⌂ Multiplikation und Faktorzerlegung von Matrizen
⌂ Bekannte Faktorzerlegungen von Matrizen
- $A=L U$: LU-Zerlegung in Eliminationsverfahren, $L$ ist untere, $U$ eine obere Dreiecksmatrix.
- $A=Q R$: QR-Zerlegung in der Methode der kleinsten Quadrate, Gram-Schmidtsches Orthogonalisierungsverfahren.
- $S=Q\Lambda Q^T$: Hauptachsentransformation. $S$ ist eine symmetrische Matrix, $Q$ eine Matrix mit orthonormalen Spalten, die typischerweise Eigenvektoren sind.
- $A=X \Lambda X^{-1}$.
- $A = U \Sigma V^T$: Singulärwertzerlegung (SVD), $U$ und $V$ sind orthogonale Matrizen.
⌂ Einige Eigenschaften der Hauptachsentransformation
In der Hauptachsentransformation $$ S = Q \Lambda Q^T = (q_1\enspace\cdots\enspace q_n) \left(\begin{array}{ccc} \lambda_1 & & \\ & \ddots & \\ & & \lambda_n \end{array}\right) \left(\begin{array}{c} q_1^T\\ \vdots\\ q_n^T \end{array}\right) $$ sind $\lambda_i$ die Eigenwerte und $q_i$ die Eigenvektoren, siehe Eigenwertproblem.
⌂ Rechtfertigung der Eigenvektorzerlegung
Durch geschickte Klammerung lassen sich einige Eigenschaften der Ergebnismatrix erkennen: $$ (Q \Lambda)(Q^T), $$ die ja in der vektorweisen Multiplikation als eine Summe von Matrizen mit Rang $1$ darstellbar ist (siehe Vorlesung 1), bei der jeweils eine Spalte aus $Q \Lambda$ mit einer Zeile aus $Q^T$ multipliziert wird, so dass $$ S = \lambda_1 q_1 q_1^T+\cdots \lambda_n q_n q_n^T. $$ Diese Darstellung schlägt eine Brücke in die Spektraltheorie. In dieser Zerlegung von $S$ ergibt sich für das Produkt $S q_k$: \begin{eqnarray} S q_k & = & (\lambda_1 q_1 q_1^T+\cdots \lambda_n q_n q_n^T)\cdot q_k \\ &=& \lambda_k q_k q_k^T q_k \\ &=& \lambda_k q_k, \end{eqnarray} da alle Eigenvektoren $q_i$ orthonormal sind und daher $$ q_i q_j=\delta_{i j} $$ sowie $$ q_k^T q_k=\norm{q_k}=1. $$
⌂ Eliminiationsverfahren in der alternativen Darstellung der Matrixmultiplikation
Als einfaches Beispiel betrachte man eine zu diagonalisierende 2x2 Matrix: $$ A= \left(\begin{array}{cc} 2 & 3 \\ 4 & 7 \end{array}\right) \rightarrow \left(\begin{array}{cc} 2 & 3 \\ 0 & 1 \end{array}\right) = U $$ Die Frage ist nun, wie man den Rechenschritt in der „Matrixsprache” ausdrückt. Die den Rechenschritt repräsentierende Matrix ist $$ L=\left(\begin{array}{cc} 1 & 0\\ 2 & 1 \end{array}\right), $$ so dass $$ A=\left(\begin{array}{cc} 2 & 3 \\ 4 & 7 \end{array}\right) = \left(\begin{array}{cc} 1 & 0\\ 2 & 1 \end{array}\right) \left(\begin{array}{cc} 2 & 3 \\ 0 & 1 \end{array}\right) =L\cdot U $$ Wie kann man diese Zerlegung in der alternativen Formulierung der Matrixmultiplikation darstellen?
