$Id: vektor.tex,v /01/24 14:10:45 hk Exp $ $Id: cartesisch.tex,v /01/24 14:28:24 hk Exp $
|
|
- Alke Kurzmann
- vor 7 Jahren
- Abrufe
Transkript
1 $Id: vektor.tex,v.7 20/0/24 4:0:45 hk Exp $ $Id: cartesisch.tex,v.3 20/0/24 4:28:24 hk Exp $ Vektorräume.5 Lineare Abbildungen Am Ende der letzten Sitzung hatten wir die sogenannten linearen Abbildungen f : V W zwischen zwei Vektorräumen eingeführt, und einige ihrer direkt aus der Definition ersichtlichen Eigenschaften aufgelistet. Insbesondere hatten wir das Bild und den Kern Bild(f := f(v = {f(x x V } Kern(f := {x V f(x = 0} einer solcgen linearen Abbildung definiert. Das Bild mißt sozusagen die Surjektivität einer linearen Abbildung, denn f ist genau dann surjektiv wenn Bild(f = W ist. Auf der anderen Seite mißt der Kern die Injektivität, in Lemma 9.(g wurde festgehalten das f genau dann injektiv ist wenn Kern(f = {0} ist. Im verbleibenden Teil dieses Abschnitts wollen wir die grundlegende Dimensionsformel herleiten, die einen Zusammenhang zwischen der Größe von Kern und Bild einer linearen Abbildung herstellt. Von besonderen Interesse werden die sogenannten Isomorphismen sein, dies sind lineare Abbildungen die zugleich surjektiv und injektiv, also bijektiv sind. Definition. (Isomorphismen von Vektorräumen Seien V, W zwei Vektorräume über K. Ein Isomorphismus von V nach W ist eine bijektive lineare Abbildung f : V W. Weiter nennen wir die Vektorräume V und W isomorph, geschrieben als V W, wenn es einen Isomorphismus von V nach W gibt. Wir kennen bereits einige Beispiele von Isomorphismen, nur dass wir diese bisher nicht so genannt haben. Ist etwa v,..., v n eine Basis von V, so ist die Koordinatenabbildung Ψ : K n V ; x n x i v i i= bijektiv und linear, also ein Isomorphismus. An diesem Beispiel kann man schön sehen, dass Isomorphismen im wesentlichen ein Übersetzungsmechanismus sind. Wollen wir irgendetwas im Vektorraum V untersuchen, so können wir dies entweder in V selbst tun, oder alles in Termen der Koordinaten bezüglich der Basis v,..., v n rechnen. Beide Sichtweisen sind völlig gleichwertig und der Isomorphismus Ψ stellt die Übersetzung zwischen ihnen her. Isomorphe Vektorräume sind also im wesentlichen gleich, und ein Isomorphismus beschreibt in welchem Sinne sie gleich sind. 2-
2 Wir wollen auch noch ein etwas komplizierteres Beispiel eines Isomorphismus besprechen. Bei unserer Untersuchung von Reihen in 7 hatten wir den Reihenbegriff über den Begriff der Partialsummen wieder auf Folgen zurückgeführt. Wir können uns das Bilden der Partialsummen also als eine Übersetzung zwischen Folgen und Reihen vorstellen, und dies ist in Wahrheit ein Beispiel eines Isomorphismus von Vektorräumen. Sei hierzu K {R, C} und betrachte den Vektorraum V := K N aller Folgen in K. Einen eigenen Reihenvektorraum führen wir nicht ein, wir denken uns die Reihe n=0 a n als die Folge (a n n N ihrer Summanden. Die Partialsummen sind dann die Abbildung ( n Σ : V V ; (a n n N a k Die Abbildung Σ ist linear und auch bijektiv, also ein Isomorphismus. Zum Nachweis der Bijektivität können wir gemäß 3.Lemma 3 die Umkehrabbildung hinschreiben, und diese ist durch die Differenzenabbildung : V V gegeben, die eine Folge (a n n N auf die durch { a a n a n, n, n := a 0, n = 0 gegebene Folge (a n n N abbildet. Den expliziten Nachweis dieser Behauptungen können Sie als eine Übungsaufgabe betrachten. Nach diesen Beispielen kommen wir nun zu einem allgemeinen Satz über das Verhalten von Basen und Dimension unter Isomorphismen. Lemma.0 (Grundeigenschaften von Isomorphismen Seien V, W zwei Vektorräume über K und f : V W eine lineare Abbildung. k=0 n N. (a Ist f ein Isomorphismus, so ist auch die Umkehrabbildung f Isomorphismus. : W V ein (b Sei v,..., v n eine Basis von V. Dann ist f genau dann ein Isomorphismus wenn f(v,..., f(v n eine Basis von W ist. Insbesondere ist dann auch W endlich erzeugt mit dim V = dim W. Beweis: (a Es ist nur zu zeigen, dass f : W V wieder eine lineare Abbildung ist. Seien also x, y W und λ K gegeben. Dann ist f (x+y = f (f(f (x+f(f (y = f (f(f (x+f (y = f (x+f (y und f (λx = f (λf(f (x = f (f(λf (x = λf (x, und damit ist f eine lineare Abbildung. (b Die zweite Aussage ist eine unmittelbare Folgerung der ersten Aussage, es reicht also letztere zu beweisen. 2-2
