Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER
|
|
- Helga Bergmann
- vor 7 Jahren
- Abrufe
Transkript
1 Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER BERGISCHE UNIVERSITÄT WUPPERTAL THEORETISCHE CHEMIE Juli 2008
2
3 Inhaltsverzeichnis 1 Komplexe Zahlen Einführung Rechenregel Exponentialdarstellung Grundlagen der linearen Algebra Problemstellungen Matrizen Definition und Begriffe Rechnen mit Matrizen Quadratische Matrizen Weitere Begriffe Lineare Gleichungssysteme Das Matrixeigenwertproblem Differentialgleichungen Grundbegriffe Gewöhnliche Differentialgleichungen 1. Ordnung Gewöhnliche Differentialgleichungen 2. Ordnung Ausgleichsrechnung Grundbegriffe Ausgleich bedingter Beobachtungen Ausgleich linearer Zusammenhänge Ausgleich nichtlinearer Zusammenhänge Darstellung einer Funktion mit Hilfe einfacherer Funktionen 86 3
4
5 1 Komplexe Zahlen 1.1 Einführung Betrachten wir das Polynom f(z = z 2 + 4z + 8. (1.1 Wir möchten die Nullstellen dieses Polynoms bestimmen. Es gilt Damit haben wir an einer Nullstelle die Bedingung Formal existieren also die Nullstellen oder Die Zahl i erfüllt die Gleichung z 2 + 4z + 8 = (z (1.2 (z = 0. (1.3 z = 2 4 und z + = 2 + 4, (1.4 z = 2 2 i und z + = i. (1.5 i 2 = 1. (1.6 Eine willkürliche reelle Zahl x R hat die Eigenschaft x 2 0. Also ist i keine reelle Zahl. Wir bezeichnen i als die imaginäre Einheit. Mit der Definition von i erhalten wir für das Polynom in Gln. (1.2 z 2 + 4z + 8 = (z z (z z + = (z i (z i. (1.7 Die Größen z und z + sind Beispiele für komplexe Zahlen. Allgemein läßt sich eine komplexe Zahl z darstellen als z = a + i b C, wobei a, b R (1.8 und C die Menge aller komplexen Zahlen ist. Die Größe a = R(z = R(a + ib (1.9 ist der Realteil, und der Imaginärteil von z. b = I(z = I(a + ib (1.10 5
6 Imaginärteil b r ϕ a z = (a,b Realteil Abbildung 1.1: Die komplexe Zahlenebene. Alternativ schreibt man komplexe Zahlen als geordnete 2-tupel der reellen Zahlen nach z = (a, b. (1.11 Abbildung 1.1 zeigt die Darstellung der Zahl z = (a, b in der komplexen Zahlenebene. Jeder Punkt in der komplexen Zahlenebene (das heißt, jede komplexe Zahl ist auch durch den Abstand zum Ursprung r und den Winkel ϕ festgelegt (siehe Abb Es gilt a = r cos ϕ und b = r sin ϕ. (1.12 Damit haben wir z = a + i b = r cos ϕ + i r sin ϕ = r (cos ϕ + i sin ϕ (1.13 mit r = a 2 + b 2 und ϕ = arctan ( b a. Die Darstellung einer komplexen Zahl als a+ib nennt man eine kartesische Darstellung, die Darstellung als r (cos ϕ+i sin ϕ heißt Polardarstellung. Die zu z = a + ib konjugiert komplexe Zahl bezeichnet man mit z und es gilt z = a ib. (1.14 In der Polardarstellung haben wir z = r (cos ϕ + i sin ϕ und damit z = r (cos ϕ i sin ϕ = r (cos( ϕ + i sin( ϕ. (1.15 Abbildung 1.2 zeigt z und z in der komplexen Zahlenebene. 1.2 Rechenregel Wir definieren z 1 = a 1 + i b 1 = r 1 (cos ϕ 1 + i sin ϕ 1 (1.16 6
7 Imaginärteil r z = (a,b ϕ - ϕ Realteil r z* = (a,-b Abbildung 1.2: Konjugiert komplexe Zahlen. und z 2 = a 2 + i b 2 = r 2 (cos ϕ 2 + i sin ϕ 2. (1.17 Die zwei komplexen Zahlen z 1 und z 2 sind gleich, wenn sind, beziehungsweise wenn a 1 = a 2 und b 1 = b 2 (1.18 r 1 = r 2 und ϕ 1 = ϕ k π, (1.19 sind, wobei k Z eine beliebige ganze Zahl ist. Komplexe Zahlen werden komponentenweise addiert, das heißt Es gilt z 1 + z 2 = z 2 + z 1. Komplexe Zahlen werden multipliziert gemäß z 1 + z 2 = (a 1 + a 2 + i (b 1 + b 2. (1.20 z 1 z 2 = (a 1 + i b 1 (a 2 + i b 2 = a 1 a 2 + a 1 i b 2 + i b 1 a 2 + i 2 b 1 b 2 = (a 1 a 2 b 1 b 2 + i (a 1 b 2 + b 1 a 2. (1.21 Es gilt z 1 z 2 = z 2 z 1 und z 1 (z 2 + z 3 = z 1 z 2 + z 1 z 3. Ein Sonderfall ist z z = (a + i b (a i b = a 2 + b 2 R. (1.22 7
8 Der Betrag von z ist definiert als z = z z = a 2 + b 2. (1.23 In der Polardarstellung haben wir z = r 2 cos 2 ϕ + r 2 sin 2 ϕ = r. (1.24 Zwei komplexe Zahlen werden dividiert, indem man mit dem konjugiert-komplexen des Nenners erweitert und dann die Multiplikationsregeln anwendet: z 1 z 2 = a 1 + i b 1 a 2 + i b 2 = (a 2 i b 2 (a 1 + i b 1 (a 2 i b 2 (a 2 + i b 2 = a 1 a 2 + b 1 b 2 a b Exponentialdarstellung + i b 1 a 2 a 1 b 2. (1.25 a b 2 2 Wir betrachten eine Taylorentwicklung der Exponentialfunktion Setzen wir hier u = i ϕ, erhalten wir e u = 1 + u 1! + u2 2! + u3 3! + u4 4! + u5 5! (1.26 e i ϕ = 1 + i ϕ 1! ϕ2 2! i ϕ3 3! + ϕ4 4! + i ϕ5 5!... ( = (1 ϕ2 2! + ϕ4 ϕ 4!... + i 1! ϕ3 3! + ϕ5 5!... (1.27 Wir erkennen den Realteil in Gln. (1.27 als die Taylorentwicklung von cos ϕ und den Imaginärteil als die Taylorentwicklung von sin ϕ. Damit gilt und wir erhalten aus Gln. (1.13 die Euler sche Formel e i ϕ = cos ϕ + i sin ϕ (1.28 z = r (cos ϕ + i sin ϕ = r e i ϕ (1.29 oder, da r = z ist, z = z e i ϕ = z exp(i ϕ. (1.30 8
9 Der Betrag von e i ϕ ist e i ϕ = e i ϕ (e i ϕ = (cos ϕ + i sin ϕ(cos ϕ i sin ϕ = cos 2 ϕ + sin 2 ϕ = 1. (1.31 In der Euler schen Darstellung ist es einfach, komplexe Zahlen zu multiplizieren und zu dividieren. Mit berechnen wir das Produkt nach und die Division nach z 1 = z 1 e i ϕ 1 und z 2 = z 2 e i ϕ 2 (1.32 z 1 z 2 = z 1 z 2 e i (ϕ 1+ϕ 2, (1.33 z 1 z 2 = z 1 z 2 ei (ϕ 1 ϕ 2. (1.34 Potenzen können mittels der Moivre-Formel berechnet werden: Für k Z gilt zum Beispiel z m = ( z e i ϕm = z m e i m ϕ. ( = e i 0 = e i(0+2 k π = cos(2 k π + i sin(2 k π i = e i π 2 = e i( π 2 +2 k π ( π ( π = cos k π + i sin k π 1 = e i π = e i(π+2 k π = cos(π + 2 k π + i sin(π + 2 k π i = e i 3π 2 = e i( 3π 2 +2 k π ( 3π = cos k π + i sin Die Zahl i i berechnen wir als das heißt, i i = e π 2 ist eine reelle Zahl. Weitere Beziehungen sind ( 3π k π. (1.36 i i = ( e i π 2 i = e i 2 π 2 = e π 2, (1.37 e +iϕ = cos ϕ + i sin ϕ (1.38 e iϕ = cos ϕ i sin ϕ (1.39 cos ϕ = 1 ( e +iϕ + e iϕ 2 (1.40 sin ϕ = 1 ( e +iϕ e iϕ. 2i (1.41 9
10 Die Gleichungen (1.40 und (1.41 können mit der Definitionsgleichungen der Funktionen cosh (hyperbolische Cosinusfunktion und sinh (hyperbolische Sinusfunktion verglichen werden: cosh x = 1 ( e x + e x ( und sinh x = 1 2 ( e x e x. (1.43 Die Gleichung z m = 1 (1.44 besitzt für m = 1, 2, 3, 4,... und z C die m verschiedenen Lösungen z k = e i k 2π m, (1.45 k = 1, 2, 3, 4,..., m. Diese Zahlen liegen in der komplexen Zahlenebene auf dem Einheitskreis und bilden ein reguläres m-eck. Zum Beispiel haben wir für m = 5 (siehe Abb. 1.3 z 1 = e i 2π 5, z 2 = e i 4π 5, z 3 = e i 6π 5 = e i 4π 5 = z 2, z 4 = e i 8π 5 = e i 2π 5 = z 1, z 5 = e i 10π 5 = e i 2 π = 1. (1.46 sind Die Lösungen der Gleichung z 4 = 1 (1.47 z 1 = i z 2 = 1 z 3 = i z 4 = 1. (1.48 Wir definieren die Funktion f(ϕ = e i ϕ. (
