QR-Zerlegung-Rechner

So nutzen Sie den QR-Zerlegung-Rechner

Der QR-Zerlegung-Rechner ermöglicht die schnelle und präzise Zerlegung reeller Matrizen in eine orthogonale Matrix $Q$ und eine obere Dreiecksmatrix $R$. Das Werkzeug führt die Matrixfaktorisierung direkt im Browser durch:

1. Matrix eingeben — Tragen Sie die Koeffizienten zeilenweise in das Eingabefeld ein. Werte innerhalb einer Zeile trennen Sie durch Leerzeichen oder Kommas. Der QR-Zerlegung-Rechner akzeptiert ganze Zahlen, Dezimalwerte sowie Brüche wie 1/2 oder -3/5.
2. Genauigkeit einstellen — Wählen Sie über die Dezimalstellen-Auswahl die gewünschte Rundungsgenauigkeit für Zwischen- und Endergebnisse.
3. Ergebnisse & Rechenschritte auswerten — Der QR-Zerlegung-Rechner gibt die spaltenorthonormale Matrix $Q$, die obere Dreiecksmatrix $R$ sowie die Verifikation $A = Q \cdot R$ übersichtlich aus.

Formeln & mathematische Theorie der QR-Zerlegung

Der QR-Zerlegung-Rechner basiert auf dem fundamentalen Satz der linearen Algebra, wonach jede reelle $m \times n$-Matrix $A$ mit $m \ge n$ und vollem Spaltenrang in zwei Faktoren zerlegt werden kann:

A = Q · R
Qᵀ · Q = I (orthonormale Spalten)
R ist eine obere Dreiecksmatrix (Right / Upper Triangular Matrix)

Das Gram-Schmidt-Verfahren

Das klassische Verfahren zur Bestimmung der QR-Faktorisierung ist das Gram-Schmidt-Orthonormalisierungsverfahren. Seien $a_1, a_2, \dots, a_n$ die Spaltenvektoren der Matrix $A$:

1. Erster Vektor: $$u_1 = a_1, \quad e_1 = \frac{u_1}{|u_1|}$$ $$r_{11} = |u_1|, \quad q_1 = e_1$$

2. Orthogonalisierung der weiteren Spalten ($k = 2, \dots, n$): $$u_k = a_k - \sum_{j=1}^{k-1} (q_j^T a_k) q_j$$ $$r_{jk} = q_j^T a_k \quad (j < k)$$ $$r_{kk} = |u_k|, \quad q_k = \frac{u_k}{|u_k|}$$

Die resultierende Matrix $Q = \begin{pmatrix} q_1 & q_2 & \dots & q_n \end{pmatrix}$ besitzt orthonormale Spalten, während $R = (r_{jk})$ eine obere Dreiecksmatrix darstellt.

Alternative Zerlegungsverfahren

In der numerischen Mathematik kommen neben dem Gram-Schmidt-Verfahren weitere Methoden zum Einsatz:

• Modifiziertes Gram-Schmidt-Verfahren (MGS): Reduziert Rundungsfehler durch schrittweise Orthogonalisierung gegen bereits berechnete Vektoren.
• Householder-Transformationen: Verwendet orthogonale Spiegelungsmatrizen $H = I - 2vv^T$, was eine besonders hohe numerische Stabilität garantiert.
• Givens-Rotationen: Eliminiert gezielt einzelne Matrixelemente unterhalb der Hauptdiagonalen durch ebene Drehungen.

Beispielrechnung im QR-Zerlegung-Rechner

Gegeben sei die $2 \times 2$-Matrix:

$$A = \begin{pmatrix} 1 & 1 \ 1 & 0 \end{pmatrix}$$

So berechnet der QR-Zerlegung-Rechner die Zerlegung schrittweise:

1. Erste Spalte normieren: $$a_1 = \begin{pmatrix} 1 \ 1 \end{pmatrix}, \quad r_{11} = |a_1| = \sqrt{1^2 + 1^2} = \sqrt{2}$$ $$q_1 = \frac{a_1}{r_{11}} = \begin{pmatrix} \frac{1}{\sqrt{2}} \ \frac{1}{\sqrt{2}} \end{pmatrix}$$

2. Zweite Spalte orthogonalisieren: $$a_2 = \begin{pmatrix} 1 \ 0 \end{pmatrix}$$ $$r_{12} = q_1^T a_2 = \frac{1}{\sqrt{2}} \cdot 1 + \frac{1}{\sqrt{2}} \cdot 0 = \frac{1}{\sqrt{2}}$$ $$u_2 = a_2 - r_{12} q_1 = \begin{pmatrix} 1 \ 0 \end{pmatrix} - \frac{1}{\sqrt{2}} \begin{pmatrix} \frac{1}{\sqrt{2}} \ \frac{1}{\sqrt{2}} \end{pmatrix} = \begin{pmatrix} \frac{1}{2} \ -\frac{1}{2} \end{pmatrix}$$ $$r_{22} = |u_2| = \sqrt{\left(\frac{1}{2}\right)^2 + \left(-\frac{1}{2}\right)^2} = \frac{1}{\sqrt{2}}$$ $$q_2 = \frac{u_2}{r_{22}} = \begin{pmatrix} \frac{1}{\sqrt{2}} \ -\frac{1}{\sqrt{2}} \end{pmatrix}$$

3. Ergebnismatrizen zusammenstellen: $$Q = \begin{pmatrix} \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \ \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} \end{pmatrix}, \quad R = \begin{pmatrix} \sqrt{2} & \frac{1}{\sqrt{2}} \ 0 & \frac{1}{\sqrt{2}} \end{pmatrix}$$

Der QR-Zerlegung-Rechner bestätigt exakt das Produkt $Q \cdot R = A$.

Typische Anwendungsbereiche für den QR-Zerlegung-Rechner

Der QR-Zerlegung-Rechner ist ein zentrales Hilfsmittel in Lehre, Wissenschaft und industrieller Praxis:

• Lineare Ausgleichsrechnung (Least Squares) — Zur Lösung überbestimmter Gleichungssysteme $Ax = b$ ohne Invertierung schlecht konditionierter Normalgleichungsmatrizen $A^T A$.
• QR-Algorithmus für Eigenwerte — Iterative Berechnung aller Eigenwerte und Eigenvektoren reeller und komplexer Matrizen.
• Signalverarbeitung & Systemtheorie — Adaptive Filterung, Kalman-Filter und robuste Schätzverfahren im Ingenieurwesen mit dem QR-Zerlegung-Rechner.
• Statistik & Datenanalyse — Multiple lineare Regression und Hauptkomponentenanalysen basieren auf stabilen QR-Zerlegungen.