3 = Sei also f ein Isomorphismus. Nach Lemma 9.(c ist f(v,..., f(v n ein Erzeugendensystem von Bild(f = W, es ist also nur noch zu zeigen, dass diese Vektoren auch linear unabhängig sind. Hierzu seien λ,..., λ n K mit n i= λ if(v i = 0 gegeben. Dann ist auch ( n n f λ i v i = λ i f(v i = 0 = f(0 i= i= nach Lemma 9.(a, also ist auch n i= λ iv i = 0. Da die Vektoren v,..., v n linear unabhängig sind, folgt λ = = λ n = 0. Damit sind auch f(v,..., f(v n in W linear unabhängig. = Nun nehmen wir an, dass die Vektoren f(v,..., f(v n eine Basis von W bilden. Nach Lemma 9.(c ist dann Bild(f = f(v,..., f(v n = W, d.h. f : V W ist zumindest surjektiv. Nun sei v Kern(f ein Vektor im Kern von f, also f(v = 0. Es gibt λ,..., λ n K mit v = n i= λ iv i. Wegen ( n n λ i f(v i = f λ i v i = f(v = 0, i= i= ergibt die lineare Unabhängigkeit von f(v,..., f(v n auch λ = = λ n = 0, also v = n i= λ iv i = 0. Dies zeigt Kern(f = {0} und nach Lemma 9.(f ist f auch injektiv. Insgesamt ist f damit bijektiv, also ein Isomorphismus. Als nächstes Ziel wollen wir die schon erwähnte Dimensionsformel ansteuern. Diese wird insbesondere implizieren, dass es für eine lineare Abbildung f : V W zwischen Vektorräumen gleicher Dimension, zum Test auf Isomorphie ausreicht zu zeigen, dass f injektiv oder surjektiv ist, die andere Bedingung folgt dann automatisch. Zum Beweis der Dimensionsformel benötigen wir eine Hilfsaussage über Untervektorräume, die wir jetzt festhalten wollen. Lemma.: Seien V ein endlich erzeugter Vektorraum über K und U V ein Untervektorraum von V. Dann ist auch U endlich erzeugt mit m := dim U dim V =: n und es gibt eine Basis v,..., v n von V mit U = v,..., v m. Es ist genau dann dim U = dim V wenn U = V gilt. Beweis: Nach Korollar 7.(b ist für jedes System v,..., v r linear unabhängiger Vektoren aus U stets r n. Damit existiert ein System v,..., v m linear unabhängiger Vektoren in U der maximal möglichen Länge m n. Insbesondere sind diese Vektoren maximal linear unabhängig in U, also ist v,..., v m nach Lemma 4 eine Basis von U. Insbesondere ist U endlich erzeugt mit dim U = m n = dim V. Nach Satz 6.(c lassen sich die Vektoren v,..., v m zu einer Basis v,..., v n von V ergänzen. Es ist U = v,..., v m und im Fall m = n haben wir damit sogar U = v,..., v n = V. 2-3
4 Damit ist jetzt möglich die Dimensionsformel zu beweisen. Satz.2 (Dimensionsformel für lineare Abbildungen Seien V, W zwei endlich erzeugte Vektorräume über K und f : V W eine lineare Abbildung. Dann gilt dim Bild(f + dim Kern(f = dim V. Beweis: Nach Lemma 9.(e und Lemma existiert eine Basis v,..., v n von V mit Kern(f = v,..., v m wobei m = dim Kern(f ist. Wir behaupten, dass die Vektoren f(v m+,..., f(v n eine Basis des Bilds von f sind. Nach Lemma 9.(c sind die Vektoren f(v,..., f(v n ein Erzeugendensystem von Bild(f, und wegen f(v = = f(v m = 0 ist auch f(v m+,..., f(v n ein Erzeugendensystem von Bild(f. Es bleibt also nur noch die lineare Unabhängigkeit dieser Vektoren zu zeigen. Seien hierzu λ m+,..., λ n K mit n i=m+ λ if(v i = 0 gegeben. Dann ist auch ( n n f λ i v i = λ i f(v i = 0, also n i=m+ i=m+ i=m+ λ i v i Kern(f = v,..., v m. Also existieren λ,..., λ m K mit n i=m+ λ iv i = m i= λ iv i, also auch n i= λ iv i = 0. Da die Vektoren v,..., v n linear unabhängig sind, bedeutet dies λ = = λ n = 0, also insbesondere λ m+ = = λ n = 0. Damit sind die Vektoren f(v m+,..., f(v n linear unabhängig, und bilden somit eine Basis von Bild(f. Es folgt dim Bild(f = n m = dim V dim Kern(f. Korollar.3: Seien V, W zwei endlich erzeugte Vektorräume über K mit dim V = dim W und sei f : V W eine lineare Abbildung. Dann sind die folgenden Aussagen äquivalent: (a Die Abbildung f ist ein Isomorphismus. (b Die Abbildung f ist surjektiv. (c Die Abbildung f ist injektiv. 2-4
5 Beweis: Es reicht die Äquivalenz von (b und (c zu zeigen. Nach Lemma 9.(f und Lemma bestehen die Äquivalenzen: f ist injektiv Kern(f = {0} dim Kern(f = 0 dim V = dim Bild(f dim W = dim Bild(f W = Bild(f f ist surjektiv. 2 Der Vektorraum K n In Aufgabe (46 wird gezeigt, dass zwei endlich erzeugte Vektorräume über K {R, C} genau dann isomorph sind, wenn sie dieselbe Dimension haben. Insbesondere ist damit ein beliebiger n-dimensionaler Vektorraum V über K isomorph zum Vektorraum K n der Spaltenvektoren mit n Einträgen. In gewissen Sinne ist der K n damit der allgemeine n-dimensionale Vektorraum über K. Eine besondere Bedeutung hat natürlich der R 3 zur Beschreibung des gewöhnlichen Raums. Aber auch der R n für andere Werte von n spielt oftmals eine Rolle bei der Beschreibung räumlicher Vorgänge. Will man beispielsweise den vollständigen Zustand eines sich bewegenden Massepunktes beschreiben, so brauchen wir sowohl drei Koordinaten zur Beschreibung seiner Position als auch drei Koordinaten für seinen Geschwindigkeitsvektor, insgesamt hat man dann einen Vektor im R Affine Teilräume des K n Wir beginnen mit der Definition der üblichen geometrischen Objekte, wie Geraden und Ebenen. Wie wir sehen werden könnte man diese auf exakt dieselbe Weise auch in einem allgemeinen Vektorraum definieren, wir wollen uns hier aber auf den Spezialfall des Vektorraums K n beschränken. Als Startpunkt behandeln wir Ursprungsgeraden im K n, also Geraden die durch den Nullpunkt gehen. Eine solche Gerade l ist durch einen von Null verschiedenen Richtungsvektor v K n \{0} bestimmt, und die Gerade l besteht dann gerade aus den Vielfachen von v, also l = {tv t K} = v. 2-5
