Beispiel zur Lösung eines Gleichungssystems : 6 y + z = x + 3 y 3 z = x 3 y =
|
|
- Dominic Steinmann
- vor 8 Jahren
- Abrufe
Transkript
1 Beispiel zur Lösung eines Gleichungssystems : 6 y + z = x + 3 y 3 z = x 3 y = z2 /3 z : 3 2 x 3 y = x + y z = y + z = z2 + 2 z 2 x 3 y = y z = y + z = z3 + z2 2 x 3 y = y z = y = z2 : 3 2 x 3 y = y = y z = z + 3 z2 z3 + 5 z2 2 x = y = z = z /2 z3 x = 0 0 y = z = Lineare Gleichungssysteme LA3
2 Elementare Zeilentransformationen : (i) Multiplikation einer Zeile mit einer Zahl ungleich Null (ii) Addition eines Vielfachen einer Zeile zu einer anderen Zeile (iii) Vertauschen zweier Zeilen Analog : Elementare Spaltentransformationen Bei elementaren Zeilentransformationen ändern sich die Lösungen eines Gleichungssystems nicht! Achtung beim Durchführen mehrerer Schritte auf einmal : Nie eine eigentlich schon geänderte Zeile zu weiteren Operationen benutzen! Lineare Gleichungssysteme LA3 2
3 Weitere Beispiele Gleichungssystem : z 3 u = 0 x + 2 y + z + 2 u = 2 x 4 y + 2 u = 2 Gleichungssystem 2 : z 3 u = x + 2 y + z + 2 u = 3 2 x 4 y + 2 u = 3 Vereinfacht : Lineare Gleichungssysteme LA3 3
4 z : z3 + 2 z z z3 2 z z z Lineare Gleichungssysteme LA3 4
5 Staffelform! Gleichungssystem 2 impliziert : 0 x + 0 y + 0 z + 0 u = keine Lösungen Gleichungssystem : x = 2 y + u z = 3 u zweidimensionale Lösungsmenge Lineare Gleichungssysteme LA3 5
6 Herstellbarkeit der Staffelform Relevant ist nur Koeffizientenmatrix rechte Seite wird mitgeschleppt Schreibweise : # : Zahl 0 : Irgendwas Beispiel : Zahl 0 in erster Spalte : * # * * > # * * > * * > 0 * Allgemein : * 0 * > # * 0 0 * = 0 0 * 0 * Weiter mit Prinzip der Puppe in der Puppe! Endergebnis etwa :!!! * * 0 r * Staffelform Lineare Gleichungssysteme LA3 6
7 Staffelform :!!! * * 0 r * Letzte Verschönerung : Zahlen oberhalb der Einsen zu Nullen machen!!!! * * * r * Schöne Staffelform Anzahl der Einserspalten (!) : r Anzahl der von Null verschiedenen Zeilen : auch r? Frage : Kommt immer das gleiche r heraus? Lineare Gleichungssysteme LA3 7
8 Lösbarkeit von Gleichungssystemen Kriterium : Keine Zahlen ungleich Null unterhalb der r-ten Zeile in der mittransformierten rechten Seite Bei Lösbarkeit : Für jede Vorgabe von Werten für die Unbekannten der Nicht-Einser-Spalten genau eine Gesamtlösung Ist m die Anzahl der Unbekannten, so gilt bei Lösbarkeit : m > r Lösungsmenge ist (m r)-dimensional m = r Genau eine Lösung Spezialfall : Rechte Seite Null : Homogene Gleichungssysteme ( Gegensatz : Inhomogene Systeme ) Die Nulllösung eines homogenen Gleichungssystems heißt auch die triviale Lösung Ein homogenes lineares Gleichungssystem mit mehr Unbekannten als Gleichungen besitzt stets nichttriviale Lösungen Lineare Gleichungssysteme LA3 8
9 Vektoren Beispiele : (, 2, ) 3-Vektor mit den Komponenten, 2 und (Zeilenvektor) ( 2-Vektor mit den Komponenten 2, 4 (Spaltenvektor) 2 4 ) Schreibweise auch : ( 2, 4 ) Transponieren Normalfall : Spaltenvektoren Gesamtheit der n-vektoren : R n 2 Elementare Vektorrechnung LA3 9
10 Operationen Addition ( Vektoren gleicher Größe ) : komponentenweise Beispiel : = 2 3 Skalarmultiplikation ( Skalare : Zahlen ) Beispiel : ( 2) 2 3 = Subtraktion : Komponentenweise bzw Addition des ( )-fachen Beispiel : Nullvektoren : Schreibweise : a = ( a,, a n ) = Für a = ( 3, 2, 4 ) ist a = 3, a 2 = 2 und a 3 = Elementare Vektorrechnung LA3 0
11 Geometrische Veranschaulichung Addition : ( 2 ) + ( 2 ) = ( 3 3 ) 2 3 Skalarmultiplikation : ( 2) ( 5 ) = ( 2 3 ) 2 Elementare Vektorrechnung LA3
12 Addition und Subtraktion Addition : a + b b a Subtraktion : b a b a 2 Elementare Vektorrechnung LA3 2
13 Axiome Schreibweise : Vektoren fett ( a ) Skalare (Zahlen) normal ( a ) (i) (a + b) + c = a + (b + c) für alle a, b, c (Assoziativität) (ii) a + b = b + a für alle a, b (Kommutativität) (iii) a + 0 = a für alle a (iv) Zu jedem a gibt es ein Inverses b mit a + b = 0 (v) a (a + b) = a a + a b (vi) (a + b) a = a a + b a für alle a, a, b für alle a, b, a (vii) (ab) a = a (b a) für alle a, b, a (viii) a = a für alle a Das Inverse von a ist ( ) a, kurz a 2 Elementare Vektorrechnung LA3 3
14 Linearkombinationen Summen c i a i bezeichnet man auch als Linearkombinationen ( der Vektoren a i mit Koeffizienten c i ) Beispiel : Gegeben sind a = a 2 = 2 0 a 3 = und c = c 2 = c 3 = 2 Linearkombination : ci a i = ( ) = Elementare Vektorrechnung LA3 4
15 Längen und Abstände in Vektorräumen Generelle Voraussetzung ( bei Norm und Skalarprodukt ) Koordinatenachsen stehen senkrecht aufeinander und besitzen gleich lange Einheiten Berechnung der Länge eines Vektors mit iteriertem Pythagoras : X 3 X 2 l x x 2 x X x 3 Mit Pythagoras : l 2 = x 2 + x 2 2 Nochmal Pythagoras liefert als quadrierte Länge von x l 2 + x 2 3 = x 2 + x x 2 3 Beispiel : x = ( 3,, 2 ) Länge von x ist = 4 2 Elementare Vektorrechnung LA3 5
16 Die Länge x eines n-vektors x = (x,, x n ) ist x = n x 2 i i= Statt Länge auch : (euklidische) Norm x = 0 genau dann, wenn x = 0 ax = a x Der Abstand von zwei Punkten x und y ist die Länge des Verbindungsvektors, also y x Beispiel : Die Punkte (6, ) und (2, 4) haben den Abstand = Bezeichnung : euklidischer Abstand 2 Elementare Vektorrechnung LA3 6
17 Skalarprodukt Das Skalarprodukt zweier n-vektoren x und y ist <x, y > : = n x i y i i= Beispiel : Das Skalarprodukt von (, 2, 0 ) und ( 2, 3, 5 ) ist ( 3) = 4 Eigenschaften: <x, y > = <y, x> <x + x 2, y > = <x, y > + <x 2, y > <a x, y > = a <x, y > <x, y + y 2 > = <x, y > + <x, y 2 > <x, b y > = b <x, y > < J a j x j, K b k y k > = J K a j b k <x j, y k > j= k= j= k= <x, x> = x 2 Vergleiche die Rechenregeln für Varianzen/Kovarianzen! 2 Elementare Vektorrechnung LA3 7
18 Sinus und Kosinus y sin(α) α cos(α) x Wegen Pythagoras : cos 2 (α) + sin 2 (α) = sin(α) α cos(α) α ( Lokale ) Umkehrfunktionen : arcsin und arccos 2 Elementare Vektorrechnung LA3 8
19 Nützlich: cos(0 ) = cos(60 ) = 5 cos(90 ) = 0 cos(80 ) = cos( α) = cos(α) cos(80 α) = cos(α) Kosinus ist positiv für spitze Winkel, negativ für stumpfe Geometrische Interpretation des Skalarprodukts In der Situation α y y x x gilt <x, y > = x y cos(α) 2 Elementare Vektorrechnung LA3 9
20 Es gilt : <x, y > = x y cos(α) Folgerung : ( wegen cos(α) ) <x, y > x y Bei x, y 0 : Gleichheit genau dann, wenn cos(α) = ± also : für α = 0 bzw α = 80 oder : wenn ein Vektor ein Vielfaches des anderen ist Den Winkel zwischen zwei Vektoren x, y 0 erhält man mit als cos(α) = <x, y > x y α = arccos ( ) <x, y > x y 2 Elementare Vektorrechnung LA3 20
21 Orthogonalität Zwei Vektoren x und y mit < x, y > = 0 heißen auch orthogonal oder senkrecht Abkürzung : x y Für x, y 0 heißt das : cos α = 0, also α = 90 Für x y gilt der Satz des Pythagoras : x + y 2 = x 2 + y 2 x x + y y Ein x ist genau dann senkrecht zu allen y,, y m, wenn senkrecht zu allen Linearkombinationen von y,, y m ist x <x, a j y j > = a j <x, y j > = a j 0 = 0 2 Elementare Vektorrechnung LA3 2
