Reguläre Matrix

Eine reguläre, invertierbare oder nichtsinguläre Matrix ist in der Mathematik eine quadratische Matrix, die eine Inverse besitzt. Reguläre Matrizen können auf mehrere äquivalente Weisen charakterisiert werden. Zum Beispiel zeichnen sich reguläre Matrizen dadurch aus, dass die durch sie beschriebene lineare Abbildung bijektiv ist. Daher ist ein lineares Gleichungssystem mit einer regulären Koeffizientenmatrix stets eindeutig lösbar. Die Menge der regulären Matrizen fester Größe mit Einträgen aus einem Ring oder Körper bildet mit der Matrizenmultiplikation als Verknüpfung die allgemeine lineare Gruppe.

Nicht zu jeder quadratischen Matrix existiert eine Inverse. Eine quadratische Matrix, die keine Inverse besitzt, wird singuläre Matrix genannt.

Definition

Eine quadratische Matrix A∈Rn×n mit Einträgen aus einem unitären Ring R (in der Praxis meist dem Körper der reellen Zahlen) heißt regulär, wenn eine weitere Matrix B∈Rn×n existiert, sodass

A⋅B=B⋅A=I

gilt, wobei I die Einheitsmatrix bezeichnet. Die Matrix B ist hierbei eindeutig bestimmt und heißt inverse Matrix zu A. Die Inverse einer Matrix A wird üblicherweise mit A−1 bezeichnet. Bei einer singulären Matrix existiert keine solche Matrix B.

Ist R ein kommutativer Ring, Körper oder Schiefkörper, so sind die beiden Bedingungen A⋅B=I und B⋅A=I äquivalent, das heißt, eine linksinverse Matrix ist dann auch rechtsinvers und umgekehrt, sprich, die obige Bedingung lässt sich durch B⋅A=I beziehungsweise A⋅B=I abschwächen.

Beispiele

Die reelle Matrix

A=(2312)

ist regulär, denn sie besitzt die Inverse

B=(2−3−12),

mit

A⋅B=(2312)⋅(2−3−12)=(1001)=I.

Die reelle Matrix

A=(2300)

ist singulär, denn für jede Matrix

B=(abcd)

gilt

A⋅B=(2300)⋅(abcd)=(2a+3c2b+3d00)≠I.

Äquivalente Charakterisierungen

Reguläre Matrizen über einem Körper

Eine (n×n)-Matrix A mit Einträgen aus einem Körper K, zum Beispiel die reellen oder komplexen Zahlen, ist genau dann invertierbar, wenn eine der folgenden äquivalenten Bedingungen erfüllt ist:

  • Es gibt eine Matrix B mit AB=I=BA.
  • Die Determinante von A ist ungleich null: det⁡(A)≠0.
  • Die Null ist kein Eigenwert von A.
  • Das lineare Gleichungssystem Ax=0 besitzt nur die triviale Lösung x=0.
  • Für jedes b∈Kn existiert mindestens eine Lösung x∈Kn des linearen Gleichungssystems Ax=b.
  • Für jedes b∈Kn existiert höchstens eine Lösung x∈Kn des linearen Gleichungssystems Ax=b.
  • Die Zeilenvektoren sind linear unabhängig.
  • Die Zeilenvektoren erzeugen Kn.
  • Die Spaltenvektoren sind linear unabhängig.
  • Die Spaltenvektoren erzeugen Kn.
  • Die durch A beschriebene lineare Abbildung Kn→Kn, x↦Ax, ist bijektiv.
  • Die transponierte Matrix AT ist invertierbar.
  • Der Rang der Matrix A ist gleich n.

Bei einer singulären (n×n)-Matrix A mit Einträgen aus einem Körper K ist keine der obigen Bedingungen erfüllt.

