[UV2] bedeutet Abgeschlossenheit bezüglich der Addition, [UV3] ist die Abgeschlossenheit bzgl. der Skalarmultiplikation. Bezeichnung U V.
|
|
- Victoria Lorenz
- vor 7 Jahren
- Abrufe
Transkript
1 3.2 Unterräume Definition Sei V ein K-Vektorraum. Eine Teilmenge U V heißt ein Unterraum von V, falls gilt: [UV1] U { }. [UV2] Für alle v,w U gilt v +w U. [UV3] Für alle v U und λ K gilt v λ U. [UV2] bedeutet Abgeschlossenheit bezüglich der Addition, [UV3] ist die Abgeschlossenheit bzgl. der Skalarmultiplikation. Bezeichnung U V. Lemma Ein Unterraum ist ein Vektorraum. Beweis Weil die Addition und Skalarmultiplikation aus V vererbt (induziert) ist, gelten sicherlich die notwendigen Assoziativ- und Distributivgesetze. Ferner ist durch die induzierte Verknüpfung eine binäre Verknüpfung auf U erklärt, genauer: : U U U und : U K U Zu zeigen ist, dass das additiv Inverse u von u U auch in U liegt, und dass 0 U gilt. Nun ist u = u ( 1), also u U wegen [UV3]. Ebenso gilt 0 = u 0, also 0 U. Beispiel (1.) {0} und V sind (triviale) Unterräume von V. (2.) K[x] K[[x]]. (3.) Sei V = R 3. Wir betrachten die folgenden Teilmengen W von V (dabei x 1 ist x = x 2 ): x 3 (1.) W := {x : x 1 +x 2 x 3 = 0} 53
2 (2.) W := {x : x 1 +x 2 x 3 = 1} (3.) W := {x : x 1 +3x 2 = 0, x 2 5x 3 = 0} (4.) W := {x : x 3 1 x 2 2 = 0} (5.) W := {x : x 1 x 2 0} Man rechnet nach, dass nur die Beispiele (1) und (3) Unterräume sind. Die wichtigste Klasse von Unterräumen sind die Lösungsmengen homogener Gleichungssysteme: Beispiel Sei A K (m,n). Dann ist W = {x K n : Ax = 0} ein Unterraum von K n. Der Schnitt von beliebigen Unterräumen ist wieder ein Unterraum. Die Vereinigung von Unterräumen ist im allgemeinen kein Unterraum: Satz Sei W i, i I, eine Familie von Unterräumen von V. Dann ist W := i I ein Unterraum von V. Beweis Klar ist 0 W, also W { }. Zu [UV2]: Ist u,v W, so gilt nach Definition von W sogar u,v W i für alle i I, und damit u +v W i für alle i I, somit u+v W. Man zeigt uλ W für u W genauso. Es sei auf folgendes hingewiesen: Die hier gemachte Behauptung ist stärker als die Behauptung U 1 U 2 ist Unterraum für zwei Unterräume U 1 und U 2. Aus der Behauptung könnten wir nämlich nicht folgern, dass der Schnitt über beliebige Familien von Unterräumen wieder ein Unterraum ist. Die Frage ist, ob denn in der Praxis solche Schnitte vorkommen. Ja, sie kommen sehr wohl vor: 54
3 Definition Sei S V. Dann heißt S := der von S erzeugte Unterraum. S T V T Der hier definierte Unterraum heißt auch das Erzeugnis von S. Das es wirklich ein Unterraum ist, folgt aus Satz Es ist der kleinste S umfassende Unterraum! Es gibt eine andere Möglichkeit, das Erzeugnis von S zu beschreiben: Satz Ist S V eine nicht-leere Teilmenge von V, so besteht S aus allen Linearkombinationen von S. Beweis (Skizze) Man überlegt sich zunächst, dass alle Linearkombinationen von S in S liegen müssen. Dann zeigt man, dass die Menge aller Linearkombinationen einen Vektorraum bilden, der natürlich S umfaßt. Damit ist die Menge der Linearkombinationen von S der kleinste S umfassende Unterraum. Sind W 1,...,W k Unterräume von V, so nennt man den von k i=1 W i erzeugten Unterraum die Summe W 1 +W W k. Man kann zeigen: Satz Sind W i Unterräume von V, i = 1,...k, so gilt W W k = {w 1 +w w k : w i W i }. Beweis Wie Beweis von Satz Definition Sei U ein Unterraum von V. Dann heissen die Nebenklassen U +x := {u+x : u V} affine Unterräume. Wir wollen auch die leere Menge als einen affinen Unterraum bezeichnen. 55
4 Satz Sei A K (m,n). Dann ist W = {x K n : Ax = b ein affiner Unterraum U + v von K n. Dabei ist U der Lösungsraum des homogenen Systems Ax = 0, und v ist eine beliebige Lösung des inhomogenen Systems W = {x K n : Ax = b. Dieser Satz bedeutet: Die allgemeine Lösung eines inhomogenen linearen Gleichungssystems ist die Lösung des homogenen Systems plus einer (beliebigen) speziellen Lösung des inhomogenen Systems. Lemma Zwei affine Unterräume U +x und U +y sind gleich oder disjunkt. Beweis Angenommen v (U+x) (U +y), z.b. v = u+x = u +y. Ferner sei u +x ein beliebiger Vektor in U +x. Dann u +x = u +u u+y, also u +x U +y. DieaffinenUnterräumeU+xbildeneineZerlegungvonV.Wirhabengelernt, dass zu dieser Zerlegung eine Äquivalenzrelation gehört. Diese Äquivalenzrelation kann man wie folgt angeben: Satz Ist U ein Unterraum von V, so ist die Relation auf V mit u v u v U eine Äquivalenzrelation auf V. Die Äquivalenzklassen sind die affinen Unterräume U +x. Beweis Es genügt zu zeigen: u v U u,v U +x für ein x V. Sei also u v U. Dann u,v U +v, was zu zeigen war. Die Umkehrung ist klar. Die Menge der Nebenklassen von U bezeichnet man als V/U (V modulo U). Man kann V/U zu einem Vektorraum machen, den man den Faktorraum nennt: Satz Sei V ein K-Vektorraum und U ein Unterraum von V. Dann ist V/U ein K-Vektorraum, wenn die Addition und die Skalarmultiplikation wie folgt definiert wird: 56