11 Imaginärteil z 2 z 1 z 5 Realteil z 3 z 4 Abbildung 1.3: Die Lösungen z 1, z 2, z 3, z 4, z 5 (Gln. (1.46 der Gleichung z 5 = 1, dargestellt in der komplexen Zahlenebene. Die Lösungen liegen alle auf dem Einheitskreis. Wie berechnet man die Ableitung f (ϕ = df/dϕ? Es gilt ( e i ϕ = (cos ϕ + i sin ϕ = sin ϕ + i cos ϕ = i (cos ϕ 1i sin ϕ ( = i cos ϕ i i sin ϕ = i (cos ϕ + i sin ϕ = i e i ϕ. ( Später in der Vorlesung werden wir Differentialgleichungen behandeln, wie zum Beispiel y + y = 0. (1.51 Hier ist y(x eine Funktion von x und y = d 2 y/dx 2. Also erfüllt die Funktion die Gleichung d 2 y = y. (1.52 dx2 Wir können einfach nachprüfen, daß eine Lösung ist, wobei A und B Konstanten sind. y(x = A e i x + B e i x (
12 2 Grundlagen der linearen Algebra 2.1 Problemstellungen Als erstes Beispiel betrachten wir zwei Geraden in der (x, y-ebene: oder y = 2x + 1 y = 3x + 4 (2.1 2x y = 1 (2.2 3x + y = 4. (2.3 Im Schnittpunkt der beiden Geraden sind die beiden Gleichungen (2.2 und (2.3 erfüllt. Wir suchen also ein Zahlenpaar (x, y, daß eine Lösung beider Gleichungen ist. Allgemein können wir solche Gleichungen als ax + by = c (2.4 dx + ey = f (2.5 ausdrücken. Es kann sein, daß die beiden Geraden sich in einem Punkt schneiden. Dann haben die Gleichungen genau eine Lösung (x, y. Die beiden Geraden können aber auch parallel sein, dann existieren keine Lösungen. Schließlich können die beiden Geraden zusammenfallen und es gibt unendlich viele Lösungen. Wie bestimmen wir im Allgemeinen die Lösungen solcher linearen Gleichungssysteme? Wir schreiben sie als ( a b d e wobei die Konstruktionen ( a b d e, ( x y ( x y = und ( c f, (2.6 ( c f (2.7 Matrizen genannt werden. Die Eigenschaften der beiden Matrizen ( ( a b c und d e f (2.8 entscheiden die Lösungsstruktur. Als zweites Beispiel betrachten wir eine Koordinatentransformation. Wir haben zwei Koordinatensysteme xy und x y, wobei die Achsen x und x einen Winkel von α bilden. Ein gegebener Punkt P hat die Koordinaten (x P, y P im xy-system 12
13 y y y P P α y P x P x Q α S O α x P x Abbildung 2.1: Die Koordinatentransformation. und die Koordinaten (x P, y P im x y -System. Abbildung 2.1 zeigt das Prinzip der Koordinatentransformation. Es gilt OQ = x P cos α. (2.9 Wir erhalten x P, indem wir OQ zum Abstand zwischen Q und dem Punkt, wo P S die x -Achse schneidet, addieren. Der letztere Abstand ist y P sin α. Damit gilt Ferner gilt x P = x P cos α + y P sin α. (2.10 P S = y P cos α. (2.11 Wir erhalten y P, indem wir von P S den Abstand zwischen S und dem Punkt, wo P S die x -Achse schneidet, subtrahieren. Der letztere Abstand ist x P sin α. Damit gilt y P = y P cos α x P sin α. (2.12 Die beiden Gleichungen (2.10 und (2.12 können auch als eine Matrixgleichung ausgedruckt werden, als ( ( ( x P cos α sin α xp y P =. (2.13 sin α cos α y P 13
14 2.2 Matrizen Definition und Begriffe Ein Rechteckschema mathematischer Größen (z. B. Zahlen, Funktionen oder Operatoren aus n Zeilen und m Spalten nennt man eine Matrix der Dimension n m. Die n m Einträge auf den einzelnen Plätzen dieses Schemas heißen Matrixelemente. Ein Beispiel für eine Matrix der Dimension n m ist A = a 11 a 12 a a 1m a 21 a 22 a a 2m..... a n1 a n2 a n3... a nm. (2.14 Das Element a ij steht in der i ten Zeile (i ist das Zeilenindex und der j ten Spalte (j ist das Spaltenindex. Die Elemente a ii heißen Diagonalelemente, die Elemente a ij mit i j heißen Außerdiagonalelemente. A ist eine reelle Matrix, wenn alle a ij R sind. A ist eine quadratische Matrix der Dimension n, wenn n = m ist, das heißt, wenn Zeilenzahl und Spaltenzahl übereinstimmen. A ist eine Nullmatrix, wenn alle a ij = 0 sind. Die quadratische Matrix A ist symmetrisch, wenn gilt a ij = a ji. Ein Beispiel für eine symmetrische Matrix ist ( Die quadratische Matrix A ist antisymmetrisch (oder schiefsymmetrisch, wenn gilt a ij = a ji. Ein Beispiel für eine antisymmetrische Matrix ist ( Die quadratische Matrix A ist eine obere Dreiecksmatrix, wenn gilt a ij = 0 für i > j. Ein Beispiel für eine obere Dreiecksmatrix ist ( Die quadratische Matrix A ist eine untere Dreiecksmatrix, wenn gilt a ij = 0 für i < j. Ein Beispiel für eine untere Dreiecksmatrix ist (
15 Die quadratische Matrix A ist eine Diagonalmatrix, wenn gilt a ij = 0 für i j. Ein Beispiel für eine Diagonalmatrix ist ( Die quadratische Matrix A ist eine Einheitsmatrix, wenn gilt a ij Kroneckerdelta ist definiert als { 1 wenn i = j und δ ij = 0 wenn i j ist. = δ ij. Das (2.20 Ein Beispiel für eine Einheitsmatrix ist ( Eine Matrix der Dimension n 1 entspricht einen Spaltenvektor mit n Komponenten. Eine Matrix der Dimension 1 n entspricht einen Zeilenvektor mit n Komponenten. 2.3 Rechnen mit Matrizen Mit A bezeichnen wir eine Matrix der Dimension n A m A mit Elementen a ij R und mit B bezeichnen wir eine Matrix der Dimension n B m B mit Elementen b ij R. Die beiden Matrizen A und B sind gleich, wenn 1. n A = n B und 2. m A = m B und 3. a ij = b ij für alle i = 1, 2, 3,..., n A und j = 1, 2, 3,..., m A. In diesem Fall schreiben wir A = B (2.22 Zwei Matrizen A und B können addiert werden, wenn n A = n B und m A = m B sind. Wir schreiben C = A + B. (2.23 Das heißt, wir bezeichnen die Summe von A und B als C. C ist eine Matrix der Dimension n A m A (oder n B m B mit den Elementen c ij = a ij + b ij. (
16 Es gilt A + B = B + A (2.25 und (A + B + D = A + (B + D. (2.26 Ist 0 eine Nullmatrix der Dimension n A m A, so gilt A + 0 = 0 + A = A. (2.27 Mit à bezeichen wir die Matrix a 11 a 12 a a 1m a 21 a 22 a a 2m à =..... a n1 a n2 a n3... a nm. (2.28 Es gilt A + à = à + A = 0. (2.29 Die Multiplikation einer Matrix A der Dimension n A m A mit einem Skalar λ R ergibt eine Matrix D = λ A (2.30 der Dimension n A m A ; diese Matrix hat die Elemente d ij = λ a ij. (2.31 Zum Beispiel gilt 3 ( = ( (2.32 Die Matrix à in Gln. (2.28 können wir als à = ( 1 A = A (2.33 schreiben. Zwei Matrizen A und B können multipliziert werden (das heißt, wir können die Produktmatrix A B bilden, wenn gilt m A = n B. In diesem Falle ist A B eine Matrix der Dimension n A m B. Für C = A B (2.34 gilt m A c ij = a ik b kj (2.35 k=1 16
17 mit i = 1, 2, 3,..., n A und j = 1, 2, 3,..., m B. Wie betrachten als Beispiel die Matrizen 1 2 ( A = und B = (2.36 Hier gilt n A m A = 3 2 und n B m B = 2 2. Damit ist m A = n B und die Matrix C = A B der Dimension n A m B = 3 2 existiert. Ihre Elemente sind und damit haben wir c 11 = a 11 b 11 + a 12 b 21 = ( 1 = 3 c 12 = a 11 b 12 + a 12 b 22 = = 6 c 21 = a 21 b 11 + a 22 b 21 = ( 1 = 11 c 22 = a 21 b 12 + a 22 b 22 = = 12 c 31 = a 31 b 11 + a 32 b 21 = ( 1 = 19 c 32 = a 31 b 12 + a 32 b 22 = = 18 (2.37 C = (2.38 Als weiteres Beispiel bilden wir das Produkt aus den folgenden Matrizen: ( ( A = und B = ( Hier berechnen wir A B = ( und B A = ( (2.40 Das heißt, A B B A. (2.41 Matrixmultiplikation ist also nicht kommutativ! Für quadratische Matrizen A, B und C derselben Dimension sind das Assoziativgesetz A (B C = (A B C (2.42 und das Distributivgesetz erfüllt. A (B + C = A B + A C (
