Gram-Schmidt-Rechner (Orthonormalbasis)
Verwandle eine Menge von Vektoren mit dem Gram-Schmidt-Verfahren in eine Orthonormalbasis: jeder Vektor wird orthogonal zu den vorherigen gemacht und dann auf Einheitslänge normiert. Gib einen Vektor pro Zeile in einem editierbaren Raster ein, und es liefert die Orthonormalbasis, wobei linear abhängige Vektoren verworfen werden. Orthonormalbasen sind die Grundlage der QR-Faktorisierung, der Fourier-Analyse und von Projektionen.
Ähnliche Tools
Alle Tools: Matrizen & Vektoren →Öffne Gram-Schmidt-Rechner (Orthonormalbasis) und du bekommst sofort eine Antwort — ohne Konto anzulegen. Berücksichtigt werden jeder Vektor wird orthogonal zu den vorherigen gemacht und dann auf Einheitslänge normiert. Gib einen Vektor pro Zeile in einem editierbaren Raster ein, und es liefert die Orthonormalbasis, wobei linear abhängige Vektoren verworfen werden. Orthonormalbasen sind die Grundlage der QR-Faktorisierung, der Fourier-Analyse und von Projektionen — passe einen davon an und das Ergebnis folgt sofort.
So funktioniert's
- Öffne das Tool — ohne Anmeldung oder Installation.
- Gib deine Daten ein oder passe die verfügbaren Optionen an.
- Erhalte dein Ergebnis sofort und kopiere oder lade es herunter.
Häufige Fragen
Wofür ist Gram-Schmidt-Rechner (Orthonormalbasis) da?
Verwandle eine Menge von Vektoren mit dem Gram-Schmidt-Verfahren in eine Orthonormalbasis: jeder Vektor wird orthogonal zu den vorherigen gemacht und dann auf Einheitslänge normiert. Gib einen Vektor pro Zeile in einem editierbaren Raster ein, und es liefert die Orthonormalbasis, wobei linear abhängige Vektoren verworfen werden. Orthonormalbasen sind die Grundlage der QR-Faktorisierung, der Fourier-Analyse und von Projektionen.
Wie sieht ein konkreter Fall aus?
(1, 1), (1, 0) → (1, 1)/√2, (1, −1)/√2 — das Werkzeug zeigt jeden Zwischenschritt, nicht nur das Endergebnis.
Was wird berücksichtigt?
Berücksichtigt werden jeder Vektor wird orthogonal zu den vorherigen gemacht und dann auf Einheitslänge normiert. Gib einen Vektor pro Zeile in einem editierbaren Raster ein, und es liefert die Orthonormalbasis, wobei linear abhängige Vektoren verworfen werden. Orthonormalbasen sind die Grundlage der QR-Faktorisierung, der Fourier-Analyse und von Projektionen. Änderst du einen davon, passt sich das Ergebnis sofort an.
Wann brauche ich das konkret?
Eine von Hand ausgeführte Zerlegung prüfen, ein lineares System lösen und die Eigenwerte finden, die beschreiben, wie eine Abbildung den Raum dehnt.
Was ist der häufigste Fehler?
Eine Matrix invertieren, um ein System zu lösen. Elimination oder eine Faktorisierung ist schneller und numerisch weit stabiler; eine explizite Inverse verstärkt Rundungsfehler, besonders nahe der Singularität.
Worin unterscheidet sich Gram-Schmidt-Rechner (Orthonormalbasis) von Spaltenraum-Rechner (Basis von Col(A), Rang, Pivotspalten)?
Sie liegen nah beieinander, beantworten aber verschiedene Fragen: Spaltenraum-Rechner (Basis von Col(A), Rang, Pivotspalten) ist das richtige, wenn es darum geht, eine Basis des Spaltenraums jeder Matrix bis 6×6, genommen aus den URSPRÜNGLICHEN Pivotspalten statt aus den reduzierten — mit Rang, freien Spalten, vollständiger RREF und jeder Zeilenoperation. Nimm das, was zu deinem Ausgangspunkt passt — beide sind kostenlos.
Gibt es ein Werkzeug für den nächsten Schritt?
Kern-Rechner (Basis von Nul(A), Defekt, parametrische Lösung) ist das nächstliegende danach: Löse Ax = 0 für jede Matrix bis 8×8: eine Basis des Kerns in exakten Brüchen und in ganzen Zahlen, die freien Variablen, die parametrische Lösung, die Probe der Dimensionsformel und A·v = 0 exakt geprüft.
Woher stammen die Daten?
Die Zerlegungen folgen ihren Lehrbuchdefinitionen, mit Teilpivotisierung wo sinnvoll. Ergebnisse sind exakt für kleine ganzzahlige Matrizen und sonst der Gleitkommarundung unterworfen.