2 Einführung in die lineare Algebra
|
|
- Gretel Pohl
- vor 7 Jahren
- Abrufe
Transkript
1 2 Einführung in die lineare Algebra 2. Vektorräume und ihre Unterräume Definition 2... Sei K ein Körper. Ein Vektorraum über K (oder K-Vektorraum) ist eine Menge V mit einer Addition genannten Verknüpfung V V V : (x, y) x + y und einer Skalarmultiplikation genannten Verknüpfung sodass gilt K V V : (λ, x) λ x, (V) (V.+) ist eine abelsche Gruppe; mit neutralem Element (oder auch in Handschrift ). (V2) α, β K, x V : (α + β) x = α x + β x; (V3) α K, x, y V : α (x + y) = α x + α y; (V4) α, β K, x V : (αβ) x = α (β x); (V5) x V : x = x (hier ist = K das Einselement in K). Die Elemente in V heißen Vektoren, die Elemente in K heißen Skalare. Element V heißt Nullvektor. Das Bemerkung. () x V : x =. (2) λ K, x V : ( λ) x = (λ x). Insbesondere gilt ( ) x = x. Beispiel. () K n mit Addition (x,..., x n )+(y,..., y n ) = (x +y,..., x n + y n ), Skalarmultiplikation λ (x,..., x n ) = (λx,..., λx n ). (Man veranschauliche sich dies durch ein Bild einer Vektoraddition/Skalarmultiplikation im R 2.) (2) K N = {(x n ) n N = (x, x 2, x 3,...) x n K} mit Addition (x n ) n N + (y n ) n N = (x n + y n ) n N, Skalarmultiplikation λ (x n ) n N = (λx n ) n N. (3) C als R-Vektorraum (Skalarmultiplikation ist gewöhnliche Multiplikation in C von Elementen in R C mit solchen aus C).
2 (4) Ähnlich: R als Q-Vektorraum, oder allgemeiner: Falls R ein Ring ist der einen Körper K als Unterring hat, so wird R auf natürliche Weise ein K-Vektorraum. (5) R[X] (Polynome über R) als R-Vektorraum (man kann R[X] als Ring auffassen, der R als Unterring hat und obiges Prinzip anwenden). R[X] n (Polynome vom Grad n N ) ist R-Vektorraum. (6) M nichtleere Menge, Abb(M, K) als K-Vektorraum: f + g : M K : x f(x) + g(x), λ f : M K : x λf(x) (7) L(K n ) = {f Abb(K n, k) a,..., a n K : f(x,..., x n ) = a x a n x n }, die linearen Abbildungen von K n nach K, als K-Vektorraum (Addition, Skalarmultiplikation wie in Abb(K n, K). Bemerkung. Das Lösen eines linearen Gleichungssystems ist nichts anderes als das simultane Lösen von Gleichungen f (x,..., x n ) = b f 2 (x,..., x n ) = b 2.. f m (x,..., x n ) = b m mit f i L(K n ), b i K. Die Vektorraumstruktur von L(K n ) kann dann benutzt werden, um solche Systeme zu lösen. Definition K Körper, V ein K-Vektorraum. Eine Teilmenge U von V heißt Untervektorraum (oder Unterraum, oder Teilraum) von V falls gilt: (UV) U ; (UV2) x, y U: x + y U (d.h. U ist abgeschlossen bzgl. Vektoraddition); (UV3) x U. λ K: λ x U (d.h. U ist abgeschlossen bzgl. Skalarmultiplikation). Bemerkung. () U Unterraum von V = U. (UV) kann also ersetzt werden durch: (UV ) U. (2) Ein Unterraum U eines Vektorraums V ist selber ein Vektorraum mit der von V geerbten Vektoraddition und Skalarmultiplikation. (3) Man kann (UV2) und (UV3) durch ein einziges Axiom ersetzen: (UV4) α, β K, x, y U: α x + β y U. 2
3 Beispiel. () v R 2. Rv := {λ v λ R} ist Unterraum von R 2. Falls v, so ist (man mache ein Bildchen) Rv die Gerade durch den Urprung in Richtung v. (2) v, w R 3. Rv + Rw := {λ v + µ w λ, µ R} ist Unterraum von R 3. Falls v, w, nicht Vielfache voneinander, so ist (man mache ein Bildchen) Rv + Rw die Ebene durch den Urprung, die durch v und w aufgespannt wird. (3) Man kann in obigen Beispielen R durch K und R 2 bzw. R 3 durch einen beliebigen K-Vektorraum V ersetzen, und erhält mit v, w V, dass Kv und Kv + Kw Unterräume von V sind. (4) {(x n ) n N lim n x n = }, die Nullfolgen in R N, bilden einen Unterraum von R N. (5) {(x n ) n N lim n x n existiert und ist endlich}, die konvergenten Folgen in R N, bilden einen Unterraum von R N. (6) {f Abb(M, K) f(m ) = }, die Abbildungen, die in m M eine Nullstelle haben, bilden einen Unterraum von Abb(M, K). (7) I R Intervall, Abb st (I, R) := {f Abb(I, R) f ist stetig} ist ein Unterraum von Abb(I, R). (8) L(K n ) ist ein Unterraum von Abb(K n, K), und auch ein Unterraum von Abb st (K n, K). (9) R[X] n ist ein Unterraum von R[X]. () Jeder Vektorraum V hat {} und V als Unterräume. () Z 2 R 2 ist kein Unterraum ((UV2) gilt, (UV3) gilt nicht); R(, ) R(, ) R 2 ist kein Unterraum ((UV3) gilt, (UV2) gilt nicht); {(x, y) R 2 3x+5y = } R 2 ist kein Unterraum (dies ist eine Gerade, die nicht durch den Ursprung geht; (UV2), (UV3) gelten beide nicht) Aber: {(x, y) R 2 3x + 5y = } R 2 ist ein Unterraum (parallel zur obgigen Geraden, nun aber durch den Ursprung). Satz K Körper, V K-Vektorraum, U,..., U n Unterräume von V. Dann gilt: () U... U n ist ein Unterraum von V ; 3
4 (2) U U n := {x x n x i U i } ist ein Unterraum von V. Lemma K Körper, V K-Vektorraum, U Unterraum von V. Seien n N, x,..., x n U, λ,..., λ n K. Dann gilt: n i= λ i x i U. Definition und Satz K Körper, V K-Vektorraum, n N, x,..., x n V. Die Menge n Lin{x,..., x n } := { λ i x i λ i K} heißt lineare Hülle oder Spann von x,..., x n. Ihre Elemente heißen Linearkombinationen von x,..., x n. Lin{x,..., x n } ist ein Unterraum von V und wird der von x,..., x n erzeugte oder von x,..., x n aufgespannte Unterraum genannt. Beispiel. () v, w R 2 \ {}, keine Vielfachen voneinander. Dann ist die von v, w aufgespannte Ebene genau Lin{v, w}. (2) R[X] n = Lin{, X, X 2,..., X n }. Definition und Satz K Körper, V K-Vektorraum, M V. i= Falls M =, so definiert man Lin(M) := {}. Falls M, so definiert man n Lin(M) := { λ i x i n N, λ i K, x i M}, i= d.h. Lin(M) besteht aus allen endlichen Linearkombinationen, die sich mit Elementen aus M bilden lassen. Lin(M) heißt lineare Hülle oder Spann von M. Es gilt: () Lin(M) ist ein Unterraum von V. (2) Sei U V ein Unterraum mit M U. Dann gilt Lin(M) U, d.h. Lin(M) ist der kleinste Unterraum von V, der M enthält. 2.2 Lineare Gleichungssysteme (LGS) Definition Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x a n x n = b a 2 x + a 22 x a 2n x n = b a m x + a m2 x a mn x n = b m 4
