Vektorräume. Kapitel Definition und Beispiele
|
|
- Ferdinand Holtzer
- vor 6 Jahren
- Abrufe
Transkript
1 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 man auch (zumindest zu Beginn) sorgfältig darauf achten, dass die binären Verknüpfungen in V und K sowie die entsprechenden neutralen Elemente verschieden sind. Wir nehmen an, dass es noch eine weitere binäre Verknüpfung gibt, und zwar zwischen Elementen aus V und K so, dass das Ergebnis wieder ein Element aus V ist. Die Verknüpfung ist also eine Abbildung : V K V (v, λ) v λ Die Menge V wird zu einem K-Vektorraum, wenn die so genannte Skalarmultiplikation folgende Eigenschaften hat: [S1] v 1 = v v V. [S2] v (λ 1 λ 2 ) = (v λ 1 ) λ 2 v V, λ 1, λ 2 K. [S3] (v 1 v 2 ) λ = (v 1 λ) (v 2 λ) v 1, v 2 V, λ K. [S4] v (λ 1 + λ 2 ) = (v λ 1 ) (v λ 2 ) v V, λ 1, λ 2 K. Die Elemente aus V heißen Vektoren, die Elemente aus K Skalare. Wir werden Skalare meistens mit Griechischen Buchstaben bezeichnen, Vektoren mit Lateinischen Buchstaben. Beachten Sie, dass wir die Skalare von rechts an die Vektoren multiplizieren. 46
2 Beispiel (1.) Der in dieser Vorlesung wohl wichtigste Vektorraum ist x 1 K n x 2 = {. : x 1,..., x n K} x n die Menge aller n-tupel von Elementen aus K. Nun ist das zunächst nur eine Menge, auf der keine Verknüpfung definiert ist. Das kann aber leicht nachgeholt werden: x 1 y 1 x 1 + y 1 x 2. y 2. := x 2 + y 2. x n y n x n + y n sowie x 1 x 1 λ x 2. λ := x 2 λ. x n x n λ Man muss jetzt nachrechnen, dass die Menge K n mit diesen Verknüpfungen wirklich zu einem Vektorraum wird. Das ist sehr einfach! (2.) Die Menge K (m,n) der m n-matrizen ist ebenfalls ein K-Vektorraum: Die Addition von Matrizen wurde bereits erklärt, die Skalarmultiplikation ist definiert durch α 1,1 α 1,n.. α m,1 α m,n λ = α 1,1 λ α 1,n λ... α m,1 λ α m,n λ Als Vektorraum betrachtet sind K m n und K (m,n) fast identisch. Das werden wir später präzisieren. (3.) Wir bezeichnen mit m K[x] := { c i x i : c i K, m N} i=0 die Menge aller Polynome über K. Beachten Sie, dass m hier nicht fest gewählt ist. Ist f = m i=0 c ix i, so heißt max{i : c i 0} der Grad des Polynoms f. Das Nullpolynom (alle c i = 0) hat demnach keinen Grad; manchmal sagt man, das Nullpolynom habe den Grad. Zwei Polynome m i=0 c ix i und n i=0 d ix i heißen gleich, wenn sie denselben Grad g haben und c i = d i für alle i g gilt. 47
3 Wir können K[x] zu einem K-Vektorraum machen: sowie m c i x i i=0 n m d i x i = (c i + d i )x i i=0 m c i x i λ = i=0 i=0 m (c i λ)x i. Bemerkung zur Addition: Wenn wir m i=0 c ix i und n i=0 d ix i mit n < m addieren wollen, so setzen wir einfach c i = 0 für m i > n. Als K-Vektorraum können wir K[x] auch wie folgt erklären: Dieser Vektorraum besteht aus allen Tupeln (c 0, c 1, c 2,...) wobei c i 0 für nur endlich viele i gilt (alle abbrechenden Folgen). Wir haben also keine Folgen mit unendlich vielen Einträgen 0. Sie können aber auch den Vektorraum aller nicht abbrechenden Folgen i=0 (c 0, c 1, c 2,...) definieren. Dieser Vektorraum wird mit K[[x]] bezeichnet, eine intuitive Notation dafür wäre etwa K[[x]] = { c i x i : c i K} i=0 Hier muss man aber aufpassen: Wir haben nur eine formale Summe f = i=0 c ix i und wir setzen für x nichts ein, d.h. wir werten f nicht an irgendeiner Stelle x aus. Das können wir ja auch nicht, denn unendliche Summen gibt es bei uns in der linearen Algebra nicht! Das geht nur in der Analysis, wo man Begriffe wie Konvergenz kennt. Wenn wir uns aber auf Polynome, d.h. K[x] beschränken, so können wir sehr wohl für x etwas einsetzen, nämlich z.b. irgendwelche Elemente aus K. So können wir aus jedem Polynom auch eine Abbildung K K machen. Polynome sind aber nicht dieselben Objekte wie solche Polynomabbildungen, weil zu verschiedenen Polynomen dieselben Abbildungen gehören können: Das Polynom f = x 2 + x F 2 [x] beispielsweise liefert bei Einsetzung der Elemente aus F 2 stets den Wert 0, aber f ist nicht das Nullpolynom. (4.) Sei S eine beliebige Menge. Die Menge Abb(S; K) = {f : f ist Abbildung S K} ist zusammen mit der folgenden Addition und Skalarmultiplikation ein K-Vektorraum. Die Addition auf Abb(S; K) ist f g : S K s f(s) + g(s) 48