22 Matrizen Beispiele : Eine (2 3)-Matrix und eine (3 2)-Matrix : ( ) Element in der i-ten Zeile und j-ten Spalte : (i, j)-element Regel : Zeile - Spalte Bezeichnung : A = (a ij ) A(2 3) ausführlich : ( a a 2 a 3 a 2 a 22 a 23 ) Nullmatrix : 0 Matrizen mit gleich vielen Zeilen und Spalten : quadratisch 3 Elementare Matrizenrechnung LA3 22
23 Operationen Addition von Matrizen gleicher Größe ( elementweise ) = Skalarmultiplikation 3 ( ) = ( ) Die Matrizen fester Größe bilden einen Vektorraum Ein n-zeilenvektor ist auch ( n)-matrix Zahlen sind ( )-Matrizen 3 Elementare Matrizenrechnung LA3 23
24 Transposition Für eine (n m)-matrix A ist die Transponierte A diejenige (m n)-matrix, deren (i, j)-element gleich dem (j, i)-element von A ist Beispiel : ( ) = Rechenregeln : (A + B) = A + B (ca) = c(a ) A = A Eine quadratische Matrix A mit A = A heißt symmetrisch Beispiel : Elementare Matrizenrechnung LA3 24
25 Matrix mal Vektor Gegeben : A = (a ij ) : (p q)-matrix x = ( x,, x q ) : q-spaltenvektor Ax : p-spaltenvektor mit i-ter Komponente q j= a ij x j Spaltenzahl der Matrix = Komponentenzahl des Vektors Ergebnisvektor hat soviele Komponenten wie die Matrix Zeilen Beispiel : ( ) = = = i-te Komponente von Ax : i-te Zeile von A mal x 3 Elementare Matrizenrechnung LA3 25
26 Zeile mal Vektor : Vektor nach links kippen übereinanderliegende Zahlen multiplizieren aufsummieren Zweite Ergebniskomponente des Beispiels : (3 4) ( 7 8 ) > > + > > = 53 Gesamtrechnung : ( 7 8 ) > > + > > = Zusammenhang mit Skalarprodukt : x y = <x, y > 3 Elementare Matrizenrechnung LA3 26
27 Matrix mal Vektor als Linearkombination Weitere Beschreibung für die Operation Ax : Spalten von A mal entsprechende Komponenten von x Aufaddieren Im Beispiel : ( 7 8 ) = = = Anders ausgedrückt : Linearkombination der Spalten der Matrix mit Komponenten des Vektors als Koeffizienten 3 Elementare Matrizenrechnung LA3 27
28 Matrizenmultiplikation Gegeben : A = ( a ik ) : ( p q )-Matrix B = ( b kj ) : ( q r )-Matrix Produkt von A und B : C = AB : ( p r )-Matrix mit (i, j)-element c ij = q k= a ik b kj Größen müssen passen : ( p q ) ( q r ) ( p r ) Beispiel : ( (4 2) (2 3) (4 3) ) Größen passen Ergebnis ist (4 3)-Matrix 3 Elementare Matrizenrechnung LA3 28
29 (i, j)-element von C = AB : q c ij = a ik b kj k= i-te Zeile von A mal j-te Spalte von B Beispiel : ( ) = = c ij auch interpretierbar als Skalarprodukt AB : Skalarprodukte der Zeilen von A und der Spalten von B Matrix mal Vektor ist Spezialfall der Matrizenmultiplikation : Spaltenvektor als einspaltige Matrix auffassen! 3 Elementare Matrizenrechnung LA3 29
30 Merkhilfen Ax : x nach links über A kippen, multiplizieren, aufaddieren Ax : Skalarprodukte der Zeilen von A mit x Ax : Linearkombination der Spalten von A, Koeffizienten in x AB : (i, j)-element : i-te Zeile von A mal j-te Spalte von B AB : Skalarprodukte der Zeilen von A mit den Spalten von B AB : Spalten sind Produkte von A mit den Spalten von B Beispiel : Die Spalten von ( ) = ( ) Spalte 2 Spalte ( ( ) 3 5 ) = = ( ( ) ) 3 Elementare Matrizenrechnung LA3 30
31 Diagonalmatrizen Eine Diagonalmatrix ist eine quadratische Matrix, bei der höchstens die Diagonalelemente ungleich Null sind Beispiel : Produkt AD einer Matrix A mit einer Diagonalmatrix D : Spalten von A mal entsprechende Diagonalelemente von D ( ) = ( ) Analog : Produkt DA einer Diagonalmatrix D mit Matrix A Zeilen von A mal entsprechende Diagonalelemente von D Beispiel : ( Hingegen : ( ) ( ) ( ) ) = = ( ( ) )! Die Matrizenmultiplikation ist also nicht kommutativ! 3 Elementare Matrizenrechnung LA3 3
32 Einheitsmatrizen Einheitsmatrizen : Diagonalmatrizen mit Einsen in Diagonale Bezeichnung : I, genauer I q ( ( q q )-Einheitsmatrix ) Beispiele : I 2 = ( ) 0 0 I 3 = Für A ( p q ) gilt I p A = A = AI q Einheitsmatrizen : Matrizeneinsen Multiplikation und Transposition Für A ( p q ) und B ( q r ) gilt : (AB) = B A 3 Elementare Matrizenrechnung LA3 32
33 Matrizen und Gleichungssysteme Beispiel : A = ( ) x = x x 2 x 3 b = ( ) Ausschreiben der Gleichung Ax = b Ergebnis: x + 2 x x 3 = 4 x + 5 x x 3 = Kurzschreibweise für lineare Gleichungssysteme 3 Elementare Matrizenrechnung LA3 33
34 Aufgabe :? Ist b Linearkombination von a,, a m?? Falls ja : Welches sind die Koeffizienten? Gesuchte Koeffizienten x i Vektor x = ( x,, x m ) Vektoren a i Spalten der Matrix A = ( a,, a m ) Übersetzung des Problems : Ax = b Also : Gleichungssystem lösen Interpretation homogener Gleichungssysteme Gegeben : homogenes Gleichungssystem Ax = 0 Interpretation: Lösungen sind die x, die senkrecht sind zu den Zeilen von A? Finde die Vektoren x, die senkrecht sind zu a,, a n Bilde A aus den a i als Zeilen Löse Ax = 0 3 Elementare Matrizenrechnung LA3 34
35 Gesetze der Matrizenmultiplikation! Voraussetzung : Alle Matrizen haben passende Größen Assoziativität : (AB) C = A (BC) (i, j)-element von ABC : i-te Zeile von A B j-te Spalte von C Distributivgesetze : A (B + C) = AB + AC (A + B) C = AC + BC Ausmultiplizieren ist möglich Beispiel : (A+B)(C+D) = A(C+D)+B(C+D) = AC+AD+BC+BD Zusammenhang von Matrizen- und Skalarmultiplikation : c (AB) = (ca) B = A (cb) Unter den quadratischen (n n)-matrizen ist die Matrizenmultiplikation ohne Einschränkung ausführbar Vektorraum zusätzlicher Multiplikation Algebra Besonderheit : Einselement ( I ), Transponieren Abkürzung bei quadratischen Matrizen : A 2 für AA etc 3 Elementare Matrizenrechnung LA3 35
36 Die Spur Für A ( n n ) ist die Spur von A ( Abkürzung : Spur(A) ) die Summe der Diagonalelemente Spur(A) = a ii Beispiel : A = ( ) Spur(A) = = 7 Die Spur einer ( )-Matrix (a) ist a Für A ( n m ) und B ( m n ) gilt Spur(AB) = Spur(BA) Begründung : Beide Spuren sind gleich a ij b ji i j 3 Elementare Matrizenrechnung LA3 36
37 Eigenschaften der Spur : Spur(A + B) = Spur(A) + Spur(B) Spur(a A) = a Spur(A) Die Spur ist linear Die Summe der quadrierten Elemente von A ist Spur(AA ) = Spur(A A) Spur(AA ) = Spur(A A) : mögliche Matrizennorm A A : Matrix der Skalarprodukte der Spalten von A AA : Matrix der Skalarprodukte der Zeilen von A Diagonalen : quadrierte Normen 3 Elementare Matrizenrechnung LA3 37
38 Partitionierte Matrizen Manchmal ist es sinnvoll, Matrizen in Teile zu zerlegen Man spricht dann von partitionierten Matrizen Beispiel : A = Mögliche Zerlegung: ( ) 2 3 B = ( ) und C = ( ) Notation : A = (B, C) oder A = (B C) oder A = ( ) B C Beispiel : Mögliche Zerlegung : B = A = ( ) und C = Notation : A = ( ) B C 3 Elementare Matrizenrechnung LA3 38
39 Komplizierteres Beispiel : A = Mögliche Zerlegung : ( ) 2 3 A = ( ) 4 5 A 2 = A 2 = A 22 = Notation : A = ( ) A A 2 A 2 A 22 Regeln Bei gleicher Zerlegung von zwei Matrizen kann blockweise addiert werden Entsprechend wird blockweise mit einer Zahl multipliziert Für das Transponieren gilt beispielsweise ( ) (B, C) B = C 3 Elementare Matrizenrechnung LA3 39