18 Ist A eine Matrix der Dimension n A m A und E eine Einheitsmatrix der Dimension n A n A, so gilt E A = A. (2.44 Zum Beispiel ist = Ist E eine Einheitsmatrix der Dimension m A m A, so gilt Beispielsweise ist (2.45 A E = A. (2.46 ( = Gilt m A = n A, so daß A und E beide quadratisch sind, haben wir Ein Vektor lässt sich als Zeilenmatrix. (2.47 A E = E A = A. (2.48 a = a = (a 1 a 2 a 3... a n (2.49 oder als Spaltenmatrix b = b = b 1 b 2 b 3. b n (2.50 schreiben. Das Skalarprodukt a b lässt sich dann als Matrixprodukt ausdrücken b 1 b 2 a b = (a 1 a 2 a 3... a n b 3 n = a i b i. (2.51. b n 18
19 2.4 Quadratische Matrizen Die Dimension Die Dimension einer quadratischen Matrix A entspricht der Anzahl der Zeilen (die wiederum der Anzahl der Spalten gleicht: Die Matrix hat die Dimension Dim (A = 3. Die Spur Dim (A = n. (2.52 A = (2.53 Die Spur (Englisch: Trace einer quadratischen Matrix der Dimension n ist die Summe der Diagonalelemente n Spur(A = a ii. (2.54 Die Matrix A in Gln. (2.53 hat die Spur = 15. Die Determinante Einer quadratischen Matrix A A = a 11 a 12 a a 1n a 21 a 22 a a 2n..... a n1 a n2 a n3... a nn (2.55 aus n Zeilen und n Spalten kann man immer eine sogenannte Determinante n-ter Ordnung zuordnen. Man versteht darunter den mathematischen Ausdruck, der aus den Elementen der Matrix in folgender Weise gebildet wird: Man wählt zunächst aus jeder Zeile und aus jeder Spalte der Matrix jeweils genau ein Element, ordnet diese Elemente nach den Zeilen und bildet ihr Produkt: a 1j1 a 2j2... a njn. Die Größen j 1 j 2... j n sind die jeweiligen Spaltenindizes. Da aus jeder Spalte genau ein Element gewählt wurde, bilden die Spaltenindizes j 1 j 2... j n eine Permutation 19
20 der Zahlen 1 bis n. Wenn es sich um eine gerade Permution handelt (das heißt, wenn man eine gerade Anzahl von Vertauschungen von je zwei Elementen braucht, um diese Permutation aus den Zahlen 1, 2,..., n, das heißt, aus der Referenzpermutation, herzustellen, so fügen wir dem Produkt das positive Vorzeichen bei. Bei einer ungeraden Permutation (das heißt, wenn man eine ungerade Anzahl von Vertauschungen von je zwei Elementen braucht, um diese Permutation aus den Zahlen 1, 2,..., n herzustellen das negative Vorzeichen. Das kann man dadurch zum Ausdruck bringen, daß man vor das Produkt den Faktor ( 1 t(j 1j 2...j n setzt, wobei t(j 1 j 2... j n die Zahl der Vertauschungen von je zwei Elementen angibt, die von der Zahlenfolge 1, 2,..., n zur Folge j 1 j 2... j n führt. Eine Vertauschung von zwei Elementen wird auch eine Transposition genannt. Anschließend bilden wir die Summe über Produkte für alle n! Permutationen der Spaltenindizes, was wir durch ein Summenzeichen ohne Angabe der Grenzen angeben wollen ( 1 t(j 1 j 2...j n a 1j1 a 2j2... a njn. Die so erhaltene Summe stellt die gesuchte Determinante D dar. Sie wird oft durch das Symbol A oder auch durch das gesamte Koffizientenschema, das zwischen zwei senkrechten Linien geschrieben wird, bezeichnet. Es gilt somit D = A = a 11 a a 1n a 21 a a 2n.... a n1 a n2... a nn = ( 1 t(j 1j 2...j n a 1j1 a 2j2... a njn. (2.56 Andere gebräuchliche Symbole für die Determinante einer Matrix A sind Beispiele D = det(a = det(a ij = a ij. (2.57 a Die Determinante einer Matrix der Dimension 1, also A = (a 11 lautet det(a = a 11. b Wir berechnen die zur Matrix ( a11 a A = 12 a 21 a 22 (2.58 gehörende Determinante 2-ter Ordnung. Sie ist definiert mit Gln. (2.56 nach D = ( 1 t(12 a 11 a 22 + ( 1 t(21 a 12 a 21, (
21 da die Spaltenindices 1 und 2 sich als 12 oder 21 permutieren lassen. Wir brauchen keine Transpositionen, um aus 12 die Permutation 12 herzustellen. Damit ist t(12 = 0. Wir brauchen eine Transposition, um aus 12 die Permutation 21 herzustellen: t(21 = 1. Folglich gilt D = ( 1 0 a 11 a 22 + ( 1 1 a 12 a 21 = a 11 a 22 a 12 a 21. (2.60 c Die 3! = 6 möglichen Permutationen der drei Zahlen 1, 2, 3 sind 123, 132, 231, 213, 312 und 321. Damit ist die Determinante 3-ter Ordnung a 11 a 12 a 13 D = a 21 a 22 a 23 (2.61 a 31 a 32 a 33 als D = ( 1 t(123 a 11 a 22 a 33 + ( 1 t(132 a 11 a 23 a 32 + ( 1 t(231 a 12 a 23 a 31 + ( 1 t(213 a 12 a 21 a 33 + ( 1 t(312 a 13 a 21 a 32 + ( 1 t(321 a 13 a 22 a 31 (2.62 definiert. In Tabelle 2.1 zählen wir für jede mögliche Permutation j 1 j 2 j 3 die Transpositionen, die erforderlich sind, um die fragliche Permutation aus den Zahlen 123 herzustellen, und bestimmen damit t(j 1 j 2 j 3. Wir erhalten D = ( 1 0 a 11 a 22 a 33 + ( 1 1 a 11 a 23 a 32 + ( 1 2 a 12 a 23 a 31 + ( 1 1 a 12 a 21 a 33 + ( 1 2 a 13 a 21 a 32 + ( 1 1 a 13 a 22 a 31 = a 11 a 22 a 33 a 11 a 23 a 32 + a 12 a 23 a 31 a 12 a 21 a 33 + a 13 a 21 a 32 a 13 a 22 a 31. (2.63 Die Unterdeterminante Als Unterdeterminante D ij (n 1-ter Ordnung bezeichnet man die aus einer Determinante D n-ter Ordnung durch Entfernung der i-ten Zeile und j-ten Spalte hervorgehende Determinante. Haben wir zum Beispiel D = A = a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 (
22 Tabelle 2.1: Die Berechnung einer Determinante 3-ter Ordnung j 1 j 2 j 3 Transpositionen t(j 1 j 2 j so erhalten wir die Unterdeterminanten durch Streichen der 1. Zeile und 1. Spalte, bzw. 1. Zeile und 2. Spalte D 11 = a 22 a 23 a 32 a 33, D 12 = a 21 a 23 a 31 a 33, (2.65 und so weiter. Der Entwicklungsgesetz von Laplace Jede Determinante läßt sich in der Form n D = a ij ( 1 i+j D ij (2.66 j=1 nach den Elementen der i-ten Zeile entwickeln. Analogerweise kann nach den Elementen der k-ten Spalte entwickelt werden: D = n a ik ( 1 i+k D ik (2.67 Die Wahl der Zeile oder Spalte ist beliebig. Es ist natürlich vorteilhaft, eine Zeile oder Spalte zu wählen, die viele Nullelemente enthält. Zum Beispiel sollte die Determinante D = (
23 nach der ersten Spalte oder nach der zweiten Zeile entwickelt werden. Entwicklung nach der ersten Spalte ergibt D = 1 ( ( ( = 1 (1 1 ( (4 3 1 ( 2 = 72. (2.69 Entwicklung nach der zweiten Zeile ergibt D = 1 ( ( = 1 (1 1 4 ( 2 3 (1 ( = 72. (2.70 Determinanten höherer Ordnung können durch Mehrfachanwendung des Entwicklungssatzes immer in eine Summe von Unterdeterminanten 2-ter Ordnung entwickelt werden. Das Produkt A ij = ( 1 i+j D ij (2.71 heißt das algebraische Komplement zum Matrixelement a ij. Die Eigenschaften der Determinante n-ter Ordnung (a Vertauschen wir zwei Zeilen (oder zwei Spalten einer Determinante, so wechselt sie ihr Vorzeichen. Beispiel: = 17 (2.72 aber = = 17. (2.73 (b Enthält eine Determinante eine Nullzeile (oder eine Nullspalte, so ist ihr Wert Null. Beispiel: = = 0. ( Der Beweis für diesen Satz kann über die Laplace sche Entwicklung nach den Elementen der Nullzeile (oder Nullspalte geführt werden. 23