4 und die Skalarmultiplikation f λ : S K s f(s) λ Lemma In einem K-Vektorraum gilt für alle v V : 1. v 0 = 0; 2. v 1 = v; 3. v λ = 0 v = 0 oder λ = 0; 4. v ( 1) = v. Wir wollen in diesem Kapitel abschließend noch den Begriff der Linearkombination definieren: Definition Sei V ein K-Vektorraum, und sei S V. Dann heißt ein Vektor v eine Linearkombination von Vektoren aus S, wenn es v 1,..., v n S und Skalare λ 1,...λ n gibt mit v = n v i λ i. i=1 3.2 Unterräume Wir wollen ab jetzt die Skalarmultiplikation mit und die Vektoraddition mit + bezeichnen, genauso wie die Verknüpfungen auf dem Körper K. Aus dem Zusammenhang geht jedoch stets hervor, ob es sich beispielsweise um die Addition von Körperelementen oder die Addition von Vektoren handelt. 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. 49
5 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 ist x = x 1 ): x 2 x 3 (1.) W := {x R 3 : x 1 + x 2 x 3 = 0} (2.) W := {x R 3 : x 1 + x 2 x 3 = 1} (3.) W := {x R 3 : x 1 + 3x 2 = 0, x 2 5x 3 = 0} (4.) W := {x R 3 : x 3 1 x2 2 = 0} (5.) W := {x R 3 : 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 W i ein Unterraum von V. 50
6 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 dieser 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: Definition Sei S V. Dann heißt S := T der von S erzeugte Unterraum. S T V 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. 51
7 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 gilt u + x = u + u u + y, also u + x U + y. Die affinen Unterräume U + x bilden eine Zerlegung von V. Wir haben gelernt, 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. Bemerkung Das hier beschriebene Vorgehen funktioniert in beliebigen abelschen Gruppen mit beliebigen Untergruppen. 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: 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. 52
8 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 i ) i I eine Familie von Vektoren in V. Dann heißt S linear abhängig, falls es eine endliche Teilmenge J I und Skalare λ i (i J) gibt mit v i λ i = 0, i J wobei nicht alle λ i gleich 0 sind. Andernfalls heißt S linear unabhängig. Wir nennen eine Menge S von Vektoren linear abhängig, falls es eine endliche Teilmenge {v 1,..., v n } S und Skalare λ 1,..., λ n gibt mit n v i λ i = 0, i=1 wobei nicht alle λ i gleich 0 sind. Andernfalls heißt die Menge S linear unabhängig. Bemerkung (1.) Wenn die Vektoren (v i ) i I in der Familie S paarweise verschieden sind, dann ist die Familie S genau dann linear unabhängig, wenn die Menge {v i : i I} linear unabhängig ist. Wenn aber v i = v j für i j gilt, so ist die Familie (v i ) i I sicherlich linear abhängig, die Menge {v i : i I} kann aber linear unabhängig sein. (2.) Teilmengen linear unabhängiger Mengen sind linear unabhängig. (3.) Ist S linear abhängig und S T, so ist auch T linear abhängig. (4.) 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. Ein Vektorraum heißt endlich erzeugt, wenn er ein endliches Erzeugendensystem besitzt. 53
9 Im folgenden Satz benötigen wir das folgende Lemma: 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, i = 1,...n so, dass nicht alle λ i gleich 0 sind, und 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. Ferner ist aus demselben Grund λ 1 0. Also gilt und v S, ein Widerspruch. v 1 = n j=2 v j λ j λ 1 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 e i = γ 1.. ist mit γ j = 0 für i j und γ i = 1. γ n 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 gut geht, kann man mit Hilfe des Zornschen Lemmas beweisen. Wir wollen hier darauf nicht eingehen, sondern nur festhalten: 54
10 Satz Jeder VR hat eine Basis. 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 Ferner gilt w j = m α i,j v i. i=1 n w j λ j = j=1 = n m α i,j λ j v i j=1 i=1 m n ( α i,j λ 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 für i = 1,...,n (Gleichungssystem mit m Gleichungen und n Unbekannten, m < n, siehe Satz 2.8.1), 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 ). Wir wollen uns jetzt mit den Dimensionen von Unterräumen beschäftigen. Es folgt aus Lemma 3.3.4: Satz Sei V ein endlichdimensionaler Vektorraum. Ist U V, so gilt dim(u) dim(v ). 55