40 Regeln für die Multiplikation Passende Größen vorausgesetzt gilt A(B, C) = (AB, AC) und ( ) A B C = ( ) AC BC? Was ist ( ) ( ) C A B D Voraussetzung : Spaltenzahl von A ist Zeilenzahl von C, entsprechend für B und D ( passende Partitionierungen ) Elementarfall Zeile mal Spalte : 6 7 ( ) = ( ) + ( ) 9 0 Ergebnis: ( ) ( ) ( ) Entsprechende Teile multiplizieren und Ergebnisse aufaddieren 3 Elementare Matrizenrechnung LA3 40
41 Regel ( bei passenden Größen ) : ( ) ( ) C A B = AC + BD D Formales Rechnen, als wären die Matrizen Zahlen Kombination der Regeln ( Größen passend ) : ( ) ( ) ( ) A A 2 B B 2 A B + A 2 B 2 A B 2 + A 2 B 22 = A 2 A 22 B 2 B 22 A 2 B + A 22 B 2 A 2 B 2 + A 22 B 22 Rechnen mit Matrizenmatrizen wie mit Zahlenmatrizen Zerlegung von Vektoren Notation : x = (x, x 2) oder x = ( ) x x 2 Nachlässig auch x = (x, x 2 ) Bei passenden Größen : ( ) ( ) x A B y = Ax + By <(x, x 2 ), (y, y 2 )> = <x, y > + <x 2, y 2 > (x, x 2 ) 2 = x 2 + x Elementare Matrizenrechnung LA3 4
42 Lineare Unabhängigkeit, lineare Abhängigkeit Ein System von Vektoren a,, a m heißt linear abhängig, falls sich 0 als nichttriviale Linearkombination dieser Vektoren darstellen lässt Ist dies nicht möglich, so heißt das System linear unabhängig Nichttrivial : Mindestens ein Koeffizient 0 Abkürzungen : la und lu Nachlässige Sprechweise auch : Die Vektoren sind lu bzw la Beispiele : Die Vektoren sind la : = Der Rang LA3 42
43 Weitere Beispiele Die Vektoren sind la : ( ) = ist la, da 0 = 0 Ein leeres Vektorsystem ( gar kein Vektor ) gilt als lu Im R n sind die Einheitsvektoren e = 0 0 e 2 = 0 0 e n = 0 0 lu wegen c i e i = (c,, c n ) 4 Der Rang LA3 43
44 Lineare Unabhängigkeit und Orthogonalität Sind x,, x k alle 0 und paarweise orthogonal, so sind sie auch linear unabhängig Umkehrung gilt nicht : Aus linearer Unabhängigkeit folgt keineswegs paarweise Orthogonalität : y x! Orthogonalität lineare Unabhängigkeit! 4 Der Rang LA3 44
45 Umformulierung Vektoren a,, a m ( m > ) sind genau dann la, wenn einer der Vektoren Linearkombination der übrigen ist Ist zb mit c 0, so c a + c 2 a c m a m = 0 a = (c 2 /c )a 2 (c m /c )a m Umkehrung : Ist zb a = b 2 a b m a m, so ist 0 = ( )a + b 2 a b m a m nichttrivial 4 Der Rang LA3 45
46 Untersuchung auf lineare Unabhängigkeit? Problem : Sind a,, a m lu oder la? Lösung : Schreibe c i a i = 0 in Matrixform als Ac = 0 mit A = (a,, a m ) und c = (c,, c m ) Untersuche, ob Ac = 0 nichttriviale Lösungen c hat Beispiel : Sind die folgenden Vektoren lu oder la? Matrix : Staffelform : Nichttriviale Lösung : beispielsweise ( 2, 3, 0,, 0) Die Vektoren sind la 4 Der Rang LA3 46
47 ? Lineare Unabhängigkeit oder Abhängigkeit von Teilsystemen? Ist eine bestimmte Teilmenge von a,, a m la oder lu? Elementare Zeilentransformationen ändern nichts an der linearen Abhängigkeit oder Unabhängigkeit der Spalten einer Matrix oder einer Teilmenge der Spalten Beispiel : Staffelform im letzten Beispiel : Die ersten drei Spalten sind lu Also auch die ersten drei Originalvektoren Die letzten drei Spalten sind la Also auch die letzten drei Originalvektoren 4 Der Rang LA3 47
48 Welche Teilsysteme der Beispielvektoren sind lu, welche la? Staffelform : Mehr als n Vektoren im R n sind stets linear abhängig Das entsprechende homogene Gleichunssystem hat nichttriviale Lösungen 4 Der Rang LA3 48
49 Der Rang eines Vektorsystems Die Maximalzahl linear unabhängiger Vektoren eines Vektorsystems heißt auch der Rang des Systems Der Rang der Vektoren des letzten Beispiels ist 3 Der Rang eines Systems von Vektoren des R n ist höchstens n Bestimmung des Rangs Der Rang der Spalten einer Matrix ändert sich nicht bei elementaren Zeilentransformationen Der Rang der Spalten einer Matrix ist gleich der Anzahl r der Zeilen, die in der Staffelform nicht Null sind Die Zahl r ist also eindeutig bestimmt? Problem : Welchen Rang hat ein gegebenes Vektorsystem? Lösung : Staffelform Im Beispiel ist der Rang 3 : Der Rang LA3 49
50 Rang einer Matrix Der Rang der Spaltenvektoren einer Matrix heißt Spaltenrang Der Rang der Zeilenvektoren einer Matrix heißt Zeilenrang Zeilenrang = Spaltenrang Der Zeilenrang = Spaltenrang von A heißt Rang von A Abkürzung : Rang(A) Rang(A) = Rang(A ) Elementare Spaltentransformationen : Analog zu elementaren Zeilentransformationen Der Rang einer Matrix ändert sich weder bei elementaren Zeilen- noch bei elementaren Spaltentransformationen Gegeben : A(n m) Das homogene lineare Gleichungssystem Ax = 0 hat nichttriviale Lösungen genau im Fall Rang(A) < m ( Rang ist kleiner als Zahl der Unbekannten ) ( ) Rang(AB) minimum Rang(A), Rang(B) 4 Der Rang LA3 50
51 Positiv semidefinite und positiv definite Matrizen Eine symmetrische Matrix K heißt positiv semidefinit, falls x Kx 0 für alle x Eine symmetrische Matrix K heißt positiv definit, falls x Kx > 0 für alle x 0 Beispiel : Mit x = (x, x 2 ) : ( ) K = x Kx = x 2 x x 2 x 2 x + x 2 2 = (x x 2 ) 2 0 K ist positiv semidefinit K ist nicht positiv definit: x = (, ) Gegeben : Diagonalmatrix D Alle Diagonalelemente 0 D ist positiv semidefinit Alle Diagonalelemente > 0 D ist positiv definit x Dx = ) (x x p d x = d i x 2 i d p x p 5 Positiv semidefinite Matrizen LA3 5
52 Eigenschaften Einheitsmatrizen sind positiv definit Gegeben : K(p p) positiv semidefinit und A(q p) Dann ist AKA positiv semidefinit x (AKA )x = (x A)K(A x) = (A x) K(A x) 0 Beispiel : AA ist positiv semidefinit Ist K positiv definit, so gilt Rang(AKA ) = Rang(A) Für jedes A gilt Rang(AA ) = Rang(A A) = Rang(A) Ist K symmetrisch, so gilt für alle x, y die Beziehung x Ky = y Kx x Ky = (x Ky) = y K x = y Kx 5 Positiv semidefinite Matrizen LA3 52
53 Zerlegung positiv semidefiniter Matrizen Beispiel : Für K = gilt K = BB mit B = 0 0 Jede positiv semidefinite (p p)-matrix K 0 vom Rang q lässt sich schreiben als K = BB mit einer geeigneten (p q)-matrix B Eine positiv semidefinite (p p)-matrix K ist genau dann positiv definit, wenn sie den Rang p besitzt 5 Positiv semidefinite Matrizen LA3 53
54 Matrixinversion Voraussetzung : Alle Matrizen sind quadratisch, (n n) Erinnerung : Der Kehrwert einer Zahl a ist /a = a Eigenschaft des Kehrwerts x von a : a x = Ziel : Verallgemeinerung auf quadratische Matrizen Beispiel : Gegeben : A = ( )? Gesucht : X mit AX = I? Gibt es überhaupt ein derartiges X? 6 Matrixinversion LA3 54
55 Beispiel : Gegeben : A = ( )? Gesucht : X mit AX = I AX = I ausgeschrieben : ( ) ( x x 2 x 2 x 22 ) = ( 0 0 ) Spaltenweise lesen! 2 Gleichungssysteme mit je 2 Gleichungen und 2 Unbekannten Simultan lösen! Staffelform : Lösung : X = ( ) Entscheidend für Lösbarkeit : Der Rang von A war 2 6 Matrixinversion LA3 55
56 Invertierbarkeit von Matrizen Gesucht : Kehrwert von A(n n) Fallunterscheidung : Erster Fall : Rang(A) = n Es gibt eine (n n)-matrix X mit AX = I und XA = I X ist durch jede der Gleichungen eindeutig bestimmt Die Lösung X heißt Inverse von A Abkürzung : A Zweiter Fall : Rang(A) < n Weder AX = I noch YA = I ist lösbar (n n)-matrizen vom Rang n heißen invertierbar oder regulär Nicht invertierbare Matrizen heißen auch singulär Gilt die Gleichung AB = I, so sind A und B invertierbar und invers zueinander 6 Matrixinversion LA3 56