5 mit a ij K, b i K ( i m, j n). Die Elemente a ij heißen Koeffizienten des LGS, die Elemente b i die rechten Seiten. Das LGS heißt homogen falls b =... = b m =, andernfalls inhomogen. Eine Lösung dieses LGS ist ein n-tupel (x,..., x n ) K n welches die obigen m Gleichungen simultan erfüllt. Beispiel. (i) Über Q: n = 3, m = 5, x x 2 + x 3 = 3x 2 + 2x 3 = 5 5x 3 = a = a 2 = a 3 = b = a 2 = a 22 = 3 a 23 = 2 b 2 = 5 a 3 = a 32 = a 33 = 5 b 3 = Lösen von unten nach oben ergibt genau eine Lösung: (x, x 2, x 3 ) = (6, 3, 2). (ii) Über C: x + 2ix 2 = 3 3ix 6x 2 = + i Gleichung (2) minus 3i mal Gleichung () ergibt = 8i, also keine Lösung. (iii) Über R x + 2x 2 + 3x 3 = 3x x 2 + 2x 3 = Subtrahiere 3 mal Gleichung () von Gleichung (2) = x 2 = x 3, setze dies in Gleichung () ein = x = x 3. Man kann also x 3 frei wählen, z.b. x 3 = a R, und damit sind alle Lösungen von der Form (x, x 2, x 3 ) = ( a, a, a) = a(,, ), a R (anschaulich: die Lösungsmenge ist eine Gerade in R 3 durch den Ursprung). Definition m, n N, K Körper. Eine m n-matrix M mit Koeffizienten in K ist eine rechteckige Anordnung von m n Elementen a ij K, i m, j n der Form a a 2... a n a 2 a a 2n M =... a m a m2... a mn 5
6 a ij heißt der ij-te Koeffizient von M oder der Koeffizient in der i-ten Zeile und j-ten Spalte. m ist die Anzahl der Zeilen, n die der Spalten. M m n (K) bezeichnet die Menge aller m n-matrizen mit Koeffizienten in K (oder über K ). Falls m = n so schreibt man kurz M n (K) statt M n n (K). Eine n-matrix (a... a n ) nennt man auch Zeilenvektor oder genauer n- Zeilenvektor, Eine m -Matrix genauer m-spaltenvektor. a. a m nennt man auch Spaltenvektor oder Bemerkung. Eine m n-matrix besteht aus m n-zeilenvektoren, bzw. aus n m-spaltenvektoren. Die obige Matrix M schreibt man auch kurz als M = (a ij ) i m j n oder einfach M = (a ij ) wenn die Zeilenanzahl m/spaltenanzahl n klar ist (wie z.b. im Ausdruck (a ij ) M m n (K)). Definition Dem LGS über K aus Defintion 2.2. ordnet man die folgende Matrix A M m n (K) und den folgenden m-spaltenvektor b zu: a a 2... a n a 2 a a 2n b A := b :=.... b a m a m2... a m mn und man spricht vom LGS a a 2... a n b a 2 a a 2n b a m a m2... a mn b m bzw. vom LGS (A b). Man nennt A die Matrix dieses LGS, und (A b) die erweiterte Matrix dieses LGS. Man definiert die Lösungsmenge dieses LGS als L(A b) := {(x,..., x n ) K n (x,..., x n ) ist eine Lösung des LGS (A b)} 6
7 Beispiel. Mit den Beispielen vom Anfang von Abschnitt 2.2: (i) (A b) = 3 2 5, L(A b) = {(6, 3, 2)}. 5 ( ) 2i 3 (ii) (A b) =, L(A b) =. 3i 6 + i ( ) 2 3 (iii) (A b) =, L(A b) = {(a, a, a) a R}. 3 2 Satz Sei (A b) ein LGS über einem Körper K mit A M m n (K), b ein m-spaltenvektor. Sei =. der m-spaltennullvektor. (i) L(A ) ist ein linearer Untervektorraum von K n. (ii) Falls das LGS (A b) eine Lösung besitzt, sagen wir c = (c,..., c n ) K n, so gilt L(A b) = c + L(A ) = {c + u u L(A )}, d.h. die Lösungen vom LGS (A b) sind genau die Elemente, die sich als Summe von einer speziellen Lösung von (A b) und den verschiedenen Lösungen des homogenen LGS (A ) schreiben lassen. Beispiel. (i) LGS: 2x x 2 = 2. Hier: (A b) = (2 2). L(A ) = {(x, 2x) x K} = K (, 2), (, ) ist spezielle Lösung von (A b) = L(A b) = (, ) + K (, 2) = {( + a, 2a) a K} (oder auch L(A b) = (, 2) + K (, 2)). (ii) LGS über R: [ x + 2x 2 + 3x 3 = 3x x 2 + 2x 3 = 3 ] ( 2 3, (A b) = L(A ) = R (,, ) (siehe früheres Beispiel), (,, ) ist spezielle Lösung von (A b) = L(A b) = (,, ) + R (,, ) (oder auch L(A b) = (,, ) + R (,, ), oder...). Definition und Satz Zwei LGS (A b) und (A b ) mit A, A M m n (K) heißen äquivalent, (A b) (A b ), wenn sie durch eine Kette von sogenannten elementaren Umformungen der folgenden Art ineinander übergeführt werden können:. Vertauschen zweier Gleichungen; 7 ),
8 2. Multiplizieren einer Gleichung mit einem a K ; 3. Ersetzen der i-ten Gleichung durch die Summe der i-ten Gleichung plus α mal der j-ten Gleichung, wobei α K und i j. Falls (A b) (A b ), so gilt L(A b) = L(A b ) (äquivalente LGS haben die gleiche Lösungsmenge). Beispiel Gl.(3)+Gl.() Gl.(3)+3 Gl.(2) Gl.(2) 2 Gl.() Gl.(2) Gl.(3) /4 Gl.(3) /4 Dies liefert (von unten nach oben): x 3 = 3 4, x 2 = x 3 = 4, x = (2x 2 x 3 ) = 5 4, also L(A b) = {( 5 4, 4, 3 4 )}. Beispiel. Gl.(2) 2 Gl.() Gl.(3) 3 Gl.(2) Gl.() Gl.(2) Gl.(2) Gl.(3) /5 Gl.(3) /5 7/5 Die Variable x 4 kann somit frei gewählt werden, z.b. x 4 = a R. Damit ergibt sich (von unten nach oben): x 3 = 7 4a, x = 3 a, x 5 5 = a, und somit 5 5 (in Spaltenform) x x 2 x 3 x 4 = a a R.
9 Also: L(A b) = (6, 3, 7, )+R(3,, 4, 5), insb. ist (6, 3, 7, ) eine spezielle 5 5 Lösung und L(A ) = R(3,, 4, 5). Satz (Gauß-Verfahren, Stufenform) (a) Jedes LGS (A b) (mit A M m n (K) läßt sich durch elementare Umformungen in ein äquivalentes LGS (Â b) in folgender Stufenform überführen: x k â n x n = b x k â 2n x n =.... b 2. x kr â rn x n = b r = b r+.. = b m mit k < k 2 <... < k r n, r m, wobei â iki = für i r, â ij = für j < k i und ebenfalls â ij = für i > r. (b) LGS (Â b) (und damit LGS (A b)) hat eine Lösung genau dann, wenn b r+ =... = b m =. In dieser Situation erhält man alle Lösungen, indem man die x j mit j {k,..., k r } frei wählt, und die übrigen x kr, x kr,..., x k2, x k sukzessive von unten nach oben aus den r oberen Gleichungen berechnet. Beispiel. Gl.(3) Gl.() Gl.(4) 2 Gl.() Gl.() Gl.(2) Gl.() Gl.(3) Gl.(3) Gl.(2) Gl.(4)+Gl.(2) Man hat drei freie Variablen x 2, x 4, x 5. Nun lassen sich x, x 2 in Abhängigkeit der freien Variablen bestimmen: x 3 = 2 3x 4 3x 5, x = 2x 2 x 4 9
10 oder mit x 2 = a, x 4 = b, x 5 = c: x x 2 x 3 x 4 = 2 + a x b 3 + c 3 Bemerkung. Die Zahl r in bezeichnen wir mit Rang des LGS. Wir werden sehen: egal wie man (A b) mittels elementarer Umformungen in Stufenform umwandelt, der so erhaltene Rang ist immer der gleiche. Definition Sei A M m n (K). Die folgenden Umformungen der Matrix A heißen elementare Zeilenumformungen (Spaltenumformungen):. Vertauschen zweier Zeilen (Spalten); 2. Multiplizieren einer Zeile (Spalte) mit α K ; 3. Addieren des α-fachen der j-ten Zeile (Spalte) zur i-ten Zeile (Spalte), wobei i j und α K. 2.3 Basis und Dimension Erinnerung. Gegeben ein K-Vektorraum V, ein Vektorensystem x,..., x n in V. Eine Linearkombination in den x i ist ein Vektor der Form λ x λ n x n mit λ i K. Die λ i heißen Koeffizienten dieser Linearkombination. Der Spann (die lineare Hülle) Lin{x,..., x n } ist der Untervektorraum aller solcher Linearkombinationen. ( ) ( ) ( ) Beispiel. In R 3, betrachte das Vektorensystem e =, e 2 =, e 3 =. Man zeigt leicht: Lin{e, e 2, e 3 } = R 3. Es gilt sogar: zu jedem x R 3 gibt es eindeutig bestimmte Koeffizienten λ i R mit x = λ e + λ 2 e 2 + λ 3 e 3. Definition Sei x,..., x n ein Vektorensystem in einem K-Vektorraum V. () x,..., x n ist ein Erzeugendensystem von V falls gilt: Lin{x,..., x n } = V. (2) Das Vektorensystem x,..., x n ist linear unabhängig wenn für alle λ,..., λ n K gilt: λ x λ n x n = = λ =... = λ n =. Ein Vektorensystem ist linear abhängig, falls es nicht linear unabhängig ist.
