (I)	1s on diagonal, 0s elsewhere	AI = IA = A for any compatible A
Zero (O)	All entries are 0	A + O = A; A·O = O
Diagonal	Non-zero only on main diagonal	Easy to invert: just reciprocate diagonal entries
Symmetric	A = A^T (equal to its transpose)	Always has real eigenvalues
Orthogonal	A^T · A = I	Preserves lengths and angles (rotations/reflections)
Upper Triangular	All entries below diagonal are 0	Determinant = product of diagonal entries

Worked Examples

Multiply two 2×2 matrices

Compute A × B where A = [[1, 2], [3, 4]] and B = [[5, 6], [7, 8]].

C₁₁ = (1)(5) + (2)(7) = 5 + 14 = 19

C₁₂ = (1)(6) + (2)(8) = 6 + 16 = 22

C₂₁ = (3)(5) + (4)(7) = 15 + 28 = 43

C₂₂ = (3)(6) + (4)(8) = 18 + 32 = 50

A × B = [[19, 22], [43, 50]]

Find determinant and inverse of a 3×3 matrix

Given A = [[2, 1, 0], [1, 3, 1], [0, 1, 2]], find det(A) and A⁻¹.

Expand along row 1: det = 2(3·2 − 1·1) − 1(1·2 − 1·0) + 0 = 2(5) − 1(2) = 8

Since det(A) = 8 ≠ 0, the inverse exists

Set up augmented matrix [A | I] and apply Gauss-Jordan elimination

After row operations: A⁻¹ = (1/8)·[[5, −2, 1], [−2, 4, −2], [1, −2, 5]]

det(A) = 8, A⁻¹ = (1/8)·[[5, −2, 1], [−2, 4, −2], [1, −2, 5]]

Find eigenvalues of a 2×2 matrix

Find the eigenvalues of A = [[4, 1], [2, 3]] by solving det(A − λI) = 0.

A − λI = [[4−λ, 1], [2, 3−λ]]

det(A − λI) = (4−λ)(3−λ) − (1)(2) = λ² − 7λ + 10

Factor: (λ − 5)(λ − 2) = 0

Eigenvalues: λ₁ = 5 and λ₂ = 2

Eigenvalues: λ₁ = 5, λ₂ = 2

So verwenden Sie den Matrixrechner

Wählen Sie eine Operationskategorie

Klicken Sie auf einen der vier Reiter oben — Zwei Matrizen (für A+B, A-B, A×B, c×A), Einzelne Matrix (für Transponieren, Determinante, Inverse, Potenz, Spur), Analyse (für Rang, RREF, Eigenwerte, LU) oder Lösen von Ax=b. Das Eingabefeld zeigt nur die benötigten Steuerungen an.

Legen Sie die Matrixdimensionen fest und geben Sie Werte ein

Verwenden Sie die Dropdown-Menüs für Zeilen und Spalten neben jedem Matrixlabel, um die Dimensionen festzulegen (1×1 bis 5×5). Klicken Sie auf jede Zelle und geben Sie einen Wert ein — Dezimalzahlen und Brüche wie 1/3 oder -2,5 werden akzeptiert. Verwenden Sie die Schaltfläche Zufällig, um automatisch mit Testganzzahlen auszufüllen, oder laden Sie eine Schnellvorgabe wie Rotation 2×2 oder Magisches Quadrat 3×3.

Wählen Sie die spezifische Operation und klicken Sie auf Berechnen

Klicken Sie auf die Schaltfläche für die Operation, die unter den Matrixgittern erscheint — zum Beispiel A + B, Determinante oder RREF. Das Ergebnis erscheint sofort rechts. Das Panel 'Was bedeutet das?' unter dem Ergebnis gibt eine Erklärung in einfacher Sprache über die mathematische Bedeutung des Outputs.

Überprüfen Sie die Schritte, exportieren oder verketten Sie Operationen

Wenn schrittweise Zeilenoperationen verfügbar sind (RREF, lineares System), klicken Sie auf das Akkordeon Schritte, um jeden Pivot- und Eliminierungsschritt zu sehen. Verwenden Sie 'CSV exportieren', um die Ergebnis-Matrix herunterzuladen, 'LaTeX kopieren' für akademische Dokumente oder 'Ergebnis kopieren → Matrix A', um das Ergebnis in eine neue Berechnung einzufügen.

Häufig gestellte Fragen

Warum kann ich zwei Matrizen mit unterschiedlichen Dimensionen nicht multiplizieren?

Die Matrixmultiplikation A×B ist nur definiert, wenn die Anzahl der Spalten in A der Anzahl der Zeilen in B entspricht. Dies liegt daran, dass die Operation jeden Ergebniswert als Skalarprodukt einer Zeile von A mit einer Spalte von B berechnet — was erfordert, dass die Zeile und die Spalte die gleiche Länge haben. Wenn A eine m×p-Matrix und B eine p×n-Matrix ist, ist das Ergebnis C eine m×n-Matrix. Wenn aCols ≠ bRows, ist das Skalarprodukt undefiniert und die Operation kann nicht fortgesetzt werden. Dies steht im Gegensatz zur Addition, bei der beide Matrizen identische Dimensionen haben müssen (beide m×n), damit die Einträge paarweise elementweise zugeordnet werden können.