Reguläre Matrizen über einem unitären kommutativen Ring

Allgemeiner ist eine (n×n)-Matrix A mit Einträgen aus einem kommutativen Ring mit Eins R genau dann invertierbar, wenn eine der folgenden äquivalenten Bedingungen erfüllt ist:

  • Es gibt eine Matrix B mit AB=I=BA.
  • Die Determinante von A ist eine Einheit in R (man spricht auch von einer unimodularen Matrix).
  • Für alle b∈Rn existiert genau eine Lösung x∈Rn des linearen Gleichungssystems Ax=b.
  • Für alle b∈Rn existiert mindestens eine Lösung x∈Rn des linearen Gleichungssystems Ax=b.
  • Die Zeilenvektoren bilden eine Basis von Rn.
  • Die Zeilenvektoren erzeugen Rn.
  • Die Spaltenvektoren bilden eine Basis von Rn.
  • Die Spaltenvektoren erzeugen Rn.
  • Die durch A beschriebene lineare Abbildung Rn→Rn, x↦Ax, ist surjektiv (oder gar bijektiv).
  • Die transponierte Matrix AT ist invertierbar.

Bei einer singulären (n×n)-Matrix A mit Einträgen aus einem kommutativen Ring mit Eins R ist keine der obigen Bedingungen erfüllt.

Der wesentliche Unterschied zum Fall eines Körpers ist hier also, dass im Allgemeinen aus der Injektivität einer linearen Abbildung nicht mehr ihre Surjektivität (und damit ihre Bijektivität) folgt, wie bereits das einfache Beispiel ℤ→ℤ, x↦2x zeigt.

Weitere Beispiele

Die Matrix

A=(3x3x2−13x2+3x)

mit Einträgen aus dem Polynomring R=ℝ[x] hat die Determinante det⁡A=3x3⋅x−(x2−1)⋅(3x2+3)=3 und 3 ist invertierbar in R. Somit ist A regulär in R2×2. Die inverse Matrix ist

B=13(x1−x2−3x2−33x3)=(13⋅x13⋅(1−x2)−x2−1x3).

Die Matrix

A=([2]17[1]17[6]17[4]17)

mit Einträgen aus dem Restklassenkörper R=ℤ/17ℤ hat die Determinante det⁡A=[2]17⋅[4]17−[1]17⋅[6]17=[2]17 und [2]17 ist invertierbar in R. Somit ist A regulär in R2×2. Die inverse Matrix ist

B=1[2]17([4]17[−1]17[−6]17[2]17)=1[2]17([4]17[16]17[11]17[2]17)=([2]17[8]17[14]17[1]17).

Die Matrix

A=([3]12[7]12[1]12[9]12)

mit Einträgen aus dem Restklassenring ℤ/12ℤ hat die Determinante det⁡A=[3]12⋅[9]12−[7]12⋅[1]12=[20]12=[8]12. Da 8 und 12 nicht teilerfremd sind, ist det⁡A=[8]12 in ℤ/12ℤ nicht invertierbar. Daher ist A nicht regulär.

Eigenschaften

Ist die Matrix A regulär, so ist auch A−1 regulär mit der Inversen

(A−1)−1=A.

Sind die beiden Matrizen A und B regulär, so ist auch ihr Produkt A⋅B regulär mit der Inversen

(A⋅B)−1=B−1⋅A−1.

Die Menge der regulären Matrizen fester Größe bildet demnach mit der Matrizenmultiplikation als Verknüpfung eine (im Allgemeinen nichtkommutative) Gruppe, die allgemeine lineare Gruppe GL⁡(n,R). In dieser Gruppe ist die Einheitsmatrix das neutrale Element und die inverse Matrix das inverse Element. Für eine reguläre Matrix A gelten damit auch die Kürzungsregeln

A⋅B=A⋅C⇒B=C

und

B⋅A=C⋅A⇒B=C,

wobei B und C beliebige Matrizen passender Größe sind.