5 Addition: (U +x)+(u +y) := U +(x+y) für alle x,y V Skalarmultiplikation: (U +x) λ := U +xλ für alle x V,λ K. Beweis Machen Sie sich klar, dass man nur die Wohldefiniertheit der Verknüpfung zeigen muss. Die Rechenregeln gelten, weil die Regeln schon für V gelten. 3.3 Basis, lineare (Un)abhängigkeit, Dimension Das Material dieses Kapitels gehört zu den Herzstücken einer jeden LAAG Vorlesung und ist extrem beliebter Prüfungsstoff (in praktisch jeder mündlichen Prüfung wird danach gefragt). Definition Sei S V. Dann heißt S linear abhängig, falls es Vektoren v 1,...,v n S und Skalare λ i K gibt mit v 1 λ v n λ n = 0, wobei nicht alle λ i gleich 0 sind. Andernfalls heißt S linear unabhängig. Bemerkung (1.) Teilmengen linear unabhängiger Mengen sind linear unabhängig. (2.) Ist S linear abhängig und S T, so ist auch T linear abhängig. (3.) Eine Menge S ist genau dann linear unabhängig, wenn alle endlichen Teilmengen linear unabhängig sind. Definition Eine Teilmenge S V mit S = V heißt Erzeugendensystem von V. Ein linear unabhängiges Erzeugendensystem ist eine Basis. Ein Erzeugendensystem S heißt minimal, wenn S \ {v} für alle v S kein Erzeugendensystem mehr ist. Wir nennen eine Menge S eine maximal linear unabhängige Menge, wenn S {v} linear abhängig ist für alle v / S. Hat ein Vektorraum eine endliche Basis, so heißt er endlichdimensional. 57
6 Satz Sei S = {v i : i I} V eine Teilmenge des Vektorraums V. Dann sind die folgenden Bedingungen gleichwertig: 1. S ist ein minimales Erzeugendensystem. 2. S ist ein linear unabhängiges Erzeugendensystem. 3. S ist eine maximal linear unabhängige Menge. 4. S ist eine Basis. 5. Jeder Vektor v V hat eine eindeutige Darstellung als Linearkombination von S, d.h. es gibt eindeutig bestimmte Skalare λ i mit v = i I v iλ i, wobei nur endlich viele λ i 0 sein dürfen (andernfalls ist die Summe gar nicht erklärt!). Beweis siehe Vorlesung. Bemerkung (1.) Ist S linear unabhängig, so ist S eine Basis von S. (2.) Die kanonische Basis von K n besteht aus den Vektoren {e 1,...,e n }, wobei ist mit γ j = 0 für i j und γ i = 1. γ 1 e i =. Korollar Jeder Vektorraum mit einem endlichen Erzeugendensystem hat eine endliche Basis, ist also endlichdimensional. Wie sieht es mit Vektorräumen aus, die nicht endlich erzeugt sind. Man könnte versuchen, von einem großen Erzeugendensystem, nämlich V, nach und nach Elemente wegzunehmen, so dass man eine nicht mehr verkleinerbare Menge erhält. Dass das in unserem Fall gut geht, kann man mit Hilfe des Zornschen Lemmas beweisen. Wir wollen hier darauf nicht eingehen, sondern nur festhalten: Satz Jeder VR hat eine Basis. γ n 58
7 Wir wollen nun zeigen, dass die Mächtigkeiten zweier Basen in endlich erzeugten VR en gleich sind. Satz Sei V ein VR mit Erzeugendensystem S = {v 1,...,v m }. Ist T eine linear unabhängige Teilmenge von V, so gilt T m. Beweis Sei T = {w 1,...,w n } eine n-elementige Teilmenge von V mit n > m. Wir wollen zeigen, dass diese Menge dann linear abhängig sein muss. Weil S ein Erzeugendensystem ist, gibt es α i,j, i = 1,...,m und j = 1,...n so, dass m w j = α i,j v i. Ferner gilt i=1 n w j x j = j=1 = n m α i,j x j v i j=1 i=1 m n ( α i,j x j )v i. i=1 j=1 Wegen m < n gibt es Skalare λ j mit n α i,j λ j = 0 j=1 (Gleichungssystem mit m Gleichungen und n Unbekannten, m < n, siehe Satz 2.7.1), wobei nicht alle λ j gleich 0 sind. Damit haben wir gezeigt, dass {w 1,...,w n } linear abhängig ist. Korollar In endlichdimensionalen Vektorräumen sind je zwei Basen gleichmächtig. Definition Die Mächtigkeit der Basis eines endlichdimensionalen Vektorraumes heißt die Dimension des Vektorraumes. Bezeichnung: dim(v). 59
8 Wir wollen uns jetzt mit den Dimensionen von Unterräumen beschäftigen. Dazu notieren wir noch einmal explizit folgendes Lemma, das wir schon im Beweis von Satz implizit benutzt haben: Lemma Sei S V eine linear unabhängige Teilmenge von V. Ist v / S, so ist auch S {v} linear unabhängig. Beweis Angenommen, S {v}ist linear abhängig. Dann gibt es v i S {v} und Skalare λ i 0, i = 1,...n so, dass n i=1 v iλ i = 0. Dann muss offenbar v {v 1,...,v n } gelten, z.b. v 1 = v, da andernfalls S linear abhängig wäre. Also gilt n λ j v 1 = v j λ 1 und v S, ein Widerspruch. Wir halten als Korollar fest: j=2 Korollar Sei V ein endlichdimensionaler Vektorraum. Ist U V, so gilt dim(u) dim(v). Beweis Wir müssen wegen Satz nur noch zeigen, dass kein echter Unterraum U die Dimension n = dim(v) haben kann. Das folgt aber aus Lemma : Wenn U ein echter Teilraum ist, dann gibt es v V \U, und v würde zusammen mit einer Basis von U eine linear unabhängige Menge mit n+1 Elementen geben, was nicht geht. Korollar Jede nichtleere Menge S linear unabhängiger Vektoren in einem endlichdimensionalen Vektorraum V kann zu einer Basis ergänzt werden, d.h. es gibt T V so, dass S T eine Basis ist. Satz Seien W 1 und W 2 Unterräume einesendlichdimensionalenvektorraums V. Dann gilt die folgende Dimensionsformel: dim(w 1 )+dim(w 2 ) = dim(w 1 W 2 )+dim(w 1 +W 2 ). Beweis siehe Vorlesung. 60
9 3.4 Rang einer Matrix Die folgende Frage ist bislang offen geblieben: Ist die zeilenreduzierte Normalform eindeutig. Dazu bezeichnen wir den Unterraum von K n, der von den Zeilen einer Matrix A K (m,n) erzeugt wird, den Zeilenraum von A. Achtung: Wir interpretieren Vektoren hier als Zeilenvektoren, nicht, wie sonst, als Spaltenvektoren. Satz Zeilenäquivalente Matrizen haben denselben Zeilenraum. Ist R in zeilenreduzierter Normalform, so bilden die Zeilen von R eine Basis des Zeilenraums von R. Beweis Nach Konstruktion sind die Zeilen einer Matrix in zeilenreduzierter Normalform linear unabhängig, bilden also eine Basis. Korollar Sind A und B zwei zeilenäquivalente Matrizen in zeilenreduzierter Normalform, so haben sie gleich viele Zeilen 0. Definition Sei A eine Matrix, die zeilenäquivalent zu einer Matrix R in zeilenreduzierter Form ist. Die Anzahl der Zeilen 0 in R heißt der Rang von A und ist gleich der Diemension des Zeilenraumes von A. Korollar Ist A K (m,n), so ist der Vektorraum U der Lösungen von Ax = 0 ein Unterraum von K n der Dimension n Rang(A). Beweis Sei R in zeilenreduzierter Normalform und äquivalent zu A. Die PivotelementeseienandenPositionen(i,j i ),i = 1,...,r.SetzeJ = {1,...,n}\ {j 1,...,j r }. Das Gleichungssystem sieht also jetzt wie folgt aus: x j1 + j J γ 1,j x j = 0 x j2 + γ 2,j x j = 0 j J... =... x jr + γ r,j x j = 0 j J 61
