Tabellen aus Zahlen — die Sprache der linearen Algebra. Addition, Multiplikation (nicht elementweise!), Transposition, Determinante. Mit Matrix-Lab und animierter Multiplikation Zelle-für-Zelle.
Eine Matrix ist eine rechteckige Anordnung von Zahlen in Zeilen und Spalten. Klausurrelevant für lineare Gleichungssysteme, Transformationen in der Computergrafik und Datenanalyse. Größenangabe: m × n bedeutet m Zeilen, n Spalten.
Die Operationen die du in der Klausur können musst:
In Klausuren wirst du oft gefragt: berechne A · B oder löse das lineare Gleichungssystem mit Gauß-Verfahren. Wichtig: bei A · B muss die Spaltenzahl von A der Zeilenzahl von B entsprechen, sonst nicht definiert.
Du hast mehrere Gleichungen gleichzeitig zu lösen:
2x + 3y = 12
x - y = 1
Oder du willst Daten verarbeiten: 1.000 Bilder × je 784 Pixel — wie speichern, wie transformieren? Antwort: als Matrix.
Eine Matrix ist eine rechteckige Anordnung von Zahlen in Zeilen und Spalten. Eine 2×3-Matrix hat 2 Zeilen und 3 Spalten.
A = ⎡ 1 2 3 ⎤ 2 Zeilen, 3 Spalten → 2×3
⎣ 4 5 6 ⎦
| Begriff | Bedeutung | Beispiel |
|---|---|---|
| m × n | m Zeilen, n Spalten | 2×3 oben |
| Quadratisch | m = n | 2×2, 3×3, … |
| Element in Zeile i, Spalte j | oben | |
| Hauptdiagonale | Elemente | 1, 5 bei 2×2 |
| Nullmatrix | alle Einträge 0 | |
| Einheitsmatrix | 1 auf Diagonale, sonst 0 | |
| Diagonalmatrix | außer Diagonale 0 | |
| Symmetrisch |
Klausurfalle Indexierung: in der Mathematik 1-basiert ( = oben links). In Code (Java/Python) 0-basiert (
A[0][0]).
Elementweise, nur bei gleicher Dimension.
Voraussetzung: gleiche m und n. Sonst nicht definiert.
Jedes Element mit dem Skalar multiplizieren.
Klausur-Killer Nummer 1. Nicht elementweise!
Sprich: Zeile i von A mit Spalte j von B als Skalarprodukt.
A = ⎡ 1 2 ⎤ B = ⎡ 5 6 ⎤ A·B = ?
⎣ 3 4 ⎦ ⎣ 7 8 ⎦
(A·B)[1][1] = Zeile 1 von A · Spalte 1 von B
= 1·5 + 2·7
= 5 + 14 = 19
(A·B)[1][2] = 1·6 + 2·8 = 22
(A·B)[2][1] = 3·5 + 4·7 = 43
(A·B)[2][2] = 3·6 + 4·8 = 50
A·B = ⎡ 19 22 ⎤
⎣ 43 50 ⎦
Voraussetzung: Spalten von A = Zeilen von B. Bei (m×n) · (n×p) → Ergebnis ist (m×p). Wenn Dimensionen nicht passen → Multiplikation nicht definiert.
Achtung: A·B ≠ B·A im Allgemeinen — Matrix-Multiplikation ist NICHT kommutativ! Klausur-Klassiker.
Zeilen werden Spalten — Spiegeln an der Hauptdiagonale.
Aus 2×3 wird 3×2. Element wandert nach .
Symmetrisch heißt: . Funktioniert nur bei quadratischen Matrizen.
Eine Zahl, die einer quadratischen Matrix zugeordnet wird. Sagt: ist die Matrix invertierbar (det ≠ 0) oder nicht (det = 0)?
Beispiel:
Trick zum Merken: Hauptdiagonale minus Nebendiagonale.