24 (c Der Wert einer Determinante ändert sich nicht, wenn wir zu einer Zeile ein Vielfaches einer anderen Zeile addieren, oder wenn wir zu einer Spalte ein Vielfaches einer anderen Spalte addieren. Beispiele: = = = = 17. (2.75 (d Enthält eine Determinante zwei gleiche Zeilen (oder zwei gleiche Spalten, so ist ihr Wert Null. Beispiel: = = 0. ( (e Ist in einer Determinante eine Zeile als Linearkombination anderer Zeilen darstellbar, so ist der Wert der Determinante Null. Ist eine Spalte als Linearkombination anderer Spalten darstellbar, so ist der Wert der Determinante Null. Beispiel: = = 0. (2.77 (f Eine Determinante wird mit einer Zahl λ multipliziert, indem wir alle Elemente einer beliebigen Zeile oder Spalte mit λ multiplizieren. Beispiel: = = = = = 6. (2.78 (g Die Determinante einer Dreiecksmatrix (oder eine Diagonalmatrix ist gleich dem Produkt der Diagonalelemente mit A = a 11 a 22 a a nn = n a ii. (2.79 Durch Anwendung der Regel (c können wir beliebige Determinanten in Determinanten einer Dreiecksmatrix umwandeln. In Gln. (2.68-(2.70 berechneten wir durch Entwicklung nach Laplace D = = 72. (
25 Addieren wir das 4-fache der ersten Zeile zur dritten Zeile, so erhalten wir nach Regel (c: D = (2.81 In dieser neuen Determinante multiplizieren wir die zweite Zeile mit 21 und addieren das Ergebnis zur dritten Zeile: D = (2.82 Die Größe D kann jetzt als die Determinante einer Dreiecksmatrix berechnet werden und hat den Wert D = = 72. (2.83 (h Die Determinante eines Produktes zweier quadratischen Matrizen A und B ist gleich dem Produkt der Determinanten der Einzelmatrizen: (i Die Einheitsmatrix E hat die Determinante det (A B = det (A det (B. (2.84 det (E = 1. (2.85 (j Die Transformationsmatrix ( cos α sin α sin α cos α (2.86 besitzt die Determinante cos α sin α Rang sin α cos α = cos2 α + sin 2 α = 1. (2.87 Der Rang einer Matrix A, Rang (A, ist gleich der Ordnung der größten darin enthaltenen und von Null verschiedenen Determinante. Gleichzeitig ist der Rang gleich der Maximalzahl linear unabhängiger Zeilen oder Spalten. Der Rang ist sowohl für quadratische als auch für nicht-quadratische Matrizen definiert. 25
26 Für eine quadratische Matrix A der Dimension n n gilt offensichtlich Rang (A Dim (A = n. (2.88 Für eine nicht-quadratische Matrix A der Dimension n A m A gilt Rang (A min (n A, m A (2.89 wobei min (n A, m A gleich der kleinsten der beiden Zahlen n A und m A ist. Der Rang einer Matrix bleibt unverändert, wenn wir zwei Zeilen (oder Spalten vertauschen. zu einer Zeile ein Vielfaches einer anderen Zeile addieren, oder zu einer Spalte ein Vielfaches einer anderen Spalte addieren. Betrachten wir zum Beispiel eine quadratische Matrix A der Dimension 4 4. Ist det(a 0, so haben wir Rang (A = 4. Ist dagegen det(a = 0, müssen wir Unterdeterminanten 3-ter Ordnung untersuchen. Finden wir eine solche Unterdeterminante, die ungleich Null ist, gilt Rang (A = 3. Sind die Unterdeterminanten 3-ter Ordnung alle Null, müssen wir die Unterdeterminanten 2-ter Ordnung berechnen. Finden wir eine solche Unterdeterminante, die ungleich Null ist, gilt Rang (A = 2. Sind diese Unterdeterminanten auch alle Null, hat die Matrix, insofern sie nicht die Nullmatrix ist, den Rang 1. Die Nullmatrix hat den Rang 0. Eine Dreiecksmatrix (oder Diagonalmatrix A der Dimension n n, für die alle Diagonalelemente a ii 0 sind, ist die Determinante mit n a ii 0 und die Matrix besitzt damit den Rang n. Die Determinante der Matrix A = (2.90 berechnet sich nach A = 1 ( ( = 1 ( ( 1 ( 7 = 0, (2.91 wenn wir nach der ersten Zeile entwickeln. Also ist Rang (A < 3. Die obere rechte Unterdeterminante = 14 (
27 ist aber ungleich Null, und damit ist Rang (A = 2. Die Determinante A = = 0 (2.93 verschwindet. Mann kann einfach nachprüfen, daß alle neun Unterdeterminanten 2-ter Ordnung, zum Beispiel = 0, (2.94 auch gleich Null sind. Alle Unterdeterminanten erster Ordnung sind aber ungleich Null. Also ist Rang (A = 1. Multiplizieren wir in der Matrix A die erste Zeile mit 2, erhalten wir die zweite Zeile. Multiplikation der ersten Zeile mit 3 erzeugt die dritte Zeile, und durch Multiplikation der ersten Spalte mit 2 und 3 erzeugt man die zweite bzw. dritte Spalte. In der Matrix A ist die Maximalzahl linear unabhängiger Zeilen oder Spalten also gleich 1. In dieser Weise können wir auch erkennen, daß Rang (A = 1 ist. 2.5 Weitere Begriffe Transposition Unter der transponierten Matrix A T einer Matrix A der Dimension n A m A verstehen wir eine Matrix der Dimension m A n A mit den Elementen (a T ij = a ji. (2.95 Eine quadratische Matrix (m A = n A wird bei der Transposition an der Hauptdiagonalen gespiegelt; nur die Diagonalelemente a ii bleiben auf ihren Plätzen. Zum Beispiel erhalten wir aus A = (2.96 die transponierte Matrix A T = (
28 Die Transposition eines Spaltenvektors a = a 1 a 2 a 3. a n (2.98 ergibt einen Zeilenvektor a T = (a 1 a 2 a 3... a n. (2.99 Die Transposition eines Zeilenvektors ergibt analogerweise einen Spaltenvektor. Es gelten Für eine quadratische Matrix gilt Gilt (A T T = A (2.100 (A + B T = A T + B T (2.101 (A B T = B T A T. (2.102 det(a T = det(a. (2.103 A T = A (2.104 sprechen wir von einer symmetrischen Matrix A. Für eine Matrix A mit komplexen Elementen definieren wir die adjungierte Matrix A mit den Elementen (a ij = a ji. (2.105 Das heißt Erfüllt A die Gleichung heißt sie selbstadjungiert oder hermitesch. Die Matrix ( 1 + 2i 3 + 4i A = 5 + 6i 7 + 8i hat die adjungierte Matrix A = (A T = ( A T. (2.106 A = A = A (2.107 ( 1 2i 5 6i 3 4i 7 8i 28 ( (2.109
29 Die Matrix A = ( i 3 4i 7 (2.110 ist hermitesch. Alle symmetrischen Matrizen mit reellen Elementen sind hermitesch (warum?. Inverse Matrizen A ist eine Matrix der Dimension n A m A. Die Matrix B der Dimension m A n A heißt linksinvers zu A wenn gilt B A = E, (2.111 wobei E eine Einheitsmatrix der Dimension m A m A ist. Die Matrix B heißt rechtsinvers zu A wenn gilt A B = E, (2.112 wobei E eine Einheitsmatrix der Dimension n A n A ist. Eine quadratische Matrix A der Dimension n n heißt regulär (oder nichtsingulär, wenn es eine Matrix A 1 gibt, die sowohl linksinvers als auch rechtsinvers zu A ist. A 1 heißt die Inverse zu A: A A 1 = A 1 A = E. (2.113 Eine quadratische Matrix A, die keine Inverse besitzt, heißt singulär. Nicht-quadratische Matrizen sind immer singulär. Es gilt (Gln. (2.84 und (2.113 Ferner ist nach Gln. (2.79 und damit det (A det ( A 1 = det (E. (2.114 det (E = 1 (2.115 det ( A 1 = 1 det (A. (2.116 Hieraus folgt, daß A 1 nur dann existiert, wenn det (A 0 ist. Für eine quadratische Matrix A mit det (A 0 können wir die Elemente der inversen Matrix durch die algebraischen Komplemente (Gln. (2.71 ausdrücken. Es gilt A 1 = 1 det (A A 11 A 21 A A n1 A 12 A 22 A A n A 1n A 2n A 3n... A nn 29. (2.117