6 In anderen Worten sind die Ursprungsgeraden genau die eindimensionalen Untervektorräume des K n. Für Ebenen e durch den Ursprung erhalten wir ein ähnliches Ergebis, solche Mengen werden von zwei linear unabhängigen Richtungsvektoren u, v aufgespannt e = {tu + sv t, s K} = u, v, es handelt sich also genau um die zweidimensionalen Untervektorräume des K n. Allgemeine Geraden beziehungsweise Ebenen erhalten wir durch Verschieben der Ursprungsgeraden. Die entstehenden Teilmengen des K n sind die sogenannten affinen Teilräume eines Vektorraums. Definition 2. (Affine Teilräume eines Vektorraums Sei V ein Vektorraum über K. Eine Teilmenge A V heißt ein affiner Teilraum von V, wenn A = ist oder es einen Vektor v V und einen Teilraum U V von V mit gibt. A = v + U = {v + u u U} Ob man die leere Menge als einen affinen Teilraum betrachten will, ist weitgehend eine Geschmacksfrage und wird nicht einheitlich gehandhabt. Der Teilraum U in der Definition eines nichtleeren affinen Teilraums A eines Vektorraums V ist dabei eindeutig bestimmt. Nehme nämlich an, wir hätten zwei Teilräume U, U 2 V und zwei Aufpunkte v, v 2 V mit A = v + U = v 2 + U 2. Wegen v 2 = v v 2 + U 2 = v + U ist dann v 2 v U und für jedes u U 2 gibt es wegen v 2 + u v 2 + U 2 = v + U ein u U mit v 2 + u = v + u, also auch u = u (v 2 v U. Dies zeigt U 2 U. Analog folgt auch U U 2, es ist also U = U 2. Man nennt den eindeutig bestimmten Teilraum U V die Richtung des affinen Teilraums A von V. Insbesondere können wir damit die Dimension eines affinen Teilraums A eines Vektorraums V als { dim U, wenn A = v + U mit v V, U V, dim A :=, wenn A = definieren. Hiermit definieren wir jetzt: (a Eine Gerade im K n ist ein eindimensionaler affiner Teilraum des K n, (b Eine Ebene im K n ist ein zweidimensionaler affiner Teilraum des K n, (c und eine Hyperebene im K n ist ein (n -dimensionaler affiner Teilraum des K n. Im K 2 sind also Hyperebenen und Geraden dasselbe und im K 3 sind Ebenen und Hyperebenen dasselbe. Wir gewohnt kann man eine Gerade durch einen Aufpunkt und einen Richtungsvektor angeben, und eine Ebene durch einen Aufpunkt und zwei 2-6
7 Richtungsvektoren. Die Richtungsvektoren sind dabei nicht eindeutig festgelegt, aber der von ihnen aufgespannte Untervektorraum ist eindeutig bestimmt, er ist ja gerade die Richtung des affinen Teilraums. Als Aufpunkt kann man dagegen einen beliebigen Punkt des affinen Teilraums nehmen, d.h. ist A ein affiner Teilraum von V mit Richtung U V und v A ein beliebiger Punkt von A, so ist A = v + U. Nach Definition eines affinen Teilraums gibt es nämlich überhaupt einen Vektor w V mit A = w + U. Wegen v A gibt es weiter einen Vektor u U mit v = w + u. Da U ein Untervektorraum von V ist, gilt u + U U und wegen u U auch u U also u + U U und somit U u + U. Dies zeigt u + U = U, und somit folgt auch A = w + U = w + u + U = v + U. Im R 3 ist der Schnitt einer Ebene und einer Geraden normalerweise ein Punkt und der Schnitt zweier Ebenen normalerweise eine Gerade. Es gibt natürlich auch Ausnahmefälle wie parallele Ebenen, was die allgemeine Situation etwas verkompliziert. Wir wollen einen Satz über das Schnittverhalten affiner Teilräume herleiten. Der Hauptteil hiervon ist in Aufgabe (47 enthalten, dort ist zu zeigen das für zwei Teilräume U, W eines endlich erzeugten Vektorraums V die Dimensionsformel dim(u V + dim(u + W = dim U + dim W gilt. Die affine Schnittdimensionsformel ist etwas komplizierter, da die Summe affiner Teilräume von ihrer Lage zueinander abhängt. Beispielsweise können sich nicht schneidende Geraden im R 3 entweder parallel oder windschief sein, im ersten Fall erzeugen sie eine Ebene und im zweiten Fall den ganzen R 3. Im oben erwähnte Normalfall haben die Richtungen der beiden Teilräume eine Summe größtmöglicher Dimension, beziehungsweise gleichwertig einen Schnitt kleinstmöglicher Dimension. Satz 2. (Schnitte affiner Teilräume Sei V ein endlich erzeugter Vektorraum über K und seien A, B V zwei affine Teilräume von V. (a Die Menge A B ist wieder ein affiner Teilraum von V. (b Ist v A B und bezeichnet U die Richtung von A und W die Richtung von B, so ist AB := v + (U + W der kleinste A und B enthaltende affine Teilraum von V. Insbesondere ist AB unabhängig vom speziell gewählten v A B. (c Ist A B, so gilt die Dimensionsformel dim(a B + dim(ab = dim A + dim B. Beweis: Ist A B =, so ist A B trivialerweise ein affiner Teilraum von V, wir können also A B annehmen. Wähle v A B. Zunächst behaupten wir, dass A B = v + (U W 2-7