11 Satz Sei x,..., x n ein Vektorensystem in einem K-Vektorraum V. Die folgenden Aussagen sind äquivalent. () Das System x,..., x n ist linear unabhängig. (2) λ,..., λ n, µ,..., µ n K gilt: λ x λ n x n = µ x µ n x n = λ = µ,..., λ n = µ n. ( ) ( ) Beispiel. Betrachte in R 3 das Vektorensystem x =, x 2 =, x 3 = ( ). Angenommen λ x + λ 2 x 2 + λ 3 x 3 =. Man erhält das LGS Also λ + λ 2 = λ + λ 3 = λ 2 + λ 3 = elementare Umformungen 2 Falls 2 in K (z.b. in K = R), so gilt also 2λ 3 =, also λ 3 =, damit λ 2 =, und damit λ =. Das System ist also linear unabhängig. Falls 2 = in K (z.b. in K = Z/2), so gilt immer 2λ 3 =. Also kann λ 3 K beliebig gewählt werden, λ 2 + λ 3 = impliziert dann λ 2 = λ 3 = λ 3 (da = 2 = +, also = ). Und damit auch λ = λ 2 = λ 3. Alle möglichen Linearkombinationen, für die gilt λ x + λ 2 x 2 + λ 3 x 3 =, erhält man in diesem Fall für (λ, λ 2, λ 3 ) = (a, a, a) mit a K beliebig. Insbesondere gilt für a = : x + x 2 + x 3 =, die x i sind also linear abhängig. Bemerkung. () Falls ein Vektorensystem x,..., x n den Nullvektor enthält (z.b. x = ), so ist es linear abhängig. (2) Falls in einem Vektorensystem x,..., x n ein Vektor ein Vielfaches eines anderen ist (z.b. x = λx 2 ), so ist es linear abhängig. Korollar ( Gegeben ein Vektorensystem x,..., x n in K m der Form x i = ai ), i n, a ij K. Die folgenden Aussagen sind äquivalent:. a mi () Das System x,..., x n ist linear unabhängig.
12 (2) Das LGS a λ + a 2 λ a n λ n =.... a m λ + a m2 λ a mn λ n = hat als einzige Lösung λ =... = λ n =. Definition Ein Vektorensystem x,..., x n in einem K-Vektorraum V ist eine Basis von V falls es linear unabhängig und ein Erzeugendensystem von V ist. ( ) ( ) Beispiel. Betrachte in R 3 das Vektorensystem x =, x 2 =, x 3 = ( ). Wir haben schon gesehen: Das System x, x 2, x 3 ist linear unabhängig. Ist es ein Erzeugendensystem ( von R 3? Um dies zu zeigen, müssen wir versuchen, ab ) einen beliebigen Vektor R 3 als Linearkombination der x c i zu schreiben, d.h. wir müssen λ, λ 2, λ 3 R finden mit a b = λ + λ 2 + λ 3, c dies bedeutet, dass man das LGS a b c lösen muss. Mit dem Gauß-Verfahren findet man die Lösung (λ, λ 2, λ 3 ) = (a + b c, a b + c, a + b + c). 2 Also ist x, x 2, x 3 auch ein Erzeugendensystem von R 3. Satz Sei x,..., x n ein Vektorensystem in einem K-Vektorraum V. Die folgenden Aussagen sind äquivalent. () Das System x,..., x n ist eine Basis von V. (2) Jedes x V lässt sich schreiben als Linearkombination x = λ x λ n x n mit eindeutig bestimmten λ,..., λ n K. 2
13 Beispiel. In K n betrachte c = ( c. c n e i :=.. i-te Zeile e,..., e n ) bildet dann eine Basis von K n, genannt Standardbasis von K n. Falls K n, so ist natürlich c = n i= c ie i, die Koeffizienten in dieser Linearkombination entsprechen also den Komponenten ( Koordinaten ) des Spaltenvektors c, Bemerkung. In einem Vektorraum gibt es i.a. viele verschiedene Vektorensysteme, die die Eigenschaften einer Basis erfüllen, d.h. die Wahl einer Basis ist i.a. nicht eindeutig. Bemerkung () Ist das Vektorensystem v,..., v n linear unabhängig, so auch jedes Teilsystem v i,..., v ir, i <... < i r n. (2) Ist das Vektorensystem v,..., v n linear abhängig, so auch jedes Vektorensystem v,..., v n, v n+,... welches v,..., v n enthält. (3) Die lineare (Un)abhängigkeit hängt nicht von der Reihenfolge der Vektoren im Vektorensystem ab. (4) Das nur aus dem Nullvektor bestehende Vektorensystem ist linear abhängig, und damit auch jedes Vektorensystem, welches enthält. (5) Wenn es im Vektorensystem v,..., v n Indizes i j gibt mit v i = λv j, λ K, so ist dieses Vektorensystem linear abhängig. Lemma Sei v,..., v n ein Vektorensystem in einem K-Vektorraum V. Dann sind äquivalent: () v,..., v n sind linear abhängig; (2) v i in diesem Vektorensystem mit v i Lin{v,..., v i, v i+,..., v n }. Beispiel. Im R-Vektorraum der Polynome R[X] kann es kein endliches Erzeugendensystem geben (man argumentiere mit dem Grad von Polynomen). Kann man trotzdem sinnvoll den Begriff einer Basis von R[X] definieren? 3
14 Erinnerung: Sei M eine beliebige Teilmenge eines K-Vektorraums V. Man defniert Lin(M) als den Unterraum aller endlichen Linearkombinationen, die sich aus Vektoren aus M bilden lassen: Lin(M) = { n i= λ ix i n N, λ i K, x i M} Definition Sei M eine Teilmenge eines K-Vektorraums V. () M heißt linear unabhängig falls n N, x,..., x n M mit x i x j falls i j gilt, dass das Vektorensystem x,..., x n linear unabhängig ist. (2) M heißt Basis von V, falls M linear unabhängig ist und Lin(M) = V (d.h. M ist ein Erzeugendensystem von V ). Beispiel. Der R-Vektorraum R[X] hat als Basis z.b. {, X, X 2, X 3,...}. Satz Sei V ein K-Vektorraum und M = {x i V i I} V, wobei I eine geeignete Indexmenge ist und x i x j für i j. Dann sind äquivalent: () M ist Basis von V ; (2) Jedes x V lässt sich auf eindeutige Weise schreiben als x = i I λ ix i mit λ i K, wobei nur endlich viele der λ i sind (man sagt auch: fast alle λ i = ). Satz Jeder K-Vektorraum V besitzt eine Basis. Zum Beweis braucht man einen Satz aus der Mengenlehre, das sogenannte Zornsche Lemma. Dies würde im Rahmen der Vorlesung zu weit führen, deshalb ersparen wir uns den Beweis und werden nur den Beweis im Spezialfall endlich erzeugter Vektorräume führen Definition Ein K-Vektorraum V heißt endlich erzeugt, falls er ein endliches Erzeugendensystem besitzt, d.h. falls es n N, v,..., v n V gibt mit Lin{v,..., v n } = V. Ein Spezialfall von Aufgabe 8.2(b) ist folgendes Lemma. Lemma Sei v,..., v n ein Vektorensystem in einem K-Vektorraum V und sei v V. Dann gilt: v Lin{v,..., v n } Lin{v,..., v n } = Lin{v,..., v n, v} 4
15 Satz (Spezialfall von Satz 2.3.9). Sei V ein endlich erzeugter K-Vektorraum und sei v,..., v n irgendein endliches Erzeugendensystem von V. Dann kann eine Basis von V konstruiert werden durch Weglassen geeigneter Vektoren aus diesem Erzeugendensystem, d.h., es existieren Indizes i <... < i r n, sodass v i,..., v ir eine Basis ist. Insbesondere hat jeder endlich erzeugte K-Vektorraum eine Basis. Satz (Basisergänzungssatz). Sei V ein K-Vektorraum, v,..., v n ein linear unabhängiges Vektorensystem in V. Angenommen, man hat w,..., w r V mit Lin{v,..., v n, w,..., w r } = V. Dann kann v,..., v n durch Hinzunahme geeigneter Vektoren w i, sagen wir (nach Umnummerierung!) w,..., w k, k r, zu einer Basis v,..., v n, w,..., w k von V ergänzt werden. Insbesondere lässt sich jedes (endliche) linear unabhängige Vektorensystem in einem endlich erzeugten Vektorraum zu einer Basis des Vektorraums ergänzen (man nehme als w,..., w r irgendein endliches Erzeugendensystem von V ). Im Beweis benötigt man Lemma Sei V ein K-Vektorraum, v,..., v n ein linear unabhängiges Vektorensystem in V, w V mit w Lin{v,..., v n }. Dann ist das Vektorensystem v,..., v n, w linear unabhängig. Um den späteren Steinitzschen Austauschsatz zu beweisen, benötigt man Lemma (Austauschlemma). Sei v,..., v n eine Basis eines K-Vektorraums V, w V \{}. Dann i {,..., n} sodass v,..., v i,w,v i+,..., v n wieder eine Basis ist. Satz (Steinitzscher Austauschsatz). Sei V ein K-Vektorraum mit Basis v,..., v n, und sei u,..., u r ein linear unabhängiges Vektorensystem in V. Dann ist r n. Ferner gibt es r Vektoren unter den v i, sagen wir nach Umnummerierung v,..., v r, sodass durch Austauschen dieser gegen u,..., u r man wieder eine Basis hat: u,... u r, v r+,..., v n ist Basis von V. Bemerkung. Für r = ist der Steinitzsche Austauschsatz nichts anderes als das vorangehende Austauschlemma. Korollar und Definition In einem endlich erzeugten Vektorraum V haben je zwei Basen gleich viele Elemente. Diese Zahl heißt Dimension von V, dim V. Falls V nicht endlich erzeugt ist, so schreibt man dim V =. Korollar Sei dim V = n und x,..., x r V mit r > n = x,..., x r linear abhängig. 5