57 Regeln I ist invertierbar; I = I II = I A invertierbar A invertierbar ; (A ) = A A invertierbar A invertierbar ; (A ) = (A ) Die Inverse einer symmetrischen Matrix ist symmetrisch A und B invertierbar AB invertierbar ; (AB) = B A A invertierbar, a 0 aa invertierbar ; (aa) = (/a)a Eine Diagonalmatrix D ist genau dann invertierbar, wenn alle Diagonalelemente 0 sind Inverse : Diagonalmatrix der Kehrwerte Beispiel : = Matrixinversion LA3 57
58 Invertieren von (2 2)-Matrizen : A = ( ) a b c d A ist invertierbar ad bc 0 A = ad bc ( d c ) b a Diagonalelemente vertauschen Die anderen Elemente mit ( ) multiplizieren Durch (ad bc) teilen (ad bc) heißt auch Determinante Ist A(n n) invertierbar und B(n m), so gilt Rang(AB) = Rang(B) Entsprechend : C invertierbar Rang(BC) = Rang(B) 6 Matrixinversion LA3 58
59 Anwendung auf lineare Gleichungssysteme Ist A(n n) invertierbar, b beliebig, so hat Ax = b genau eine Lösung : x = A b Aus Ax = b folgt A b = A (Ax) = (A A)x = Ix = x Also : Höchstens eine Lösung x = A b A b ist tatsächlich Lösung : A(A b) = (AA )b = Ib = b 6 Matrixinversion LA3 59
60 Lineare Unterräume Eine nichtleere Teilmenge U eines Vektorraums heißt (linearer) Unterraum, falls die folgenden Bedingungen gelten : (i) x U, a R ax U (ii) x, x 2 U x + x 2 U Mit x,, x m liegt auch jede Linearkombination a i x i in U U ist abgeschlossen beim Bilden von Linearkombinationen Jeder Unterraum enthält 0 Beispiele von Unterräumen Trivial: Nullraum {0} R n selber Geraden im R 2 oder R 3, die den Nullpunkt enthalten Ebenen im R 3, die den Nullpunkt enthalten Erzeugnis Sind Vektoren y,, y m im R n gegeben, so bildet die Menge aller Linearkombinationen dieser Vektoren einen Unterraum, das Erzeugnis der Vektoren y,, y m Begründung : x = b i y i ax = a b i y i = (ab i )y i x = b i y i, x 2 = c i y i x + x 2 = (b i + c i )y i 7 Unterräume LA3 60
61 Ein Vektor y 0 erzeugt die Gerade durch den Nullpunkt, die aus allen seinen Vielfachen besteht : X 2 y X Zwei Vektoren y und y 2, die nicht auf einer Geraden liegen, erzeugen eine Ebene : X 3 X 2 y 2 y X 7 Unterräume LA3 6
62 Lösungsraum eines homogenen Gleichungssystems Ist A eine (n m)-matrix, so bilden alle m-vektoren x mit einen Unterraum des R m Ax = 0 Beispiel : x 2x 2 = 0 ( ) A = 2 Eine Gleichung, zwei Unbekannte x 2 = 5x X 2 x 2 = 5x X Der Lösungsraum besteht aus den Vektoren, die senkrecht zu allen Zeilenvektoren von A sind 7 Unterräume LA3 62
63 Dimension? Wieviele linear unabhängige Vektoren passen in einen gegebenen Unterraum? Die Maximalzahl linear unabhängiger Vektoren eines Unterraums U heißt Dimension von U, abgekürzt dim(u) Mehr als n Vektoren sind im R n linear abhängig, daher ist die Dimension eines Unterraums des R n höchstens n Beispiele Der R n hat Dimension n ( Einheitsvektoren ) Die Dimension des Nullraums {0} ist 0 Geraden haben Dimension Ebenen haben Dimension 2 Es seien U und V Unterräume des R n mit U V Dann : dim(u) dim(v ) Falls dim(u) = dim(v ) so U = V 7 Unterräume LA3 63
64 Maximale linear unabhängige Teilsysteme Ein System von Vektoren x,, x m eines Unterraums U heißt maximales linear unabhängiges Teilsystem von U, wenn die Vektoren x,, x m linear unabhängig sind und die lineare Unabhängigkeit verloren geht, wenn ein weiterer Vektor aus U hinzugefügt wird Sind x,, x k ein maximales linear unabhängiges Teilsystem von U, so ist jedes x U Linearkombination der x i Die Darstellung x = a i x i ist eindeutig Darstellbarkeit : x,, x k, x ist linear abhängig Also ist x Linearkombination von x,, x k Eindeutigkeit : Es gelte x = a i x i und x = b i x i 0 = x x = (a i b i )x i (a i b i ) = 0 wegen der linearen Unabhängigkeit der x i Ein linear unabhängiges Teilsystem eines Unterraums der Dimension m ist genau dann maximal, wenn es m Elemente besitzt Ermittlung der Dimension eines Unterraums : Finde maximales linear unabhängiges Teilsystem Zähle die Elemente 7 Unterräume LA3 64
65 Basen Ein System x,, x k von Vektoren eines Unterraums U heißt Basis von U, wenn sich jeder Vektor aus U eindeutig als Linearkombination der x i darstellen lässt Jedes maximale linear unabhängige Teilsystem eines Unterraums U ist eine Basis und umgekehrt Ein Unterraum mit Dimension hat viele Basen Hat U die Dimension m, so ist jedes System von m linear unabhängigen Vektoren eine Basis Ist U das Erzeugnis von m linear unabhängigen Vektoren, so bilden diese eine Basis und es gilt dim(u) = m Jede Teilmenge von linear unabhängigen Vektoren eines Unterraums lässt sich zu einer Basis ergänzen Typische Anwendung : Für U V mit dim(u) = m findet man eine Basis von V, deren erste m Elemente Basis von U sind 7 Unterräume LA3 65
66 Beispiele von Basen Basis von {0} ist die leere Menge Die n Einheitsvektoren e,, e n (Standardbasis) Darstellung : x = (x,, x n ) bilden eine Basis des R n = x i e i Hier: Komponenten = Koeffizienten der Darstellung Die Standardbasis ist nur eine von unendlich vielen Basen Basis einer Geraden : Jeder Vektor 0 Basis einer Ebene : Zwei beliebige Vektoren, die nicht auf einer Geraden liegen 7 Unterräume LA3 66
67 Basis eines Erzeugnisses Die Dimension des Erzeugnisses U eines endlichen Systems von Vektoren ist gleich dem Rang r des Systems? Wie findet man eine Basis? Möglichkeit : Maximales linear unabhängiges Teilsystem über Staffelform Möglichkeit 2 Elementare Spaltentransformationen solange, bis man maximales linear unabhängiges Teilsystem erkennt Rechtfertigung : Bei elementaren Spaltentransformationen ändert sich das Erzeugnis der Spaltenvektoren einer Matrix nicht Beispiel für Möglichkeit : Gesucht : Basis des Erzeugnisses der Spalten Staffelform : Dimension : 2, Basen sind beispielsweise 3 6 2, oder 4, Unterräume LA3 67
68 Beispiel Möglichkeit 2 : Gleiche Ausgangssituation : Mit elementaren Spaltentransformationen : Die ersten beiden Vektoren bilden eine Basis Vorteil dieser Basis : Man stellt leicht fest, ob ein Vektor zum Unterraum gehört welches die Koeffizienten bezüglich der Basis sind Beispiel: Gegeben sind 2 4 und 2 7 Der erste Vektor gehört nicht zum Unterraum Der zweite Vektor hat Koeffizienten, 2 7 Unterräume LA3 68
69 Basis des Lösungsraums eines Gleichungssystems Die Matrix A(n m) besitze den Rang r Ist U der Unterraum der Lösungen des homogenen linearen Gleichungssystems Ax = 0, so ist die Dimension von U gleich m r m r : Zahl der Unbekannten Rang Schöne Staffelform mit r Einserspalten (!), die sonst nur Nullen enthalten :!!! * * * r * Für die m r =: k weiteren Spalten kann man die Unbekannten beliebig vorgeben und in eindeutiger Weise zu einer Lösung ergänzen Bilde für jedes i =,, k die Lösung b i mit b i ist in der i-ten weiteren Spalte b i ist 0 in den anderen weiteren Spalten b,, b k ist dann Basis des Lösungsraums 7 Unterräume LA3 69
