Matrixinverse: Definition und Existenzbedingungen

Die Inverse einer quadratischen Matrix A der Ordnung n×n ist die eindeutige Matrix A⁻¹, sodass A · A⁻¹ = A⁻¹ · A = I, wobei I die Einheitsmatrix ist. Sie existiert genau dann, wenn det(A) ≠ 0; in diesem Fall wird A als nichtsingulär oder invertierbar bezeichnet. Geometrisch ist A⁻¹ die inverse lineare Transformation: wenn A v auf w abbildet, bildet A⁻¹ w auf v ab. Anwendungen: Lösen linearer Systeme Ax = b (x = A⁻¹b), inverse Rotationen in der Computergrafik, affine Transformationen, multivariate Statistik (inverse Kovarianzmatrix für Mahalanobis-Distanz).

Berechnungsmethoden

Für kleine n (≤4) wird die Formel A⁻¹ = adj(A) / det(A) verwendet, wobei adj(A) die adjungierte Matrix (Transponierte der Kofaktormatrix) ist. Kosten O(n!). Für allgemeines n ist die Standardmethode Gauss-Jordan: I wird an A angefügt, um [A | I] zu bilden, elementare Zeilenoperationen werden angewendet, bis [I | A⁻¹] erreicht ist. Komplexität O(n³), numerisch stabil mit Partial-Pivotierung (Zeilen für max. Pivot tauschen). LU-Zerlegung A = LU ergibt A⁻¹ = U⁻¹·L⁻¹: zwei dreieckige Substitutionen O(n²) pro Spalte von A⁻¹. Cholesky für symmetrische positiv definite A: halbe Kosten.

Fälle 2×2 und 3×3

Für A = [[a, b], [c, d]]: A⁻¹ = (1/(ad−bc)) · [[d, −b], [−c, a]], wenn ad−bc ≠ 0. Für 3×3 wird die Kofaktorformel verwendet: A⁻¹_ij = (−1)^(i+j) · M_ji / det(A), wobei M_ji die Determinante der 2×2-Untermatrix ist, die durch Entfernen von Zeile j und Spalte i entsteht. Beispiel 3×3 Einheitsmatrix: I⁻¹ = I; Rotation R(θ)⁻¹ = R(−θ) = R(θ)^T (orthogonale Matrix).

Cramers Regel

Für ein System Ax = b mit invertierbarer A ist jede Lösungskomponente x_i = det(A_i) / det(A), wobei A_i die Matrix A mit der i-ten Spalte ersetzt durch b ist. Kosten O(n·n!) bei Entwicklung: sehr langsam für große n. Didaktisch nützlich für n=2, n=3. In der Praxis sind Gauss-Jordan oder LU-Zerlegung immer vorzuziehen (O(n³) vs O(n·n!)). Für n=2: x = (b₁·d − b₂·b)/(ad−bc), y = (b₂·a − b₁·c)/(ad−bc).

Konditionszahl

Die Konditionszahl κ(A) = ||A|| · ||A⁻¹|| misst die Empfindlichkeit des Problems Ax = b gegenüber Störungen in A oder b. κ=1 ideal (orthogonal); großes κ → schlecht konditionierte Matrix, kleine Störungen verursachen große Fehler in x. Faustregel: in einfacher Präzision (7 Stellen) verliert man etwa log₁₀(κ) Stellen. Hilbert-Matrizen (H_ij = 1/(i+j−1)) sind notorisch schlecht konditioniert (κ ~ 10^n). Direkte Inversion ablehnen, wenn κ > 10¹²: Moore-Penrose-Pseudoinverse oder iterative Löser (CG, GMRES) verwenden.

Moore-Penrose-Pseudoinverse

Für nicht-quadratische m×n oder singuläre Matrizen verallgemeinert die Pseudoinverse A⁺ das A⁻¹: A⁺ = (A^T A)⁻¹ A^T, wenn A vollen Rang hat, sonst über SVD: A = UΣV^T, A⁺ = V Σ⁺ U^T mit Σ⁺ durch Invertieren nichtnuller Singulärwerte und Transponieren. Grundlegende Anwendung: lineare Regression kleinster Quadrate (OLS: β = (X^T X)⁻¹ X^T y = X⁺ y).

Praktische Anwendungen

Lineare Systeme (Kirchhoffsche Netzwerke, Fachwerke); Computergrafik (4×4 homogene Transformationen, Inverse kombinierter Rotationen und Translationen); Robotik (inverse Kinematik, Jacobi-Matrizen); Maschinelles Lernen (Regression, Kernel-Methoden, Gauß-Prozesse); Finanzen (Markowitz-Portfoliooptimierung mit Σ⁻¹); Physik (Kontinuumsmechanik, Trägheitstensoren, FEM mit dünnbesetzten Systemen); Statistik (ANOVA, multiple Regression, generalisierte lineare Modelle); Vektorgrafik (Inverse von Homographien und Projektionen).

Anwendung

Modus wählen: Inverse (n×n CSV-Matrix → A⁻¹), Löse Ax=b (Matrix A + Vektor b → x), Cramer (Ax=b über Determinanten, nur 2×2 und 3×3 für Lesbarkeit), Prüfen (det, Spur, Rang, Kondition). Matrix im Format „Zeile1; Zeile2; Zeile3" mit kommagetrennten Elementen.

Aktualisiert im Juli 2026