11 Satz 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 eines endlichdimensionalen Vektorraums 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. 3.4 Rang einer Matrix Die folgende Frage ist bislang offen geblieben: Wenn A und B zeilenreduziert und zeilenäquivalent sind, müssen dann A und B gleich viele Zeilen 0 haben? 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 äquivalent zu einer Matrix R in zeilenreduzierter Form ist. Die Anzahl der Zeilen 0 in R heißt der Rang von A. Korollar Ist A K (m,n), so ist der Vektorraum U der Lösungen von Ax = b ein Unterraum von K n der Dimension n Rang(A). Beweis Sei R in zeilenreduzierter Normalform und äquivalent zu A. Die Pivotelemente seien an den Positionen (i, j i ), i = 1,...,r. Setze J = {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 + j J γ 2,j x j = =... x jr + j J γ r,j x j = 0 56
12 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. 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 v i0 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 gilt 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. 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 =.. λ n 57
13 Ist B = (e 1,... e n ) die kanonische Basis bestehend aus den Einheitsvektoren, so gilt x 1 x 1 [.. ] B =... x n x n Aber eine andere geordnete Basis in R 3 ist z.b. C = ( 1 1, 2 0, 3 1 ) Dann ist mit [ 2 2 ] C = λ 1 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 Seien B und C zwei geordnete Basen λ 3 = 1, λ 2 = 1, λ 1 = 1. 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 gilt. α 1,i. α n,i = [b i ] C (3.1) Satz Sei V ein n-dimensionaler Vektorraum. Dann gilt für alle v V : M B C [v] B = [v] C. 58
14 Beweis Sei und [v] B = λ 1. λ n M B C = (α i,j ), wobei die α i,j durch (3.1) erklärt sind, also n b i λ i = v. i=1 Dann ist Nun gilt wegen (3.1) Wir erhalten i α 1,iλ i M B C [v] B =. i α n,iλ i v = i α j,i c j = 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, was zu zeigen war. Beispiel Sei B = ( 0 1, 2 3, 1 1 ) und C = ( 1 1, 0 1, 1 1 ) Man rechnet nach (Lösung eines linearen Gleichungssystems!): [ 0 1 ] C = 6 [ 2 3 ] C = 0 [ 1 1 ] C = 3 1 1, 1 1 1,
15 Die Transformationsmatrix ist also M B C = Wir überprüfen dies an einem Beispiel: Sei v = 3 2, dann ist 15 [v] B = Der Koordinatenvektor [v] C bzgl. der Basis C ist also M B C [v] B = Die Korrektheit diese Ergebnisses kann man leicht nachrechnen. Korollar M B C MC B = I. Beweis Es gilt M B C [v] = [v] C und M C B [v] C = [v] B, siehe Satz Also gilt M B C MC B [v] B = [v] B für alle v V, also muss M B C MC B = I gelten. Korollar Sei V ein K-Vektorraum der Dimension n, und sei P eine invertierbare Matrix in K (n,n). Ist B = (b 1,..., b n ) eine geordnete Basis von V, so gibt es genau eine Basis C mit für alle v V. [v] C = P [v] B Beweis Zur Existenz: Wir suchen eine Basis C = (c 1,..., c n ) mit c j α j,i = b i, (3.2) j d.h. P = M B C. Wenn (3.2) gilt, ist C ein Erzeugendensystem. Wegen C = dimv ist dieses Erzeugendensystem auch eine Basis. Sei P 1 = (β i,j ) die Inverse von P. Dann gilt { 1 wenn k = i β k,j α j,i = 0 sonst j 60
16 Wir setzen c j = k b kβ k,j. Dann gilt c j α j,i = j j b k β k,j α j,i = k k b k β k,j α j,i = b i, j also (3.2). Zur Eindeutigkeit: Die i-te Spalte von P 1 muss [c i ] B sein. 3.6 Zusammenfassung Sie haben in diesem Abschnitt die wichtige Definition des Vektorraumes kennengelernt und Beispiele gesehen. 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. 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 Kapiteln beantwortet. 61
5.7 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
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
Mehr[UV2] bedeutet Abgeschlossenheit bezüglich der Addition, [UV3] ist die Abgeschlossenheit bzgl. der Skalarmultiplikation. Bezeichnung U V.