⎡ a b c ⎤
⎢ d e f ⎥
⎣ g h i ⎦
det = (aei + bfg + cdh) - (ceg + afh + bdi)
└── nach unten ──┘ └── nach oben ──┘
Sarrus funktioniert nur bei 3×3. Bei 4×4 und größer braucht's andere Methoden (Laplace-Entwicklung, Gauß).
Eigenschaften:
- det(A·B) = det(A) · det(B) — multiplikativ
- det(A) = det(A^T) — Transposition ändert nichts
- det = 0 ⇔ Spalten/Zeilen linear abhängig ⇔ Matrix nicht invertierbar (singulär)
Die Inverse einer quadratischen Matrix erfüllt (Einheitsmatrix).
Existenz: eine quadratische Matrix ist invertierbar genau dann, wenn . Nicht-quadratische Matrizen haben keine klassische Inverse (höchstens eine Pseudoinverse).
Beispiel: , det = 5.
Bei 3×3 und größer: Gauß-Jordan-Verfahren oder Cramer'sche Regel.
Lineares Gleichungssystem lösen:
Aber Vorsicht: in der Praxis wird selten explizit berechnet — direkter Gauß-Algorithmus ist effizienter und numerisch stabiler.
Ein System wie:
2x + 3y = 12
x - y = 1
lässt sich als schreiben:
| Methode | Wann | Aufwand |
|---|---|---|
| Gleichsetzungs-/Einsetzungsverfahren | nur 2-3 Gleichungen | Schnell aber fehleranfällig |
| Gauß-Verfahren (Eliminationsmethode) | beliebig viele | |
| Inverse: | wenn schon bekannt | numerisch instabil |
Bringe die erweiterte Matrix in Stufenform:
⎡ 2 3 |12 ⎤ ⎡ 1 -1 | 1 ⎤ tausche & teile
⎢ 1 -1 | 1 ⎥ → ⎣ 0 5 |10 ⎦ subtrahiere
→ y = 10/5 = 2
→ x − y = 1 → x = 3
Drei elementare Zeilenumformungen (verändern die Lösung nicht):
- Zwei Zeilen vertauschen
- Zeile mit Skalar multiplizieren (≠ 0)
- Vielfaches einer Zeile zu anderer addieren
Bei einer quadratischen Koeffizientenmatrix :
| Form | Bedeutung |
|---|---|
| Genau eine Lösung | |
| Unendlich viele Lösungen | Rang(A) = Rang(A∣b) < Anzahl Variablen |
| Keine Lösung | Rang(A) < Rang(A∣b) — Widerspruch |
Bei rechteckigen (mehr/weniger Zeilen als Spalten) entscheidet immer der Rang-Vergleich: Rang(A) = Rang(A∣b) ⇒ lösbar; Rang(A) = Anzahl Variablen ⇒ eindeutig.
Einheitsmatrix : Multiplikation ändert nichts.
Diagonalmatrix: alle Einträge außerhalb der Hauptdiagonale sind 0 (Diagonalwerte dürfen auch 0 sein). Multiplikation entspricht Skalierung pro Achse.
Drehmatrix (in 2D):
Wendet eine Drehung um Winkel an.
Permutationsmatrix: vertauscht Zeilen/Spalten beim Multiplizieren.
Trick 1 — Dimensionen prüfen: bevor du multiplizierst, immer die Dimensionen checken.
(m × n) · (n × p) = (m × p) ✓
(m × n) · (p × q) wenn n ≠ p ✗ undefiniert
Trick 2 — Multiplikation ist nicht kommutativ: A·B = B·A gilt nur in Sonderfällen (z.B. eine ist Einheitsmatrix). Klausur testet das gerne.
Trick 3 — Determinante = 0 → singulär: Matrix nicht invertierbar, lineares Gleichungssystem hat unendliche oder keine Lösung.
Trick 4 — 2×2-Determinante auswendig: . Hauptdiagonale minus Nebendiagonale. Eine Sekunde.
Trick 5 — Sarrus nur bei 3×3: bei 4×4 und größer NICHT anwendbar.
