Kern einer Matrix Berechnen Rechner
Berechnen Sie den Kern (Nullraum) einer Matrix mit diesem präzisen Online-Tool. Geben Sie die Matrixdimensionen ein und füllen Sie die Werte aus.
Umfassender Leitfaden: Kern einer Matrix berechnen
Der Kern (auch Nullraum genannt) einer Matrix ist ein fundamentales Konzept in der linearen Algebra. Er besteht aus allen Vektoren, die durch die Matrix auf den Nullvektor abgebildet werden. Dieser Leitfaden erklärt Schritt für Schritt, wie man den Kern einer Matrix berechnet, welche mathematischen Prinzipien dahinterstehen und welche praktischen Anwendungen es gibt.
1. Definition des Kerns einer Matrix
Gegeben sei eine m×n-Matrix A. Der Kern von A, bezeichnet als ker(A) oder N(A), ist die Menge aller Vektoren x ∈ ℝⁿ, für die gilt:
A·x = 0
Dabei ist 0 der Nullvektor in ℝᵐ. Der Kern ist immer ein Untervektorraum von ℝⁿ.
Wichtig:
Der Kern einer Matrix ist niemals die leere Menge – er enthält mindestens den Nullvektor. Die Dimension des Kerns wird als Nullität der Matrix bezeichnet.
2. Schritt-für-Schritt Berechnung des Kerns
Um den Kern einer Matrix zu berechnen, folgen Sie diesen Schritten:
- Matrix in Zeilenstufenform bringen: Wenden Sie den Gauß-Algorithmus an, um die Matrix in ihre reduzierte Zeilenstufenform (RREF) zu überführen.
- Pivotvariablen identifizieren: Die Variablen, die zu den führenden Einsen in der RREF gehören, sind die Pivotvariablen.
- Freie Variablen bestimmen: Die nicht-Pivotvariablen sind frei wählbar und bilden die Basis für den Kern.
- Allgemeine Lösung formulieren: Drücken Sie die Pivotvariablen durch die freien Variablen aus.
- Basis des Kerns aufstellen: Wählen Sie Basisvektoren, indem Sie jeweils eine freie Variable auf 1 setzen und die anderen auf 0.
3. Beispielberechnung
Betrachten wir die Matrix:
A = | 1 2 3 4 |
| 2 4 6 8 |
| 1 2 3 4 |
Nach Anwendung des Gauß-Algorithmus erhalten wir die RREF:
RREF(A) = | 1 2 3 4 |
| 0 0 0 0 |
| 0 0 0 0 |
Die Pivotvariable ist x₁. Die freien Variablen sind x₂, x₃ und x₄. Die allgemeine Lösung ist:
x₁ = -2x₂ - 3x₃ - 4x₄ x₂ = x₂ x₃ = x₃ x₄ = x₄
Eine Basis für den Kern besteht aus den Vektoren, die entstehen, wenn wir jeweils eine freie Variable auf 1 setzen:
Basis = { [-2, 1, 0, 0]ᵀ, [-3, 0, 1, 0]ᵀ, [-4, 0, 0, 1]ᵀ }
4. Dimension des Kerns (Nullität)
Die Dimension des Kerns wird durch die Anzahl der freien Variablen bestimmt. In unserem Beispiel gibt es 3 freie Variablen (x₂, x₃, x₄), daher ist die Nullität 3.
Der Rang-Nullität-Satz besagt, dass für jede m×n-Matrix A gilt:
rang(A) + nullität(A) = n
5. Geometrische Interpretation
Der Kern einer Matrix repräsentiert:
- Alle Vektoren, die durch die lineare Abbildung A auf den Nullvektor abgebildet werden
- Den “flachen” Unterraum, der durch die Matrix “zusammengepresst” wird
- Bei einer 2×2-Matrix: Eine Gerade durch den Ursprung (wenn dim(ker) = 1) oder die gesamte Ebene (wenn dim(ker) = 2)
6. Anwendungen in der Praxis
Das Konzept des Kerns findet Anwendung in:
- Differentialgleichungen: Lösung von homogenen Systemen
- Bildverarbeitung: Kompression und Filteroperationen
- Maschinelles Lernen: Dimensionalitätsreduktion (PCA)
- Robotik: Bewegungsplanung und Kinematik
- Ökonomie: Input-Output-Analyse
7. Vergleich: Kern vs. Bild
| Eigenschaft | Kern (Nullraum) | Bild (Spaltenraum) |
|---|---|---|
| Definition | Alle x mit A·x = 0 | Alle b mit A·x = b für ein x |
| Dimension | nullität(A) = n – rang(A) | rang(A) |
| Unterraum von | ℝⁿ (Definitionsbereich) | ℝᵐ (Zielbereich) |
| Berechnung | Lösen von A·x = 0 | Linearkombination der Spalten |
| Geometrische Bedeutung | Wird auf 0 abgebildet | Alle möglichen Ausgaben |
8. Häufige Fehler und wie man sie vermeidet
- Falsche Zeilenoperationen: Vermeiden Sie die Multiplikation einer Zeile mit Null oder das Vertauschen von Zeilen ohne Vorzeichenwechsel in der Determinante.
- Freie Variablen übersehen: Stellen Sie sicher, dass Sie alle nicht-Pivotvariablen als frei erkennen.