10 Die x i mit i J können beliebig gewählt werden; die x i mit i / J sind dadurch eindeutig bestimmt. Also sind die n r Vektoren, die wir erhalten, wenn wir genau ein x i0 = 1 setzen (i 0 J) und die anderen x i = 0 mit i J \{i 0 }, eine Basis des Lösungsraums. Wir wollen jetzt zeigen, dass A zu genau einer Matrix R in zeilenreduzierter Normalform äquivalent ist. Das rechtfertigt den Begriff Normalform. Satz Eine Matrix A K (m,n) ist zu genau einer Matrix R in zeilenreduzierter Form zeilenäquivalent. Beweis Die Zeilen 0 von R seien v 1,...,v r, die Pivotelemente treten an den Stellen (i,j i ), i = 1,...,r, auf. Sei b = (β 1,...,β n ) ein Vektor im Zeilenraum von A. Es gilt r b = v i β ji. i=1 Das zeigt, dass der erste Eintrag 0 in b an einer Stelle j 1,...j r auftritt. Deshalb sind die j i eindeutig bestimmt: Wir haben die Pivotspalten also also als ganz bestimmte Koordinaten von Vektoren im Zeilenraum von A erkannt, unabhängig davon, durch welche Vektoren dieser Raum gegeben ist. Im Zeilenraum von R gibt es genau einen Vektor mit β ji0 = 1 und β ji = 0 für i i 0. Dieser Vektor muss die Zeile i 0 von R sein, also ist R eindeutig bestimmt. Korollar Matrizen mit gleichen Zeilenräumen sind zeilenäquivalent. Beweis Seien A und B zwei Matrizen, die zu den Matrizen R und S in Normalform zeilenäquivalent sind. Weil R und S identische Zeilenräume haben, müssen sie (siehe Beweis oben) identische Normalformen haben, also R = S. 3.5 Koordinaten Wir haben bislang die Vektorräume koordinatenfrei behandelt. Wir wollen nun zeigen, wie man einen Vektorraum der Dimension n mittels einer geordneten Basis B = b 1,...,b n ) koordinatisieren kann. 62
11 Ist v V, so wissen wir, dass es eindeutig bestimmte Skalare λ 1,...,λ n gibt mit n v = v i λ i. i=1 Wir nennen die λ i die Koordinaten von v bzgl. der Basis B. Bezeichnung: λ 1 λ 2 [v] B =. Ist B = (e 1,...e n ) die kanonische Basis bestehend aus den Einheitsvektoren, so gilt x 1 [. x n ] B = λ n x 1. x n Aber eine andere geordnete Basis ist z.b C = ( 1, 0, 1 ) Dann ist mit 2 λ 1 [ 2 ] C = λ 2 1 λ 3 λ 1 +2λ 2 +3λ 3 = 2 λ 1 +λ 3 = 2 λ 2 +2λ 3 = 1 Wir lösen dieses Gleichungssystem und erhalten λ 3 = 1, λ 2 = 1,,λ 1 = 1. 63
12 Seien B und C zwei geordnete Basen B = (b 1,...,b n ) C = (c 1,...,c n ) eines n-dimensionalen Vektorraums. Wir definieren die Matrix M B C = (α i,j) in K (n,n), wobei die α i,j so definiert sind, dass α 1,i. α n,i = [b i ] C gilt, also α j,i c j = b i. Satz Beweis Sei also Dann ist Nun gilt Wir erhalten M B C [v] B = [v] C. λ 1 [v] B =. λ n n b i λ i = v. i=1 λi α 1,i M B C [v] B =. λi α n,i v = i c j α j,i = b i. j b i λ i = i,j c j α j,i λ i. Der Koeffizient von c j ist also i λ iα j,i, also der j-eintrag von M B C [v] B, was zu zeigen war. 64
13 Beispiel Sei und B = ( 3, 1, 1 ) C = ( 1, 1, 1 ) Man rechnet nach (Lösung eines linearen Gleichungssystems!) 0 1 [ 3 ] C = [ 1 ] C = [ 1 ] C = Die Transformationsmatrix ist also M B C Wir überprüfen dies an einem Beispiel: Sei v = 8, dann ist 17 2 [v] B = 1 1 Der Koordinatenvektor [v] C bzgl. der Basis C ist also 1 M B C [v] B = 3. 4 Die Korrektheit diese Ergebnisses kann man leicht nachrechnen. 65
14 Korollar M B C MC B = I. Beweis EsgiltM B C [v] B = [v] C undm C B [v] C = [v] B.Also giltm B C MC B [v] C = [v] C, also muss M B C MC B = I gelten. Korollar Sei V ein K-Vektorraum der Dimension n, und sei P eine Matrix in K (n,n). Ist B = (b 1,...,b n ) eine geordnete Basis von V, so gibt es genau eine Basis C mit [v] C = P [v] B für alle v V. Beweis Zur Existenz: Wir suchen eine Basis C = (c 1,...,c n ) mit c j α j,i = b i. (3.1) In dem Fall ist C ein Erzeugendensystem, und P[b i ] B = [b i ] C. Sei dazu P 1 = (β i,j ) die Inverse von P. Dann gilt { 1 wenn k = i β k,j α j,i = 0 sonst j Wir setzen c j = k b kβ k,j. Einsetzen in (3.1) liefert c j α j,i = j j was zu zeigen war. j b k β k,j α j,i = k k b k β k,j α j,i = b i, Zur Eindeutigkeit: Die i-te Spalte von P 1 muss [c i ] B sein, weil P 1 = M C B nach Korollar j 3.6 Zusammenfassung Sie haben in diesem Abschnitt die wichtige Definition des Vektorraumes gelernt und Beispiele gesehen. 66