70 Beispiel : Koeffizientenmatrix : Schöne Staffelform : Basis : b = ( 2,, 0, 0), b 2 = ( 4, 0,, ) Die eindeutig bestimmte Lösung, die an zweiter Stelle den Wert a und an vierter Stelle den Wert a 2 besitzt, ist a b + a 2 b 2 Die Lösung mit an zweiter Stelle und 2 an vierter Stelle ist ( 2) 0 = Orthogonalbasen Orthogonalbasen sind Basen aus paarweise orthogonalen Vektoren Orthonormalbasen sind Orthogonalbasen aus Vektoren der Länge 7 Unterräume LA3 70
71 Orthogonalmachen Elementarschritt bei der Herstellung von Orthogonalbasen : Mache y zu x orthogonal durch Addition eines geeigneten c x Es soll also gelten z := (y + c x) x y z x? c =? Forderung : < y + c x, x > = 0 <y, x> + c <x, x> = 0 Lösung: <y, x> c = <x, x> z = y + c x = y <y, x> <x, x> x Beispiel für Orthogonalmachen aus der Statistik : Orthogonalmachen eines Datenvektors y zu x = liefert ẏ 7 Unterräume LA3 7
72 Verfahren zur Herstellung von Orthonormalbasen Gegeben ist Basis y,, y m eines Unterraums V Aufgabe: Stelle daraus eine Orthogonalbasis x,, x m her! Lösung: Schrittweises Orthogonalmachen x = y Mache y 2 zu x orthogonal x 2 Mache y k orthogonal zu x,, x k (schon orthogonal) x k Mache y m orthogonal zu x,, x m (schon orthogonal) x m Letzter Schritt : Alle x i durch x i dividieren Ergebnis : Orthonormalbasis Das Verfahren heißt Gram-Schmidt-Orthonormalisierung Erzeugnisse von y, y j und x x j sind gleich für alle j x j y, y j 7 Unterräume LA3 72
73 Jedes Teilsystem eines Unterraums, das aus paarweise orthogonalen Vektoren 0 besteht, lässt sich zu einer Orthogonalbasis ergänzen Haben die Ausgangsvektoren alle Länge, so gelingt die Ergänzung zu einer Orthonormalbasis Jeder Unterraum besitzt eine Orthonormalbasis Kennzeichnung von orthonormalen Vektoren : Die Spalten von C sind orthonormal genau dann, wenn C C = I Die Spalten von C sind genau dann Orthonormalbasis von U, wenn sie U erzeugen und wenn C C = I gilt Sonderfall R n : Eine (n n)-matrix C mit C C = I heißt Orthogonalmatrix Glücklicher wäre vielleicht Orthonormalmatrix Äquivalent ist die Formulierung C = C : Transponierte = Inverse Die Spalten von C(n n) sind Orthonormalbasis des R n genau dann, wenn C Orthogonalmatrix ist 7 Unterräume LA3 73
74 Drei verwandte Probleme Mache y zu x senkrecht durch Addition eines c x! z c x y Lösung : c = <x, y >/ x 2 x Zerlege y additiv in ein Vielfaches b x von x und ein z x! z y b x x Lösung : b = <x, y >/ x 2 ( = c ) Finde ein Vielfaches von x möglichst nahe an y! y x Lösung : Lotfußpunkt b x mit b = <x, y >/ x 2 ( = c ) 7 Unterräume LA3 74
75 Koordinatensysteme Eine Basis legt ein Koordinatensystem fest : Achsen in Richtung der Basisvektoren Einheiten in den Spitzen der Basisvektoren Beispiel: Eine Basis des R 2 ist x = (, 2), x 2 = (, ) X 2 x x 2 x X Ist x,, x m Basis von U und x U, so gilt x = a i x i mit eindeutigen Koeffizienten a i Die a i heißen Koordinaten bezüglich der Basis x,, x m Der Vektor (a,, a m ) heißt Koordinatenvektor Im Beispiel hat x = (25, ) bezüglich der Basis x, x 2 den Koordinatenvektor (5, 2) ( x = 5 x + 2 x 2 ) Ablesen der Koordinaten entsprechend der Vektoraddition! Im Allgemeinen keine Lote! 7 Unterräume LA3 75
76 Beispiel : Standardbasis Die Komponenten von x sind Koordinaten bezüglich der Standardbasis 2 e e x x = 2 e + e 2 Beispiel: x = (,, ) und x 2 = (2,, 0) sind lu, also Basis der von ihnen erzeugten Ebene im R 3 X 3 X 2 x 2 x x X Die Koordinaten des Vektors x = (5, 5, 2) sind 2 und 5, der Koordinatenvektor ist also ( 2, 5 ) 7 Unterräume LA3 76
77 Ermittlung von Koordinaten? Problem : Ein Unterraum U sei durch eine Basis gegeben Liegt der Vektor x in U? Welches sind seine Koordinaten? Lösung : Übersetzung in ein lineares Gleichungssystem Mehrere Vektoren : Simultane Lösung Beispiel : Basis von U ist b = (,, ), b 2 = (2,, 0)? Liegen x = (4,, 2) und x 2 = (0,, 4) in U?? Koordinaten? x U mit Koordinaten (2, ) x 2 / U 7 Unterräume LA3 77
78 Basiswechsel Situation : U ist ein m-dimensionaler Unterraum des R n die Spalten von B(n m) sind Basis von U Die Matrizen, deren Spalten ebenfalls Basen von U sind, sind genau die Matrizen C = BA mit invertierbarem A(m m) Spalten von A : Koordinatenvektoren der c -Basis bezüglich der b -Basis? Aufgabe:? Sind zwei linear unabhängige Systeme von je m Vektoren Basen desselben Unterraums?? Wie sieht in diesem Fall die Matrix A aus? Lösung : Lineare Gleichungssysteme 7 Unterräume LA3 78
79 Beispiel : B = C = ? Sind B und C spaltenweise Basen desselben Unterraums?? Falls ja, welches ist die Transformationsmatrix? Lösung : Existiert A mit BA = C? Drei Gleichungssysteme : Staffelform : Ergebnis : Beide Systeme sind Basen des gleichen Unterraums Das zugehörige A ist A = Unterräume LA3 79
80 Koordinatentransformationen Situation : B und C = BA sind spaltenweise Basen von U? Wie werden Koordinatenvektoren ineinander umgerechnet? Lösung : Koordinatenvektoren von x U : b und c Also : x = Bb und x = Cc Einsetzen : x = Cc = (BA)c = B(Ac) Also : b = Ac (Eindeutigkeit der Darstellung bezüglich B) Multiplikation mit A : A b = A Ac = c Umrechnungsformeln : b = Ac c = A b Umrechnung von c -Koordinaten in b -Koordinaten mit A : Spalten von A : b -Koordinatenvektoren der c -Basis Umrechnung von b -Koordinaten in c -Koordinaten mit A 7 Unterräume LA3 80
81 Beispiel : B und C sind spaltenweise Basen von U : B = Transformationsmatrix : C = A = 0 0 Inverse Transformationsmatrix : A = /3 2/3 /3 /3 /3 2/3 /3 /3 /3 = Beispiel : x hat bezüglich B die Koordinaten (, 0, )? Welches sind die Koordinaten von x bezüglich C? Antwort : A 0 = = Unterräume LA3 8
82 Spezialfall: Basen des R n Ausgangsbasis : Standardbasis Zweite Basis : Spalten von C ( invertierbar ) Ist x Vektor des R n (in Standardkoordinaten) und ist c Koordinatenvektor von x bezüglich C, so gilt x = Cc und c = C x Standardkoordinaten c -Koordinaten : Mit C Beispiel : Basis des R 2 gegeben durch die Spalten von C : ( ) C = 2 C = 3 ( 2 ) X 2 c c 2 x X? Welches sind die c -Koordinaten von x = ( 25, )? Antwort : C x = ( 5, 2 ) 7 Unterräume LA3 82
83 Rechnen mit Koordinaten Statt: auch: Rechnen mit Originalvektoren aus Unterraum U Rechnen mit Koordinatenvektoren Beispiel : U hat als Basis die Spalten von Gegeben: x = 3 x 2 = Koordinatenvektoren : y = (, ) y 2 = (, ) x x 2 = 3 = Koordinatenvektor : (2, 0) y y 2 = ( ) ( ) = ( ) 2 0 Übereinstimmung! Der Koordinatenvektor einer Linearkombination ist die entsprechende Linearkombination der Koordinatenvektoren 7 Unterräume LA3 83
84 Skalarprodukt mit Koordinaten Voraussetzung : U ist mit Orthonormalbasis versehen Statt : auch : Skalarprodukt von Originalvektoren aus Unterraum U Skalarprodukt der Koordinatenvektoren Beispiel : U hat als Orthonormalbasis die Spalten von Gegeben sind x = x 2 = Koordinatenvektoren : y = (5, ) y 2 = (0, 2) <x, x 2 > = 2 <y, y 2 > = 2 Übereinstimmung! Ein m -dimensionaler Unterraum ist dem R m strukturell gleich (via Koordinaten) 7 Unterräume LA3 84