30 Hierbei ist auf die transponierte Indizierung zu achten. Berechnen wir mit dieser Definition ein Diagonalelement (AA 1 ii der Matrix (AA 1, erhalten wir ( AA 1 ii = 1 det (A n a ij A ij = 1, (2.118 j=1 wobei wir Gln. (2.66 und (2.71 benutzt haben. Ein Außerdiagonalelement dieser Matrix (AA 1 ik mit k i ist gegeben durch ( AA 1 ik = 1 det (A n a ij A kj. (2.119 j=1 Nach Gln. (2.66 und (2.71 ist (AA 1 ik die Determinante einer Matrix, die aus der Matrix A dadurch hervorgegangen ist, daß wir die k-te Zeile durch die i-te Zeile ersetzt haben, ohne dabei die i-te Zeile zu verändern. Die resultierende Matrix hat zwei gleiche Zeilen und ihre Determinante verschwindet. Das heißt ( AA 1 = 0. (2.120 ik Wir haben jetzt gezeigt, daß ist. Mittels analoger Argumente können wir zeigen, daß ergibt. Die Inverse der Matrix mit der Determinante berechnet sich nach Gln. (2.117 zu A 1 = Einige Rechenregeln: AA 1 = E (2.121 A 1 A = E (2.122 ( a11 a A = 12 a 21 a 22 (2.123 D = a 11 a 22 a 12 a 21 0 ( a 11 a 22 a 12 a 21 det ( A 1 = ( a22 a 12 a 21 a 11. ( det (A. (
31 (A B 1 = B 1 A 1. (2.127 ( A T 1 = ( A 1 T. (2.128 wobei E eine Einheitsmatrix ist. E 1 = E, (2.129 Unitäre und orthogonale Matrizen Eine quadratische Matrix heißt dann unitär, wenn gilt. Für die Spalten einer unitären Matrix gilt A 1 = A = (A T. (2.130 n a ki a kj = δ ij. (2.131 k=1 Hat die unitäre Matrix nur reelle Elemente, nennt man sie eine reelle orthogonale Matrix. Für eine reelle orthogonale Matrix gilt A 1 = A T. (2.132 Die Spalten einer orthogonalen Matrix sind orthogonal zueineinander. Daher gilt Entsprechend gilt für die Zeilen n a ki a kj = δ ij (2.133 k=1 n a ik a jk = δ ij. (2.134 k=1 Da für eine orthogonale Matrix A 1 = A T ist, haben wir wobei E eine Einheitsmatrix ist. Das heißt A T A = E, (2.135 det ( A T A = det (E = 1, (
32 Die Gleichungen (2.84 und (2.103 ergeben und wir folgern, daß det ( A T det (A = [det (A] 2 = 1 (2.137 det (A = ±1 (2.138 ist. Die Determinante einer orthogonalen Matrix ist also +1 oder 1. Beispiele für orthogonale Matrizen sind die Transformationsmatrizen aus Gleichung. (2.13: ( cos α sin α A =. (2.139 sin α cos α Für diese Matrizen erhalten wir ( ( cos α sin α cos α sin α A T A = = sin α cos α sin α cos α ( , (2.140 und ( cos α sin α A A T = sin α cos α ( cos α sin α sin α cos α = ( (2.141 Folglich ist Gln. (2.132 erfüllt. Ähnlichkeitstransformation Zwischen den beiden n-komponentigen Vektoren x 1 x 2 x = x 3 und y =. x n y 1 y 2 y 3. y n (2.142 besteht der Zusammenhang y = A x, (2.143 wobei A eine quadratische Matrix der Dimension n n ist. Wir unterwerfen jetzt beide Vektoren x und y einer Transformation: X = S x, und Y = S y (2.144 wobei S eine quadratische Transformationsmatrix der Dimension n n ist. 32
33 Wie sieht nun der Zusammenhang zwischen X und Y aus? Gleichung (2.144 liefert x = S 1 X und y = S 1 Y. (2.145 Eingesetzt in Gln. (2.143 ergibt S 1 Y = A S 1 X, (2.146 und damit Y = S A S 1 X. (2.147 Der Zusammenhang zwischen X und Y besteht also in wobei die neue Transformationsmatrix durch Y = A X, (2.148 A = S A S 1 (2.149 gegeben ist. Wir sagen, daß wir die Matrix A durch eine Ähnlichkeitstransformation Zwischen den beiden n-komponentigen Vektoren der Matrix A erhalten haben. Es gilt: det (A = det ( S A S 1 = det (S det (A det ( S 1 = det (S det ( S 1 det (A (2.150 Da wir mit S S 1 = E (2.151 eine Einheitsmatrix der Dimension n n erhalten, gilt det ( S S 1 = det (S det ( S 1 = det (E = 1. (2.152 Setzen wir dieses Ergebnis in Gln. (2.150 ein, so können wir schreiben det (A = det ( S A S 1 = det (A (2.153 Ferner gilt: Spur (A = Spur ( S A S 1 = Spur (A (2.154 Diese Behauptung können wir wie folgt beweisen: Wir bezeichnen allgemein das Element in der i-ten Zeile und j-ten Spalte einer Matrix X (wobei im vorliegenden 33
34 Fall X = A, A, S, S 1,... ist als (X ij. In dieser Notation haben wir Spur ( S A S 1 = = = = n ( S A S 1 ii n n n n ( (S A ij S 1 ji j=1 j=1 k=1 n n ( (S ik (A kj S 1 ji [ n n ( (A ] kj S 1 (S ji ik j=1 k=1 (2.155 Nach den Regeln der Matrixmultiplikation ist aber n ( S 1 (S ji ik = ( S 1 S = (E jk jk = δ jk, (2.156 wobei wir benutzt haben, daß S 1 S = E (2.157 ist. Damit erhalten wir Spur ( S A S 1 n n n = (A kj δ jk = (A jj = Spur (A. (2.158 j=1 k=1 j=1 Betrachten wir als Beispiel für Gln. (2.143 ( ( ( y1 1 0 x1 = 0 3 y 2 x 2 ; (2.159 der Vektor y entsteht hier durch eine Streckung um einen Faktor 3 entlang der x 2 -Richtung. Transformieren wir jetzt das Koordinatensystem, in dem die Vektoren x und y ausgedrückt werden, mit der Transformationsmatrix S = ( cos π 2 sin π 2 sin π 2 cos π 2 = ( (2.160 Diese Matrix beschreibt eine Drehung des Koordinatensystems um 90 (Gln. (2.13. Da S orthogonal ist, gilt ( 0 1 S 1 = S T =. (
35 Wir berechnen daher nach Gln. (2.149 ( ( ( A = S A S 1 = ( ( ( = =. ( Im vorliegenden Fall wird also Gln. (2.148 ( ( ( Y1 3 0 X1 = 0 1 Y 2 X 2 ; (2.163 Der Vektor y entstand durch eine Streckung des Vektors x um einen Faktor 3 entlang der x 2 -Richtung. Nachdem wir das Koordinatensystem um 90 gedreht haben, liegt die neue X 1 -Achse dort, wo die alte x 2 -Achse früher lag und die neue X 2 -Achse liegt dort, wo die alte x 1 -Achse früher lag. Folglich entsteht im neuen Koordinatensystem der Vektor Y durch eine Streckung des Vektors X um einen Faktor 3 entlang der X 1 -Richtung. Prüfen Sie nach, daß die Matrizen A und A des obigen Beispiels die Gleichungen (2.153 und (2.154 erfüllen. 2.6 Lineare Gleichungssysteme Am Anfang dieses Kapitels diskutierten wir die zwei Gleichungen (2.2 und (2.3 2x y = 1 ( x + y = 4, (2.165 mit den beiden Unbekannten x und y. Diese Gleichungen lassen sich in Matrixform schreiben: ( ( ( 2 1 x 1 = ( y 4 Wir möchten jetzt solche Gleichungssysteme analysieren und betrachten n lineare Gleichungen mit den n Unbekannten x 1, x 2, x 3,..., x n : a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2 a n1 x 1 + a n2 x a nn x n = b n. (2.167 Andere Schreibweisen für das Gleichungssystem sind n a ik x k = b i, i = 1, 2, 3,..., n, (2.168 k=1 35.