8 gilt. Es ist v + (U W v + U = A und ebenso v + (U W B, also v + (U W A B. Nun sei umgekehrt x A B = (v + U (v + W. Dann existieren u U, w W mit x = v + u und x = v + w. Insbesondere ist u = x v = w U W, also x = v + u v + (U W. Damit ist diese Aussage bewiesen, und insbesondere ist A B ein affiner Teilraum von V mit Richtung U W. Wir kommen jetzt zu Aussage (b. Zunächst ist v+(u +W V ein affiner Teilraum von A = v+u v+(u +W und B = v+w v+(u +W. Ist andererseits C V ein beliebiger affiner Teilraum von V mit A, B C, so ist insbesondere v A B A C, also C = v + T mit einem Teilraum T V, und wegen v + U = A C = v + T und v + W = B C = v + T, sind auch U, W T, also U + W T und v + (U + W v + T = C. Damit ist (b bewiesen, und die Dimensionsformel ergibt sich jetzt mit der Dimensionsformel für Untervektorräume dim(a B+dim(AB = dim(u W +dim(u +W = dim U +dim W = dim A+dim B. Angenommen wir wollen wissen was normalerweise der Durchschnitt zweier dreidimensionaler affiner Teilräume A, B des R 5 ist. Im Regelfall ist AB = R 5 und A B, und die Dimensionsformel besagt damit dim(a B = =, d.h. zwei solche Räume schneiden sich in der Regel in einer Geraden. Wir können unsere bisher erzielten Ergebnisse über lineare Gleichungssysteme jetzt in der Sprache affiner Teilräume formulieren, und erhalten den folgenden Satz. Satz 2.2 (Lösungsräume linearer Gleichungssysteme Seien K {R, C}, n, m N mit n, m und betrachte ein lineares Gleichungssystem Ax = b mit aus m Gleichungen in n Unbekannten mit Koeffizientenmatrix A K m n und rechter Seite b K m. Weiter sei r die Anzahl von Null verschiedener Zeilen nach Anwendung des Gaußsschen Eliminationsverfahrens auf A. Dann hat Ax = b entweder keine Lösung oder die Menge L := {x K n Ax = b} ist ein (n r-dimensionaler affiner Teilraum des K n, dessen Richtung die Lösungsmenge des zugehörigen homogenen linearen Gleichungssystems Ax = 0 ist. Beweis: Dies ist klar nach 9.Satz 3 und unseren Überlegungen zur Dimension des Lösungsraums eines homogenen linearen Gleichungssystems in.3. Umgekehrt ist jeder affine Teilraum des K n als Lösungsraum eines linearen Gleichungssystems mit n Unbekannten darstellbar. Für den leeren affinen Teilraum ist dies klar, wir betrachten also einen affinen Teilraum T K n der Dimension m mit 0 m n. Sei U K n die Richtung von T und wähle einen Aufpunkt a T. Nach.Lemma existiert eine Basis v,..., v n des K n mit U = v,..., v m. Sei C die Transformationsmatrix von der kanonischen Basis e,..., e n des K n zur Basis v,..., v n. Ein Vektor v K n liegt genau dann in U wenn die hinteren n m Koordinaten von v bezüglich der Basis v,..., v n gleich Null sind. Ist also A die aus den unteren m n Zeilen von C 2-8
9 bestehende (n m n Matrix über K, so ist U genau der Lösungsraum des homogenen linearen Gleichungssystems Ax = 0. Verwenden wir dann b := Aa K n m also rechte Seite, so ist T genau der Lösungsraum von Ax = b. Das beschriebene Verfahren ist effektiv leicht durchführbar. Wir nehmen an die Richtung U des affinen Teilraums ist gegeben. Dann bestimmt man eine Basis v,..., v m von U. Ist U beispielsweise durch ein Erzeugendensystem gegeben, so wissen wir das wir nur linear abhängige Vektoren entfernen müssen bis eine Basis übrig bleibt. Im nächsten Schritt muss v,..., v m dann zu einer Basis v,..., v n des K n ergänzt werden, und nach dem Steinitzschen Austauschsatz.Lemma 5 wissen wir das wir hierbei mit Ergänzen geeigneter der e,..., e n auskommen. Die Übergangsmatrix von der Basis v,..., v n zur kanonischen Basis e,..., e n ist dann einfach die Matrix C deren Spalten die Vektoren v,..., v n sind, und die gesuchte Übergangsmatrix von der Basis e,..., e n zur Basis v,..., v n ist die inverse Matrix C. Als ein konkretes Beispiel betrachten wir den zweidimensionalen affinen Teilraum T = 0 + 2, des R 4. Richtung und Aufpunkt sind hier direkt angegeben. Wegen = = 2 2 = 5 0 ist v, v 2, e, e 3 eine Basis des R 4 wobei v, v 2 die beiden Erzeuger der Richtung von T sind. Die gesuchte Übergangsmatrix erhalten wir durch Invertieren = Die Koeffizientenmatrix unseres linearen Gleichungssystems besteht aus den unteren beiden Zeilen dieser Matrix, also A = ( und die rechte Seite ist b = 5 ( = 5 ( 6 5.