85 Affine Unterräume Affine Unterräume sind lineare Unterräume, die man parallel verschoben hat : X 2 x U + x U X Ist U ein linearer Unterraum des R n Vektor, so heißt die Menge und x ein beliebiger U + x := {u + x u U} affiner Unterraum U: zugehöriger linearer Unterraum x: Verschiebungsvektor Der zu einem affinen Unterraum gehörende lineare Unterraum U ist eindeutig 7 Unterräume LA3 85
86 Der Verschiebungsvektor ist nicht eindeutig : Je zwei mögliche Verschiebungsvektoren unterscheiden sich um ein Element von U : X 2 U X Ein y liegt genau dann in U + x, wenn y x in U liegt Die Dimension eines affinen Unterraums ist die Dimension des zugehörigen linearen Unterraums Beispiele : Jeder lineare Unterraum auch ein affiner (Nullvektor als Verschiebungsvektor) Punkte sind nulldimensionale affine Unterräume Geraden sind eindimensionale affine Unterräume Ebenen sind zweidimensionale affine Unterräume Nullpunkt muss nicht enthalten sein Der R n selbst ist n-dimensionaler affiner Unterraum 7 Unterräume LA3 86
87 Affine Hülle Der kleinste affine Unterraum, der gegebene Punkte x,, x m enthält, heißt affine Hülle von x,, x m Beispiel : Gerade durch zwei gegebene Punkte X 2 X Die affine Hülle von x,, x m besteht genau aus den ai x i mit ai = Beispiel : Zentroid liegt in der affinen Hülle von Datenpunkten? Zugehöriger linearer Unterraum? Liegt x in der affinen Hülle A von x,, x m, so ist der zu A gehörende lineare Unterraum U das Erzeugnis von (x x),, (x m x) Die Dimension von A ist der Rang dieser Vektoren Nullvektoren bei den (x i x) können weggelassen werden 7 Unterräume LA3 87
88 Beispiel : Gesucht ist die affine Hülle von x = 2 2 x 2 = 3 3 x 3 = x 4 = Wähle x = x 4 Berechne die x i x 0 0 Der Rang ist Die affine Hülle der x i hat Dimension 2 Der zugehörige Unterraum wird erzeugt von e und e 2 Beispiel aus der Statistik? Gesucht : Affine Hülle A von Datenpunkten Der zugehörige lineare Unterraum U ist das Erzeugnis der Spalten von S A = U + x Der Rang von S ist die Dimension von A 7 Unterräume LA3 88
89 Affine Koordinatensysteme Parallel verschobene (lineare) Koordinatensysteme heißen affine Koordinatensysteme X 2 Y 2 x 0 Y X Nullpunkt verliert seine Sonderrolle Lineare Struktur bleibt nur zum Teil erhalten Koordinatenumrechnung Ausgangspunkt: Standardkoordinatensystem (x) Neues Koordinatensystem (y) : Achsen und Einheiten gegeben durch die Spalten b,, b n einer (invertierbaren) Matrix B Zusätzlich: Verschiebung des Nullpunktes nach x 0 Im Beispiel: ( ) n = 2, B = 2 ( ), x 0 = Unterräume LA3 89
90 Ziel: Umrechnung von Koordinaten X 2 Y 2 x 0 Y P X x: Koordinatenvektor von P im Standard-Koordinatensystem y: Koordinatenvektor von P im neuen Koordinatensystem Umrechnungsformeln: x = By + x 0 Nach y aufgelöst y = B (x x 0 ) = B x B x 0 Beispiel: x = ( 55, 3 ) (Standardkoordinaten) Neue Koordinaten: ( ) ( ) ( ) y = B /3 (x x 0 ) = /3 = 3 2 7/6 7 Unterräume LA3 90
91 Lineare Abbildungen Eine Abbildung f : R m R n heißt lineare Abbildung, falls für alle x, x, x 2 R m und a R folgende Bedingungen gelten : (i) f(x + x 2 ) = f(x ) + f(x 2 ) (ii) f(ax) = a f(x) Addition und Skalarmultiplikation werden respektiert f(0) = f(00) = 0f(0) = 0 Beispiel einer linearen Abbildung von R 2 in R 2 f Ist f : A B Abbildung und C A, so heißt f(c) = {f(c) c C} das Bild von C unter f Das Bild des Kreises ist hier eine Ellipse Zum Gebrauch des Wortes Bild Beispiel : Gegebene Funktion : f(x) = x 2 Bild eines Wertes (Punktes) : Das Bild von 2 unter f ist 2 2 = 4 Bild einer Menge : Das Bild von [, 2] unter f ist [0, 4] 8 Lineare und affine Abbildungen LA3 9
92 Matrixdarstellung Ist f lineare Abbildung, so gilt auch ( ) f aj x j = a j f (x j ) Linearkombinationen werden von f respektiert Zur Matrixdarstellung einer linearen Abbildung f : R m R n e,, e m : Einheitsvektoren des R m a = f(e ),, a m = f(e m ) : Bilder der e j unter f A : (n m)-matrix mit Spalten a j f(x) = f ( x j e j ) = x j f(e j ) = x j a j = Ax Man kann f als Multiplikation mit einer Matrix schreiben Umgekehrt: Für jede (n m)-matrix A ist die Abbildung x Ax linear von R m in R n Daher : Matrizen sind lineare Abbildungen Spaltenzahl : Dimension des Definitionsbereichs Zeilenzahl : Dimension des Wertebereichs Spalten : Bilder der Einheitsvektoren 8 Lineare und affine Abbildungen LA3 92
93 Hintereinanderausführung Situation : Lineare Abbildungen f : R m R n, gegeben durch A und B g : R n R r Hintereinanderausführung : R m f R n g R r Ergebnis : g f (g f)(x) = g(f(x)) In Matrizenschreibweise : (g f)(x) = g(f(x)) = g(ax) = B(Ax) = (BA)x g f ist die lineare Abbildung BA Hintereinanderschaltung linearer Abbildungen Matrizenmultiplikation Hauptgrund für die Definition der Matrixmultiplikation Zur Terminologie : Lineare Abbildungen sind nicht Verallgemeinerungen der linearen Transformationen der Elementarstatistik (additive Konstante) Dies sind vielmehr die affinen Abbildungen 8 Lineare und affine Abbildungen LA3 93
94 Beispiele von linearen Abbildungen A(n n) sei spaltenweise Basis des R n Standardkoordinaten x neue Koordinaten y : y = A x Umkehrung : x = Ay Koordinatentransformationen sind lineare Abbildungen Beispiel Faktorenanalyse : Faktorenvektor f Vektor ˆx der reduzierten Variablen ˆx = Λf Beispiel : Zentrieren eines Datenvektors : ẏ = Zy Beispiel : Die Spur von (n n)-matrizen 8 Lineare und affine Abbildungen LA3 94
95 Kern und Bild Der Kern einer linearen Abbildung A von R m in R n ist die Menge der x aus R m mit x 0, also mit Ax = 0 Das Bild von A ist die Menge der Funktionswerte y in R n, also der y, für die es ein x gibt mit Ax = y Abkürzungen: Kern(A), Bild(A) Kern(A) : Lösungsmenge von Ax = 0 Kern(A) : Menge der Vektoren zu den Zeilen von A Kern(A) ist Unterraum von R m Bild(A) : Erzeugnis der Spalten von A Bild(A) ist Unterraum von R n Hat A(n m) den Rang r, so gilt dim(kern(a)) = m r dim(bild(a)) = r dim(kern(a)) + dim(bild(a)) = m 8 Lineare und affine Abbildungen LA3 95
96 Beispiel : A = 3 Spalten und 2 Zeilen ( ) Lineare Abbildung von R 3 nach R 2 Rang : dim(kern) = 2 dim(bild) = X 3 X 2 Y 2 X A Y Kern(A) Bild(A) 8 Lineare und affine Abbildungen LA3 96
97 Wichtiger Spezialfall : Kern = {0} Gleichbedeutend : Rang = Spaltenzahl Ist Kern(A) = {0}, so ist A injektiv Also : x x 2 Ax Ax 2 Ax = Ax 2 A(x x 2 ) = 0 x x 2 Kern x x 2 = 0 x = x 2 Ist Kern(A) = {0}, so werden linear unabhängige Vektoren auf linear unabhängige Vektoren abgebildet Ist A lineare Abbildung und U Unterraum, so auch dim(a(u)) dim(u) A(U) Kern(A) = {0} dim(a(u)) = dim(u) und b,, b r Basis von U Ab,, Ab r Basis von A(U) Ist A regulär, so ist A als lineare Abbildung umkehrbar Umkehrabbildung : A 8 Lineare und affine Abbildungen LA3 97
98 Affine Abbildungen Eine Abbildung f : R m R n der Form f(x) = Ax + b heißt affin A : linearer Anteil b : Verschiebungsvektor f : die durch A und b gegebene affine Abbildung Unterschied zu linearen Abbildungen : Zusätzliche Verschiebung Verschiebungsvektor : f(0) Beispiel : affine Koordinatentransformation Entscheidend : Linearer Anteil A Ist Kern(A) = {0}, so ist f injektiv Ist A regulär, so ist f umkehrbar Umkehrabbildung: x = A y A b Aus y = Ax + b folgt x = A y A b 8 Lineare und affine Abbildungen LA3 98
