7 Matrizen

7c Einige Anwendungen von Matrizen

Dipl.-Math. Juliana Grell

WiSe 2023/2024
Lernziele und Voraussetzungen

Sie . . .
kennen den Zusammenhang zwischen der Anzahl der Lösungen eines
LGS und dem Rang seiner Koeffizientenmatrix und seiner erweiterten
Koeffizientenmatrix
kennen die Bedingung der Existenz der Inversen einer Matrix und
können diese bestimmen
können lineare Abbildungen mit Matrizen beschreiben
Referenz:
L. Papula „Mathematik für Ingenieure“, Band 2, Wiesbaden: Springer
Vieweg, 2015, Kapitel I 4 und 7
T. Westermann „Mathematik für Ingenieure“, Berlin: Springer, 2015.
Kap. 3

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 2 / 32

Rang einer Matrix

Rang einer Matrix

LGS: Rang der Koeffizientenmatrix und Lösbarkeit
Inverse Matrix
Orthogonale Matrizen. Drehungen und Spiegelungen

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 3 / 32

Rang

Definition und Satz

a11 . . . a1n
 
 .. .. ∈ Rm×n .
Seien m, n ∈ N, A =  . .
am1 . . . amn
Dann heißen
(i) Spaltenrang von A:= Maximalzahl linear unabhängiger Spalten von A
(als Vektoren des Rm )
(ii) Zeilenrang von A:= Maximalzahl linear unabhängiger Zeilen von A
(als Vektoren des Rn )

(iii) Rang A:= Spaltenrang von A = Zeilenrang von A.

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 4 / 32

Der Rang von A ist invariant gegen elementare
Zeilenumformungen

Definition
Seien m, n ∈ N, A ∈ Rm×n eine Matrix.
Elementare Zeilenumformungen einer Matrix sind
Multiplikation einer Zeile von A mit einem Skalar λ ∈ R, λ 6= 0,
Addition eines Vielfachen einer Zeile von A zu einer anderen,
Vertauschen von zwei Zeilen von A.

Satz
Seien n, m ∈ N, A ∈ Rm×n .
Der Rang A ändert sich nicht bei elementaren Zeilenumformungen.

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 5 / 32

Beispiele zum Rang einer Matrix
 
2 −1
(i) A :=  10 −5 −5(I)
 
− 12 1
4 + 14 (I)
kann durch
 elementare
 Zeilenumformungen
2 −1
in 0 0 überführt werden ⇒ Rang A = 1.
 
0 0
!
1 −1 −2
(ii) B :=
1 1 1 −(I)
!
1 −1 −2
kann durch elementare Zeilenumformung in
0 2 3
überführt werden, ⇒ Rang B = 2.

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 6 / 32

LGS: Rang der Koeffizientenmatrix und Lösbarkeit

Rang einer Matrix

LGS: Rang der Koeffizientenmatrix und Lösbarkeit
Inverse Matrix
Orthogonale Matrizen. Drehungen und Spiegelungen

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 7 / 32

Matrix-Vektor-Darstellung eines LGS
Seien m, n ∈ N, i ∈ {1, . . . , m}, j ∈ {1, . . . , n}, aij ∈ R.
Ein LGS mit m Gleichungen in n Unbekannten

a11 x1 + ... +a1n xn = b1

.. .. ..
. . .
am1 x1 + . . . +amn xn = bm

kann kompakt dargestellt werden als

#»
A #»
x = b.

Dabei beschreibt
A ∈ Rm×n die Matrix aus den Koeffizienten,
#»
x ∈ Rn den Vektor der Unbekannten und
#»
b ∈ Rm den Vektor der rechten Seiten.
Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 8 / 32
Rang der Matrix und Anzahl der Lösungen des LGS

Satz
Seien m, n ∈ N und
A ∈ Rm×n die Koeffizientenmatrix eines LGS mit n Unbekannten,
#»
b ∈ Rm der Vektor der absoluten Glieder auf der rechten Seite,
#» #»
(A| b ) ∈ Rm×(n+1) die erweiterte Koeffizientenmatrix aus A und b .

