Lehrstuhl für Mathematik II Algebraische Kombinatorik, Diskrete Strukturen Prof. Dr. Adalbert Kerber. Bachelor-Thesis

Größe: px
Ab Seite anzeigen:

Download "Lehrstuhl für Mathematik II Algebraische Kombinatorik, Diskrete Strukturen Prof. Dr. Adalbert Kerber. Bachelor-Thesis"

Transkript

1 Universität Bayreuth Fakultät für Mathematik und Physik Lehrstuhl für Mathematik II Algebraische Kombinatorik, Diskrete Strukturen Prof. Dr. Adalbert Kerber Bachelor-Thesis zur Erlangung des Grades Bachelor of Science an der Universität Bayreuth Methoden der Computeralgebra zur Berechnung der Jordanschen Normalform von Matrizen vorgelegt von: Cornelius Schwarz Neckarstr Bayreuth Tel am:

2 Vorwort Ziel dieser Arbeit ist eine algorithmische Präsentation der Jordanschen Normalform, wie sie in einer Programmiersprache wie z.b C, Java,... implementiert werden kann. Dazu sind jedoch einige Hilfsmittel aus der Mathematik erforderlich, die wir in Form von aufeinander aufbauenden Algorithmen vorstellen werden. Auch wenn wir die zum Verständnis nötigen Definitionen und Sätze behandeln werden, so sind doch Grundkenntnisse aus der Linearen Algebra, wie sie [ker] und [muel] vermitteln, von Vorteil, insbesondere der Umgang mit Idealen und die Kenntnis der Existenz einer im Wesentlichen eindeutigen Primfaktorzerlegung in euklidischen Ringen. Im ersten Kapitel werden wir uns mit der Ringtheorie beschäftigen. Im Mittelpunkt steht hier der euklidische Algorithmus zur Berechnung des größten gemeinsamen Teilers. Wir werden ihn in der einfachen Version, die zu a, b ein g ggt (a, b) berechnet, so wie in einer erweiterten Version, die zusätzlich zwei Koeffizienten x, y bestimmt mit xa + yb = g, kennen lernen. Aufbauend darauf werden wir den Algorithmus r, wie ihn [luen] in Kapitel 13 vorstellt, betrachten. Die Anwendung dieser Theorie im Zusammenhang mit der Jordanschen Normalform befindet sich in der Berechnung des Minimalpolynoms, welches wir in Kapitel drei vorstellen werden. Wir benötigen die Ringtheorie somit für den euklidischen Ring K[X], dem Ring der formalen Polynome über einem Körper K. Deshalb werden wir auch diesen im ersten Kapitel vorstellen, inklusive einem Algorithmus für die bekannte Polynomdivision. Das zweite Kapitel ist dem Gaußverfahren gewidmet, das wir anhand der linearen Gleichungssysteme vorstellen werden. Dies werden wir insbesondere bei der Berechnung der Basen der Primärkomponenten in Kapitel 5 anwenden. Neben ein paar Anwendungen werden wir jedoch auch zwei speziell angepasste Versionen darstellen. Als erstes die Version nach Lüneburg, die ein dynamisches Testen auf lineare Unabhängigkeit ermöglicht. Sie geht auf Kapitel 11 [luen] zurück und wird dort für die Berechnung des Ordnungspolynoms eingeführt, welches wir in Kapitel drei betrachten. Wir werden es jedoch auch für die Jordanstufenbasis in Kapitel fünf verwenden. Als zweites stellen wir die Berechnung einer Stufenbasis des Kerns von f i vor. Die Anwendung hiervon befindet sich ebenfalls in Kapitel fünf bei der dritten Version der Berechnung der Jordanschen Normalform. Einer der wichtigsten Schritte zur Behandlung von Normalformen von Endomorphismen ist die Interpretation eines K-Vektorraums V als Modul V f über dem Polynomring K[X]. Dies ist das Verbindungsglied zwischen der im ersten Kapitel betrachteten Ringtheorie und der Vektorraumtheorie aus Kapitel zwei. Die hieraus resultierende Situation werden wir im dritten Kapitel über einem allgemeinen Torsionsmodul diskutieren. Als Algorithmen stellen wir die Berechnung des Ordnungspolynoms eines Vektors, sowie die Bestimmung des Minimalpolyi

3 noms inklusive eines Vektors v, der dieses als Ordnungspolynom hat, vor. Diese Bestimmung halten wir dabei allgemein: Wir formulieren einen Algorithmus, der unter Kenntnis der Berechnung von Ordnungsidealen, das Annihilatorideal eines endlich erzeugten Torsionsmoduls inklusive einem Modulelement m, dessen Ordnungsideal dem Annihilatorideal entspricht, berechnet. Im vierten Kapitel steigen wir dann mit dem Begriff der Ähnlichkeit zweier Endomorphismen f, g in die Problematik der Normalformen ein. Die Entscheidung, ob zwei Endomorphismen ähnlich sind, werden wir auf die Berechnung eines im Wesentlichen eindeutigen Erzeugendensystems von V f bzw. V g zurückführen. Als Beispiel werden wir die Elementarteiler betrachten. Auch dies werden wir wieder zuerst über einem allgemeinen endlich erzeugten Torsionsmodul untersuchen, indem wir die Berechnung der Elementarteiler auf dem Algorithmus Annihilatorideal aus dem vorherigen Kapitel aufbauen. Dann werden wir dies für die uns interessierende Situation V f spezifizieren. Als erste Anwendung betrachten wir schließlich noch die rationale Normalform. Mit diesen Vorbereitungen können wir dann im fünften Kapitel die Berechnung der Jordanschen Normalform in Angriff nehmen. Auch wenn wir mit der Theorie der Torsionsmoduln diese direkt herleiten könnten, so wählen wir für ein besseres Verständnis doch den Zugang über die Eigenwerttheorie und betrachten die Jordansche Normalform als Erweiterung des Begriffs der Diagonalisierbarkeit. Wir stellen dann drei verschiedene Algorithmen vor, wobei die ersten zwei auf [luen] basieren und der letzte [rep] entnommen ist. Zum Abschluss dieser Arbeit grenzen wir in Abschnitt 5.3 noch Vor- und Nachteile der Jordanschen und rationalen Normalformen gegeneinander ab. Für das Korrekturlesen möchte mich bei Maria Brauchle, Sascha Kurz, Carsten König und insbesondere bei Martin Egerer und Sabine Vetter, die sich beide sehr viel Zeit genommen haben, herzlich bedanken. Bayreuth, den Cornelius Schwarz ii