16 Korollar Sei dim V = n und x,..., x n V. Dann sind äquivalent: () x,..., x n ist eine Basis von V. (2) x,..., x n ist ein Erzeugendensystem von V. (3) Das Vektorensystem x,..., x n ist linear unabhängig. Korollar Sei V ein Vektorraum endlicher Dimension. Sei U ein Untervektorraum. Dann gilt: dim U = dim V U = V. Beispiel. dim K n = n. U = {(x,..., x n ) K n n i= x i = } ist ein Unterraum von K n mit dim U = n (Übung). dim K[X] n = n + (K Körper). Sei a K, U = {P (X) K[X] n P (a) = }. U ist ein Untervektorraum von K[X] mit dim U = n (Übung). 2.4 Lineare Abbildungen und Matrizen Definition Seien V, W zwei K-Vektorräume. Eine Abbildung f : V W heißt lineare Abbildung (lineare Transformation, linearer Homomorphismus, Vektorraumhomomorphismus) falls gilt: (LA) f(x + y) = f(x) + f(y) x, y V ; (LA2) f(λ x) = λ f(x) x V, λ K. Die Menge aller linearen Abbildungen von V nach W wird mit L(V, W ) (oder Hom K (V, W )) bezeichnet. Falls f L(V, W ) und f bijektiv, so nennt man f einen linearen Isomorphismus (oder Vektorraumisomorphismus). Bemerkung. Die Bedingungen (LA) und (LA2) können auch in einer einzigen Bedingung zusammengefasst werden: x, y V, λ, µ K gilt f(λ x + µ y) = λ f(x) + µ f(y). Wir erinnern uns: Abb(V, W ) hat die Struktur eines K-Vektorraums mittels der Operationen f + g : V W : x f(x) + g(x) λ f : V W : x λf(x) 6
17 Satz Seien U, V, W K-Vektorräume. () L(V, W ) ist ein Untervektorraum von Abb(V, W ). (2) f L(U, V ), g L(V, W ) = g f L(U, W ). (3) Falls f L(V, W ) ein linearer Isomorphismus ist, so ist die Umkehrabbildung f : W V auch ein linearer Isomorphismus. Beispiel. () V = R[X], W = R. Sei r R. Definiere die Abbildung, die durch Auswerten des Polynoms in r gegeben ist: Dann gilt α r L(R[X], R). α r : R[X] R : P (X) P (r) (2) Sei Diff(R, R) die Menge der differenzierbaren Funktionen R R. Dies ist ein Untervektorraum von Abb(R, R). Wir definieren: D : Diff(R, R) Abb(R, R) : f f Dann gilt D L(Diff(R, R), Abb(R, R)). (3) Sei f Diff(R, R), r R und D r : Diff(R, R) R : f f (r). Dann ist D r = α r D L(Diff(R, R), R) (α r definiert wie in ()). Beispiel. Wir bezeichnen Spaltenvektoren in K n von nun an mit x (um sie von Zeilenvektoren zu unterscheiden). Sei e =.,..., e n =. die Standardbasis in K n, und sei ϕ L(K n, K m ). Sei nun ϕ( e i ) = a i. a mi K m und x = x. x n K n Dann ist x = n i= x i e i und damit wegen der Linearität von ϕ: n a x a n x n ϕ( x) = x i ϕ( e i ) =. i= a m x a mn x n 7 ( )
18 Kennt man also die Bilder ϕ( e i ), dann lässt sich ϕ( x) für jedes x K n mittels ( ) bestimmen. Definition (Matrix-Vektor-Produkt). Für a... a n A =.. a m... a mn M m n (K) und x = definiert man das Matrix-Vektor-Produkt A x wie folgt: a x a n x n A x :=. a m x a mn x n Anders ausgedrückt: Wenn a i := a i. a mi x. x n K n die i-te Spalte in obigem A ist, kann man schreiben A = ( a a 2... a n ) und mit x wie zuvor gilt: A x = x a + x 2 a x n a n. Bemerkung. Im Matrix-Vektor-Produkt muss die Anzahl der Spalten der Matrix gleich der Anzahl der Reihen (die Länge) des Spaltenvektors sein. Beispiel. ( ) 2 3 = 2 ( ) + ( 2 3 ) + 3 ( 2 ) = ( 6 ) Bemerkung. Mit den Notationen in vorheriger Definition und mit e,..., e n der üblichen Standardbasis in K n gilt: A e i = a i, die i-te Spalte von A. Satz Sei A M m n (K). Dann ist die Abbildung linear, d.h. L A L(K n, K m ). Falls auch B M m n (K) so gilt: L A := K n K m : x A x L A = L B A = B. 8
19 Satz Seien V, W zwei K-Vektorräume und f, g L(V, W ). Angenommen v,..., v n ist eine Basis von V. Dann gilt: f = g f(v i ) = g(v i ) für i n. D.h. lineare Abbildungen sind schon durch die Bilder der Basisvektoren eindeutig bestimmt. Korollar (Notationen wie in Definition und dem Beispiel davor.) Sei f : K n K m eine linear Abbildung, sei f( e i ) = a i, i n, und A = ( a a 2... a n ) M m n (K). Dann gilt f = L A, d.h. x K n gilt f( x) = A x. Also kann jede lineare Abbildung K n K m nach dieser Rezeptur als Matrix- Vektor-Produkt mit entsprechend gewählter Matrix A M m n (K) realisiert werden. A ist dabei eindeutig bestimmt: falls B M m n (K) mit f( x) = A x x K n, so gilt A = B (nach Satz 2.4.4). Definition () Matrizenaddition: Seien A, B M m n (K), wobei A = ( a a 2... a n ) und B = ( b b2... b n ) mit Spaltenvektoren a i, b i K m. Dann definiert man die Summe A + B wie folgt: A + B = ( a + b a 2 + b 2... a n + b n ) Anders ausgedrückt mittels der Koeffizienten der Matrizen A und B: A = (a ij ), B = (b ij ) M m n (K), so definiert man A + B = (c ij ) M m n (K) mittels c ij = a ij + b ij für i m, j n. (2) Matrizenmultiplikation: Seien A M l m (K), B = ( b b2... bn ) M m n (K). Dann existieren also die Matrix-Vektor-Produkte A b i K l, und man definiert das Matrizenprodukt AB := (A b A b 2... A b n ) M l n (K) Anders ausgedrückt mittels der Koeffizienten von A, B: seien A = (a ij ) M l m (K), B = (b ij ) M m n (K), so definiert man AB = (c ij ) M l n (K) mittels m c ij = a ik b kj für i m, j n. Bemerkung. Das so definierte Matrizenprodukt AB existiert nur falls Anzahl der Spalten von A = Anzahl der Zeilen von B. 9 k=
20 In diesem Fall gilt Anzahl der Zeilen von AB = Anzahl der Zeilen von A Anzahl der Spalten von AB = Anzahl der Spalten von B. Beispiel. A M 4 5 (K), B M 5 4 (K), C M 4 4 (K). Dann existieren die folgenden Matrizenprodukte: AB, BA, BC, CA, CC. Die folgenden Matrizenprodukte existieren nicht: AA, BB, CB, AC. Beispiel. ( ) ( = ) = ( ) Satz Seien A M l m (K), B M m n (K), AB M l n (K). Seien ferner L A : K m K l : x A x L B : K n K m : x B x L AB : K n K l : x AB x Dann gilt L A L B = L AB. Notation. Wir schreiben in M n n (K): I n := I n M n n (K) wird auch die n n Einheitsmatrix genannt. Satz (Rechenregeln für Matrizen). (a) A M k l (K), B M l m (K), C M m n (K). Dann gilt: A(BC) = (AB)C, d.h. Matrizenmultiplikation ist assoziativ (sofern die Produkte definiert sind). (b) A, B M l m (K), C, D M m n (K). Dann gilt A(C + D) = AC + AD, (A + B)C = AC + BC, d.h. Matrizenaddition und Matrizenmultiplikation sind distributiv (sofern die Produkte/Summen definiert sind). 2
21 (c) A M m n (K). Dann gilt: I m A = A = AI n. Korollar M n (K) := M n n (K) ist mit der obigen Matrizenaddition und der obigen Matrizenmultiplikation ein Ring mit der Nullmatrix n M n n (K) (in der alle Koeffizienten sind) als Nullelement, und der Einheitsmatrix I n als Einselement. Bemerkung. n = : M (K) = K (als Ring). M (K) ist aber im eigentlichen Sinne nicht identisch mit K: M (K) sind die Elemente aus K mit Klammern drumherum. n 2: M n (K) ist nicht kommutativ, z.b. für n = 2: ( ) ( ) ( = aber ( ) ( ) = ( Definition und Satz Sei f : V W eine lineare Abbildung zwischen K-Vektorräumen V und W. Der Kern von f ist definiert als Das Bild von f ist definiert als Kern(f) ist ein Untervektorraum von V. Bild(f) ist ein Untervektorraum von W. (Beweis: Übung!) ) ) Kern(f) = {x V f(x) = } ; Bild(f) = {f(x) x V }. Bemerkung. Insbesondere in der englischsprachigen Literatur schreibt man oft ker(f) statt Kern(f) (engl. kernel) und im(f) statt Bild(f) (engl. image). Satz Sei f : V W eine lineare Abbildung zwischen K-Vektorräumen V und W. Dann gilt: f injektiv Kern(f) = {} [ x V : f(x) = = x = ]. 2
