Grundlagen der Matrizen

Stell dir eine Matrix einfach als rechteckige Zahlentabelle vor - das war's! Eine m×n-Matrix hat m Zeilen und n Spalten. Wenn beide Zahlen gleich sind $m=n$, nennst du sie quadratisch.

Die Position jeder Zahl gibst du mit zwei Indizes an: a_ij bedeutet Zeile i, Spalte j. Das ist wie ein Koordinatensystem für deine Zahlen.

Matrizenaddition funktioniert super einfach: Du addierst einfach die Zahlen an gleicher Stelle. Wichtig: Beide Matrizen müssen dieselbe Größe haben! Bei der skalaren Multiplikation multiplizierst du jede Zahl in der Matrix mit derselben Zahl.

Die Matrizenmultiplikation ist etwas trickreicher. Du kannst A·B nur rechnen, wenn die Spaltenanzahl von A gleich der Zeilenanzahl von B ist. Anders als bei normalen Zahlen gilt hier: A·B ≠ B·A!

Merktipp: Bei der Matrizenmultiplikation "verschwindet" die mittlere Dimension: (m×n)·(n×k) = (m×k)

Matrix-Vektor-Multiplikation und Potenzen

Die Matrix-Vektor-Multiplikation begegnet dir überall in der Praxis - von Kostenfunktionen bis zu Koordinatentransformationen. Wichtig ist wieder: Die Spaltenanzahl der Matrix muss zur Zeilenanzahl des Vektors passen.

Matrizenpotenzen wie A² oder A³ funktionieren nur bei quadratischen Matrizen. Du multiplizierst die Matrix einfach mit sich selbst - das ist besonders nützlich für wiederholte Prozesse.

Die Einheitsmatrix E ist dein bester Freund: Sie hat auf der Hauptdiagonalen Einsen und sonst überall Nullen. Das Geniale: E·A = A und E·x⃗ = x⃗. Sie verhält sich wie die Zahl 1 bei der normalen Multiplikation.

Praxistipp: Die Einheitsmatrix erkennst du sofort - sie sieht aus wie ein "Kreuz" aus Einsen auf schwarzem Grund!

Inverse Matrizen und Gleichungssysteme

Die inverse Matrix A⁻¹ ist wie der Kehrwert einer Zahl: A·A⁻¹ = E. Nicht jede Matrix hat eine Inverse - das hängt von der Determinante ab.

Mit inversen Matrizen löst du lineare Gleichungssysteme elegant: Aus A·x⃗ = b⃗ wird x⃗ = A⁻¹·b⃗. Das ist viel effizienter als das Eliminationsverfahren, besonders bei größeren Systemen.

Die Determinante verrät dir, ob eine inverse Matrix existiert. Bei 2×2-Matrizen rechnest du: det(A) = a·d - b·c. Bei 3×3-Matrizen nutzt du die Regel von Sarrus. Ist det(A) ≠ 0, dann existiert A⁻¹.

Wichtig: Determinante = 0 bedeutet keine inverse Matrix und damit auch keine eindeutige Lösung deines Gleichungssystems!

Übergangsprozesse verstehen

Übergangsprozesse beschreiben, wie sich Zustände über Zeit verändern - perfekt für Marktanalysen oder Populationsstudien. Die Übergangsmatrix zeigt dir die Wahrscheinlichkeiten für jeden Wechsel.

Jede Zeile der Übergangsmatrix muss sich zu 1 (oder 100%) addieren - logisch, denn jeder muss irgendwo landen! Die Spalten zeigen, woher die "Neuzugänge" kommen.

Für Vorhersagen multiplizierst du einfach: x⃗₁ = A·x⃗₀ für den nächsten Zeitschritt. Für mehrere Schritte nutzt du Matrizenpotenzen: x⃗ₙ = Aⁿ·x⃗₀.

Mit einem Übergangsgraphen visualisierst du die Prozesse super anschaulich. Jeder Knoten ist ein Zustand, jeder Pfeil eine Übergangswahrscheinlichkeit.

Praxistipp: Bei Übergangsprozessen checkst du immer: Ergeben die Zeilen 100%? Sonst stimmt was nicht!

Grenzverhalten und Eigenwerte

Das Grenzverhalten zeigt dir, wohin sich dein System langfristig entwickelt. Nach vielen Schritten stabilisieren sich oft die Verteilungen - das ist der stationäre Zustand.

Eigenwerte und Eigenvektoren sind die Schlüssel zum Verständnis langfristiger Entwicklungen. Ein Eigenvektor x⃗ erfüllt: A·x⃗ = λ·x⃗, wobei λ (Lambda) der Eigenwert ist.

Der Eigenvektor zum Eigenwert λ = 1 ist besonders interessant - er zeigt dir die Grenzverteilung deines Übergangsprozesses. Hier ändert sich nichts mehr: A·x⃗ = 1·x⃗ = x⃗.

Durchblick: Eigenwerte größer als 1 bedeuten Wachstum, kleiner als 1 bedeutet Schrumpfung, gleich 1 bedeutet Gleichgewicht!