4 Inhaltsverzeichnis Vorwort Tabellenverzeichnis Symbolverzeichnis Abkürzungsverzeichnis i v vi viii 1 Algorithmen in euklidischen Ringen Einführung Grundlagen in euklidischen Ringen Formale Polynome, der Polynomring K[X] Der euklidische Algorithmus Algorithmus r Das Gaußverfahren Lineare Gleichungssysteme Grundlagen Gaußtransformation Lösung des gestaffelten Systems Eine Variante Anwendungen Berechnung der Determinanten einer Matrix Matrixinversion Test auf lineare Unabhängigkeit Spezialisierungen Dynamische Version nach Lüneburg Berechnung einer Stufenbasis von A r x = Der K[X] Modul V f Einführung Berechnung der Ordnungspolynome Bestimmung des Minimalpolynoms Modifikation im Faktormodul Die Elementarteiler von V f Aufgabenstellung Elementarteiler Die rationale Normalform iii

5 5 Die Jordansche Normalform Die Eigenwerte von f Eigenwerttheorie in V Eigenwerttheorie in V f Berechnung der Jordanschen Normalform Berechnung der Elementarteiler der Primärkomponenten Berechnung der Primärkomponenten der Elementarteiler Berechnung mittels Stufenbasis Fazit Literaturverzeichnis 110 Index 111 Algorithmenverzeichnis 113 Erklärung 114 iv

6 Tabellenverzeichnis 5.1 Zeitvergleich der Algorithmen v

7 Symbolverzeichnis Vereinigung Durchschnitt und oder A\B Die Menge A ohne die Elemente der Menge B genau dann, wenn A B A impliziert B A B B impliziert A f : A B f ist eine Abbildung von A nach B a b a wird abgebildet auf b Einbettung existiert 1 a b a A, A a N existiert eindeutig für alle a teilt b a ist ein Element aus A die Menge der natürlichen Zahlen N 0 N {0} Z die Menge der ganzen Zahlen Q die Menge der rationalen Zahlen R die Menge der reellen Zahlen C die Menge der komplexen Zahlen die leere Menge A B A B R[X] die Menge der Abbildungen von B nach A das kartesische Produkt von A und B der Ring der Polynome über dem Ring R 1 R, 0 R das Einselement bzw. Nullelement des Ringes R R R\{0 R } δ ij Kroneckersymbol vi

8 r s Ringelement r ist assoziiert zu Ringelement s siehe Definition f g Endomorphismus f ist ähnlich zu Endomorphismus g siehe Definition A T E n (v) i die transponierte Matrix von A n dimensionale Einheitsmatrix i. Komponente des Vektors v a i i. Spaltenvektor der Matrix A = (a i,j ) a i i. Zeilenvektor der Matrix A = (a i,j ) M(B 1, f, B 2 ) darstellende Matrix des Endomorphismus f bezüglich der Basis B 2 in der Quelle und B 1 im Ziel. E(R) die Einheitengruppe von R ggt (a, b) die Menge der größten gemeinsamen Teiler von a und b kgv (a, b) die Menge der kleinsten gemeinsamen Vielfachen von a und b Φ(a, b) die Menge aller Teiler von a die teilerfremd sind zu b r(a, b) betragsmaximales Element r Φ(a, b) als Ergebnis von Algorithmus End K (V ) die Menge der Endomorphismen auf dem K-Vektorraum V Aut K (V ) die Menge der Automorphismen auf dem K-Vektorraum V sgn die Signumfunktion K < T > die K lineare Hülle von T K << T >> die K lineare Hülle der linear unabhängigen Familie T S n die symmetrische Gruppe auf der Menge {1,..., n} direkte Summe enthalten echt enthalten, also nicht gleich ϕ f O(m) Ann(M) I R M [a] f U E λ P λ der Einsetzungshomomorphismus von K[X] nach V das Ordnungsideal von m das Annihilatorideal von M I ist ein Ideal in R die Mächtigkeit von M, Anzahl der Elemente die Äquivalenzklasse von a f eingeschränkt auf U der Eigenraum zum Eigenwert λ die Primärkomponente zum Eigenwert λ vii

9 Abkürzungsverzeichnis bzgl. bzw. d.h. ggf. ggt. kgv. LGS. z.b. bezüglich beziehungsweise das heißt gegebenenfalls größter gemeinsamer Teiler kleinstes gemeinsames Vielfaches lineares Gleichungssystem zum Beispiel viii

10 Kapitel 1 Algorithmen in euklidischen Ringen In diesem Kapitel werden wir die Algorithmen ggt - zur Berechnung des größten gemeinsamen Teilers von a und b - und den Algorithmus r - Bestimmung des größten Teilers von a, der teilerfremd ist zu b - kennen lernen. Dazu beschäftigen wir uns mit der Ringtheorie. 1.1 Einführung Grundlagen in euklidischen Ringen Definition (Nullteiler,nullteilerfrei, Integritätsring). Sei R ein Ring. Ein Element 0 R r R heißt Linksnullteiler, falls es ein 0 R s R gibt mit rs = 0 R. Entsprechend wird Rechtsnullteiler definiert. Ist r sowohl Links- als auch Rechtsnullteiler, so bezeichnet man r auch kurz als Nullteiler. Gibt es in R keine Nullteiler, so ist R nullteilerfrei. Einen kommutativen nullteilerfreien Ring R {0} nennen wir Integritätsring. Definition (Ideal, Hauptideal). Es sei R ein Ring mit Einselement. Eine Untergruppe I (R, +), die multiplikativ abgeschlossen ist bezüglich der Ringmultiplikation, d.h. r R, i I ri I nennen wir Linksideal. Analog wird Rechtsideal definiert. Ist I sowohl Links- als auch Rechtsideal, so heißt I Ideal in Zeichen I R. Sind R ein Integritätsring mit Einselement und I ein zyklisches Ideal, d.h. gibt es ein i I, so dass es für alle j I ein r R gibt mit ri = j, so heißt I das von i erzeugte Hauptideal in Zeichen I = (i). Ein Integritätsring mit Einselement, indem jedes Ideal ein Hauptideal ist, nennen wir Hauptidealring. Definition (Euklidische Norm, Euklidischer Ring). Sei R ein Integritätsring mit Einselement, δ : R N eine Abbildung. δ heißt euklidische Norm, falls gilt: 1