Dazu zerlegt man sich die Matrix $A$ wie folgt in die Summe zweier Matrizen vom Rang 1: \begin{eqnarray} \left(\begin{array}{cc} 2 & 3 \\ 4 & 7 \end{array}\right) & = & \left(\begin{array}{cc} 2 & 3 \\ 4 & 6 \end{array}\right) + \left(\begin{array}{cc} 0 & 0 \\ 0 & 1 \end{array}\right)\\ & = & \left(\begin{array}{c} l_{1 1}\\ l_{2 1} \end{array}\right) (u_{1 1}\enspace u_{1 2}) + \left(\begin{array}{c} l_{1 2}\\ l_{2 2} \end{array}\right) (u_{2 1}\enspace u_{2 2}) \end{eqnarray} Dabei hat man „im Hinterkopf”, dass im ersten Schritt des Gauß'schen Eliminationsverfahrens die erste Zeile verwendet wird, um in der ersten Spalte aller anderen Zeilen durch Subtraktion eine $0$ zu produzieren: $$ \left(\begin{array}{cccc} * & * & * & *\\ * & & &\\ * & & A_2 &\\ * & & & \end{array}\right). $$ Allgemeiner formuliert zerlegt man $A$ so, dass eine Summe aus dem jeweiligen Produkt von Rang-1-Matrizen entsteht: $$ A=\left(\begin{array}{c} l_{1 1}\\ \vdots\\ l_{n 1} \end{array}\right) (u_{1 1}\enspace \cdots\enspace u_{1 n}) + \left(\begin{array}{c} l_{1 2}\\ \vdots\\ l_{n 2} \end{array}\right) (u_{2 1}\enspace \cdots\enspace u_{2 n}) +\cdots \left(\begin{array}{c} l_{1 n}\\ \vdots\\ l_{n n} \end{array}\right) (u_{n 1}\enspace \cdots\enspace u_{n n}). $$ Das Ergebnis jeder Diagonalisierung ist letztlich eine LU Zerlegung.
⌂ Zum Fundamentaltheorem der linearen Algebra
Es gibt für $x\in\mathbb{R}^n$ 4 bedeutsame fundamentale Unterräume einer Matrix $A\in\mathbb{R}^{m\times n}$:
- Der Spaltenraum einer Matrix $\text{Col}(A)\subset\mathbb{R}^m$ mit der Dimension $r$.
- Der Zeilenraum einer Matrix $\text{Col}(A^T)\subset\mathbb{R}^n$ mit der gleichen Dimension $r$.
- Der Nullraum von $A$ $\text{Kern}(A)\subset\mathbb{R}^n$ mit der Dimension $n-r$.
- Der Nullraum der transponierten Matrix $\text{Kern}(A^T)\subset\mathbb{R}^m$ mit der Dimension $m-r$.
Jeder Bildvektor $A\cdot x=y\in \mathbb{R}^m$ hat jeweils einen Anteil im Spaltenraum $\text{Col}(A)$ und den anderen im Nullraum der transponierten Matrix $\text{Kern}(A^T)$ und jeder Vektor $x\in\mathbb{R}^n$ hat jeweils einen Anteil im Zeilenraum $\text{Col}(A^T)$ und den anderen im Nullraum $\text{Kern}(A)$ hat.
Beispiel: $$ A=\left(\begin{array}{ccc} 1 & 2 & 4 \\ 2 & 4 & 8 \\ \end{array}\right) \in\mathbb{R}^{2\times 3} $$ $m=2$, $n=3$ und $r=1$. Gesucht sind zwei Vektoren des Nullraums, z.B. $$ \text{Kern}(A)=\text{Span}\left\{ \left(\begin{array}{c} 0 \\ -2 \\ 1 \end{array}\right), \left(\begin{array}{c} 4\\ 0\\ -1 \end{array}\right) \right\}. $$
Zur relativen Lage der jeweiligen Unterräume ist Folgendes zu sagen. Man erkennt an der Konstruktion des Beispiels, dass gelten muss:
⌂ Querverweise auf 'Multiplikation und Faktorzerlegung von Matrizen'
Sie kennen vielleicht von anderen Medien sogenannte "Bezahlwände". Sie erhalten die von Ihnen begehrten Informationen nur, wenn Sie den Artikel kaufen oder regelmäßig zahlen. Soweit kann ich es aus berufsethischen Gründen nicht kommen lassen, bitte Sie jedoch trotzdem darum, meine Arbeit mit einer Spende oder einer Schenkung zu unterstützen.
Tim Deutschmann
USt-IdNr.: DE342866832
IBAN: DE49 4306 0967 6023 3551 01
BIC: GENODEM1GLS
Verwendungszweck 'Spende'.
Liste mit SpenderInnen, weitere Informationen zu meiner Finanzierung hier.
Kontakt- und Adressdaten:
E-mail: autor@tim-deutschmann.de
Keltenweg 22
69221 Dossenheim
Impressum