Trick 6 — Skalar zieht aus: (n = Größe). Trick: skalierst du eine Zeile mit c, multipliziert sich die Det mit c. Skalierst du alle Zeilen mit c, mit .
Trick 7 — Transposition rückgängig: . Doppelt transponiert = Original.
Trick 8 — : Reihenfolge dreht sich beim Transponieren!
Trick 9 — Inverse von Produkten: . Reihenfolge dreht sich auch hier.
Trick 10 — Spaltensicht: ist eine Linearkombination der Spalten von A mit den Koeffizienten in . Kommt häufig in Klausuren über lineare Abhängigkeit.
Faustregel: wenn du mehrere Größen gleichzeitig transformieren oder kombinieren willst — Matrix. Numpy/Pandas/Linear-Algebra-Bibliotheken sind ein Lebensretter, weil per Hand fehleranfällig.
Alle Tabs der Lerneinheit (Erklärung · Interaktiv · Quiz) als durchgehender Text. Ideal zum Wiederholen vor der Klausur — und für Suchmaschinen wie Google, Bing und KI-Suche (ChatGPT, Perplexity).
Eine Matrix ist eine rechteckige Anordnung von Zahlen in Zeilen und Spalten. Klausurrelevant für lineare Gleichungssysteme, Transformationen in der Computergrafik und Datenanalyse. Größenangabe: m × n bedeutet m Zeilen, n Spalten.
y = mx + b verstehen, Graph zeichnen, Werte berechnen. Die Grundlage für Algorithmus-Laufzeit, Kostenmodelle und einfache Regression.
f(x) = ax² + bx + c. Parabeln verstehen, Scheitelpunkt finden, Nullstellen berechnen mit pq- und abc-Formel. Drei Darstellungsformen und wann welche.
Vom Differenzenquotienten zum Differentialquotienten: Tangentensteigung als Grenzwert der Sekantensteigungen. Grundregeln (Potenz, Faktor, Summe, Differenz) und erweiterte Regeln (Produkt, Quotient, Kette). Extremwerte über die notwendige Bedingung f'(x) = 0 und hinreichende Bedingung mit f''.
Die Operationen die du in der Klausur können musst:
In Klausuren wirst du oft gefragt: berechne A · B oder löse das lineare Gleichungssystem mit Gauß-Verfahren. Wichtig: bei A · B muss die Spaltenzahl von A der Zeilenzahl von B entsprechen, sonst nicht definiert.
Du hast mehrere Gleichungen gleichzeitig zu lösen:
2x + 3y = 12
x - y = 1
Oder du willst Daten verarbeiten: 1.000 Bilder × je 784 Pixel — wie speichern, wie transformieren? Antwort: als Matrix.
Eine Matrix ist eine rechteckige Anordnung von Zahlen in Zeilen und Spalten. Eine 2×3-Matrix hat 2 Zeilen und 3 Spalten.
A = ⎡ 1 2 3 ⎤ 2 Zeilen, 3 Spalten → 2×3
⎣ 4 5 6 ⎦
| Begriff | Bedeutung | Beispiel |
|---|---|---|
| m × n | m Zeilen, n Spalten | 2×3 oben |
| Quadratisch | m = n | 2×2, 3×3, … |
A_(ij) | Element in Zeile i, Spalte j | A_(12) = 2 oben |
| Hauptdiagonale | Elemente A_(ii) | 1, 5 bei 2×2 |
| Nullmatrix | alle Einträge 0 | 0 |
Einheitsmatrix I | 1 auf Diagonale, sonst 0 | ([[1, 0], [0, 1]]) |
| Diagonalmatrix | außer Diagonale 0 | ([[3, 0], [0, 5]]) |
| Symmetrisch | A = A^T | ([[1, 2], [2, 3]]) |
Klausurfalle Indexierung: in der Mathematik 1-basiert (
A_(11)= oben links). In Code (Java/Python) 0-basiert (A[0][0]).