15 Sie wissen, was linear abhängig und unabhängig bedeutet. Der Begriff der Basis wurde eingeführt. Wir konnten zeigen, dass jeder endlich erzeugte Vektorraum eine Basis hat. Das gilt auch für nicht endlich erzeugte Vektorräume, der Beweis erfordert aber tieferliegende Hilfsmittel. Sie sollen in der Lage sein, Beispiele von endlich- und von unendlichdimensionalen Vektorräumen anzugeben. Affine und lineare Unterräume wurden erklärt. Sie sollten wissen, dass solche Unterräume als Lösungsmengen (inhomogener) Gleichungssysteme auftreten. Das Kapitel über affine (Un)abhängigkeit und die affinen Dimensionsformeln wird in der Vorlesung Lineare Optimierung wichtig. Der Exkurs über affine Ebenen und die Moulton-Ebene ist nicht so wichtig. Der Dimensionsbegriff hat es ermöglicht zu zeigen, dass jede Matrix zu genau einer Matrix in zeilenreduzierter Form äquivalent ist. Es wurde eine wichtige Dimensionsformel für die Dimension der Summe zweier Unterräume vorgestellt. Sie wissen, wie man einen n-dimensionalen Vektorraum mit Hilfe einer geordneten Basis koordinatisiert. Basiswechsel bedeutet Multiplikation des Koordinatenvektors mit einer geeigneten invertierbaren Matrix. Einige Probleme bleiben offen: Ist jeder Unterraum Lösungsraum eines linearen Gleichungssystems? Wenn ja, gibt es sicherlich verschiedene lineare Gleichungssysteme. Wie unterscheiden sie sich? Wenn man sich den Prozess des Koordinatisierens anschaut, hat man das Gefühl, das es nur einen n-dimensionalen Vektorraum über K gibt, nämlich den Vektorraum K n der n-tupel. Kann man das präzisieren? Diese beiden Fragen werden durch die Ergebnisse in den nächsten beiden Kapiteln beantwortet. 67
16 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 es darum, dass wir Vektorräume (oder andere algebraische Objekte) nicht unterscheiden wollen, wenn sie nur durch eine andere Bezeichnung der Elemente auseinander hervorgehen. 4.1 Definition und Beispiele Definition V und W seien K-Vektorräume. Eine Abbildung T : V W heißt eine lineare Abbildung, falls für alle v 1,v 2 V und alle λ K gilt: T(v 1 +v 2 λ) = T(v 1 )+T(v 2 )λ. Beispiel (1.) Die Identität id V : V V ist linear. (2.) Die Abbildung D : K[x] K[x], n i=0 c ix i n i=1 ic ix i ist linear (Differenzieren). (3.) Sei T K (m,n). Dann ist die Abbildung K n K m v Tv linear. Wir können also jeder Matrix eine lineare Abbildung zuordnen. 68
17 Bemerkung Es gilt T(0) = 0, weil T(0) = T(0+0) = T(0)+T(0). Ferner gilt für alle v,w V und alle λ K T(vλ) = T(v)λ T(v +w) = T(v)+T(w). Der folgende Satz zeigt, dass lineare Abbildungen bereits durch Angabe der Bilder einer Basis eindeutig bestimmt sind: Satz (Satz von der linearen Fortsetzung) Sei V ein endlichdimensionaler K-Vektorraum mit geordneter Basis B = (b 1,...b n ). Sei W ein beliebiger K-Vektorraum, und seien c 1,...,c n W beliebige Vektoren. Dann gibt es genau eine lineare Abbildung T : V W mit T(b i ) = c i. Beweis Zu v V gibt es eindeutig bestimmte Skalare λ i mit v = n i=1 b iλ i. Dann muss T(v) = n i=1 T(v i)λ i = n i=1 c iλ i sein. Also ist T eindeutig bestimmt. Man rechnet auch leicht nach, dass die so definierte Abbildung in der Tat linear ist: Sei dazu v = n i=1 b iλ i, w = n i=1 b iµ i und λ K. Dann n T(v+wλ) = T( b i (λ i +µ i λ) = = i=1 n c i (λ i +µ i λ) i=1 n n c i λ i +( c i µ i )λ i=1 i=1 = T(v)+T(w)λ ( ) ( ) 2 1 Beispiel Sei B = {b 1,b 2 } mit b 1 =, b 1 2 = eine Basis von R Ferner seien c 1 = und c 2 = zwei Vektoren aus R 3. Dann ist die Abbildung T : R 2 R 3 ( ) ( ) λ λ 1 2 λ 1 + λ
18 linear. Wir würden aber gerne T( wir Dann gilt und somit e 1 = e 2 = ( 1 0) ( ) 0 1 ( x1 x 2 ) ) angeben können. Dazu schreiben = b 1 b 2 = b 1 +2b 2. T(e 1 ) = c 1 c 2 = T(e 2 ) = c 1 +2c 2 = T( ( x1 x ) 2x 1 2x 2 ) = x 1 x 2 x 2 Die lineare Abbildung T ist also die zur Matrix gehörende lineare Abbildung. Wir können dieses Beispiel leicht verallgemeinern: Satz Zu jeder linearen Abbildung T : K n K m gibt es eine Matrix A K (m,n) so, dass T die zu dieser Matrix gehörende lineare Abbildung ist, also T(v) = A v für alle v K n. Von jetzt an wollen wir zwischen Matrizen und den zugehörenden linearen Abbildungen K n K m nicht mehr unterscheiden. Zunächst ist aber nicht klar, ob Matrizen etwas mit allgemeinen linearen Abbildungen zwischen Vektorräumen zu tun haben. 70
19 Definition Sei T : V W eine lineare Abbildung. Dann definieren wir Kern(T) := {v V : T(v) = 0}. Bild(T) := {T(v) : v V}. Beachten Sie: Kern(T) V und Bild(T) W. Es gilt sogar noch mehr, dass Kern und Bild nämlich Unterräume sind: Lemma Kern(T) V und Bild(T) W. Beweis Kern(T) { }, weil 0 Kern(T). Seien v,w Kern(T), λ K. Dann gilt T(v +wλ) = T(v)+T(w)λ = 0, also ist v +wλ Kern(T). Der Fall Bild(T) W geht ähnlich. Der Kern der linearen Abbildung, die zu einer Matrix T K (m,n) gehört, ist genau der Lösungsraum von Tx = 0. Der Vektorraum, der von den Spalten aufgespannt wird, ist genau das Bild von T. Mit Hilfe des Kerns hat man eine sehr schöne Charakterisierung von Injektivität: Satz Eine lineare Abbildung T : V W ist genau dann injektiv, wenn Kern(T) = {0} gilt. Beweis Klar ist, dass für eine injektive Abbildung Kern(T) = {0} gilt, denn sonst hätte 0 W mehr als ein Urbild. Sei nun T nicht injektiv. Dann gibt es v,w V mit T(v) = T(w), aber v w. Das liefert T(v w) = 0, also 0 v w Kern(T). Es gilt folgende sehr wichtige Dimensionsformel: Satz Sei T : V W eine lineare Abbildung, wobei dim(v) <. Dann gilt dim(kern(t)) + dim(bild(t)) = dim(v). 71