3.2 Unterräume Definition 3.2.1 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]
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrIn diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum,
2 Vektorräume In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa Unterraum, Linearkombination, lineare Unabhängigkeit und Erzeugendensystem.
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. 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,...,
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
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
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
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:
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
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
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
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
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 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
Mehri) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.
Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
Mehr6.2 Basen. Wintersemester 2013/2014. Definition Seien V ein K-Vektorraum, n N 0 und v 1,..., v n V. (a) Man nennt
Universität Konstanz Fachbereich Mathematik und Statistik Wintersemester 213/214 Markus Schweighofer Lineare Algebra I 6.2 Basen Definition 6.2.1. Seien V ein K-Vektorraum, n N und v 1,..., v n V. (a)
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 05.11.2013 Alexander Lytchak 1 / 14 Linearkombinationen Definition Es sei V ein reeller Vektorraum. Es sei (v i ) i
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
MehrDer Rangsatz für lineare Abbildungen
Der Rangsatz für lineare Abbildungen Satz Sei f : V W eine lineare Abbildung Dann gilt dim V = dim Kern(f) + dim Bild(f), also gleichbedeutend dim Kern(f) = dim V rg(f) Da uns in der Regel bei gegebenem
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
MehrLineare Algebra I. - 9.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Korrektur: 2. Klausurtermin:
Lineare Algebra I - 9.Vorlesung - rof. Dr. Daniel Roggenkamp & Falko Gauß Korrektur: 2. Klausurtermin: 09.02.2017 Linearkombination von Vektoren lineare Hülle Erzeugendensystem S lineare Unabhängigkeit
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
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
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
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
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
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
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
MehrDefinition Sei V ein Vektorraum, und seien v 1,..., v n V. Dann heißt eine Linearkombination. n λ i = 1. mit. v = v i λ i.
Kapitel Geometrie Sei V ein Vektorraum, z.b. V = R 3. Wenn wir uns für geometrische Eigenschaften von R 3 interessieren, so stört manchmal die Ausnahmerolle des Nullvektors, die es ja in V gibt. Beispielsweise
Mehr5 Die Allgemeine Lineare Gruppe
5 Die Allgemeine Lineare Gruppe Gegeben sei eine nicht leere Menge G und eine Abbildung (Verknüpfung) : G G G, (a, b) a b( a mal b ) Das Bild a b von (a, b) heißt Produkt von a und b. Andere gebräuchliche
MehrLineare Algebra I. Christian Ebert & Fritz Hamm. Gruppen & Körper. Vektorraum, Basis & Dimension. Lineare Algebra I. 18.