Dann gilt
#»  #»
(i) A #»
x = b ist lösbar ⇔ Rang A = Rang A b .
#»  #»
(ii) A #»
x = b hat genau eine Lösung ⇔ Rang A = Rang A b = n.
#»
(iii) Ist das LGS A #»
x = b lösbar, dann enthält die allgemeine Lösung
(n − Rang A) Freiheitsgrade, also (n − Rang A) freie Variablen.

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 9 / 32

Beispiele: Rang der Koeffizientenmatrix und Lösbarkeit eines LGS (1/3)

! ! !
1 1 x 1
=
1 1 y 0
ist nicht lösbar, da
! !
1 1 1 1 1
Rang = 1 6= 2 = Rang .
1 1 1 1 0

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 10 / 32

Beispiele: Rang der Koeffizientenmatrix und Lösbarkeit eines LGS (2/3)
    
1 2 3 x −2
1 2 1 y  =  0 −(I) , (II) und (III) vertauschen
    
2 −1 0 z 2 −2(I)

kann durch elementare Zeilenumformungen überführt werden in

 
1 2 3 −2
 0 −5 −6 6 .
 
0 0 −2 2
Das LGS ist eindeutig lösbar, da
   
1 2 3 1 2 3 −2
Rang  0 −5 −6  = Rang  0 −5 −6 6 =3
   
0 0 −2 0 0 −2 2
  

 1 

L =  0 .
 
 −1 
 

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 11 / 32

Beispiele: Rang der Koeffizientenmatrix und Lösbarkeit eines LGS (3/3)

! ! !
1 1 x 1
=
−1 −1 y −1

ist lösbar nach (i), denn

! !
1 1 1 1 1
Rang = Rang = Rang 1.
−1 −1 −1 −1 −1

Nach (iii) hat die allgemeine Lösung einen freien Parameter.

( ! ! ! ! )
x x 1 −1
L= = +s ∧s ∈R .
y y 0 1

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 12 / 32

Erinnerung zur Lösung eines homogenen LGS

Ein homogenes LGS

#»
A #»
x = 0
ist stets lösbar, da immer gilt:
 #»
Rang A = Rang A 0 .

#»
Die triviale Lösung 0 ∈ Rn existiert immer.

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 13 / 32

Inverse Matrix

Rang einer Matrix

LGS: Rang der Koeffizientenmatrix und Lösbarkeit
Inverse Matrix
Orthogonale Matrizen. Drehungen und Spiegelungen

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 14 / 32

Invertierbarkeit quadratischen einer Matrix

Definition und Satz

∈N
Sei n  und seien  A, In ∈ Rn×n quadratische Matrizen,
1 0 ··· 0
0

1 · · · 0
n×n .

In := 
 .. ..  sei die Einheitsmatrix in R
.. 
. . .
0 0 ··· 1
(i) A ist invertierbar :⇔ Es existiert ein B ∈ Rn×n mit
AB = BA = In .

(ii) Ist A invertierbar, dann ist die Matrix B ∈ Rn×n mit AB = BA = In

eindeutig bestimmt.
Sie wird mit A−1 := B bezeichnet und heißt die zu A inverse Matrix.
(iii) A ist invertierbar ⇔ det A 6= 0 ⇔ Rang A = n.

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 15 / 32

Beispiel

!
1 −1
A := ∈ R2×2
1 1
ist invertierbar, da det A = 2 6= 0. Es ist
!
1 1
−1 2 2
A = 1 1 ,
−2 2

da
AA−1 = I2 = A−1 A .

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 16 / 32

Invertierbare Matrizen und LGS

Satz
#»
Sei n ∈ N, A ∈ Rn×n , b ∈ Rn .
Das LGS
#»
A #»
x = b
hat genau dann eine eindeutige Lösung #»
x ∈ Rn , wenn det A 6= 0:

#» #»
x = A−1 A #»
x = A−1 b .