- Basisvektoren falsch aufstellen: Jeder Basisvektor sollte genau eine freie Variable auf 1 setzen, alle anderen auf 0.
- Vorzeichenfehler: Achten Sie besonders auf Vorzeichen beim Rückwärtsauflösen.
- Dimensionen verwechseln: Der Kern lebt im Definitionsraum (ℝⁿ), nicht im Zielraum (ℝᵐ).
9. Erweiterte Konzepte
9.1 Kern und Eigenwerte
Der Kern der Matrix (A – λI) ist genau der Eigenraum zum Eigenwert λ. Die geometrische Vielfachheit eines Eigenwerts ist die Dimension dieses Kerns.
9.2 Kern und Matrixzerlegungen
In der Singulärwertzerlegung (SVD) A = UΣVᵀ repräsentieren die letzten Spalten von V eine Basis für den Kern von A.
9.3 Kern in unendlichen Dimensionen
In Funktionalanalysis wird der Kern auf lineare Operatoren zwischen unendlichdimensionalen Räumen verallgemeinert. Zum Beispiel ist der Kern des Ableitungsoperators die Menge aller konstanten Funktionen.
10. Historische Entwicklung
Das Konzept des Kerns entwickelte sich parallel zur formalen Definition linearer Abbildungen:
- 19. Jahrhundert: Erste systematische Untersuchungen durch Arthur Cayley und James Joseph Sylvester
- 1900-1930: Formalisierung in der modernen Algebra durch Emil Artin und Emilie Noether
- 1932: Der Begriff “Kernel” wurde von Bartel van der Waerden in seinem einflussreichen Lehrbuch “Moderne Algebra” geprägt
- 1950er: Anwendung in der Funktionalanalysis durch Stefan Banach und andere
11. Computergestützte Berechnung
Für größere Matrizen empfiehlt sich die Verwendung von Computeralgebrasystemen:
| Software | Befehl | Beispielausgabe |
|---|---|---|
| MATLAB | null(A, 'r') |
Orthonormale Basis des Kerns |
| Python (NumPy) | scipy.linalg.null_space(A) |
Basisvektoren als Array |
| Wolfram Mathematica | NullSpace[A] |
Exakte symbolische Basis |
| R | null(A) (aus MASS-Paket) |
Numerische Basis |
Experten-Tipp:
Für numerische Stabilität bei schlecht konditionierten Matrizen sollten Sie die Singulärwertzerlegung (SVD) zur Kernberechnung verwenden, statt den Gauß-Algorithmus. Die SVD gibt Aufschluss über die numerische Nullität (Anzahl der Singulärwerte nahe Null).
12. Übungsaufgaben mit Lösungen
Aufgabe 1: Bestimmen Sie den Kern der Matrix:
| 1 0 2 | | 0 1 -1 | | 1 1 1 |
Lösung: Nach Gauß-Elimination erhalten wir die RREF:
| 1 0 2 | | 0 1 -1 | | 0 0 0 |
Die allgemeine Lösung ist x₁ = -2x₃, x₂ = x₃, x₃ = x₃. Eine Basis für den Kern ist {[-2, 1, 1]ᵀ}.
Aufgabe 2: Zeigen Sie, dass der Kern einer invertierbaren Matrix nur der Nullvektor ist.
Lösung: Wenn A invertierbar ist, dann existiert A⁻¹. Aus A·x = 0 folgt x = A⁻¹·0 = 0. Daher ist ker(A) = {0}.
13. Weiterführende Ressourcen
Für vertiefende Studien empfehlen wir folgende autoritative Quellen:
- MIT OpenCourseWare – Lineare Algebra (Gilbert Strang) – Umfassender Kurs mit Video-Vorlesungen und Übungsmaterial
- Linear Algebra Toolkit (UC Davis) – Interaktive Tools zur Visualisierung von Kern und Bild
- NIST Handbook of Mathematical Functions (Kapitel 3.8) – Offizielle Referenz für Matrixoperationen
14. Häufig gestellte Fragen
F: Warum ist der Kern immer ein Untervektorraum?
A: Der Kern ist abgeschlossen unter Addition (wenn A·x = 0 und A·y = 0, dann A·(x+y) = 0) und Skalarmultiplikation (wenn A·x = 0, dann A·(c·x) = 0 für alle Skalare c).
F: Kann der Kern größer sein als der Definitionsraum?
A: Nein, der Kern ist immer ein Unterraum des Definitionsraums ℝⁿ, kann also höchstens Dimension n haben.
F: Was ist der Unterschied zwischen Kern und Lösungsmenge?
A: Der Kern ist die Lösungsmenge des homogenen Systems A·x = 0. Die Lösungsmenge eines inhomogenen Systems A·x = b ist ein affiner Raum (Kern plus partikuläre Lösung).
F: Wie hängt der Kern mit der Determinante zusammen?
A: Für quadratische Matrizen: det(A) ≠ 0 ⇔ ker(A) = {0}. Die Determinante gibt Auskunft über die Invertierbarkeit, die eng mit der Trivialität des Kerns verbunden ist.
F: Warum ist der Kern für die Bildverarbeitung wichtig?
A: In der Bildverarbeitung repräsentieren Matrizen oft Filteroperationen. Der Kern des Filters zeigt an, welche Bildmuster durch den Filter vollständig entfernt werden (z.B. Hochpassfilter löschen konstante Bereiche, die im Kern liegen).