Elementweise, nur bei gleicher Dimension.
[[1, 2], [3, 4]] + [[5, 6], [7, 8]] = [[6, 8], [10, 12]]
Voraussetzung: gleiche m und n. Sonst nicht definiert.
Jedes Element mit dem Skalar multiplizieren.
3 · [[1, 2], [3, 4]] = [[3, 6], [9, 12]]
Klausur-Killer Nummer 1. Nicht elementweise!
(A · B)_(ij) = Σ_k A_(ik) · B_(kj)
Sprich: Zeile i von A mit Spalte j von B als Skalarprodukt.
A = ⎡ 1 2 ⎤ B = ⎡ 5 6 ⎤ A·B = ?
⎣ 3 4 ⎦ ⎣ 7 8 ⎦
(A·B)[1][1] = Zeile 1 von A · Spalte 1 von B
= 1·5 + 2·7
= 5 + 14 = 19
(A·B)[1][2] = 1·6 + 2·8 = 22
(A·B)[2][1] = 3·5 + 4·7 = 43
(A·B)[2][2] = 3·6 + 4·8 = 50
A·B = ⎡ 19 22 ⎤
⎣ 43 50 ⎦
Voraussetzung: Spalten von A = Zeilen von B. Bei (m×n) · (n×p) → Ergebnis ist (m×p). Wenn Dimensionen nicht passen → Multiplikation nicht definiert.
Achtung: A·B ≠ B·A im Allgemeinen — Matrix-Multiplikation ist NICHT kommutativ! Klausur-Klassiker.
Zeilen werden Spalten — Spiegeln an der Hauptdiagonale.
A = [[1, 2, 3], [4, 5, 6]] A^T = [[1, 4], [2, 5], [3, 6]]
Aus 2×3 wird 3×2. Element A_(ij) wandert nach A^T_(ji).
Symmetrisch heißt:
A = A^T. Funktioniert nur bei quadratischen Matrizen.
Eine Zahl, die einer quadratischen Matrix zugeordnet wird. Sagt: ist die Matrix invertierbar (det ≠ 0) oder nicht (det = 0)?
det [[a, b], [c, d]] = ad - bc
Beispiel: det[[2, 3], [1, 4]] = 2 · 4 - 3 · 1 = 5
Trick zum Merken: Hauptdiagonale minus Nebendiagonale.
⎡ a b c ⎤
⎢ d e f ⎥
⎣ g h i ⎦
det = (aei + bfg + cdh) - (ceg + afh + bdi)
└── nach unten ──┘ └── nach oben ──┘
Sarrus funktioniert nur bei 3×3. Bei 4×4 und größer braucht's andere Methoden (Laplace-Entwicklung, Gauß).
Eigenschaften:
- det(A·B) = det(A) · det(B) — multiplikativ
- det(A) = det(A^T) — Transposition ändert nichts
- det = 0 ⇔ Spalten/Zeilen linear abhängig ⇔ Matrix nicht invertierbar (singulär)
Die Inverse A^(-1) einer quadratischen Matrix A erfüllt A · A^(-1) = A^(-1) · A = I (Einheitsmatrix).
Existenz: eine quadratische Matrix ist invertierbar genau dann, wenn det(A) ≠ 0. Nicht-quadratische Matrizen haben keine klassische Inverse (höchstens eine Pseudoinverse).
A^(-1) = 1/(det A) · [[d, -b], [-c, a]]
Beispiel: A = [[2, 3], [1, 4]], det = 5.
A^(-1) = 1/5 [[4, -3], [-1, 2]] = [[0.8, -0.6], [-0.2, 0.4]]
Bei 3×3 und größer: Gauß-Jordan-Verfahren oder Cramer'sche Regel.
Lineares Gleichungssystem Ax = b lösen:
x = A^(-1) · b
Aber Vorsicht: in der Praxis wird selten A^(-1) explizit berechnet — direkter Gauß-Algorithmus ist effizienter und numerisch stabiler.