11 δ ist multiplikativ, d.h. Existenz einer Division mit Rest: r, s R : δ(rs) = δ(r)δ(s) x R, y R = R\{0} q, r R : x = qy + r und es gilt r = 0 R oder δ(r) < δ(y). Das Paar (R, δ) heißt euklidischer Ring. Bemerkung Euklidische Ringe sind Hauptidealringe. Siehe etwa Satz [ker]. Beispiel Ein Beispiel für einen euklidischen Ring ist (Z, ) die ganzen Zahlen mit der Betragsfunktion. Definition (Primelement, Assoziierung). Sei R ein Integritätsring mit Einselement. p R heißt Primelement kurz prim : a, b R : p ab p a p b Zwei Elemente p, q R heißen assoziiert in Zeichen p q : p q q p Bemerkung Euklidische Ringe besitzen eine im Wesentlichen eindeutige Zerlegung in Primfaktoren. Im Wesentlichen bedeutet dabei, dass alle Zerlegungen zueinander assoziiert sind. Definition (Einheit). Sei R ein Ring mit Einselement. r R heißt Einheit : r 1 R : rr 1 = r 1 r = 1 R r besitzt also ein multiplikatives inverses Element in R. Die Menge aller Einheiten von R wird mit E(R) bezeichnet. Sie bildet eine multiplikative Gruppe. Beispiel Die Einheitengruppe E(Z) = {1, 1}. In K[X] sind die invertierbaren Polynome genau die konstanten Polynome ungleich 0 K[X]. Dies folgt unmittelbar aus dem Gradsatz Mittels der Identifikation der konstanten Polynome mit den Körperelementen gilt somit: E(K[X]) = K Schauen wir uns nun einige wichtige Eigenschaften einer euklidischen Normfunktion an. Vergleiche hierzu Kapitel 19 Lemma 18 [muel]. Lemma (Eigenschaften der Normfunktion). Sei R ein euklidischer Ring und δ : R N eine euklidische Normfunktion. Für alle a, b, u R gilt: a) a b δ(a) δ(b) b) a b δ(a) = δ(b) c) u E(R) δ(u) = 1 d) b a, b a δ(b) < δ(a) 2

12 Beweis. a) a b c R : ac = b δ(b) = δ(ac) = δ(a)δ(c). Wegen δ(c) 1 folgt demnach a). b) a b a b b a a) δ(a) δ(b) δ(b) δ(a) δ(a) = δ(b) c) Es ist δ(1 R ) = δ(1 R 1 R ) = δ(1 R ) 2 = 1. Beachte: Aufgrund der Anordnung von N ist 1 ist die einzige natürliche Zahl n mit n 2 = n. Nun gilt: u E(R) u 1 R : u 1 u = uu 1 = 1 δ(u)δ(u 1 ) = δ(uu 1 ) = δ(1) = 1 Damit ergibt sich δ(u) = 1 Ist nun umgekehrt δ(u) = 1, so gibt es q, r R : 1 = qu + r und r = 0 oder δ(r) < δ(u). Wegen δ(u) = 1 ist nur noch r = 0 möglich. Es folgt 1 = qu und damit ist u Einheit. d) Wegen b a existiert wieder ein c R : bc = a. Da b a ist c keine Einheit, also nach c) δ(c) > 1. Aus δ(a) = δ(b)δ(c) folgt damit δ(a) > δ(b) Formale Polynome, der Polynomring K[X] In Zusammenhang mit der Jordanschen Normalform benötigen wir die Ringtheorie für den Ring der formalen Polynome über einem Körper K. Diesen wollen wir nun einführen. Definition (formales Polynom, Grad). Sei R ein Ring. Eine Abbildung p : N 0 R mit {n N 0 p(n) 0} heißt formales Polynom über R. Der Grad von p ist definiert durch { max p(n) 0 n p 0 Grad(p) := R N sonst Die Menge aller solchen p wird mit R[X] bezeichnet. Satz Für f, g R[X] seien + : R[X] R[X] R[X] definiert durch (f + g)(i) := f(i) + g(i) i N 0 (1.1.13) und : R[X] R[X] R[X] definiert durch (f g)(i) := f(j)g(k) i N 0 (1.1.14) j+k=i dann ist (R[X], +, ) ein Ring. Hat R ein Einselement, so ist 1 R[X] R[X] definiert durch 1 R[X] (i) := { 1 R i = 0 0 R sonst i N 0 (1.1.15) Beweis. (R[X], +) ist eine additive abelsche Gruppe 3

13 Die Kommutativität und Assoziativität folgen direkt aus den Pendants von (R, +). Das neutrale Element 0 R[X] ist definiert durch 0 R[X] (i) = 0 R i N 0. Das inverse Element f zu f R[X] ergibt sich mittels ( f)(i) := f(i). (R[X], ) ist Halbgruppe Assoziativität: Mit Hilfe der Distributivität von R und der Kommutativität von (R, +) folgt: (f g) h(i) = (f g)(j)h(k) j+k=i = = j+k=i h+l+k=i = h+j=i = h+j=i h+l=j f(h)g(l) h(k) f(h)g(l)h(k) f(h) = f (g h)(i) l+k=j f(h)(g h)(j) g(l)h(k) Falls R ein Ring mit Einselement ist, so ist R[X] Monoid: 1 R[X] ist das neutrale Element: Distributivität von R[X] (f 1 R[X] )(i) = f (g + h)! = f g + f h: f (g + h)(i) = j+k=i = f(i)1 R[X] (0) = f(i)1 R = f(i) j+k=i = j+k=i f(j) 1 R[X] (k) } {{ } δ k,0 f(j)(g + h)(k) f(j) ( g(k) + h(k) ) = ( ) f(j)g(k) + f(j)h(k) j+k=i = j+k=i f(j)g(k) + j+k=i = (f g)(i) + (f h)(i) f(j)h(k) Dabei wurde in der 3. Zeile die Distributivität von R angewandt. 4

