I matematik er en matrix (flertal: matricer) et rektangel af tal, der er arrangeret i rækker og kolonner. Rækkerne er hver især linjer fra venstre mod højre (vandret), og kolonnerne går fra top til bund (lodret). Den øverste celle til venstre er i række 1, kolonne 1 (se diagrammet til højre).
Matricer repræsenteres ofte med store romerske bogstaver som f.eks. ,
og
, og der findes regler for at addere, subtrahere og "gange" matricer sammen, men reglerne er anderledes end for tal. F.eks. giver produktet
ikke altid det samme resultat som
, hvilket er tilfældet ved multiplikation af almindelige tal. En matrix kan have mere end 2 dimensioner, f.eks. en 3D-matrix. En matrix kan også være endimensional, som en enkelt række eller en enkelt kolonne.
Mange naturvidenskaber bruger matricer ret meget. På mange universiteter undervises der meget tidligt i kurser om matricer (normalt kaldet lineær algebra), nogle gange endda allerede på det første studieår. Matricer er også meget almindelige inden for datalogi, ingeniørvidenskab, fysik, økonomi og statistik.
Nogle grundlæggende definitioner
En matrix med m rækker og n kolonner kaldes en m × n-matrix. Elementet i række i og kolonne j skrives ofte som aij eller a(i,j). En kolonnevektor er en n × 1-matrix, en rækkvektor er en 1 × n-matrix. En matrix med lige mange rækker og kolonner (m = n) kaldes en kvadratisk matrix.
Regneregler
- Addition og subtraktion: To matricer kan addes eller subtraheres elementvis, men kun hvis de har samme dimension (samme antal rækker og kolonner).
- Skalarmultiplikation: Multiplikation med et tal (en skalar) ganges hvert element i matricen med det tal.
- Matrixmultiplikation: Hvis A er en m × n-matrix og B en n × p-matrix, så er produktet AB en m × p-matrix. Elementet i række i, kolonne j i produktet findes som summen over k af aik bkj. For at gange to matricer skal antallet af kolonner i den første matche antallet af rækker i den anden.
- Ikke-kommutativitet: Generelt gælder AB ≠ BA — matrixmultiplikation er ikke kommutativ, men den er associativ (A(BC) = (AB)C) og distributiv over addition (A(B+C) = AB + AC).
- Transponering: Transponatet af A, betegnet AT, bytter rækker og kolonner (elementet aij bliver aji).
- Identitetsmatrix: Der findes en identitetsmatrix In for hver størrelse n, sådan at InA = AIn = A for alle passende matricer A.
- Inverse: En kvadratisk matrix A har en invers A-1, hvis AA-1 = A-1A = I. Ikke alle kvadratiske matricer er invertible; kun dem med ikke-nul determinant.
Særlige matricetyper
- Nullmatrix (0): Alle elementer er nul.
- Diagonal matrix: Kun diagonale elementer (hvor række = kolonne) kan være forskellig fra nul.
- Skalar matrix: En diagonal matrix hvor alle diagonale elementer er ens.
- Symmetrisk matrix: A = AT.
- Skew-symmetrisk matrix: A = −AT.
- Ortogonal matrix: ATA = I — kolonnerne udgør et ortonormalt system.
- Permutationmatrix: Får man ved at ombytte rækker i identitetsmatricen; bruges til rækkebytningsoperationer.
Vigtige begreber
- Determinant: En skalar værdi der kun giver mening for kvadratiske matricer; bruges bl.a. til at afgøre invertibilitet og til beregning af volumenændringer ved lineær transformation.
- Rank: Antallet af lineært uafhængige rækker eller kolonner. Rank afgør f.eks. om et lineært ligningssystem har entydig løsning.
- Række-reduktion: Gauss-elimination bruges til at løse systemer af lineære ligninger og til at bestemme rank, inverse osv.
- Tensors: Multidimensionale arrays (ofte omtalt som 3D-matricer eller højere) kaldes i matematik og fysik typisk tensores — disse generaliserer matricer til flere akser.
Anvendelser
Matricer er centrale i mange områder:
- Lineære ligningssystemer: Et system kan skrives som Ax = b, hvor A er koefficientmatrix, x vektor af ubekendte og b vektor af højreside; løsning findes ved inverse eller rækkeoperationer.
- Lineære transformationer: I geometri og computer-grafik beskriver matricer rotation, skalerings- og translationsoperationer (sidstnævnte i homogent koordinerede systemer).
- Statistik: Kovarians- og korrelationsmatricer, regressionsanalyse og principal component analysis (PCA) bygger på matricemetoder.
- Datalogi og netværk: Adjacency-matricer beskriver grafer og netværk; algoritmer til søgning, ranking (fx PageRank) og netværksanalyse bruger matricer.
- Fysik og ingeniørvidenskab: Systemer af differentialligninger, kvantemekanik (operatører) og signalbehandling anvender matricer.
- Økonomi: Input-output-analyser og økonometriske modeller bruger matricer til at beskrive sammenhænge mellem variable.
- Maskinlæring: Træning af modeller (f.eks. lineær regression, neurale netværk) involverer store matricer og tensoroperationer.
- Markov-kæder: Overgangsmatricer beskriver sandsynlighedsfordelinger over tid.
Praktiske bemærkninger
Ved beregninger med store matricer spiller effektivitet og numerisk stabilitet en rolle. Der findes specialiserede algoritmer (LU-, QR-, SVD-faktoriseringer) og optimerede biblioteker (BLAS, LAPACK, samt moderne GPU-baserede biblioteker) til at håndtere disse opgaver.
Matricer er et kraftfuldt værktøj fordi de giver en kompakt måde at beskrive og manipulere lineære relationer på. For begyndere anbefales at øve sig i at skrive mindre matricer manuelt, forstå række- og kolonneoperationer og bruge række-reduktion til at løse Ax = b — det giver et solidt fundament for videre studier i lineær algebra og dens anvendelser.