Blockmatrizen

Ist eine quadratische Blockmatrix M=(ABCD) gegeben, wobei A und das Schur-Komplement M/A:=D−CA−1B von A in M eine reguläre Matrix ist, dann ist auch M eine reguläre Matrix und es gilt

M=(I0CA−1I)(A00M/A)(IA−1B0I)

Daraus folgt für die inverse Matrix

M−1=(IA−1B0I)−1(A00M/A)−1(I0CA−1I)−1=(I−A−1B0I)(A−100(M/A)−1)(I0−CA−1I)=(A−1+A−1B(M/A)−1CA−1−A−1B(M/A)−1−(M/A)−1CA−1(M/A)−1)

Wenn D und das Schur-Komplement M/D:=A−BD−1C von D in M eine reguläre Matrix ist, gilt entsprechend

M=(IBD−10I)(M/D00D)(I0D−1CI)

und für die inverse Matrix

M−1=(I0D−1CI)−1(M/D00D)−1(IBD−10I)−1=(I0−D−1CI)((M/D)−100D−1)(I−BD−10I)=((M/D)−1−(M/D)−1BD−1−D−1C(M/D)−1D−1+D−1C(M/D)−1BD−1)

Mithilfe dieser Formel kann die inverse Matrix einer quadratischen (k×k)-Blockmatrix A∈Rn×nmit Blöcken der Dimension b×b effizient berechnet werden. Es ist also n=k⋅b. Die Laufzeit für die Inversion beträgt O(k2⋅b3⋅4k). Im Vergleich dazu beträgt die Laufzeit für den Gauß-Jordan-Algorithmus O(n3)=O(k3⋅b3).

Reguläre Matrizen über einem Restklassenkörper

Eine Matrix mit Einträgen aus einem Restklassenkörper 𝔽p mit einer Primzahl p ist genau dann regulär, wenn die Zeilenvektoren linear unabhängig sind.

Für den Restklassenkörper 𝔽2 kann die Anzahl der regulären n×n-Matrixen wie folgt berechnet werden:

Daraus lässt sich der Anteil der regulären n×n-Matrixen an allen n×n-Matrixen bestimmen. Es gibt 2n⋅n=2n2 verschiedene n×n-Matrixen, weil jedes der n⋅n=n2 Elemente unabhängig voneinander 2 Werte annehmen kann. Der Anteil der regulären n×n-Matrixen beträgt daher

(2n−20)⋅(2n−21)⋅(2n−22)⋅…⋅(2n−2n−1)/2n⋅n=2n−202n⋅2n−212n⋅2n−222n⋅…⋅2n−2n−12n=(1−12n)⋅(1−12n−1)⋅(1−12n−2)⋅…⋅(1−121)=∏k=1n(1−(12)k)

Für n gegen unendlich konvergiert dieses Produkt nach dem Pentagonalzahlensatz wegen |12|<1 gegen einen endlichen Grenzwert. Dieser beträgt etwa 0,289.

Dieses Ergebnis lässt sich für beliebige Primzahlen p auf den Restklassenkörper 𝔽p verallgemeinern. Es gibt pn⋅n=pn2 verschiedene n×n-Matrixen, von denen (pn−p0)⋅(pn−p1)⋅(pn−p2)⋅…⋅(pn−pn−1) reguläre n×n-Matrixen sind. Der Anteil der regulären n×n-Matrixen beträgt ∏k=1n(1−(1p)k).

Singuläre Matrizen

Eine singuläre Matrix ist eine quadratische Matrix die den Eigenwert null besitzt, d. h., es gibt einen vom Nullvektor verschiedenen Vektor, der von der Matrix auf ersteren abgebildet wird. Alle Vektoren, die von der Matrix auf den Nullvektor abgebildet werden, erzeugen den Eigenraum zum Eigenwert null. Die Dimension dieses Eigenraumes ist die geometrische Vielfachheit des Eigenwerts null.

Alle Vektoren, die von der singulären Matrix A auf den Nullvektor abgebildet werden, können mit der Äquivalenztransformation der Matrix ermittelt werden. Hat diese die Dimension n, wird sie im oberen rechten Quadrant einer erweiterten Matrix der Dimension 2n eingetragen und links daneben sowie darunter die entsprechende Einheitsmatrix:

 E   A 
 E 

Der untere linke Quadrant ist irrelevant und kann mit Nullen gefüllt werden, muss aber nicht. In dieser erweiterten Matrix werden in der oberen Hälfte Vielfache einer Zeile – der Pivotzeile – zu einer anderen Zeile addiert, und in der rechten Hälfte geschieht entsprechendes mit den Spalten. Ziel dieser Transformationen ist die Überführung des oberen rechten Quadranten in eine Pivotmatrix, die in jeder Spalte und Zeile höchstens einen von null verschiedenen Eintrag hat. Zeilen ohne einen solchen Eintrag enthalten links daneben den zugehörigen Linkseigenvektor und Spalten ohne Eintrag in der Pivotmatrix weisen darunter den Rechtseigenvektor auf.

