Lineare Algebra klingt einschüchternd, aber ihre Kernideen sind bemerkenswert konkret. Vektoren, Matrizen und die Operationen zwischen ihnen beschreiben alles von physikalischen Simulationen bis hin zu Modellen für maschinelles Lernen. Dieser Leitfaden macht die Grundlagen zugänglich – keine fortgeschrittene Notation erforderlich.

Was ist ein Vektor?

Ein Vektor ist einfach eine Größe mit sowohl Betrag (Größe) als auch Richtung. In 2D bedeutet ein Vektor wie v = [3, 4] „3 Einheiten nach rechts und 4 Einheiten nach oben bewegen“. In 3D fügen Sie eine dritte Komponente hinzu: v = [3, 4, 2].

Geometrisch gesehen ist ein Vektor ein Pfeil vom Ursprung zu einem Punkt. Algebraisch gesehen handelt es sich um eine geordnete Liste von Zahlen (Komponenten). Beide Ansichten sind gleichermaßen gültig und Sie wechseln ständig zwischen ihnen.

Größe (Länge) eines Vektors verwendet den auf n Dimensionen verallgemeinerten Satz des Pythagoras:

|v| = √(v₁² + v₂² + v₃²)

Für v = [3, 4]: |v| = √(9 + 16) = √25 = 5

Ein Einheitsvektor hat die Größe genau 1. Um einen beliebigen Vektor in einen Einheitsvektor umzuwandeln, dividieren Sie jede Komponente durch die Größe: v̂ = v / |v|.

Vektoraddition und Skalarmultiplikation

Zwei Vektoren addieren sich komponentenweise:

[1, 2, 3] + [4, 5, 6] = [5, 7, 9]

Geometrisch gesehen ist dies die „Kopf-zu-Schwanz“-Regel: Platzieren Sie den Schwanz des zweiten Vektors am Kopf des ersten Vektors.

Durch Multiplikation mit einem Skalar (gewöhnliche Zahl) wird jede Komponente skaliert:

3 × [1, 2, 3] = [3, 6, 9]

Positive Skalare strecken den Vektor; ein Skalar von −1 kehrt seine Richtung um; Skalare zwischen 0 und 1 verkleinern es.

Das Punktprodukt

Das Skalarprodukt zweier Vektoren ergibt einen Skalar (einzelne Zahl):

A·B = a₁b₁ + a₂b₂ + a₃b₃

Für A = [1, 2, 3] und B = [4, 5, 6]:

A·B = (1×4) + (2×5) + (3×6) = 4 + 10 + 18 = 32

Die geometrische Bedeutung ist aufschlussreicher:

A·B = |A| × |B| × cos(θ)

Wobei θ der Winkel zwischen den Vektoren ist. Das gibt uns einen kritischen Einblick:

  • A·B > 0: Winkel < 90° – Vektoren zeigen ungefähr in die gleiche Richtung
  • A·B = 0: Winkel = 90° – Vektoren sind senkrecht (orthogonal)
  • A·B < 0: Winkel > 90° – Vektoren zeigen ungefähr in entgegengesetzte Richtungen

Das Skalarprodukt ist in der angewandten Mathematik allgegenwärtig. Maschinelles Lernen nutzt die Kosinus-Ähnlichkeit (Skalarprodukt dividiert durch das Produkt der Größen), um Dokumente und Benutzerpräferenzen zu vergleichen. Damit berechnet die Physik die Arbeit: W = F·d (Kraftpunktverschiebung).

Das Kreuzprodukt

Das Kreuzprodukt funktioniert nur in 3D und erzeugt einen Vektor (keinen Skalar) senkrecht zu beiden Eingaben:

A × B = [a₂b₃ - a₃b₂, a₃b₁ - a₁b₃, a₁b₂ - a₂b₁]

Die Richtung folgt der Rechte-Hand-Regel: Zeigen Sie mit den Fingern in Richtung A, krümmen Sie sie in Richtung B und Ihr Daumen zeigt in Richtung A × B.

Der Betrag von A × B entspricht der Fläche des Parallelogramms, das von den beiden Vektoren aufgespannt wird:

|A × B| = |A| × |B| × sin(θ)

Im Gegensatz zum Skalarprodukt ist das Kreuzprodukt antikommutativ: A × B = −(B × A).

Anwendungen: Das Drehmoment in der Physik ist τ = r × F. Oberflächennormalen in Computergrafiken (die Richtung, in die eine Oberfläche zeigt) werden als Kreuzprodukte von Kantenvektoren berechnet.

Was ist eine Matrix?

Eine Matrix ist eine rechteckige Anordnung von Zahlen, die in Zeilen und Spalten organisiert ist. Eine 3×2-Matrix hat 3 Zeilen und 2 Spalten.

Matrizen stellen lineare Transformationen dar – Funktionen, die Vektoren strecken, drehen, spiegeln oder scheren. Durch Multiplikation eines Vektors mit einer Matrix wird dieser transformiert.