10 Multiplizieren wir noch die erste Gleichung mit 5, so ergibt sich das lineare Gleichungssystem 5x 2y v = 6 u + v = dessen Lösungsmenge genau der affine Teilraum T ist. 2.2 Lineare Abbildungen und Matrizen Wir wollen jetzt alle linearen Abbildungen f : K n K m explizit bestimmen. Sei A K m n eine m n Matrix über K. Für jeden Spaltenvektor x K n können wir dann das Produkt Ax K m bilden, und erhalten auf diese Weise eine Abbildung f A : K n K m ; x Ax. Diese Abbildung ist linear, denn sind x, y K n und λ K so haben wir nach den Rechenregeln der Matrixmultiplikation f A (x+y = A (x+y = Ax+Ay = f A (x+f A (y und f A (λx = A λx = λ Ax = λf A (x. Damit gehört zu jeder m n Matrix A über K eine lineare Abbildung f A K m n. Umgekehrt hat überhaupt jede lineare Abbildung f : K n K m diese Form. Sei nämlich f : K n K m eine lineare Abbildung. Für jedes i n schreiben wir dann f(e i = a i. a mi K m und bilden die m n Matrix a a n A :=....., a m a mn deren Spalten die Vektoren f(e,..., f(e n sind. Für jedes x K n rechnen wir dann f(x = f(x e + + x n e n = x f(e + + x n f(x n a a n a x + + a n x n = x. + + x n. =. a m x + + a mn x n a m a mn = Ax = f A (x, d.h. wir haben f = f A. Damit kann überhaupt jede lineare Abbildung f : K n K m durch eine m n Matrix beschrieben werden, und zwar so, dass die Spalten der Matrix genau die Bilder der kanonischen Basisvektoren e,..., e n sind. Umgekehrt ist f A (e i = Ae i für jedes i n gerade die i-te Spalte von A, wir haben also eine bijektive Entsprechung Lineare Abbildungen f : K n K m = m n-matrizen über K. 2-0
11 Wir wollen die nebenstehend gezeigten Beispiele linearer Abbildungen R 2 R 2 behandeln. Die Identität ist dabei nur zum Vergleich angegeben. Wir beginnen mit den Skalierungen, bei diesen werden x- und y-achse mit Faktoren a, b R gestreckt. Ist dabei a oder b negativ, so treten auch noch Spiegelungen an den Koordinatenachsen auf. Um die Matrix dieser linearen Abbildung zu sehen, müssen wir die Bilder der kanonischen Basisvektoren e, e 2 als Spalten verwenden. Dabei liegt e auf der x- Achse, wird also um den Faktor a gestreckt und hat das Bild ae. Für e 2 ergibt sich analog das Bild be 2, und wir erhalten die Matrix ( a S a,b =. b Phy I Skaliert Phy I Identisch Phy I Scherung Phy I Wir kommen zu den Scherungen längs der x-achse. Diese lassen jede zur x-achse parallele Gerade fest, und bewirken auf diesen eine Verschiebung um einen zur Höhe y proportionalen Wert. Die Proportionalitätskonstante sei dabei t R. Auf der x-achse selbst ist die Höhe 0 und es liegt überhaupt keine Verschiebung vor, d.h. e wird auf e abgebildet. Dagegen liegt e 2 in der Höhe, wird also um t in x-richtung verschoben und somit auf te + e 2 abgebildet. Die Scherungsmatrix ist damit S t = ( t Der letzte zu untersuche Abbildungstyp ist die Drehung um den Nullpunkt mit dem Winkel φ R. e v 2 2 Dies ist eine lineare Abbildung, was klar ist wenn sie etwa an die Interpretation der Addition von Vektoren in einem Parallelogram denken. Zur Bestimmung der Drehmatrix D φ müssen wir uns wieder v die Bilder der beiden Einheitsvektoren anschauen. e Für das Bild von e erhalten wir das rechts gezeigte rechtwinklige Dreieck mit Hypothenuse dessen Ankathete und Gegenkathete zum Winkel φ gerade die x- und y-koordinaten des Bildes von e sind, d.h. e wird auf cos(φe + sin(φe 2 abgebildet. Für das Bild von e 2 liegt eine ähnliche Situation vor, nur das Ankathete und Gegenkathete diesmal die y- beziehungsweise die negative x- Koordinate des Bildes sind, das Bild von e 2 ist also sin(φe + cos(φe 2. Insgesamt ergibt sich die Drehmatrix. ( cos φ sin φ D φ = sin φ cos φ 2-. Rotiert