14 (f + g) h = f h + g h analog. Satz (Gradsatz). Ist R nullteilerfrei, so gilt Grad(f g) = Grad(f) + Grad(g). (1.1.17) Beweis. Für f = 0 R[X] g = 0 R[X] ergibt sich diese Gleichung aus der Festlegung von Grad(0 R[X] ) =. Sei deshalb f 0 R[X] g, setze n := Grad(f), m := Grad(g). Dann gilt: (f g)(m + n) = f(l)g(k) = f(n)g(m) l+k=n+m Denn bei allen anderen Summanden ist entweder l > n oder k > m und damit f(l) = 0 oder g(k) = 0. Nach Definition ist f(n) 0 g(m). Da R als nullteilerfrei vorausgesetzt war, folgt f(n)g(m) 0. Somit ist Grad(f g) Grad(f) + Grad(g). Mit h > n + m gilt, (f g)(h) = l+k=h f(l)g(k) = 0 R, da l > n und damit f(l) = 0 oder k > m und damit g(k) = 0 gilt. Somit ist Grad(f g) Grad(f) + Grad(g). Insgesamt gilt also Gleichheit. Lemma R kommutativer Ring R[X] kommutativer Ring 2. R nullteilerfreier Ring R[X] nullteilerfreier Ring Beweis. 1. Aus der Kommutativität von R folgt: (f g)(i) = f(j)g(k) j+k=i = g(k)f(j) j+k=i = (g f)(i) 2. Indirekt. Angenommen f, g R[X] : f 0 R[X] g, f g = 0 R[X] Nach dem Gradsatz gilt: = Grad(0 R[X] ) = Grad(f) + Grad(g) Grad(f) = Grad(g) = f = 0 R[X] g = 0 R[X] Dies ist ein Widerspruch zur Annahme. 5

15 Folgerung Ist R ein Integritätsring so auch R[X]. Wir werden nun die formalen Polynome als n a i X i (1.1.20) darstellen, wie man es von den Polynomfunktionen gewohnt ist. Summanden mit a i = 0 können dabei weggelassen werden. Sei hierzu p R[X]. Dann lässt sich p durch Setzen von a i := p(i) und n := Grad(p) in der Form darstellen. Gerechnet werden kann mit formalen Polynomen wie mit Polynomfunktionen. Wir stellen nun die in Satz eingeführte Addition und Multiplikation mittels dar: Seien hierzu n m f = a i X i, g = b i X i Ohne Einschränkung gelte dabei n m. Dann ist f + g = f g = m (a i + b i )X i + n+m j+k=i n i=m+1 a j b k X i a i X i Nun identifizieren wir noch die konstanten Polynome also die Polynome der Form f = a 0 X 0 mit den Elementen aus R. Die Multiplikation eines konstanten Polynoms entspricht gerade der Multiplikation jedes Koeffizienten mit einem Ringelement und die Addition dem Addieren eines Ringelements zu dem konstanten Glied. Allerdings müssen die Begriffe Polynomfunktion und formales Polynom, insbesondere falls R ist, wohl unterschieden werden. Zum Vergleich die Definition von Polynomfunktion: Definition (Polynomfunktion). Sei R ein Ring und p R[X], p = n a ix i. Die zugehörige Polynomfunktion P : R R ist definiert durch, P (r) := n a i r i (1.1.22) Beispiel (Unterschied formales Polynom Polynomfunktion). Um den Unterschied deutlich zu machen, betrachten wir das Polynom p := x 2 + x Z 2 [X] Es gilt Grad(p) = 2 0. Es ist also p 0 Z2[X], aber für die Polynomfunktion P : Z 2 Z 2 gilt: P (0) = = 0 P (1) = = = 0 Es ist also P 0 und entspricht damit der Nullabbildung. 6

16 Definition (Wurzel). λ R heißt Wurzel von p R[X], wenn λ Nullstelle von P d.h. P (λ) = 0 R ist. Wir betrachten nun K[X], also den Ring der formalen Polynome über einen Körper K. Hier steht uns als Division mit Rest die bekannte Polynomdivision zur Verfügung, die wir nun herleiten wollen: Gegeben seien Polynome f = n m a i X i, g = b i X i 0 K[X] Wir wollen nun zwei Polynome q, r bestimmen, so dass qg +r = f und r = 0 K[X] oder Grad(r) < Grad(g) ist. Ist f = 0 K[X], so setze q := r := 0 K[X]. Im Falle Grad(f) < Grad(g) setze q = 0 K [X], r = f. Betrachte nun den Fall Grad(f) Grad(g). Versuche durch sukzessives Subtrahieren geeigneter Vielfachen q i K[X] von g den Grad des Restpolynoms r i := f q 1 g q 2 g q 3 g... q i g = r i 1 q i g zu reduzieren, bis für einen Index k Grad(r k ) < Grad(g) ist. Dann gilt: ( k ) f = q i g + r k, Grad(r k ) < Grad(g) Sei r 0 := f und r i 1 = l j=0 c jx j. Setze q i := c l b m X l m. Damit gilt Grad(r i ) < Grad(r i 1 ). Nach endlich vielen Schritten ist demnach Grad(r i ) < Grad(g). Dies ist sogar dann richtig, falls Grad(f) = 0 ist. Denn dann muss auch Grad(g) = 0 sein. Sonst tritt einer der oben betrachteten Fälle ein. Dann gilt r 1 = a 0 X 0 a 0 b 0 b 0 X 0 = 0 K[X] und damit Grad(r 1 ) =. In diesem Fall wurde eine Division in K durchgeführt, und, da K multiplikative Gruppe ist, gibt es keinen Rest. Die Unterscheidung r = 0 K[X] oder Grad(r) < Grad(g) ist hier nur der Deutlichkeit halber gemacht worden. Wegen Grad(0 K[X] ) = ist sie nicht nötig und wir werden im Folgenden darauf verzichten. Algorithmus (Polynomdivision). Eingabe: Polynome f K[X], g K[X] Ausgabe: Polynome q, r K[X] mit f = qg + r und Grad(r) < Grad(g) Schritt 1: Initialisierung: Setze q := 0 K[X], r := f Schritt 2: Solange Grad(r) Grad(g): Sei r = l j=0 c jx j, g = m j=0 b jx j Setze: q i := c l b m X l m r := r q i g q := q + q i Schritt 3: Gebe q, r zurück. Bemerkung Die Endlichkeit und Korrektheit des Algorithmus ergibt sich aus den vorher gemachten Bemerkungen. 7