20 Beweis Seiv 1,...,v k einebasisvonkern(t).dannkönnenwirv 1,...,v k zu einerbasisv 1,...,v n vonv ergänzen.wirzeigen,dassdannt(v k+1 ),...,T(v n ) eine Basis von Bild(T) ist. Die Menge {T(v 1 ),...,T(v n )} ist ein ErzeugendensystemvonBild(T).WeilT(v 1 ) =... = T(v k ) = 0,istsogarT(v k+1 ),...,T(v n ) ein Erzeugendensystem von Bild(T). Dieses Erzeugendensystem ist linear unabhängig: Wenn es linear abhängig wäre, gäbe es Skalare λ k+1,...,λ n, die nicht alle gleich 0 sind, mit n i=k+1 T(v i)λ i = 0. Dann ist aber n i=k+1 v iλ i Kern(T), d.h. 0 n i=k+1 v iλ i v 1,...,v k, Widerspruch zur linearen Unabhängigkeit der v 1,...,v n. Dieser Satz (und sein Beweis) haben einige interessante Folgerungen: Korollar Sei U V, wobei V ein endlichdimensionaler Vektorraum ist. Dann gibt es eine lineare Abbildung T : V V mit Kern(T) = U. Beweis Wir wählen eine Basis von U und ergänzen diese zu einer Basis von V. Wir definieren T nun so, dass T die Elemente der Basis von U auf 0 abbildet, die Elemente der Basis, die nicht in U liegen, werden auf Vektoren 0 geschickt. Korollar Sei U K n. Dann gibt es eine Matrix T K (n,n) so, dass U = {x K n : Tx = 0} gilt. Insbesondere tritt jeder lineare Unterraum des K n als Lösungsmenge eines linearen Gleichungssystems auf. Neben dem Rang einer Matrix T K (m,n) kann man auch den Spaltenrang definieren als die Dimension des von den Spalten von T aufgespannten Unterraumes von K m definieren. Der Spaltenraum ist genau das Bild der zu T gehörenden linearen Abbildung. Den zuvor definierten Rang wollen wir, zur Unterscheidung, nun den Zeilenrang nennen. Es gilt: Satz Für T K (m,n) gilt Zeilenrang(T) = Spaltenrang(T). Beweis Wir betrachten die lineare Abbildung T : K n K m, die durch die Matrix T erklärt ist. Dann ist offenbar Spaltenrang(T) = dim(bild(t)). Ferner wissen wir bereits n Zeilenrang(T) = dim Kern(T). Aus der Dimensionsformel folgt die Behauptung. 72
21 4.2 Zur Äquivalenz von Matrizen und dem Begriff Normalform Wir nennen zwei Matrizen M und N aus K (m,n) Rang-äquivalent (sorry dass so viele Dinge in der Mathematik äquivalent genannt werden!), wenn es P GL(n,K) und Q GL(m,K) gibt mit QMP = N. Wir können P und Q als Produkt von Elementarmatrizen schreiben. Multiplikation von rechts mit einer Elementarmatrix bewirkt aber gerade eine Spaltenumformung. Wir können also sagen, dass M und N Rang-äquivalent sind, wenn sie durch elementare Zeilen- und Spaltenumformungen auseinander hervorgehen. Jede Matrix ist also zu einer Matrix ( ) Ir 0 H r := n r 0 m r 0 m r,n r Rang-äquivalent. Offenbar sind Matrizen H r und H r mit r r nicht äquivalent. Die Äquivalenzklasse wird somit eindeutig durch den Rang bestimmt, und es gibt somit min{m,n} Äquivalenzklassen auf K (m,n) sind Normalformen bzgl. der Relation Rang-Äquivalenz. Anhand der Normalform kann man sofort ablesen, zu welcher Äquivalenzklasse eine Matrix gehört. Bei komplizierteren Relationen ist das sehr nützlich. Z.B. liefert das Gauß-Jordan- Verfahren eine Normalform für Zeilenäquivalenz. Ferner liefert Zeilenäquivalenz eine feinere Klasseneinteilung der Menge der Matrizen als Zeilenäquivalenz: Matrizen, die zeilenäquivalent sind, sind sicherlich auch Rang-äquivalent, aber nicht umgekehrt. So sind beispielsweise die beiden Matrizen ( ) und ( ) äquivalent, aber nicht zeilenäquivalent. Bei der Konstruktion der Normalform H r werden sowohl Zeilen- als auch Spaltenumformungen erlaubt. Elementare Zeilenumformungen lassen den Zeilenraum, elementare Spaltenumformungen den Spaltenraum fest. Zeilenumformungen ändern aber den Spaltenraum, Spaltenumformungen den Zeilenraum! Invariant ist aber die Dimension des entsprechenden Raumes. 4.3 Die transponierte Matrix An dieser Stelle soll etwas auf den Begriff der transponierten Matrix eingegangen werden: 73
22 Definition SeiA = (α (i,j) ) i=1,...,m;j=1,...n K (m,n).dannheißta := (α j,i ) j=1,...,n;i=1,...m K (n,m) die zu A transponierte Matrix. Man kann sich fragen, ob A auch eine interessante lineare Abbildung repräsentiert, die mit der zu A gehörenden linearen Abbildung etwas zu tun hat. Die Antwort auf diese Frage ist ja, und auch das wird in der Dualitätstheorie (später) behandelt. Satz (1.) (AB) = B A. (2.) Rang(A) = Rang(A ). (3.) A K (n,n) ist invertierbar A ist invertierbar. Dann gilt ferner (A 1 ) = (A ) 1. Beweis (1.) Sei A = (α i,j ) K (m,n) und B = (β i,j ) K (n,p). Dann ist der (i,j)-eintrag von AB gleich dem (j,i)-eintrag von (AB) : Weiter gilt (AB) i,j = (B A ) j,i = also (AB) j,i = (B A ) j,i. n α i,k β k,j = (AB) j,i k=1 n (B ) j,k (A ) k,i = k=1 n β k,j α i,k, k=1 (2.) Das folgt aus Zeilenrang gleich Spaltenrang. (3.) Übung. 4.4 Zur Algebra linearer Abbildungen Satz Es seien V und W Vektorräume über K. Sind T und S lineare AbbildungenV W, und istλ K, soist aucht+sλ einelineare Abbildung V W. 74
23 Die Menge aller linearen Abbildungen V W wollen wir als Hom(V,W) bezeichnen. Die Bezeichnung kommt daher, dass strukturerhaltende Abbildungen in der Mathematik meistens als Homomorphismen bezeichnet werden. In diesem Sinne sind lineare Abbildungen Homomorphismen. Es gilt: Korollar Die Menge Hom(V, W) mit der üblichen Addition und Skalarmultiplikation ist ein Vektorraum. Korollar Sind V und W endlichdimensionale Vektorräume, so ist Hom(V,W) ein Vektorraum der Dimension dim(v) dim(w). Beweis Sei (b 1,...,b n ) eine Basis von V, und sei (c 1,...,c m ) eine Basis von W.DanngibtesgenaueinelineareAbbildung T i,j : V W mitt i,j (b i ) = c j und T i,j (b k ) 0 für k i. Diese linearen Abbildungen bilden eine Basis von Hom(V,W). Wir können lineare Abbildungen auch hintereinander ausführen, und erhalten so wieder eine lineare Abbildung: Satz V,W,Z seien K-Vektorräume. Sind T : V W und S : W Z lineare Abbildungen, dann ist auch S T eine lineare Abbildung V Z. Beweis Übung, bzw. einfach. 4.5 Lineare Operatoren, Endomorphismen Eine lineare Abbildung T : V V heißt linearer Operator oder Endomorphismus. Der Endomorphismus V V mit v 0 für alle v V wird auch mit 0 V bezeichnet. Es gilt Satz (Endomorphismenring) End(V) := (Hom(V,V),+,,0 V,id V ) ist ein nichtkommutativer Ring. Ferner ist End(V) ein Vektorraum und es gilt (T S)λ = T (Sλ) = (Tλ) S für alle λ K. 75
