Lineare-Systeme Rechner (Cramer, Gauss-Jordan)

Lineare-Systeme A x = b Rechner: Cramer-Regel, Gauss-Jordan-Elimination, LU-Zerlegung, Rouche-Capelli, unter- und überbestimmte Systeme mit Anwendungen.

Berechnungsparameter
War dieser Rechner nützlich?

Lineare Systeme

System A x = b mit n Gleichungen in m Unbekannten. Matrixform: A (n x m), x (m x 1), b (n x 1). Lösen = x finden, das alle erfüllt. Fundamentale lineare Algebra.

Numerisches Beispiel

3x3-System: 2x_1 + x_2 - x_3 = 8, -3x_1 - x_2 + 2x_3 = -11, -2x_1 + x_2 + 2x_3 = -3. Lösung x_1 = 2, x_2 = 3, x_3 = -1.

Cramer-Regel

A quadratisch det != 0: x_i = det(A_i) / det(A). A_i ersetzt Spalte i durch b. Cramer 1750. O(n^4) ineffizient n > 4.

Gauss-Jordan

Zeilen-Operationen. [A|b] zu RREF reduzieren. O(n^3). Produktionsstandard.

LU-Zerlegung

A = LU. L untere Dreiecks, U obere. L y = b, U x = y. Multi-b: O(n^2) jeweils.

Rouche-Capelli-Theorem

  • rank(A) < rank(A|b): inkompatibel.
  • = m: eindeutig.
  • < m: unendlich viele (m-rank) frei.

Unterbestimmte

n < m. Unendliche Lösungen. Min-Norm: Moore-Penrose-Pseudoinverse.

Überbestimmte

n > m. Keine exakte Lösung. Least Squares: min ||Ax - b||^2. Normalgleichungen.

Numerische Stabilität

cond(A) Empfindlichkeit. =1 gut. >>1 schlecht. Partielle Pivotsuche. SVD robust.

Iterative Verfahren

  • Jacobi.
  • Gauss-Seidel.
  • SOR.
  • Conjugate Gradient SPD.
  • GMRES allgemein.

Anwendungen

  • FEM Finite Elemente.
  • Elektrische Netzwerke Kirchhoff.
  • Lineare Programmierung Simplex.
  • Neuronale Netze Backprop.
  • Bildverarbeitung Filter.
  • Quantenmechanik.
  • Markov-Ketten.
  • Polynomregression.

Rechnermodi

Fünf: Gauss-Jordan, Cramer, Verifikation, Rang Rouche-Capelli, unter/überbestimmt.

Geschichte

Antikes China 200 v. Chr. (Jiuzhang Suanshu): erste Methode ähnlich Gauss. Cramer 1750: explizite Formeln. Gauss 1809 (Theoria Motus): Eliminationsmethode für Bahnen. Jordan 1888: reduzierte Stufenform. Cholesky 1910: symmetrische Matrizen. Wilkinson 1960er: numerische Stabilitätsanalyse. LAPACK 1992: moderner Produktionsstandard.

Die Geometrie linearer Systeme: Schnitte im Raum

Jede lineare Gleichung stellt geometrisch ein flaches Objekt dar: eine Gerade in zwei Dimensionen, eine Ebene in drei, eine Hyperebene im Allgemeinen. Ein System zu losen bedeutet, die Punkte zu finden, die gleichzeitig zu all diesen Flachen gehoren, also ihren Schnitt. Diese geometrische Sicht erhellt sofort, warum ein System eine, unendlich viele oder keine Losung haben kann.

Kreuzen sich zwei Geraden in der Ebene in einem Punkt, hat das System eine eindeutige Losung. Fallen sie zusammen, ist jeder Punkt eine Losung und die Losungen sind unendlich. Sind sie parallel und verschieden, treffen sie sich nie und das System ist unmoglich. In hoheren Dimensionen erstreckt sich dieselbe Logik auf Ebenen und Hyperebenen. Der Satz von Rouche-Capelli ubersetzt diese Geometrie in Arithmetik: durch Vergleich des Rangs der Koeffizientenmatrix mit dem der erweiterten Matrix stellt man genau fest, welcher der drei Falle vorliegt, ohne visualisieren zu mussen.