17 Die beiden Sonderfälle f = 0 K[X] und Grad(f) < Grad(g) werden durch die Initialisierung erfasst und brauchen daher nicht gesondert betrachtet zu werden. Ist g normiert d.h. b n = 1 so ist q i = c l 1 X l m = c l X l m. Es muss demnach keine Division in K durchgeführt werden, so dass der Algorithmus auch in R[X] funktioniert, wobei R einen beliebigen Ring mit Einselement bezeichne. Lemma Sei R ein Ring mit Einselement und p = n a ix i R[X], dann sind äquivalent: λ R ist Wurzel von p (X λ) p Beweis. Ist (X λ) ein Teiler von p, etwa (X λ)q = p mit q R[X], so ist P (λ) = (λ λ)q(λ) = 0Q(λ) = 0 R. Ist andererseits λ R eine Wurzel von p, so können wir, da X λ normiert ist, mit Algorithmus q, r R[X] berechnen mit p = q(x λ) + r. Nun gilt Grad(r) < Grad(X λ) = 1. Also ist r R. Da λ Wurzel von p ist, gilt 0 R = P (λ) = Q(λ)(λ λ) + r = r Es folgt r = 0 und damit p = q(x λ). Satz Es sei K ein Körper. Dann ist δ : K[X] N, δ(f) := 2 Grad(f) eine euklidische Normfunktion. Beweis. δ ist multiplikativ: δ(f g) = 2 Grad(f g) = 2 Grad(f)+Grad(g) = 2 Grad(f) 2 Grad(g) = δ(f)δ(g) f K[X], g K[X] q, r R : f = qg + r und es gilt r = 0 K[X] oder δ(r) < δ(p): Hierzu bemerken wir zuerst, dass die Abbildung 2 x streng monoton wachsend ist und somit 2 Grad(f) < 2 Grad(g) Grad(f) < Grad(g) (1.1.29) gilt. Zu gegebenen f, g lassen sich die q, r also mittels Algorithmus berechnen. Folgerung Ist K ein Körper, so ist K[X] ein euklischer Ring. Bemerkung Will man nur wissen, ob δ(f) δ(g) ist, so mache man sich Gleichung zu Nutze und überprüfe Grad(f) Grad(g). Damit erspart man sich die Berechnung von 2 Grad(f) und 2 Grad(g), welche einen großen Aufwand bedeuten würde. 8

18 1.2 Der euklidische Algorithmus Wir wollen uns nun mit dem euklidischen Algorithmus beschäftigen. Dieser stellt eine Möglichkeit dar, den größten gemeinsamen Teiler zu berechnen. Dieses von den natürlichen bzw. ganzen Zahlen bekannte Verfahren lässt sich auf jeden beliebigen euklidischen Ring übertragen. So zum Beispiel auch auf den uns interessierenden Ring der Polynome K[X]. In diesem Abschnitt sei immer R ein euklidischer Ring und δ : R N eine euklidische Normfunktion. Betrachten wir als erstes den Begriff größter gemeinsamer Teiler: Definition (größter gemeinsamer Teiler). g R ist ein größter gemeinsamer Teiler kurz ggt von a, b R : g ist ein gemeinsamer Teiler von a und b, d.h g a und g b r R, r a r b : r g Die Menge aller solchen g wird mit ggt (a, b) bezeichnet. Bemerkung Ist a = 0 oder b = 0, so ist ggt (a, b) = {0 R } Lemma Es seien a, b R mit Primfaktorzerlegung: a n p ri i, b n p si i Dabei sind r i bzw. s i eventuell 0. Sei g ein gemeinsamer Teiler von a, b. Äquivalent sind: 1. g ggt (a, b) 2. für alle gemeinsamen Teiler g von a, b gilt: δ(g ) δ(g) 3. g n pmin(ri,si) Beweis. 1 2 folgt direkt aus der Definition mittels Lemma a) 2 3 Sei nun g := n pmin(ri,si) i. Dann ist g ein gemeinsamer Teiler von a und b, da alle Primfaktoren von g in ihrer Potenz sowohl in a als auch in b aufgehen. Nun ist auch g ein gemeinsamer Teiler und somit sind alle Primfaktoren von g von der Form p ki i mit k i min(r i, s i ) sonst würde g a oder g b gelten. Damit folgt g g und nach Lemma a) δ(g) δ(g ). Nach Voraussetzung gilt aber δ(g ) δ(g). Es ergibt sich δ(g) = δ(g ) und nach Lemma d) die Behauptung. 3 1 Wir haben eben gezeigt, dass g := n pmin(ri,si) i ein gemeinsamer Teiler von a und b ist und für jeden weiteren gemeinsamen Teiler g gilt: g g. Damit gilt g ggt (a, b). Nach den Definitionen und folgt damit die Behauptung für g. Dies rechtfertigt die Bezeichnung größter gemeinsamer Teiler. 9