22 Lemma Sei V ein K-Vektorraum mit dim V = n <, und sei U V ein Untervektorraum von V. Dann gilt dim U dim V. Satz (Dimensionsformel für lineare Abbildungen). Sei f : V W eine lineare Abbildung zwischen K-Vektorräumen V und W, wobei dim V = n <. Dann gilt dim V = dim Kern(f) + dim Bild(f) Beweisskizze. Zeige: endliche Basis von Kern(f), sagen wir, x,..., x k mit k n (benütze Lemma 2.3.3). Ergänze dies zu einer Basis x,..., x k, y,..., y l von V (warum geht das?) Zeige: Bild(f) = Lin{f(y ),..., f(y l )}. Zeige: f(y ),..., f(y l ) ist ein linear unabhängiges Vektorensystem in Bild(f). Folgere hieraus: f(y ),..., f(y l ) ist eine Basis von Bild(f). Zeige schließlich: dim V = dim Kern(f) + dim Bild(f). Bemerkung. Diese Formel gilt im Prinzip auch, falls dim V = ist. Denn dann gilt dim Kern(f) = oder dim Bild(f) =. (Warum?) Korollar Sei f : V W eine lineare Abbildung zwischen K-Vektorräumen V und W mit dim V = dim W = n <. Dann gilt: f injektiv f surjektiv f bijektiv. Sei nun A M m n (K), b K m, und sei der Nullvektor in K m. Betrachte das LGS (A b). Dann gilt offenbar für die Lösungsmenge und daher L(A b) = { x K n A x = b} = { x K n L A ( x) = b} Korollar L(A ) = Kern(L A ). Insbesondere gilt: Sei  M m n (K) eine Matrix, die durch elementare Zeilenumformungen aus A gewonnen werden kann. Wir wissen, dass L(A ) = L( ). Daher auch Kern(L A ) = Kern(LÂ). Definition Sei V ein K-Vektorraum. Eine nichtleere Teilmenge U V heißt affiner Unterraum von V falls es einen Untervektorraum W von V und ein v V gibt mit U = v + W := {v + w w W }. 22
23 ( ) ( ) ( x 2 Beispiel. () Die Gerade = + t { ( ) y ( ) 2 t t R} und v =. ), t R. Hier: U = (2) Die Ebene {(x, y, z) x y + z = } in R 3. Hier hat man dann W = {(x, y, z) x y + z = } = L(( )), v = (,, ) (oder v = (,, ), oder... ). (3) A M m n (K), b K m. L(A b) ist affiner Unterraum von K n sofern es eine Lösung c K n gibt (d.h. A c = b): dann gilt L(A b) = c + L(A ). Satz V K-Vektorraum, U V affiner Unterraum. () Sei W ein Untervektorraum von V und v V sodass U = v + W. Sei v V. Dann gilt: U = v + W v U. (2) U ist ein Untervektorraum von V U. 2.5 Rang von Matrizen und LGS Notation. Sei A = a... a n.. a m... a mn Wir bezeichnen die Spaltenvektoren mit und die Zeilenvektoren mit a i = a i. a mi M m n (K) K m (S) a i = (a i... a in ) K n (Z) Definition () Sei V ein K-Vektorraum. Man definiert den Rang eines Vektorensystems v,..., v n in V als Rang{v,..., v n } := dim Lin{v,..., v n }. (2) Sei A M m n (K) mit Zeilenvektoren a i K(Z) n, i m, und Spaltenvektoren a j K(S) m, j n. Man definiert den Zeilenrang Rang Z(A) bzw. Spaltenrang Rang S (A) von A wie folgt: Rang Z (A) := Rang{a,..., a m } Rang S (A) := Rang{ a,..., a n } 23
24 Definition und Satz (Rangformel für Matrizen). Sei A M m n (K). Dann gilt: Rang Z (A) = Rang S (A) Also: Zeilenrang gleich Spaltenrang. Man definiert daher den Rang von A als Rang(A) := Rang Z (A) (= Rang S (A)). Zum Beweis zeigt man zuerst den folgenden Spezialfall: Lemma Sei A M m n (K) in Zeilenstufenform. Dann gilt: Rang Z (A) = Rang S (A). Nun benötigt man folgende Beobachtung: Lemma Sei v,..., v n ein Vektorensystem in einem K-Vektorraum V. Der Rang dieses Vektorensystems ändert sich nicht, wenn man () zwei Vektoren darin vertauscht; (2) v i durch v i + λv j ersetzt für λ K und i j; (3) v i durch λv i ersetzt für λ K. Diese Operationen, angewandt auf die Zeilen einer Matrix, entsprechen den elementaren Zeilenumformungen. Man erhält also Korollar Sei A M m n (K). Sei  M m n (K) eine Matrix in Zeilenstufenform, die durch elementare Zeilenumformungen aus A gewonnen wurde. Dann gilt Rang Z (A) = Rang Z (Â). Wir benötigen schließlich Lemma Sei A M m n (K) und L A : K(S) n Km (S) gilt Rang S (A) = dim Bild(L A ). : x A x. Dann Beweis der Rangformel. Sei A M m n (K) gegeben und  eine Matrix in Zeilenstufenform, die durch elementare Zeilenumformungen aus A gewonnen wurde. Es gilt: Rang Z (A) (2.5.5) = Rang (Â) (2.5.3) Z = Rang (Â) S (2.5.6) = dim Bild(LÂ) (2.4.6) = n dim Kern(L A ) (2.5.6) = Rang S (A) (2.4.4) = n dim Kern(LÂ) (2.4.4) = dim Bild(L A ) 24
25 Korollar Sei A M m n (K), b K m (S). Dann gilt: LGS (A b) hat eine Lösung Rang(A) = Rang(A b). Korollar (Dimensionsformel für LGS). Sei A M m n (K). Dann gilt: dim L(A ) = n Rang(A). Korollar Sei A M m n (K), b K m (S). Dann gilt: LGS (A b) hat eine eindeutige Lösung Rang(A) = Rang(A b) = n. Korollar Sei A M m n (K). Dann gilt: LGS (A b) hat eine Lösung für alle b K(S) m Rang(A) = m. 2.6 Reguläre Matrizen Die Menge M n (K) = M n n (K) der (quadratischen) n n Matrizen ist ein Ring für die Matrizenaddition/multiplikation mit Einselement I n. Wir erinnern daran, dass die Einheitengruppe dieses Rings definiert ist als M n (K) = {A M n (K) A hat ein multiplikatives Inverses} = {A M n (K) B M n (K) : AB = BA = I n } Für ein B mit AB = BA = I n schreiben wir auch A := B. Für A M n (K) gilt sicher Rang(A) n. Definition () A M n (K) heißt regulär falls Rang(A) = n. (2) A M n (K) heißt invertierbar falls A M n (K). (3) Man schreibt auch GL n (K) für M n (K) und nennt GL n (K) die allgemeine lineare Gruppe vom Grad n. Bemerkung. Wir wissen, dass für A M n (K) gilt: Rang(A) = dim Bild(L A ). Damit folgt sofort: A regulär Rang(A) = dim Bild(L A ) = n Bild(L A ) = K n (S) L A surjektiv L A injektiv L A bijektiv (die letzten beiden Äquivalenzen: 2.4.5). Satz Sei A M n (K). Dann sind äquivalent: (i) A regulär; (ii) b K n (S) : LGS (A b) hat eine eindeutige Lösung; (iii) B M n (K) : BA = I n ; 25
26 (iv) C M n (K) : AC = I n ; (v) A invertierbar; (vi) L A bijektiv. Satz Sei A M n (K) regulär. Dann kann A durch elementare Zeilenumformungen in I n übergeführt werden. Definition Die elementaren Matrizen in M n (K) sind definiert wie folgt: Für k, l n, k l: E kl = (a ij ) mit a ii = für i k, l, a kk = a ll =, a kl = a lk =, a ij = für alle i j mit (i, j) (k, l), (l, k); Für k, l n, k l, λ K: E kl (λ) = (b ij ) mit b ii = i, b kl = λ, b ij = für alle i j mit (i, j) (k, l); Für k n, λ K : E kk (λ) = (c ij ) mit c ii = für i k, c kk = λ, c ij = für i j. Lemma Sei A M n m (K). E kl A erhält man aus A durch Vertauschen der k-ten mit der l-ten Zeile; E kl (λ)a erhält man aus A durch Addieren des λ-fachen der l-ten Zeile zur k-ten Zeile; E kk (λ)a erhält man aus A durch Multiplizieren der k-ten Zeile mit λ. Satz (Verfahren zur Bestimmung des Inversen einer Matrix). Sei A M n (K). Betrachte die n 2n Matrix (A I n ). Wende elementare Zeilenumformungen auf (A I n ) an, sodass dabei A in Zeilenstufenform  übergeht: dies entspricht dem sukzessiven Multiplizieren von (A I n) von links mit elementaren Matrizen E,..., E r : E r... E (A I n ) = (E r... E A E r... E I n ) = ( B) mit B := E r... E. Man bestimme Rang(Â) = Rang(A). Falls Rang(A) < n, so haben wir kein Inverses. Falls Rang(A) = n, so existiert ein Inverses und wir wenden elementare Zeilenumformungen auf ( B) an, sodass  in I n übergeht: dies entspricht dem sukzessiven Multiplizieren von ( B) von links mit elementaren Matrizen E,..., E s: E s... E ( B) = (E s... E  E s... E B) = (I n C) mit C := E s... E B = E s... E E r... E. Dann gilt: A = C. 26
27 Beweis. Wir müssen nur noch zeigen, dass, falls Rang(A) = n, für obiges C gilt: C = A. Aber wir wissen: A existiert, falls Rang(A) = n. Wir wissen nach Konstruktion auch: CA = I n. Also A = I n A = (CA)A = C(AA ) = CI n = C. Beispiel. Also: (2) (), (3) 2 () (2), (3) 3 (2) /2 (3) (2) + (3) () (2) /2 3/2 /2 /2 /2 /2 /2 3/2 /2 /2 /2 /2 /2 /2 /2 /2 3/2 /2 = /2 /2 /2 /2 /2 /2 /2 3/2 /2 Korollar A M n (K) invertierbar (regulär) A ist ein Produkt von elementaren Matrizen. Bemerkung. AE kl erhält man aus A durch Vertauschen der k-ten mit der l-ten Spalte; AE kl (λ) erhält man aus A durch Addieren des λ-fachen der k-ten Spalte zur l-ten Spalte; AE kk (λ) erhält man aus A durch Multiplizieren der k-ten Spalte mit λ. 27