Ein System wie:
2x + 3y = 12
x - y = 1
lässt sich als A x = b schreiben:
underbrace[[2, 3], [1, -1]]_(A) underbrace(x, y)_(x) = underbrace(12, 1)_(b)
| Methode | Wann | Aufwand |
|---|---|---|
| Gleichsetzungs-/Einsetzungsverfahren | nur 2-3 Gleichungen | Schnell aber fehleranfällig |
| Gauß-Verfahren (Eliminationsmethode) | beliebig viele | O(n³) |
Inverse: x = A^(-1) b | wenn A^(-1) schon bekannt | numerisch instabil |
Bringe die erweiterte Matrix (A | b) in Stufenform:
⎡ 2 3 |12 ⎤ ⎡ 1 -1 | 1 ⎤ tausche & teile
⎢ 1 -1 | 1 ⎥ → ⎣ 0 5 |10 ⎦ subtrahiere
→ y = 10/5 = 2
→ x − y = 1 → x = 3
Drei elementare Zeilenumformungen (verändern die Lösung nicht):
- Zwei Zeilen vertauschen
- Zeile mit Skalar multiplizieren (≠ 0)
- Vielfaches einer Zeile zu anderer addieren
Bei einer quadratischen Koeffizientenmatrix A:
| Form | Bedeutung |
|---|---|
| Genau eine Lösung | det(A) ≠ 0 |
| Unendlich viele Lösungen | Rang(A) = Rang(A∣b) < Anzahl Variablen |
| Keine Lösung | Rang(A) < Rang(A∣b) — Widerspruch |
Bei rechteckigen A (mehr/weniger Zeilen als Spalten) entscheidet immer der Rang-Vergleich: Rang(A) = Rang(A∣b) ⇒ lösbar; Rang(A) = Anzahl Variablen ⇒ eindeutig.
Einheitsmatrix I: Multiplikation ändert nichts.
A · I = I · A = A
Diagonalmatrix: alle Einträge außerhalb der Hauptdiagonale sind 0 (Diagonalwerte dürfen auch 0 sein). Multiplikation entspricht Skalierung pro Achse.
Drehmatrix (in 2D):
R(θ) = [[cosθ, -sinθ], [sinθ, cosθ]]
Wendet eine Drehung um Winkel θ an.
Permutationsmatrix: vertauscht Zeilen/Spalten beim Multiplizieren.
Trick 1 — Dimensionen prüfen: bevor du multiplizierst, immer die Dimensionen checken.
(m × n) · (n × p) = (m × p) ✓
(m × n) · (p × q) wenn n ≠ p ✗ undefiniert
Trick 2 — Multiplikation ist nicht kommutativ: A·B = B·A gilt nur in Sonderfällen (z.B. eine ist Einheitsmatrix). Klausur testet das gerne.
Trick 3 — Determinante = 0 → singulär: Matrix nicht invertierbar, lineares Gleichungssystem hat unendliche oder keine Lösung.
Trick 4 — 2×2-Determinante auswendig: ad - bc. Hauptdiagonale minus Nebendiagonale. Eine Sekunde.
Trick 5 — Sarrus nur bei 3×3: bei 4×4 und größer NICHT anwendbar.
Trick 6 — Skalar zieht aus: det(c · A) = cⁿ · det(A) (n = Größe). Trick: skalierst du eine Zeile mit c, multipliziert sich die Det mit c. Skalierst du alle Zeilen mit c, mit cⁿ.
Trick 7 — Transposition rückgängig: (A^T)^T = A. Doppelt transponiert = Original.
Trick 8 — (A · B)^T = B^T · A^T: Reihenfolge dreht sich beim Transponieren!
Trick 9 — Inverse von Produkten: (A · B)^(-1) = B^(-1) · A^(-1). Reihenfolge dreht sich auch hier.
Trick 10 — Spaltensicht: A · x⃗ ist eine Linearkombination der Spalten von A mit den Koeffizienten in x⃗. Kommt häufig in Klausuren über lineare Abhängigkeit.