36 oder wobei A = a 11 a 12 a a 1n a 21 a 22 a a 2n a 31 a 32 a a 3n..... a n1 a n2 a n3... a nn A x = b, (2.169, x = x 1 x 2 x 3. x n und b = b 1 b 2 b 3. b n (2.170 ist. Falls b 1 = b 2 = b 3 =... = 0 ist, sprechen wir von einem homogenen, ansonsten von einem inhomogenen Gleichungssystem. Die Eigenschaften linearer Gleichungssysteme (a Das lineare Gleichungssystem A x = b ist dann und nur dann lösbar, wenn der Rang der Koeffizientenmatrix A gleich dem Rang der erweiterten Koeffizientenmatrix a 11 a 12 a a 1n b 1 a 21 a 22 a a 2n b 2 Ab = a 31 a 32 a a 3n b 3 ( a n1 a n2 a n3... a nn b n der Dimension n (n + 1 ist: Rang (A = Rang (A b. (2.172 (b Ein homogenes lineares Gleichungssystem A x = 0 (wobei 0 der Nullvektor ist ist somit immer lösbar; es hat die triviale Lösung x = 0. (c Die Lösungsmannigfaltigkeit eines lösbaren Systems ergibt sich aus K = Dim (A Rang (A = n Rang (A (2.173 wie folgt ( x 0, x 1 und x 2 sind n-komponenten-vektoren: K = 0: Es gibt genau eine Lösung x = x 0, K = 1: Die Lösungen bilden eine einfach unendliche Menge von Vektoren x = x 0 + λ x 1, wobei λ R willkürlich ist, 36
37 K = 2: Die Lösungen bilden eine zweifach unendliche Menge von Vektoren x = x 0 + λ 1 x 1 + λ 2 x 2, wobei λ 1, λ 2 R willkürlich sind, und so weiter. (d Ein homogenes lineares Gleichungssystem A x = 0 hat demnach außer der trivialen Lösung x = 0 noch weitere Lösungen, wenn det(a = 0 ist. In diesem Fall ist nämlich Rang (A < n und damit K > 0. Das Gleichungssystem hat die Koeffizientenmatrix A = x 1 x 2 x = ( (2.175 Wir entwickeln det(a nach der ersten Spalte und erhalten det(a = = 7 6 = 13. (2.176 Das Gleichungssystem hat also nur die triviale Lösung x = 0. Wir können dieses nachprüfen, indem wir das Gleichungssystem wie folgt aufschreiben: x x 3 = 0 ( x 2 + x 3 = 0 (2.178 x 1 2 x 2 3 x 3 = 0 (2.179 Wir subtrahieren Gln. (2.177 von Gln. (2.179 und erhalten damit ein äquivalentes Gleichungssystem x x 3 = 0 ( x 2 + x 3 = 0 ( x 2 5 x 3 = 0. (2.182 Multplikation der Gln. (2.181 mit 2/3 und Addition zu Gln. (2.182 ergeben x x 3 = 0 ( x 2 + x 3 = 0 ( x 3 = 0. (
38 Gleichung (2.185 hat die Lösung x 3 = 0 und Einsetzen in Gln. (2.183 und (2.184 liefert x 1 = x 2 = 0. Wir haben also bestätigt, daß das Gleichungssystem in Gln. (2.177-(2.179 nur die triviale Lösung x = 0 besitzt. Als weiteres Beispiel betrachten wir das Gleichungssystem x x 2 = 0 ( x 3 0 mit der Koeffizientenmatrix A = (2.187 Wir entwickeln det(a nach der dritten Zeile und erhalten det(a = = 2 ( = 0. (2.188 Damit ist auch Rang (A kleiner Dim (A. Wir finden eine Unterdeterminante zweiter Ordnung verschieden von Null, beispielsweise = 3 0, (2.189 so daß Rang (A = 2 ist. Also ist K = Dim (A Rang (A = 3 2 = 1, und die Lösungen des Gleichungssystems können als x = x 0 + λ x 1 aufgeschrieben werden. Wir können dieses Ergebnis bestätigen durch Umformung des Gleichungssystems. Wir fangen an mit 2 x 1 x x 3 = 0 (2.190 x 1 + x 2 2 x 3 = 0 ( x x 3 = 0. (2.192 Multiplikation der Gln. (2.191 mit 2 und Addition zu den Gleichungen (2.190 und (2.191 erzeugen das Gleichungssystem x 2 + x 3 = 0 (2.193 x 1 + x 2 2 x 3 = 0 ( x x 3 = 0. (
39 Wir multiplizieren Gln. (2.193 mit 2 und addieren das Ergebnis zu Gln. (2.195: x 2 + x 3 = 0 (2.196 x 1 + x 2 2 x 3 = 0 ( = 0. (2.198 Gleichung (2.198 ist trivialerweise erfüllt. Setzen wir x 3 = λ, so erhalten wir durch Einsetzen in Gln. (2.196 x 2 = λ und durch weiteres Einsetzen in Gln. (2.197 x 1 = 3 λ. Die Lösungen des Gleichungssystems lauten damit wie erwartet: x x 2 = λ 1 = 0 + λ 1 (2.199 x (e Die Lösungsmenge eines linearen Gleichungssystems ändert sich nicht bei sogenannten elementaren Zeilenoperationen. In einer elementaren Zeilenoperation wird eine der n Gleichungen, zum Beispiel die mit dem Index k, mit einer Zahl λ multpliziert, a k1 x 1 + a k2 x a kn x n = b k, (2.200 λ a k1 x 1 + λ a k2 x λ a kn x n = λ b k, (2.201 und das Ergebnis wird zu einer anderen Gleichung (zum Beispiel mit Index p addiert: (a p1 + λ a k1 x 1 + (a p2 + λ a k2 x (a pn + λ a kn x n = b p + λ b k (2.202 Unter Punkt (d haben wir bereits mehrere solcher Zeilenoperationen durchgeführt. (f Ist x 0 ein spezieller Lösungsvektor (eine sogenannte partikuläre Lösung des lösbaren inhomogenen Gleichungssystems A x = b, so erhält man alle Lösungen x dieses Systems, wenn wir zu x 0 die Lösungen des entsprechenden homogenen Systems A x h = 0 addieren: x = x 0 + x h (2.203 (g Das inhomogene lineare Gleichungssystem A x = b besitzt genau dann eine eindeutige Lösung, wenn det A 0 ist. In diesem Fall hat das entsprechende homogene Gleichungssystem A x = 0 die eindeutige Lösung x = 0. 39
40 Das Gleichungssystem x 1 x 2 x 3 = (2.204 hat die in Gln. (2.175 gegebene Koeffizientenmatrix A mit der Determinante det(a = 13. Wir schreiben das Gleichungssystem als x x 3 = 1 ( x 2 + x 3 = 0 (2.206 x 1 2 x 2 3 x 3 = 2 (2.207 schreiben. Wir subtrahieren Gln. (2.205 von Gln. (2.207 und erhalten damit das äquivalente Gleichungssystem x x 3 = 1 ( x 2 + x 3 = 0 ( x 2 5 x 3 = 1. (2.210 Multplikation der Gln. (2.209 mit 2/3 und Addition zu Gln. (2.210 ergeben x x 3 = 1 ( x 2 + x 3 = 0 ( x 3 = 1. (2.213 Gleichung (2.213 hat die Lösung x 3 = 3/13. Einsetzen in Gln. (2.212 liefert nun x 2 = 1/13, und weiteres Einsetzen in Gln. (2.211 ergibt x 1 = 19/13. Die Lösung des Gleichungssystems ist damit x 1 x 2 x 3 = (2.214 Als eine bequeme Kurzschreibweise für ein Gleichungssystem, zum Beispiel x x 2 = 5, ( x 3 2 genügt es, die erweiterte Koeffizientenmatrix nach Gln. (2.171, hier Ab = , (
41 aufzuschreiben. Wir können jetzt elementare Zeilenoperationen in dieser Matrix ausführen und erhalten zunächst , ( und dann (2.218 Die dritte Gleichung des transformierten Systems ist trivialerweise erfüllt. Die beiden verbleibenden Gleichungen sind x 1 + x 2 + x 3 = 4 (2.219 x 2 2 x 3 = 1. (2.220 Wählen wir hier x 3 = λ, so erhalten wir x 1 3 3λ x 2 x 3 = 1 + 2λ = λ λ (2.221 Das definierte Gleichungssystem Ab = , (2.222 hat dieselbe Koeffizientenmatrix wie das System in Gln. (2.216 aber einen anderen b-vektor. Die in Gln. (2.217 und (2.218 durchgeführten Zeilenoperationen ergeben in diesem Fall , ( bzw. x 1 + x 2 + x 3 = 0 (2.224 x 2 2 x 3 = 0. (2.225 Mit x 3 = λ ermitteln wir hier x 1 x 2 x 3 = λ (
42 Wir sehen, daß die in Gln. (2.221 vollständige Lösung des inhomogenen Gleichungssystems in Gln. (2.215 sich als eine Summe zweier Terme schreiben läßt. Der erste Term 3 x 0 = 1, ( ist eine partikuläre Lösung des inhomogenen Gleichungssystems, und der zweite Term 3 x h = λ 2. ( ist die vollständige Lösung des homogenen Gleichungssystems in Gln. ( Als Beispiel für ein drittes Gleichungssystem mit derselben Koeffizientenmatrix A betrachten wir Ab = , ( so lässt sich durch die Zeilenoperationen der Gln. (2.217 und (2.218 in ( umwandeln. Dieses Gleichungssystem ist nicht lösbar, da die dritte Gleichung einen Widerspruch beinhaltet. Die erweiterte Koeffizientenmatrix Ab in Gln. (2.229 hat den Rang 3, da die Unterdeterminante = 3 (2.231 ist. Die Koeffizientenmatrix A = (2.232 hat det (A = 0, aber Rang (A = 2, da die Unterdeterminante = 1 (2.233 ist. Damit haben wir Rang (A Rang (Ab, das heißt, ein nicht-lösbares Gleichungssystem. 42