24 Bijektive Abbildungen kann man eventuell invertieren. Die inversen Elemente von bijektiven linearen Abbildungen sind wieder linear: Lemma Ist T End(V) bijektiv, so ist T 1 linear. Beweis Zu zeigen ist T 1 (v + wλ) = T 1 (v) + T 1 (w)λ. Weil T bijektiv ist, ist dies gleichbedeutend mit T(T 1 (v +wλ)) = T(T 1 (v)+t 1 (w)λ) Das ist aber sicherlich richtig, weil T linear ist. Bijektive Endomorphismen auf V heißen Automorphismen. Die Menge der Automorphismen auf V schreibt man auch GL(V). Bijektive Homomorphismen V W heißen Isomorphismen. Isomorphismen bilden linear unabhängige Mengen auf linear unabhängige Mengen ab, und linear abhängige Mengen werden auf linear abhängige Mengen abgebildet. Wenn es zwischen V und W einen Isomorphismus gibt, so heißen V und W isomorph, geschrieben V = W. Es können nur Vektorräume gleicher Dimension isomorph sein! Satz V und W seien endlichdimensionale K-Vektorräume und dim(v) = dim(w). Für lineare Abbildungen T : V W sind dann die folgenden Bedingungen äquivalent: (i) T ist bijektiv (ii) Kern(T) = {0} (d.h. T ist injektiv) (iii) Bild(T) = W (d.h. T ist surjektiv) (iv) T bildet eine gegebene Basis von V auf eine Basis von W ab. (v) T bildet jede Basis von V auf eine Basis von W ab. Beweis Siehe Vorlesung. Satz (Hauptsatz über endlichdimensionale Vektorräume) Ist V ein Vektorraum mit dim(v) = n, so gilt V = K n 76
25 Beweis Ist v 1,...,v n eine Basis von V, und ist e 1,...,e n eine (z.b. die kanonische) Basis von K n, so gibt es nach Satz eine bijektive lineare Abbildung T mit T(v i ) = e i. 4.6 Darstellung linearer Abbildungen durch Matrizen V und W seien K-Vektorräume, und B = (b 1,...,b n ) sei eine geordnete Basis von V, C = (c 1,...,c m ) sei eine geordnete Basis von W. Für eine lineare Abbildung T : V W definieren wir eine Matrix [T] B C K(m,n) wie folgt: Die i-te Spalte von [T] B C sei [T(b i)] C, der Koordinatenvektor des Bildes von b i unter der linearen Abbildung T. Das ist sehr sinnvoll, wie der folgende Satz zeigt: Satz [T(v)] C = [T] B C [v] B. Beweis Seiv = n i=1 b iλ i,also[v] B =. λ 1 λ n.dannistt(v) = n i=1 T(b i)λ i. WirschreibendasElementT(b i )bezüglichderbasisc,d.h.t(b i ) = m j=1 c jα j,i. Mit anderen Worten, [T] B C = (α j,i) j=1,...,m;i=1,...,n. Wir können nun T(v) auch bzgl. C darstellen: m n T(v) = c j α j,i λ i, also j=1 i=1 n i=1 α 1,iλ i λ 1 [T(v)] C =. = [T] B C. n i=1 α m,iλ i λ n Die Zuordnung einer Matrix zu einer linearen Abbildung ist sogar ein Vektorraumisomorphismus. In diesem Sinne kann man etwas ungenau sagen, dass lineare Abbildungen dasselbe sind wie Matrizen. 77
26 Satz V und W seien K-Vektorräume mit dim(v) = n, dim(w) = m, und B und C seien geordnete Basen von V und W. Dann ist die Abbildung [ ] B C : Hom(V,W) K(m,n) T [T] B C (4.1) ein Vektorraumisomorphismus. ist offenbar linear und injektiv, aus Dimensions- Beweis Die Abbildung [ ] B C gründen also auch bijektiv. Dieser Satz sagt noch nichts darüber aus, ob die Hintereinanderausführung von linearen Abbildungen auch eine vernünftige Interpretation in der Matrizenwelt hat. Der nächste Satz sagt, dass dies aber in der Tat der Fall ist: Satz V, W und Z seien endlichdimensionale K-Vektorräume mit geordneten Basen B, C und D. Wenn T Hom(V,W) und S Hom(W,Z) ist, so gilt [S T] B D = [S]C D [T]B C. Beweis Klar, weil auf der rechten Seite des Gleichheitszeichens eine Matrix M steht mit M [v] B = [(S T)(v)] D. Diese Matrix ist aber die nach Satz eindeutig bestimmte Darstellungsmatrix von S T bzgl. der Basen B und D. Korollar Es seien V und W endlichdimensionale K-Vektorräume mit geordneten Basen B und C. Dann gilt für lineare Abbildungen T : V W: T ist bijektiv [T] B C ist invertierbar. In diesem Fall gilt [T 1 ] C B = ([T] B C) 1. Im Fall dim(v) = dim(w) = n hat die Zuordnung von Matrizen zu linearen Abbildungen in Hom(V, W) also noch eine weitere interessante und wichtige Eigenschaft: Die Abbildung (4.1) respektiert auch die Ringoperation. In diesem Sinne spricht man auch von einem Ringisomorphismus. Der Ring der linearen Operatoren ist also letztlich dasselbe wie der Matrizenring. 78
27 4.7 Basistransformation Sei wieder T : V W eine lineare Abbildung. In diesem letzten Abschnitt wollen wir uns mit der Frage beschäftigen, welcher Zusammenhang zwischen Matrizen [T] B C und [T]B C besteht, wenn sowohl C und B als auch C und B Basen von W und V sind. Die Frage wird durch folgenden Satz vollständig beantwortet: Satz Sei T : V W eine lineare Abbildung. Ferner sollen B und B geordnete Basen von V sein, und C und C geordnete Basen von W. Mit id V und id W bezeichnen wir die identischen Abbildungen auf V und W. Dann gilt: [T] B C = [id W] C C [T]B C [id V ] B B. Beweis Das folgt unmittelbar aus Bemerkung Die Darstellungsmatrizen [id V ] B B sind genau die Matrizen M B B aus Abschnitt 3.5. Wir wollen uns diesen Satz an zwei Beispielen klarmachen: Beispiel Wir betrachten die lineare Abbildung x 1 ) T(. x 2 x 3 ) = ( x1 +x 2 2x 3 x 1 Wenn B und C jeweils die kanonische Basis von R 3 und R 2 bezeichnet, so gilt ( ) [T] B C = Wir suchen nun die Darstellungsmatrix von T bezüglich der geordneten Basen B = ( 0, 1 0 ), ( ) ( ) 0 1 C = (, )