12 Kommen wir zur allgemeinen Situation der Gleichheit von Matrizen und linearen Abbildungen K n K m zurück. Im Lichte dieser Korrespondenz ist es dann natürlich zu fragen wie sich Eigenschaften der linearen Abbildung in Eigenschaften der zugehörigen Matrix übersetzen. Wir wollen einige dieser Entsprechungen kurz durchgehen.. Sind A, B K m n zwei m n-matrizen über K, so können wir ihre Summe A + B bilden. Die zugehörige lineare Abbildung ist gegeben als f A+B (x = (A + B x = Ax + Bx = f A (x + f B (x, also ist f A+B = f A + f B die Summe der zugehörigen linearen Abbildungen. Entsprechend ergibt sich für jeden Skalar λ K auch f λa = λf A. 2. Nun sei zusätzlich r und betrachte Matrizen A K m n und B K n r. Dann können wir das Produkt AB dieser beiden Matrizen bilden, und erhalten eine m r-matrix. Für die zugehörige lineare Abbildung rechnen wir f AB (x = (ABx = A(Bx = f A (f B (x für jedes x K n, es ist also f AB = f A f B die Hintereinanderausführung der zugehörigen linearen Abbildungen. Dies zeigt Hintereinanderausführung linearer Abbildungen = Multiplikation von Matrizen. Tatsächlich ist diese Beobachtung der Grund dafür das die Multiplikation von Matrizen überhaupt so definiert wird, wie wir sie definiert haben. 3. Zur Einheitsmatrix gehört offenbar die identische Abbildung id K n. Kombinieren wir dies mit der Kennzeichnung der Bijektivität gemäß 3.Lemma 3 so folgt für eine quadratische Matrix A K n n f A ist Isomorphismus A ist invertierbar und in diesem Fall gilt dann f A = f A. 4. Sei A K m n. Was sind dann Kern und Bild der linearen Abbildung f A? Für das Bild erhalten wir mit.lemma 9.(c Bild(f A = f A (e,..., f A (e n = Ae,..., Ae n, d.h. das Bild von f A ist der von den Spalten von A aufgespannte Untervektorraum des K m. Kombinieren wir dies mit der Tatsache.Satz 6.(b das wir jedes Erzeugendensystem zu einer Basis ausdünnen können, so folgt dim Bild(f A = Dimension des Aufspanns der Spalten von A = Maximale Anzahl linear unabhängiger Spalten von A. 2-2
13 Auch den Kern können wir mit bekannten Objekten in Zusammenhang bringen. Der Kern von f A ist die Menge aller x K n mit f A (x = 0, also aller x K n mit Ax = 0. Dies bedeutet Kern(f A = Lösungsmenge des homogenen linearen Gleichungssystems Ax = 0. Auch die Dimension des Kerns können wir damit berechnen. Führen wir das Gaußsche Eliminationsverfahren mit der Matrix A durch und bezeichnen die Anzahl der am Ende übrig bleibenden, von Null verschiedenen, Zeilen wieder mit r, so wissen wir schon dass der Lösungsraum von Ax = 0 die Dimension n r hat. Damit ist auch dim Kern(f A = n r. 2-3
$Id: vektor.tex,v /01/23 11:03:09 hk Exp $ $Id: cartesisch.tex,v /01/23 11:08:08 hk Exp $
$Id: vektor.tex,v 1.32 2017/01/23 11:03:09 hk Exp $ $Id: cartesisch.tex,v 1.20 2017/01/23 11:08:08 hk Exp $ 9 Vektorräume 9.5 Lineare Abbildungen In der letzten Sitzung haben wir den Begriff einer linearen
Mehr$Id: vektor.tex,v /01/16 15:50:24 hk Exp $ $Id: cartesisch.tex,v /01/19 11:05:27 hk Exp $
$Id: vektortex,v 125 2015/01/16 15:50:24 hk Exp $ $Id: cartesischtex,v 116 2015/01/19 11:05:27 hk Exp $ 9 Vektorräume 94 Koordinatentransformationen Am Ende der letzten Sitzung hatten wir die sogenannten
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
Mehr$Id: vektor.tex,v /01/21 14:35:13 hk Exp $
Mathematik für Physiker I, WS 2/2 Freitag 2 $Id: vektortex,v 5 2//2 4:35:3 hk Exp $ Vektorräume 2 Untervektorräume und Erzeugendensysteme Am Ende der letzten Sitzung hatten wir wieder einmal den Lösungsraum
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 15.11.2013 Alexander Lytchak 1 / 12 Erinnerung Eine Abbildung f : V W zwischen reellen Vektorräumen ist linear, wenn
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,
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
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
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
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.
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 03.12.2013 Alexander Lytchak 1 / 16 Wiederholung und Beispiele Der Spaltenrang einer Matrix ist gleich ihrem Zeilenrang.