43 Verallgemeinerung Haben wir allgemein m lineare Gleichungen mit n Unbekannten, müssen wir drei Fälle unterscheiden: m = n: Diesen Fall haben wir hier in allen Einzelheiten behandelt. m < n: Das Gleichungssystem ist unterbestimmt. Ist Rang (A Rang (Ab, so ist das System nicht lösbar. Für Rang (A = Rang (Ab gibt es unendlich viele Lösungen in der Form von Geraden, Ebenen etc. m > n: Das Gleichungssystem ist überbestimmt. Gibt es im System Gleichungen, die linear abhängig von anderen Gleichungen sind, können diese eliminiert werden und das System damit möglicherweise in ein (m = n- oder (m < n- Problem umgewandelt werden. Ansonsten ist keine exakte Lösung möglich. Man kann in diesem Fall durch Ausgleichsrechnung eine optimale Lösung (das heißt, eine Lösung, die die Gleichungen mit der kleinsten Abweichung erfüllt ermitteln. Berechnung der inversen Matrix In Gln. (2.117 haben wir bereits einen allgemeinen Ausdruck für die Elemente der inversen Matrix A 1 gegeben. Diese Elemente können jedoch auch durch Lösung von linearen Gleichungssystemen bestimmt werden. Ist A eine quadratische Matrix der Dimension n n und E eine Einheitsmatrix der Dimension n n, erfüllt die Matrix X = A 1 die Gleichung A X = E. (2.234 Für n = 2 können wir diese Gleichung als ( ( a11 a 12 x11 x 12 = a 21 a 22 x 21 x 22 ( (2.235 aufschreiben. Diese Gleichung läßt sich auch als zwei Gleichungssysteme schreiben, nämlich ( ( ( a11 a 12 x11 1 = (2.236 a 21 a 22 x 21 0 und ( a11 a 12 a 21 a 22 ( x12 x 22 = ( 0 1. (2.237 Im Allgemeinfall können wir offensichtlich Gln. (2.234 als n lineare Gleichungssysteme ausdrücken. Jedes Gleichungssystem liefert als Lösung eine Spalte der inversen Matrix A 1. Wir können damit alle Elemente der inversen Matrix durch Lösung der Gleichungssysteme erhalten. 43
44 Benutzen wir eine Notation analog zur erweiterten Koeffizientenmatrix in Gln. (2.171, so können wir die n Gleichungssysteme, die A 1 als Lösung liefern, als ( A E (2.238 aufschrieben. Für die zwei Gleichungssysteme in Gln (2.235 erhalten wir zum Beispiel die Kurzform ( a11 a (2.239 a 21 a Wir können jetzt elementare Zeilenoperationen in dieser Matrix ausführen und damit die zwei Gleichungssysteme in einem Aufwasch lösen. Können wir durch Zeilenoperationen die Matrix in ( 1 0 r s ( t u überführen, so haben wir die Gleichungssysteme in ( ( ( 1 0 x11 x 12 r s = 0 1 x 21 x 22 t u (2.241 umgewandelt. In diesem Fall gilt trivialerweise x 11 = r, x 12 = s, x 21 = t und x 22 = u, das heißt ( r s A 1 =. (2.242 t u Im Allgemeinfall zielen wir also darauf, die Matrix in Gln. (2.238 durch Zeilenoperationen auf die Form ( E B (2.243 zu bringen, da genau dann A 1 = B ist. Für ( 1 3 A = 2 1 liefert Gln. (2.238 ( Durch Zeilenoperationen erhalten wir zunächst ( ( (2.245 (2.246 und dann ( (
45 Also gilt A 1 = ( (2.248 Prüfen Sie nach, ob Gln. (2.125 dieselbe Matrix A 1 liefert. Für die Matrix A = ( lautet das Koeffizientenschema in Gln. ( ( Zeilenoperationen ergeben und so daß A 1 = , (2.251 (2.252, (2.253 (2.254 ist. Prüfen Sie nach, ob die Gleichungen AA 1 = A 1 A = E erfüllt sind. 2.7 Das Matrixeigenwertproblem Wir betrachten eine quadratische Matrix A der Dimension n n, n-komponentige Vektoren x 1, x 2,..., x n und komplexe Zahlen λ C. Gesucht sind zu einer solchen Matrix A diejenigen Vektoren x i und die komplexen Zahlen λ i, für die gilt: A x i = λ i x i (
46 Diese Gleichung kann auch als A x i = λ i E x i (2.256 ausgedrückt werden, wobei E eine Einheitsmatrix der Dimension n n ist. Damit haben wir (A λ i E x i = 0. (2.257 Die Matrix A λ i E = a 11 λ i a 12 a a 1n a 21 a 22 λ i a a 2n a 31 a 32 a 33 λ i... a 3n..... a n1 a n2 a n3... a nn λ i (2.258 heißt die charakteristische Matrix. Die Zahlen λ i heißen Eigenwerte der Matrix A, und die Vektoren x i sind die zugehörigen Eigenvektoren der Matrix A. Mit x i = 0 sind die Gleichungen (2.255 und (2.257 für jeden Wert von λ i erfüllt. Der Nullvektor 0 gilt aber definitionsgemäß nicht als Eigenvektor. Damit Gln. (2.257 Lösungen mit x i 0 besitzt, muß die charakteristische Gleichung det (A λ i E = 0 (2.259 erfüllt sein. Wegen der unendlichen Lösungsmannigfaltigkeit erhalten wir für jeden Eigenwert λ i unendlich viele Eigenvektoren, die wir als α x i schreiben können, wobei α C beliebig ist. Erfüllen λ i und x i die Gln. (2.255 und multiplizieren wir beide Seiten dieser Gleichung mit α A (α x i = λ i (α x i, (2.260 dann erfüllen auch λ i und α x i die Eigenwertgleichung. Man wählt α oft so, daß α x i = 1 (mit α > 0 ist. In diesem Fall spricht man von normierten Eigenvektoren. Um das Eigenwertproblem einer gegebenen, quadratischen Matrix A der Dimension n n zu lösen, gehen wir wie folgt vor: 1. Zunächst lösen wir die charakteristische Gleichung det (A λ E = 0. (2.261 Die linke Seite dieser Gleichung ist ein Polynom (das charakteristische Polynom n-ter Ordnung in λ; die n Eigenwerte der Matrix A sind die n Nullstellen λ i (i = 1, 2, 3,..., n dieses Polynoms. 46
47 2. Für jeden Eigenwert λ i bestimmen wir die zugehörigen Eigenvektoren x i durch Lösung des Gleichungssystems Als Beispiel betrachten wir die Matrix ( 1 0 A = 1 2 (A λ i E x i = 0. ( (2.263 Die charakteristische Gleichung ist 1 λ λ = 0 (2.264 oder (1 λ (2 λ = 0. (2.265 Die Eigenwerte der Matrix A erhalten wir als die Lösungen dieser Gleichung: λ 1 = 1 und λ 2 = 2 (2.266 Wir bestimmen jetzt die Eigenvektoren, die zum Eigenwert λ 1 = 1 gehören, indem wir das Gleichungssystem ( ( ( ( 1 λ1 0 1 λ1 0 x11 0 x 1 2 λ 1 = = ( λ 1 x 12 0 lösen. Einsetzen von λ 1 = 1 liefert die beiden Gleichungen 0 x x 12 = 0 (2.268 ( 1 x x 12 = 0 (2.269 Gleichung (2.268 ist trivialerweise erfüllt für alle (x 11, x 12, aber Gln. (2.269 ergibt x 11 = x 12. (2.270 Mit x 11 = α haben wir damit x 1 = ( x11 x 12 = ( α α. (2.271 Dieser Vektor soll, zusammen mit λ 1 = 1, die Eigenwertgleichung A x 1 = λ 1 x 1 (
48 erfüllen, das heißt ( ( α α ( α = α ( α = 1 α. (2.273 Wir stellen fest, daß die Eigenwertgleichung erfüllt ist. Der Eigenvektor x 1 ist dann normiert, wenn ist. Für den normierten Vektor gilt also x 1 = x 1 x 1 = 1 (2.274 x 1 x 1 = α 2 + α 2 = 1, (2.275 und damit α = 1 2. (2.276 Der zum Eigenwert λ 1 = 1 gehörende, normierte Eigenvektor ist folglich ( 1/ 2 x 1 = 1/. ( Die zum Eigenwert λ 2 = 2 gehörenden Eigenvektoren berechnen sich aus ( ( ( ( 1 λ2 0 1 λ2 0 x21 0 x 1 2 λ 2 = =. ( λ 2 x 22 0 Einsetzen von λ 2 = 2 liefert die beiden identischen Gleichungen ( 1 x x 22 = 0 (2.279 ( 1 x x 22 = 0 (2.280 mit der allgemeinen Lösung x 2 = ( x21 x 22 = ( 0 α, (2.281 wobei α beliebig ist. Einsetzen in die Eigenwertgleichung zur Probe ergibt hier ( ( 0 α A x 2 = λ 2 x 2 (2.282 = ( 0 2 α 48 = 2 ( 0 α. (2.283
49 Die Eigenwertgleichung ist erfüllt. Normierung des Eigenvektors nach liefert x 2 x 2 = α 2 = 1 (2.284 α = 1 (2.285 und damit lautet der zum Eigenwert λ 2 = 2 gehörende, normierte Eigenvektor ( 0 x 2 =. ( Einige Sätze (a Hat die charakteristische Gleichung n verschiedene Lösungen λ i, so gilt det (A λ E = 0 (2.287 zu jedem λ i gibt es genau einen Eigenvektor x i bestimmt bis auf einem Faktor α und die n verschiedenen Eigenvektoren x i sind linear unabhängig. Man spricht von Entartung, wenn mehrere Eigenwerte gleich sind. (b Ist die Matrix A selbstadjungiert (hermitesch; A = A, so gilt: alle n Eigenwerte sind reell. Eigenvektoren x i und x j, die zu verschiedenen Eigenwerten gehören, erfüllen die Gleichung ( x i x j = 0. Es läßt sich eine unitäre Matrix C finden, so daß B = C 1 A C (2.288 eine Diagonalmatrix B = λ λ λ ( λ n 49
MATHEMATIK II FÜR CHEMIKER
MATHEMATIK II FÜR CHEMIKER BERGISCHE UNIVERSITÄT GH WUPPERTAL SS 2000 1 Komplexe Zahlen 1.1 Einführung Betrachten wir das Polynom f(z = z 2 + 4z + 8. (1.1 Wir möchten die Nullstellen dieses Polynoms bestimmen.