99 Die Hintereinanderausführung zweier affiner Abbildungen ist wieder affin Ist f : R m R n gegeben durch A und b und g : R n R r durch C und d, so ist g f gegeben durch CA und Cb + d (g f)(x) = g(ax+b) = C(Ax+b)+d = (CA)x+(Cb+d) Ist f(x) = Ax + b und U + x 0 affiner Unterraum, so ist f(u + x 0 ) der affine Unterraum A(U) + Ax 0 + b dim(f(u + x 0 )) dim(u + x 0 ) Ist Kern(A) = {0}, so sind die Dimensionen gleich Spezialfall : Unterraum ist R m selbst : Das Bild von R m unter f ist Bild(A) + b Dimension : Rang(A) 8 Lineare und affine Abbildungen LA3 99
100 Projektionsproblem Ausgangssituation : V ist m-dimensionaler Unterraum des R n Die Spalten von A(n m) sind Basis von V A hat also Rang m Problem: Finde zu x R n das nächstgelegene v V!? Existenz? Eindeutigkeit? Lösungsweg? x 2 x V x Naheliegend : Lot fällen! x 2 x v V x 9 Orthogonale Projektionen LA3 00
101 x 2 x v V x v ist Fußpunkt des Lotes x v ist senkrecht zu den Vektoren aus V (x v) V Vermutung : Ein v V mit (x v) V hat von x kürzeste Entfernung Gilt für v V die Beziehung (x v) V, so hat v von x als einziger Punkt von V kürzeste Entfernung Ist v V, so v v V, also (x v) (v v ) Daher: x v 2 = (x v) + (v v ) 2 = (x v) 2 + (v v ) 2 x v ist senkrecht zu V x v ist senkrecht zu allen Elementen einer Basis Forderung also A (x v) = 0 Mit v = Ay (y: Koordinatenvektor von v bzgl Basis A) A (x Ay) = 0 9 Orthogonale Projektionen LA3 0
102 Problem : Äquivalent A (x Ay) = 0 A Ay = A x Diese Gleichungen heißen Normalengleichungen ( normal entspricht senkrecht ) Wegen Rang(A A) = m eindeutige Lösbarkeit : y = (A A) A x Damit : v = Ay = A(A A) A x Die Abbildungen x y (Koordinaten) und x v (nächster Punkt) sind lineare Abbildungen Sie sind gegeben durch die Matrizen (A A) A und P : = A(A A) A Ist V Unterraum des R n mit Basis A, so heißt die lineare Abbildung P : = A(A A) A orthogonale Projektion auf V 9 Orthogonale Projektionen LA3 02
103 Illustration der Projektion mehrerer Punkte: x 2 x Beispiel : Projektion auf eine von a erzeugte Gerade (A = a) (A A) A ist hier (a a) a = ( a 2 ) a = (/ a 2 )a Koordinate der Projektion von x : (/ a 2 ) <a, x> Projektionsmatrix : (/ a 2 ) aa Projektion von x : (/ a 2 )(aa )x = (<a, x>/ a 2 ) a Besonders angenehm ist a = Formeln dann : < a, x > (Koordinate) bzw < a, x > a (Projektion) Beispiel aus der Statistik : Projektion von Datenvektor y auf den von erzeugten Unterraum : Wegen <, > = n und <, y > = y i gilt Koordinate : Projektion : yi /n = ȳ, ȳ (alle Daten durch Mittelwert ersetzt) 9 Orthogonale Projektionen LA3 03
104 Rang orthogonaler Projektionen Die Matrix P der orthogonalen Projektion auf V ist unabhängig von der speziellen Basis A Praktisch : Wähle Orthonormalbasis C Dann : (C C) = I Koordinaten mit C Projektion : P = CC P sei Projektion auf V (dim(v ) = m) Bild(P) = V Für v V gilt : Pv = v dim(v ) = Rang(P) = Spur(P) Spur(P) = Spur(CC ) = Spur(C C) = Spur(I m ) = m 9 Orthogonale Projektionen LA3 04
105 Charakterisierung orthogonaler Projektionen P ist genau dann eine orthogonale Projektion, wenn P 2 = P und P = P Alternatives Kriterium : P P = P Ist P orthogonale Projektionen, so gilt für alle x, y <x, Py > = <Px, y > = <Px, Py > = x Py <x, Py > = x Py = x P Py = (Px) (Py) = <Px, Py > Insbesondere : Px 2 = x Px Beispiel : Die Zentriermatrix Z ist orthogonale Projektion Beispiel : <ẋ, ẏ > = <Zx, Zy > = <Zx, y > = <ẋ, y > Vereinfachte Formel für die Kovarianz : n (xi x) y i 9 Orthogonale Projektionen LA3 05
106 Orthogonale Komplemente Das orthogonale Komplement eines Unterraums V Menge aller x mit x V ist die Bezeichnung : V Beispiel : V V Das orthogonale Komplement von Bild(A) ist Kern(A ) V ist also ein Unterraum Das Komplement einer Gerade im R 3 ist die senkrechte Ebene Das Komplement einer Ebene im R 3 ist die senkrechte Gerade Beispiel aus Statistik : V : Erzeugnis von y: Datenvektor y V ȳ = 0 V : Unterraum der zentrierten Datenvektoren 9 Orthogonale Projektionen LA3 06
107 Komplemente und Projektionen P sei orthogonale Projektion auf V R n dim(v ) = m V = Kern(P) dim(v ) = n m V V = {0} und V = (V ) Ist P orthogonale Projektion auf V, so gilt x V Px = x x V Px = 0 Die orthogonale Projektion auf V ist I P ; ihr Kern ist V Die Projektion I P auf V heißt komplementär zu P Bezeichnung : Meist Q Komplementär zu Q ist wieder P Beispiel aus der Statistik : V : Erzeugnis von V : Unterraum der zentrierten Datenvektoren Projektion von y auf V : y ȳ Die Projektion auf V ist die Zentriermatrix 9 Orthogonale Projektionen LA3 07
108 Zerlegung in orthogonale Summanden P : Projektion auf V Q : Projektion auf V = U Jedes x lässt sich eindeutig zerlegen als mit u U und v V x = u + v x 2 u U x v V x u = Qx und v = Px x 2 = u 2 + v 2 Quadrierter Abstand von x zu V : Qx 2 = x Qx oder x 2 Px 2 = x 2 x Px Statistisches Beispiel : Datenvektor y wird zerlegt in ȳ + ẏ y 2 = ẏ 2 + ȳ 2 M Y 2 = SY 2 + ȳ2 SY 2 = M Y 2 (M Y ) 2 9 Orthogonale Projektionen LA3 08
109 Drei verwandte Aufgaben Gegeben : Vektoren x,, x m und y Erste Aufgabe : Mache y durch Addition einer geeigneten Linearkombination v der x i zu allen x i senkrecht! Zweite Aufgabe : Zerlege y additiv in eine Linearkombination v der x i und ein z x i! Dritte Aufgabe : Suche eine Linearkombination v der x i, die von y kleinsten Abstand hat! V : Erzeugnis der x i P, Q : orthogonale Projektionen auf V, V (Q = I P) Mehrdeutigkeiten falls die x i linear abhängig sind Beispiel dritte Aufgabe : Lösung ist als Vektor eindeutig Viele Darstellungen von Py als Linearkombination der x i Lösungen : Erste Aufgabe : Gesucht ist v = a i x i, so dass z = y + v senkrecht zu allen x i ist, also: z V Zerlegung y = z + ( v) in Elemente aus V und V Daher : v = Py und z = Qy Zweite Aufgabe : z = Qy und v = Py Dritte Aufgabe : v = Py 9 Orthogonale Projektionen LA3 09
110 Durchschnitte und Summen von Unterräumen U, V : Unterräume U V heißt Durchschnitt von U und V V U V U U V ist Unterraum U + V = {u + v u U, v V } heißt Summe von U und V V U U + V U + V ist Unterraum Analog für mehr als zwei Unterräume dim(u) + dim(v ) = dim(u + V ) + dim(u V ) 9 Orthogonale Projektionen LA3 0
111 Vertauschbare Projektionen P und P 2 heißen vertauschbar, falls P P 2 = P 2 P Sind P und P 2 Projektionen auf V und V 2 mit P P 2 = P 2 P, so ist P P 2 Projektion auf V V 2 P P 2 : Erst auf V 2 projizieren, dann Ergebnis auf V Illustration : Projektionen auf zwei zweidimensionale Unterräume Links : Projektionen sind vertauschbar Rechts : Projektionen sind nicht vertauschbar P und P 2 sind vertauschbar P P 2 ist symmetrisch Sind P und P 2 vertauschbar mit Komplementen Q = I P und Q 2 = I P 2, so gilt auch P Q 2 = Q 2 P Q P 2 = P 2 Q Q Q 2 = Q 2 Q 9 Orthogonale Projektionen LA3
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
MehrKapitel 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
MehrLineare 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