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
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,...,
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
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
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
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
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 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
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
MehrKapitel 13. Lineare Gleichungssysteme und Basen
Kapitel 13. Lineare Gleichungssysteme und Basen Matrixform des Rangsatzes Satz. Sei A eine m n-matrix mit den Spalten v 1, v 2,..., v n. A habe den Rang r. Dann ist die Lösungsmenge L := x 1 x 2. x n x
Mehr7 Vektorräume und Körperweiterungen
$Id: vektor.tex,v 1.3 2009/05/25 15:03:47 hk Exp $ 7 Vektorräume und Körperweiterungen Wir sind gerade bei der Besprechung derjenigen Grundeigenschaften des Tensorprodukts, die mit vergleichsweise wenig
MehrBild, Faser, Kern. Stefan Ruzika. 23. Mai Mathematisches Institut Universität Koblenz-Landau Campus Koblenz
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 23. Mai 2016 Stefan Ruzika 7: Bild, Faser, Kern 23. Mai 2016 1 / 11 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume 4 Basis
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,
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 15 Unterräume und Dualraum Untervektorräume eines K-Vektorraumes stehen in direkter Beziehung zu Untervektorräumen
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
Mehr7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?
Kapitel Lineare Abbildungen Verständnisfragen Sachfragen Was ist eine lineare Abbildung? Erläutern Sie den Zusammenhang zwischen Unterräumen, linearer Unabhängigkeit und linearen Abbildungen! 3 Was ist
MehrLineare Abbildungen und Darstellungsmatrizen
KAPITEL 4 Lineare Abbildungen und Darstellungsmatrizen 1. Lineare Abbildungen Definition 4.1 (Lineare Abbildungen). Seien V und W zwei Vektorräume über den selben Körper K. Eine Abbildung f : V W heißt
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
Mehr13 Lineare Abbildungen
13 Lineare Abbildungen Grob gesprochen sind lineare Abbildungen bei Vektorräumen dasselbe wie Homomorphismen bei Gruppen, nämlich strukturerhaltende Abbildungen. Auch in diesem Kapitel seien V, W Vektorräume.
MehrViele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung
Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele
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:
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
Mehr4. Übungsblatt zur Mathematik II für BI, MaWi, WI(BI), AngGeo
Fachbereich Mathematik Prof. J. Lehn Hasan Gündoğan, Nicole Nowak Sommersemester 8 4./5./8. April 4. Übungsblatt zur Mathematik II für BI, MaWi, WI(BI, AngGeo Gruppenübung Aufgabe G9 (Multiple Choice Bei
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
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 heißt lineare
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
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
Mehr2.4 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
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
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
MehrBestimmung der Dimension
Bestimmung der Dimension Satz. Sei (v 1, v 2,..., v n ) ein minimales Erzeugendensystem von V, d.h. dieses System ist ein Erzeugendensystem von V, aber keines der nach Weglassen eines v i (1 i n) entstehenden
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
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
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,
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
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
MehrSatz 2.8 V sei ein endlichdimensionaler euklidischer Vektorraum. Für jeden Unterraum
Orthogonalität 123 Dienstag, 27. April 04 Satz 2.8 V sei ein endlichdimensionaler euklidischer Vektorraum. Für jeden Unterraum U von V gilt dann (a) U + U = V, U U = {0}, U, U = 0. (b) (U ) = U. Wir sagen
Mehr4 Affine Koordinatensysteme
4 Affine Koordinatensysteme Sei X φ ein affiner Raum und seien p,, p r X Definition: Nach ( c ist der Durchschnitt aller affinen Unterräume Z X, welche die Menge {p,,p r } umfassen, selbst ein affiner
MehrGeometrische Deutung linearer Abbildungen
Geometrische Deutung linearer Abbildungen Betrachten f : R n R n, f(x) = Ax. Projektionen z.b. A = 1 0 0 0 1 0 0 0 0 die senkrechte Projektion auf die xy-ebene in R 3. Projektionen sind weder injektiv
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
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,
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
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
MehrAddition: ( 1 ; : : : ; n ) + ( 1 ; : : : ; n ) = ( ; : : : ; n + n ). Skalare Multiplikation: ( 1 ; : : : ; n ) = ( 1 ; : : : ; n ). II. Die Me
x 3 VEKTOR AUME In Kapitel 2 betrachteten wir wichtige Raume, die durch unsere Raumvorstellung motiviert waren { die zwei- und dreidimensionalen Raume R 2 und R 3. Jetzt untersuchen wir hoher dimensionale
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
Mehr8 Lineare Abbildungen und Matrizen
8 Lineare Abbildungen und Matrizen 8.1 Lineare Abbildungen Wir beschäftigen uns nun mit Abbildungen zwischen linearen Räumen. Von besonderem Interesse sind Abbildungen, die die Struktur der linearen Räume
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
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
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
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?