Mehr1 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
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
MehrMatrizen, 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
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
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
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
Mehr4 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,
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrMathematik I+II Frühlingsemester 2019 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik I+II Frühlingsemester 219 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 46 8. Lineare Algebra: 5. Eigenwerte und
Mehr9.2 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
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
Mehr5.1 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
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
Mehr35 Matrixschreibweise für lineare Abbildungen
35 Matrixschreibweise für lineare Abbildungen 35 Motivation Wir haben gesehen, dass lineare Abbildungen sich durch ihre Wirkung auf die Basisvektoren ausdrücken lassen Mithilfe von Matrizen können wir
Mehra a a a a a a a a a a a a a a
7 Lineare lgebra 7.1 Matrizen a a a k a a a a a a a a a a a a a 11 12 1 1n 21 22 2k 2n i1 i2 in m1 m2 mk mn i-te Zeile m Zeilen n Spalten k-te Spalte a : Matrixelement i 1,2,...,m k 1,2,...,n i: Zeilenindex
MehrMathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten
Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
Mehr8.2 Invertierbare Matrizen
38 8.2 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
Mehr8.2 Invertierbare Matrizen
38 8.2 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
MehrMathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.2 Determinanten
Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.2 Determinanten Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 44 8. Lineare Algebra: 2. Determinanten Ein einführendes
Mehr3.6 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
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 29. April 2011
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 29. April 2011 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
Mehr3 Systeme linearer Gleichungen
3 Systeme linearer Gleichungen Wir wenden uns nun dem Problem der Lösung linearer Gleichungssysteme zu. Beispiel 3.1: Wir betrachten etwa das folgende System linearer Gleichungen: y + 2z = 1 (1) x 2y +
Mehr3 Matrizen und Lineare Gleichungssysteme
3 Matrizen und LGS Pink: Lineare Algebra HS 2014 Seite 38 3 Matrizen und Lineare Gleichungssysteme 3.1 Definitionen Sei K ein Körper, und seien m,n,l natürliche Zahlen. Definition: Eine Matrix mit m Zeilen
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
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
MehrMatrix: Eine rechteckige Anordnung reeller Zahlen a ij (i = 1,..., n i ; j = 1,..., m) in Zeilen und Spalten. Die a ij heiÿen Elemente von A.
Matrizenrechnung Matrix: Eine rechteckige Anordnung reeller Zahlen a ij i = 1,..., n i ; j = 1,..., m in Zeilen und Spalten. Die a ij heiÿen Elemente von A. a 11 a 12... a ij... a 1m a 21 a 22.........
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.3 Ergänzungen
Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 83 Ergänzungen wwwmathethzch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas
Mehrbzw. eine obere Dreiecksmatrix die Gestalt (U: upper)
bzw. eine obere Dreiecksmatrix die Gestalt (U: upper) U = u 11 u 12 u 1n 1 u nn 0 u 22 u 2n 1 u 2n 0......... 0 0 u n 1n 1 u n 1n 0 0 0 u nn Eine nicht notwendig quadratische Matrix A = (a ij ) heißt obere
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:
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
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
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 11 1. Juni 2010 Rechenregeln für Determinanten Satz 62. (Determinanten von Dreiecksmatrizen) Es sei A eine obere oder untere n n-dreiecksmatrix.
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 95 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
MehrI) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y1 = a11x1+ a12x2 + a13x3 y2 = a21x1+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 71 Reelle Matrizen Prof Dr Erich Walter Farkas Mathematik I+II, 71 Reelle Matrizen 1 / 31 1 2 3 4 Prof Dr Erich
Mehr4. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof Dr Streicher Dr Sergiy Nesenenko Pavol Safarik SS 010 11 15 Mai 4 Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G13 (Basistransformation) ( ) 15 05 Die lineare
MehrMathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 31 1 2 3 4 2 / 31 Transponierte einer Matrix 1 Transponierte
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrLineare Algebra. Gymnasium Immensee SPF PAM. Bettina Bieri
Lineare Algebra Gymnasium Immensee SPF PAM Bettina Bieri 6. Oktober 2011 Inhaltsverzeichnis 1 Matrizen 1 1.1 Einleitung............................. 1 1.2 Der Begriff Matrix........................ 1 1.2.1
MehrKapitel 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
MehrMatrizen und Determinanten, Aufgaben
Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen
Mehra ij i - te Gleichung (Zeile), i = 1, 2,3,..., m I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y 1 = a 11 x 1 + a 12 x 2 + a 13 x3 y 2 = a 21 x 1 + a 22 x 2 + a 23 x3... Koeffizienten a ij i - te Gleichung
Mehr37 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
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
MehrFür das Allgemeine lineare Gleichungssystem mit n linearen Gleichungen und n Unbekannten
Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 008 6. Januar.009 Kapitel 6 Leontieff Modell, Lineare
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
MehrBeispiele 1. Gegeben ist das lineare System. x+4y +3z = 1 2x+5y +9z = 14 x 3y 2z = 5. Die erweiterte Matrix ist
127 Die Schritte des Gauß-Algorithmus sind nun die Folgenden: 1. Wir bestimmen die am weitesten links stehende Spalte, die Einträge 0 enthält. 2. Ist die oberste Zahl der in Schritt 1 gefundenen Spalte
MehrIV. Matrizenrechnung. Gliederung. I. Motivation. Lesen mathematischer Symbole. III. Wissenschaftliche Argumentation. i. Rechenoperationen mit Matrizen
Gliederung I. Motivation II. Lesen mathematischer Symbole III. Wissenschaftliche Argumentation IV. Matrizenrechnung i. Rechenoperationen mit Matrizen ii. iii. iv. Inverse einer Matrize Determinante Definitheit
MehrMLAN1 1 MATRIZEN 1 0 = A T =
MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
MehrLineare Gleichungssysteme und Matrizen
Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x
Mehr6 Lineare Algebra. 6.1 Einführung
6 Lineare Algebra 6.1 Einführung Die lineare Algebra ist für die Wirtschaftswissenschaften von zentraler Bedeutung. Einerseits liefert sie die theoretischen und praktischen Grundlagen für das Lösen linearer
Mehr2 Matrizenrechnung und Lineare Gleichungssysteme
Technische Universität München Florian Ettlinger Ferienkurs Lineare Algebra Vorlesung Dienstag WS 2011/12 2 Matrizenrechnung und Lineare Gleichungssysteme 2.1 Matrizenrechnung 2.1.1 Einführung Vor der
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrMathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 32 8 Lineare Algebra: 1 Reelle Matrizen Grundbegriffe Definition
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrMatrizen: Grundbegriffe. 1-E Ma 1 Lubov Vassilevskaya
Matrizen: Grundbegriffe -E Ma Lubov Vassilevskaya Lineares Gleichungssystem Abb. : Der Schnittpunkt P der beiden Geraden ist die graphische Lösung des linearen Gleichungssystem g : y = x, g 2 : y = 3 x,
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
Mehra 2β... a n ω alle Permutationen von α β γ... ω a 3 γ ( 1) k a 1α
Mathematik 1 - Übungsblatt 7 Lösungshinweise Tipp: Verwenden Sie zur Kontrolle Scilab, wo immer es möglich ist. Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind
MehrBasiswissen Matrizen
Basiswissen Matrizen Mathematik GK 32 Definition (Die Matrix) Eine Matrix A mit m Zeilen und n Spalten heißt m x n Matrix: a a 2 a 4 A a 2 a 22 a 24 a 4 a 42 a 44 Definition 2 (Die Addition von Matrizen)
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 97 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
Mehr$Id: matrix.tex,v /12/02 21:08:55 hk Exp $ $Id: vektor.tex,v /12/05 11:27:45 hk Exp hk $
$Id: matrixtex,v 14 2008/12/02 21:08:55 hk Exp $ $Id: vektortex,v 12 2008/12/05 11:27:45 hk Exp hk $ II Lineare Algebra 6 Die Matrixmultiplikation 63 Inverse Matrizen und reguläre lineare Gleichungssysteme
MehrAussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrFerienkurs Mathematik für Physiker I Skript Teil 3 ( )
Ferienkurs Mathematik für Physiker I WS 2016/17 Ferienkurs Mathematik für Physiker I Skript Teil 3 (29032017) 1 Lineare Gleichungssysteme Oft hat man es in der Physik mit unbekannten Größen zu tun, für
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 + x 2 =
MehrVorlesung Mathematik für Ingenieure 1 (Wintersemester 2008/09)
Vorlesung Mathematik für Ingenieure Wintersemester 8/9 Kapitel 4: Matrizen, lineare Abbildungen und Gleichungssysteme Volker Kaibel Otto-von-Guericke Universität Magdeburg Version vom 5. November 8 Page-Rank
MehrLineare Algebra I für Mathematiker Lösungen
Lineare Algebra I für Mathematiker Lösungen Anonymous 24. April 2016 Aufgabe 1 Beantworten Sie bitte die folgenden Fragen. Jeder Vektorraum hat mindestens ein Element. Q ist ein R-Vektorraum (mit der Multiplikation
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.
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
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
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 3 und lineare Gleichungssysteme und
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
Mehroder A = (a ij ), A =
Matrizen 1 Worum geht es in diesem Modul? Definition und Typ einer Matrix Spezielle Matrizen Rechenoperationen mit Matrizen Rang einer Matrix Rechengesetze Erwartungswert, Varianz und Kovarianz bei mehrdimensionalen
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
Mehr