19 Folgerung Alle größten gemeinsamen Teiler von a, b sind zueinander assoziiert, d.h. g, g ggt (a, b) : g g Ist g ggt (a, b) und g g, so ist g ggt (a, b) Beschäftigen wir uns nun mit der Berechnung eines g ggt (a, b) zu gegebenen a, b R. Wir betrachten dazu die Division mit Rest: Es bezeichne a DIV b den Anteil von b in a und a MOD b den Rest dieser Division, d.h. gelte: a = (a DIV b) b + (a MOD b), a MOD b = 0 δ(a MOD b) < δ(b) (1.2.5) Im Falle R = K[X] verwende etwa Algorithmus Die Idee des euklidischen Algorithmus basiert auf dem folgenden Lemma: Lemma ggt (a, b) = ggt (b, a MOD b) Beweis. Wir zeigen, dass alle Elemente der linken Seite alle Elemente der rechten teilen und umgekehrt. Es sei g 1 ggt (a, b). Damit teilt g 1 die linke Seite von Gleichung und den ersten Summanden der rechten Seite. Folglich muss g 1 auch den zweiten Summanden a MOD b teilen. Nach Definition teilt g 1 damit jedes Element von ggt (b, a MOD b). Sei nun g 2 ggt (b, a MOD b). Dann teilt g 2 die rechte Seite von Gleichung und somit auch die linke, also a. Demnach teilt g 2 jedes Element von ggt (a, b). Es ergibt sich: g 1 ist ein gemeinsamer Teiler von b, a MOD b und g 2 ein gemeinsamer Teiler von a, b. Aus g 1 ggt (a, b) folgt damit g 2 g 1 und analog g 1 g 2. g 1 und g 2 sind also zueinander assoziiert und somit g 2 ggt (a, b), g 1 ggt (b, a MOD b). Folglich sind die Mengen gleich. Dieses werden wir nun iterieren: Setze r 0 := a,s 0 := b. Betrachte also in der ersten Iteration ggt (r 0, r 0 MOD s 0 ). Um diesen wiederum zu berechnen, setze r 1 := s 0,s 1 := r 0 MOD s 0. Führe dies iterativ fort, bis irgendwann s i := r i 1 MOD s i 1 = 0 ist. Dann gilt für r i := s i 1 r i r i 1 und somit ist r i ggt (r i 1, s i 1 ) = ggt (r i 2, s i 2 ) =... = ggt (r 0, s 0 ) = ggt (a, b). Algorithmus (Euklidische Algorithmus). Eingabe: a, b R Ausgabe: g ggt (a, b) Schritt 1: Initialisierung: Setze r 0 := a s 0 := b i := 0 10

20 Schritt 2: Solange(s i 0 R ) Setze s i+1 := r i MOD s i r i+1 := s i i := i + 1 Schritt 3: Gebe g := r i zurück Rechnen wir ein Beispiel. Beispiel Es sei R = Z. Wir wollen einen ggt von 35 und 21 berechnen, also z.b. 7. Die nachfolgende Tabelle zeigt die einzelnen Iterationen an. Zur Veranschaulichung wurde r i DIV s i eingefügt. Dieser Wert ist aber für die ggt Berechnung nicht nötig. i r i s i r i MOD s i r i DIV s i Die Hervorhebungen sollen verdeutlichen, wie die Werte aus der einen Zeile in die nächste übernommen werden. Der Algorithmus liefert 7 als einen größten gemeinsamen Teiler. Die Korrektheit des Algorithmus haben wir im Vorfeld schon gezeigt. Wir überprüfen noch die Endlichkeit: Satz (Endlichkeit des euklidischen Algorithmus). Der euklidische Algorithmus determiniert in endlich vielen Schritten. Beweis. Es ist zu zeigen, dass nach endlich vielen Schritten die Bedingung s i = 0 erfüllt ist. Aus Gleichung folgt δ(s i+1 ) < δ(s i ). δ(s i ) wird also in jedem Iterationsschritt echt kleiner. Nun ist δ(s i ) N und somit gibt es beginnend mit s 0 := b nur endlich viele Werte die angenommen werden können. Man kann den Algorithmus allerdings noch erweitern. Betrachten wir wieder unser Beispiel Die Reste s i+1 lassen sich folgendermaßen darstellen: Einsetzen liefert: 7 = (1.2.10) 14 = (1.2.11) 7 = = 21 (35 21) = Wir erhalten demnach eine Darstellung des ggt als Linearkombination von a, b. Bei der tatsächlichen Berechnung ist es allerdings effizienter, die Koeffizienten 11

21 gleich mitzuberechnen. Es ist r 0 = a, s 0 = b. Somit können wir sowohl r 0 als auch s 0 als Linearkombination von a und b darstellen: Es seien nun: r 0 = 1a + 0b s 0 = 0a + 1b r i = x i a + y i b s i = x ia + y ib Nach Schritt 2 Algorithmus gilt: r i+1 := s i und somit Für s i+1 gilt: Das heißt x i+1 = x i y i+1 = y i s i+1 = r i MOD s i = r i (r i DIV s i ) s i } {{ } :=u i = (x i a + y i b) u i (x ia + y ib) = (x i u i x i)a + (y i u i y i)b x i+1 = x i u i x i y i+1 = y i u i y i Wir fassen dies noch zusammen: Algorithmus (Erweiterter Euklidische Algorithmus). 1 Eingabe: a, b R Ausgabe: g ggt (a, b), x, y R mit xa + yb = g Schritt 1: Initialisierung: Setze: r 0 := a s 0 := b x 0 := 1 y 0 := 0 x 0 := 0 y 0 := 1 1 In [luen] ist der Algorithmus Lagrange gewidmet 12

22 i := 0 Schritt 2: Iteration: Solange(s i 0 R ) Setze: s i+1 := r i MOD s i r i+1 := s i u i := r i DIV s i x i+1 := x i y i+1 := y i x i+1 := x i u i x i y i+1 := y i u i y i i := i + 1 Schritt 3: Gebe g := r i, x := x i, y := y i zurück. Beispiel Rechnen wir unser Beispiel noch einmal mit Algorithmus durch. i r i s i r i MOD s i r i DIV s i x i y i x i y i Der letzten Zeile entnimmt man 7 = Definition (kgv). k R ist ein kleinstes gemeinsames Vielfaches von a, b R : k ist ein gemeinsames Vielfaches von a, b, d.h. a k b k. r R, a r b r : k r. Die Menge aller solchen k wird mit kgv (a, b) bezeichnet. Lemma (Eigenschaften des kgv ). Es seien a, b R mit Primfaktorzerlegung: n n a p ri i, b Dabei sind r i bzw. s i eventuell 0. Sei k ein gemeinsames Vielfaches von a, b. Äquivalent sind: 1. k kgv (a, b) 2. für alle gemeinsamen Vielfachen k von a, b gilt: δ(k ) δ(k) 3. k n pmax(ri,si) i Beweis. Analog zu Lemma auf Seite 9. p si i 13