Faustregel: wenn du mehrere Größen gleichzeitig transformieren oder kombinieren willst — Matrix. Numpy/Pandas/Linear-Algebra-Bibliotheken sind ein Lebensretter, weil per Hand fehleranfällig.
Editiere zwei Matrizen A und B (klick die Felder, tipp Zahlen). Wähle eine Operation und sieh das Ergebnis live.
Probier folgendes:
Klausur-Lehrziel: Sieh mit eigenen Augen wie Matrix-Multiplikation nicht elementweise ist — das ist die größte Verwirrung am Anfang.
Interaktive Visualisierung
Matrix-Lab mit Addition, Multiplikation, Transposition und Determinante.
Faustregel zum Mitnehmen: Bei Matrix-Multiplikation: Zeile mal Spalte (Skalarprodukt), nicht elementweise. Voraussetzung: Spalten von A = Zeilen von B. A·B ≠ B·A im Allgemeinen.
Klausurfragen mit Lösungen (8)
Antwort: Die Anzahl Spalten von A muss gleich der Anzahl Zeilen von B sein
Erklärung: Bei A·B mit A vom Format (m×n) muss B (n×p) sein — die 'innere' Dimension n muss übereinstimmen. Ergebnis ist (m×p). Bei Addition wäre gleiche Dimension nötig — bei Multiplikation reicht Übereinstimmung der inneren Dimension.
Antwort: 5
Erklärung: Bei 2×2: det = a·d − b·c = 2·4 − 3·1 = 8 − 3 = 5. Hauptdiagonale minus Nebendiagonale, immer.
Antwort: (A · B)[i][j] = Skalarprodukt aus Zeile i von A und Spalte j von B
Erklärung: Matrix-Multiplikation ist NICHT elementweise (Klausur-Klassiker!). Pro Zelle [i][j] des Ergebnisses: i-te Zeile von A · j-te Spalte von B als Skalarprodukt. Sie ist NICHT kommutativ — A·B ≠ B·A im Allgemeinen.
Antwort: A ist nicht invertierbar (singulär), Spalten/Zeilen sind linear abhängig
Erklärung: det = 0 ⇔ Matrix singulär ⇔ nicht invertierbar ⇔ Spalten/Zeilen linear abhängig ⇔ lineares Gleichungssystem Ax=b hat unendlich viele oder keine Lösung. Eines der wichtigsten Konzepte der linearen Algebra.
Antwort: Zeilen und Spalten vertauscht (Element [i][j] wandert nach [j][i])
Erklärung: Transposition: Spiegelung an der Hauptdiagonale, Zeilen werden Spalten. Aus (m×n) wird (n×m). Bei symmetrischen Matrizen gilt A = Aᵀ. Wichtig in vielen Formeln (z.B. Skalarprodukt: a·b = aᵀb).
Antwort: Quadratisch mit 1 auf der Hauptdiagonale, 0 sonst — A·I = I·A = A
Erklärung: Einheitsmatrix I: Diagonale = 1, Rest = 0. Sie ist das **neutrale Element** der Matrix-Multiplikation, analog zur 1 bei Zahlen. A · I = I · A = A für jede passende Matrix A.
Antwort: `det(A) = 0`
Erklärung: det(A) = 0 ⇔ A singulär ⇔ lineares Gleichungssystem hat KEINE eindeutige Lösung (entweder keine oder unendlich viele). Bei det(A) ≠ 0 gibt es genau eine Lösung x = A⁻¹·b.
Antwort: (A · B)ᵀ = Bᵀ · Aᵀ — Reihenfolge dreht sich!
Erklärung: Wichtige Regel: bei Transposition eines Produkts dreht sich die Reihenfolge um. (A·B)ᵀ = Bᵀ · Aᵀ. Analog für Inverse: (A·B)⁻¹ = B⁻¹ · A⁻¹. Klausur-Klassiker.