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 17 / 32

Berechnung der inversen Matrix

Die Inverse einer invertierbaren quadratischen Matrix kann mit Hilfe des
Gauß- Algorithmus bestimmt werden.
Dazu forme man (A|In ) ∈ Rn×2n mit elementaren Zeilenumformungen so
um, dass auf der linken Seite In entsteht. Dann steht auf der rechten Seite
A−1 :
(A|In ) → (In |A−1 )

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 18 / 32

Beispiel:
Erfolgreicher Versuch der Berechnung der inversen Matrix
!
1 −1
A := (voriges Beispiel. A−1 =?)
1 1
!
1 −1 1 0
1 1 0 1 −(I)
!
1 −1 1 0
⇔
0 2 −1 1 · 12
!
1 −1 1 0 +(II)
⇔
0 1 − 12 1
2
! ! !
1 1 1 1
1 0 2 2 −1 2 2 1 1 1
⇔ ⇔ A = = .
0 1 − 12 1
2 − 12 1
2
2 −1 1
! ! !
1 1 −1 1 1 1 2 0
Probe: 2 = = 2 = I2 .
1 1 −1 1 0 2
Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 19 / 32
„Gegenbeispiel“:
Missglückter Versuch der Berechnung der inversen Matrix
!
1 1
(ii) B := ⇒ det B = 0
1 1
!
1 1 1 0
1 1 0 1 −(I)
!
1 1 1 0
⇔
0 0 −1 1
!
1 0
I2 = kann links nicht erzeugt werden!
0 1
Denn B ist nicht invertierbar, da det B = 0 . ⇔ B hat linear
abhängige Zeilen ⇔ B hat linear abhängige Spalten
Rang B < n, wobei n das Maximum aus den Anzahlen der Zeilen und
der Spalten ist.
Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 20 / 32
Berechnung der inversen Matrix mit der Cramer1 schen Regel

- eine alternative Berechnungsmethode zur Inversenbestimmung:

Satz (Cramersche Regel)

Sei n ∈ N und sei A ∈ Rn×n invertierbar. Dann gilt
>
(−1)1+1 det S11 (A) · · · (−1)1+n det S1n (A)

1 .. ..
A−1 =
 
det A
 . . 
(−1)n+1 det Sn1 (A) · · · (−1)n+n det Snn (A)
>
A11 · · · A1n

1  . ..  ,
=  .. .  wobei
det A
An1 · · · Ann

Sij (A) die Streichmatrix und Aij = (−1)i+j Sij die Adjunkte zu aij ist.
Der Satz wurde von Cramer zuerst publiziert aber schon früher von Leibniz gefunden.

1
Gabriel Cramer (1704 Genf - 1752 Bagnols-sur-Cèze, Frankreich)
Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 21 / 32
Beispiel: Matrixinversion nach der Cramerschen Regel
 
3 −1 5
Sei A := −1 2 1 . ⇒ det A = 5 und
 
−2 4 3
 ! ! !>
2 1 −1 1 −1 2
 det − det det
4 3 −2 3 −2 4 


 ! ! !
1
 −1 5 3 5 3 −1 
A−1 = − det det − det

4 3 −2 3 −2 4 

5
 ! ! !
 −1 5 3 5 3 −1 

det − det det 
2 1 −1 1 −1 2
 >  
2 1 0 2 23 −11
1 1
= 23 19 −10 = 1 19 −8
 
5 5
 
−11 −8 5 0 −10 5
Probe: AA−1 = In
Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 22 / 32
Orthogonale Matrizen. Drehungen und Spiegelungen

Rang einer Matrix

LGS: Rang der Koeffizientenmatrix und Lösbarkeit
Inverse Matrix
Orthogonale Matrizen. Drehungen und Spiegelungen

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 23 / 32

Orthogonale Matrix

Definition
Sei n ∈ N. A ∈ Rn×n heißt orthogonal, falls gilt

AT A = In

(also falls AT = A−1 ).

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 24 / 32

Beispiel: Drehung in R2 (1/3)

Sei ϕ ∈ R.
!
cos ϕ − sin ϕ
A := stellt die Drehung um den Winkel ϕ dar:
sin ϕ cos ϕ
! ! ! !
1 cos ϕ 0 − sin ϕ
A = , A =
0 sin ϕ 1 cos ϕ

Graphik: Akiko Kato

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 25 / 32

Beispiel: Drehung in R2 (2/3)