23 Folgerung Alle kleinsten gemeinsamen Vielfachen von a, b sind zueinander assoziiert, d.h. k, k kgv (a, b) : k k Ist k kgv (a, b) und k k, so ist k kgv (a, b) Satz Seien a, b R und k kgv (a, b), g ggt (a, b). Dann gilt: k ab g Beweis. Aus den Lemmata und folgt mit s i + r i = min(s i, r i ) + max(s i, r i ): n ab g pri i n psi i n pmin(ri,si) i = n p ri+si min(ri,si) i = n p max(ri,si) i k Wir können also ein Element k kgv (a, b) mittels Algorithmus bestimmen. Die Begriffe ggt und kgv lassen sich auch völlig analog für mehr als zwei Ringelemente definieren: Definition Es seien r 1,..., r n R. Dann ist g ggt (r 1,..., r n ) : g r i, i = 1,..., n g : g r i, i = 1,..., n g g k kgv (r 1,..., r n ) : r i k, i = 1,..., n k : r i k, i = 1,..., n k k Wir können aber die Berechnung des allgemeinen Falls auf die spezielle Situation n = 2 zurückführen, wie das folgende Lemma zeigt. Lemma Für r 1,..., r n R gilt: kgv (r 1,..., r n ) = kgv (kgv (r 1,..., r n 1 ), r n ) = kgv (r 1, kgv (r 2,..., r n )) ggt (r 1,..., r n ) = ggt (ggt (r 1,..., r n 1 ), r n ) = ggt (r 1, ggt (r 2,..., r n )) Beweis. Wir zeigen die Gleichung kgv (r 1,..., r n ) = kgv (kgv (r 1,..., r n 1 ), r n ). Den Rest zeigt man völlig analog. Ist k kgv (r 1,..., r n ), so ist k auch ein gemeinsames Vielfaches von r 1,..., r n 1. Demnach teilt jedes k kgv (r 1,..., r n 1 ) k. Nun ist k aber auch ein Vielfaches von r n. Also wird k von jedem k kgv (kgv (r 1,..., r n 1 ), r n ) geteilt. Umgekehrt ist jedes Element aus kgv (kgv (r 1,..., r n 1 ), r n ) ein gemeinsames Vielfaches von r 1,..., r n und wird folglich von jedem Element aus kgv (r 1,..., r n ) geteilt. Damit sind die Elemente der linken Seite zu denen der rechten assoziiert. Da die Menge kgv nach Folgerung abgeschlossen ist bezüglich Assoziierung, sind die Mengen gleich. 14

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Zusatztutorium, 25.01.2013

Zusatztutorium, 25.01.2013 Zusatztutorium, 25.01.2013 David Müßig muessig[at]mi.fu-berlin.de http://page.mi.fu-berlin.de/def/tutorium/ WiSe 12/13 1 Der Homomorphiesatz Der Homomorphiesatz scheint für viele eine Art rotes Tuch zu

Mehr

11. Primfaktorzerlegungen

11. Primfaktorzerlegungen 78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung

Mehr

Leitfaden Lineare Algebra: Determinanten

Leitfaden Lineare Algebra: Determinanten Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 15. Lösung linearer Gleichungssysteme Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen zum Ferienkurs Lineare Algebra WS 14/15 Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Proseminar: Primzahlen 1. Vortrag Der erweiterte euklidische Algorithmus

Proseminar: Primzahlen 1. Vortrag Der erweiterte euklidische Algorithmus Proseminar: Primzahlen 1. Vortrag Der erweiterte euklidische Algorithmus Max Zoller 14. April 8 1 Der klassische euklidische Algorithmus Beispiel: ggt 15, 56? 15 = 1 56 + 49 56 = 1 49 + 7 49 = 7 7 + =

Mehr

Lineare Algebra - alles was man wissen muß

Lineare Algebra - alles was man wissen muß Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

9.2 Invertierbare Matrizen

9.2 Invertierbare Matrizen 34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9

Mehr

Ringe und Moduln. ausgearbeitet von. Corinna Dohle Matrikelnummer 6299128 corinna@math.upb.de

Ringe und Moduln. ausgearbeitet von. Corinna Dohle Matrikelnummer 6299128 corinna@math.upb.de Ringe und Moduln ausgearbeitet von Corinna Dohle Matrikelnummer 6299128 corinna@math.upb.de Seminar Darstellungstheorie Prof. Dr. H. Krause, PD Dr. D. Kussin Wintersemester 2007/2008 Grundlagen 1 Grundlagen

Mehr

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010 Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und

Mehr

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend

Mehr

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema 1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und

Mehr

Kapitel III. Lineare Abbildungen

Kapitel III. Lineare Abbildungen Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

Copyright, Page 1 of 5 Die Determinante

Copyright, Page 1 of 5 Die Determinante wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer. Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3

Mehr

1.9 Eigenwerte und Eigenvektoren

1.9 Eigenwerte und Eigenvektoren .9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..

Mehr

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 Vorlesung: 21.11. 2005 Matrix und Determinante 4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer

Mehr

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,

Mehr

3.5 Ringe und Körper. Diese Eigenschaften kann man nun auch. 1. (R, +) ist eine kommutative Gruppe. 2. Es gilt das Assoziativgesetz bezüglich.

3.5 Ringe und Körper. Diese Eigenschaften kann man nun auch. 1. (R, +) ist eine kommutative Gruppe. 2. Es gilt das Assoziativgesetz bezüglich. 3.5 Ringe und Körper Gehen wir noch mal zu den ganzen Zahlen zurück. Wir wissen: (Z, + ist eine Gruppe, es gibt aber als Verknüpfung noch die Multiplikation, es gibt ein neutrales Element bezüglich, es

Mehr

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit

Mehr

1 Zahlentheorie. 1.1 Kongruenzen

1 Zahlentheorie. 1.1 Kongruenzen 3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern

Mehr

3.4 Der Gaußsche Algorithmus

3.4 Der Gaußsche Algorithmus 94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Kap 5: Rang, Koordinatentransformationen

Kap 5: Rang, Koordinatentransformationen Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv

Mehr

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben

Mehr

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar. Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:

Mehr

2 Die Darstellung linearer Abbildungen durch Matrizen

2 Die Darstellung linearer Abbildungen durch Matrizen 2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )

Mehr

7 Untergruppen, Faktorgruppen, Ideale, Restklassenringe

7 Untergruppen, Faktorgruppen, Ideale, Restklassenringe 7 Untergruppen, Faktorgruppen, Ideale, Restklassenringe und Homomorfismen Wir verallgemeinern den Übergang von Z zu Z/m. Sei im folgenden G eine (additiv geschriebene) abelsche Gruppe, H eine Untergruppe.