MehrKapitel 11. Dimension und Isomorphie
Kapitel 11. Dimension und Isomorphie Bestimmung der Dimension Satz. Sei (v 1, v 2,..., v n ) ein minimales Erzeugendensystem von V, d.h. dieses System ist ein Erzeugendensystem von V, aber keines der nach
MehrAffine und projektive Räume
Affine und projektive Räume W. Kühnel Literatur hierzu: G.Fischer, Analytische Geometrie, 7. Aufl., Vieweg 2001 Zur Motivation: Wenn man in einem Vektorraum die Elemente nicht als Vektoren, sondern als
MehrKapitel III. Lineare Abbildungen
Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,
MehrProjektive Räume und Unterräume
Projektive Räume und Unterräume Erik Slawski Proseminar Analytische Geometrie bei Prof. Dr. Werner Seiler und Marcus Hausdorf Wintersemester 2007/2008 Fachbereich 17 Mathematik Universität Kassel Inhaltsverzeichnis
MehrKlausur Lineare Algebra I
Klausur Lineare Algebra I Fachbereich Mathematik WS / Prof. Dr. Kollross 9. März Name:.................................................. Vorname:............................................... Studiengang:...........................................
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
MehrLineare Algebra. 1 Lineare Abbildungen
Lineare Algebra Die lineare Algebra ist ein Teilgebiet der Mathematik, welches u. A. zur Beschreibung geometrischer Abbildungen und diverser Prozesse und zum Lösen linearer Gleichungssysteme mit Hilfe
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
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
Mehr70 IV. ENDLICH-DIMENSIONALE VEKTORRÄUME
IV. Endlich-dimensionale Vektorräume Unter einem endlich-dimensionalen Vektorraum verstehen wir einen Vektorraum, der eine endliche Basis besitzt. Die entscheidende Beobachtung ist die Tatsache, dass in
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
Mehrauf C[; ] sind linear III Formale Dierentiation und Integration: Die Abbildungen und a + a t + + a n t n a + a t + + na n t n a + a t + + a n t n an a
x LINEARE ABBILDUNGEN Denition: Seien V; V Vektorraume Eine Abbildung f heit linear, falls (i) (ii) f(x + y) f(x) + f(y) (x; y V ) f(x) f(x) ( R; x V ) Bemerkungen: I (i) und (ii) oben sind aquivalent
MehrLineare Abbildungen. i=0 c ix i n. K n K m
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Definition. Sei K ein Körper, a ij K für 1 i m, 1 j n und b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2......
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
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
MehrMathematik und Logik
Mathematik und Logik 9. Übungsaufgaben 2007-01-23 1. Beweisen Sie geometrisch, daß die Addition von Vektoren in der Ebene assoziativ ist. Beweis. Man zeichnet die entsprechenden Parallelogramme. 2. Der
Mehr9 Matrizen über R und C
Mathematik für Physiker I, WS 00/0 Montag 0 $Id: matrixtex,v 6 0/0/0 :6:7 hk Exp $ $Id: dettex,v 0/0/0 ::59 hk Exp hk $ 9 Matrizen über R und C 9 Transposition von Matrizen Im letzten Abschnitt hatten
Mehr$Id: det.tex,v /01/13 14:27:14 hk Exp $ $Id: vektor.tex,v /01/16 12:23:17 hk Exp $
Mathematik für Physiker I, WS 26/27 Montag 6 $Id: dettex,v 26 27//3 4:27:4 hk Exp $ $Id: vektortex,v 3 27//6 2:23:7 hk Exp $ 8 Determinanten 83 Laplace Entwicklung In der letzten Sitzung haben wir die
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
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
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)
Mehr5 Der Transzendenzgrad
$Id: trgrad.tex,v 1.6 2009/05/11 14:48:57 hk Exp $ 5 Der Transzendenzgrad Wir stellen nun einige der Tatsachen über die Mächtigkeit von Mengen zusammen, die Ihnen wahrscheinlich aus den ersten Semester
MehrDefinitionen. b) Was bedeutet V ist die direkte Summe von U und W? V ist direkte Summe aus U und W, falls V = U + W und U W = {0}.
Technische Universität Berlin Wintersemester 7/8 Institut für Mathematik 9. April 8 Prof. Dr. Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Nachklausur zur Linearen Algebra I Aufgabe ++ Punkte Definieren
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 0/06 Lineare Algebra und analytische Geometrie I Vorlesung... und ein guter Lehrer kann auch einem schlechten Schüler was beibringen Beziehung zwischen Eigenräumen Wir
MehrUnterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Affine Geometrie. Sommersemester Franz Pauer
Unterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Affine Geometrie Sommersemester 2009 Franz Pauer INSTITUT FÜR MATHEMATIK, UNIVERSITÄT INNSBRUCK, TECHNIKERSTRASSE 13, 6020
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
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
MehrWiederholung: lineare Abbildungen
Wiederholung: lineare Abbildungen Def Es seien (V,+, ) und (U, +, ) zwei Vektorräume Eine Abbildung f : V U heißt linear, falls für alle Vektoren v 1, v 2 V und für jedes λ R gilt: (a) f (v 1 + v 2 ) =
MehrIV.3. RANG VON MATRIZEN 81
IV3 RANG VON MATRIZEN 8 Ist b,,b n eine Basis des reellen Vektorraums V, dann bildet b,,b n auch eine Basis des komplexen Vektorraums V C Mit V ist daher auch V C endlichdimensional und es gilt dim C V
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
Mehr7 Matrizen über R und C
Mathematik für Physiker I, WS 06/07 Montag 9 $Id: matrixtex,v 7 06//9 :58: hk Exp $ 7 Matrizen über R und C 7 Addition und Multiplikation von Matrizen In der letzten Sitzung haben wir begonnen uns mit
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
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
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
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
Mehr