! ! ! !
x x cos ϕ − y sin ϕ cos ϕ − sin ϕ
Allgemein: A = =x +y
y x sin ϕ + y cos ϕ sin ϕ cos ϕ
!
x
q
Sei r := x 2 + y 2, ψ := Winkel, den mit der x -Achse bildet,
y
also x = r cos ψ, y = r sin ψ
! ! !
x cos ϕ − sin ϕ
⇒ A = r cos ψ + r sin ψ
y sin ϕ cos ϕ
! !
cos ψ cos ϕ − sin ψ sin ϕ cos(ψ + ϕ)
= r =r .
cos ψ sin ϕ + sin ψ cos ϕ sin(ψ + ϕ)

ϕ - phi - griech. Buchstabe, z.B. in Physik, Fotografie (2x), Fantasie; ψ - psi - griech. Buchstabe, z.B. in Psychologie, pseudo

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 26 / 32

Beispiel: Drehung in R2 (3/3)

A ist orthogonal, da
! ! !
T cos ϕ sin ϕ cos ϕ − sin ϕ 1 0
A A= = = I2
− sin ϕ cos ϕ sin ϕ cos ϕ 0 1

Andererseits ist
! !
−1 T cos ϕ sin ϕ cos(−ϕ) − sin(−ϕ)
A =A = =
− sin ϕ cos ϕ sin(−ϕ) cos(−ϕ)

gerade die Drehung um den Winkel −ϕ.

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 27 / 32

Beispiel: Spiegelung in R2

an einer Geraden durch den

! Ursprung:
die Spiegelung an der #»
1 0
Z.B. stellt S := e 1 -Achse (x -Achse) dar.
0 −1
! ! ! !
1 1 0 0
S = , S =
0 0 1 −1

! !
x x
Allgemein: S = .
y −y

S ist orthogonal, da
! !
T 1 0 1 0
S S= = I2 .
0 −1 0 −1

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 28 / 32

Eigenschaften einer orthogonalen Matrix

(i) Orthogonale Matrizen vermitteln Kongruenzabbildungen:

sie verändern weder die Länge von noch den Winkel zwischen
Vektoren.
(ii) Der Wert der Determinante einer orthogonalen Matrix ist 1 oder −1.
Das ist ein notwendiges aber kein hinreichendes Kriterium.
(iii) Die Spalten einer orthogonalen Matrix bilden eine Orthonormalbasis.

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 29 / 32

Beispiel: Drehung im R2 (1/2)
!
cos ϕ − sin ϕ
A=
sin ϕ cos ϕ
! !
(i) Die Basisvektoren #» und #»
1 0
e1 = e2 = werden abgebildet in
0 1
! !
− sin ϕ
A #» =: #» A #» =: #»
cos ϕ
e1 = e 01 , e2 = e 02
sin ϕ cos ϕ

Beträge bleiben gleich: | #»

e 1 | = | #»
e 2| = 1

| #» (− sin ϕ)2 + cos2 ϕ = | #»

q q
e 01 | = cos2 ϕ 2
+ sin ϕ = 1 = e 02 |

Winkel bleiben gleich: #»

e 1 ⊥ #»
e2 ⇔ #»
e 1 · #»
e2 =0
#»
e 01 · #»
e 02 = − cos ϕ sin ϕ + sin ϕ cos ϕ = 0 ⇔ #»
e 01 ⊥ #»
e 02

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 30 / 32

Beispiel: Drehung im R2 (2/2)

!
cos ϕ − sin ϕ
A=
sin ϕ cos ϕ
(ii) Die Determinante ist 1:
det A = cos2 ϕ + sin2 ϕ = 1.
(iii) Die Spalten von A sind gerade #»
e 01 und #»
e 02 .
Sie haben den Betrag 1 und stehen senkrecht aufeinander, bilden also
eine orthonormale Basis des R2 .

Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 31 / 32

Beispiel: Verzerrung ist keine Kongruenzabbildung

!
2 0
V := 1
0 2
! ! !
V #»
2 0 x 2x
x = 1 = 1
0 2 y 2y
! ! !
> 2 0 2 0 4 0
V V = 1 1 = 1 6= I2
0 2 0 2 0 4
⇒ V ist also keine orthogonale Matrix,
sie vermittelt keine Kongruenzabbildung.
Dipl.-Math. Juliana Grell 7 Matrizen WiSe 2023/2024 32 / 32