28 Bemerkung. Sei A M n (K), b K(S) n. Wir wissen: eine eindeutige Lösung c K(S) n des LGS (A b) Rang A = n A existiert. Also: A c = b = c = A A }{{} =I n c = A b ( ). Insbesondere gilt dann: Kennt man A (sofern es existiert), so lässt sich das LGS (A b) leicht mittels ( ) lösen. 2.7 Koordinatensysteme und Darstellungsmatrizen Satz Seien V, W K-Vektoräume mit dim V = n <, sei v,..., v n eine Basis von V und w,..., w n ein Vektorensystem in W. Dann existiert genau eine lineare Abbildung F : V W mit F (v i ) = w i, i n. Ferner gilt: () F injektiv w,..., w n linear unabhängig; (2) F surjektiv w,..., w n ist ein Erzeugendensystem von W ; (3) F bijektiv w,..., w n ist eine Basis von W. Definition und Satz Zwei K-Vektorräume heißen isomorph, in Zeichen V = W, falls es einen Vektorraumisomorphismus f : V W gibt. Isomorphie definiert eine Äquivalenzrelation zwischen K-Vektorräumen. Korollar Sei V ein K-Vektorraum, dim V = n <, sei B : v,..., v n eine Basis von V, und sei e =.,..., e n =. die Standardbasis von K n. Dann existiert ein eindeutig bestimmter Vektorraumisomorphismus ( n ) n λ Ψ B : V K n : ψ B λ i v i = λ i e i =. i= i= λ n Insbesondere gilt V = K n. Definition Ein solcher Isomorphismus Ψ B heißt auch Koordinatensystem in V. Falls x = n i= λ iv i V, so heißt λ i die i-te Koordinate von V bzgl. der Basis B : v,..., v n. 28
29 Bemerkung. Sei f : V K n ein Vektorraumisomorphismus mit Umkehrabbildung f : K n V (welche wieder ein Vektorraumisomorphismus ist nach 2.4.2). Sei v i := f ( e i ). Dann ist das Vektorensystem B : v,..., v n eine Basis von V (nach 2.7.), und es gilt also f = Ψ B. Also lässt sich jeder Vektorraumisomorphismus f : V K n wie in beschreiben für eine geeignete Basis B. Korollar Seien V, W K-Vektorräume mit dim V = n <, sei v,..., v n eine Basis von V und sei f : V W linear. () f injektiv f(v ),..., f(v n ) linear unabhängig; (2) f surjektiv f(v ),..., f(v n ) ist ein Erzeugendensystem von W ; (3) f bijektiv f(v ),..., f(v n ) ist eine Basis von W. Korollar Seien V, W endlich erzeugte K-Vektorräume. Dann gilt: V = W dim V = dim W. Definition und Satz Seien V, W K-Vektorräume mit dim V = n < und dim W = m <. Seien A : v,..., v n eine Basis von V und B : w,..., w m eine Basis von W. Sei f : V W linear. Wir haben: V f W Ψ A K n F Ψ B K m und definieren F := ψ B f Ψ A : Kn K m. Wir wissen: es existiert eine eindeutig bestimmte Matrix D M m n (K) mit F = L D. Man nennt D die Darstellungsmatrix der linearen Abbildung f : V W bzgl. der Basen A und B, in Zeichen: MB A (f) := D. Seien x = n i= λ iv i und f(x) = m i= µ iw i mit λ i, µ i K, so gilt D λ. λ n = Bemerkung. Mit den Notationen wie zuvor gilt: Sei f(v j ) = m i= d ijw i, j n, dann hat man D = M A B (f) = µ. µ m d... d n.. d m... d mn. 29
30 Beispiel. () V = R[X] 3, f : V V : P (X) P (X). Sei A = B :, X, X 2, X 3. Dann gilt MA A (f) = 2 3. (2) Sei V = R[X] 3, W = R[X] 2, f : V W : P (X) P (X). A : + X 3, + X 2, + X, X und B :, + X, + X + X 2. Dann gilt 2 MB A (f) = Definition Sei f : V W eine lineare Abbildung zwischen K-Vektorräumen. Der Rang von f ist definiert als Rang(f) := dim Bild(f). Satz Sei f : V W eine lineare Abbildung zwischen K-Vektorräumen mit dim V = n <, dim W = m <. () Seien A eine Basis von V und B eine Basis von W. Dann gilt: Rang(f) = Rang(M A B (f)). (2) Sei Rang(f) = r. Dann können die Basen A und B so gewählt werden, dass ( ) MB A Ir (f) = r (n r) (n r) r (n r) (n r) (wobei k l die k l Nullmatrix ist). 2.8 Direkte Summe und Quotientenräume Satz Seien U, U 2 endlich erzeugte Untervektorräume eines K-Vektorraums V. Dann sind U U 2 und U + U 2 endlich erzeugte Untervektorräume von V und es gilt: dim(u + U 2 ) = dim U + dim U 2 dim(u U 2 ). Bemerkung. Für Untervektorräume U, U 2, U 3 gilt i.a. (U + U 2 ) U 3 (U U 3 ) + (U 2 U 3 ). Z.B. in R 2 : U = {t ( ) t R}, U2 = {t ( ) t R}, U3 = {t ( ) t R}. Hier hat man U + U 2 = R 2 und somit (U + U 2 ) U 3 = U 3, aber U U 3 = U 2 U 3 = {}, also (U U 3 ) + (U 2 U 3 ) = {}. 3
31 Definition Seien U, U 2 Untervektorräume eines K-Vektorraums V. Man sagt, dass V direkte Summe von U und U 2 ist falls gilt: (DS) V = U + U 2 ; (DS2) U U 2 = {}. Man schreibt dann auch: V = U U 2. Bemerkung. () V = V {}. () Sei V = U U 2. Falls V endlich erzeugt ist, so gilt dim V = dim U + dim U 2. Ist x,..., x m Basis von U, y,..., y n Basis von U 2, so ist x,..., x m, y,..., y n Basis von V. (2) Sei W V ein Untervektorraum. Man nennt einen Untervektorraum U V Komplement von W in V falls gilt V = W U. Ein solches Komplement existiert immer: sei B Basis von W, ergänze diese zu einer Basis A von V, sei B = A \ B. Dann ist U = Lin(B ) ein Komplement von W in V : V = W U. (3) Sei W V ein Untervektorraum. Komplemente von W in V sind i.a. nicht eindeutig bestimmt: z.b. gilt im Beispiel in vorangegangener Bemerkung in R 2 : R 2 = U U 2 = U U 3 = U 2 U 3. (4) Die folgenden Aussagen sind äquivalent: V = U U 2 ; V = U + U 2, und x i U i, i =, 2 gilt: x + x 2 = = x = x 2 = ; V = U + U 2, und x i, y i U i, i =, 2 gilt: x + x 2 = y + y 2 = x = y und x 2 = y 2. (5) Der Begriff der direkten Summe kann auf mehr als zwei Summanden ausgedehnt werden: Seien U,..., U n Untervektorräume von V. Man sagt, dass V die direkte Summe der Untervektorräume U,..., U n ist, in Zeichen V = U... U n, falls gilt: V = U U n, und falls x i U i, i n, mit x x n =, dann gilt x =... = x n =. 3
32 In diesem Fall gilt dim V = n i= dim U i. Damit gilt z.b.: Sei x,..., x n Basis von V, so gilt V = Kx... Kx n. Definition und Satz Sei V ein K-Vektorraum, U V ein Untervektorraum. Wir definieren die folgende Relation auf V : x, y V : x y : x y U. () Diese Relation ist eine Äquivalenzrelation auf V. Die Äquivalenzklasse von x V wird mit [x] U bezeichnet. (2) Es gilt: [x] U = x + U (dies ist also ein affiner Unterraum von V ). Die Menge der Äquivalenzklassen wird mit V/U bezeichnet: V/U := {[x] U x V } (3) Auf V/U definiert man eine Addition und eine Skalarmultiplikation wie folgt: x, y V, λ K: [x] U + [y] U := [x + y] U λ [x] U := [λx] U Diese Operationen sind wohldefiniert und mit ihnen wird V/U zu einem K- Vektorraum, den man Quotientenraum (oder Faktorraum) von V bzgl. U nennt (man sagt V über U oder V modulo U ). Satz Sei V ein endlich erzeugter K-Vektorraum, U V ein Untervektorraum. Dann gilt dim(v/u) = dim V dim U. Bemerkung. Der Beweis zeigt: Sei V ein endlich erzeugter K-Vektorraum, U V ein Untervektorraum, und W ein Komplement von U in V, d.h. V = U W. Ist w,..., w m Basis von W, so ist [w ] U,..., [w m ] U Basis von V/U. Satz Sei f : V W ein Vektorraumhomomorphismus. Die folgende Abbildung f : V/ Kern(f) W ist wohldefiniert und linear: f : V/ Kern(f) W : [x] Kern(f) f(x) Es gilt: f ist injektiv und Bild(f) = Bild(f). Somit ist f : V/ Kern(f) Bild(f) ein Vektorraumisomorphismus: V/ Kern(f) = Bild(f) Insbesondere gilt: dim(v/ Kern(f)) = dim V dim Kern(f) = dim Bild(f). Bemerkung. Hiermit hat man automatisch auch einen neuen Beweis von Satz 2.4.4: dim V = dim Kern(f) + dim Bild(f). 32
2.4 Lineare Abbildungen und Matrizen
24 Lineare Abbildungen und Matrizen Definition 24 Seien V, W zwei K-Vektorräume Eine Abbildung f : V W heißt lineare Abbildung (lineare Transformation, linearer Homomorphismus, Vektorraumhomomorphismus
Mehr2.3 Basis und Dimension
23 Basis und Dimension Erinnerung Gegeben ein K-Vektorraum V, ein Vektorensystem x,, x n in V Eine Linearkombination in den x i ist ein Vektor der Form λ x + + λ n x n mit λ i K Die λ i heißen Koeffizienten
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