18. November 2011 Wozu das alles? Bedeutung von Termen Vektoren in R n Ähnlichkeiten zwischen Termbedeutungen Skalarprodukt/Norm/Metrik in R n Komposition von Termbedeutungen Operationen auf/abbildungen
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
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
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
MehrLINEARE ALGEBRA I (LEHRAMT GYMNASIUM) WINTERSEMESTER 2015/16
LINEARE ALGEBRA I (LEHRAMT GYMNASIUM) WINTERSEMESTER 2015/16 CAROLINE LASSER Inhaltsverzeichnis 1. Vektorräume 2 1.1. Vektorräume und Unterräume (13.10.) 2 1.2. Lineare Unabhängigkeit (20.10.) 3 1.3. Basen
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrEinführung in die Mathematik für Informatiker
Einführung in die Mathematik für Informatiker Prof. Dr. www.math.tu-dresden.de/ baumann 21.11.2016 6. Vorlesung aufgespannter Untervektorraum Span(T ), Linearkombinationen von Vektoren Lineare Unabhängigkeit
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
MehrVektorräume und Lineare Abbildungen
Lineare Algebra Kapitel 9. Vektorräume Der Körper der reellen Zahlen Der Vektorraumbegriff, Beispiele Rechnen in Vektorräumen Linearkombinationen und Erzeugendensysteme Lineare Abhängigkeit und 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,
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
Mehr$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
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
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
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
Mehr3.2 Unabhängigkeitsstrukturen
80 3.2 Unabhängigkeitsstrukturen Unser Ziel ist der Nachweis, daß in Vektorräumen, also in Moduln über Körpern, Basen existieren und zwei endliche Basen gegebenenfalls von derselben Ordnung sind. (Basen
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
MehrAnhang A. Etwas affine Geometrie. A.1 Die affine Hülle
Anhang A Etwas affine Geometrie In diesem Anhang stellen wir die wichtigsten Grundbegriffe aus der affinen Geometrie zusammen, soweit sie eben für uns von Nutzen sind. Für weiterführende Ergebnisse sei
MehrHomogene und inhomogene Koordinaten und das Hyperboloid
Seminararbeit zum Seminar aus Reiner Mathematik Homogene und inhomogene Koordinaten und das Hyperboloid Gernot Holler 1010674 WS 2012/13 28.November 2012 1 Inhaltsverzeichnis 1 Einleitung 3 2 Homogene
MehrLösungen der Aufgaben zu Abschnitt 5.4
A Filler: Elementare Lineare Algebra Lösungen zu Abschnitt 54 Lösungen der Aufgaben zu Abschnitt 54 B ist linear unabhängig, wenn die Vektorgleichung ( ) ( ) ( ) ( ) 456 λ + λ + λ = bzw das LGS λ +4λ +λ
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
MehrLineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich
Lineare Algebra U Stammbach Professor an der ETH-Zürich I Vektorräume Kapitel I Vektorräume 1 I1 Lineare Gleichungssysteme 1 I2 Beispiele von Vektorräumen 7 I3 Definition eines Vektorraumes 8 I4 Linearkombinationen,
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
MehrDie Dimension eines Vektorraumes
Die Dimension eines Vektorraumes Ist (b 1, b 2,..., b n ) eine Basis des Vektorraums V, so heißt n die Dimension von V. Die Möglichkeit dieser Definition beruht auf dem folgenden nichttrivialen Satz. Je
Mehr11. BASIS, UNTERRAUM, und DIMENSION
11. BASIS, UNTERRAUM, und DIMENSION 1 Basen werden zu unterschiedlichen Zwecken benutzt: Um lineare Abbildungen in ihrer Matrixdarstellung zu vereinfachen, um die Dimension von Vektorräumen und ihren Unterräumen
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
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
Mehr4 Elementare Vektorraumtheorie
4. ELEMENTARE VEKTORRAUMTHEORIE 51 4 Elementare Vektorraumtheorie Im folgenden sei K stets ein Körper. Definition. (i) Eine homogene Gleichung in den Unbekannten ξ 1,..., ξ n ist ein Ausdruck der Gestalt
MehrLineare Algebra I. Lösung 9.2:
Universität Konstanz Wintersemester 2009/2010 Fachbereich Mathematik und Statistik Lösungsblatt 9 Prof. Dr. Markus Schweighofer 20.01.2010 Aaron Kunert / Sven Wagner Lineare Algebra I Lösung 9.1: Voraussetzung:
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 ) =
Mehr9 Aus der linearen Algebra. Themen: Lineare Abbildungen Darstellung durch Matrizen
9 Aus der linearen Algebra Themen: Der à n Lineare Abbildungen Darstellung durch Matrizen Der à n besteht aus den n-tupeln mit x i Ã. x 1 x 2 x = (x 1, x 2,...,x n ) oder x =. x n Der à n besteht aus den
MehrAffine Geometrie (Einfachere, konstruktive Version)
Affine Geometrie (Einfachere, konstruktive Version) Def. Affiner Raum der Dimension n über Körper K ist nach Definition K n. Bemerkung. Man könnte Theorie von affinen Raumen auch axiomatisch aufbauen mit
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
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
MehrBasis und Dimension. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
Basis und Dimension Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren aus V. 1) (v i ) i I heißt ein Erzeugendensystem von V, wenn Span(v i ) = V. 2) (v i ) i I heißt Basis von
MehrVorlesung 27. Der projektive Raum. Wir werden den projektiven Raum zunehmend mit mehr Strukturen versehen.