Für eine 2×2-Matrix A und einen Vektor v:

A = [[3, 0],    v = [1]    Av = [3×1 + 0×2] = [3]
     [0, 2]]        [2]         [0×1 + 2×2]   [4]

Diese Transformation skaliert die x-Komponente um 3 und die y-Komponente um 2.

Matrixmultiplikation

Zwei Matrizen A und B werden multipliziert, um die Matrix C = AB zu erhalten, wobei jedes Element c_ij das Skalarprodukt der Zeile i von A mit der Spalte j von B ist.

[1, 2] × [5, 6] = [(1×5 + 2×7), (1×6 + 2×8)] = [19, 22]
[3, 4]   [7, 8]   [(3×5 + 4×7), (3×6 + 4×8)]   [43, 50]

Kritische Regeln:

  • AB ist nur definiert, wenn die Anzahl der Spalten in A gleich der Anzahl der Zeilen in B ist
  • Die Matrixmultiplikation ist im Allgemeinen nicht kommutativ: AB ≠ BA

Die Determinante

Die Determinante einer quadratischen Matrix ist ein Skalar, der angibt, wie stark die Matrix die Fläche (in 2D) oder das Volumen (in 3D) skaliert.

Für eine 2×2-Matrix:

det [[a, b]] = ad - bc
    [[c, d]]
Bestimmender Wert Bedeutung
det > 0 Transformation bewahrt die Orientierung
det < 0 Transformation spiegelt wider (dreht die Ausrichtung um)
det
det
det = 0 Die Transformation ist einzigartig – sie wird in eine niedrigere Dimension gequetscht

Wenn det = 0, ist die Matrix singulär – sie hat keine Umkehrung und das Gleichungssystem, das sie darstellt, hat entweder keine Lösung oder unendlich viele.

Die Matrix-Inverse

Das inverse A⁻¹ erfüllt AA⁻¹ = I (die Identitätsmatrix). Es existiert nur, wenn det(A) ≠ 0.

Für eine 2×2-Matrix:

A = [[a, b]]    A⁻¹ = (1/det) × [[ d, -b]]
    [[c, d]]                     [[-c,  a]]

Matrixinverse werden verwendet, um Systeme linearer Gleichungen zu lösen**: Wenn Ax = b, dann ist x = A⁻¹b.

In der Praxis werden große Systeme durch Gaußsche Eliminierung gelöst, anstatt A⁻¹ direkt zu berechnen – numerisch effizienter und stabiler.

Eigenwerte und Eigenvektoren

Ein Eigenvektor einer Matrix A ist ein spezieller Vektor v, der bei der Transformation durch A nur skaliert (nicht gedreht) wird:

Av = λv

Der Skalar λ ist der entsprechende Eigenwert – er sagt Ihnen, um wie viel der Eigenvektor gedehnt oder geschrumpft wird.

Um Eigenwerte zu finden, lösen Sie die charakteristische Gleichung:

det(A - λI) = 0

Für eine 2×2-Matrix ergibt dies eine quadratische Gleichung mit (normalerweise) zwei Lösungen.

Warum sind Eigenwerte wichtig?

  • Hauptkomponentenanalyse (PCA): Die Eigenvektoren der Datenkovarianzmatrix definieren die Richtungen maximaler Varianz – die „Hauptkomponenten“, die die Dimensionalität reduzieren und gleichzeitig Informationen bewahren
  • Google PageRank: Der dominante Eigenvektor der Weblinkmatrix gibt die stationäre Verteilung eines zufälligen Websurfers an
  • Quantenmechanik: Beobachtbare Größen (Energieniveaus, Spinzustände) sind Eigenwerte von Operatoren

Polarkoordinaten

Obwohl Koordinatensysteme nicht unbedingt Teil der linearen Algebra sind, hängen sie mit Transformationen zusammen. Polarkoordinaten stellen jeden 2D-Punkt durch seinen Abstand r vom Ursprung und den Winkel θ von der positiven x-Achse dar.

Konvertierung zwischen Systemen:

Cartesian → Polar:   r = √(x² + y²),  θ = atan2(y, x)
Polar → Cartesian:   x = r cos(θ),    y = r sin(θ)

Polarkoordinaten vereinfachen viele Probleme im Zusammenhang mit Kreisen und Rotationen – Gleichungen, die in kartesischer Form komplex sind, werden in Polarform elegant.

Alles zusammenfügen

Die Stärke der linearen Algebra liegt darin, dass Sie mit vielen Variablen gleichzeitig als ein einziges mathematisches Objekt arbeiten können. Ein maschinelles Lernmodell mit Millionen von Parametern ist lediglich eine Folge von Matrixmultiplikationen und nichtlinearen Funktionen. Eine 3D-Spiel-Engine transformiert Millionen von Eckpunkten pro Sekunde mit Rotations-, Skalierungs- und Projektionsmatrizen.

Die Grundlagen – Vektoren, Skalarprodukte, Matrizen, Determinanten – sind die Grundlage für alles.

Verwenden Sie unseren Punktproduktrechner, Kreuzproduktrechner, Matrixdeterminantenrechner, Matrixinversrechner und Eigenwert Rechner, um diese Konzepte interaktiv zu erkunden.