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,...,
Mehr1 Linearkombinationen
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Linearkombinationen Unter einer Linearkombination versteht man in der linearen Algebra einen Vektor, der sich durch
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
MehrMathematik I. Vorlesung 12. Lineare Abbildungen
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 12 Lineare Abbildungen Definition 12.1. Es sei K ein Körper und es seien V und W K-Vektorräume. Eine Abbildung heißt lineare Abbildung,
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
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
Mehrtechnische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 4.3 und 4.4
Mehr5 Lineare Abbildungen
5 Lineare Abbildungen Pink: Lineare Algebra 2014/15 Seite 59 5 Lineare Abbildungen 5.1 Definition Gegeben seien Vektorräume U, V, W über einem Körper K. Definition: Eine Abbildung f : V W heisst K-linear,
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
Mehr5 Vektorräume. (V1) für alle x, y V : x + y = y + x; (V2) für alle x, y, z V : (x + y) + z = x + (y + z);
5 Vektorräume Was wir in den vorangegangenen Kapiteln an Matrizen und Vektoren gesehen haben, wollen wir nun mathematisch abstrahieren. Das führt auf den Begriff des Vektorraumes, den zentralen Begriff
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrKap 5: Rang, Koordinatentransformationen
Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv
Mehr5 Lineare Abbildungen
5 Lineare Abbildungen Pink: Lineare Algebra HS 2014 Seite 56 5 Lineare Abbildungen 5.1 Definition Gegeben seien Vektorräume U, V, W über einem Körper K. Definition: Eine Abbildung f : V W heisst K-linear,
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
Mehr32 2 Lineare Algebra
3 Lineare Algebra Definition i Die Vektoren a,, a k R n, k N, heißen linear unabhängig genau dann, wenn für alle λ,, λ k R aus der Eigenschaft λ i a i λ a + + λ k a k folgt λ λ k Anderenfalls heißen die
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
Mehr5. Matrizen und Determinanten
technische universität dortmund Dortmund, im Januar 01 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 1 und Matrizen und
Mehrβ 1 x :=., und b :=. K n β m
44 Lineare Gleichungssysteme, Notations Betrachte das lineare Gleichungssystem ( ) Sei A = (α ij ) i=,,m j=,n α x + α x + + α n x n = β α x + α x + + α n x n = β α m x + α m x + + α mn x n = β m die Koeffizientenmatrix
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
MehrKapitel II. Vektorräume
Inhalt der Vorlesung LAAG I Prof. Dr. Arno Fehm TU Dresden WS2017/18 Kapitel II. Vektorräume In diesem ganzen Kapitel sei K ein Körper. 1 Definition und Beispiele 1.1 Beispiel. Ist K = R, so haben wir
MehrLineare Algebra. Wintersemester 2017/2018. Skript zum Ferienkurs Tag Claudia Nagel Pablo Cova Fariña. Technische Universität München
Technische Universität München Wintersemester 27/28 Lineare Algebra Skript zum Ferienkurs Tag 2-2.3.28 Claudia Nagel Pablo Cova Fariña Wir danken Herrn Prof. Kemper vielmals für seine Unterstützung bei
MehrAufgaben zur linearen Algebra und analytischen Geometrie I
Aufgaben zur linearen Algebra und analytischen Geometrie I Es werden folgende Themen behandelt:. Formale und logische Grundlagen 2. Algebraische Grundlagen 3. Vektorräume und LGS 4. Homomorphismen und
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrGegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.
1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild
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
Mehr4 Vektorräume. 4.1 Definition. 4 Vektorräume Pink: Lineare Algebra 2014/15 Seite 48. Sei K ein Körper.
4 Vektorräume Pink: Lineare Algebra 2014/15 Seite 48 4 Vektorräume 4.1 Definition Sei K ein Körper. Definition: Ein Vektorraum über K, oder kurz ein K-Vektorraum, ist ein Tupel (V,+,, 0 V ) bestehend aus
MehrLINEARE ALGEBRA II. FÜR PHYSIKER
LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders
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
Mehr(1) In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt.
() In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt. a) Es seien A und B beliebige n n-matrizen mit Einträgen in einem Körper K.
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
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
Mehr2 Vektorräume und Gleichungssysteme
2 Vektorräume und Gleichungssysteme 21 Der n-dimensionale K-Vektorraum 2 Vektorräume und Gleichungssysteme 21 Der n-dimensionale K-Vektorraum Definition 21 Seien K = (K, +, ) ein Körper, V eine Menge und
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
Mehr(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:
MehrVektorräume. Kapitel Definition und Beispiele
Kapitel 3 Vektorräume 3.1 Definition und Beispiele Sei (V,,0) eine abelsche Gruppe, und sei (K, +,, 0, 1) ein Körper. Beachten Sie, dass V und K zunächst nichts miteinander zu tun haben, deshalb sollte
Mehr1 Eigenschaften von Abbildungen
Technische Universität München Christian Neumann Ferienkurs Lineare Algebra für Physiker Vorlesung Dienstag WS 2008/09 Thema des heutigen Tages sind zuerst Abbildungen, dann spezielle Eigenschaften linearer
MehrFerienkurs Mathematik für Physiker I Skript Teil 2 ( )
Ferienkurs Mathematik für Physiker I WS 206/7 Ferienkurs Mathematik für Physiker I Skript Teil 2 (28.03.207) Vektorräume Bevor wir zur Definition eines Vektorraumes kommen erinnern wir noch einmal kurz
Mehr1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen
MehrLineare Algebra. 7. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra 7. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching November 9, 27 Erinnerung 2 Vektoräume Sei V ein Vektorraum, U V, U {}. U hiesst Untervektorraum, Unterraum,
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
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
MehrKapitel II. Vektorräume. Inhalt: 7. Vektorräume 8. Basis und Dimension 9. Direkte Summen und Faktorräume
Kapitel II. Vektorräume Inhalt: 7. Vektorräume 8. Basis und Dimension 9. Direkte Summen und Faktorräume Die fundamentale Struktur in den meisten Untersuchungen der Linearen Algebra bildet der Vektorraum.
Mehr02. Vektorräume und Untervektorräume
02. Vektorräume und Untervektorräume Wir kommen nun zur eigentlichen Definition eines K-Vektorraums. Dabei ist K ein Körper (bei uns meist R oder C). Informell ist ein K-Vektorraum eine Menge V, auf der
MehrMathematik für Anwender I
Prof. Dr. H. Brenner Osnabrück WS 2011/2012 Mathematik für Anwender I Vorlesung 9 Lineare Abbildungen Definition 9.1. Es sei K ein Körper und es seien V und W Vektorräume über K. Eine Abbildung ϕ : V W
MehrLineare Abbildungen und Matrizen
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 31. Mai 2016 Stefan Ruzika 9: Lineare Abbildungen und Matrizen 31. Mai 2016 1 / 16 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
Mehr13 Partielle Ableitung und Richtungsableitung
3 PARTIELLE ABLEITUNG UND RICHTUNGSABLEITUNG 74 3 Partielle Ableitung und Richtungsableitung 3 Definition und Notiz Sei B R n offen, f : B R m, v R n, so heißt für γ x,v (t) = x + tv d dt f(x + tv) f(x)
MehrTutorium: Analysis und Lineare Algebra
Tutorium: Analysis und Lineare Algebra Vorbereitung der Bonusklausur am 14052018 (Teil 1) 7 Mai 2018 Steven Köhler mathe@stevenkoehlerde mathestevenkoehlerde 2 c 2018 Steven Köhler 7 Mai 2018 Matrizen
MehrBeweis. Bei (a) handelt es sich um eine Umformulierung des ersten Teils von Satz 6.2, während (b) aus dem zweiten Teil des genannten Satzes folgt.