28 Wir benötigen dazu die beiden Matrizen Die erste Matrix ist einfach Ferner ist [id R 3] B B und [id R 2] C C [id R 3] B B = [id R 2] C C = ([id R 2]C C ) 1 = ( ) = 1 1 ( ) Wir erhalten ( ) ( ) ( ) [T] B C = = Rechnen wir dies am Beispiel v = 1 nach: Es gilt [v] B = 1 und 0 1 ( ) 7 [T] B C [v] B =. 4 ( ) ( ) 7 4 Wir müssen noch = [T(v)] 4 C überprüfen: Es gilt T(v) = ( ) ( ) (4.2). Beispiel Wir betrachten die durch T = in F (3,3) definierte lineare Abbildung F5 3 F3 5. Gesucht sei [T] B B mit B = ( 0, 3, 0 ) =
29 Ist B die kanonische Basis von F5 3, so gilt [T] B B = Nun ist und [id] B B = [id] B B = = Wir erhalten [T] B B = = Diese Matrix sieht ganz offensichtlich übersichtlicher aus als [T] B B. Ein wichtiges Ziel der Linearen Algebra ist es, einfache Darstellungsmatrizen zu finden. Beispiel Sei T = aus R (3,3) Wir wollen die durch T definierte lineare Abbildung R 3 R 3 bezüglich der Basis B = ( 0, 1, 1 ) ausdrücken. Es gilt Wir haben [T] B B = ([id]b B ) 1 T [id] B B [id] B B = =: P
30 und Dann P 1 = P 1 TP = Das kann man leicht nachprüfen, denn T 0 = 2 0, T 1 = 2 1, T 1 = Definition Zwei Matrizen M,N K (n,n) heißen ähnlich, wenn es P GL(n,K) gibt mit P 1 MP = N Satz Ähnlichkeit ist eine Äquivalenzrelation auf K n. Beweis Es gilt I 1 MI = M, also reflexiv. Wenn P 1 MP = N gilt, so gilt auch PNP 1 = (P 1 ) 1 NP 1 = M, also ist die Relation auch symmetrisch. ZurTransitivität:GiltP 1 MP = NundQ 1 NQ = S,soist(PQ) 1 M(PQ) = Q 1 (P 1 MP)Q = S. Ziel: Finde Normalformen, d.h. auf jeder Äquivalenzklasse bezüglich der Relation Ähnlichkeit gebe man einen kanonischen Vertreter an. 4.8 Zusammenfassung Sie wissen, was lineare Abbildungen sind, und können Beispiele linearer Abbildungen angeben. Sie haben gelernt, dass lineare Abbildungen bereits vollständig durch Angabe der Bilder von Basisvektoren bestimmt sind. 82
31 Sie kennen die Definition des Kerns einer linearen Abbildung und die Dimensionsformel dim(kern(t)) + dim(bild(t)) = dim(v). Zeilenrang=Spaltenrang Jeder Unterraum des R n ist Lösungsraum eines linearen Gleichungssystems. Sie wissen, was Transponieren für Matrizen bedeutet. Man kann jede lineare Abbildung durch eine Matrix darstellen. Der Vektorraum der linearen Abbildungen V W ist zum Vektorraum der dim(w) dim(v)-matrizen isomorph. Hintereinanderausführung linearer Abbildungen entspricht Matrizenmultiplikation. Sie wissen, was der Endomorphismenring und was GL(n, K) ist. Der Endomorphismenring ist zum Ring der n n-matrizen isomorph (wobei wir aber Ringisomorphismen nicht präzise definiert haben). Die Injektivität einer linearen Abbildung T ist gleichbedeutend mit Kern(T) = {0}. Sie haben gelernt, wie sich Darstellungsmatrizen bei Basiswechsel transformieren. Sie kennen die Definition von Ähnlichkeit von Matrizen und können Sie vom Begriff der Äquivalenz unterscheiden. 83
Lineare 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
MehrLineare Abbildungen. i=0 c ix i n. K n K m. linear. Wir können also jeder Matrix eine lineare Abbildung zuordnen.
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
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
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 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
Mehr2.5 Gauß-Jordan-Verfahren
2.5 Gauß-Jordan-Verfahren Definition 2.5.1 Sei A K (m,n). Dann heißt A in zeilenreduzierter Normalform, wenn gilt: [Z1] Der erste Eintrag 0 in jeder Zeile 0 ist 1. [Z2] Jede Spalte, die eine 1 nach [Z1]
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
Mehr7.3 Unitäre Operatoren
Wir können jeden Operator T wie folgt schreiben: Dabei gilt T = 1 2 (T + T ) + i( 1 2 i (T T )) (T + T ) = T + T sowie ( 1 2 i (T T )) = 1 2 i (T T) = 1 2 i (T T ). Wir können T also in zwei lineare Operatoren
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
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,
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
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
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
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
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
Mehr4 Lineare Abbildungen und Matrizen
Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt
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,...,
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
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
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
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
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
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.
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
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
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
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,
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
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
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF
TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07.03.2016-11.03.2016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Rechnen mit Matrizen 2 1.1 Matrixmultiplikation............................................
Mehr6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.