Als Beispiel diene die Matrix

A= 0 −3 3
8−106
8−62

Zwei Nullenkreuze liefern:

1 0 0 0 −3 3 ⇒ 1 0 0 0 0 3
0108−106 −2108 00
0018−62 4/3 −1 1 0 0 0
1 0 0 L 1 1/2 0
010 R0 10
001 0 11

Die durchgeführten Transformationen können an den Matrizen L im oberen linken und R im unteren rechten Quadranten abgelesen werden:

Und es stimmt:

(4/3  −1  1) 0 −3 3 = (0 0 0)
8−106
8−62
0 −3 3 1/2 = 0
8−10610
8−6210

Die folgende Python Funktion automatisiert diese Methode, die auch für #Nicht quadratische Matrizen funktioniert.

def eigenraeume( A, tol=1.e-6 ):
    'berechnet eigenvektoren u, v, mit A.v=0*v oder u.A=0*u. tol: toleranz'
    n, m, nm, R = len( A ), len( A[ 0 ] ), len( A ) + len( A[ 0 ] ), []
    rn, rnm, rr = list( range( n ) ), range( nm ), list( range( n, nm ) )
    M = [ nm*[ 0. ] for i in rnm ]            # erweiterte matrix
    for i in rn:
        M[ i ][ n: ] = A[ i ]                 # A oben rechts
        M[ i ][ i ]  = 1.                     # E links
    for j in rr:
        M[ j ][ j ]  = 1.                     # und unten rechts
    for iter in range( min( m,n ) ):          # groesstes pivot a suchen
        a, i, j, Mij = max([ max([( abs( M[ k ][ l ] ), k, l, M[ k ][ l ] )
           for k in rn ]) for l in rr ])      # pivot Mij
        if a < tol:                           # betraglich groesstes pivot=0
            break                             # abbruch
        rn.remove( i ); rr.remove( j )        # pivot zeilen/spalten ignorieren
        for k in rn:                          # spaltenreduktion
            q = -M[ k ][ j ]/Mij              # l == j -> M[ k ][ l ] == 0
            M[ k ] = [ M[ k ][ l ] + q*M[ i ][ l ] for l in rnm ]
        for l in rr:                          # zeilenreduktion
            q = -M[ i ][ l ]/Mij
            for k in rnm:
                M[ k ][ l ] += q*M[ k ][ j ]  # k == i -> M[ k ][ l ] == 0
    L = [ M[ i ][ :n ] for i in rn ]          # eigenzeilen
    for j in rr:                              # eigenspalten
        R.append([ M[ k ][ j ] for k in range( n, nm ) ])
    return ( R, L )                           # eigenraeume

Nicht quadratische Matrizen

Nichtquadratische m×n-Matrizen sind weder regulär noch singulär. Wohl aber ist hier der Fall ausgezeichnet, dass entweder ihre Zeilen (für m < n) oder ihre Spalten (für m > n) linear unabhängig sind, dass also für den Rang r = m < n bzw. r = n < m gilt. Derartige Matrizen heißen zeilenregulär bzw. spaltenregulär.

Ein Matrizenprodukt kann Null sein, ohne dass einer der beiden Faktoren selbst Null ist:

(1−24−23−5)(243612)=(0000)=:O

Es gilt:

Der Spaltenraum ist der von den Spaltenvektoren einer m×n-Matrix ∈ Km×n aufgespannte Unterraum des Km. Entsprechend ist der Zeilenraum der von den Zeilenvektoren aufgespannte Unterraum des Kn. Die Dimension des Spaltenraumes ist der Spaltenrang und der Zeilenrang ist entsprechend die Dimension des Zeilenraumes. Spaltenrang und Zeilenrang sind stets gleich.