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrEinführung 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:
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
MehrFachschaft 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
MehrLösungen 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.
Mehru + 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
MehrMathematik 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
MehrMathematik 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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrLineare 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
Mehrx 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 +
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrLineare 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
Mehr1.9 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..
MehrÜbungen 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)
MehrLineare Algebra und analytische Geometrie II (Unterrichtsfach)
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Prof. Dr. D. Rost SS 0 Blatt.06.0 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach) Abgabe: Dienstag, 0. Juli 0, bis 4:00
MehrEinführung 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
Mehr2 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 )
MehrA 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
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
MehrDie reellen Lösungen der kubischen Gleichung
Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................
Mehrklar. 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
Mehr5 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
MehrErinnerung/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
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
Mehr3.3 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.
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
Mehr7 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
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrAbiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
MehrDAS ABI-PFLICHTTEIL Büchlein
DAS ABI-PFLICHTTEIL Büchlein für Baden-Württemberg Alle Originalaufgaben Haupttermine 004 0 Ausführlich gerechnete und kommentierte Lösungswege Mit vielen Zusatzhilfen X π Von: Jochen Koppenhöfer und Pascal
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 2009/10 Vorlesung 1, Montag vormittag Vektoralgebra Ein Vektor lässt sich geometrisch als eine gerichtete Strecke darstellen,
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrLösungsvorschlag 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
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrElemente 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
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrDivision 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
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrLeitfaden 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
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
MehrStatistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
Mehr= 9 10 k = 10
2 Die Reihe für Dezimalzahlen 1 r = r 0 +r 1 10 +r 1 2 100 + = r k 10 k, wobei r k {0,,9} für k N, konvergiert, da r k 10 k 9 10 k für alle k N und ( 1 ) k 9 10 k 9 = 9 = 10 1 1 = 10 10 k=0 k=0 aufgrund
MehrPrimzahlen 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
MehrDer Kern einer Matrix
Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik 008 Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe 1: ( VP) x Gegeben ist die Funktion f mit f(x). x Bilden Sie die Ableitung von f und fassen Sie diese so weit wie
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrGleichungen und Ungleichungen
Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 25 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 8 Aufgabe 8 Basen für Bild und Kern Gegeben sind die beiden 2 Matrizen:
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 15. April 2018 1/46 Die Dimension eines Vektorraums Satz 2.27 (Basisergänzungssatz) Sei V ein Vektorraum über einem Körper K. Weiter seien v 1,...,
MehrSkript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten!
Mathefritz 5 Terme und Gleichungen Meine Mathe-Seite im Internet kostenlose Matheaufgaben, Skripte, Mathebücher Lernspiele, Lerntipps, Quiz und noch viel mehr http:// www.mathefritz.de Seite 1 Copyright
MehrMATHEMATISCHER FITNESSTEST - LÖSUNGEN. (2) Welche Menge stellt die schraerte Fläche dar?
MATHEMATISCHER FITNESSTEST - LÖSUNGEN DR. ROGER ROBYR Die Aufgaben sollten alle ohne Unterlagen und ohne programmierbare oder graphikfähige Rechner gelöst werden können. Lösung. ) Gegeben sind die Mengen
Mehr7. 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
MehrQuadratische Gleichungen
Quadratische Gleichungen Aufgabe: Versuche eine Lösung zu den folgenden Zahlenrätseln zu finden:.) Verdoppelt man das Quadrat einer Zahl und addiert, so erhält man 00..) Addiert man zum Quadrat einer Zahl
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 6 Endliche Kameras Die Lochkamera Die Projektive Kamera Die projektive Kamera Spalten von P Zeilen von P Hauptpunkt und Hauptachse
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrMathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
MehrBesteht 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.
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
Mehr8. Quadratische Reste. Reziprozitätsgesetz
O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung
MehrMathematik I für Wirtschaftswissenschaftler
1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrMatrizen. Spezialfälle. Eine m nmatrix ist ein rechteckiges Zahlenschema mit. m Zeilen und n Spalten der Form. A = (a ij ) =
Matrizen Eine m nmatrix ist ein rechteckiges Zahlenschema mit m Zeilen und n Spalten der Form a 11 a 12 a 1n A = a ij = a 21 a 22 a 2n a m1 a m2 a mn Dabei sind m und n natürliche und die Koezienten a
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrUniversität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW
Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41. : x i R, 1 i n x n
Kapitel Vektorräume Josef Leydold Mathematik für VW WS 07/8 Vektorräume / 4 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit x R n =. : x i R, i n x n und wird als n-dimensionaler
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41
Kapitel 3 Vektorräume Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit R n = x 1. x n : x i R, 1 i n und
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine Vektorräume (Teschl/Teschl 9 Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen: Eine
MehrHauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg
Baden-Württemberg: Abitur 04 Pflichtteil www.mathe-aufgaben.com Hauptprüfung Abiturprüfung 04 (ohne CAS) Baden-Württemberg Pflichtteil Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrBestimmung 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