Um zu zeigen, dass die irreduziblen Teiler eines reellen Polynoms höchstens den Grad 2 haben, fassen wir nun (x γ) und (x γ) zusammen und stellen fest, dass (x (a + b i))(x ((a b i)) = x 2 2a + (a 2 +
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
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,
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
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
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. 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,
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
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41. : x i R, 1 i n x n
Kapitel Vektorräume Josef Leydold Mathematik für VW WS 07/8 Vektorräume / 4 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit x R n =. : x i R, i n x n und wird als n-dimensionaler
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41
Kapitel 3 Vektorräume Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit R n = x 1. x n : x i R, 1 i n und
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
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
MehrV. Lineare Algebra. 35 Lineare Abbildungen und Matrizen. 156 V. Lineare Algebra
156 V. Lineare Algebra V. Lineare Algebra 35. Lineare Abbildungen und Matrizen 156 36. Eigenwerte und Eigenvektoren 161 37. Hauptvektoren 165 38. Normen und Neumannsche Reihe 168 39. Numerische Anwendungen
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 +
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 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
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
MehrVorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)
1 Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Kapitel 14: Vektorräume und lineare Abbildungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 6. Oktober 2009) Vektorräume
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
Mehr12.3 Kommutierende Abbildungen
12.3 Kommutierende Abbildungen Definition 12.3.1 Sei V ein endlichdimensionaler Vektorraum, und sei F eine Familie linearer Abbildungen V V mit UT = TU für alle U, T in F. Dann nennt man F eine Familie
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
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
MehrKapitel 7 Lineare Abbildungen und Matrizen II
Kapitel 7 Lineare Abbildungen und Matrizen II 7.1 Weitere Rechenregeln für Matrizen Aus den bisher gelernten Regeln entnehmen wir den als Übung zu beweisenden Satz 7.1. Es gelten die folgenden Regeln.
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
Mehr3 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
MehrKapitel 14. Geometrie Eine kurze Einführung in die affine Geometrie
Kapitel 14 Geometrie Sei V ein Vektorraum, z.b. V = R 3. Wenn wir uns für geometrische Eigenschaften vonr 3 interessieren, so stört manchmal dieausnahmerolle des Nullvektors, die es ja in V gibt. Beispielsweise
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)
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
Mehr5.1 Affine Räume und affine Abbildungen
402 LinAlg II Version 1.2 21. Juli 2006 c Rudolf Scharlau 5.1 Affine Räume und affine Abbildungen Ein affiner Raum besteht aus zwei Mengen P und G zusammen mit einer Relation der Inzidenz zwischen ihnen.
Mehr2.8. ABBILDUNGSMATRIZEN UND BASISWECHSEL 105. gramms kommutativ:
2.8. ABBILDUNGSMATRIZEN UND BASISWECHSEL 105 gramms kommutativ: V ϕ W ψ X c B c C c D K n x MC B(ϕ) x K m x MC D (ψ) x K l x M C D (ψ)mb C (ϕ) x Dies bedeutet, dass das gesamte Diagramm kommutativ ist.
Mehr4.4 Simultane Diagonalisierbarkeit und Trigonalisierbarkeit
4.4 Simultane Diagonalisierbarkeit und Trigonalisierbarkeit Definition 4.41. Eine Familie F linearer Operatoren heißt vertauschbar oder kommutierend, wenn für je zwei Operatoren U,T in F gilt: UT = TU.
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.
Mehr3 Lineare Abbildungen und Matrizen
3 Lineare Abbildungen und Matrizen Definition 3.1. Es seien V und W zwei Vektorräume über demselben Zahlkörper k. Eine Abbildung heisst linear, falls gilt i) [ λ k ] [ v V ] [ f (λ v) = λ f ( v) ] ii)
MehrKlausur zur Linearen Algebra I HS 2012, Universität Mannheim, Dr. Ralf Kurbel, Dr. Harald Baum
Klausur zur Linearen Algebra I HS 01, 1.1.01 Universität Mannheim, Dr. Ralf Kurbel, Dr. Harald Baum Name: Sitzplatznummer: Die Bearbeitungszeit für diese Klausur beträgt 90 Minuten. Die Klausur umfaßt
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
MehrDas inhomogene System. A x = b
Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbestimmten hat immer mindestens die Lösung 0. Ist r der Rang von A, so hat das System n r Freiheitsgrade. Insbesondere gilt: Ist
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
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
MehrLineare Algebra / Analytische Geometrie I
Ralph-Hardo Schulz Lineare Algebra / Analytische Geometrie I Skriptum zur Vorlesung in der Lehrkräfteweiterbildung Berlin 2018 L A TEX Erstellung unter Mitarbeit von Tscho Heringlehner Alle Rechte vorbehalten.
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
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
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
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
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 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
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
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
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
Mehr$Id: matrix.tex,v /12/02 21:08:55 hk Exp $ $Id: vektor.tex,v /12/05 11:27:45 hk Exp hk $
$Id: matrixtex,v 14 2008/12/02 21:08:55 hk Exp $ $Id: vektortex,v 12 2008/12/05 11:27:45 hk Exp hk $ II Lineare Algebra 6 Die Matrixmultiplikation 63 Inverse Matrizen und reguläre lineare Gleichungssysteme
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
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 ) =
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
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
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
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
MehrLineare Algebra I. December 11, 2017
Lineare Algebra I December 11, 2017 1 Grundlagen 1.1 Relationen Definition. Seien X und Y Mengen. Eine Relation auf X Y ist eine Teilmenge R X Y. Für x X, y Y sagen wir x steht in Relation mit y, falls
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 26.11.2013 Alexander Lytchak 1 / 12 Wiederholung Ist B = (v 1,..., v n ) eine Basis eines Vektorraums V, so erhalten
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
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 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,...,
MehrLineare Algebra und analytische Geometrie I
Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 9 Basiswechsel Wir wissen bereits, dass in einem endlichdimensionalen Vektorraum je zwei Basen die gleiche Länge
MehrKapitel 11. Bilinearformen über beliebigen Bilinearformen
Kapitel 11 Bilinearformen über beliebigen Körpern Wir können in diesem Kapitel rasch vorgehen, weil die meisten Konzepte im Zusammenhang mit Sesquilinearformen bereits eingeführt wurden. In diesem Abschnitt
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrSummen und direkte Summen
Summen und direkte Summen Sei V ein K-Vektorraum. Wie früher erwähnt, ist für beliebige Teilmengen M, N V die Teilmenge M +N V wie folgt definiert M +N = {v+w : v M, w N}. Man sieht leicht, dass i.a. M
Mehr5 Matrizen. In dem linearen Gleichungssystem. wollen wir die Koeffizienten zusammenfassen zu einer Matrix A =
74 5 Matrizen K sei ein fest gewählter Körper In dem linearen Gleichungssystem α ξ + α 2 ξ 2 + +α n ξ n = 0 α 2 ξ + +α 2n ξ n = 0 α m ξ + + +α mn ξ n = 0 wollen wir die Koeffizienten zusammenfassen zu
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
Mehr