82 Kapitel III: Vektorräume und Lineare Abbildungen Beweis. Bei (a) handelt es sich um eine Umformulierung des ersten Teils von Satz 6.2, während (b) aus dem zweiten Teil des genannten Satzes folgt. Wir
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 +
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
MehrGrundlegende Definitionen aus HM I
Grundlegende Definitionen aus HM I Lucas Kunz. März 206 Inhaltsverzeichnis Vektorraum 2 2 Untervektorraum 2 Lineare Abhängigkeit 2 4 Lineare Hülle und Basis 5 Skalarprodukt 6 Norm 7 Lineare Abbildungen
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Matrizen und Vektoren, LGS, Gruppen, Vektorräume 1.1 Multiplikation von Matrizen Gegeben seien die Matrizen A := 1 1 2 0 5 1 8 7 Berechnen Sie alle möglichen
Mehr6.5 Lineare Abhängigkeit, Basis und Dimension
6.5. Lineare Abhängigkeit, Basis und Dimension 123 6.5 Lineare Abhängigkeit, Basis und Dimension Seien v 1,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von
MehrMusterlösung. 1 Relationen. 2 Abbildungen. TUM Ferienkurs Lineare Algebra 1 WiSe 08/09 Dipl.-Math. Konrad Waldherr
TUM Ferienkurs Lineare Algebra WiSe 8/9 Dipl.-Math. Konrad Waldherr Musterlösung Relationen Aufgabe Auf R sei die Relation σ gegeben durch (a, b)σ(c, d) : a + b c + d. Ist σ reflexiv, symmetrisch, transitiv,
Mehr1 Lineare Abbildungen
1 Lineare Abbildungen Definition 1 Sei K ein Körper und V und W K-Vektoräume. Eine Abbildung f : V W heisst linear oder Homomoprhismus, wenn gilt: fv 1 + v 2 = fv 1 + fv 2 v 1, v 2 V fλv = λfv λ K, v V
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 5. April 2018 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
Mehr4.2 Quotientenvektorräume
306 LinAlg II Version 1 6. Juni 2006 c Rudolf Scharlau 4.2 Quotientenvektorräume Zum Verständnis der folgenden Konstruktion ist es hilfreich, sich noch einmal den Abschnitt 1.4 über Restklassen vom Beginn
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
MehrLineare Algebra. 6. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra 6. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching November, 7 Vektoräume Eine Menge E zusammen mit zwei Verknüpfungen + : E E E, x, y x + y Addition : E E E,
MehrLineare Algebra und analytische Geometrie I
Prof Dr H Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 12 Wege entstehen dadurch, dass man sie geht Franz Kafka Invertierbare Matrizen Definition 121 Es sei K ein
Mehr4 Lineare Abbildungen und Matrizen
4.1 Lineare Abbildungen Definition 4.1. Es seien V, W K-Vektorräume. Eine Abbildung f : V W heißt linear oder Homomorphismus, wenn für alle u, v V und λ K gilt Beispiel 4.2. L1 f(u + v) = f(u) + f(v),
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 5/6): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Semestrale Lineare Algebra 1 Prof. Dr. F. Roesler
................ Note I II Name Vorname 1 Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 Unterschrift der Kandidatin/des Kandidaten 3 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik
Mehr2.4 Matrizen und Lineare Abbildungen
Lineare Algebra I WS 2015/16 c Rudolf Scharlau 73 2.4 Matrizen und Lineare Abbildungen Zum Schluss von Abschnitt 2.2 hatten wir Matrizen eingeführt, und zwar im Zusammenhang mit der abgekürzten Schreibweise
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrIn diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum,
2 Vektorräume In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa Unterraum, Linearkombination, lineare Unabhängigkeit und Erzeugendensystem.
MehrKapitel II. Vektoren und Matrizen
Kapitel II. Vektoren und Matrizen Vektorräume A Körper Auf der Menge R der reellen Zahlen hat man zwei Verknüpfungen: Addition: R R R(a, b) a + b Multiplikation: R R R(a, b) a b (Der Malpunkt wird oft
MehrKURZSKRIPT ZUR VORLESUNG LINEARE ALGEBRA UND ANALYTISCHE GEOMETRIE I IM WS 2017/18
KURZSKRIPT ZUR VORLESUNG LINEARE ALGEBRA UND ANALYTISCHE GEOMETRIE I IM WS 207/8. Mengen und Zahlen Eine Menge X besteht aus Elementen. X ist eine Teilmenge von Y, geschrieben X Y, wenn jedes Element von
Mehr2.3 Lineare Abbildungen und Matrizen
2.3. LINEARE ABBILDUNGEN UND MATRIZEN 89 Bemerkung Wir sehen, dass die Matrix à eindeutig ist, wenn x 1,...,x r eine Basis ist. Allgemeiner kann man zeigen, dass sich jede Matrix mittels elementarer Zeilenumformungen
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
MehrÜbungen zur Linearen Algebra 1 Probeklausur Musterlösung: Aufgabe A
Musterlösung: Aufgabe A Wir betrachten die Matrix A = 1 4 1 1 3 1 4 5 2 M(3 3, Q) und die dazugehörige Abbildung f : Q 3 Q 3 ; v A v. Für j = 1, 2, 3 bezeichne v j Q 3 die j-te Spalte von A. Teilaufgabe
MehrKlausurenkurs zum Staatsexamen (SS 2016): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 6): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
Mehrx y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen)
Def Wiederholung Sei f : V U eine lineare Abbildung Das Bild von f ist die folgende Teilmenge von U: Bild f = {u U so dass es gibt ein Element v V mit f (v) = u} (Andere Bezeichnung: f (V) wird in Analysis-Vorlesung
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
MehrLösungsskizze zur Hauptklausur Lineare Algebra I
Lösungsskizze zur Hauptklausur Lineare Algebra I Aufgabe Seien V und W zwei K-Vektorräume für einen Körper K. a) Wann heißt eine Abbildung f : V W linear? b) Wann heißt eine Abbildung f : V W injektiv?
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem
Mehr1 Transponieren, Diagonal- und Dreiecksmatrizen
Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix
MehrLineare Algebra I. Probeklausur - Lösungshinweise
Institut für Mathematik Wintersemester 2012/13 Universität Würzburg 19. Dezember 2012 Prof. Dr. Jörn Steuding Dr. Anna von Heusinger Frederike Rüppel Lineare Algebra I Probeklausur - Lösungshinweise Aufgabe
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 +
MehrDer Rangsatz für lineare Abbildungen
Der Rangsatz für lineare Abbildungen Satz Sei f : V W eine lineare Abbildung Dann gilt dim V = dim Kern(f) + dim Bild(f), also gleichbedeutend dim Kern(f) = dim V rg(f) Da uns in der Regel bei gegebenem
MehrLineare Algebra Weihnachtszettel
Lineare Algebra Weihnachtszettel 4..008 Die Aufgaben auf diesem Zettel sind zum Üben während der Weihnachtspause gedacht, sie dienen der freiwilligen Selbstkontrolle. Die Aufgaben müssen nicht bearbeitet
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrÜbersicht Kapitel 9. Vektorräume
Vektorräume Definition und Geometrie von Vektoren Übersicht Kapitel 9 Vektorräume 9.1 Definition und Geometrie von Vektoren 9.2 Teilräume 9.3 Linearkombinationen und Erzeugendensysteme 9.4 Lineare Abhängigkeiten
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
MehrFür die Matrikelnummer M = Dann sind durch A =
Musterlösung zum. Blatt 9. Aufgabe: Gegeben seien m 3 + 2 m m 3 m 2 m 4 + m 7 m 3 A := m m 2 m 2 + 2 m 2 m 4 + m 5 und b := m 6 m 4 + a) Finden Sie eine Lösung x R 7 für die Gleichung Ax =. b) Finden Sie
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
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
Mehr5 Die Allgemeine Lineare Gruppe
5 Die Allgemeine Lineare Gruppe Gegeben sei eine nicht leere Menge G und eine Abbildung (Verknüpfung) : G G G, (a, b) a b( a mal b ) Das Bild a b von (a, b) heißt Produkt von a und b. Andere gebräuchliche
MehrVektorräume und lineare Abbildungen
Kapitel 11. Vektorräume und lineare Abbildungen 1 11.1 Vektorräume Sei K ein Körper. Definition. Ein Vektorraum über K (K-Vektorraum) ist eine Menge V zusammen mit einer binären Operation + einem ausgezeichneten
Mehr