Die Konditionierung: wenn kleine Fehler gross werden

Nicht alle linearen Systeme sind in der Praxis gleich leicht zu losen. Manche sind schlecht konditioniert: kleine Variationen in den Koeffizienten oder den konstanten Termen erzeugen enorme Variationen in der Losung. Geometrisch entspricht das nahezu parallelen Geraden, deren Schnittpunkt sich bei der kleinsten Steigungsanderung heftig verschiebt. In diesen Fallen konnen selbst die unvermeidlichen Rundungsfehler des Computers die numerische Losung vollig unzuverlassig machen.

Die Schwere des Problems misst man mit der Konditionszahl der Matrix: ein Wert nahe 1 zeigt ein gut gestelltes System an, riesige Werte signalisieren schlechte Konditionierung. Ein klassisches Beispiel ist die Hilbert-Matrix, deren Konditionszahlen exponentiell mit der Dimension wachsen und sie zu einem Prufstand fur Algorithmen machen. Schlechte Konditionierung zu erkennen und zu handhaben ist in Ingenieurwesen und wissenschaftlichem Rechnen wesentlich, wo Techniken wie Pivotierung, Regularisierung oder erhohte Genauigkeit fur zuverlassige Ergebnisse eingesetzt werden.

Aktualisiert im Juli 2026

Häufig gestellte Fragen

Was ist ein lineares Gleichungssystem?

Es ist eine Menge linearer Gleichungen in denselben Unbekannten, die man alle gleichzeitig zu erfullen sucht. Es wird in Matrixform als A x = b geschrieben, wobei A die Koeffizientenmatrix, x der Vektor der Unbekannten und b die konstanten Terme ist. Es zu losen bedeutet, die Werte der Unbekannten zu finden.

Wie lost man es mit der Gauss-Elimination?

Man wandelt die erweiterte Matrix durch elementare Zeilenoperationen in Stufenform um: Tausch, Multiplikation mit einer Konstante, Addition von Vielfachen. Durch Reduktion des Systems auf Dreiecks- oder reduzierte Form liest man die Losungen direkt ab. Es ist die Standardmethode, mit einer Komplexitat proportional zu n hoch drei.

Was ist die Cramer-Regel?

Sie gibt die Losungen eines quadratischen Systems als Determinantenverhaltnisse: jede Unbekannte x_i gleicht der Determinante der Matrix, die durch Ersetzen der Spalte i durch die konstanten Terme entsteht, geteilt durch die Determinante von A. Sie ist elegant, aber fur grosse Systeme ineffizient, da Determinantenberechnung teuer ist.

Wie viele Losungen kann ein System haben?

Drei Falle: eindeutige Losung, unendlich viele Losungen oder keine. Geometrisch entsprechen sie sich in einem Punkt treffenden, zusammenfallenden oder parallelen, sich nicht schneidenden Flachen. Der Satz von Rouche-Capelli bestimmt den Fall durch Vergleich der Range der Matrizen.

Was besagt der Satz von Rouche-Capelli?

Ein System hat Losungen genau dann, wenn der Rang der Koeffizientenmatrix dem Rang der erweiterten Matrix gleicht. Gleicht dieser gemeinsame Rang der Zahl der Unbekannten, ist die Losung eindeutig; ist er kleiner, sind die Losungen unendlich mit einer bestimmten Zahl freier Variablen.

Was sind uberbestimmte Systeme?

Es sind Systeme mit mehr Gleichungen als Unbekannten, die im Allgemeinen keine exakte Losung haben. Man sucht dann die Kleinste-Quadrate-Losung, die den Gesamtfehler minimiert, durch Losen der Normalgleichungen A transponiert A x = A transponiert b. Es ist die Grundlage der linearen Regression.

Was ist die Konditionierung eines Systems?

Es ist ein Mass dafur, wie empfindlich die Losung auf kleine Fehler in den Daten reagiert. Ein schlecht konditioniertes System mit nahezu parallelen Geraden verstarkt Rundungsfehler und liefert unzuverlassige Losungen. Die Konditionszahl quantifiziert das Problem: je grosser, desto unzuverlassiger das numerische Ergebnis.

Wozu dienen lineare Systeme?

Sie sind uberall: im Ingenieurwesen fur Struktur- und Schaltungsanalyse, in der Physik fur das Kraftegleichgewicht, in der Wirtschaft fur Input-Output-Modelle, in der Computergrafik, in der Optimierung und in der numerischen Losung von Differentialgleichungen durch Diskretisierung (Finite-Elemente-Methode).

Kommentare (0)

Noch keine Kommentare. Sei der Erste!