Was bedeutet es, wenn die Determinante 0 ist?

Eine Null-Determinante bedeutet, dass die Matrix singulär ist — sie hat keine Inverse. Geometrisch betrachtet quetscht die lineare Transformation den Raum: Eine 2D-Transformation mit det=0 kollabiert die Ebene auf eine Linie oder einen Punkt und zerstört Informationen. Algebraisch gilt, wenn det(A)=0, sind die Zeilen von A linear abhängig (eine Zeile ist eine lineare Kombination der anderen), und das System Ax=b hat entweder keine Lösung oder unendlich viele Lösungen — niemals eine eindeutige. Der Rang wird kleiner als n sein. Deshalb zeigt der Rechner einen Fehler ('singuläre Matrix') an, wenn Sie versuchen, eine Matrix mit einer Null-Determinante zu invertieren.

Was ist der Unterschied zwischen Rang, RREF und Determinante?

Diese drei Ausgaben beschreiben verschiedene Aspekte derselben Matrix. Der Rang ist eine einzelne ganze Zahl — die Anzahl der linear unabhängigen Zeilen (oder Spalten), die durch Zählen der nicht-null Zeilen in RREF gefunden wird. RREF (Reduzierte Zeilen-Echelon-Form) ist die vollständige reduzierte Matrix selbst, die genau zeigt, welche Variablen grundlegend sind (bestimmt durch Pivots) und welche frei sind (willkürlich gesetzt werden können). Die Determinante ist ein einzelner Skalar, der nur für quadratische Matrizen definiert ist; sie ist genau dann null, wenn Rang < n. Rang gilt für jede Matrixform; RREF gilt für jede Matrix; die Determinante erfordert eine quadratische Matrix. Zusammen charakterisieren sie den Lösungsraum von Ax=0 und Ax=b vollständig.

Wie werden Eigenwerte für Matrizen größer als 2×2 berechnet?

Für 2×2 Matrizen werden Eigenwerte in geschlossener Form unter Verwendung der quadratischen Formel auf dem charakteristischen Polynom λ² − tr(A)λ + det(A) = 0 berechnet. Für 3×3 bis 5×5 Matrizen verwendet dieser Rechner den QR-Iterationsalgorithmus, der die Standardmethode zur numerischen Berechnung in professioneller linearer Algebra-Software ist. Die QR-Iteration faktorisierte die Matrix wiederholt als Q×R (orthogonal mal obere Dreiecksmatrix) und ersetzt sie durch R×Q, wobei sie auf eine obere Dreiecksmatrix mit den Eigenwerten auf der Diagonalen konvergiert. Der Prozess läuft bis zu 500 Iterationen mit einer Konvergenztoleranz von 1e-8. Komplexe Eigenwerte (von Matrizen mit reellen Einträgen, die komplexe konjugierte Eigenwertpaare haben) erscheinen für 2×2 Matrizen in der Form a + bi und a − bi.

Wofür wird die LU-Zerlegung verwendet?

Die LU-Zerlegung faktorisierte die Matrix A in das Produkt einer unteren Dreiecksmatrix L (mit 1en auf der Diagonalen) und einer oberen Dreiecksmatrix U. Der Hauptzweck ist die effiziente wiederholte Lösung von Ax=b: Sobald A = LU ist, erfordert das Lösen für jede rechte Seite b zwei Schritte der dreieckigen Substitution — Vorwärtssubstitution durch Ly=b und dann Rückwärtssubstitution durch Ux=y — von denen jeder nur O(n²) Operationen benötigt. Dies ist viel schneller, als die vollständige Zerlegung jedes Mal neu zu berechnen. Die Determinante von A entspricht dem Produkt der Diagonaleinträge von U (multipliziert mit dem Vorzeichen aus eventuellen Zeilenvertauschungen während des partiellen Pivots). Die LU-Zerlegung ist der Algorithmus, der den meisten wissenschaftlichen Rechenbibliotheken für die Lösung linearer Systeme zugrunde liegt.

Was sind die voreingestellten Beispielmatrizen und warum sind sie nützlich?

Der Rechner enthält vier Voreinstellungen für schnelle Experimente. Die Rotationsmatrix 2×2 [[0,-1],[1,0]] rotiert Vektoren um 90 Grad gegen den Uhrzeigersinn — nützlich, um zu lernen, wie die Matrixmultiplikation Rotationen implementiert. Das Magische Quadrat 3×3 hat Zeilen, Spalten und Diagonalen, die alle 15 ergeben, und hat eine Determinante von -360 und Rang 3. Die Identität 3×3 ist das neutrale Element der Matrixmultiplikation: A×I = I×A = A für jedes kompatible A. Die Fibonacci 2×2 Matrix [[1,1],[1,0]] hoch n gibt die n-te Fibonacci-Zahl in der Position [0][0] — eine schöne Demonstration von Matrixpotenzen. Laden Sie eine beliebige Voreinstellung und ändern Sie dann die Werte, um zu erkunden, wie sich die Ergebnisse ändern.