Mehr

7 Rechnen mit Polynomen

7 Rechnen mit Polynomen 7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn

Mehr

KLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG

KLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

Mehr

GF(2 2 ) Beispiel eines Erweiterungskörpers (1)

GF(2 2 ) Beispiel eines Erweiterungskörpers (1) GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr

Mehr

Übungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS

Übungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage

Mehr

10. Teilbarkeit in Ringen

10. Teilbarkeit in Ringen 10. Teilbarkeit in Ringen 67 10. Teilbarkeit in Ringen Ein wichtiges Konzept in Ringen, das ihr für den Fall des Ringes Z bereits aus der Schule kennt, ist das von Teilern also der Frage, wann und wie

Mehr

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

Lineare Algebra II, Lösungshinweise Blatt 9

Lineare Algebra II, Lösungshinweise Blatt 9 Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren

Mehr

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56 5 Beweistechniken Übersicht 5.1 Drei wichtige Beweistechniken................................. 55 5. Erklärungen zu den Beweistechniken............................ 56 Dieses Kapitel ist den drei wichtigsten

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2. Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar

Mehr

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Kapitel 2. Ganze Zahlen. 2.1 Teilbarkeit

Kapitel 2. Ganze Zahlen. 2.1 Teilbarkeit Kapitel 2 Ganze Zahlen In diesem Kapitel setzen wir voraus, dass die Menge Z der ganzen Zahlen, ihre Ordnung und die Eigenschaften der Addition und Multiplikation ganzer Zahlen dem Leser vertraut sind.

Mehr

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft: Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 Lineare Algebra (Teil 2): Quadratische Matrizen 4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,

Mehr

KAPITEL 0. Einführung

KAPITEL 0. Einführung Lineare Algebra KAPITEL 0 Einführung Dieses Skript zur Vorlesung Lineare Algebra an der Goethe Universität Frankfurt im Sommersemester 2011 befindet sich noch in der Entstehung und wird fortlaufend aktualisiert

Mehr

Algebra und Diskrete Mathematik, PS3. Sommersemester Prüfungsfragen

Algebra und Diskrete Mathematik, PS3. Sommersemester Prüfungsfragen Algebra und Diskrete Mathematik, PS3 Sommersemester 2016 Prüfungsfragen Erläutern Sie die Sätze über die Division mit Rest für ganze Zahlen und für Polynome (mit Koeffizienten in einem Körper). Wodurch

Mehr

Euklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz

Euklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz Tobias Kraushaar Kaiserstr. 178 44143 Dortmund Matr.- Nr.: 122964 Euklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz 1. EINLEITUNG... 2 2. HAUPTTEIL... 3 2.1. Der

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

A Matrix-Algebra. A.1 Definition und elementare Operationen

A Matrix-Algebra. A.1 Definition und elementare Operationen A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne

Mehr

1 Lineare Gleichungssysteme

1 Lineare Gleichungssysteme MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden

Mehr

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.) 3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten

Mehr

Lineare Abbildungen und Darstellungsmatrizen

Lineare Abbildungen und Darstellungsmatrizen KAPITEL 4 Lineare Abbildungen und Darstellungsmatrizen 1. Lineare Abbildungen Definition 4.1 (Lineare Abbildungen). Seien V und W zwei Vektorräume über den selben Körper K. Eine Abbildung f : V W heißt

Mehr

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Vorlesung. Komplexe Zahlen

Vorlesung. Komplexe Zahlen Vorlesung Komplexe Zahlen Motivation Am Anfang der Entwicklung der komplexen Zahlen stand ein algebraisches Problem: die Bestimmung der Lösung der Gleichung x 2 + 1 = 0. 1 Mit der Lösung dieses Problems

Mehr

Lenstras Algorithmus für Faktorisierung

Lenstras Algorithmus für Faktorisierung Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit

Mehr

( ) Lineare Gleichungssysteme

( ) Lineare Gleichungssysteme 102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv

Mehr

7 Vektorräume und Körperweiterungen

7 Vektorräume und Körperweiterungen $Id: vektor.tex,v 1.3 2009/05/25 15:03:47 hk Exp $ 7 Vektorräume und Körperweiterungen Wir sind gerade bei der Besprechung derjenigen Grundeigenschaften des Tensorprodukts, die mit vergleichsweise wenig

Mehr

7 Die Determinante einer Matrix

7 Die Determinante einer Matrix 7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =

Mehr

3.6 Eigenwerte und Eigenvektoren

3.6 Eigenwerte und Eigenvektoren 3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse

Mehr

4. Vektorräume und Gleichungssysteme

4. Vektorräume und Gleichungssysteme technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare

Mehr

5. Gruppen, Ringe, Körper

5. Gruppen, Ringe, Körper 5. Gruppen, Ringe, Körper 5.1. Gruppen Die Gruppentheorie, als mathematische Disziplin im 19. Jahrhundert entstanden, ist ein Wegbereiter der modernen Mathematik. Beispielsweise folgt die Gruppe, die aus

Mehr

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen 3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange

Mehr

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden: Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es

Mehr

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01 Kapitel Komplexe Zahlen Motivation: die Gleichung x = hat offensichtlich keine reellen Lösungen, da x 0 für jedes reelle x gilt Um auch diese Gleichung lösen zu können, muß man neue Zahlen einführen: die

Mehr

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21 5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11

Mehr

Einführung in die Zahlentheorie und algebraische Strukturen

Einführung in die Zahlentheorie und algebraische Strukturen Einführung in die Zahlentheorie und algebraische Strukturen Wintersemester 2012/2013 Universität Bayreuth Michael Stoll Inhaltsverzeichnis 1. Wiederholung: Gruppen, Ringe, Körper 2 2. Teilbarkeitslehre

Mehr

Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1

Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie

Mehr

Integritätsbereiche und Teilbarkeit

Integritätsbereiche und Teilbarkeit Kapitel 5 Integritätsbereiche und Teilbarkeit 5.1 Einfache Teilbarkeitsregeln 5.1.1 Definition. Sei (I,+, 0,,, 1) ein Integritätsbereich. Sind a, b I, dann heißt a durch b teilbar und b ein Teiler von

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 ) Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,

Mehr

Besteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)

Besteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor) Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.

Mehr