Vorlesung 27 Der projektive Raum Definition 1. Sei K ein Körper. Der projektive n-dimensionale Raum P n K besteht aus allen Geraden des A n+1 K durch den Nullpunkt, wobei diese Geraden als Punkte aufgefasst
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Informatiker I Wintersemester 3/ Aufgabenblatt 6. Januar Präsenzaufgaben
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 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
Mehr0, v 6 = , v 4 = 1
Aufgabe 6. Linearkombinationen von Vektoren Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 : M = v =, v =, v 3 =, v 4 =, v 5 =, v 6 =. Zeigen Sie, dass sich jeder Vektor v i M, i =,,...,
Mehr4 Lineare Abbildungen und Matrizen
4.1 Lineare Abbildungen Definition 4.1. Es seien V, W K-Vektorräume. Eine Abbildung f : V W heißt linear oder Homomorphismus, wenn für alle u, v V und λ K gilt Beispiel 4.2. L1 f(u + v) = f(u) + f(v),
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrLineare Algebra Weihnachtszettel
Lineare Algebra Weihnachtszettel 4..008 Die Aufgaben auf diesem Zettel sind zum Üben während der Weihnachtspause gedacht, sie dienen der freiwilligen Selbstkontrolle. Die Aufgaben müssen nicht bearbeitet
MehrAlgebraische Zahlentheorie. Teil II. Die Diskriminante.
II-1 Algebraische Zahlentheorie Teil II Die Diskriminante Sei K ein Zahlkörper vom Grad n (also [K : Q] = n) Es gibt genau n Körper- Homomorphismen σ i : K C (siehe Merkzettel Separabilität) Stellen wir
MehrSatz 7. A sei eine nichtleere Teilmenge des nichttrivialen Vektorraums (V, +, ). Dann sind die folgende Aussagen äquivalent.
Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine nichtleere Teilmenge
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
Mehr2.2 Lineare Gleichungssysteme
Lineare Algebra I WS 2015/16 c Rudolf Scharlau 55 22 Lineare Gleichungssysteme Das Lösen von Gleichungen (ganz unterschiedlichen Typs und unterschiedlichen Schwierigkeitsgrades) gehört zu den Grundproblemen
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
MehrII. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme
52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 6 Vektorräume Die Addition von zwei Pfeilen a und b, ein typisches Beispiel für Vektoren. Der zentrale
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 7 11. Mai 2010 Kapitel 8. Vektoren Definition 76. Betrachten wir eine beliebige endliche Anzahl von Vektoren v 1, v 2,..., v m des R n, so können
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
Mehr4. Vortrag - Garben. Ling Lin, Kristijan Cule Datum: 26. April 2009
4. Vortrag - Garben Datum: 26. April 2009 1 Graduierte Ringe Definition 4.1.1. Eine k-algebra R heißt graduiert, wenn sie dargestellt werden kann als eine direkte Summe R = R n, wobei die R n als k-unterräume
MehrLineare Hülle. span(a) := λ i v i : so dass k N, λ i R und v i A.
Lineare Hülle Def A sei eine nichtleere Teilmenge des Vektorraums (V,+, ) Die lineare Hülle von A (Bezeichung: span(a)) ist die Menge aller Linearkombinationen der Elemente aus A { k } span(a) := λ i v
Mehr1 Mengen und Abbildungen
1 MENGEN UND ABBILDUNGEN 1 1 Mengen und Abbildungen Wir starten mit einigen einführenden Definitionen und Ergebnissen aus der Theorie der Mengen und Abbildungen, die nicht nur Grundlage der Linearen Algebra
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrLösungen zur Mathematik für Informatiker I
Lösungen zur Mathematik für Informatiker I Wintersemester 00/03 Prof Dr H Lenzing Blatt 7 Sei M Ihre Matrikelnummer mit den Ziffern m, m, m 3, m 4, m 5, m 6, m 7 Aufgabe 6 ( Bonuspunkt): Wir betrachten
Mehr1 0 1, V 3 = M, und λ A = λa
Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a
Mehr